Искусственный интеллект преодолевает границы человеческих знаний

Фото из открытых источников

Современные нейросети подошли к критической точке своего развития. Они уже изучили практически все доступные человеческие знания - от философских трактатов до программного кода, от художественной литературы до технических инструкций. IT-World анализирует, как искусственный интеллект сегодня вынужден выходить за пределы человеческого опыта, чтобы продолжить свое развитие.

Парадокс современного ИИ заключается в том, что постоянное увеличение объемов данных привело к неожиданному тупику. После поглощения всех доступных качественных человеческих знаний, искусственный интеллект столкнулся с необходимостью генерировать новый опыт самостоятельно. Как отмечают исследователи Дэвид Сильвер и Ричард Саттон: "Действительно ценные идеи, такие как новые теоремы, технологии или научные открытия, находятся за границами того, что известно человечеству".

Новое поколение искусственного интеллекта уже не просто отвечает на запросы, а самостоятельно взаимодействует с миром, совершает ошибки и учится на собственном опыте. Яркий пример - система AlphaProof, которая после изучения 100 тысяч человеческих математических доказательств начала работать самостоятельно и за несколько недель создала 100 миллионов новых доказательств, увеличив базу обучающих данных в тысячу раз. Другой пример - Agent S, научившийся взаимодействовать с цифровыми интерфейсами подобно человеку, с впечатляющим ростом эффективности на 83,6% по сравнению с традиционными моделями.

На смену коротким диалогам "вопрос-ответ" приходит концепция Streams - непрерывных потоков опыта, где ИИ постоянно взаимодействует с окружающей средой, получает обратную связь и формирует собственные модели мира. Это возвращает в центр внимания обучение с подкреплением, но в гораздо более глубокой форме, через постоянное взаимодействие с реальным миром.

Несмотря на прорывные результаты, современные агенты искусственного интеллекта далеки от совершенства. Согласно тестам GAIA, люди справляются с задачами с точностью 92%, в то время как GPT-4 с доступом к плагинам достигает лишь 15%. В задачах по исправлению программных ошибок (SWE-bench) ИИ успешно решает только 20,8% задач средней сложности и всего 4,8% сложных задач.

Однако ключевой показатель - не абсолютные цифры, а темпы развития. Исследования METR показывают, что сложность задач, с которыми справляются ИИ-системы, удваивается каждые семь месяцев. Новые модели, такие как OpenAI o3 с технологией "test-time compute", уже демонстрируют значительный рост точности: на том же SWE-bench результат улучшился с 48,9% до 71,7%.

Экономические показатели делают внедрение ИИ-агентов неизбежным. Финтех-компания Klarna уже заменила около 700 операторов поддержки на ИИ-системы без снижения качества обслуживания. Восьмичасовой рабочий день выпускника университета в США обходится компаниям в $1850, тогда как аналогичное время работы ИИ-агента стоит всего $123 - в 15 раз дешевле.

Переход к потоковым агентам несет не только возможности, но и новые риски: автоматизацию преступной деятельности, потерю контроля над автономными системами, уязвимость цифровой инфраструктуры и социальное расслоение. Одна ошибка агента может вызвать каскад сбоев в логистике, финансах или критической инфраструктуре.

Если текущие темпы развития сохранятся, то к 2026 году ИИ-агенты смогут уверенно решать 90% задач программирования, к 2028 году появятся государственные требования к идентификации агентов, а к 2030 году мы увидим первые международные законы, регулирующие использование ИИ-агентов в бизнесе.

Мы создавали искусственный интеллект, способный понять и повторить человека, но реальность превзошла ожидания: ИИ учится самостоятельно, выходит за пределы человеческого опыта, делает собственные открытия. Искусственный интеллект впервые перестает копировать нас и начинает двигаться в направлениях, где человеческая интуиция уже не всегда помогает.