Зміст:
Що означає «розумна» машина
Термін «штучний інтелект» вперше з’явився в 1956 році на літній школі в Дартмуті.
Тоді дослідники сподівалися, що машини почнуть мислити за кілька років.
Обіцянку не виконали, але сама ідея прижилася. Наступні десятиліття вчені шукали одне запитання: що таке розум, якщо його можна вбудувати в машину?
За сімдесят років, кажуть автори препринту, визначення змінювалося чотири рази. Кожна нова версія давала зрушення, але й швидко стикалася з обмеженнями.
Коли попередня парадигма переставала працювати, фінансування скорочувалося. Такі спади дослідники називають «зимами штучного інтелекту». Ними описують періоди спаду інтересу й ресурсів.
- Логіка (з 1950-х): розум сприймали як перебір варіантів і пошук правильного ходу.
- Знання (з 1960-х): розум відносили до великої бази правил від живих експертів.
- Навчання (з 1980-х): розум — це здатність знаходити закономірності на прикладах, без явних правил.
- Масштаб (з 2012 року): розум вважали наслідком більше даних і потужнішого обладнання.
Кожна з цих відповідей працювала тимчасово. Але зрештою кожна впиралася у власну межу.
Шахи й «мислячі» машини з’явилися раніше за ШІ
Спроби змусити машину грати в шахи почалися задовго до Дартмуту.
Ще 1912 року іспанський інженер створив Ель-Ахедресіста. Це був механічний пристрій на електромагнітах.
Він автоматично доводив найпростіший кінцевий ендшпіль — тура і король проти самотнього короля. Це не був комп’ютер у сучасному сенсі, а хитра механіка.
У 1948 році Алан Тюрінг запропонував шаховий алгоритм Turochamp. Комп’ютерів, що могли його виконати, тоді не існувало, тому ходи рахували вручну на папері.
Це важливий нюанс. Амбіція зробити «мислячу машину» старша за методи, якими її намагалися виміряти.
Перша криза: коли пошук зайшов у глухий кут
Перші програми намагалися імітувати людське мислення логічно, крок за кроком.
Logic Theorist (1956) і General Problem Solver (1957) зводили міркування до перебору символів.
Уявіть лабіринт, який на кожному повороті розгалужується ще на кілька проходів. Спершу вибір невеликий, але дуже швидко варіантів стає мільйони.
Комп’ютери 1950–60-х ставали потужнішими, але число шляхів росло ще швидше. Перебирати їх усі виявилося неможливо.
Одночасно з’являлися альтернативи. Перцептрон Розенблатта (1957) навчався розпізнавати форми за прикладами, а не за правилами.
Цю ідею відклали на десятиліття. У 1969 році Марвін Мінскі й Сеймур Пейперт показали значні обмеження таких систем.
У 1973 році звіт Лайтгілла для британського уряду констатував невиконані обіцянки. Фінансування впало. Настала перша «зима».
Друга спроба: передати машині знання експертів
Якщо машина не може вигадати рішення сама, вирішили, треба вкласти в неї експертні правила.
Так з’явилися експертні системи: DENDRAL (1964) допомагав хімікам з молекулами, MYCIN (1979) радив лікування.
До середини 1980-х ця галузь перетворилася на індустрію з державною підтримкою.
Втім, виявилося, що знання коштує дорого. Кожне правило виписували вручну з голови експерта.
Системи ламалися, коли завдання виходило за межі прописаних правил. У 1987 році ринок «розумного» обладнання обвалився. Настала друга «зима».
Натомість виникало інше питання: може, машині не треба пояснювати правила, якщо вона вчиться на прикладах?
Третя відповідь: навчання на прикладах замість правил
Наступна епоха перенесла зусилля з прописування правил на навчання моделей на прикладах.
Ключовим інструментом стало зворотне поширення помилки — метод, який дозволяє нейромережі налаштовувати внутрішні ваги, зменшуючи помилки крок за кроком.
Ідею розробляли кілька груп незалежно. У 1986 році команда Девіда Румельгарта повернула до неї увагу наукової спільноти.
Прогрес був помітний, але обмежений. Не вистачало даних і обчислювальної потужності.
Паралельно з’явилися й інші натхненні природою методи, наприклад генетичні алгоритми чи рої частинок.
Четверта відповідь: розум як результат масштабу
У 2012 році ситуація змінилася не завдяки новій математиці. Зіграв роль одночасний збіг кількох факторів.
- Підешевшали обчислення, і CUDA дозволила використовувати відеокарти для навчання моделей.
- Архітектурні зміни дозволили будувати значно глибші нейромережі без втрати якості.
- З’явилися великі розмічені набори даних, спершу ImageNet, а згодом величезні корпуси з інтернету.
- У галузь почали інвестувати гроші в масштабах, яких раніше не бачили.
У 2012 році AlexNet виграла змагання ImageNet і значно скоротила число помилок. Через три роки ResNet вивела помилку до рівня приблизно одного знімка з двадцяти восьми.
У 2016 році AlphaGo обіграв одного з провідних гравців у го. У 2017 році з’явився трансформер, що змінив підхід до роботи з текстом.
Трансформери лягли в основу сучасних мовних моделей, таких як GPT. Головне — інвестиції й ресурсні витрати.
До 2010 року обчислювальна потужність для навчання ШІ подвоювалася приблизно раз на два роки. Після 2010-го темп зріс удвічі й більше кожного року.
Уявіть, що ваші кишенькові гроші зростають учетверо щороку. Через п’ять років ви матимете приблизно в 1800 разів більше. Саме так стрімко росли витрати на навчання нейромереж.
Самі алгоритми не зазнали радикальної зміни. Просто виявилося, що рецепт не має очевидної межі. Потрібні лише додаткові дані й потужність.
П’ять напрямів, де ефект найочевидніший
Автори препринту простежили прогрес п’ятьма напрямами. У кожному повторюється одна схема: спершу все прописували вручну, потім моделі почали вчитися самі.
У розпізнаванні зображень шлях ішов від AlexNet і ResNet до систем на кшталт RF-DETR (2026). Сучасні моделі не лише розпізнають об’єкти, а й обводять їхні межі й відстежують ключові точки в реальному часі.
У розпізнаванні мовлення еволюція почалася з Audrey (1952), яка відрізняла лише цифри від нуля до дев’яти. Далі з’явилися словники на тисячу слів і системи, незалежні від голосу.
У 2026 році RosettaSpeech вміє перекладати мовлення однією мовою в мовлення іншою напряму, без проміжного тексту.
У мовних технологіях перша спроба від Джорджтаунського університету й IBM (1954) переклала шістдесят речень і пообіцяла зробити це за п’ять років.
Обіцянку не виконали. ELIZA (1966) працювала за шаблонами, та люди вірили, що вона розуміє їхні почуття.
У 2003 році Йошуа Бенджіо запропонував ембединги — перетворення слів у вектори, де схожі слова стоять поруч.
Далі з’явилися трансформер, GPT-3 (2020) і DeepSeek-R1 (2025), яка навчилася вирішувати задачі покроково, отримуючи тільки сигнал «правильно / неправильно» від людини.
У науці DENDRAL і MYCIN поступилися місцем AlphaFold2 (2020). Модель навела прорив у проблемі згортання білків.
AlphaFold2 передбачила тривимірні форми білків з високою точністю. У 2025 році AlphaProof досягла рівня медаліста Міжнародної математичної олімпіади, перевіряючи докази автоматично.
Питання лишається: як порівнювати загальний рівень «розумності» ШІ, якщо прогрес видно в різних напрямках одночасно?
Чому шахи — найчесніший індикатор прогресу
У більшості напрямів важко зіставляти результати різних епох. Тести змінюються, завдання еволюціонують.
Шахи — виняток. Тут силу гравця вимірюють однією шкалою — рейтингом Ело — вже понад пів століття.
Ело працює просто: вищий рейтинг означає сильнішого гравця. Рандомні ходи оцінюють приблизно в 400 балів. Чемпіон світу серед людей — близько 2900.
За цією шкалою шахові програми додавали 40–50 балів щороку, десятиліттями.
Це стосувалося і вручну прописаних стратегій 1980-х, і мереж, що навчалися самі, граючи мільйони партій, як AlphaZero у 2017 році.
Belle став шаховим майстром у 1983 році. Deep Blue переміг чемпіона світу у 1997 році.
Але є дивовижний факт. Сучасні мовні моделі вправно пояснюють фізику й пишуть код. Та при простій задачі — зіграти партію в шахи — багато з них провалюються.
З пів сотні перевірених моделей понад половина грали гірше за випадкові ходи. Вміння пояснювати фізику не дорівнює вмінню вигравати шахи.
Гонитва за усе складнішими іспитами
Автори препринту помітили стале явище: як тільки машина проходить тест, цей тест ускладнюють.
Спершу перевіряли шахи. Потім перемістилися до го, а далі — до ігор з неповною інформацією, як покер.
Те саме трапилося з шкільними тестами для мовних моделей. MMLU замінили GPQA, той — «Останнім іспитом людства».
ARC-AGI вже двічі переробляли, бо машини знаходили шляхи «зламати» тест без реального підвищення інтелекту.
Останні тести перевіряють не лише правильність відповіді, а й стійкість системи без нагляду. Наприклад, чи зможе модель самостійно працювати годину без помилок.
Куди поділася людська праця
Легко думати, що з ростом інтелекту машин люди роботи стає менше. Насправді ролі людей змінилися.
Раніше люди писали алгоритми рядок за рядком. Потім вони виписували правила для експертних систем.
Після — вручну підбирали ознаки для розпізнавання зображень. Сьогодні люди маркують мільйони фото, збирають тексти й фільтрують їх.
Люди оцінюють відповіді нейромережі і контролюють обладнання, що ці мережі тренує. Ці задачі рідко потрапляють у графіки «прогресу ШІ».
Якщо дивитися лише на вимірні цифри, історія виглядає так, ніби нічого не відбувалося до 2012 року. Автори препринту наполягають: це хибне враження.
Навіщо це пам’ятати
Коли наступного разу прочитаєте заголовок «ШІ перевершив людину в тесті X», поставте просте запитання: скільки цьому тесту років?
У галузі звично ускладнювати тести. Як тільки машина наздоганяє рівень, тест змінюють.
Це не означає відсутності прогресу. Це означає, що порівнювати «сьогоднішній ШІ» з «учорашнім тестом» треба обережно.
І ще один важливий момент: поділ 70 років на чотири епохи — це інтерпретація авторів препринту, а не беззаперечний науковий факт.
Текст ще не пройшов рецензування. Чи стане прискорення останніх років переломом в історії розуму? Поки що дослідники точної відповіді не дають.
Створено за матеріалами: kyiv.news
