Нейромодели
догоняют человека,
обгоняют мозг
и проникают в живую клетку.
Последний месяц года ознаменовался множеством славных событий в научном мире. Человеку, не связанному с научной деятельностью, большая часть из них мало что может сказать о грандиозности открываемых ими перспектив, однако есть ниша, за которой с любопытством следят даже обыватели: это искусственные нейросети. Так случилось, что в последнюю декаду декабря широким массам представлены сразу несколько интереснейших прорывов в этой области. Мы выделили три из них, как наиболее интригующие и значимые.
Перцептейн: ИИ в живой клетке.
Международная команда специалистов из китайского университета Уэстлейк и Калифорнийского технологического института разработала систему, которая может обрабатывать несколько сигналов и принимать решения на их основе. Особенность её, в том, что она построена на белках и способна проводить вычисления внутри живых клеток.
Собственно, об этом же говорит её название — «перцептейн», — состоящее из двух наименований: перцептрона как базовой концепции искусственной нейросети для решения задач бинарной классификации, и протеина (белка).
Попытки воспроизвести в искусственных системах внутриклеточный процесс принятия решений предпринимаются уже давно. Большинство из них основаны на ДНК или РНК, что сказывается на замедлении вычислений и снижении их эффективности. Теперь же получилось обойти существующие ограничения, объединив концепции теории нейросетей с биоинженерией, именно благодаря использованию другого подхода. Ключевое достижение учёных в том, что им удалось создать вычислительный классификатор, способный проводить операции на уровне белка.
В исследовании «Синтетическая нейронная сеть на уровне белков в клетках млекопитающих», опубликованном в Science, исследователи показали, что схемы разработки могут различать входные сигналы с настраиваемыми границами принятия решений. Более того, наличие и интенсивность флуоресценции определённых соединений даёт возможность оценивать активность работы участка схемы и визуально, и количественно. То есть принятие решений внутри клетки можно даже отслеживать (in vitro, конечно).
Это открытие сулит нам новые методы лечения. Представьте: пациенту вводят адаптированные под его физические особенности и заболевание клетки, которые будут реагировать на специфические сигналы и выполнять строго определённые функции. Риски случайных взаимодействий такого «информационного биолекарства» по сравнению со средствами фармацевтики снижается многократно, а точность возрастает в разы.
Лазерный нейрон быстрее живого.
Назвать это открытие революцией можно без каких бы то ни было натяжек: появился искусственный нейрон, имитирующий работу биологического, но быстрее природного аналога почти в миллиард раз. Он обрабатывает данные со скоростью 10 гигабит/секунду (или, как говорят исследователи в статье — 10 гигабод). Для наглядности: обработка сведений о 100 миллионах сердечных сокращений заняла всего за одну секунду, также как и распознавание 34 700 000 рукописных цифр из объёмной базы MNIST, сделанных разными почерками. При этом сохраняется высокая точность классификации.
Чтобы обойти ограничения фотонных импульсных нейронов, коих сегодня используется большинство, исследователи Китайского университета Гонконга разработали совершенно другую методику, позволившую избежать присущих предшественникам задержек. В результате появилась система резервуарных вычислений на основе лазера.
Для своего нейрона с лазерной настройкой исследователи использовали подачу радиочастотных сигналов в элемент квантово-точечного лазера с насыщаемым поглощением, что позволило добиться колоссального ускорения, упростить всю систему и значительно увеличить её энергоэффективность. Теперь авторы свой нейрон считают идеальным для высокоскоростных вычислений. Разработка демонстрирует превосходное распознавание образов и прогнозирование последовательностей, особенно в долгосрочных прогнозах.
«Обладая мощными эффектами запоминания и превосходными возможностями обработки информации, один нейрон с лазерной обработкой может вести себя как небольшая нейронная сеть, — заявляет руководитель исследовательской группы Чаоран Хуан. — Таким образом, даже один нейрон с лазерной обработкой без дополнительных сложных соединений может выполнять задачи машинного обучения с высокой производительностью».
Догнать человека.
20 декабря новая модель искусственного интеллекта o3, разработанная OpenAI, показала сопоставимые с человеческими результаты в тесте, созданном для измерения так называемого общего интеллекта. Она набрала 85% баллов в тесте ARC-AGI («Абстрактное и логическое основание для искусственного общего интеллекта») — эталоне для измерения эффективности приобретения ИИ навыков в решении неизвестных задач.
«Новая система OpenAI o3, обученная на общедоступном наборе данных ARC-AGI-1, показала прорывной результат 75,7% на наборе данных Semi-Private Evaluation при заявленном нами ограничении вычислительных ресурсов в 10 тысяч долларов, — пишет Франсуа Шолле, автор этого теста, в своей статье. —Конфигурация o3 с большим количеством вычислительных ресурсов (172x) показала результат 87,5%».
Да, эти результаты значительно выше предыдущего рекорда, но важнее то, что они соответствуют средним показателям человека — тем самым 85%. Помимо этих заданий, o3 также хорошо справилась с очень сложным математическим тестом.
Все крупные исследовательские лаборатории в области ИИ стремятся к созданию искусственного общего интеллекта (он же — AGI). На сегодня это основная цель всей отрасли, и команда OpenAI, похоже, значительно приблизилась к цели. Однако общий интеллект — слишком сложное понятие, и для понимания он пока лишь немногим проще сознания. Поэтому среди исследователей и разработчиков преобладает некоторый скептицизм. Тем не менее, многим кажется, будто что-то уже изменилось, и перспектива создания общего ИИ теперь выглядит более реальной, чем ещё вчера. Но «кажется» — категория неисчислимая, а нам нужно бы знать наверняка чего мы можем ожидать от столь искусной машины: будет это, условно говоря, какая-то Кристина или Бамблби? В общем, насколько учёные правы в своём «кажется»?
С технической точки зрения тест является проверкой «эффективности выборки» интеллектуальной системы во время адаптации к чему-то новому. Фактически это означает количество изучаемых примеров, необходимое ИИ для выведения закономерностей работы этих примеров. Например, ChatGPT (GPT-4), не очень эффективен в этом задании. Он был «обучен» на миллионах примеров человеческого текста, создавая вероятностные «правила» о том, какие комбинации слов наиболее часто встречаются. Объём данных — его слабое место. Он результативен для многих задач, и множество людей по всему миру используют его очень интенсивно, однако в решении необычных задач он почти бессилен — и как раз потому, что у него мало обучающих сведений. Поэтому, в пору «голода данных», такие системы ИИ упираются в потолок своих возможностей.
Способность точно решать ранее неизвестные или новые задачи на основе ограниченных выборок данных известна как способность к обобщению. Она считается необходимым и даже фундаментальным элементом интеллекта. Тест ARC-AGI проверяет эффективную адаптацию образца, используя небольшие задачи. В них ИИ должен из трёх примеров парных изображений вычислить шаблон, который позволит вывести в четвёртой паре правое изображение из левого.
Итак, о3 это сделал, сравнялся с человеком. Мы не знаем точно, как именно OpenAI этого добился (компания не предоставила практически никаких данных об этом), но результаты показывают, что новая модель легко адаптируется, находя обобщающие правила для всего нескольких примеров. Это говорит о том, что она либо не делает лишних предположений, либо отметает их.
Некоторые учёные считают, что оптимизация системы o3 для поиска тупиковых и главных версий маловероятна. Тем не менее, для успешного выполнения задач ARC-AGI, нейромодель всё-таки должна уметь их находить. Так, тот же Франсуа Шолле полагает, что o3 пользуется эвристикой по примеру AlphaGo. Тем не менее, никакие предположения о методах достижения такого результата не дают ответ на самый важный вопрос: действительно ли это ближе к общему ИИ?
Ответа пока нет. Это покажет только опыт использования нейромодели.
Если окажется, что новая версия ИИ действительно делает то, что показали тесты ARC-AGI, мы вступим в новую эру самосовершенствующегося ускоренного интеллекта. Потребуется серьёзное рассмотрение вопросов, связанных с управлением AGI, с регулированием гражданских и международных прав и свобод и экономических интересов. Это может начать новую эпоху.
Если же универсальная модель окажется не столь хороша, то приведённые результаты всё равно останутся впечатляющими. Да, повседневная жизнь практически не изменится, перспективы останутся перспективами, зато будет время проработать упреждающие решения, поскольку, как известно, прогресс не стоит на месте, и эра общего искусственного интеллекта хоть когда-нибудь, да наступит.
Это значит «лучшее, конечно, впереди». Нас ждёт ИИ... мало того что быстрее мозга, так ещё и «понимающий» (и в чём-то даже… живой?). И это далеко не верхушка айсберга, а только намёк на неё — новости из мира нейротехнологий прибывают ежедневно, имя им — легион, так что...
С наступающим будущим нас!
По материалам АРМК.