Технологическая сингулярность: конец мифа или временный кризис

Недавние заявления Илона Маска и Ильи Суцкевера о том, что компании, занимающиеся искусственным интеллектом, исчерпали доступные данные для обучения, прозвучали как гром среди ясного неба. Ведь именно доступ к огромным объемам данных позволил ИИ достичь нынешнего уровня. Теперь же, кажется, человечество столкнулось с барьером, преодолеть который будет не так просто.

Данные закончились: что дальше?

Маск утверждает, что мы исчерпали совокупный объем знаний, накопленных человечеством, и это произошло еще в прошлом году. Суцкевер подтверждает: пик данных достигнут, и новых источников пока не предвидится. Это значит, что текущие алгоритмы больше не могут рассчитывать на масштабное улучшение за счет "подпитки" новыми данными.

Но что это означает на практике? Если современные генеративные модели уже выкачали из интернета всё, что только можно, то дальнейшее развитие ИИ требует принципиально новых подходов. Один из возможных путей — использование синтетических данных, которые сами модели могут генерировать для собственного обучения. Однако исследователи предупреждают: такой подход далек от совершенства. После нескольких циклов обучения на собственных данных модели начинают "сходить с ума", деградируя вместо улучшения.

Что тормозит прогресс?

Ключевая проблема заключается в масштабе: даже если человечество будет активно генерировать новые данные, их объем вырастет лишь на 3–5% за год, а для следующего значимого шага в развитии ИИ нужно увеличить объем знаний в десятки раз. На это, по нынешним темпам, уйдут столетия.

Дополнительным барьером становятся ограничения алгоритмов. Новейшие модели, такие как Orion от OpenAI или Gemini от Google, не продемонстрировали ожидаемого скачка в качестве, что еще больше подчеркивает сложность текущей ситуации.

Сингулярность откладывается?

Идея технологической сингулярности, когда ИИ превзойдет человеческий интеллект, всегда казалась футуристической. Однако последние события показывают, что даже достижения уровня, сопоставимого с человеческим интеллектом, требуют большего, чем просто наращивание вычислительных мощностей и данных. Нам нужны новые принципы обучения и, возможно, новая парадигма работы с ИИ.