Это соблазнительное отвлечение от достижений в области искусственного интеллекта, которые, скорее всего, улучшат или даже спасут вашу жизнь.
28 апреля 2022 года на долгожданном концерте в Спокане, штат Вашингтон, музыкант Пол Маккартни поразил публику новаторским применением искусственного интеллекта: он начал выступление с реалистичным изображением своего давно покойного музыкального партнера Джона Леннона.
Используя последние достижения в области обработки аудио и видео, инженеры взяли последнее выступление дуэта (Лондон, 1969), выделили голос и изображение Леннона из оригинального микса и восстановили их с реалистичной четкостью.
Эта статья является частью серии публикаций MIT Technology Review под названием «Коррекция ажиотажа» , которая призвана переосмыслить представления об искусственном интеллекте, его возможностях и направлениях нашего дальнейшего развития.
Годами исследователи, подобные мне, обучали машины «видеть» и «слышать», чтобы сделать этот момент возможным. Когда Маккартни и Леннон, казалось, воссоединились сквозь время и пространство, в зале воцарилась тишина; многие в толпе начали плакать. Как учёный, занимающийся искусственным интеллектом, и давний поклонник «Битлз», я испытывал глубокую благодарность за то, что мы смогли стать свидетелями этого поистине судьбоносного момента.
Позже в том же году мир был захвачен еще одним крупным прорывом: общением с помощью ИИ. Впервые в истории системы, способные генерировать новые, контекстно релевантные комментарии в режиме реального времени практически на любую тему, стали широко доступны благодаря выпуску ChatGPT. Миллиарды людей внезапно получили возможность взаимодействовать с ИИ. Это разожгло воображение общественности относительно того, каким может быть ИИ, вызвав взрыв творческих идей, надежд и опасений.
Получив докторскую степень в области генерации языка с помощью ИИ (долгое время считавшейся узкоспециализированной областью), я был в восторге от того, как далеко мы продвинулись. Но мой восторг был сопоставим с растущим негодованием по поводу потока заявлений в СМИ и самопровозглашенных экспертов, настаивающих на том, что генеративный ИИ может делать то, чего он просто не может, и предупреждающих, что любой, кто не примет его на вооружение, останется позади.
Связанная статья
Подобный ажиотаж породил множество заблуждений относительно того, что такое ИИ на самом деле, что он может и чего не может делать. Важно отметить, что генеративный ИИ — это соблазнительное отвлечение от того типа ИИ, который с наибольшей вероятностью улучшит вашу жизнь или даже спасёт её: предиктивный ИИ. В отличие от ИИ, предназначенного для генеративных задач, предиктивный ИИ включает задачи с конечным, известным набором ответов; системе нужно лишь обработать информацию, чтобы определить, какой ответ правильный. Простой пример — распознавание растений: наведите камеру телефона на растение и вы узнаете, что это западный мечевидный папоротник. Генеративный ИИ… В отличие от этого, задачи не имеют конечного множества правильных ответов: система должна объединять фрагменты информации, на которых она обучалась, чтобы создать, например, новое изображение папоротника.
Генеративная технология искусственного интеллекта, используемая в чат-ботах, замене лиц и синтетическом видео, позволяет создавать потрясающие демонстрации, стимулируя клики и продажи, поскольку зрители раздувают идеи о том, что сверхчеловеческий ИИ сможет принести нам изобилие или привести к вымиранию. В то же время, предиктивный ИИ незаметно улучшает прогнозирование погоды и безопасность пищевых продуктов, позволяет создавать более качественную музыку, помогает упорядочивать фотографии и точно предсказывает самые быстрые маршруты движения. Мы внедряем предиктивный ИИ в нашу повседневную жизнь, даже не задумываясь об этом, что свидетельствует о его незаменимой полезности.
Чтобы оценить огромный прогресс в области предиктивного ИИ и его будущий потенциал, можно взглянуть на траекторию развития за последние 20 лет. В 2005 году ИИ не мог отличить человека от карандаша. К 2013 году он всё ещё не мог надёжно распознать птицу на фотографии, а разница между пешеходом и бутылкой кока-колы была крайне запутанной (именно так я узнал, что бутылки действительно чем-то похожи на людей, если бы у людей не было голов). Мысль о внедрении этих систем в реальный мир казалась фантастикой.
Однако за последние 10 лет предиктивный искусственный интеллект не только позволил точно определять виды птиц, но и значительно улучшил жизненно важные медицинские услуги, такие как выявление проблемных поражений и аритмии сердца. Благодаря этой технологии сейсмологи могут прогнозировать землетрясения, а метеорологи — наводнения с большей точностью, чем когда-либо прежде. Точность потребительских технологий, которые обнаруживают и классифицируют все — от того, какую песню вы вспоминаете, когда напеваете мелодию, до того, каких объектов следует избегать во время вождения, — резко возросла, что делает беспилотные автомобили реальностью.
В самом ближайшем будущем мы сможем точно обнаруживать опухоли и прогнозировать ураганы задолго до того, как они смогут причинить кому-либо вред, воплощая в жизнь давние надежды людей во всем мире. Возможно, это не так эффектно, как создание собственного фильма в стиле студии Ghibli, но это определенно заслуживает внимания.
Системы прогнозирующего ИИ также показали свою невероятную полезность, когда они используют определенные генеративные методы в рамках ограниченного набора возможностей. Системы такого типа разнообразны и охватывают все: от визуализации одежды до межъязыкового перевода. Вскоре гибридные системы прогнозирующего и генеративного ИИ позволят клонировать собственный голос, говорящий на другом языке в режиме реального времени, что станет невероятным подспорьем в путешествиях (с серьезным риском подделки). Здесь есть значительный потенциал для роста, но генеративный ИИ приносит реальную пользу, когда он основан на надежных методах прогнозирования.
Связанная статья
Чтобы понять разницу между этими двумя широкими классами ИИ, представьте себя системой ИИ, которой поручено показать кому-то, как выглядит кошка. Вы могли бы использовать генеративный подход, вырезая и вставляя небольшие фрагменты из различных изображений кошек (возможно, из источников, которые не согласны с этим), чтобы создать, казалось бы, идеальное изображение. Способность современного генеративного ИИ создавать такие безупречные коллажи — вот что делает его таким поразительным.
В качестве альтернативы можно использовать предиктивный подход: просто найдите и укажите на существующее изображение кошки. Этот метод гораздо менее эффективен, но более энергоэффективен, с большей вероятностью точен и должным образом учитывает первоисточник. Генеративный ИИ предназначен для создания вещей, которые выглядят реалистично; предиктивный ИИ определяет, что реально. Недопонимание того, что генеративные системы извлекают данные, когда на самом деле они их создают, привело к серьезным последствиям, когда речь идет о тексте, что потребовало отмены судебных решений и отзыва научных статей.
Причиной этой путаницы является склонность людей преувеличивать значение ИИ, не уточняя, о каком именно ИИ идёт речь (я думаю, многие не знают). Очень легко приравнять «ИИ» к генеративному ИИ или даже просто к ИИ, генерирующему язык, и предположить, что все остальные возможности вытекают из этого. Эта ошибка вполне логична: термин буквально означает «интеллект», и наше человеческое понимание того, что такое «интеллект», часто опосредовано использованием языка. (Спойлер: никто на самом деле не знает, что такое интеллект.) Но фраза «искусственный интеллект» была намеренно придумана в 1950-х годах, чтобы вызывать благоговение и намекать на нечто человекоподобное. Сегодня она просто обозначает набор разрозненных технологий для обработки цифровых данных. Некоторые мои друзья предпочитают называть это «математической математикой».
Предвзятое отношение к генеративному ИИ как к самой мощной и реальной форме ИИ вызывает тревогу, учитывая, что он потребляет значительно больше энергии, чем системы прогнозирующего ИИ. Это также означает использование существующего труда людей в продуктах ИИ вопреки желанию их первоначальных создателей и замену рабочих мест людей системами ИИ, возможности которых были изначально обеспечены благодаря их труду — без компенсации. ИИ может быть невероятно мощным, но это не значит, что создателей следует обманывать.
Наблюдая за развитием событий в качестве разработчика ИИ в технологической индустрии, я извлек важные уроки для дальнейших шагов. Широкая популярность ИИ, безусловно, связана с интуитивно понятным характером взаимодействия на основе диалога. Но этот метод взаимодействия в настоящее время чрезмерно использует генеративные методы там, где было бы достаточно предиктивных, что приводит к неудобной ситуации, сбивающей с толку пользователей и влекущей за собой значительные издержки в виде энергопотребления, эксплуатации и потери рабочих мест.
Мы стали свидетелями лишь проблеска полного потенциала ИИ: нынешний ажиотаж вокруг ИИ отражает то, каким он мог бы быть, а не то, каким он является на самом деле. Подходы, основанные на поколениях, истощают ресурсы, но при этом по-прежнему не обеспечивают должного представления, точности и учета пожеланий людей, чей труд интегрирован в систему.
Если мы сможем переключить внимание с ажиотажа вокруг генеративных технологий на достижения в области прогнозирования, уже преобразующие повседневную жизнь, мы сможем создать ИИ, который будет действительно полезным, справедливым и устойчивым. Системы, которые помогают врачам выявлять болезни на ранних стадиях, помогают ученым прогнозировать катастрофы раньше и помогают обычным людям безопаснее жить, — вот те, которые способны оказать наибольшее влияние.
Будущее полезного ИИ будет определяться не самыми эффектными демонстрациями, а тихим, строгим прогрессом, который сделает технологию заслуживающей доверия. И если мы будем строить на этом фундаменте — сочетая возможности прогнозирования с более зрелыми методами работы с данными и интуитивно понятными интерфейсами на естественном языке — ИИ наконец-то сможет начать оправдывать те надежды, которые многие возлагают на него сегодня.
Доктор Маргарет Митчелл — исследователь в области компьютерных наук и главный научный сотрудник по этике в стартапе Hugging Face, занимающемся разработкой искусственного интеллекта. Она работает в технологической индустрии 15 лет и опубликовала более 100 статей по генерации естественного языка, вспомогательным технологиям, компьютерному зрению и этике ИИ. Ее работы отмечены многочисленными наградами и внедрены в практику многих технологических компаний.
Источник: www.technologyreview.com
