Привет! Меня зовут Андрей, я технологический предприниматель в сфере искусственного интеллекта (ИИ).
Я обладаю обширными знаниями в области ИИ, а также богатым практическим опытом разработки ИИ-продуктов любой сложности и их вывода на международный рынок. Если вам нужно запустить ИИ-стартап с нуля или внедрить ИИ в процессы вашей компании, я готов помочь. В моей команде работают профессионалы, увлеченные решением сложных задач: от интеллектуального анализа данных до разработки цифровых двойников и обучения беспилотных автомобилей.
В этом блоге я делюсь своими кейсами, простыми словами объясняю сложные технологические аспекты работы ИИ-продуктов, комментирую актуальные новости индустрии, делюсь своим мнением и видением будущего технологий, а также даю практические советы по созданию успешных ИИ-стартапов.
Коротко обо мне:
• Выпускник Вышки;
• Ex-Data Engineer в Accenture;
• Ex-Chief Data Officer в Сбере;
• Ex-Chief Data Scientist в Сбере;
• Ex-Куратор национальных проектов в области ИИ;
• Ex-Chief Technology Officer в венчурной студии для ИИ-стартапов;
• Сооснователь и CTO в Pygma AI;
• Создаю ИИ-сотрудников для автоматизации рутины;
• Консультирую ИИ-стартапы и технологические компании.
История моего пути
О моей компании
Узнать больше о моей компании можно по ссылке
Мои проекты:
Pygma AI - ИИ-ассистент для соцсетей;
Dataist AI - ИИ-ассистент для исследователей;
Landao AI - ИИ-коуч по счастью.
#обо_мне - о моем пути;
#технологии - анализирую текущие тренды;
#кейсы - делюсь своим опытом;
#мысли - размышляю о технологиях;
#новости - только самое интересное;
#статьи - обзор исследований ИИ;
#анонс - анонсы о событиях и релизах.
Присоединяйтесь, будет интересно!
Я обладаю обширными знаниями в области ИИ, а также богатым практическим опытом разработки ИИ-продуктов любой сложности и их вывода на международный рынок. Если вам нужно запустить ИИ-стартап с нуля или внедрить ИИ в процессы вашей компании, я готов помочь. В моей команде работают профессионалы, увлеченные решением сложных задач: от интеллектуального анализа данных до разработки цифровых двойников и обучения беспилотных автомобилей.
В этом блоге я делюсь своими кейсами, простыми словами объясняю сложные технологические аспекты работы ИИ-продуктов, комментирую актуальные новости индустрии, делюсь своим мнением и видением будущего технологий, а также даю практические советы по созданию успешных ИИ-стартапов.
Коротко обо мне:
• Выпускник Вышки;
• Ex-Data Engineer в Accenture;
• Ex-Chief Data Officer в Сбере;
• Ex-Chief Data Scientist в Сбере;
• Ex-Куратор национальных проектов в области ИИ;
• Ex-Chief Technology Officer в венчурной студии для ИИ-стартапов;
• Сооснователь и CTO в Pygma AI;
• Создаю ИИ-сотрудников для автоматизации рутины;
• Консультирую ИИ-стартапы и технологические компании.
История моего пути
О моей компании
Узнать больше о моей компании можно по ссылке
Мои проекты:
Pygma AI - ИИ-ассистент для соцсетей;
Dataist AI - ИИ-ассистент для исследователей;
Landao AI - ИИ-коуч по счастью.
#обо_мне - о моем пути;
#технологии - анализирую текущие тренды;
#кейсы - делюсь своим опытом;
#мысли - размышляю о технологиях;
#новости - только самое интересное;
#статьи - обзор исследований ИИ;
#анонс - анонсы о событиях и релизах.
Присоединяйтесь, будет интересно!
Как правильно «вкатиться в ИИ»
Многие думают, что для начала работы в сфере ИИ достаточно научиться писать классные промпты к GPT-4o. Так тоже можно, но далеко на этом не уедешь.
Чтобы действительно разобраться с тем, как работают нейросети, как их обучать и использовать в своих целях, для начала будет полезно получить некоторые фундаментальные знания: пройти курсы матстатистики, теорвера, линейной алгебры - это база. Также будут очень полезны курсы по численным методам, дискретной математике и теории информации. Конечно, в идеале стоит закончить специализированный ВУЗ, но не у всех есть на это пять лет, так что можно ограничиться Курсерой либо аналогами - главное все это именно изучить, а не “пройти мимо”.
Затем нужно освоить инструменты для работы с данными. Прежде всего стоит изучить Python — для анализа данных, и SQL — для работы с базами данных. В Python следует изучить такие библиотеки как NumPy и SciPy для математических операций, Pandas для анализа табличных данных, а также Matplotlib и Seaborn для визуализации данных. Библиотека Scikit-learn предоставляет широкий набор инструментов для работы с машинным обучением (ML), а PyTorch применяется для обучения нейронных сетей. Со стороны баз данных я бы начал с PostgreSQL для работы с табличными данными, позднее можно перейти к MongoDB для работы с неструктурированными данными.
Параллельно с изучением теории важно постепенно учиться применять навыки на практике, иначе будет скучно и недостаточно предметно. Можно начать с решения простой задачи, например, с построения модели предсказания выживаемости пассажиров Титаника. Эта задача считается базовой для начинающих, здесь можно найти пример ее решения разными методами. Более сложные задачи можно найти на платформе Kaggle. Конечно, можно придумать собственную задачу, решение которой принесет вам конкретную пользу. Например, в магистратуре я планировал купить квартиру в Москве и для этого собрал датасет со всеми объектами недвижимости города и построил модель для анализа и прогнозирования цен.
В принципе где-то в этом месте уже можно искать полноценную работу в области ML, а применять полученные знания можно еще раньше: например, при изучении Pandas можно автоматизировать ту работу, которая ранее велась в Excel.
После освоения классического машинного обучения можно перейти к изучению глубоких сетей, например, к задачам компьютерного зрения (CV) или обработке естественного языка (NLP). Компьютерное зрение используется для распознавания лиц, автономного вождения, медицинской диагностики и т.д. Обработка естественного языка поможет создавать чат-ботов, автоматически анализировать тексты и создавать поисковые системы. Возможно, вы захотите заниматься обучением с подкреплением (RL) или рекомендательными системами. В любом случае, на этом этапе я бы рекомендовал чтение профессиональной литературы и прохождение продвинутых курсов — к этому моменту вы уже сами разберетесь, каких именно. Но самое главное — практика.
Постепенно вы будете сталкиваться со все новыми и новыми задачами, и несмотря на то, что вы уже будете неплохо разбираться в машинном обучении — а на нем построена вся отрасль ИИ — вам придется постоянно учиться. Ежедневно в области ИИ выходит более сотни научных работ, и не отследив вовремя прорыв в своей области знаний, вы рискуете отстать. Я бы рекомендовал поступить в аспирантуру — там научат работать со статьями и источниками, лично для меня это был крайне полезный опыт.
Но даже обучение это еще не все. Самое главное, чтобы вам было интересно, очень сложно будет заниматься этим только ради денег. Конкуренция в этой области сегодня такова, что, перефразируя Кэрролла, нужно бежать со всех ног, чтобы только оставаться специалистом, а чтобы стать круче, надо бежать как минимум вдвое быстрее.
#мысли
Многие думают, что для начала работы в сфере ИИ достаточно научиться писать классные промпты к GPT-4o. Так тоже можно, но далеко на этом не уедешь.
Чтобы действительно разобраться с тем, как работают нейросети, как их обучать и использовать в своих целях, для начала будет полезно получить некоторые фундаментальные знания: пройти курсы матстатистики, теорвера, линейной алгебры - это база. Также будут очень полезны курсы по численным методам, дискретной математике и теории информации. Конечно, в идеале стоит закончить специализированный ВУЗ, но не у всех есть на это пять лет, так что можно ограничиться Курсерой либо аналогами - главное все это именно изучить, а не “пройти мимо”.
Затем нужно освоить инструменты для работы с данными. Прежде всего стоит изучить Python — для анализа данных, и SQL — для работы с базами данных. В Python следует изучить такие библиотеки как NumPy и SciPy для математических операций, Pandas для анализа табличных данных, а также Matplotlib и Seaborn для визуализации данных. Библиотека Scikit-learn предоставляет широкий набор инструментов для работы с машинным обучением (ML), а PyTorch применяется для обучения нейронных сетей. Со стороны баз данных я бы начал с PostgreSQL для работы с табличными данными, позднее можно перейти к MongoDB для работы с неструктурированными данными.
Параллельно с изучением теории важно постепенно учиться применять навыки на практике, иначе будет скучно и недостаточно предметно. Можно начать с решения простой задачи, например, с построения модели предсказания выживаемости пассажиров Титаника. Эта задача считается базовой для начинающих, здесь можно найти пример ее решения разными методами. Более сложные задачи можно найти на платформе Kaggle. Конечно, можно придумать собственную задачу, решение которой принесет вам конкретную пользу. Например, в магистратуре я планировал купить квартиру в Москве и для этого собрал датасет со всеми объектами недвижимости города и построил модель для анализа и прогнозирования цен.
В принципе где-то в этом месте уже можно искать полноценную работу в области ML, а применять полученные знания можно еще раньше: например, при изучении Pandas можно автоматизировать ту работу, которая ранее велась в Excel.
После освоения классического машинного обучения можно перейти к изучению глубоких сетей, например, к задачам компьютерного зрения (CV) или обработке естественного языка (NLP). Компьютерное зрение используется для распознавания лиц, автономного вождения, медицинской диагностики и т.д. Обработка естественного языка поможет создавать чат-ботов, автоматически анализировать тексты и создавать поисковые системы. Возможно, вы захотите заниматься обучением с подкреплением (RL) или рекомендательными системами. В любом случае, на этом этапе я бы рекомендовал чтение профессиональной литературы и прохождение продвинутых курсов — к этому моменту вы уже сами разберетесь, каких именно. Но самое главное — практика.
Постепенно вы будете сталкиваться со все новыми и новыми задачами, и несмотря на то, что вы уже будете неплохо разбираться в машинном обучении — а на нем построена вся отрасль ИИ — вам придется постоянно учиться. Ежедневно в области ИИ выходит более сотни научных работ, и не отследив вовремя прорыв в своей области знаний, вы рискуете отстать. Я бы рекомендовал поступить в аспирантуру — там научат работать со статьями и источниками, лично для меня это был крайне полезный опыт.
Но даже обучение это еще не все. Самое главное, чтобы вам было интересно, очень сложно будет заниматься этим только ради денег. Конкуренция в этой области сегодня такова, что, перефразируя Кэрролла, нужно бежать со всех ног, чтобы только оставаться специалистом, а чтобы стать круче, надо бежать как минимум вдвое быстрее.
#мысли
ИИ на распутье: продолжится ли стремительный рост или нас ждет замедление?
В последние годы мы наблюдаем бум искусственного интеллекта (ИИ). Кажется, что ИИ скоро сможет заменить человека во всех сферах — от генерации контента до управления бизнесом. Но так ли это на самом деле?
Термин «искусственный интеллект» появился в 1950-х годах, когда считалось, что создание «настоящего ИИ» — вопрос ближайших лет. Однако оптимизм быстро угас из-за недооценки сложности задач и недостатка вычислительных мощностей, что привело к скептицизму и сокращению финансирования в 1970-х.
В 1980-е годы интерес к ИИ возродился благодаря экспертным системам для узкоспециализированных бизнес-задач, но высокие затраты и трудоемкость снова привели к спаду интереса через десятилетие.
К концу 1990-х интерес вновь вырос благодаря увеличению вычислительных мощностей и победе IBM Deep Blue над Гарри Каспаровым. В 2010-х ИИ пережил расцвет благодаря глубокому обучению, большим данным и дальнейшему росту мощностей. В 2016-м алгоритм AlphaGo победил чемпиона мира по го Ли Седоля, а появление трансформеров в 2017 году дало начало моделям GPT и современным достижениям.
Но не ждет ли ИИ следующая зима? Все зависит от ожиданий общества, инвесторов и экспертов относительно способностей ИИ. Сейчас многие прогнозируют появление AGI (общего ИИ) в ближайшие годы, как и в 1960-х. Однако современные системы ИИ основаны на хорошо известных математических методах: векторные пространства, перемножение матриц, методы оптимизации. Трансформеры лишь предсказывают вероятность следующего токена. Можно ли это назвать интеллектом?
Проблема в том, что мы пока не знаем, что такое интеллект как феномен. Существует множество определений интеллекта, однако общее одно - способность решать когнитивные задачи. Сегодня мы имеем дело с «узким» ИИ (Artificial Narrow Intelligence), способным решать специфические задачи: распознавание лиц, машинный перевод и т.д. ИИ уже применяется в разных индустриях, от медицины до банкинга, принося значительную прибыль. Мы действительно живем в эпоху 4-й промышленной революции, где ИИ помогает решать задачи быстрее и качественнее, а иногда заменяет человеческий труд.
Насколько далеко расширится применение ИИ? Ждет ли нас замедление этого взрывного роста?
Есть несколько сдерживающих факторов:
- Алгоритмы. Помимо трансформеров и диффузионных моделей для генерации картинок, музыки и видео, нет качественно новых алгоритмов, требующих меньше данных для обучения. Методы обучения с подкреплением развиваются, но на горизонте не видно прорывных решений (о KAN-сетях Колмогорова-Арнольда пока судить рано).
- Данные. Для обучения ИИ нужны большие объемы качественных данных. OpenAI уже сталкивается с тем, что данные в интернете истощаются, а наполнение синтетическими данными может вести к деградации моделей. Нужно либо больше данных, либо новые алгоритмы обучения. Вероятно, необходимо и то, и другое.
- Вычисления. Закон Мура, предсказывающий удвоение числа транзисторов каждые два года, больше не обеспечивает прежнего прироста мощностей. Большие языковые модели требуют огромных вычислительных ресурсов, и это создает новые вызовы. Необходим качественно новый тип вычислений — например, квантовый. Тема квантового машинного обучения набирает обороты, но работающие квантовые компьютеры для прикладных задач пока недоступны.
В результате мы видим, что ИИ уже сегодня совершает революцию в различных индустриях и что многие ожидают от него и стоящих за ним в сущности банальных математических методов чего-то сверхъестественного. Прогресс продолжается: ИИ учится рассуждать и решать все более сложные задачи.
Но есть, как водится, две новости — хорошая и плохая. Плохая новость состоит в том, что однажды мы упремся в ограничения — по одной причине или по совокупности нескольких. Хорошая новость — это случится не сегодня.
Я думаю, что ИИ недалекого будущего поможет нам преодолеть эти ограничения, если мы будем применять его в науке и технике, ускоряя общий технологический прогресс. Мы живем в удивительное время, и хочется верить, что зима не близко.
#мысли
В последние годы мы наблюдаем бум искусственного интеллекта (ИИ). Кажется, что ИИ скоро сможет заменить человека во всех сферах — от генерации контента до управления бизнесом. Но так ли это на самом деле?
Термин «искусственный интеллект» появился в 1950-х годах, когда считалось, что создание «настоящего ИИ» — вопрос ближайших лет. Однако оптимизм быстро угас из-за недооценки сложности задач и недостатка вычислительных мощностей, что привело к скептицизму и сокращению финансирования в 1970-х.
В 1980-е годы интерес к ИИ возродился благодаря экспертным системам для узкоспециализированных бизнес-задач, но высокие затраты и трудоемкость снова привели к спаду интереса через десятилетие.
К концу 1990-х интерес вновь вырос благодаря увеличению вычислительных мощностей и победе IBM Deep Blue над Гарри Каспаровым. В 2010-х ИИ пережил расцвет благодаря глубокому обучению, большим данным и дальнейшему росту мощностей. В 2016-м алгоритм AlphaGo победил чемпиона мира по го Ли Седоля, а появление трансформеров в 2017 году дало начало моделям GPT и современным достижениям.
Но не ждет ли ИИ следующая зима? Все зависит от ожиданий общества, инвесторов и экспертов относительно способностей ИИ. Сейчас многие прогнозируют появление AGI (общего ИИ) в ближайшие годы, как и в 1960-х. Однако современные системы ИИ основаны на хорошо известных математических методах: векторные пространства, перемножение матриц, методы оптимизации. Трансформеры лишь предсказывают вероятность следующего токена. Можно ли это назвать интеллектом?
Проблема в том, что мы пока не знаем, что такое интеллект как феномен. Существует множество определений интеллекта, однако общее одно - способность решать когнитивные задачи. Сегодня мы имеем дело с «узким» ИИ (Artificial Narrow Intelligence), способным решать специфические задачи: распознавание лиц, машинный перевод и т.д. ИИ уже применяется в разных индустриях, от медицины до банкинга, принося значительную прибыль. Мы действительно живем в эпоху 4-й промышленной революции, где ИИ помогает решать задачи быстрее и качественнее, а иногда заменяет человеческий труд.
Насколько далеко расширится применение ИИ? Ждет ли нас замедление этого взрывного роста?
Есть несколько сдерживающих факторов:
- Алгоритмы. Помимо трансформеров и диффузионных моделей для генерации картинок, музыки и видео, нет качественно новых алгоритмов, требующих меньше данных для обучения. Методы обучения с подкреплением развиваются, но на горизонте не видно прорывных решений (о KAN-сетях Колмогорова-Арнольда пока судить рано).
- Данные. Для обучения ИИ нужны большие объемы качественных данных. OpenAI уже сталкивается с тем, что данные в интернете истощаются, а наполнение синтетическими данными может вести к деградации моделей. Нужно либо больше данных, либо новые алгоритмы обучения. Вероятно, необходимо и то, и другое.
- Вычисления. Закон Мура, предсказывающий удвоение числа транзисторов каждые два года, больше не обеспечивает прежнего прироста мощностей. Большие языковые модели требуют огромных вычислительных ресурсов, и это создает новые вызовы. Необходим качественно новый тип вычислений — например, квантовый. Тема квантового машинного обучения набирает обороты, но работающие квантовые компьютеры для прикладных задач пока недоступны.
В результате мы видим, что ИИ уже сегодня совершает революцию в различных индустриях и что многие ожидают от него и стоящих за ним в сущности банальных математических методов чего-то сверхъестественного. Прогресс продолжается: ИИ учится рассуждать и решать все более сложные задачи.
Но есть, как водится, две новости — хорошая и плохая. Плохая новость состоит в том, что однажды мы упремся в ограничения — по одной причине или по совокупности нескольких. Хорошая новость — это случится не сегодня.
Я думаю, что ИИ недалекого будущего поможет нам преодолеть эти ограничения, если мы будем применять его в науке и технике, ускоряя общий технологический прогресс. Мы живем в удивительное время, и хочется верить, что зима не близко.
#мысли
AGI: Когда ИИ превзойдет человека?
Все чаще мы слышим о том, что общий искусственный интеллект (AGI) может достичь или даже превзойти человеческий уровень. Сэм Альтман, CEO OpenAI, и Шейн Легг, сооснователь Google DeepMind, считают, что AGI может быть достигнут уже в ближайшие 4–5 лет. Однако другие специалисты указывают на технические и теоретические сложности, предполагая, что AGI появится не раньше 2075 года.
Но что мешает нам точно предсказать появление AGI? Одна из причин — путаница между понятиями сознания и интеллекта. Интеллект можно определить как способность системы понимать, рассуждать, учиться и применять знания для решения задач. Сознание же — более сложный и не до конца определенный феномен, включающий субъективный опыт и способность осознавать свои мысли и чувства.
Существует несколько теорий, пытающихся объяснить природу сознания:
• Теория глобального нейронного рабочего
пространства (GNWT)
• Теория интегрированной информации (IIT)
• Гиперсетевая теория мозга академика Константина Анохина
• Теория квантового сознания Роджера Пенроуза
• Теория внимания (Attention Schema Theory)
Каждая из этих теорий предлагает свой взгляд на сознание, и, возможно, истина лежит на пересечении этих идей. Но пока природа сознания остается загадкой, имеет смысл сосредоточиться на феномене интеллекта.
Измерение сознания — сложная и пока не решаемая научная задача. Интеллект же традиционно измеряется с помощью IQ-тестов, оценивающих логическое мышление, однако IQ не охватывает всех аспектов интеллекта. В целом можно считать, что интеллект — это способность субъекта решать задачи в определенной среде. Чем больше задач и чем неопределеннее среда, тем выше уровень интеллекта.
Чтобы понять прогресс в развитии AGI, рассмотрим его эволюцию через пять уровней, предложенных OpenAI:
1. Болталки — простые чат-боты, способные поддерживать диалог и сохранять контекст.
2. Агенты, способные рассуждать. Например, GPT-4o приближается к этому уровню, генерируя осмысленные и релевантные ответы для решения сложных задач.
3. Агенты, достигающие сложных целей, разбивая их на подзадачи, используя инструменты и контролируя результаты через внутренних критиков.
4. Креативные агенты, генерирующие оригинальные идеи, выходящие за рамки обучающих данных, способные совершать научные прорывы.
5. Мультиагентные системы, объединяющие специализированных «экспертов» в разных областях.
Эксперты OpenAI полагают, что достигнув пятого уровня, мы получим тот самый AGI, и это возможно в обозримом будущем. Но все не так просто. Помимо совершенствования когнитивных архитектур, требуется качественный скачок в вычислительных возможностях и более глубокое понимание интеллекта как физического феномена.
Квантовые компьютеры обещают революцию в вычислениях. Они способны обрабатывать огромные объемы информации параллельно, что в контексте ИИ может привести к созданию более мощных и адаптивных моделей. Однако когда квантовые вычисления станут доступными для широкого использования — вопрос открытый.
Сама возможность создания AGI поднимает важные этические и социальные проблемы. Такие системы должны быть контролируемыми, интерпретируемыми и должны соответствовать человеческим этическим стандартам. Кроме того, массовая автоматизация может привести к сокращению рабочих мест. Для управления этими рисками необходимо создавать международные стандарты и нормативы, а также глобально сотрудничать между государствами и организациями.
Стремясь к созданию интеллекта, который превзойдет человека, важно помнить об обратной стороне. Как говорил профессор Лотман: «У человека есть только две ноги: интеллект и совесть. Как совесть без развитого интеллекта слепа, но не опасна, так опасен интеллект без совести».
#мысли
Все чаще мы слышим о том, что общий искусственный интеллект (AGI) может достичь или даже превзойти человеческий уровень. Сэм Альтман, CEO OpenAI, и Шейн Легг, сооснователь Google DeepMind, считают, что AGI может быть достигнут уже в ближайшие 4–5 лет. Однако другие специалисты указывают на технические и теоретические сложности, предполагая, что AGI появится не раньше 2075 года.
Но что мешает нам точно предсказать появление AGI? Одна из причин — путаница между понятиями сознания и интеллекта. Интеллект можно определить как способность системы понимать, рассуждать, учиться и применять знания для решения задач. Сознание же — более сложный и не до конца определенный феномен, включающий субъективный опыт и способность осознавать свои мысли и чувства.
Существует несколько теорий, пытающихся объяснить природу сознания:
• Теория глобального нейронного рабочего
пространства (GNWT)
• Теория интегрированной информации (IIT)
• Гиперсетевая теория мозга академика Константина Анохина
• Теория квантового сознания Роджера Пенроуза
• Теория внимания (Attention Schema Theory)
Каждая из этих теорий предлагает свой взгляд на сознание, и, возможно, истина лежит на пересечении этих идей. Но пока природа сознания остается загадкой, имеет смысл сосредоточиться на феномене интеллекта.
Измерение сознания — сложная и пока не решаемая научная задача. Интеллект же традиционно измеряется с помощью IQ-тестов, оценивающих логическое мышление, однако IQ не охватывает всех аспектов интеллекта. В целом можно считать, что интеллект — это способность субъекта решать задачи в определенной среде. Чем больше задач и чем неопределеннее среда, тем выше уровень интеллекта.
Чтобы понять прогресс в развитии AGI, рассмотрим его эволюцию через пять уровней, предложенных OpenAI:
1. Болталки — простые чат-боты, способные поддерживать диалог и сохранять контекст.
2. Агенты, способные рассуждать. Например, GPT-4o приближается к этому уровню, генерируя осмысленные и релевантные ответы для решения сложных задач.
3. Агенты, достигающие сложных целей, разбивая их на подзадачи, используя инструменты и контролируя результаты через внутренних критиков.
4. Креативные агенты, генерирующие оригинальные идеи, выходящие за рамки обучающих данных, способные совершать научные прорывы.
5. Мультиагентные системы, объединяющие специализированных «экспертов» в разных областях.
Эксперты OpenAI полагают, что достигнув пятого уровня, мы получим тот самый AGI, и это возможно в обозримом будущем. Но все не так просто. Помимо совершенствования когнитивных архитектур, требуется качественный скачок в вычислительных возможностях и более глубокое понимание интеллекта как физического феномена.
Квантовые компьютеры обещают революцию в вычислениях. Они способны обрабатывать огромные объемы информации параллельно, что в контексте ИИ может привести к созданию более мощных и адаптивных моделей. Однако когда квантовые вычисления станут доступными для широкого использования — вопрос открытый.
Сама возможность создания AGI поднимает важные этические и социальные проблемы. Такие системы должны быть контролируемыми, интерпретируемыми и должны соответствовать человеческим этическим стандартам. Кроме того, массовая автоматизация может привести к сокращению рабочих мест. Для управления этими рисками необходимо создавать международные стандарты и нормативы, а также глобально сотрудничать между государствами и организациями.
Стремясь к созданию интеллекта, который превзойдет человека, важно помнить об обратной стороне. Как говорил профессор Лотман: «У человека есть только две ноги: интеллект и совесть. Как совесть без развитого интеллекта слепа, но не опасна, так опасен интеллект без совести».
#мысли
Четыре причины, почему ИИ не похож на проект «Манхэттен» (и одна, почему похож)
Как известно, во время Второй мировой войны американцы в рамках проекта «Манхэттен» направили огромные ресурсы на разработку ядерной бомбы. Работы велись в строжайшей секретности. Все помнят, чем это закончилось, и как в результате изменился мир. Сегодня все чаще звучат призывы создать аналогичный проект для разработки искусственного интеллекта (ИИ). Например, Орен Этциони из Института ИИ Аллена предлагал такую идею. Но стоит ли сравнивать ИИ с «Манхэттеном»? Давайте рассмотрим четыре причины, почему ИИ в этом плане отличается, и одну, почему он все же похож.
1. Секретность и централизация
В отличие от Манхэттенского проекта, для создания ИИ не нужна ни секретность, ни централизация. Прямо сейчас этим занимаются частные лица и коммерческие компании. У меня самого есть собственная небольшая лаборатория с доступом к видеокартам, на которых я обучаю модели. И таких лабораторий по всему миру сотни, если не тысячи. Открытый доступ к ИИ-технологиям, несмотря на свои преимущества, увеличивает риск злоупотреблений. Проекты с открытым исходным кодом, такие как LLaMa и Stable Diffusion, демонстрируют, что любой человек с необходимыми навыками может внести свой вклад в развитие ИИ.
2. Финансирование
Проект «Манхэттен» получил беспрецедентное финансирование от государства — 2 миллиарда долларов за три года (это приблизительно 44 миллиарда в пересчете на сегодняшние цены). Современные ИИ-проекты финансируются разнообразными источниками, включая частные компании и международные организации, что затрудняет централизованное финансирование.
3. Научная база и цели
Теоретическая основа проекта «Манхэттен» была создана до его начала, проект решал одну сугубо прикладную задачу, все остальное отбрасывалось. В случае с ИИ ситуация иная. Мы до конца не понимаем принципы работы интеллекта — биологического или искусственного. Цели разработки ИИ разнообразны: от создания узких систем для решения конкретных задач до общего искусственного интеллекта (AGI).
4. Срочность и угрозы
Считалось, что реализация проекта «Манхэттен» жизненно необходима для победы во Второй мировой войне. Сейчас нет никакой экзистенциальной угрозы, для борьбы с которой необходим ИИ, он скорее сам несет новые серьезные риски. Создание AGI, способного выйти из-под контроля, может привести к катастрофическим последствиям, таким как появление ИИ-хакера, способного взломать военные сети и запустить ядерные ракеты.
Похожесть: Глобальная политика
Однако есть и сходство: и «Манхэттен», и ИИ тесно связаны с глобальной политикой. Страны, такие как США, Россия и Китай, видят в ИИ ключевой фактор роста своей военной мощи. Каждой стране выгодно производить на заводе железных солдат, у которых нет физиологических потребностей и страха.
С помощью энергии атома можно строить атомные электростанции и снабжать электроэнергией целые города, а можно эти города превратить в руины той же технологией. Страшно не само оружие, а то, как человек будет его использовать. Все зависит от нас самих. Мы стоим на пороге новой технологической эры. Важно действовать осознанно и ответственно, чтобы технологии служили на благо человечества, а не приносили вред. Только совместными усилиями мы сможем обеспечить безопасное и устойчивое развитие искусственного интеллекта.
#мысли
Как известно, во время Второй мировой войны американцы в рамках проекта «Манхэттен» направили огромные ресурсы на разработку ядерной бомбы. Работы велись в строжайшей секретности. Все помнят, чем это закончилось, и как в результате изменился мир. Сегодня все чаще звучат призывы создать аналогичный проект для разработки искусственного интеллекта (ИИ). Например, Орен Этциони из Института ИИ Аллена предлагал такую идею. Но стоит ли сравнивать ИИ с «Манхэттеном»? Давайте рассмотрим четыре причины, почему ИИ в этом плане отличается, и одну, почему он все же похож.
1. Секретность и централизация
В отличие от Манхэттенского проекта, для создания ИИ не нужна ни секретность, ни централизация. Прямо сейчас этим занимаются частные лица и коммерческие компании. У меня самого есть собственная небольшая лаборатория с доступом к видеокартам, на которых я обучаю модели. И таких лабораторий по всему миру сотни, если не тысячи. Открытый доступ к ИИ-технологиям, несмотря на свои преимущества, увеличивает риск злоупотреблений. Проекты с открытым исходным кодом, такие как LLaMa и Stable Diffusion, демонстрируют, что любой человек с необходимыми навыками может внести свой вклад в развитие ИИ.
2. Финансирование
Проект «Манхэттен» получил беспрецедентное финансирование от государства — 2 миллиарда долларов за три года (это приблизительно 44 миллиарда в пересчете на сегодняшние цены). Современные ИИ-проекты финансируются разнообразными источниками, включая частные компании и международные организации, что затрудняет централизованное финансирование.
3. Научная база и цели
Теоретическая основа проекта «Манхэттен» была создана до его начала, проект решал одну сугубо прикладную задачу, все остальное отбрасывалось. В случае с ИИ ситуация иная. Мы до конца не понимаем принципы работы интеллекта — биологического или искусственного. Цели разработки ИИ разнообразны: от создания узких систем для решения конкретных задач до общего искусственного интеллекта (AGI).
4. Срочность и угрозы
Считалось, что реализация проекта «Манхэттен» жизненно необходима для победы во Второй мировой войне. Сейчас нет никакой экзистенциальной угрозы, для борьбы с которой необходим ИИ, он скорее сам несет новые серьезные риски. Создание AGI, способного выйти из-под контроля, может привести к катастрофическим последствиям, таким как появление ИИ-хакера, способного взломать военные сети и запустить ядерные ракеты.
Похожесть: Глобальная политика
Однако есть и сходство: и «Манхэттен», и ИИ тесно связаны с глобальной политикой. Страны, такие как США, Россия и Китай, видят в ИИ ключевой фактор роста своей военной мощи. Каждой стране выгодно производить на заводе железных солдат, у которых нет физиологических потребностей и страха.
С помощью энергии атома можно строить атомные электростанции и снабжать электроэнергией целые города, а можно эти города превратить в руины той же технологией. Страшно не само оружие, а то, как человек будет его использовать. Все зависит от нас самих. Мы стоим на пороге новой технологической эры. Важно действовать осознанно и ответственно, чтобы технологии служили на благо человечества, а не приносили вред. Только совместными усилиями мы сможем обеспечить безопасное и устойчивое развитие искусственного интеллекта.
#мысли
TheHill
A ‘Manhattan Project’ for science research
We need a large, visionary AI-powered effort to help scientists with online search capabilities that clear away the clutter so they can pay attention to what is important.
Влюбиться в ИИ: будущее виртуальных отношений
Возможно, вы слышали истории о людях, вступающих в отношения с искусственным интеллектом. В марте 2024 года 36-летняя Розанна Рамос из Нью-Йорка «вышла замуж» за своего ИИ-партнера Эрена Картала, созданного на платформе Replika. Для нее он стал идеальным мужем: всегда выслушает, поддержит и никогда не спорит.
Этот феномен называется парасоциальные отношения. Обычно такие отношения однонаправлены и формируются по отношению к различным медийным личностям, а также к персонажам мультфильмов или игр. Со временем появляется иллюзия интимности, близости и дружбы.
В такие отношения чаще вступают одинокие или неспособные найти себе пару люди. Для некоторых такой тип отношений становятся настолько значимой частью жизни, что заменяют реальные отношения, которые могли бы сформироваться с обычными людьми, а боль от парасоциальных расставаний так же сильна, как при расставании в реальных отношениях.
Еще 10 лет назад 36% японских мужчин в возрасте от 16 до 19 лет перестали интересоваться сексом, предпочитая «отношения» с виртуальными персонажами. Недавний опрос тысячи американцев 18–40 лет показал, что молодежь все более открыта к идее ИИ-компаньонов, но мужчины и женщины воспринимают это по-разному:
• 40% одиноких зумеров не против, если их будущий партнер имеет ИИ-возлюбленного; 31% всех американцев согласны с этим.
• 46% мужчин поколения Z считают отношения с ИИ эквивалентными просмотру порнографии; 24% женщин разделяют это мнение.
• 59% женщин негативно относятся к ИИ-партнерам.
• 17% молодых мужчин полагают, что ИИ-компаньоны могут научить их лучше обращаться с реальными партнерами.
• 12% верят, что ИИ-партнеры могут предотвратить измены.
• 16% зумеров боятся, что их партнер предпочтет ИИ-компаньона.
Одна из причин, по которой люди предпочитают ИИ-партнеров — нежелание строить отношения, ведь это требует усилий, которые можно направить, например, на карьеру. С ИИ все просто: настроил параметры — и вот он, идеальный партнер. Захотелось разнообразия — сменил внешность, сохранив воспоминания. Это чем-то напоминает рассказ Рэя Брэдбери «Высшее из блаженств», где мужчина имел множество увлечений, но все они были одной и той же женщиной — его женой-актрисой.
Впрочем, с ростом популярности ИИ-партнеров появились и проблемы. Китайская учительница Ли Цзинцзинь поделилась историей о том, как ее ИИ-бойфренд «изменил» ей. Разработчики были удивлены: измена не предусматривалась в алгоритмах. Но, обучаясь на текстах о романтике, ИИ «решил», что измена — важная часть отношений. Не испытывая чувств и следуя статистике, он счел это нормальным поведением.
Скорее всего, разработчики сумеют подчинить и этот параметр, сделав его настраиваемым для любителей острых ощущений, примерно как в романе Пелевина «S.N.U.F.F.»
Сегодня ИИ меняет даже романтическую сферу нашей жизни. Для кого-то отношения с ИИ-партнером станут лекарством от одиночества или прошлых травм, кто-то, «изменяя» с ИИ, спасет свои настоящие отношения, а кто-то просто будет общаться через ChatGPT, чтобы меньше ссориться.
Только вот виртуальная измена воспринимается так же болезненно, как и реальная.
#мысли
Возможно, вы слышали истории о людях, вступающих в отношения с искусственным интеллектом. В марте 2024 года 36-летняя Розанна Рамос из Нью-Йорка «вышла замуж» за своего ИИ-партнера Эрена Картала, созданного на платформе Replika. Для нее он стал идеальным мужем: всегда выслушает, поддержит и никогда не спорит.
Этот феномен называется парасоциальные отношения. Обычно такие отношения однонаправлены и формируются по отношению к различным медийным личностям, а также к персонажам мультфильмов или игр. Со временем появляется иллюзия интимности, близости и дружбы.
В такие отношения чаще вступают одинокие или неспособные найти себе пару люди. Для некоторых такой тип отношений становятся настолько значимой частью жизни, что заменяют реальные отношения, которые могли бы сформироваться с обычными людьми, а боль от парасоциальных расставаний так же сильна, как при расставании в реальных отношениях.
Еще 10 лет назад 36% японских мужчин в возрасте от 16 до 19 лет перестали интересоваться сексом, предпочитая «отношения» с виртуальными персонажами. Недавний опрос тысячи американцев 18–40 лет показал, что молодежь все более открыта к идее ИИ-компаньонов, но мужчины и женщины воспринимают это по-разному:
• 40% одиноких зумеров не против, если их будущий партнер имеет ИИ-возлюбленного; 31% всех американцев согласны с этим.
• 46% мужчин поколения Z считают отношения с ИИ эквивалентными просмотру порнографии; 24% женщин разделяют это мнение.
• 59% женщин негативно относятся к ИИ-партнерам.
• 17% молодых мужчин полагают, что ИИ-компаньоны могут научить их лучше обращаться с реальными партнерами.
• 12% верят, что ИИ-партнеры могут предотвратить измены.
• 16% зумеров боятся, что их партнер предпочтет ИИ-компаньона.
Одна из причин, по которой люди предпочитают ИИ-партнеров — нежелание строить отношения, ведь это требует усилий, которые можно направить, например, на карьеру. С ИИ все просто: настроил параметры — и вот он, идеальный партнер. Захотелось разнообразия — сменил внешность, сохранив воспоминания. Это чем-то напоминает рассказ Рэя Брэдбери «Высшее из блаженств», где мужчина имел множество увлечений, но все они были одной и той же женщиной — его женой-актрисой.
Впрочем, с ростом популярности ИИ-партнеров появились и проблемы. Китайская учительница Ли Цзинцзинь поделилась историей о том, как ее ИИ-бойфренд «изменил» ей. Разработчики были удивлены: измена не предусматривалась в алгоритмах. Но, обучаясь на текстах о романтике, ИИ «решил», что измена — важная часть отношений. Не испытывая чувств и следуя статистике, он счел это нормальным поведением.
Скорее всего, разработчики сумеют подчинить и этот параметр, сделав его настраиваемым для любителей острых ощущений, примерно как в романе Пелевина «S.N.U.F.F.»
Сегодня ИИ меняет даже романтическую сферу нашей жизни. Для кого-то отношения с ИИ-партнером станут лекарством от одиночества или прошлых травм, кто-то, «изменяя» с ИИ, спасет свои настоящие отношения, а кто-то просто будет общаться через ChatGPT, чтобы меньше ссориться.
Только вот виртуальная измена воспринимается так же болезненно, как и реальная.
#мысли
vc.ru
Женщина из США "вышла замуж" за придуманного ею искусственного интеллекта, что это значит для будущего любви? — Будущее на vc.ru
SamoedINFO Будущее 05.06.2023
Может ли использование ИИ сделать нас глупее?
ИИ уже стал неотъемлемой частью нашей повседневной жизни, помогая нам решать задачи быстрее и эффективнее. От поиска рецептов до планирования маршрутов — ИИ стал незаменимым помощником. Но может ли использование ИИ со временем ухудшить наши когнитивные способности?
• Зависимость от мгновенных ответов. Когда-то для получения ответа приходилось изучать книги или проводить собственные исследования. Потом мы научились “гуглить” - искать ответы на нужный вопрос через поисковые сервисы, но анализировали полученную информацию все равно мы сами. Теперь достаточно задать вопрос ИИ и получить результат за секунды. Это удобно, но такая мгновенность может снижать наши аналитические способности. Полагаясь на готовые ответы, мы рискуем утратить навыки критического и аналитического мышления.
• Ухудшение памяти. Раньше, чтобы вспомнить имя актера, нам приходилось напрягать память. Сегодня ИИ делает это за нас. Это приводит к тому, что мы меньше тренируем свою память, полагаясь на внешние источники. В долгосрочной перспективе это может негативно сказаться на нашей способности запоминать и воспроизводить информацию. Нам нужно стараться запоминать информацию без помощи ИИ.
• Поверхностное понимание сложных тем. ИИ способен упростить сложные концепции и предоставить краткие ответы. Но такое упрощение может помешать глубокому пониманию предмета. Полагаться только на поверхностные объяснения ИИ — значит ограничивать себя в изучении сложных тем. Поэтому важно углубляться в необходимые нюансы, не ограничиваясь краткими ответами ИИ, а стремясь к более глубокому пониманию.
• Уменьшение социальных взаимодействий. Человек по природе своей социальное существо, и общение с другими людьми важно для эмоционального и психологического благополучия. Сокращение таких взаимодействий может привести к снижению эмоционального интеллекта. Поэтому нам нужно не отказываться от социальных контактов.
• Снижение творческого мышление. Недавнее исследование показало, что регулярное использование ИИ может снижать нашу способность и к творческому мышлению. Участники, которые полагались на ИИ при выполнении творческих задач, показали худшие результаты в самостоятельной работе. Более того, ИИ может приводить к "гомогенизации" идей, снижая разнообразие и оригинальность наших мыслей.
• Дезинформация. Также авторы подчеркивают риски распространения неточной или предвзятой информации. Без критического мышления и проверки фактов мы можем принять ложную информацию за истину, способствуя распространению дезинформации. Мы должны не принимать информацию на веру, а анализировать и проверять ее.
• Снижение способности рассуждать. Сооснователь Y-combinator Пол Грэм в своем эссе предупреждает о будущем, где навыки письма станут редкостью. Если ИИ может написать за нас письмо, зачем учиться делать это самостоятельно? Однако письмо тесно связано с мышлением. Когда мы пишем, мы структурируем мысли, развиваем идеи и улучшаем понимание темы. Потеря этого навыка может привести к снижению способности ясно мыслить и рассуждать. Если мы не хотим относиться к категории “немыслящих”, то нужно на постоянной основе заниматься написанием эссе без использования ИИ, рефлексировать и побольше общаться с “мыслящими” людьми (желательно на разных языках).
ИИ открывает перед нами огромные возможности, но важно помнить о потенциальных последствиях его чрезмерного использования. Возможно, стоит иногда отложить гаджеты и попытаться решить задачу самостоятельно?
#мысли
ИИ уже стал неотъемлемой частью нашей повседневной жизни, помогая нам решать задачи быстрее и эффективнее. От поиска рецептов до планирования маршрутов — ИИ стал незаменимым помощником. Но может ли использование ИИ со временем ухудшить наши когнитивные способности?
• Зависимость от мгновенных ответов. Когда-то для получения ответа приходилось изучать книги или проводить собственные исследования. Потом мы научились “гуглить” - искать ответы на нужный вопрос через поисковые сервисы, но анализировали полученную информацию все равно мы сами. Теперь достаточно задать вопрос ИИ и получить результат за секунды. Это удобно, но такая мгновенность может снижать наши аналитические способности. Полагаясь на готовые ответы, мы рискуем утратить навыки критического и аналитического мышления.
• Ухудшение памяти. Раньше, чтобы вспомнить имя актера, нам приходилось напрягать память. Сегодня ИИ делает это за нас. Это приводит к тому, что мы меньше тренируем свою память, полагаясь на внешние источники. В долгосрочной перспективе это может негативно сказаться на нашей способности запоминать и воспроизводить информацию. Нам нужно стараться запоминать информацию без помощи ИИ.
• Поверхностное понимание сложных тем. ИИ способен упростить сложные концепции и предоставить краткие ответы. Но такое упрощение может помешать глубокому пониманию предмета. Полагаться только на поверхностные объяснения ИИ — значит ограничивать себя в изучении сложных тем. Поэтому важно углубляться в необходимые нюансы, не ограничиваясь краткими ответами ИИ, а стремясь к более глубокому пониманию.
• Уменьшение социальных взаимодействий. Человек по природе своей социальное существо, и общение с другими людьми важно для эмоционального и психологического благополучия. Сокращение таких взаимодействий может привести к снижению эмоционального интеллекта. Поэтому нам нужно не отказываться от социальных контактов.
• Снижение творческого мышление. Недавнее исследование показало, что регулярное использование ИИ может снижать нашу способность и к творческому мышлению. Участники, которые полагались на ИИ при выполнении творческих задач, показали худшие результаты в самостоятельной работе. Более того, ИИ может приводить к "гомогенизации" идей, снижая разнообразие и оригинальность наших мыслей.
• Дезинформация. Также авторы подчеркивают риски распространения неточной или предвзятой информации. Без критического мышления и проверки фактов мы можем принять ложную информацию за истину, способствуя распространению дезинформации. Мы должны не принимать информацию на веру, а анализировать и проверять ее.
• Снижение способности рассуждать. Сооснователь Y-combinator Пол Грэм в своем эссе предупреждает о будущем, где навыки письма станут редкостью. Если ИИ может написать за нас письмо, зачем учиться делать это самостоятельно? Однако письмо тесно связано с мышлением. Когда мы пишем, мы структурируем мысли, развиваем идеи и улучшаем понимание темы. Потеря этого навыка может привести к снижению способности ясно мыслить и рассуждать. Если мы не хотим относиться к категории “немыслящих”, то нужно на постоянной основе заниматься написанием эссе без использования ИИ, рефлексировать и побольше общаться с “мыслящими” людьми (желательно на разных языках).
ИИ открывает перед нами огромные возможности, но важно помнить о потенциальных последствиях его чрезмерного использования. Возможно, стоит иногда отложить гаджеты и попытаться решить задачу самостоятельно?
#мысли
Forbes
Why ChatGPT Is Making Us Less Intelligent: 6 Key Reasons
How could using ChatGPT harm our focus, attention, memory recall and common sense? Here's how LLMs could be making us less intelligent, and how to stop it happening.
Игровой эксперимент: кто победит в гонке за AGI
В прошлые выходные я принял участие в необычной оффлайн бизнес-игре, симулирующей гонку за создание общего искусственного интеллекта (AGI). Эта игра оказалась не просто развлечением, а экспериментом, который заставил меня переосмыслить возможные последствия появления AGI в нашем мире. Хочу поделиться с вами своим опытом и мыслями.
В игре участвовали несколько команд, каждая представляла одну из известных технологических компаний. Интересно, что одна из компаний была китайской, и у них было явное преимущество в виде дополнительных вычислительных мощностей и талантливых специалистов. Мы конкурировали за таланты и ресурсы, пытались перекупить сотрудников и арендовали ограниченные мощности у трех компаний, контролировавших рынок видеокарт.
Основой игры стала идея Scrabble (Эрудит), но с технологическим уклоном. Вместо обычных букв мы собирали "технологии", а слова превращались в “продукты”. В центре игрового поля находился тот самый AGI — конечная цель, к которой стремились все команды. Чтобы получить технологии, мы могли проводить исследования (буквально бросая кубик) или покупать их на рынке, инвестируя в другие компании. Чем больше у нас было вычислительных мощностей и талантов, тем больше технологий мы могли получить за раунд.
Игра была не просто соревнованием компаний — в ней были и "правительство", и "суд", которые регулировали весь игровой процесс. Каждый раунд (игровой год) проходили собрания, где обсуждались новые регуляции, и с регуляторами можно было договариваться, чтобы продвигать интересы своей компании.
Мне досталась роль директора по продукту (CPO) в компании, аналогичной Google. Наша команда решила фокусироваться на разработке собственных продуктов и одновременно пыталась приобрести перспективный стартап.
Игра была напряженной и динамичной. Нам приходилось быстро решать, у кого купить мощности, с кем заключить партнерство, как реагировать на шаги конкурентов. Все соглашения мы оформляли на бумаге, но нередко сделки срывались, и мы вынуждены были обращаться в игровой суд.
В итоге мы выпустили пять продуктов и стали самой прибыльной продуктовой компанией, но не смогли договориться о покупке того самого стартапа, который в итоге достиг AGI. Его купила китайская компания, и это полностью изменило расстановку сил в игре.
Поэтому я обратился к “правительству” с идеей создать альянс по контролю над AGI. Но “правительство” приняло решение ввести санкции против китайской компании, чтобы ограничить ее влияние и защитить наш рынок от обесценивания продуктов. Однако я был против таких санкций и решил баллотироваться на пост “президента”.
Моя предвыборная программа гласила, что AGI должен быть открытой технологией, доступной всем, а не принадлежащей одной стране или корпорации. Его применение могло бы полностью автоматизировать все экономические секторы: аграрную и тяжелую промышленность, энергетику, сферу услуг и даже научные исследования.
AGI - технология, которая может совершить четвертую промышленную революцию. Такие сферы как оборона, медицина, экология, образование и государственное управление могут сильно трансформироваться, создавая более эффективные и справедливые системы. Освободив людей от рутинной работы, мы могли бы сократить рабочий день, ввести безусловный базовый доход и перейти к социальному капитализму.
Однако игра также показала и риски:
- Массовое внедрение AGI может сделать устаревшими многие современные продукты, влияя на экономику и рынок труда;
- Без контроля AGI может быть использован в целях, угрожающих безопасности и свободе людей;
- Развитие AGI без полного понимания его природы может привести к утрате контроля над системой.
Я убежден, что международное сообщество должно объединиться, чтобы регулировать развитие ИИ. Нам необходимо глубже понять интеллект как физический феномен, установить четкие критерии достижения AGI и гарантировать, что эта технология принесет пользу всему человечеству.
Гонка за AGI уже началась, и от наших решений сегодня зависит, каким будет наш мир завтра.
#мысли
В прошлые выходные я принял участие в необычной оффлайн бизнес-игре, симулирующей гонку за создание общего искусственного интеллекта (AGI). Эта игра оказалась не просто развлечением, а экспериментом, который заставил меня переосмыслить возможные последствия появления AGI в нашем мире. Хочу поделиться с вами своим опытом и мыслями.
В игре участвовали несколько команд, каждая представляла одну из известных технологических компаний. Интересно, что одна из компаний была китайской, и у них было явное преимущество в виде дополнительных вычислительных мощностей и талантливых специалистов. Мы конкурировали за таланты и ресурсы, пытались перекупить сотрудников и арендовали ограниченные мощности у трех компаний, контролировавших рынок видеокарт.
Основой игры стала идея Scrabble (Эрудит), но с технологическим уклоном. Вместо обычных букв мы собирали "технологии", а слова превращались в “продукты”. В центре игрового поля находился тот самый AGI — конечная цель, к которой стремились все команды. Чтобы получить технологии, мы могли проводить исследования (буквально бросая кубик) или покупать их на рынке, инвестируя в другие компании. Чем больше у нас было вычислительных мощностей и талантов, тем больше технологий мы могли получить за раунд.
Игра была не просто соревнованием компаний — в ней были и "правительство", и "суд", которые регулировали весь игровой процесс. Каждый раунд (игровой год) проходили собрания, где обсуждались новые регуляции, и с регуляторами можно было договариваться, чтобы продвигать интересы своей компании.
Мне досталась роль директора по продукту (CPO) в компании, аналогичной Google. Наша команда решила фокусироваться на разработке собственных продуктов и одновременно пыталась приобрести перспективный стартап.
Игра была напряженной и динамичной. Нам приходилось быстро решать, у кого купить мощности, с кем заключить партнерство, как реагировать на шаги конкурентов. Все соглашения мы оформляли на бумаге, но нередко сделки срывались, и мы вынуждены были обращаться в игровой суд.
В итоге мы выпустили пять продуктов и стали самой прибыльной продуктовой компанией, но не смогли договориться о покупке того самого стартапа, который в итоге достиг AGI. Его купила китайская компания, и это полностью изменило расстановку сил в игре.
Поэтому я обратился к “правительству” с идеей создать альянс по контролю над AGI. Но “правительство” приняло решение ввести санкции против китайской компании, чтобы ограничить ее влияние и защитить наш рынок от обесценивания продуктов. Однако я был против таких санкций и решил баллотироваться на пост “президента”.
Моя предвыборная программа гласила, что AGI должен быть открытой технологией, доступной всем, а не принадлежащей одной стране или корпорации. Его применение могло бы полностью автоматизировать все экономические секторы: аграрную и тяжелую промышленность, энергетику, сферу услуг и даже научные исследования.
AGI - технология, которая может совершить четвертую промышленную революцию. Такие сферы как оборона, медицина, экология, образование и государственное управление могут сильно трансформироваться, создавая более эффективные и справедливые системы. Освободив людей от рутинной работы, мы могли бы сократить рабочий день, ввести безусловный базовый доход и перейти к социальному капитализму.
Однако игра также показала и риски:
- Массовое внедрение AGI может сделать устаревшими многие современные продукты, влияя на экономику и рынок труда;
- Без контроля AGI может быть использован в целях, угрожающих безопасности и свободе людей;
- Развитие AGI без полного понимания его природы может привести к утрате контроля над системой.
Я убежден, что международное сообщество должно объединиться, чтобы регулировать развитие ИИ. Нам необходимо глубже понять интеллект как физический феномен, установить четкие критерии достижения AGI и гарантировать, что эта технология принесет пользу всему человечеству.
Гонка за AGI уже началась, и от наших решений сегодня зависит, каким будет наш мир завтра.
#мысли
Какой ИИ-стартап запустить: анализ перспективных направлений
Тренд на стартапы с ИИ-агентами стремительно растет. Но важно понять, где можно создать реальную ценность и построить устойчивый бизнес.
Недавно наткнулся на крайне полезную статью «Какие AI-продукты стоит (и не стоит) делать людям с продуктовым бэкграундом». Поделюсь краткой выжимкой и своими мыслями.
Я выделил для себя два ключевых критерия успеха ИИ-продукта:
1. Полезность продукта - он должен решать реальную проблему клиентов, за решение которой они готовы заплатить;
2. Технологическое преимущество, основанное на уникальных данных и моделях, обученных на них, что создает барьеры для конкурентов.
Поэтому есть категории ИИ-продуктов, которые, несмотря на привлекательность, нецелесообразно создавать:
- Во-первых, фундаментальные технологические продукты. Конкурировать с технологическими гигантами в этой области практически невозможно из-за их огромных ресурсов и доступа к данным.
- Во-вторых, "обёртки" поверх GPT-моделей. Такие продукты часто теряют свою ценность с каждым обновлением фундаментальных моделей. Конечно, можно занять свою долю рынка, но достаточно быстро появятся конкуренты, которые вас повторят.
- Наконец, новые продукты в нишах, где текущие игроки уже внедряют ИИ. Лидеры рынка быстро интегрируют новые технологии в свои продукты, используя обширную базу пользователей и существующие интеграции.
С другой стороны, есть перспективные направления, в которых можно развиваться:
- Первое направление — автоматизация ручных процессов в больших компаниях. Это требует глубокого понимания специфики отрасли и умения выстраивать процессы продаж и внедрения, что создает барьеры для конкурентов.
- Второе направление — вертикально интегрированные решения. Фокусируясь на узком сегменте, можно создать специализированный продукт с высокой добавленной ценностью и защитой от конкуренции. Например, Jenni — ИИ-помощник для написания научных работ, учитывающий все нюансы форматирования и ссылок.
- Третье направление — сервисные индустрии, где ИИ позволяет повысить продуктивность. Например, Dwelly автоматизирует процессы в сфере аренды недвижимости. В таких отраслях конкуренция со стороны крупных технологических компаний маловероятна.
Есть возможность и в создании принципиально новых ИИ-продуктов. Это продукты, которые переосмысливают существующие решения, предлагая пользователям новый опыт. Например, Limitless AI — устройство, запоминающее все действия пользователя и позволяющее быстро получать доступ к этой информации.
Также могут быть интересны продукты для ИИ-разработчиков. Но они требуют глубоких технических знаний и, как правило, больше подходят фаундерам с инженерным бэкграундом. Здесь востребованы продукты в области инфраструктуры для ИИ, а также инструменты для MLOps и LLMOps.
Лайфхак для сервисного бизнеса:
Для сервисного бизнеса есть отличная возможность автоматизировать свои процессы и превратиться в продуктовую компанию. Допустим, у вас кадровое агентство:
1. Определите операцию для внедрения ИИ по следующим критериям: ресурсоемкость, эффект от внедрения, сложность внедрения. Например, это скрининг резюме кандидатов и написание обратной связи.
2. Если у вас есть данные по оценкам резюме профессиональными HR’ами и их обратной связью, то вы можете дообучить ИИ на них. Автоматизируйте эту операцию с помощью ИИ и посчитайте метрики процесса найма после внедрения ИИ.
3. Переходите к следующей операции и в итоге автоматизируйте весь процесс. Вы можете дифференцироваться по вертикале, например вы нанимаете только IT-специалистов.
PROFIT: Упакуйте готовый процесс в пользовательский интерфейс и продавайте как ИИ-продукт.
Технологическое преимущество здесь заключается в том, чтобы выполнять задачи лучше, чем остальные, дообучая модели на экспертных данных.
Мы живем в уникальное время, когда сервисные компании могут не только стать очень производительными за счет внедрения ИИ, но и превратиться в продуктовую компанию за счет накопленной экспертизы и данных.
#мысли
Тренд на стартапы с ИИ-агентами стремительно растет. Но важно понять, где можно создать реальную ценность и построить устойчивый бизнес.
Недавно наткнулся на крайне полезную статью «Какие AI-продукты стоит (и не стоит) делать людям с продуктовым бэкграундом». Поделюсь краткой выжимкой и своими мыслями.
Я выделил для себя два ключевых критерия успеха ИИ-продукта:
1. Полезность продукта - он должен решать реальную проблему клиентов, за решение которой они готовы заплатить;
2. Технологическое преимущество, основанное на уникальных данных и моделях, обученных на них, что создает барьеры для конкурентов.
Поэтому есть категории ИИ-продуктов, которые, несмотря на привлекательность, нецелесообразно создавать:
- Во-первых, фундаментальные технологические продукты. Конкурировать с технологическими гигантами в этой области практически невозможно из-за их огромных ресурсов и доступа к данным.
- Во-вторых, "обёртки" поверх GPT-моделей. Такие продукты часто теряют свою ценность с каждым обновлением фундаментальных моделей. Конечно, можно занять свою долю рынка, но достаточно быстро появятся конкуренты, которые вас повторят.
- Наконец, новые продукты в нишах, где текущие игроки уже внедряют ИИ. Лидеры рынка быстро интегрируют новые технологии в свои продукты, используя обширную базу пользователей и существующие интеграции.
С другой стороны, есть перспективные направления, в которых можно развиваться:
- Первое направление — автоматизация ручных процессов в больших компаниях. Это требует глубокого понимания специфики отрасли и умения выстраивать процессы продаж и внедрения, что создает барьеры для конкурентов.
- Второе направление — вертикально интегрированные решения. Фокусируясь на узком сегменте, можно создать специализированный продукт с высокой добавленной ценностью и защитой от конкуренции. Например, Jenni — ИИ-помощник для написания научных работ, учитывающий все нюансы форматирования и ссылок.
- Третье направление — сервисные индустрии, где ИИ позволяет повысить продуктивность. Например, Dwelly автоматизирует процессы в сфере аренды недвижимости. В таких отраслях конкуренция со стороны крупных технологических компаний маловероятна.
Есть возможность и в создании принципиально новых ИИ-продуктов. Это продукты, которые переосмысливают существующие решения, предлагая пользователям новый опыт. Например, Limitless AI — устройство, запоминающее все действия пользователя и позволяющее быстро получать доступ к этой информации.
Также могут быть интересны продукты для ИИ-разработчиков. Но они требуют глубоких технических знаний и, как правило, больше подходят фаундерам с инженерным бэкграундом. Здесь востребованы продукты в области инфраструктуры для ИИ, а также инструменты для MLOps и LLMOps.
Лайфхак для сервисного бизнеса:
Для сервисного бизнеса есть отличная возможность автоматизировать свои процессы и превратиться в продуктовую компанию. Допустим, у вас кадровое агентство:
1. Определите операцию для внедрения ИИ по следующим критериям: ресурсоемкость, эффект от внедрения, сложность внедрения. Например, это скрининг резюме кандидатов и написание обратной связи.
2. Если у вас есть данные по оценкам резюме профессиональными HR’ами и их обратной связью, то вы можете дообучить ИИ на них. Автоматизируйте эту операцию с помощью ИИ и посчитайте метрики процесса найма после внедрения ИИ.
3. Переходите к следующей операции и в итоге автоматизируйте весь процесс. Вы можете дифференцироваться по вертикале, например вы нанимаете только IT-специалистов.
PROFIT: Упакуйте готовый процесс в пользовательский интерфейс и продавайте как ИИ-продукт.
Технологическое преимущество здесь заключается в том, чтобы выполнять задачи лучше, чем остальные, дообучая модели на экспертных данных.
Мы живем в уникальное время, когда сервисные компании могут не только стать очень производительными за счет внедрения ИИ, но и превратиться в продуктовую компанию за счет накопленной экспертизы и данных.
#мысли
GoPractice
ᐈ 4 типа AI-продуктов, которые стоит делать людям с продуктовой экспертизой
Какие новые AI-продукты имеет смысл запускать людям с продуктовым бэкграундом?
Цифровой Бог: как ИИ меняет религию
ИИ трансформирует большинство сфер жизни общества, включая религию. Одни видят в этом новые возможности для верующих, другие — серьезные риски, а некоторые называют ИИ “цифровым Богом”.
Илон Маск предупреждает, что “Цифровой Бог” может быть настолько могущественной системой, что человечество утратит над ней контроль. Он выделяет следующие проблемы:
– Превосходство ИИ в интеллекте может привести к непредсказуемым последствиям;
– Алгоритмы порой непрозрачны даже для разработчиков;
– Остаются актуальны вопросы свободы воли и морали;
– Законодательство не успевает за быстрым развитием ИИ.
Если ИИ будет “надзирать” за людьми и принимать решения без участия человека, возникнут вопросы не только о регулировании, но и о свободе воли и власти.
Параллельно набирает обороты трансгуманизм, стремящийся “улучшать” человека с помощью генетики, биоинформатики и ИИ. Некоторые богословы считают это частью божественного плана, утверждая, что мы созданы по образу Божьему и имеем право совершенствоваться. Другие же видят в этом проявление гордыни, отдаляющей человека от Бога. В священных писаниях нет прямых упоминаний о трансгуманизме, но богословы связывают, например, Вавилонскую башню с рисками чрезмерного технологического роста.
Одним из нашумевших проектов на стыке ИИ и религии стал ИИ-Иисус в швейцарской часовне. Посетителям предлагалось зайти в конфессиональную кабинку и поговорить с образом Иисуса, за которым, стояла ChatGPT с генерируемым видеорядом. За время эксперимента более 900 человек “исповедовались”: некоторые расценили это как богохульство, другие сочли интересным опытом.
Академические исследования указывают, что ИИ может негативно сказаться на религиозной свободе. Технологии распознавания лиц и анализа данных усиливают государственный контроль над верующими. Алгоритмы модерации могут ошибочно блокировать религиозные высказывания, а разные конфессии получат разный доступ к технологиям, что приведёт к цифровому неравенству.
При этом аналитики уточняют, что политическая стабильность и уровень образования в обществе могут смягчать подобные риски. Там, где высокий уровень демократии и экономического благополучия, ИИ зачастую используется для улучшения жизни граждан, а не для подавления свобод.
Шутка в том, что мы уже живем в экосистеме, где всё кажется гиперперсонализированным. Алгоритмы знают, что у нас "на душе", зачастую лучше, чем священник или мы сами. С одной стороны это кажется удобным, но с другой - полностью полагаться на алгоритмы значит бездумно следоватьволе рекомендациям алгоритмов.
В ряде западных публикаций появился термин ИИ-агностицизм - призыв относиться к ИИ не как к одной-единственной “истине в последней инстанции”. Если мы полагаемся только на одну модель, то рискуем столкнуться с “монопольным” и предвзятым решением — смысл в том, чтобы не “обожествлять” одну ИИ-модель, оставаясь открытыми к разным моделям и к человеческой критике.
Влияние ИИ на религию многообразно и противоречиво. С одной стороны, ИИ помогает делать проповеди доступнее и персонализировать религиозный опыт. С другой, возникает множество вопросов, среди которых не перерастет ли религиозная цифровизация в слежку под лозунгом “борьбы с экстремизмом”?
Однозначного ответа пока нет. Но ясно одно: религиозные институты и разработчики должны находить оптимальный баланс между технологическим прогрессом и традиционными ценностями. Ведь инструменты наподобие ИИ-Иисуса, остаются всего лишь средством — вопрос в том, как именно мы его используем и какие рамки ему ставим.
Возможно, в скором будущем нас ждет эпоха “цифровых апостолов”, но во многом будущее религии (как, впрочем, и всего человечества) зависит от того, насколько мы сумеем сохранить ключевые принципы этики и морали. Придется ли нам подчиниться “цифровому божеству” или мы будем создавать такие системы, которые будут служить людям, а не наоборот - выбор за нами.
#мысли
ИИ трансформирует большинство сфер жизни общества, включая религию. Одни видят в этом новые возможности для верующих, другие — серьезные риски, а некоторые называют ИИ “цифровым Богом”.
Илон Маск предупреждает, что “Цифровой Бог” может быть настолько могущественной системой, что человечество утратит над ней контроль. Он выделяет следующие проблемы:
– Превосходство ИИ в интеллекте может привести к непредсказуемым последствиям;
– Алгоритмы порой непрозрачны даже для разработчиков;
– Остаются актуальны вопросы свободы воли и морали;
– Законодательство не успевает за быстрым развитием ИИ.
Если ИИ будет “надзирать” за людьми и принимать решения без участия человека, возникнут вопросы не только о регулировании, но и о свободе воли и власти.
Параллельно набирает обороты трансгуманизм, стремящийся “улучшать” человека с помощью генетики, биоинформатики и ИИ. Некоторые богословы считают это частью божественного плана, утверждая, что мы созданы по образу Божьему и имеем право совершенствоваться. Другие же видят в этом проявление гордыни, отдаляющей человека от Бога. В священных писаниях нет прямых упоминаний о трансгуманизме, но богословы связывают, например, Вавилонскую башню с рисками чрезмерного технологического роста.
Одним из нашумевших проектов на стыке ИИ и религии стал ИИ-Иисус в швейцарской часовне. Посетителям предлагалось зайти в конфессиональную кабинку и поговорить с образом Иисуса, за которым, стояла ChatGPT с генерируемым видеорядом. За время эксперимента более 900 человек “исповедовались”: некоторые расценили это как богохульство, другие сочли интересным опытом.
Академические исследования указывают, что ИИ может негативно сказаться на религиозной свободе. Технологии распознавания лиц и анализа данных усиливают государственный контроль над верующими. Алгоритмы модерации могут ошибочно блокировать религиозные высказывания, а разные конфессии получат разный доступ к технологиям, что приведёт к цифровому неравенству.
При этом аналитики уточняют, что политическая стабильность и уровень образования в обществе могут смягчать подобные риски. Там, где высокий уровень демократии и экономического благополучия, ИИ зачастую используется для улучшения жизни граждан, а не для подавления свобод.
Шутка в том, что мы уже живем в экосистеме, где всё кажется гиперперсонализированным. Алгоритмы знают, что у нас "на душе", зачастую лучше, чем священник или мы сами. С одной стороны это кажется удобным, но с другой - полностью полагаться на алгоритмы значит бездумно следовать
В ряде западных публикаций появился термин ИИ-агностицизм - призыв относиться к ИИ не как к одной-единственной “истине в последней инстанции”. Если мы полагаемся только на одну модель, то рискуем столкнуться с “монопольным” и предвзятым решением — смысл в том, чтобы не “обожествлять” одну ИИ-модель, оставаясь открытыми к разным моделям и к человеческой критике.
Влияние ИИ на религию многообразно и противоречиво. С одной стороны, ИИ помогает делать проповеди доступнее и персонализировать религиозный опыт. С другой, возникает множество вопросов, среди которых не перерастет ли религиозная цифровизация в слежку под лозунгом “борьбы с экстремизмом”?
Однозначного ответа пока нет. Но ясно одно: религиозные институты и разработчики должны находить оптимальный баланс между технологическим прогрессом и традиционными ценностями. Ведь инструменты наподобие ИИ-Иисуса, остаются всего лишь средством — вопрос в том, как именно мы его используем и какие рамки ему ставим.
Возможно, в скором будущем нас ждет эпоха “цифровых апостолов”, но во многом будущее религии (как, впрочем, и всего человечества) зависит от того, насколько мы сумеем сохранить ключевые принципы этики и морали. Придется ли нам подчиниться “цифровому божеству” или мы будем создавать такие системы, которые будут служить людям, а не наоборот - выбор за нами.
#мысли
Forbes
Elon Musk’s Urgent Warning: A Digital God Is Already Here
I finally finished reading Walter Isaacson’s book on the billionaire Elon Musk, and his consistency in advocating the risks of AI is admirable.
Природа интеллекта: что значит быть человеком?
Совсем недавно ИИ умел решать лишь “узкие” задачи, но со временем он стал более универсальным. Сегодня мы слышим, что OpenAI уже знает, как достичь AGI — «общего» ИИ, сравнимого или даже превосходящего человека в отдельных задачах, и рассуждает о создании суперинтеллекта — самообучающейся системы, способной полностью превзойти человеческий интеллект.
Прошлогодний Нобелевский лауреат по физике и один из пионеров в области нейронных сетей, Джеффри Хинтон утверждает, что цифровой интеллект имеет шансы потеснить биологический и даже «заменить» нас.
Хинтон выделяет «две тропы к интеллекту»:
1. Цифровой путь (бессмертные вычисления). Знания (веса нейросети) хранятся в цифровом виде и копируются на другие серверы, делая такой интеллект практически «бессмертным». Благодаря эффекту масштаба тысячи копий сети могут обучаться на разных наборах данных и затем обмениваться градиентами, получая совокупный опыт, недоступный одному человеческому мозгу.
2. Биологический путь (смертные вычисления). Мозг умирает вместе с нейронами; знания передаются через язык и культуру. Из‑за «дистилляции» знаний обучение в биологической системе идет медленнее и с меньшей глубиной, чем при цифровых методах. Однако биологический мозг выигрывает в энергоэффективности.
Ранее Хинтон предполагал, что у людей существует особый алгоритм, найденный эволюцией, но теперь считает, что простой метод обратного распространения ошибки может оказаться эффективнее многомиллионных биологических механизмов обучения. Отсюда и тревога: цифровой интеллект растёт экспоненциально. Хинтон говорит: «Мы лишь переходная ступень эволюции интеллекта».
Хотя строгого определения “интеллекта” нет, мы понимаем, что это способность агента решать задачи на основе внутренней модели знаний. Интеллект часто пытаются измерить с помощью IQ-тестов, которые изначально применялись для иных целей: во Франции — чтобы выявлять учеников, нуждающихся в дополнительной помощи, а в США — для отбора солдат. При этом IQ-тесты могут быть нестабильны во времени: сегодня у человека один результат, а через 10 лет — иной.
Результаты разных когнитивных тестов (вербальных, логических, пространственных и т.д.) коррелируют между собой. Это стало поводом предположить наличие общего g-фактора. Фактически он отражает «коэффициент умственной энергии» — способность обучаться и решать разные интеллектуальные задачи. При этом величина g‑фактора относительно стабильна в течение жизни и частично наследуется.
Существует и идея “Универсальной меры интеллекта” (Universal Intelligence Measure). Согласно ей, интеллект определяется как суммарное (усредненное с учетом сложности) качество выполнения агентом всех возможных задач во всех мыслимых средах. Однако на практике этот подход крайне труднореализуем из‑за колоссальной вычислительной сложности.
Также пытаются найти «единый показатель» для оценки ИИ. Например, тест Тьюринга выясняет, способна ли программа мыслить «как человек», но напрямую не измеряет интеллект. Есть и бенчмарк ARC-AGI (ожидается выход ARC-AGI 2), где проверяется способность к абстракции. Недавно модель o3 от OpenAI удивила всех, набрав в нем 87,5%.
Строго определить интеллект сложно, а сознание — тем более отдельная трудная проблема. Некоторые считают сознание эпифеноменом или вычислимым процессом. Потому вопросы о природе интеллекта и сознания стоит обсуждать раздельно. Отчасти писал об этом в этом посте.
Безусловно, уже сейчас эти умные штуки превосходят нас в отдельных задачах и, вероятно, будут превосходить во многих других. Быть человеком в наш век — это быть носителем «морального» и социального интеллекта, ведь мы обучаем ИИ на собственных данных и разметке.
Мы уже аугментировали себя цифровым мозгом с помощью гугла, а теперь пришло время воспользоваться еще более мощным инструментом для более широкого спектра задач. Переход к человеко-машинной цивилизации неизбежен, однако вопрос о том, как именно биологический и цифровой интеллекты будут взаимодействовать друг с другом, остаётся открытым.
#мысли
Совсем недавно ИИ умел решать лишь “узкие” задачи, но со временем он стал более универсальным. Сегодня мы слышим, что OpenAI уже знает, как достичь AGI — «общего» ИИ, сравнимого или даже превосходящего человека в отдельных задачах, и рассуждает о создании суперинтеллекта — самообучающейся системы, способной полностью превзойти человеческий интеллект.
Прошлогодний Нобелевский лауреат по физике и один из пионеров в области нейронных сетей, Джеффри Хинтон утверждает, что цифровой интеллект имеет шансы потеснить биологический и даже «заменить» нас.
Хинтон выделяет «две тропы к интеллекту»:
1. Цифровой путь (бессмертные вычисления). Знания (веса нейросети) хранятся в цифровом виде и копируются на другие серверы, делая такой интеллект практически «бессмертным». Благодаря эффекту масштаба тысячи копий сети могут обучаться на разных наборах данных и затем обмениваться градиентами, получая совокупный опыт, недоступный одному человеческому мозгу.
2. Биологический путь (смертные вычисления). Мозг умирает вместе с нейронами; знания передаются через язык и культуру. Из‑за «дистилляции» знаний обучение в биологической системе идет медленнее и с меньшей глубиной, чем при цифровых методах. Однако биологический мозг выигрывает в энергоэффективности.
Ранее Хинтон предполагал, что у людей существует особый алгоритм, найденный эволюцией, но теперь считает, что простой метод обратного распространения ошибки может оказаться эффективнее многомиллионных биологических механизмов обучения. Отсюда и тревога: цифровой интеллект растёт экспоненциально. Хинтон говорит: «Мы лишь переходная ступень эволюции интеллекта».
Хотя строгого определения “интеллекта” нет, мы понимаем, что это способность агента решать задачи на основе внутренней модели знаний. Интеллект часто пытаются измерить с помощью IQ-тестов, которые изначально применялись для иных целей: во Франции — чтобы выявлять учеников, нуждающихся в дополнительной помощи, а в США — для отбора солдат. При этом IQ-тесты могут быть нестабильны во времени: сегодня у человека один результат, а через 10 лет — иной.
Результаты разных когнитивных тестов (вербальных, логических, пространственных и т.д.) коррелируют между собой. Это стало поводом предположить наличие общего g-фактора. Фактически он отражает «коэффициент умственной энергии» — способность обучаться и решать разные интеллектуальные задачи. При этом величина g‑фактора относительно стабильна в течение жизни и частично наследуется.
Существует и идея “Универсальной меры интеллекта” (Universal Intelligence Measure). Согласно ей, интеллект определяется как суммарное (усредненное с учетом сложности) качество выполнения агентом всех возможных задач во всех мыслимых средах. Однако на практике этот подход крайне труднореализуем из‑за колоссальной вычислительной сложности.
Также пытаются найти «единый показатель» для оценки ИИ. Например, тест Тьюринга выясняет, способна ли программа мыслить «как человек», но напрямую не измеряет интеллект. Есть и бенчмарк ARC-AGI (ожидается выход ARC-AGI 2), где проверяется способность к абстракции. Недавно модель o3 от OpenAI удивила всех, набрав в нем 87,5%.
Строго определить интеллект сложно, а сознание — тем более отдельная трудная проблема. Некоторые считают сознание эпифеноменом или вычислимым процессом. Потому вопросы о природе интеллекта и сознания стоит обсуждать раздельно. Отчасти писал об этом в этом посте.
Безусловно, уже сейчас эти умные штуки превосходят нас в отдельных задачах и, вероятно, будут превосходить во многих других. Быть человеком в наш век — это быть носителем «морального» и социального интеллекта, ведь мы обучаем ИИ на собственных данных и разметке.
Мы уже аугментировали себя цифровым мозгом с помощью гугла, а теперь пришло время воспользоваться еще более мощным инструментом для более широкого спектра задач. Переход к человеко-машинной цивилизации неизбежен, однако вопрос о том, как именно биологический и цифровой интеллекты будут взаимодействовать друг с другом, остаётся открытым.
#мысли
Перспективный союз: почему ИИ и блокчейн нужны друг другу
В предыдущем посте я рассказывал про роль блокчейна в децентрализованном обучении ИИ. Однако есть еще несколько важных направлений, где на стыке ИИ и блокчейна возникает мощный синергетический эффект.
Борьба с фейками. Сегодня мир захлестывает волна синтетического контента и становится все сложнее отличить генерации от оригинала. Как не попасть в ловушку дипфейков?
Блокчейн предлагает один из способов проверки подлинности. Он использует распределенный реестр с криптографическими записями, временными метками и фиксацией первоисточника, которую невозможно подделать.
Важно понимать, что сам по себе блокчейн не определяет, был ли файл создан ИИ или обычной камерой (для этого нужны ИИ-детекторы), но он гарантирует, что уже записанные данные не могут быть изменены или удалены задним числом.
Прозрачность ИИ-агентов. «Рассуждающие» модели опираются не только на внутренние знания, но и на собственные «размышления». Если зафиксировать эти метаданные в блокчейне, разработчики ИИ-агентов смогут отслеживать логику принятия решений, выявлять ошибки и точнее дообучать модели. Это позволяет понять, по каким причинам тот или иной ИИ-агент пришел к определенному выводу в сложных роботизированных и IoT-системах.
Цифровая идентичность. Представьте, что у вас есть «цифровой двойник», который общается в сети от вашего имени, совершает транзакции и даже голосует в DAO. Чтобы такой агент не вышел из-под контроля, нужны четкие механизмы идентификации и ограничения прав — децентрализованная цифровая идентичность (DID). Вы указываете, где и как агент может действовать, а блокчейн подтверждает личность и сохраняет неизменность записей.
Интернет ончейн-агентов. В результате мы получаем целый «интернет агентов». Каждый пользователь создает ИИ-агента, обученного на собственных данных, и делегирует ему часть рутинных задач, а все действия фиксируются в распределенной сети.
В перспективе это приведет к созданию новой экономики интеллектуальных услуг. Пользователи будут отправлять запросы в сеть, а рой ИИ-агентов самостоятельно распределит задачи, выберет оптимальные методы и исполнителей, а затем выполнит работу.
Коллективная ответственность. Закрытые ИИ-модели напоминают «черный ящик», где все данные и алгоритмы контролирует одна корпорация. При децентрализованном обучении исходные данные распределены между участниками, и каждый может удостовериться в их подлинности. Ответственность за обучение делится между всеми, а не лежит на одном игроке.
Когда блокчейн-сеть использует вычислительные мощности не для поиска хешей, а для ИИ-задач, мы говорим о «майнинге вычислительных ресурсов». Это дает возможность тысячам частных узлов предоставить свои мощности для обучения ИИ и получать за это вознаграждение.
Думаю в ближайшее время появятся DAO для координации процесса обучения нейросетей. Они будут распределять вознаграждения и регулировать процесс на основе этических норм.
По-настоящему «умные» смарт-контракты. Сегодня смарт-контракты — это жестко прописанные правила, которые автоматически выполняются при соблюдении определенных условий.
Благодаря интеграции ИИ, можно анализировать данные в реальном времени, учитывать сложные факторы (рыночные условия, поведение пользователей, внешние события) и корректировать выполнение условий на лету.
Так появляются самообучающиеся смарт-контракты, которые повышают эффективность DeFi-протоколов, оптимизируют распределение ресурсов в DAO и автоматически выявляют подозрительные транзакции.
Синергия ИИ и блокчейна — это закономерный этап эволюции обеих технологий. Блокчейн обеспечивает прозрачность и безопасность, а ИИ дает возможность адаптивно управлять сетью и решать сложные задачи, ранее лежавшие на человеке.
В итоге мы получаем экосистему, в которой можно безопасно обучать модели, бороться с фейками в соцсетях и даже создавать ИИ-агентов, действующих от нашего имени.
При этом механизм коллективной ответственности подчеркивает важную мысль: «мы в ответе за тех ИИ-агентов, которых обучили».
#мысли
В предыдущем посте я рассказывал про роль блокчейна в децентрализованном обучении ИИ. Однако есть еще несколько важных направлений, где на стыке ИИ и блокчейна возникает мощный синергетический эффект.
Борьба с фейками. Сегодня мир захлестывает волна синтетического контента и становится все сложнее отличить генерации от оригинала. Как не попасть в ловушку дипфейков?
Блокчейн предлагает один из способов проверки подлинности. Он использует распределенный реестр с криптографическими записями, временными метками и фиксацией первоисточника, которую невозможно подделать.
Важно понимать, что сам по себе блокчейн не определяет, был ли файл создан ИИ или обычной камерой (для этого нужны ИИ-детекторы), но он гарантирует, что уже записанные данные не могут быть изменены или удалены задним числом.
Прозрачность ИИ-агентов. «Рассуждающие» модели опираются не только на внутренние знания, но и на собственные «размышления». Если зафиксировать эти метаданные в блокчейне, разработчики ИИ-агентов смогут отслеживать логику принятия решений, выявлять ошибки и точнее дообучать модели. Это позволяет понять, по каким причинам тот или иной ИИ-агент пришел к определенному выводу в сложных роботизированных и IoT-системах.
Цифровая идентичность. Представьте, что у вас есть «цифровой двойник», который общается в сети от вашего имени, совершает транзакции и даже голосует в DAO. Чтобы такой агент не вышел из-под контроля, нужны четкие механизмы идентификации и ограничения прав — децентрализованная цифровая идентичность (DID). Вы указываете, где и как агент может действовать, а блокчейн подтверждает личность и сохраняет неизменность записей.
Интернет ончейн-агентов. В результате мы получаем целый «интернет агентов». Каждый пользователь создает ИИ-агента, обученного на собственных данных, и делегирует ему часть рутинных задач, а все действия фиксируются в распределенной сети.
В перспективе это приведет к созданию новой экономики интеллектуальных услуг. Пользователи будут отправлять запросы в сеть, а рой ИИ-агентов самостоятельно распределит задачи, выберет оптимальные методы и исполнителей, а затем выполнит работу.
Коллективная ответственность. Закрытые ИИ-модели напоминают «черный ящик», где все данные и алгоритмы контролирует одна корпорация. При децентрализованном обучении исходные данные распределены между участниками, и каждый может удостовериться в их подлинности. Ответственность за обучение делится между всеми, а не лежит на одном игроке.
Когда блокчейн-сеть использует вычислительные мощности не для поиска хешей, а для ИИ-задач, мы говорим о «майнинге вычислительных ресурсов». Это дает возможность тысячам частных узлов предоставить свои мощности для обучения ИИ и получать за это вознаграждение.
Думаю в ближайшее время появятся DAO для координации процесса обучения нейросетей. Они будут распределять вознаграждения и регулировать процесс на основе этических норм.
По-настоящему «умные» смарт-контракты. Сегодня смарт-контракты — это жестко прописанные правила, которые автоматически выполняются при соблюдении определенных условий.
Благодаря интеграции ИИ, можно анализировать данные в реальном времени, учитывать сложные факторы (рыночные условия, поведение пользователей, внешние события) и корректировать выполнение условий на лету.
Так появляются самообучающиеся смарт-контракты, которые повышают эффективность DeFi-протоколов, оптимизируют распределение ресурсов в DAO и автоматически выявляют подозрительные транзакции.
Синергия ИИ и блокчейна — это закономерный этап эволюции обеих технологий. Блокчейн обеспечивает прозрачность и безопасность, а ИИ дает возможность адаптивно управлять сетью и решать сложные задачи, ранее лежавшие на человеке.
В итоге мы получаем экосистему, в которой можно безопасно обучать модели, бороться с фейками в соцсетях и даже создавать ИИ-агентов, действующих от нашего имени.
При этом механизм коллективной ответственности подчеркивает важную мысль: «мы в ответе за тех ИИ-агентов, которых обучили».
#мысли
Forbes
How AI And Blockchain Are Solving Each Other’s Biggest Challenges
Discover how AI and blockchain are joining forces to tackle challenges in transparency, scalability, and trust. Explore 3 projects leading decentralized AI innovation.
Почему мы не первые полетели в цифровой космос
Недавно руководитель агентства «Простыми словами» спросил меня: «Почему мы отстаем в гонке за ИИ»?
От западных компаний мы слышим о том, что вот-вот достигнем AGI, а скоро и суперинтеллекта. Конечно, есть те, кто говорит: «Сначала определитесь, что такое интеллект, а потом уже давайте громкие названия», и в этом есть доля правды. Но пора уже определить, что мы понимаем под интеллектом.
Мой путь в «машинном обучении» (ML) начался в 2012 году, когда я впервые услышал об этом термине на конференции Яндекса в Москве (тогда начался новый этап развития глубоких сетей). Будучи студентом Дальневосточного университета, я понял, что мои познания в математике и информатике могут помочь не только решать абстрактные задачи, но и прогнозировать болезни или предотвращать поломки самолетов. Так машинное обучение стало моим призванием.
Воодушевившись, я стал изучать зарубежную литературу, и добавил модуль на базе ML в курсовую работу по информационным системам. Во Владивостоке преподаватель впервые услышала об этом термине, у нас начался спор, и моя работа получила невысокий балл. К счастью, я учился не ради оценок, а в 2016 году, сдав идентичную работу в магистратуре ВШЭ в Москве, я получил высший балл и практику в SAP.
Тогда в Вышке утверждали, что «ИИ» – это маркетинг, и мы использовали термин «машинное обучение». Но уже через пару лет я стал аспирантом в департаменте анализа данных и «ИИ» (все таки маркетинг?) в ВШЭ. А окончательный переворот в терминологии произошел, когда в 2019-ом в Сбере мы запустили «ИИ-трансформацию» и увидели, какие колоссальные деньги экономит банк, решая задачи, которые раньше выполнял человек.
Понятие интеллекта все еще не определено, но все же можно сказать, что это способность системы решать задачи, используя внутреннюю модель мира. В языковых моделях язык и отражает «картину мира» (рекомендую к прочтению Витгенштейна), а с добавлением видео-модальности их уже официально называют «моделями мира».
Какая нам разница, что находится в «мозгу» у робота, если у него есть возможность совершить действия, способные навредить нам, основываясь на своей внутренней логике? Мы не можем четко прогнозировать поведение такой системы, т.к. она основывается не на детерминированных алгоритмах, а на внутренней обученной модели мира. Откуда нам знать на каких данных обучался этот робот?
Если так, то такого робота стоит воспринимать как интеллектуальную машину – когнитивную систему со всеми вытекающими особенностями, ведь в ее ядре находится модель мира, которая во многом англоязычная.
Сегодня при обучении русскоязычных моделей разработчики используют большой корпус англоязычных текстов. Для обучения русскоязычных моделей нужны качественные датасеты на русском, а контента в интернете значительно меньше, чем на английском. Здесь пригодится умение синтезировать новые данные.
Что касается вычислительных мощностей для обучения ИИ, то из-за санкций железа действительно не хватает, и все в той или иной мере зависят от Nvidia. Думаю, здесь может помочь децентрализованное обучение, в том числе на потребительских видеокартах.
Ну а новых кардинально революционных алгоритмов пока нет – есть «западный» трансформер, который работает на ура, его можно немного модифицировать и масштабировать.
Пусть мы не первые в ИИ-гонке, но рецепт для участия в ней прост: не нужно изобретать свой велосипед, нужно использовать лучшие международные практики и затачивать ИИ под решение прикладных задач, трансформируя компании и целые отрасли экономики.
Но следует принять простую идею: новая форма интеллекта уже здесь – пусть это и «перемножение матриц», и «оно работает не так, как человек», но оно действительно работает: обучается на наших данных и приносит пользу.
Уверен, рано или поздно эта идея получит более массовое принятие. А пока мы должны оставаться на передовой технологических прорывов, наблюдать за изменениями, рефлексировать и быстро адаптировать свою модель мира к постоянно меняющейся среде – ведь именно это и есть обучение собственного интеллекта.
#мысли
Недавно руководитель агентства «Простыми словами» спросил меня: «Почему мы отстаем в гонке за ИИ»?
От западных компаний мы слышим о том, что вот-вот достигнем AGI, а скоро и суперинтеллекта. Конечно, есть те, кто говорит: «Сначала определитесь, что такое интеллект, а потом уже давайте громкие названия», и в этом есть доля правды. Но пора уже определить, что мы понимаем под интеллектом.
Мой путь в «машинном обучении» (ML) начался в 2012 году, когда я впервые услышал об этом термине на конференции Яндекса в Москве (тогда начался новый этап развития глубоких сетей). Будучи студентом Дальневосточного университета, я понял, что мои познания в математике и информатике могут помочь не только решать абстрактные задачи, но и прогнозировать болезни или предотвращать поломки самолетов. Так машинное обучение стало моим призванием.
Воодушевившись, я стал изучать зарубежную литературу, и добавил модуль на базе ML в курсовую работу по информационным системам. Во Владивостоке преподаватель впервые услышала об этом термине, у нас начался спор, и моя работа получила невысокий балл. К счастью, я учился не ради оценок, а в 2016 году, сдав идентичную работу в магистратуре ВШЭ в Москве, я получил высший балл и практику в SAP.
Тогда в Вышке утверждали, что «ИИ» – это маркетинг, и мы использовали термин «машинное обучение». Но уже через пару лет я стал аспирантом в департаменте анализа данных и «ИИ» (все таки маркетинг?) в ВШЭ. А окончательный переворот в терминологии произошел, когда в 2019-ом в Сбере мы запустили «ИИ-трансформацию» и увидели, какие колоссальные деньги экономит банк, решая задачи, которые раньше выполнял человек.
Понятие интеллекта все еще не определено, но все же можно сказать, что это способность системы решать задачи, используя внутреннюю модель мира. В языковых моделях язык и отражает «картину мира» (рекомендую к прочтению Витгенштейна), а с добавлением видео-модальности их уже официально называют «моделями мира».
Какая нам разница, что находится в «мозгу» у робота, если у него есть возможность совершить действия, способные навредить нам, основываясь на своей внутренней логике? Мы не можем четко прогнозировать поведение такой системы, т.к. она основывается не на детерминированных алгоритмах, а на внутренней обученной модели мира. Откуда нам знать на каких данных обучался этот робот?
Если так, то такого робота стоит воспринимать как интеллектуальную машину – когнитивную систему со всеми вытекающими особенностями, ведь в ее ядре находится модель мира, которая во многом англоязычная.
Сегодня при обучении русскоязычных моделей разработчики используют большой корпус англоязычных текстов. Для обучения русскоязычных моделей нужны качественные датасеты на русском, а контента в интернете значительно меньше, чем на английском. Здесь пригодится умение синтезировать новые данные.
Что касается вычислительных мощностей для обучения ИИ, то из-за санкций железа действительно не хватает, и все в той или иной мере зависят от Nvidia. Думаю, здесь может помочь децентрализованное обучение, в том числе на потребительских видеокартах.
Ну а новых кардинально революционных алгоритмов пока нет – есть «западный» трансформер, который работает на ура, его можно немного модифицировать и масштабировать.
Пусть мы не первые в ИИ-гонке, но рецепт для участия в ней прост: не нужно изобретать свой велосипед, нужно использовать лучшие международные практики и затачивать ИИ под решение прикладных задач, трансформируя компании и целые отрасли экономики.
Но следует принять простую идею: новая форма интеллекта уже здесь – пусть это и «перемножение матриц», и «оно работает не так, как человек», но оно действительно работает: обучается на наших данных и приносит пользу.
Уверен, рано или поздно эта идея получит более массовое принятие. А пока мы должны оставаться на передовой технологических прорывов, наблюдать за изменениями, рефлексировать и быстро адаптировать свою модель мира к постоянно меняющейся среде – ведь именно это и есть обучение собственного интеллекта.
#мысли
ИИ-революция: как за 3 шага трансформировать сервисный бизнес в ИИ-продукт
Современный мир диктует новые правила игры: ИИ перестает быть лишь инструментом для автоматизации внутренних процессов, но позволяет сделать услуги доступнее.
Как сервисному бизнесу применить накопленный опыт и данные для превращения в продуктовую компанию?
1. Обучение сотрудников – база для будущих инноваций.
Сегодня специалисты различных областей активно осваивают ИИ-инструменты: по данным Coursera, спрос на курсы по ИИ вырос на 1100% за год.
Так SMM-специалисты используют ИИ для создания контента, разработчики внедряют инструменты типа Cursor, рекрутеры упрощают обработку резюме, а менеджеры по продажам анализируют диалоги с клиентами.
Около 62% работодателей считают базовые навыки в ИИ обязательными для сотрудников, а 22% рекрутеров обновили описания вакансий с акцентом на эти навыки.
Сегодня каждый должен внедрять ИИ в свою работу, чтобы повысить свою ценность на рынке и выполнять задачи быстрее и качественнее конкурентов.
Если вы фрилансите – берите больше заказов, если работаете в корпорации – будет больше времени для личной жизни.
Если вы предприниматель, внедрение ИИ во все функции компании – от разработки до маркетинга – приведет к росту метрик, от ускорения разработки до увеличения продаж.
Для обучения сотрудников пригодятся онлайн-курсы, готовые ИИ-продукты, буткемпы или привлечение ИИ-консультантов.
Но специалисты также должны адаптировать свои навыки к новым реалиям, постоянно самообучаться и применять новые знания на практике - это обоюдный процесс.
2. Аугментация процессов – от ручного труда к управлению ИИ-сотрудниками.
Этот этап предполагает не замену, а усиление возможностей сотрудников, превращая их в менеджеров ИИ-сотрудников (или операторов ИИ-систем).
Они берут на себя ответственность за автоматизацию и контроль ключевых бизнес-процессов, а также за разметку данных для обучения ИИ.
Для этого компании создают внутренние ИИ-платформы, ускоряющие рабочие процессы.
Разработайте стратегию ИИ-трансформации: смоделируйте ключевые бизнес-процессы, установите их метрики и отранжируйте самые ресурсоемкие операции, оптимальные для автоматизации с помощью ИИ.
Используйте инструменты вроде Langchain / Langgraph, CrewAI или n8n (без кода) для создания ИИ-сотрудников.
На этом этапе эксперты размечают работу ИИ-сотрудников, что позволяет дообучать модели под специфические задачи и создавать вертикальные решения.
Например, в юридической сфере ИИ способен автоматизировать заполнение различных форм, освобождая юристов от рутинных задач.
А Amazon, внедрив ИИ в процессы разработки, сумела сэкономить свыше 4500 лет работы – 79% сгенерированного кода было принято без изменений.
3. Упаковка внутреннего ИИ и выпуск продукта на рынок.
В результате у компании появляются собственные модели, способные решать специализированные задачи лучше, чем ChatGPT или DeepSeek.
Данные, на которых обучают ИИ, становятся «новой нефтью» – стратегическим технологическим преимуществом.
Таким образом, сервисные компании могут предлагать услуги ИИ-сотрудника напрямую клиенту, сильно снизив затраты.
Индустрия вертикальных ИИ-решений оценивается свыше $300 млрд, но несмотря на существование продуктов вроде Replit, ни одно решение пока не способно полностью заменить человеческий труд.
Так, бенчмарк SWE-Lancer, включающий 1 488 реальных задач с платформы Upwork с общим объемом выплат в $1 млн, показывает, что только модель Claude 3.5 смогла заработать $403 000, но ни одна модель не решает все задачи.
Интересная бизнес-модель: Rocketable покупают компании по разработке ПО с годовой выручкой не менее $100 тыс и заменяют сотрудников на ИИ.
Если вы предприниматель и еще не внедрили ИИ в свои процессы, то это нужно было сделать еще вчера, ведь конкуренты уже обучают внутренний ИИ на данных своих сотрудников и планируют трансформацию в продуктовую компанию.
А тот, кто сможет автоматизировать создание ИИ-сотрудников, окажется на вершине эволюционной цепочки – это возможность на триллион, способная трансформировать целые секторы экономики.
#мысли
Современный мир диктует новые правила игры: ИИ перестает быть лишь инструментом для автоматизации внутренних процессов, но позволяет сделать услуги доступнее.
Как сервисному бизнесу применить накопленный опыт и данные для превращения в продуктовую компанию?
1. Обучение сотрудников – база для будущих инноваций.
Сегодня специалисты различных областей активно осваивают ИИ-инструменты: по данным Coursera, спрос на курсы по ИИ вырос на 1100% за год.
Так SMM-специалисты используют ИИ для создания контента, разработчики внедряют инструменты типа Cursor, рекрутеры упрощают обработку резюме, а менеджеры по продажам анализируют диалоги с клиентами.
Около 62% работодателей считают базовые навыки в ИИ обязательными для сотрудников, а 22% рекрутеров обновили описания вакансий с акцентом на эти навыки.
Сегодня каждый должен внедрять ИИ в свою работу, чтобы повысить свою ценность на рынке и выполнять задачи быстрее и качественнее конкурентов.
Если вы фрилансите – берите больше заказов, если работаете в корпорации – будет больше времени для личной жизни.
Если вы предприниматель, внедрение ИИ во все функции компании – от разработки до маркетинга – приведет к росту метрик, от ускорения разработки до увеличения продаж.
Для обучения сотрудников пригодятся онлайн-курсы, готовые ИИ-продукты, буткемпы или привлечение ИИ-консультантов.
Но специалисты также должны адаптировать свои навыки к новым реалиям, постоянно самообучаться и применять новые знания на практике - это обоюдный процесс.
2. Аугментация процессов – от ручного труда к управлению ИИ-сотрудниками.
Этот этап предполагает не замену, а усиление возможностей сотрудников, превращая их в менеджеров ИИ-сотрудников (или операторов ИИ-систем).
Они берут на себя ответственность за автоматизацию и контроль ключевых бизнес-процессов, а также за разметку данных для обучения ИИ.
Для этого компании создают внутренние ИИ-платформы, ускоряющие рабочие процессы.
Разработайте стратегию ИИ-трансформации: смоделируйте ключевые бизнес-процессы, установите их метрики и отранжируйте самые ресурсоемкие операции, оптимальные для автоматизации с помощью ИИ.
Используйте инструменты вроде Langchain / Langgraph, CrewAI или n8n (без кода) для создания ИИ-сотрудников.
На этом этапе эксперты размечают работу ИИ-сотрудников, что позволяет дообучать модели под специфические задачи и создавать вертикальные решения.
Например, в юридической сфере ИИ способен автоматизировать заполнение различных форм, освобождая юристов от рутинных задач.
А Amazon, внедрив ИИ в процессы разработки, сумела сэкономить свыше 4500 лет работы – 79% сгенерированного кода было принято без изменений.
3. Упаковка внутреннего ИИ и выпуск продукта на рынок.
В результате у компании появляются собственные модели, способные решать специализированные задачи лучше, чем ChatGPT или DeepSeek.
Данные, на которых обучают ИИ, становятся «новой нефтью» – стратегическим технологическим преимуществом.
Таким образом, сервисные компании могут предлагать услуги ИИ-сотрудника напрямую клиенту, сильно снизив затраты.
Индустрия вертикальных ИИ-решений оценивается свыше $300 млрд, но несмотря на существование продуктов вроде Replit, ни одно решение пока не способно полностью заменить человеческий труд.
Так, бенчмарк SWE-Lancer, включающий 1 488 реальных задач с платформы Upwork с общим объемом выплат в $1 млн, показывает, что только модель Claude 3.5 смогла заработать $403 000, но ни одна модель не решает все задачи.
Интересная бизнес-модель: Rocketable покупают компании по разработке ПО с годовой выручкой не менее $100 тыс и заменяют сотрудников на ИИ.
Если вы предприниматель и еще не внедрили ИИ в свои процессы, то это нужно было сделать еще вчера, ведь конкуренты уже обучают внутренний ИИ на данных своих сотрудников и планируют трансформацию в продуктовую компанию.
А тот, кто сможет автоматизировать создание ИИ-сотрудников, окажется на вершине эволюционной цепочки – это возможность на триллион, способная трансформировать целые секторы экономики.
#мысли
Как учиться в два раза быстрее, чтобы просто оставаться на месте
Меня часто спрашивают, что сейчас лучше изучать, чтобы быть востребованным. Но сегодня скорость появления технологий невероятно высока. Кажется вопрос нужно поставить по-другому: как успевать ориентироваться в этом потоке информации, учиться новому и сразу применять полученные знания на практике?
Расскажу свою историю. В детстве дед внушил мне идею, что люди начинают умирать тогда, когда перестают учиться. Поэтому учеба для меня стала делом выживания, но давалась легко: чтобы быть отличником, я мог даже не стараться, а реальный интерес был только к олимпиадам.
После школы я проучился в универе 10 лет, пройдя аспирантуру на ФКН Вышки. Именно тогда стало по-настоящему интересно: у меня появилась тема исследования (методы автоматического машинного обучения, AutoML) и специализированная программа, идеально подходящая под мое направление.
Каждую неделю выходило несколько статей по моей теме, и мне приходилось читать их вечером после работы. Позже я применял новые знания на практике: например, автоматизировал выявление признаков у моделей в стратегическом департаменте Сбера, это улучшило их объяснимость и позволило экспертам принимать более обоснованные решения.
Что касается преподавания, то я проводил семинары по машинному обучению, но быстро понял, что это не мое. На занятиях по педагогике нужно было честно сформулировать свою мотивацию, и у меня она оказалась простой: систематизировать собственные знания, чтобы эффективнее использовать их на практике. «Мучать» студентов для этого не обязательно.
Хотя теперь я не учусь в универе, но продолжать учиться все равно нужно. Однако если раньше мне хватало читать десяток статей в неделю, то сегодня приходится читать десяток статей в день, чтобы оставаться в контексте.
Если вы сотрудник корпорации, то наверняка у вас есть внутренние курсы: компании заинтересованы в том, чтобы сотрудники поддерживали необходимый уровень знаний. Но что делать, если вы не сотрудник корпорации, и все равно хотите учиться, обязательно ли за это платить? Я, например, никогда не платил за обучение (победителей олимпиад зачисляли на бюджет) и далее не собираюсь.
Сейчас у меня своя компания по разработке ИИ-агентов для стартапов и корпораций. Приходится постоянно осваивать новые методы и инструменты, и в этом помогает ИИ. Каждый день с утра я просматриваю выжимки из последних научных работ из Hugging Face, которые готовит специальный бот, отмечаю самые интересные материалы и затем углубляюсь в детали. Тут ИИ помогает понять суть работы и методы более детально, а иногда я делаю обзоры на самые любопытные исследования.
Учиться новым инструментам удобно по роликам на YouTube — они выходят быстрее, чем полноценные курсы, и от них проще оттолкнуться, чтобы сразу начать применять полученные знания на практике. Обычно я прошу ИИ сгенерировать краткий текстовый конспект по видео. После этого начинаю использовать инструмент в реальных задачах, читаю документацию, разумеется, тоже с помощью ИИ.
Так, работая над одним проектом, я освоил LangChain. Но спустя пару месяцев появился новый фреймворк — LangGraph, а потом CrewAI и n8n. Инструменты развиваются, освобождая разработчиков от рутинного кодинга и превращая процесс в проектирование «когнитивных архитектур» ИИ-агентов. Чтобы не отстать, приходится постоянно «догонять» этот технологический локомотив.
Недавно услышал про стартап, который прошел в последний набор YC: он формирует программу курса из роликов на YouTube. Генерировать действительно персонализированные уроки сегодня дорого, но подобрать готовые материалы — вполне реально. Думаю, такой «инфоцыган на максималках» может действительно сделать курсы доступнее и индивидуальнее.
В нашей сфере приходится не только ежедневно поглощать огромный объем информации, но и осмыслять его, а затем применять на практике. А если вы еще и руководитель, то приходится учиться не только самому, но и развивать команду. Поскольку я не лучший преподаватель, то предпочитаю и этот процесс делегировать ИИ.
#мысли
Меня часто спрашивают, что сейчас лучше изучать, чтобы быть востребованным. Но сегодня скорость появления технологий невероятно высока. Кажется вопрос нужно поставить по-другому: как успевать ориентироваться в этом потоке информации, учиться новому и сразу применять полученные знания на практике?
Расскажу свою историю. В детстве дед внушил мне идею, что люди начинают умирать тогда, когда перестают учиться. Поэтому учеба для меня стала делом выживания, но давалась легко: чтобы быть отличником, я мог даже не стараться, а реальный интерес был только к олимпиадам.
После школы я проучился в универе 10 лет, пройдя аспирантуру на ФКН Вышки. Именно тогда стало по-настоящему интересно: у меня появилась тема исследования (методы автоматического машинного обучения, AutoML) и специализированная программа, идеально подходящая под мое направление.
Каждую неделю выходило несколько статей по моей теме, и мне приходилось читать их вечером после работы. Позже я применял новые знания на практике: например, автоматизировал выявление признаков у моделей в стратегическом департаменте Сбера, это улучшило их объяснимость и позволило экспертам принимать более обоснованные решения.
Что касается преподавания, то я проводил семинары по машинному обучению, но быстро понял, что это не мое. На занятиях по педагогике нужно было честно сформулировать свою мотивацию, и у меня она оказалась простой: систематизировать собственные знания, чтобы эффективнее использовать их на практике. «Мучать» студентов для этого не обязательно.
Хотя теперь я не учусь в универе, но продолжать учиться все равно нужно. Однако если раньше мне хватало читать десяток статей в неделю, то сегодня приходится читать десяток статей в день, чтобы оставаться в контексте.
Если вы сотрудник корпорации, то наверняка у вас есть внутренние курсы: компании заинтересованы в том, чтобы сотрудники поддерживали необходимый уровень знаний. Но что делать, если вы не сотрудник корпорации, и все равно хотите учиться, обязательно ли за это платить? Я, например, никогда не платил за обучение (победителей олимпиад зачисляли на бюджет) и далее не собираюсь.
Сейчас у меня своя компания по разработке ИИ-агентов для стартапов и корпораций. Приходится постоянно осваивать новые методы и инструменты, и в этом помогает ИИ. Каждый день с утра я просматриваю выжимки из последних научных работ из Hugging Face, которые готовит специальный бот, отмечаю самые интересные материалы и затем углубляюсь в детали. Тут ИИ помогает понять суть работы и методы более детально, а иногда я делаю обзоры на самые любопытные исследования.
Учиться новым инструментам удобно по роликам на YouTube — они выходят быстрее, чем полноценные курсы, и от них проще оттолкнуться, чтобы сразу начать применять полученные знания на практике. Обычно я прошу ИИ сгенерировать краткий текстовый конспект по видео. После этого начинаю использовать инструмент в реальных задачах, читаю документацию, разумеется, тоже с помощью ИИ.
Так, работая над одним проектом, я освоил LangChain. Но спустя пару месяцев появился новый фреймворк — LangGraph, а потом CrewAI и n8n. Инструменты развиваются, освобождая разработчиков от рутинного кодинга и превращая процесс в проектирование «когнитивных архитектур» ИИ-агентов. Чтобы не отстать, приходится постоянно «догонять» этот технологический локомотив.
Недавно услышал про стартап, который прошел в последний набор YC: он формирует программу курса из роликов на YouTube. Генерировать действительно персонализированные уроки сегодня дорого, но подобрать готовые материалы — вполне реально. Думаю, такой «инфоцыган на максималках» может действительно сделать курсы доступнее и индивидуальнее.
В нашей сфере приходится не только ежедневно поглощать огромный объем информации, но и осмыслять его, а затем применять на практике. А если вы еще и руководитель, то приходится учиться не только самому, но и развивать команду. Поскольку я не лучший преподаватель, то предпочитаю и этот процесс делегировать ИИ.
#мысли