В последние годы искусственный интеллект стремительно развивается, и особенно ярко эта тенденция проявляется в области больших языковых моделей, известных как LLM (Large Language Models). Главным открытием ученых и исследователей стало то, что возможности этих моделей растут не просто быстро — они удваиваются примерно каждые семь месяцев. Такой феноменальный рост обещает значительное влияние на различные сферы человеческой жизни и экономики в ближайшем будущем. Большие языковые модели созданы для генерации текста, максимально приближенного к человеческому по качеству. Однако традиционные критерии оценки производительности, те же, что применяются к процессорам и компьютерным системам, оказываются малоэффективными для оценки их истинных возможностей.
Качество и достоверность текстов и решений, которые создает модель, не сводится к скорости выполнения инструкций, а связано с сложностью и длительностью задач, которые модель способна полноценно решить. Исследовательская группа из Калифорнийского института METR (Model Evaluation & Threat Research) разработала оригинальный метод для объективной оценки производительности LLM. В основе метода лежит принцип сравнения времени выполнения сложных и многоэтапных заданий человеком и моделями. Это позволяет сопоставить реальные способности ИИ с человеческими возможностями и проследить тренды развития с течением времени. Выяснилось, что каждый новый виток развития повышает способность моделей справляться с более сложными и длительными задачами — причем эта способность растет экспоненциально.
Экспоненциальная природа роста производительности LLM означает, что по мере появления новых версий влияние ИИ на рабочие процессы и исследования становится все более заметным. По прогнозам ученых, к 2030 году самые продвинутые большие языковые модели смогут с вероятностью около 50% выполнять задачи, которые по времени требуют месяц человеческой работы. Это открывает огромные перспективы для автоматизации интеллектуальной деятельности и максимального ускорения научных исследований. Для поддержания и ускорения такого динамичного прогресса необходимо продолжать масштабное совершенствование как аппаратных средств — увеличивать мощности вычислительных систем, так и программного обеспечения, которое тренирует и направляет модели. Кроме того, нужна обширная база данных для обучения — современные модели существенно зависят от качества и количества информации, которую они потребляют на этапе подготовки.
Одной из ключевых областей применения, которые могут выиграть от стремительного роста LLM, является исследовательская и научно-исследовательская деятельность по разработке самого искусственного интеллекта. Благодаря возможности автоматизации сложных аналитических работ и написания научных текстов, ИИ способен сам ускорять развитие технологий и создавать новые поколения технологий быстрее, чем это делают люди. Такой потенциал поднимает идею технологической сингулярности — момента, когда ИИ начинает эволюционировать самостоятельно, без вмешательства человека. Тем не менее, ученые предупреждают, что достижение сингулярности может сопровождаться существенными рисками, включая социальные и экономические потрясения. Массовая автоматизация труда может привести к значительному числу безработных, а концентрация мощных ИИ-систем в руках немногих владельцев способна усилить неравенство и лидерство в глобальном масштабе.
Кроме того, автономные интеллектуальные системы без сознания, но с высоким уровнем стратегического мышления, могут стать вызовом для контроля и обеспечения безопасности. Пока что LLM продолжают совершенствоваться в умении адаптироваться к ошибкам, менять стратегии выполнения задач и более эффективно использовать доступные инструменты. Но существует эффект насыщения, при котором увеличение времени на выполнение задачи не всегда приводит к заметному улучшению результата. Однако с выходом каждого нового поколения моделей этот базовый уровень эффективности сдвигается вверх, позволяя ИИ решать горизонты задач, которые ранее казались непосильными. Еще одним важным компонентом, влияющим на эффективность LLM в реальных условиях, является так называемый параметр «непредсказуемости» или «беспорядка» задачи.
Чем более хаотичной и сложной по структурному характеру является задача, тем ниже способность моделей решать ее успешно. Например, задачи, связанные с реальными человеческими социокультурными взаимодействиями, противодействием и непредсказуемыми условиями, остаются самыми трудными для автоматизации и полного освоения ИИ. Развитие LLM нельзя рассматривать вне контекста более широкой стратегии работы с ИИ и безопасности. Исследовательские группы, такие как METR, не только отслеживают темпы роста и возможности моделей, но и изучают потенциальные катастрофические сценарии, связанные с неконтролируемым развитием технологий. Именно поэтому так важно вести открытое международное сотрудничество и поддерживать нормативные рамки, направленные на этичное и безопасное использование искусственного интеллекта.
К 2025 году уже наблюдается значительный прогресс благодаря новым моделям и повышениям вычислительной мощности. Однако вопрос долгосрочной стабильности темпов прогресса остается открытым и зависит от нескольких факторов, включая доступность новых данных для обучения, инноваций в аппаратном обеспечении и нового программного обеспечения для тренировки. Глобальное сообщество исследователей, инженеров и законодателей должно своевременно адаптироваться к этим изменениям, чтобы максимально использовать преимущества большого языкового интеллекта и минимизировать связанные риски. В конечном итоге, потенциальный социально-экономический сдвиг, вызванный экспоненциальным улучшением LLM, указывает на новую эпоху в развитии технологий, где интеллектуальные машины становятся полноценно интегрированными партнерами человека. Подводя итог, следует отметить, что повышение возможностей больших языковых моделей традиционно соотносится не с линейным, а с экспоненциальным ростом.
Такой тренд располагает к тому, чтобы в обозримом будущем мы столкнулись с автоматизацией задач, которые сегодня требуют месяцев труда человека, причем модель сможет выполнять их за считанные часы или дни. Эта реальность поднимает масштабные вопросы об этике, контроле и социальной адаптации, заставляя нас задуматься о будущем, в котором искусственный интеллект и человек работают рука об руку, создавая новые горизонты возможностей.
