Искусственный интеллект, Технологии | Олег Брагинский, Марина Строева
Основатель «Школы траблшутеров» Олег Брагинский и ученица Марина Строева раскроют ключевые аспекты успешного развития ИИ, опишут архитектуру нейросетей и правильную настройку слоёв. Расскажут о борьбе за суперинтеллект и глобальный баланс сил в геополитике и стратегическом планировании, включая влияние на безопасность и экономику.
Глубокие нейронные сети можно сравнить с широким бассейном, где многочисленные слои играют роль дорожек, а их количество и организация определяют скорость и качество обработки данных. Чем сложнее архитектура построения, тем больше времени требуется на вычисления.
Нейросеть состоит из слоёв, которые решают собственные задачи. Чем больше шагов, тем выше требуется компьютерная мощность, и дольше длится процесс обработки, при этом избыточное количество итераций и лишние затраты времени не гарантируют качественный результат.
Количество уровней должно быть оптимальным. Слишком малое число снижает способность сети к распознаванию сложных зависимостей, большое приводит к избыточным операциям, замедляет работу системы и усложняет последующие попытки понять, как же действовал артилект.
Анализ данных происходит на каждом слое, что позволяет разделять информацию на уровни детализации или операционные пласты. Низкоуровневые слои фиксируют базовые признаки: цвет, форма, расстояние. Высокоуровневые: сложные структуры и неочевидные закономерности.
При добавлении нового типа информации может потребоваться перенастройка нейросети, модель должна адаптироваться к появившимся признакам. Иначе станет некорректно интерпретировать входные данные и снижать точность прогнозов. Возможно даже заражение действующей базы.
Если машина часто ошибается, следует предположить, что количество слоёв или их параметры выбраны неверно. В таком случае модель нужно корректировать, добавляя или удаляя элементы длины и/или ширины, а также изменяя алгоритмы обучения для повышения эффективности.
Время создания трёхслойной нейросети зависит от уровня подготовки программистов и сложности задачи. Процесс занимает от недели до месяца для больших массивов слабоструктурированных данных, требует проработки архитектуры, настройки параметров и тестирования модели.
Специалисты по инженерии знаний стремятся минимизировать количество слоёв, чтобы избежать неоправданных усложнений моделей. Число итераций должно балансировать затрачиваемую вычислительную нагрузку, с приемлемой скоростью работы, делая систему адекватной задаче.
Разработчики, не обладающие знаниями в предметной области, сталкиваются с трудностями при настройке нейросетей. Недостаточное понимание контекста приводит к созданию моделей, которые не справляются с поставленными задачами, симулируют и даже галлюцинируют.
Для эффективного обучения нейросети недостаточно просто программировать или размечать данные. Важно понимать суть решаемой проблемы и обладать лингвистическими знаниями. Чёткая постановка задачи позволяет лучше настраивать алгоритмы и повышать точность решения.
Разметка данных является ключевым этапом обучения нейросетей, выполняется людьми. Принцип «один человек – один объект» помогает корректно классифицировать информацию в пределах типов, что снижает вероятность ошибок, предвзятости и повышает качество результатов.
Объём текстовых данных для обучения не так велик, как кажется. Facebook без изображений занимает около 1 ТБ, вся Wikipedia – всего 40 ГБ. Количество мировых знаний не растёт с той же скоростью, что системы обработки. Главная проблема развития ИИ – отсутствие свежих данных.
Текстовые массивы поддаются эффективному сжатию, что облегчает хранение, передачу и анализ. Это особенно важно для работы с большими массивами информации в аналитических системах.
Вычислительная мощность компьютеров растёт благодаря развитию архитектур процессоров. Подобное положение дел позволяет всё быстрее обрабатывать данные и ускоряет развитие ИИ.
Ограниченная пропускная способность сети и нехватка трафика являются серьёзными проблемами инфраструктуры. Это снижает эффективность работы цифровых сервисов, ограничивает развитие облачных вычислений, препятствует масштабированию умных ИТ-решений.
Передовые чипы обладают высокой вычислительной мощностью и энергоэффективностью, влияют на технологическое превосходство стран, меняя баланс сил глобальной экономики и безопасности.
Искусственный интеллект играет всё большую роль в геополитике и стратегическом планировании. Страны, обладающие продвинутыми ИИ-системами, получают преимущество в анализе данных, прогнозировании и управлении ресурсами, что делает расстановку сил труднопредсказуемой.
В России насчитывается всего несколько компьютеров с терафлопной производительностью, что ограничивает возможности в разработке и обучении сложных нейросетей. Это сдерживает развитие высокопроизводительных вычислений и развитие технологий искусственного интеллекта.
В условиях отсутствия жёсткого федерального регулирования ИИ в США инвестиции в эту сферу ускоряются. Дональд Трамп назвал разработки OpenAI «монументом эпохи», имея в виду важность создания 100+ тысяч новых рабочих мест в области прорывных вычислительных технологий.
Вложения в искусственный интеллект становятся стратегическим приоритетом для крупнейших технологических компаний, таких как OpenAI и Alibaba. Первая привлекает многомиллиардные инвестиции и планирует строить атомные станции, чтобы ускорить разработку проекта Stargate.
Проект станет крупнейшей инфраструктурной инициативой OpenAI, направленной на развитие вычислительных мощностей для искусственного интеллекта. Каскад инноваций стартовал в Техасе, реализация потребует значительных ресурсов, океан электроэнергии и новые дата-центры.
Расходы Microsoft на серверные мощности составят $13B, а к 2028 году могут достигнуть $28B. Сэм Альтман считает, что достижение суперинтеллекта возможно уже в 2025 году, а его экономическая эффективность будет определяться способностью ежегодно приносить создателям $100B.
Alibaba делает ставку на артилект, намереваясь инвестировать $53B в развитие ИИ-инфраструктуры в течение трёх лет. Траты превысят расходы компании на ИИ за последние 10 лет.
Китайский гигант активно и масштабно развивает облачные технологии, инвестируя в перспективные ИИ-стартапы, такие как Moonshot и Zhipu. Интерес к решениям Alibaba проявляет и Apple, рассматривая возможность интеграции их в iPhone, выпускаемые для китайского рынка.
Microsoft планирует потратить $80B на дата-центры в 2025 году. Google Cloud и Oracle также активно инвестируют в сложную, но перспективную инфраструктуру, удовлетворяя растущий спрос на вычислительные мощности. Прогнозируется, что расходы на ИИ-сервера будут неуклонно расти.