Почему прогнозы развития ИИ часто ошибочны?

Прогнозы в области технологий, особенно таких сложных, как искусственный интеллект, часто оказываются неверными. Пример Пита Хата и многие другие прогнозы, которые оказываются слишком оптимистичными или, наоборот, усиливают пессимистичные, представляют собой, как сложно предсказать, «Как будет развиваться ИИ». Разберемся, почему так происходит.

1. Ограниченное понимание текущих возможностей и технологий.

Часто прогнозы основаны на нашем современном уровне технологий и на том, что мы наблюдаем сейчас. Однако это понимание ограничено, особенно в науке, которая развивается очень быстро. Когда Пит Хат в 2014 году говорил о том, что ИИ не сможет победить человека в го, его прогноз отражал уровень развития ИИ на тот момент. Машины могли успешно решать узкоспециализированные задачи, но казались способными обыгрывать человека в такой сложной игре, поскольку тогда казалось, что они слишком сложны.

Технологии ИИ развиваются экспоненциально, и новаторские открытия (как, например, методы глубокого обучения, которые сделала компания DeepMind) открывают совершенно новые горизонты. В результате прогнозы быстро устаревают.

2. Непредсказуемость прорывов

Научные прорывы иногда случаются неожиданно. Новые подходы и методы могут появиться в считанные годы, благодаря чему происходят качественные скачки. Так, например, с появлением глубокого обучения искусственного интеллекта появилась возможность анализировать огромные объемы данных и обучаться на них с невиданной ранее эффективностью. AlphaGo от DeepMind – памятный пример такого прорыва, когда ИИ отключился на уровне, на котором научились предсказывать и просчитывать исходы игры, что стало революцией в области машинного обучения.

Никто не может точно сказать, когда произойдет следующий прорыв и какие именно задачи ИИ сумеет решить через 5-10 лет. Это составление прогнозов в этой сфере особенно сложно.

3. Человеческий фактор и когнитивные изменения.

Люди склонны либо преувеличивать, либо недооценивать возможности новых технологий. Некоторые исследователи проявляют излишний оптимизм, предсказывая, что ИИ уже в стремлении достичь человеческого уровня во всем мире. Другие, напротив, скептически относятся к прогрессу, объясняя, что машины не способны выйти за рамки решения узкоспециализированных задач.

Такие когнитивные преобразования, как склонность к линейному мышлению и недостаточная способность предсказать быстрые изменения, также влияют на точность прогнозов. Прогнозы ИИ случайно изменяются из-за наших привычек экстраполировать нынешние тенденции, не принимая во внимание непредвиденные скачки.

4. Невозможность предсказать, как ИИ будет учиться

Обучение нейронных сетей и использование данных для улучшения ИИ остаются непростым и малоизученным процессом. В случае с AlphaGo и другими современными технологиями обучение и самообучение позволяют быстро преодолеть то, что считалось легкой привилегией. Процессы обучения нейросетей порой настолько сложны и многогранны, что даже специалисты, работающие с ИИ, не всегда понимают, как именно ИИ достиг того или иного результата.

Поэтому предсказать, какие способности ИИ приобретет в ближайшем будущем, – задача, мягко говоря, непростая. Даже те результаты алгоритмов, которые уже существуют, показывают, которые иногда приводят в тупик ученых.

5. Режим внешних факторов – фонды, проценты и ресурсы.

Темпы развития ИИ во многом зависят от внешних факторов, таких как финансирование и внимание к этой теме со стороны бизнеса и государства. В последние годы искусственный интеллект получил беспрецедентный уровень поддержки и инвестиций. Это означает, что сейчас ученые и инженеры работают в этой области гораздо активнее, чем даже 10 лет назад. Если бы возникло не такое возросло, то, вероятно, разработки систем, таких как AlphaGo, могли бы продержаться несколько лет.