Содержание
Читайте в Telegram
|
В прошлом году на одной из главных мировых конференций по обработке естественного языка не оказалось ни одного сотрудника OpenAI. Объяснение звучало почти абсурдно: за неделю количество активных пользователей ChatGPT выросло с 600 до 800 миллионов, и у компании просто не остается времени заниматься наукой.
За последние два года логика ИИ-индустрии заметно изменилась. Компании, которые ещё недавно воспринимались как исследовательские лаборатории, превратились в огромные платформы с миллионами пользователей. Вместе с этим меняется и сама наука вокруг ИИ — где она делается, что считается ценным результатом и как теперь выглядит работа исследователя.
На организованной ВТБ конференции Data Fusion этим вопросам посвятили отдельную сессию, где собрались учёные из AIRI, Сколтеха, СПбГУ и ПОМИ РАН. Разговор быстро ушёл от новых моделей и публикаций к тому, как меняется сама ИИ-индустрия вокруг них. На основе этой дискуссии команда ВТБ обобщила шесть сдвигов, которые, по мнению спикеров, уже меняют работу учёных и исследовательских команд. Все приведённые ниже оценки принадлежат участникам обсуждения.
Сдвиг 1. Учёные перестали читать статьи
Как признают сами исследователи, объём публикаций по искусственному интеллекту вырос настолько, что следить за всем происходящим уже физически невозможно. На вопрос модератора сессии, как он справляется с потоком новых работ, ведущий научный сотрудник ПОМИ РАН Сергей Николенко отвечает предельно коротко:
«Никак».
Проблема уже не столько в качестве исследований, сколько в масштабе самого потока. Один человек больше не способен отслеживать даже собственную узкую область, поэтому роль фильтра постепенно переходит к репутации исследовательских центров и общему вниманию рынка к конкретной работе. В этих условиях знаком качества постепенно становится уже не публикация сама по себе, не журнал и даже не конференция, а имя лаборатории или компании. По словам участников дискуссии, если исследование выходит у Anthropic, DeepMind или OpenAI, его всё равно прочитают и разберут. Остальным становится всё сложнее привлекать внимание к своим результатам на фоне огромного объёма исследований и контента.
Сдвиг 2. Крупнейшие ИИ-компании всё меньше объясняют, как устроены их модели
Anthropic выпускает к каждой новой модели технический отчёт объёмом в двести страниц, где десятки графиков, тестов и метрик безопасности, но конкретного ответа на вопрос, что именно изменилось внутри модели, там обычно нет. Рынок видит итоговый результат — модели становятся сильнее, автономнее и лучше рассуждают. Однако, как заметили участники сессии, сами механизмы этого прогресса постепенно уходят внутрь закрытых лабораторий.
«Мы плохо знаем, что нового появилось в рассуждающих моделях. Мы видим, что модели фронтирных лабораторий улучшаются, а за счёт чего конкретно, даже мы, ученые, не знаем», говорит Сергей Николенко.
Причём такая практика для рынка уже стала нормой. В техническом отчёте OpenAI о GPT-4, опубликованном ещё в 2023 году, компания прямо указала, что «учитывая конкурентную среду и соображения безопасности, документ не содержит дополнительной информации об архитектуре, размере модели, используемом оборудовании, вычислительных ресурсах, способах формирования датасета и методах обучения». GPT-4 стала первой моделью в линейке, для которой эти параметры перестали раскрывать, и с тех пор крупнейшие ИИ-компании всё чаще публикуют только результаты, но не детали того, как именно они были достигнуты.
Сдвиг 3. От науки начали требовать ответа «зачем»
Меняется и само представление о роли учёного. Если раньше исследователь мог годами заниматься одной темой без необходимости объяснять её прикладную ценность, то теперь от науки всё чаще ждут понятного ответа на вопрос, зачем эта работа вообще нужна.
Жёстче всех эту позицию формулирует ведущий научный сотрудник AIRI Илья Макаров, сам пришедший в искусственный интеллект из фундаментальной математики.
«Если ты что-то делаешь полезное, то это должно быть не про понимание, а про то, что когда-то, через год, три, десять оно должно сконвертиться в ощутимый результат», говорит он.
По его словам, эта логика напрямую связана с ограниченностью ресурсов.
«Вся наука сводится к тому, что у вас есть ограниченное финансирование, какой-то процент ВВП, который выделяется на всех учёных», поясняет Илья Макаров. «У меня такой радикальный ответ, что наука рано или поздно должна приходить к бизнесу».
При этом внутри самой дискуссии звучит и противоположная позиция.
«Все крутые научные открытия делаются из исследовательского интереса», говорит генеральный директор института AIRI, декан факультета искусственного интеллекта МГУ Иван Оселедец.
Именно вокруг этого сейчас и строится одна из главных дискуссий в ИИ-науке — должна ли исследовательская работа существовать ради самого знания или её ценность всё чаще будет определяться возможностью превратиться в технологию, продукт или бизнес.
Сдвиг 4. Математика остаётся вне логики рынка
В логике «наука должна приходить к бизнесу» математика звучала на сессии почти как исключение. Это одна из немногих областей, где исследователь может всю жизнь заниматься фундаментальными вопросами без необходимости объяснять их прикладную ценность.
«Математика — это наука умозрительная, это наука о формальных структурах, и в принципе там можно всю жизнь заниматься непонятно чем, просто изучать какие-то формальные структуры, которые ты сам придумал, не имея на это никакого общественного заказа», говорит Сергей Николенко.
По его словам, именно поэтому для математики понимание чаще важнее результата, тогда как в инженерных и продуктовых задачах обычно всё начинается с конкретной проблемы, которую нужно решить.
В самой математике есть задачи, где ценность результата настолько велика, что вопрос практического применения вообще отходит на второй план.
«Если вдруг завтра появится формальное доказательство гипотезы Римана на три тысячи страниц, которое никакой человек в одиночку понять не способен, а только локально верифицировать, это всё равно будет гигантский шаг вперёд», поясняет Сергей Николенко.
Похожая ситуация сейчас складывается и в теоретической части ИИ. Руководитель Лаборатории математических основ искусственного интеллекта Центра ИИ Сколтеха Дмитрий Яроцкий считает, что полноценная теория машинного обучения только начинает формироваться.
«Сейчас это скорее комплекс каких-то идей, часто разнородных, взятых из самых разных областей математики. И машинное обучение предоставляет вот эти естественные, интересные, сложные задачи, которые хочется решать», говорит он.
Как отметили участники сессии, это один из главных парадоксов современной ИИ-индустрии, где прикладные модели уже работают на сотнях миллионов пользователей, а фундаментальная теория, которая должна объяснять, почему всё это работает, ещё только формируется. Поэтому теоретическая часть ИИ остаётся одной из немногих областей, где у молодых исследователей по-прежнему есть пространство для действительно больших открытий.
Сдвиг 5. Бизнес становится частью научного процесса
Отдельной темой сессии стала роль бизнеса в ИИ-индустрии. По наблюдению участников дискуссии, компании всё реже подключаются к исследованиям уже после получения готовых результатов. Теперь они стараются встроиться в процесс ещё на этапе разработки. Чем быстрее научный результат доходит до практики, тем сильнее это начинает влиять на конкурентоспособность бизнеса.
Заместитель руководителя Департамента анализа данных и моделирования, вице-президент ВТБ Денис Суржко считает, что для ИИ-индустрии критически важен быстрый переход научных результатов в практику.
«Для ИИ и в целом наукоёмких технологий важен быстрый трансфер научных достижений в практику», говорит он. «Ледокол — это люди науки, которые прокладывают путь бизнесу, а мы на своём танкере, если хотите — ИИ же новая нефть, везём вслед за ними некий полезный технологический груз, который создаёт реальную ценность для бизнеса».
По словам Дениса Суржко, проблема начинается в тот момент, когда между исследованиями и их реальным внедрением проходит слишком много времени:
«Между наукой и бизнесом не должно быть большого зазора, потому что иначе „полынья“ затянется. Мы должны быть системными и платформенными, чтобы любые научные достижения сразу же включались в наш процесс».
Сдвиг 6. Учёный становится самостоятельным активом
Меняется и сама модель научной карьеры. Если раньше путь исследователя выглядел довольно предсказуемо — диссертация, публикации, академическая позиция, то теперь вокруг сильных специалистов в сфере ИИ постепенно формируется полноценный рынок прямых инвестиций.
На сессии обсуждалась модель, предложенная братьями Либерманами. Её суть заключается в том, чтобы инвестировать напрямую в исследователя как в долгосрочный актив, условно вкладывая миллион долларов в человека за долю от его будущих доходов на протяжении десяти лет. Илья Макаров, рассказывавший об этой модели, признаёт, что в его собственном случае она бы вряд ли сошлась, но как ориентир считает её вполне рабочей.
Параллельно меняется и стратегия выживания науки рядом с большими языковыми моделями. Илья Макаров отдельно отметил, что часть исследовательских групп сегодня сознательно ищет области, до которых LLM ещё не добрались, чтобы не конкурировать с фронтирными лабораториями там, где у них заведомо больше вычислительных ресурсов:
«Если вы специалист в искусственном интеллекте, и вы можете найти второго человека, который специалист в какой-то другой области, то ваша синергия даст гораздо больше импакта, чем прожимание метрик в конкретной маленькой модели, которую скорее всего фронтирная модель через месяц-полгода просто сделает на порядок лучше, и вы потратите своё время зря».
В результате сама логика научной карьеры начинает меняться. Модель, в которой исследователь десятилетиями развивается внутри одной узкой специализации, постепенно теряет устойчивость, а больше пространства появляется на стыке дисциплин и в сочетании нескольких сильных компетенций. При этом, как отмечает Илья Макаров, требования к тем, кто хочет оставаться на верхнем уровне, становятся только выше:
«Если ты хочешь идти в топ-1, то ты должен действительно каким-то обладать уникальным запасом, и это не делается в одного обычно, кроме математиков, это невозможно сделать одному. Здесь очень важно уметь поставить цель и действительно любить свою работу и идти к этому».
Что меняется в науке об ИИ прямо сейчас
Как отметили участники дискуссии, наука об ИИ сейчас меняется быстрее, чем успевают складываться новые правила. Классическая академическая модель постепенно перестаёт быть единственной, а рядом с ней растут корпоративные лаборатории, прямые инвестиции в исследователей и всё более тесная связка науки с бизнесом.
Для российского рынка это одновременно и вызов, и возможность. Старые правила меняются повсеместно, а значит окно для новых форматов работы всё ещё остаётся открытым. Но чтобы им воспользоваться, нужны не только сильные исследователи, а ещё инфраструктура, вычислительные ресурсы и компании, способные быстро превращать научные идеи в работающие технологии.
