«Криворукие гуманоиды», или Поговори со мной, машина!

Директор Центра прикладного искусственного интеллекта Сколтеха, руководитель научной группы AIRI Евгений Бурнаев рассказывает, мог ли чат GPT появиться в России, почему Китай скоро обгонит США и может ли ИИ разгадать загадки человеческого мозга.

Выйти из полноэкранного режима

Развернуть на весь экран

— Словом прошедшего 2023 года было объявлено слово «нейросеть». И действительно, ChatGPT за последний год стал столь популярным, что о нем знают, кажется, все. Что нужно было сделать технологически и интеллектуально, чтобы он возник? Почему он не появился в России? Чего у нас не хватает? Мощностей? Людей?

— Можно сделать весьма грубый расчет, какие требуются затраты для обучения модели, подобной ChatGPT. Это и команда в несколько десятков квалифицированных инженеров, то есть их зарплата, допустим, на год. Стоимость вычислительных мощностей — сейчас стоимость закупки GPU значительно выросла как по причине их дефицита, так и по причине сложностей с доставкой. Опять-таки, затраты на электричество. Также затраты на подготовку данных для обучения, которых требуется очень много, их разметку. Соответственно, в стране только такие компании, как «Сбер» и «Яндекс», могут позволить себе обучение моделей подобного класса. Далее, чтобы понять, почему же такая модель не появилась в России, достаточно просто проследить, каким образом и где именно появлялись результаты, на которых данная технология базируется. К тоже же сказывается недостаток вычислительных мощностей и команд, способных работать на соответствующем профессиональном уровне.

— Что было придумано такого в ChatGPT, чего не было до этого? Почему вдруг такой взрыв интереса?

— Как обычно, это сочетание нескольких факторов. Первый фактор — очень специальная архитектура нейросети, то есть, по сути, очень специальная конструкция вычислительного алгоритма. Используется так называемый механизм внимания — специальный класс алгоритмов, который позволяет оценивать, насколько сильно какие-то слова в предложении зависят от контекста. Механизм внимания был известен уже давно, однако в процессе проведения экспериментов было замечено, что если использовать очень большие нейросети (с большим числом параметров), которые позволяют делать оценку внимания для текстов большого размера и настраивать параметры нейросетей по огромным выборкам данных, то в результате получаются модели, которые на качественно новом уровне могут извлекать смыслы из текстов. Это второй фактор. Конечно, при этом требуются значительные вычислительные мощности.

Сотрудники компании OpenAI, которые первыми заметили эту тенденцию, продолжили активно инвестировать в данное направление. Третье — был предложен и использован для обучения ChatGPT новый алгоритм с подкреплением на основе обратной связи от пользователя. Для этого требуются значительные средства для получения специальным образом подготовленной выборки данных в виде вопросов и ответов людей на них. В итоге модель ChatGPT на регулярной основе получала обратную связь от пользователей, что позволяло автоматически улучшать ее работу.

— Как это выглядело в реальности?

—Они наняли столько-то сотен определенным образом подготовленных людей, сначала тренировали их, как правильно составлять вот эти пары вопросов-ответов — определенные вопросы и детальные ответы на них. Более того, некоторые из ответов были развернутые, представленные в виде рассуждений.

— То есть логически?

— Эта цепочка рассуждений в конце приводит к ответу на поставленный вопрос. Все указанные факторы, описанные выше приемы оказались очень важными и полезными, кардинально повышающим качество, они позволили «дойти последнюю милю». Примерно так же было с системой распознавания лиц. Долгое время качество распознавания, условно, не превышало 85%. Вроде бы с формальной точки зрения точность в 85% выглядит неплохо, но этого совсем недостаточно для приложений. На практике нужна точность гораздо больше 95%. Преодоление этой разницы требовало наиболее значительных усилий. Как только удалось это сделать за счет новых алгоритмов, сразу стало возможным строить системы распознавания, которые работали в разы лучше прежних, и их использование в различных бизнес-приложениях стало экономически оправданным. Так и в случае языковых моделей. Языковые модели предыдущего поколения неплохо работали в каких-то достаточно узких инженерных задачах. За счет сочетания факторов, которые я описал выше, удалось кардинально повысить качество и выйти на новый уровень понимания естественного языка.

— Если забраться внутрь GPT, что он собой представляет?

— Языковые модели представляют собой вычислительные алгоритмы с огромным числом настраиваемых параметров, условно, управляющих ручек. Для их настройки требуется огромный объем данных. В целом, языковые модели типа ChatGPT относятся к классу генеративных моделей, которые могут описывать различные сложные типы данных, например, картинок, живой речи и т. д. За счет обучения на больших объемах данных эти модели начинают «понимать», какие типичные паттерны в этих данных есть, и далее для решения конкретной задачи требуется уже небольшое количество размеченных данных (например, изображений с описанием того, что на них изображено), чтобы дообучить такого рода модель решать конкретную задачу.

Сейчас идет большая работа в мире, чтобы провести эксперименты и понять, в каких типах приложений модель типа ChatGPT может принести максимально возможную пользу. Все хотят научиться применять ChatGPT в важных инженерных задачах. В основном хорошие результаты уже есть при использовании в системах, которые позволяют ускорить и повысить эффективность работы программистов по написанию кода, в системах поддержки продаж клиентам и т. п. Однако, судя по всему, пока в индустриальных компаниях не очень много приложений такого рода моделей, сложно сказать, большая ли бизнес-польза от этой технологии.

— Может, какие-то задачи решили уже?

— Может быть, но явно информации об этом не слишком много. Соответственно, сейчас есть активный тренд, чтобы нащупывать инженерные приложения, где такие технологии действительно принесут хорошую прибыль на регулярной основе.

— Какой у него предел развития? К чему идет сейчас эта технология?

— У этих систем очень много ограничений. Пока, чисто формально, мы имеем дело в значительной степени со статистической моделью, основанной на типичных паттернах в естественном языке и на каких-то фактах, которые из этого массива текста модель «вытащила» и сохранила у себя в огромном числе параметров. Модель не может себе ставить цели, обнаруживать «галлюцинации», то есть «заниматься самоанализом» и выявлять, что какие-то ее ответы пользователю содержат «факты», которые на самом деле не соответствуют действительности. Все это существенно ограничивает дальнейшее развитие. А исследователи, инженеры пытаются эти помехи устранить, чтобы можно было далее эффективно использовать такого типа технологии.

Ненужные люди

— Все как раз прогнозируют какой-то передел структуры рынка, замену ИИ большого количества специальностей, переживают инженеры, художники, журналисты.

— Это, конечно, больная тема, но на самом деле эти процессы, на мой взгляд, не слишком быстрые. Конечно, если речь идет о, например, стоковых рисунках для презентаций, то да, я согласен, генеративная модель может вместо художника такой рисунок легко сгенерировать. Но для результатов более высокого уровня пока еще требуется участие профессионала.

— OpenAI довольно неплохо привлекла к себе внимание, уволив и взяв обратно на работу Сэма Альтмана, который якобы хотел предупредить человечество о том, что ИИ достиг какого-то опасного порога развития.

— Действительно, в прессе стали появляться сообщения, что фактически уже создан интеллект, который всех скоро поработит, займет рабочие места и т. д. Например, даже лауреат Нобелевской премии Кристофер Писсаридес посоветовал абитуриентам не стремиться изучать естественные науки, технические дисциплины и математику. Он считает, что в будущем будут гораздо выше цениться «эмпатические» и творческие навыки, которые помогут процветать в мире доминирования искусственного интеллекта. На мой взгляд такие советы — это, конечно, крайность.

Займет ли ИИ рабочие места? Конечно, займет!

А потом создаст в два раза больше рабочих мест, чтобы разгрести все то, что ИИ же и наворотил, а точнее, «криворукие гуманоиды» с его помощью. Действительно, программный модуль на основе ИИ, вообще говоря, имеет ненулевую вероятность выдать ошибочный прогноз. Соответственно, такого рода модуль может, с одной стороны, повысить эффективность принятия решений, но с другой стороны требуется встраивать его в ИТ-системы надлежащим образом, принимая во внимание эту особенность — что некоторые прогнозы, пусть даже и очень небольшая их часть, могут быть ошибочными. В случае если речь идет о какой-то ИТ-системе для управления критической инфраструктурой, появление таких ошибок может быть фатальным. Соответственно, очень важно наличие высококвалифицированных специалистов - экспертов в ИИ, которые могут надлежащим образом оценить все риски и верифицировать решение на основе ИИ. Помимо этого, требуется вовлечение квалифицированных разработчиков со знанием основ ИИ, которые смогут правильным образом встроить модуль на основе ИИ в ИТ-систему с учетом всех его особенностей.

— Зато вылезают какие-то опасности, о которых мы раньше и не подозревали.

— Понятно, что искусственный интеллект можно встраивать в военные изделия. Но, опять-таки, кажется, что это просто всего лишь еще одна дополнительная техническая возможность, которой раньше не было. Если мы уже начали говорить про технику, то сначала тракторов не было, потом они появились. Хорошая вещь? Конечно, стало проще выращивать пшеницу. Но трактора — это еще и танки. С ИИ примерно такая же история будет, в моем понимании. Стали появляться дипфейки — стали появляться и методы, и сервисы на их основе для выявления дипфейков.

Китай догнал США

— Сейчас часто можно слышать, что лидером в искусственном интеллекте стал Китай. Все громкие технологии пока принадлежат Америке. Как это можно понимать?

— Китай бежал-бежал и добежал. Есть определенные передовые конференции (так называемые конференции уровня A*), в трудах которых в настоящее время принято публиковать полноценные научные статьи с результатами в области ИИ. Пробиться на конференцию очень непросто — доля принятых статей низкая, очень строгое рецензирование. Тем не менее Китай уже получил определенное первенство по такого рода статьям. Но они понимают, что этого еще пока недостаточно. Количество нужно перевести в качество — нужны более прорывные идеи.

Что касается лидерства, то пока еще технология типа ChatGPT появилась в США. В целом появление такого рода новой технологии заранее предсказать сложно. Тем не менее в Китае активно разрабатывают промышленные приложения этих технологий. Например, у них примерно до 2028 года есть программа, в рамках которой генеративные и языковые модели должны быть внедрены в десять наиболее важных секторов экономики с госучастием. И они этого добьются. Действительно найдут места, где это принесет существенную прибыль. При этом Китай производит и собственные GPU, которые, может быть, пока и не самые передовые, но все равно достаточно хорошо справляются со своей задачей. То есть они могут обеспечивать себя вычислительными мощностями.

Как заняться искусственным интеллектом

— Из какой сферы чаще всего появляются звезды искусственного интеллекта? Какой была их траектория профессионального пути? Из какой сферы они появились? Как сегодня стать таким топ-специалистом?

— Чтобы заниматься развитием технологий ИИ, нужно хорошее техническое или естественнонаучное образование, знание математики и компьютерных наук. Нужен вуз с хорошей фундаментальной подготовкой — МФТИ, Сколтех, Вышка, ИТМО например. Соответственно, самая сложная вещь, естественно, это разработка новых методов и технологий. И здесь требуются хорошие фундаментальные знания математики и опыт моделирования.

Далее, как правило, человек начинает интересоваться методами ИИ, посещает соответствующие курсы, в указанных университетах в базовой версии они есть, и выпускники как минимум понимают основы методов ИИ, основные идеи. После этого уже начинается профессиональная подготовка, чаще всего это происходит на работе, к слову сказать. Ты делаешь какие-то проекты и заодно что-то изучаешь.

— А когда вы поняли, что будете заниматься ИИ?

— Если говорить конкретно о моей траектории, то еще в магистратуре я заинтересовался анализом данных и понял, что хотел бы заниматься такого рода задачами. В то время меня интересовали задачи моделирования и прогнозирования временных рядов. Я поступил в аспирантуру и написал и защитил менее чем за два года диссертацию кандидата физико-математических наук по фундаментальной теме — так называемой задаче скорейшего обнаружения разладки. Постановка задачи следующая — в режиме реального времени наблюдается случайный процесс, моделирующий какие-то реальные наблюдения с датчиков, и надо с наименьшей задержкой при ограничении на уровень ложных тревог обнаружить момент времени, когда статистические свойства процесса меняются. Таким образом можно описать многие задачи мониторинга работоспособности оборудования и прогнозирования его поломок. Соответственно, разработанная теория позволяет строить более эффективные алгоритмы решения указанной задачи в разных практических ситуациях.

Далее я стал участвовать в различных прикладных проектах, для решения задач требовалась адаптация существующих или разработка новых методов предиктивного моделирования и машинного обучения. В основном проекты были связаны с прогнозированием поведения и оптимизацией различных инженерных систем, например компоновки пассажирского самолета. По мере решения десятков подобных задач удалось обобщить полученные подходы и разработать технологический инструментарий предиктивной аналитики. В нем были различные методы для снижения размерности, анализа чувствительности, адаптивного дизайна экспериментов, построения прогноза и оценки его неопределенности. Все это было реализовано в виде программных модулей, с возможностью самоконфигурации к особенностям решаемой задачи. По сути, это уже были инструменты ИИ, которые позволяли неспециалистам автоматизировать решение инженерных задач, используя эти автоматически настраивающиеся программные модули.

В 2013 году разработанное программное обеспечение получило сертификат о достижении заключительного уровня готовности технологии от компании Airbus. Удалось показать, что использование ПО в компании позволило сократить время некоторых этапов проектирования пассажирских самолетов на 10%. Таким образом, в то время я начинал не просто с каких-то академических исследований в области ИИ, а уже построил алгоритмическую основу полноценной промышленной системы: были реализованы новые, не существовавшие на тот момент методы ИИ — это было необходимо, так как решаемые инженерные задачи были очень сложными и стандартные методы не срабатывали. Новизна методов также была подтверждена публикациями в международных высокорейтинговых изданиях, в том числе и трудах конференций A* — в России в то время статей такого рода почти не публиковалось, и мне еще в 2014 году удалось это сделать в трудах Conference on Learning Theory совместно с В. Вовком, профессором Royal Holloway, University of London.

Другой пример развития — один из моих учеников, Александр Коротин, в бакалавриате заканчивал матфак в ВШЭ. Потом — два года на факультете компьютерных наук и в школе анализа данных в «Яндексе». Александр сейчас очень продуктивный молодой исследователь, руководит собственной научной группой, публикует очень хорошие фундаментальные статьи. И при этом хорошо понимает именно прикладные аспекты, благо, что с моей подачи, еще будучи аспирантом, участвовал в большом количестве различных прикладных проектов. Недавно он получил первую национальную премию «Лидеры ИИ» в номинации «Наука». Основная тема исследований связана с генеративным искусственным интеллектом.

— Насколько активно в области ИИ идет процесс утечки мозгов?

— Из того, что я вижу вокруг, я не могу сказать, что ко мне сейчас стали чаще приходить просьбы от студентов написать письмо поддержки для поступления в иностранную магистратуру или аспирантуру. В среднем количество примерно такое же, как и раньше. Понятно, что наблюдаемая турбулентность привела к тому, что «локально» более впечатлительные студенты решили сменить место учебы. Но не более того. Да и вопрос не в том, что кто-то куда-то поехал учиться. А скорее в том, вернется ли этот человек потом или нет. Само по себе желание поехать в новое место, попасть в новую для себя научную среду — правильное, по молодости так вообще полезное. Важнее вопрос дальнейшей траектории. Как дальше человек будет действовать? В научной практике, наоборот, хорошо перенять методы работы у разных научных групп и с этим где-то осесть. Вопрос где. И этот вопрос, конечно, болезненный, тут надо работать. Например, в Сколтехе, в центре, которым я руковожу, было несколько случаев, что ребята меняли место работы на зарубежное, но массового явления не было. При этом я знаю, что где-то ситуация была хуже. Здесь еще также важно, что костяк команды обычно состоит из буквально нескольких человек. И важно таких «звездочек» не упустить. Нам, к счастью, это удается, более того, удается и привлекать хороших ученых из зарубежных научных организаций к себе на работу, возвращать соотечественников обратно.

Мозг искусственный и мозг естественный

— Сколько человек работает в Центре прикладного искусственного интеллекта Сколтеха?

— Порядка 180 человек, они разделены на группы, и каждая группа ведет свою прикладную или более фундаментальную тематику. В прикладных группах работают программисты, которые могут сделать прототип продукта и оформить его в соответствии со стандартами. Есть отдел контроля качества программного обеспечения, который позволяет это самое качество поддерживать и структурировать работу программистов.

— Каким образом вы выбираете проекты, которыми занимается центр?

— Если говорить о коммерческих проектах, то мы нужны тогда, когда у компании появляется сложная задача, для решения которой нет достаточной квалификации и ресурсов. Понятно, что решение должно лежать в области нашей специализации: применение методов искусственного интеллекта и машинного обучения для прогнозирования характеристик объектов, чтобы сделать производственный процесс более эффективным. И это можно быть что угодно: от добычи нефти до распознавания МРТ. Вопрос только в том, с какими данными нам приходится работать. В зависимости от этого мы применяем разные методы. В некотором смысле, здесь мы работаем как исследовательский «бутик» и предоставляем доступ к своим уникальным компетенциям.

— Наиболее интригующей кажется работа в области нейровизуализации. Чем конкретно вы занимаетесь и может ли ИИ продвинуть нас в изучении работы мозга?

— У нас есть проект, связанный с обработкой мультимодальных данных. Во-первых, это данные МРТ — магнитно-резонансной томографии и фМРТ — функциональной магнитно-резонансной томографии. МРТ и фМРТ отличаются тем, что в случае МРТ получается 3D-фотография — показывает контраст между тканями типа серое-белое вещество, жир, вода и т.д., а фМРТ показывает контраст между областями с кровью богатой и бедной кислородом. Во-вторых, это данные об экспрессии генов, которые получаются по слюне человека. И конечно, различные соцдем-признаки. Вопрос в том, как скомбинировать информацию из этих различных типов данных для построения биомаркеров, которые будут способны выявлять различные типы заболеваний, например, депрессивные расстройства.

Есть проект с участием нескольких клиник, федеральных центров (нейрохирургии имени Бурденко, хирургии имени Пирогова, акушерства, гинекологии и перинатологии имени Кулакова и др.). Врачи в этих клиниках используют МРТ в том числе для выявления эпилептогенных зон, условно, в каких участках мозга локально есть размытие коры или утолщение, какие-то другие аномалии. Такого рода аномалии являются причиной эпилепсии у детей, которая не лечится лекарствами. Соответственно, требуется хирургическое вмешательство, для успешного проведения которого в свою очередь необходимо точно выделить положение эпилептогенных зон. Проблема в том, что опытных радиологов, которые могут выделить, где этот участок находится, вообще говоря, не так много. И либо надо обращаться в такой федеральный центр, либо есть риск, что хирургическое вмешательство может не привести к исцелению.

— В чем же заключалась помощь ИИ?

— Было получено несколько сотен снимков МРТ. Профессиональные радиологи, врачи, которые занимаются анализов снимков МРТ, выделили в этих снимках интересующие нас участки. И сейчас уже построено приложение, с помощью которого можно визуализировать кору головного мозга по данным МРТ и получать характеристики, на основании которых можно принимать решения, визуализировать прогнозы соответствующих нейросетевых моделей, которые выявляют те или иные аномалии в определенных локальных участках, на которые врачу дополнительно можно обратить внимание, чтобы оценить, есть ли там проблема, чтобы ничего не пропустить.

Естественно, речь не идет о замене рентгенолога, а о системе поддержки принятия решений, своего рода второе мнение, которая подсказывает рентгенологу, на что еще стоит обратить внимание. Как всегда, в таких системах могут быть «ложные тревоги» — это когда модель вам показала, что здесь есть проблема, а на самом деле проблемы нет. Соответственно, возможно настроить систему так, чтобы не было пропусков важных аномальных участков, но при этом доля «ложных тревог» была приемлема. Поэтому такого рода прогноз — это скорее дополнение, чтобы не пропустить что-то важное.

— Приложение уже где-то работает?

— Сейчас коллеги тестируют приложение для визуализации в этих федеральных центрах. Это довольно долгий процесс, учитывая зависимость от врачей, которые должны разметить данные, проверить результат и т. п. Но тем не менее мы добрались до точки, когда есть готовое приложение в тестовом режиме. Врачи оценивают, насколько оно полезно, где сработало или не сработало. Плюс большую пользу приносит сама система для визуализации и оценки различных характеристик коры по снимкам МРТ. Это автоматизирует труд врача и позволяет какие-то вещи делать быстрее.

— Насколько работа с искусственным интеллектом дает какое-то представление о работе мозга естественного?

— Нет, это разные совершенно задачи. Безусловно, с помощью искусственного интеллекта, методов каких-то вы можете решать задачи обработки изображений МРТ, фМРТ и других данных о мозге человека, чтобы оценивать важные характеристики его работы, выявлять связи между разными отделами мозга, описывать то, как они функционируют. Но в такой постановке это просто инструмент, который позволяет более эффективно проводить анализ. И, естественно, речь не идет о том, что вы познаете мозг. Искусственный интеллект в данном случае — это инструмент для выделения важных знаний. А вот как их интерпретировать — задача человека.

Холодный расчет

— Если взять совсем далекий от медицины проект — о прогнозировании погоды на северных территориях, чем это отличается от обычных прогнозов?

— Мы прогнозируем ледовую обстановку в арктическом регионе. О чем идет речь? По всей поверхности Земле на регулярной основе рассчитывается краткосрочный прогноз погоды в низком разрешении. А нас интересует, какая погода будет в локальном регионе, как эта погода влияет на динамику океана и как динамика океана повлияет на движение льдов. Ведь если вы знаете динамику льдов, то можете более эффективно планировать логистику судов, более эффективно избегать опасные участки. Если грузовое судно застрянет из-за льдов, потребуется срочно вызывать ледокол. Или можно прогнозировать потенциальный шторм и более взвешенно принимать решения по маршруту.

— Как это выглядит? Как это работает?

— Для построения модели мы берем за основу локальный прогноз погоды. Он не очень высокого разрешения, но дает представление, что происходит. Дальше моделируется взаимодействие океана, солнечной радиации, ветрового волнения и других частей этой природной системы, и мы получаем возможность прогнозировать динамику океана и льда в определенном регионе. Искусственный интеллект здесь нужен для того, чтобы некоторые из этих расчетов существенно ускорить. Например, для расчета солнечной радиации требуются сложные вычислительные модели. И таких расчетов делается очень много, так как требуется в каждой точке пространства оценивать, каким образом солнечная радиация влияет на климат вблизи поверхности Земли с учетом облачности, поэтому расчеты могут занимать приличное время. Искусственным интеллектом можно, скажем так, эту модель солнечной радиации и некоторые другие части системы аппроксимировать, и общая скорость расчета будет увеличена минимум в несколько раз, также появляется возможность оценивать достоверность прогноза.

— Насколько оперативно это все формируется?

— Оперативно. Прогноз на 72 часа вперед с пересчетом каждые 6 часов.

— И это уже работающая вещь?

— Да, у нас есть Telegram-чат, куда каждые шесть часов падают прогнозы. А коллеги на стороне компании на основе нашего расчета получают прогноз и могут его визуализировать и использовать в своей системе, которая доступна капитанам судов. Еще один пример того, где в этой задаче требуется искусственный интеллект. Дело в том, что есть разные типы данных, которые поступают с разных датчиков: буев, погодных станций и судов в регионе интереса. Например, еще и экипаж судна фиксирует и передает данные о том, есть ли вокруг судна льды, какой они высоты и типа. Эти данные оперативные, достаточно точные, но очень «локальные». Дальше эти «локальные» измерения требуется использовать для корректировки глобального прогноза погоды и ледовой обстановки по всему региону интереса. А для этого как раз и нужен искусственный интеллект, который позволяет это сделать автоматически, быстро и точно.

— Можем ли мы перечислить еще какие-то прикладные области, где вы сейчас работаете?

— У нас много задач, связанных с мониторингом регионов интереса. Например, для целей выявлений изменений. Если произошла какая-то ЧС, например наводнение, то мы можем быстро оценить, где какие разрушения произошли, или спрогнозировать вероятность возникновения лесного пожара. Соответствующее приложение сейчас внедряется во внутренний контур МЧС. Прогнозирование загрязнения воздуха и оценка положения потенциальных источников загрязнения — еще один пример задачи, для которой уже реализовали ряд программных решений.

Со «Сбером» у нас был реализован проект по оценке физических рисков и их экономических последствий. Например, можно оценить распределение риска таяния многолетней мерзлоты в долгосрочной перспективе и спрогнозировать, как это может повлиять на экономику рассматриваемого региона.

Также мы много занимаемся и генеративными и языковыми моделями, и их приложениями для решения инженерных задач.

— Насколько развитие языковых моделей и подобных технологий приближает нас к появлению сильного искусственного интеллекта? Возможно ли это в принципе?

— Я в это не верю, потому что эти модели все-таки статистические. Большие языковые модели не могут думать, размышлять, как человек, ставить себе цели, расставлять приоритеты. Это просто способ работать с языковыми данными. Тот смысл, который мы вкладываем в понятие искусственного интеллекта, в этих моделях скорее отсутствует.

— А что нужно для того, чтобы ИИ размышлял и ставил цели?

— Теоретически к этому может привести развитие мультиагентных систем, когда один агент будет ставить цель, другой — еще что-то делать, и так далее.

Беседовала Елена Кудрявцева