Ян ЛеКун: ШІ не розуміє світ, але скоро це зміниться

Щодо свідомості, то, на думку вченого, ми досі не маємо чіткого визначення цього поняття. Неможливо виміряти те, що ми не можемо визначити, а отже, питання про свідомість ШІ залишається суто філософським.

Три парадигми навчання та їхні реальні обмеження

Щоб зрозуміти, чому сучасний ШІ має такі обмеження, потрібно розглянути три основні парадигми машинного навчання.

Навчання з учителем — це найпоширеніший метод, коли система отримує готові відповіді. Вона бачить тисячі зображень із підписом «стіл» і вчиться розпізнавати столи. Це ефективно для багатьох завдань, але вимагає величезних обсягів розмічених даних.

Навчання з підкріпленням — це метод спроб і помилок, коли за правильні дії система отримує винагороду, а за неправильні — покарання. Це працює для навчання гри в шахи, де кількість можливих ходів обмежена, але абсолютно непрактично для реального світу. Щоб навчити автомобіль самостійно їздити, йому довелося б пережити мільйони «аварій» у віртуальному чи реальному світі, що є неприйнятним.

Навчання із самоконтролем — найпрогресивніший метод. Він лежить в основі мовних моделей, які вчаться передбачати наступні слова в реченнях. Цей підхід чудово працює з мовою, оскільки вона дискретна, але не підходить для навчання в реальному світі.

Практичний висновок: подолання парадоксу Моравека

Ян ЛеКун наголошує на парадоксі Моравека, що пояснює найбільшу проблему ШІ: машини легко вирішують складні математичні задачі, але не можуть виконати прості фізичні дії, з якими справляється навіть кішка.

Цей парадокс є ключовим для розуміння того, чому ми досі не маємо повністю автономних автомобілів. За словами ЛеКуна, обсяг текстових даних, на яких тренується ШІ, величезний, але обсяг сенсорних даних (візуальних, тактильних), які дитина отримує за перші чотири роки життя, ще більший і значно багатший. Саме тому Ілон Маск, який протягом останніх восьми років постійно обіцяє, що Tesla досягне п'ятого рівня автономності вже «наступного року», щоразу помиляється.

Рекомендації для розробників і компаній:

Відкрите майбутнє: колаборація та прикладні кейси

За словами Яна ЛеКуна, наступне десятиліття стане «десятиліттям робототехніки». Прогрес у сфері ШІ дозволить створити роботів, здатних не просто виконувати запрограмовані дії, а адаптуватися до непередбачуваних умов.

Для прискорення цього процесу вчений рішуче підтримує відкриті дослідження та відкрите програмне забезпечення. Приклад PyTorch, що використовується 70% світової індустрії ШІ, доводить, що спільна робота приносить набагато більше результатів, ніж закриті розробки.

Практичний приклад: ЛеКун, як член ради директорів, підтримує нью-йоркський стартап, що використовує ШІ для діагностики раку молочної залози. За його словами, медичні застосунки глибокого навчання є надзвичайно перспективними. Компанія, яку заснував його колишній колега, працює над системою, що не лише діагностує, а й допомагає розробляти стратегію лікування, використовуючи зображення та інші медичні дані. Це демонструє, як ШІ може приносити реальну користь уже сьогодні.

Проривна архітектура JEPA: шлях до справжнього інтелекту

Щоб подолати обмеження навчання із самоконтролем, Ян ЛеКун та його команда працюють над новою архітектурою під назвою JEPA (Joint Embedding Predictive Architecture). Її не слід розглядати як заміну мовним моделям, а як спосіб навчити ШІ розуміти відео, звук та інші фізичні дані.

Сучасні моделі намагаються передбачити кожен піксель у наступному кадрі відео, що є неможливим через нескінченну кількість деталей. Натомість, JEPA вчиться створювати абстрактне уявлення про дані та робити передбачення в цьому абстрактному просторі. Завдяки цьому модель фокусується на найважливіших аспектах, не звертаючи уваги на другорядні. Це дозволить ШІ розвинути інтуїтивне розуміння фізики, подібно до того, як це відбувається у людського мозку. Саме цей прорив, на думку ЛеКуна, відкриє шлях до створення повноцінного інтелекту, що не лише генерує текст, а й по-справжньому розуміє навколишній світ.