Гений против искусственного интеллекта: битва электронных умов

Представим невозможное: Альберт Эйнштейн оказывается в современной лаборатории, где перед ним выстраивают несколько моделей искусственного интеллекта. Одна мгновенно пишет программу. Другая анализирует научную статью. Третья создаёт изображение. Четвёртая берётся объяснять теорию относительности — иногда даже правильно. Разработчики наперебой уверяют:
— Профессор, именно наша модель самая умная!

Эйнштейн, вероятно, взъерошил бы волосы ещё сильнее и поинтересовался:
— А что именно вы называете умом?
Вопрос оказался бы крайне неудобным. Современные системы искусственного интеллекта невозможно расставить по одной линейке — от самой глупой до самой гениальной. Одна лучше решает математические задачи, другая пишет программы, третья работает с изображениями, четвёртая быстро изучает огромные документы. Каждая компания при этом старается доказать, что именно её электронный ученик ближе всех подошёл к некоему «цифровому Эйнштейну». Так начинается чемпионат мира среди нейросетей — соревнование, в котором участники меняются быстрее, чем организаторы успевают переписывать правила.

Ищут ли разработчики нового Эйнштейна?

В разговорах об искусственном интеллекте имя Эйнштейна возникает почти неизбежно. Его давно превратили в универсальный символ человеческого гения: растрёпанные волосы, задумчивый взгляд, формулы на доске — и вот перед нами готовый образ сверхразума. Посему очередную мощную модель нередко представляют как будущего электронного учёного, который однажды сможет самостоятельно совершать открытия. Но между великим физиком и языковой моделью есть принципиальная разница. Эйнштейн не просто быстро отвечал на известные вопросы. Он умел ставить вопросы, которых до него почти никто не формулировал. Он мысленно летел рядом с лучом света, представлял падающий лифт и пытался понять, как пространство, время и тяготение связаны между собой.
Искусственный интеллект пока чаще действует иначе. Он обучается на огромном количестве созданных людьми материалов, распознаёт закономерности и строит наиболее подходящий ответ. Модель может великолепно объяснить теорию относительности, но это ещё не означает, что она способна самостоятельно создать новую физическую картину мира. Иными словами, выучить труды Эйнштейна — не то же самое, что стать Эйнштейном.

​

Сегодня в соревновании участвуют целые семейства искусственного интеллекта: GPT, Claude, Gemini, Llama, Grok и множество других систем. Внутри каждого семейства существуют собственные «весовые категории»: крупные рассуждающие модели, универсальные помощники и облегчённые версии, рассчитанные на скорость. Каждая из них претендует на звание наиболее умной. Но Эйнштейн, вероятно, сразу потребовал бы уточнить условия эксперимента. Умной — в чём?..

В математике?
В программировании?
В поиске информации?
В понимании изображений?
В способности не выдумывать несуществующие научные статьи?

Последняя дисциплина особенно важна! Модель может рассуждать красиво, подробно и абсолютно неверно. Человек хотя бы иногда выдаёт свою неуверенность выражением лица. У нейросети лица нет, поэтому она способна сообщить фантазию с интонацией академика, только что вернувшегося с заседания Нобелевского комитета.

Электронная теория относительности

Главный урок современных соревнований искусственного интеллекта вполне можно назвать принципом относительности моделей. Качество каждой системы относительно задачи. Одна модель окажется сильнее при написании программного кода. Другая — лучше обработает длинную рукопись. Третья быстрее ответит на простой вопрос. Четвёртая сможет работать на домашнем компьютере без подключения к внешнему серверу. Поэтому фраза «эта модель самая лучшая» примерно так же неполна, как утверждение «этот транспорт самый лучший».
Самолёт быстрее поезда, но совершенно бесполезен при поездке из кухни в спальню. Карьерный самосвал перевозит сотни тонн породы, однако проигрывает велосипеду в доставке утренней газеты. В искусственном интеллекте всё тоже зависит от точки наблюдения. Где-то побеждает мощность, где-то скорость, где-то стоимость, а где-то — конфиденциальность. Эйнштейну, привыкшему к словам «относительность» и «система отсчёта», такая картина наверняка показалась бы знакомой.
Чтобы сравнивать модели, разработчики используют бенчмарки — стандартные наборы задач. По существу это контрольные работы для искусственного интеллекта. Моделям предлагают решать математические примеры, анализировать научные тексты, писать программы, распознавать изображения и отвечать на вопросы. После этого публикуется таблица результатов:

модель А — 87 процентов;
модель Б — 86 процентов;
модель В — 84 процента.

И начинается торжественное вручение виртуальных медалей. Но Эйнштейн, вероятно, спросил бы:
— А хорошие ли были вопросы?
Если задания слишком просты, лучшие модели набирают почти одинаковые баллы. Если ответы заранее попали в обучающие данные, нейросеть может не решить задачу, а фактически вспомнить её. Если автоматическая проверка составлена плохо, правильное решение иногда признаётся ошибочным. Получается парадокс: модель может проиграть не интеллектуальную битву, а неудачно организованный экзамен.
Сам Эйнштейн, к слову, тоже не всегда вписывался в формальные представления об идеальном ученике. Это не означает, что он плохо учился вообще — популярная легенда о его школьной неуспеваемости сильно преувеличена. Однако его пример хорошо показывает: результаты экзаменов и настоящий научный талант — далеко не одно и то же.

Может ли искусственный интеллект сделать открытие уровня Эйнштейна?

Это главный вопрос всей битвы… Современные модели уже помогают учёным искать закономерности, анализировать экспериментальные данные, предлагать структуры веществ, писать программный код и изучать научную литературу. Они способны обработать за несколько минут такое количество публикаций, на которое человеку потребовались бы месяцы. Но большое открытие требует не только скорости обработки информации. Необходимо заметить противоречие, усомниться в привычной картине, предложить неожиданную гипотезу и проверить её. Именно так работает не просто вычислительная мощность, а научное воображение.
Эйнштейн создавал мысленные эксперименты. Он спрашивал, что увидит наблюдатель, движущийся рядом со светом, или что почувствует человек внутри свободно падающего лифта. Эти образы помогли ему выйти за пределы привычных представлений. Искусственный интеллект уже способен предлагать гипотезы и комбинировать идеи. Но пока трудно определить, где начинается настоящее самостоятельное открытие, а где система искусно переставляет фрагменты человеческих знаний. Возможно, первый цифровой Эйнштейн появится не как один гигантский мозг, а как коллектив моделей: одна изучает литературу, другая выполняет расчёты, третья ищет ошибки, четвёртая предлагает гипотезы, а пятая безжалостно спрашивает:
— Чем это подтверждается?
Одного чемпиона пока нет… У каждой модели свои сильные и слабые стороны. Одна пишет код, другая анализирует документы, третья работает с изображениями, четвёртая быстрее и дешевле, пятая может запускаться локально. Поэтому искать «лучший искусственный интеллект вообще» почти бессмысленно. Выбирать модель следует под конкретную задачу.
Для короткого письма не нужен электронный Эйнштейн. Для серьёзного научного анализа недостаточно системы, которая просто быстро составляет гладкие предложения. А для важных решений полезно сравнить ответы нескольких моделей и проверить ключевые факты по независимым источникам. Потому что нейросеть, как и человек, иногда ошибается. Только делает это без кашля, паузы и смущённого взгляда в потолок. Если бы Эйнштейн действительно оказался судьёй на турнире искусственных интеллектов, он вряд ли ограничился бы таблицей баллов. Вероятно, его больше заинтересовало бы другое:

способна ли модель усомниться в условии задачи;
понимает ли она границы своих знаний;
может ли предложить неожиданную идею;
умеет ли отличить красивое объяснение от правильного;
и способна ли признать ошибку раньше, чем её заметит пользователь.

Возможно, звание «цифрового Эйнштейна» получит не та система, которая знает больше всех и отвечает быстрее всех. А та, которая однажды скажет: «Прежнее объяснение не работает. Попробуем взглянуть на проблему совершенно иначе». — Именно с таких слов иногда и начинаются настоящие научные революции.

​