Главный парадокс текущей технологической гонки состоит в том, что человечество пытается построить универсальный искусственный интеллект, почти не разобравшись в единственной системе, которая уже доказала такую способность на практике. Эта система — человеческий мозг. Компании тратят сотни миллиардов долларов на дата-центры, чипы и электроэнергию, но вложения в исследование мозга остаются несоразмерно малыми.
Вопрос не в том, важен ли масштаб вычислений. Вопрос в другом: не упирается ли нынешний подход в архитектурные ограничения, которые невозможно преодолеть одним только наращиванием мощности. Если так, то самый прямой путь вперед лежит не через еще один гигантский кластер, а через более глубокое понимание того, как устроен мозг.
Почему ИИ не учится как человек
Самое заметное преимущество мозга — непрерывное обучение. Человек всю жизнь накапливает знания, осваивает навыки, меняет представления о мире и при этом обычно не стирает уже усвоенное. Мозг перестраивается постоянно: новые связи появляются, старые укрепляются или ослабевают. Эта пластичность и делает интеллект живым, а не застывшим.
У современных моделей картина иная. Сначала идет обучение, затем следует применение. После тренировки весовые коэффициенты в значительной степени фиксируются, и система не учится на новом опыте так, как это делает человек. Существуют обходные решения — внешняя память, донастройка, работа с контекстом — но они не устраняют базовую проблему. Стоит попытаться встроить в модель новые знания напрямую, и возникает катастрофическое забывание: освоив задачу Б, она начинает хуже справляться с задачей А.
Для человека такая логика нехарактерна. Изучение истории не стирает алгебру, а навык вождения не уничтожает умение плавать. Значит, мозг решает задачу обновления знаний иначе. И именно здесь нейробиология может дать искусственному интеллекту то, чего ему остро не хватает: принцип обучения без саморазрушения.
Есть и важная архитектурная подсказка. В типичной глубокой модели активна почти вся сеть, тогда как в мозге в конкретный момент работает лишь малая доля нейронов. Кроме того, биологическое обучение опирается не на глобальный сигнал ошибки, а на локальные взаимодействия. Это делает мозг одновременно пластичным и устойчивым. Искусственный интеллект только подбирается к таким принципам, но пока остается далек от биологической модульности и децентрализации.
Энергетическая пропасть: ИИ против мозга
Еще более нагляден контраст в эффективности ресурсов. Человеческий мозг весит около 1,3 кг и потребляет примерно 20 Вт. На этом скромном энергетическом бюджете он распознает речь, строит абстракции, принимает решения, создает музыку, развивает науку и политические системы.
На другом полюсе находится инфраструктура современного искусственного интеллекта. Уже строятся дата-центры мощностью свыше 1 ГВт. Это сопоставимо с энергопотреблением крупного города. Проекты Amazon, Meta, xAI, Oracle и OpenAI измеряются уже не серверами, а целыми энергетическими ландшафтами. Сэм Альтман открыто говорит о цели добавлять по 1 ГВт мощностей для дата-центров почти каждую неделю, а Илон Маск продвигает идею космических дата-центров как будущего масштабирования.
Такой разрыв нельзя объяснить только тем, что машины пока «моложе» мозга. Проблема глубже: цифровые вычисления чрезвычайно расточительны. Значительная часть энергии уходит не на само вычисление, а на перемещение данных между памятью и вычислительным блоком.
У мозга такой проблемы нет. Память и обработка информации там физически совмещены: нейрон одновременно участвует и в хранении, и в вычислении. К тому же мозг работает как аналоговая система, где вычисление не отделено от физического процесса. Если понять эти принципы точнее, можно получить не просто более дешевый искусственный интеллект, а совершенно новый класс вычислительных систем.
Почему подлинные открытия совершает только человек
Самый трудный вопрос касается не скорости и не цены вычислений, а природы нового знания. Большие языковые модели впечатляют тем, как уверенно оперируют уже накопленной человеческой информацией. Но их граница видна именно там, где требуется не комбинация известного, а подлинный прорыв.
Цивилизация держится на идеях, которых раньше не существовало. Гелиоцентрическая система Николая Коперника, теория тяготения Исаака Ньютона, эволюция видов Чарльза Дарвина, структура ДНК, описанная Джеймсом Уотсоном и Фрэнсисом Криком — это не просто удачные перестановки уже опубликованных фрагментов. Это идеи, которые заставили по-новому увидеть устройство мира и задали направление для целых эпох исследований и технологий.
Искусственный интеллект время от времени демонстрирует проблески настоящей новизны. Но одно дело — нестандартный ход в формализованной среде, и совсем другое — новая физика, новая биология и новая теория общества.
Это не повод обесценивать достигнутое, а указание на вероятный источник следующего прорыва. Если мозг остается единственным известным источником действительно новых знаний, то изучение его механизмов — не только фундаментальная академическая тема, но и вопрос технологического лидерства.
Куда направить усилия
На этом фоне особенно заметен перекос в распределении средств. Крупные проекты в нейронауке существуют, но их масштаб все равно несопоставим с инвестициями в искусственный интеллект. Например, крупнейшая государственная инициатива США — BRAIN Initiative — за более чем десятилетие получила около $3 млрд совокупного финансирования, а ее годовой бюджет даже в пиковые годы составлял около $680 млн.
Другой показательный пример — европейская программа Human Brain Project, объединившая десятки исследовательских центров и получившая финансирование в размере €1 млрд за десять лет.
Именно поэтому все чаще звучит идея не просто «изучать мозг больше», а строить подробные карты нейронных связей мозга — коннектомы, то есть схемы того, как именно соединены клетки и синапсы. Такой проект для нейротехнологий мог бы сыграть роль, сопоставимую с той, которую проект генома человека сыграл для биотехнологий. Без этого искусственный интеллект рискует еще долго идти по самому дорогому маршруту из возможных.
Гонка за универсальным искусственным интеллектом выбрала слишком узкий маршрут. Мир тратит сотни миллиардов долларов на попытку скопировать интеллект и при этом экономит на изучении его единственного рабочего образца. Это не просто дисбаланс, а стратегическая ошибка.
▼
Канал Anton Elston — это актуальная информация об IT, блокчейне, NFT и онлайн-образовании. Здесь развивается метавселенная DEXART и происходит погружение в мир ИИ
Источник: hashtelegraph.com
Обсуждение: post