What just happened

Что только что произошло

Переломный месяц переписывает возможности ИИ

За последний месяц состояние дел в сфере ИИ кардинально изменилось, причём темп резко ускорился буквально за последнюю неделю. Лаборатории ИИ обрушили на нас поток новых продуктов — одни революционные, другие инкрементальные, — и уследить за всем этим крайне сложно. Некоторые из этих изменений, на мой взгляд, являются подлинными прорывами, которые изменят будущее ИИ (а может быть, и наше). Вот где мы сейчас находимся:

Умные ИИ теперь повсюду

В конце прошлого года существовала лишь одна общедоступная модель класса GPT-4/Gen2, и это была GPT-4. Сейчас таких моделей от шести до десяти, причём некоторые из них имеют открытые веса — то есть доступны бесплатно для использования и модификации. Из США у нас есть GPT-4o от OpenAI, Claude Sonnet 3.5 от Anthropic, Gemini 1.5 от Google, открытая Llama 3.2 от Meta, Grok 2 от Илона Маска и новая Nova от Amazon. Китайские компании выпустили три открытые мультиязычные модели, по всей видимости, соответствующие уровню GPT-4, — в первую очередь Qwen от Alibaba, DeepSeek от R1 и Yi от 01.ai. Европу представляет единственный участник — французская Mistral. Что означает весь этот словесный салат из запутанных названий: создание мощных ИИ не требовало какой-то магической формулы, доступной только OpenAI, а было по силам компаниям, обладающим талантами в области computer science и возможностью получить чипы и электроэнергию, необходимые для обучения модели.

Более того, искусственный интеллект уровня GPT-4 — настолько поразивший мир при своём выходе, что вызвал серьёзную тревогу о будущем, — теперь можно запустить на моём домашнем компьютере. Новейшая малая модель Meta, выпущенная в этом месяце под названием Llama 3.3, обеспечивает сопоставимую производительность и может работать полностью офлайн на моём игровом ПК. А новая крохотная Phi 4 от Microsoft соответствует уровню GPT-4 и почти способна работать на вашем телефоне, тогда как её чуть менее мощная предшественница Phi 3.5 точно может. Интеллект — в некотором смысле — теперь доступен по запросу.

И, как я уже обсуждал (и скоро напишу об этом снова), эти вездесущие ИИ теперь начинают приводить в действие агентов — автономные ИИ, способные преследовать собственные цели. Что это значит на практике, вы можете увидеть в этом посте, где я использую ранних агентов для сравнения цен и мониторинга строительной площадки.

ОЧЕНЬ умные ИИ уже здесь

Всё это означает, что если бы уровень GPT-4 был потолком возможностей ИИ, нам, вероятно, хватило бы пяти-десяти лет непрерывных изменений, пока мы осваивали бы эти возможности. Но признаков серьёзного замедления в развитии ИИ не наблюдается. Мы знаем это, потому что за последний месяц произошли два других значимых релиза — первый признак моделей Gen3 (их можно считать моделями класса GPT-5) и выход моделей o1, которые умеют «думать» перед ответом, что делает их значительно лучшими логиками по сравнению с другими LLM. Мы находимся в самом начале эпохи Gen3, поэтому не буду подробно писать о них в этом посте, но хочу поговорить об o1.

Я обсуждал релиз o1, когда он вышел в ранней версии o1-preview, но две более продвинутые модификации — o1 и o1-pro — значительно нарастили мощность. Эти модели тратят время на невидимое «размышление» — имитируя человеческое логическое решение задач — прежде чем ответить на вопрос. Этот подход, называемый test time compute, оказался ключом к улучшению способности моделей решать задачи. Собственно, эти модели уже достаточно умны, чтобы вносить значимый вклад в исследования — как в большом, так и в малом.

Вот один занимательный пример: я прочитал статью о недавней панике в соцсетях — в научной работе утверждалось, что чёрные пластиковые столовые приборы могут вас отравить, потому что частично изготовлены из переработанных электронных отходов. Соединение BDE-209 якобы вымывалось из этих приборов в таком количестве, что приближалось к безопасным дозам, установленным EPA. Множество людей выбросили свои лопатки, но Джо Шварц из Университета Макгилла заподозрил неладное и обнаружил арифметическую ошибку: на седьмой странице статьи авторы ошибочно умножили дозировку BDE-209 на 10 — ошибка, пропущенная и авторами, и рецензентами. Мне стало интересно, сможет ли o1 заметить эту ошибку. И вот прямо с телефона я вставил текст PDF и набрал: «тщательно проверь математику в этой статье». Всё. o1 мгновенно нашла ошибку (другие ИИ-модели — нет).

Когда модели способны не просто обработать целую научную статью, но и понять контекст, в котором «проверка математики» имеет смысл, а затем действительно успешно проверить результаты — это радикально меняет возможности ИИ. Собственно, мой эксперимент, наряду с аналогичными опытами других людей, вдохновил инициативу по выяснению того, как часто o1 может находить ошибки в научной литературе. Мы пока не знаем, насколько часто o1 способна на подобное, но выяснить это представляется важным, поскольку это указывает на новый рубеж возможностей.

Более того, даже ранняя версия o1 — preview-модель — по-видимому, представляет собой скачок в научных способностях. Сенсационный медицинский препринт от исследователей из Гарварда, Стэнфорда и других университетов заключил, что «o1-preview демонстрирует сверхчеловеческую производительность [выделение моё] в дифференциальной диагностике, клиническом диагностическом мышлении и принятии решений по лечению, превосходя в ряде областей как предыдущие поколения моделей, так и врачей-людей». Статья ещё не прошла рецензирование и не утверждает, что ИИ может заменить врачей, но она, наряду с приведёнными выше результатами, указывает на меняющийся мир, в котором отказ от использования ИИ как «второго мнения» вскоре может стать ошибкой.

Возможно, ещё более значимо то, что исследователи всё чаще говорят мне: o1, и особенно o1-pro, генерирует новые идеи и решает неожиданные проблемы в их области (вот один пример). Проблема в том, что теперь только эксперты могут оценить, права модель или нет. Для примера: мой очень умный коллега из Wharton, Daniel Rock, попросил меня дать o1-pro задание: «попроси её доказать, используя доказательство, которого нет в литературе, теорему об универсальной аппроксимации функций для нейронных сетей без 1) допущения о бесконечной ширине слоёв и 2) для более чем двух слоёв». Вот что она ответила:

Верно ли это? Понятия не имею. Это за пределами моей экспертизы. Daniel и другие эксперты, которые посмотрели на это, тоже не смогли сходу определить, правильно ли доказательство, но сочли его достаточно интересным, чтобы разобраться подробнее. Выяснилось, что в доказательстве есть ошибки (хотя, возможно, дополнительное взаимодействие с o1-pro могло бы их исправить). Тем не менее результаты содержали некоторые новые подходы, которые стимулировали дальнейшее мышление. Как заметил мне Daniel, когда o1 используется исследователями, ей не обязательно быть правой, чтобы быть полезной: «Просить o1 выполнять доказательства нестандартными способами — это фактически просить её быть коллегой-исследователем. Модели не обязательно давать правильные доказательства, чтобы быть полезной, — ей достаточно помогать нам быть лучшими исследователями».

Теперь у нас есть ИИ, который, по всей видимости, способен решать очень сложные задачи уровня PhD — или, по крайней мере, продуктивно работать как со-интеллект для исследователей, пытающихся их решить. Разумеется, проблема в том, что вы не узнаете, верны ли эти ответы, если сами не являетесь PhD в соответствующей области, — и это создаёт новый набор вызовов в оценке ИИ. Потребуются дополнительные исследования, чтобы понять, насколько это полезно и в каких областях, но этот новый рубеж возможностей ИИ заслуживает пристального внимания.

ИИ может видеть вас и разговаривать с вами

Голосовые ИИ-модели существуют уже несколько месяцев, но на прошлой неделе появилась новая возможность — зрение. И ChatGPT, и Gemini теперь могут одновременно видеть живое видео и общаться голосом. Например, я могу транслировать свой экран в реальном времени новой малой модели Gen3 от Google — Gemini 2.0 Flash. Посмотрите, как она даёт мне обратную связь по черновику этого поста, чтобы почувствовать, как это работает:

А ещё лучше — попробуйте сами бесплатно. Серьёзно, стоит лично ощутить, на что способна эта система. Gemini 2.0 Flash — всё ещё малая модель с ограниченной памятью, но суть вы уловите. Модели, способные взаимодействовать с людьми в реальном времени через основные человеческие каналы — зрение и голос — превращают ИИ из сущности, запертой в окне чата на вашем компьютере, в присутствующего рядом компаньона. Тот факт, что ChatGPT Advanced Voice Mode может делать то же самое с вашего телефона, означает, что эта возможность уже доступна миллионам пользователей. Последствия будут весьма глубокими по мере того, как ИИ всё больше входит в нашу жизнь.

ИИ-видео внезапно стало очень качественным

Генерация изображений с помощью ИИ стала действительно впечатляющей за последний год — модели, работающие на моём ноутбуке, создают изображения, неотличимые от реальных фотографий. Управлять ими тоже стало гораздо проще: они корректно реагируют на промпты вроде «выдра в самолёте пользуется bluetooth» и «выдра в самолёте пользуется wifi». Если хотите поэкспериментировать сами, Google ImageFX — очень удобный интерфейс для работы с мощной моделью Imagen 3, выпущенной на прошлой неделе.

Но настоящий прорыв за последнюю неделю произошёл в генераторах видео из текста. Раньше передовые позиции в генерации видео занимали модели китайских компаний, включая впечатляющие системы вроде Kling, а также ряд открытых моделей. Но ситуация стремительно меняется. Сначала OpenAI выпустила свой мощный инструмент Sora, а затем Google — в духе последних тенденций — представила ещё более мощный видеогенератор Veo 2. Поиграть с Sora можно прямо сейчас, если вы подписаны на ChatGPT Plus, и это стоит сделать, но я получил ранний доступ к Veo 2 (публичный релиз, судя по всему, через месяц-два), и это… поразительно.

Лучше один раз увидеть, чем сто раз услышать, поэтому взгляните на эту подборку восьмисекундных клипов (пока это максимальная длительность, хотя система способна на гораздо более длинные ролики). Я привожу точный промпт в каждом клипе, и клипы выбраны из самой первой серии видео, созданных Veo 2 (она генерирует четыре клипа за раз), так что никакой выборки из множества примеров нет. Обратите внимание на кажущийся вес и массу объектов, тени и отражения, последовательность между сценами — причёска и детали сохраняются, — и на то, насколько сцены соответствуют запросу (красный воздушный шарик на месте, если присмотреться). Ошибки есть, но их стало гораздо сложнее заметить с первого взгляда (хотя гимнастика по-прежнему даётся видеомоделям с трудом). Действительно впечатляюще.

Что всё это значит?

Более подробные размышления я приберегу для будущего поста, но главный вывод таков: к лучшему это или к худшему, мы далеки от конца прогресса в ИИ. Поражают не столько отдельные прорывы — ИИ проверяет математику в научных статьях, генерирует видеоклипы почти кинематографического качества или работает на игровых ПК. Поражают темп и широта изменений. Год назад GPT-4 казалась окном в будущее. Теперь она, по сути, работает на телефонах, а новые модели ловят ошибки, проскользнувшие мимо академического рецензирования. Это не плавный прогресс — мы наблюдаем, как ИИ совершает неравномерные скачки, опережая нашу способность легко оценить последствия. А это значит, что возможность определить, как эти технологии трансформируют вашу область, существует сейчас, пока ситуация подвижна, а не после того, как трансформация завершится.

Поделиться