Иной разум. Как «думает» искусственный интеллект? - Андрей Владимирович Курпатов

Бруксом, бывшим главой лаборатории ИИ в Массачусетском технологическом институте и основателем компании iRobot.

Его знаменитый принцип гласит: «Мир — это его соб-ственная лучшая модель»[169]. То есть любая симуляция, какой бы детальной она ни была, всегда останется упрощением бесконечно сложной и хаотичной реальности.

В виртуальном мире всё предсказуемо: физика работает по идеальным законам, поверхности имеют чётко заданные свойства, объекты ведут себя так, как должны. Реальный же мир — это мир бесконечных «шумов»:

• сенсорный шум — датчики камер и лидаров дают не-идеальные данные из-за освещения, пыли или дождя;

• неожиданные помехи — внезапный порыв ветра, скользкая поверхность, лужа, которую мы не заметили, или лёгкий толчок со стороны человека;

• износ материалов — «усталость» металлических суставов или деградация аккумуляторов, которые меняют поведение робота со временем.

И мы всё это видим в бесчисленных демонстрациях: роботы, такие как Atlas от Boston Dynamics или Optimus от Tesla, которые демонстрируют чудеса акробатики в тщательно подготовленных демороликах, оказываются поразительно хрупкими и неуклюжими в неструктурированных, реальных средах.

Идеальная походка, выработанная за миллионы итераций в симуляции, рассыпается при столкновении с одним-единственным неровным камнем, который не был предусмотрен в модели. Так что попытка дать ИИ «тело» через симуляцию не решает задачи — мы не соединяем ИИ с реальностью, мы только делаем вид, что это происходит.

Мы можем дать ИИ самую совершенную карту тела, можем научить его идеально ориентироваться по карте на местности, но он, как и прежде, будет теряться, как только ступит на «территорию» мира нашей физической реальности, который мы впитали в себя с молоком матери ещё в детской колыбели.

Пространственный интеллект

Из психологии восприятия хорошо известно, что процесс формирования образа начинается с различения и далее идёт через опознание к полному и адекватному восприятию данного объекта.

Лев Маркович Веккер

Попытка дать ИИ «тело в кавычках» через симуляции, при всей своей инженерной элегантности, вскрыла более глубокий изъян в этом подходе.

Стало очевидно, что проблема не просто в отсутствии правильных данных о физическом мире и не в качестве симуляции, а в самой архитектуре разума, который мы пытаемся обучить.

Мы пытались научить исходно «лингвистический мозг» решать физические задачи. По сути, это сродни попытке объяснить геометрию существу, которое способно воспринимать мир лишь как одномерную линию.

Четыре измерения

Здесь на сцену выходит Фэй-Фэй Ли — одна из самых авторитетных и влиятельных фигур в современном ИИ. Будучи профессором Стэнфордского университета, она также является создателем проекта ImageNet[170] — это именно та платформа, на которой нейронная сеть AlexNet продемонстрировала результат, запустивший революцию глубокого обучения ИИ в 2012 году.

Так что её слово имеет вес, и когда она говорит о следующем рубеже в развитии ИИ, к ней прислушиваются. По мнению Фэй-Фэй Ли и команды, которую она объ-единила в компании World Labs, мы не решим проблему воплощённости без пространственного интеллекта (Spatial Intelligence)[171].

Пространственный интеллект — не просто ещё одна модальность, которую можно «прикрутить» к существующим моделям, а фундаментальная концепция, сравнимая, как утверждает Ли, по важности с языком.

Если большие языковые модели (LLM) достигли совершенства в обработке одномерного, линейного мира текста, то пространственный интеллект — это попытка создать разум, который изначально «думает» в трёхмерной (и четырёхмерной, с учётом времени) логике нашего мира.

Язык, если смотреть на вещи здраво, это лишь сжатая, уплощённая проекция богатой многомерной реальности. И да, LLM гениально научились реконструировать мир по этой плоской «карте» из слов.

Однако пространственный интеллект же ставит перед собой куда более амбициозную задачу: научить ИИ строить внутреннюю модель самой «территории» — понимать физику, геометрию, причинно-следственные связи, рождённые из движения в пространстве, не из описаний, а как нативную, внутреннюю структуру.

Стремительное развитие вычислительных мощностей, появление новых алгоритмов (таких как Neural Radiance Fields, или NeRF, способных реконструировать 3D-сцены из 2D-изображений[172]), а также огромные массивы данных создали условия для того, чтобы мы могли перейти от разума, читающего о мире, к разуму, который строит его внутреннюю рабочую модель.

Давайте попробуем осознать всю революционность этой идеи. Для этого нам, прежде всего, нужно сравнить «мир языка», на котором мы выучили современный ИИ, и «мир пространства», который определяет внутреннюю логику того мира, в котором мы физически существуем, который мы воспринимаем и понимаем.

Язык при всей своей сложности и красоте — это искусственно созданная, одномерная система. Слова в предложении выстраиваются в линию, одно за другим, как бусины на нитке.

И большие языковые модели научились улавливать тончайшие статистические закономерности в этой «нитке» из слов и, основываясь на них, с поразительной точностью предсказывать, какая «бусина» должна идти следующей. Но они всегда остаются заложниками этой линейной проекции.

Когда мы описываем объёмную, многомерную реальность с помощью языка, мы неизбежно совершаем акт компрессии, сжатия. Мы «уплощаем» богатый, параллельный опыт в последовательную цепочку символов, информация не только теряется, но и становится принципиально иной.

Пространство же — совсем другая история. Это физическая реальность с внутренней трёхмерной структурой, где объекты имеют объём, положение и ориентацию. Здесь действуют незыблемые законы физики.

Наш собственный мозг, получая на сетчатку глаза лишь плоские 2D-проекции, тратит колоссальные ресурсы на то, чтобы реконструировать из них внутреннюю 3D-модель мира.

Именно эта модель позволяет нам ориентироваться в пространстве, протягивать руку и безошибочно брать чашку со стола, а не просто распознавать её образ. Причём в самом этом действии реализуется и четвёртое — временно́е — измерение.

Таким образом, пространственный интеллект — это попытка построить в ИИ такую нативную 4D-модель реальности. Это фундаментально иной способ «мышления», основанный на геометрии и физике, а не на лингвистике.

Такой ИИ должен понимать не то, как слова «стул» и «стол» соотносятся в тексте, а то, как реальные стул и стол соотносятся в пространстве, как они взаимодействуют и что можно с ними сделать.

Это переход от интеллекта, который читает описания мира, к интеллекту, который воспринимает его структуру.

Разум без точки отсчёта

И всё же при всей своей революционности этот подход содержит в себе принципиальный изъян. Ведь даже если с помощью невероятных вычислительных инструментов пространственного интеллекта мы сможем построить самую совершенную модель мира, у неё не будет точки опоры.

Пространственный интеллект повиснет в пустоте, потому что он не заземлён в первичном, неопровержимом опыте физического контакта. И чтобы понять это, мы должны вернуться к вопросу, который задал себе ещё в детстве выдающийся отечественный психолог Лев Маркович Веккер.

Глядя из окна ленинградской квартиры на