Почему нынешняя архитектура искусственного интеллекта может оказаться тупиковой

Несмотря на впечатляющий прогресс нейросетей, все больше специалистов задаются вопросом: действительно ли современный искусственный интеллект развивается в правильном направлении? Возможно, следующий технологический скачок потребует не более мощных видеокарт, а совершенно иных принципов построения вычислительных систем.

Больше вычислений — не всегда лучше

За последние годы искусственный интеллект совершил настоящий рывок. Модели научились писать тексты, создавать изображения, анализировать данные и решать задачи, которые еще недавно казались недостижимыми. Однако если присмотреться внимательнее, становится заметно, что этот прогресс в основном основан на одном и том же подходе: увеличении размеров моделей, объемов данных и вычислительных мощностей.

Фактически отрасль продолжает развивать существующую архитектуру, делая ее масштабнее и производительнее. Это скорее последовательная эволюция уже известных технологий, чем переход к принципиально новой системе вычислений.

Мозг остается непревзойденным примером эффективности

Особенно заметным контраст становится при сравнении современных нейросетей с человеческим мозгом. Биологическая нервная система обходится примерно 20 ваттами энергии, тогда как обучение и работа передовых моделей требуют целых дата-центров, тысяч графических ускорителей и огромных объемов электроэнергии.

Такое различие заставляет задуматься: если природа смогла создать настолько энергоэффективную систему, почему современные компьютеры вынуждены расходовать несоизмеримо больше ресурсов, чтобы приблизиться к похожим возможностям?

Мозг не использует все ресурсы одновременно

Одной из причин высокой эффективности мозга считается его принцип работы. Во время выполнения конкретной задачи активируются лишь те области, которые действительно необходимы в данный момент. Остальная часть системы не тратит энергию без необходимости.

Подобное распределение нагрузки позволяет выполнять сложнейшие процессы, не задействуя одновременно весь доступный вычислительный потенциал.

При этом мозг использует не только электрические сигналы. Огромную роль играют сложные химические процессы, благодаря которым нейронные связи постоянно изменяются и адаптируются. Несмотря на относительно невысокую скорость передачи сигналов между нейронами по сравнению с современной электроникой, такая организация оказывается исключительно эффективной при решении интеллектуальных задач.

Память и вычисления работают как единое целое

Еще одна особенность биологического интеллекта заключается в том, что память практически невозможно отделить от вычислений. Информация хранится непосредственно в сети нейронов и синапсов, а сами связи непрерывно изменяются в процессе работы.

Иначе говоря, мозг одновременно хранит информацию, обрабатывает ее и продолжает обучаться.

Современные системы искусственного интеллекта устроены иначе. Во время выполнения запроса модель в основном использует заранее обученные веса. Само обучение происходит отдельно — на другом этапе, на других вычислительных ресурсах и зачастую на совершенно иных объемах данных.

Получается, что память и вычисления существуют как два независимых процесса, что неизбежно увеличивает сложность всей системы.

Где теряется энергия современных ИИ-систем

Значительная часть ресурсов современных вычислительных комплексов расходуется вовсе не на сами вычисления. Большие затраты возникают из-за постоянного обмена данными между памятью и вычислительными устройствами, а также необходимости отдельно выполнять процесс обучения моделей.

Передача огромных массивов информации между различными компонентами компьютера становится одним из факторов, ограничивающих эффективность существующей архитектуры.

Следующий этап может начаться с новой аппаратной архитектуры

Именно поэтому многие рассматривают возможность совершенно другого пути развития искусственного интеллекта. Если память и вычисления будут объединены в единый механизм по аналогии с человеческим мозгом, необходимость постоянно перемещать данные между отдельными устройствами значительно сократится.

Подобный подход потенциально способен многократно повысить энергоэффективность вычислительных систем и изменить сам принцип работы будущих моделей.

В этом случае развитие искусственного интеллекта будет происходить не за счет бесконечного увеличения числа параметров и вычислительной мощности, а благодаря смене фундаментальной архитектуры компьютеров.

Гибкость мозга — не только в вычислениях

Интересной особенностью человеческого мозга остается его способность постоянно изменять собственную структуру. Одни нейронные связи усиливаются, другие постепенно ослабевают, а новые соединения возникают на протяжении всей жизни.

Иногда именно такие нестандартные перестройки приводят к появлению неожиданных идей и оригинальных решений. Конечно, это не означает, что любые случайные изменения полезны сами по себе, однако сама биологическая система не является абсолютно неизменной и детерминированной.

Возможно, именно возможность физически перестраивать собственную структуру прямо в процессе работы и обеспечивает человеческому интеллекту ту гибкость, которую современные алгоритмы пока не способны воспроизвести.

Первый этап развития, а не конечная точка

Современный искусственный интеллект уже изменил множество отраслей и научился выполнять задачи, которые еще несколько лет назад выглядели фантастикой. Но это вовсе не означает, что нынешняя архитектура станет финальной стадией развития технологии.

Не исключено, что настоящий прорыв произойдет лишь тогда, когда исследователи предложат совершенно новые способы хранения, обработки и изменения информации, более близкие к принципам работы человеческого мозга.

В таком случае следующий большой скачок в развитии ИИ может быть связан вовсе не с моделями, содержащими триллионы параметров, а с появлением принципиально новой вычислительной архитектуры, которая изменит само представление о том, как должна работать интеллектуальная машина.