Искусственный интеллект (ИИ) — одна из самых обсуждаемых технологий современности, которая за последние годы совершила колоссальный скачок в своем развитии. Однако, несмотря на значительные инвестиции и внимание со стороны крупнейших технологических компаний мира, некоторые эксперты начинают задаваться вопросом: а не достиг ли ИИ своего предела? Среди таких скептиков — американский ученый Гэри Маркус, занимающийся исследованиями в области машинного обучения. В своем интервью изданию The New Yorker он поделился мнением, что прогресс ИИ начинает замедляться, и ожидания, связанные с его развитием, вряд ли оправдаются.
Технологический застой или временная пауза
Сегодня ведущие компании в сфере ИИ, например, OpenAI и Anthropic, продолжают активно работать над созданием более совершенных моделей ИИ. Например, недавно выпущенный GPT-5 от OpenAI демонстрирует улучшенные результаты в отраслевых тестах. Однако, как отмечает Маркус, это не всегда являются объективным показателем реального прогресса технологии. Более того, он считает, что новые модели ИИ, несмотря на их технические достижения, не приносят значительного улучшения в практическом применении за пределами виртуального общения.
Маркус подчеркивает, что многие компании, использующие ИИ, не видят существенной разницы между моделями 2024 и 2025 годов, даже если последние показывают лучшие результаты в тестах. Это наводит на мысль, что индустрия искусственного интеллекта, возможно, сталкивается с эффектом убывающей отдачи, когда дальнейшие вложения в разработку приносят все меньше значимых результатов.
Проблемы масштабируемого подхода
Одна из ключевых проблем, по мнению Маркуса, заключается в стратегии, которую приняли многие технологические гиганты. Подход, известный как “масштабируемый ИИ”, ориентирован на создание универсальных моделей, способных решать широкий спектр задач. Однако такая стратегия требует колоссальных ресурсов: огромных вычислительных мощностей, множества графических процессоров и значительных финансовых вложений. При этом реальная польза от таких моделей для конечных пользователей остается под вопросом.
Сам термин “масштабируемый” пришел из мира финансового капитала и подразумевает стремление к быстрому росту и максимизации прибыли. В контексте ИИ это означает создание моделей, которые могут быть применены в максимально большом количестве сценариев. Однако, как показывает практика, универсальность не всегда эквивалентна эффективности. В результате, несмотря на увеличение вычислительных мощностей и сложности моделей, их реальная польза для бизнеса и общества остается ограниченной.
Узкая специализация
Гэри Маркус уже несколько лет выступает за пересмотр подходов к разработке ИИ. Он предлагает сосредоточиться на создании узкоспециализированных моделей, которые могут решать конкретные задачи с высокой степенью эффективности. Такой подход, по его мнению, позволит не только сократить затраты на разработку, но и создать более полезные и практичные технологии.
По мнению специалиста, примером успешного применения узкоспециализированного ИИ можно считать медицинские системы, которые помогают диагностировать заболевания, или алгоритмы, используемые в промышленности для оптимизации производственных процессов. Такие решения не требуют огромных вычислительных мощностей, но при этом приносят реальную пользу.
