Конечно, остаются определенные ограничения, которые не позволяют ChatGPT диагностировать заболевания со скоростью света. Как минимум, требуется время на то, чтобы собрать необходимую информацию от пациентов и провести анализы. Хотя большие языковые модели пока бесполезны во втором случае, с первой задачей они могут в значительной степени помочь. Есть исследования , которые показывают, что поздняя диагностика, например, рака у пожилых пациентов часто связана не с тем, что врачи не смогли быстро сопоставить все кусочки пазла, а с тем, что пациенты, особенно пожилые, не всегда могут верно донести свои симптомы до врача. В теории модель можно обучить на данных от пациентов определенного возраста, и она сможет распознавать важное и доводить это до сведения врача. Я думаю, что она сможет как минимум подстраховать последнего – обратить его внимание на то, что он мог упустить. Я уверен, что любые ограничения можно будет преодолеть за пару лет, если не раньше. Может случиться и так, что к тому времени, как вы дочитаете эту книгу, мир медицины изменится до неузнаваемости, и все мои выводы покажутся вам не более чем выдержками из учебника истории.

Рождение ИИ

Разумеется, сфера применения ChatGPT не ограничивается медициной. Иначе зачем я стал бы писать эту книгу? Чат – первая технология, которая приблизила мир к универсальному искусственному интеллекту, способному выполнять самые разные задачи на уровне человека. Он и его аналоги уже способны поддерживать неформальный диалог, шутить и выказывать эмпатию – в общем, делать все то, о чем мечтали ученые еще в середине ХХ века. Главное – правильно поставить задачу. В этом смысле нейросеть очень похожа на человека: чтобы специалист – скажем, разработчик – смог сделать то, что вы от него хотите, вам нужно четко описать задачу. Так и тут: бот выдаст качественный результат, если вы правильно его об этом попросите.

Один из отцов-основателей в сфере ИИ, сооснователь Лаборатории искусственного интеллекта в Массачусетском технологическом институте Марин Минский в 1970 году в интервью Life Magazine прогнозировал, что в будущем машины смогут читать Шекспира, шутить и ссориться. Как оказалось, его прогнозы были чересчур оптимистичными: он предполагал, что все это произойдет еще до начала 1980-х годов.

Правда, даже спустя полстолетия, в 2022 году, основатели OpenAI и не надеялись на то, что их разработка окажется настолько способной. Когда 30 ноября 2022 года Сэм Альтман и его партнеры готовились к запуску ChatGPT на рынок, внутри команды было много разногласий на эту тему: «А не стоит ли подождать еще?» Часть сотрудников полагала, что сервис станет игрушкой горстки энтузиастов и вряд ли превратится в мегахит. Уже к двум часам следующего дня все сомнения развеялись: даже далекие от технологий люди стали запрашивать доступ к продукту. А спустя еще четыре дня он привлек 1 млн пользователей. До этого такой скорости не удавалось достичь ни одной технологической компании! Для сравнения: китайской социальной сети TikTok потребовалось девять месяцев, чтобы добиться такого успеха, а Instagram  – два с половиной года. Уже в начале февраля 2023 года количество пользователей чат-бота достигло  100 млн человек. Это сделало его самым быстрорастущим приложением в истории. А в ноябре 2023 года переписку с чатом поместили на обложку Times, определив таким образом степень его влияния в мире.

Но вернемся к истории. Хотя ChatGPT стал феноменом практически в одночасье, его успеху предшествовали десятилетия исследований. Первые шаги на этом пути были сделаны еще в XVII веке. Тогда немецкий ученый, профессор математики и астрономии Тюбингенского университета Вильгельм Шикард построил первую вычислительную машину. Она автоматически выполняла простые математические операции: складывала, вычитала, умножала и делила числа – по сути, служила прототипом калькулятора. К сожалению, свидетельств ее работоспособности не сохранилось : об ее существовании можно судить только по перепискам ученого с коллегами и эскизам. Позднее конструкцию доработал другой немецкий ученый – Готфрид Лейбниц. Он же придумал двоичную систему счисления. Она лежит в основе того, как современные компьютеры представляют и обрабатывают данные. Этим машинам было далеко до искусственного интеллекта, но они впервые продемонстрировали, что математические вычисления можно автоматизировать. А это предопределило дальнейшее развитие информатики.

Существенный прогресс в сфере интеллектуальных систем наметился в ХХ веке. Тогда ученые были буквально одержимы идеей создать умные машины. Для многих развитие ИИ не было очередным научным начинанием – это был вызов самим себе, манящей головоломкой. Вспоминая пионеров отрасли, нельзя обойти стороной блестящего британского математика Алана Тьюринга, которого принято считать отцом-основателем компьютерной науки. В 1936 году, всего через два года после окончания Кембриджского университета, он сформулировал математические принципы того, что сейчас называют «Универсальной машиной Тьюринга»: по сути, он предложил  концептуальный план современного компьютера. По его задумке конструкция должна была состоять из двух частей: неограниченной памяти, где хранились бы данные и инструкции, и сканера, который мог бы перемещаться вдоль ячеек памяти, символ за символом считывая найденные данные и записывая в ячейки следующие символы. При вводе различных программ в память машина должна была адаптироваться под новые задачи. Этим универсальная машина отличалась от первого электронного цифрового компьютера Colossus, который использовался британскими криптографами с начала 1944 года. Colossus был способен обработать только одну конкретную задачу. Чтобы компьютер мог выполнить другую, его требовалось перепрограммировать. Это делалось вручную с помощью различных штекеров и переключателей.

Размышления ученого о возможностях машин были описаны в статье «Вычислительные машины и разум» , опубликованной в 1950 году. В ней математик впервые поднял вопрос о том, может ли машина мыслить. В этой же статье он описал «игру в имитацию», которая позже получила название «Тест Тьюринга». В ней человеку давалась задача отличить, с кем он разговаривает: с живым собеседником или машиной. Этот тест до сих пор используется, чтобы определить, есть ли у той или иной технологии сознание. В 1991 году американский изобретатель и техноэнтузиаст Хью Лебнер даже учредил премию Лебнера в размере 100 000 долларов: она присуждается авторам программы, которая пройдет тест. До сих пор приз не нашел своего победителя, но ChartGPT смог невероятно приблизиться к этой цели. Ему практически удалось провести собеседника, выдать себя за человека и доказать, что у модели есть сознание.

Добиться этого получилось с помощью уловки. Модель заранее запрограммировали с помощью специальных промптов имитировать поведение человека. Для этого бот во время эксперимента , например, делал грамматические ошибки. Добавлю, что пока ChatGPT плохо справляется с логическими задачами теста, геометрией и задачами, где нужно задействовать абстрактное мышление. Но важно понимать, что люди тоже плохо с ними справляются. Если не брать в расчет выпускников мехмата, редкий человек без подготовки решит задачи из второй части ЕГЭ по математике. Но основная идея теста не в том, что получить идеальные ответы, а в том, чтобы понять, человек перед тобой или нет. Поэтому можно запрограммировать чат, чтобы он избегал конкретных задач, в которых может быть не уверен, как это обычно делает человек. Можно использовать такие промпты: «Если ты не можешь назвать правильный ответ, скажи, что не можешь решить задачу, так как давно проходил это в школе и уже не помнишь, как решать».

Но если вернуться к теме сознания, то есть вероятность, что даже универсальный искусственный интеллект, который превзойдет человека по уровню способностей, его не обретет. По мнению философа Джона Серда, машина с сознанием – это в принципе неосуществимая мечта человечества. Чтобы это доказать, он описал мысленный эксперимент, получивший название «китайская комната».

В чем его суть? Мы помещаем некую сущность в комнату и снабжаем ее подробными инструкциями, как отвечать на любой набор иероглифов. Например, если на вход пришел вопрос «Как дела?», нужно ответить: «Все, хорошо, спасибо. А как у вас?» Имея бесконечное количество инструкций, такая конструкция способна отвечать на вопросы на китайском языке так, будто это делает разумное существо. Даже не зная китайского языка и значения иероглифов! Теоретически для сущности в комнате могут быть написаны ответы на всевозможные вопросы, и она может оказаться умнее человека, задающего вопросы. Но при этом у нее нет сознания – она лишь следует заготовленным инструкциям. Эта идея подробно разбирается в научно-фантастическом романе канадского писателя-фантаста Питера Уоттса, который называется «Ложная слепота», где человечество сталкивается с инопланетной расой, обладающей превосходящим человечество интеллектом, но при этом лишенной разума.

Рисунок, изображающий принципы эксперимента «Китайская комната»

Этот эксперимент хорошо иллюстрирует, как работают современные языковые модели и в частности – ChatGPT: они получают входящую информацию – скажем, предложение со словом «ручка» (например, «Дай мне ручку»). Сложность заключается в том, что слово «ручка» может иметь множество значений: ручка, которой можно писать на бумаге, ручка ребенка или же дверная ручка. Модель должна проанализировать контекст и понять, что именно мы имеем в виду. По сути модель не анализирует конкретное слово, а оперирует всем текстом, который идет до конкретного слова, «понимая», что имеется в виду. В этом она схожа с человеком – мы тоже следуем инструкциям. Это главная технологическая революция, которая произошла с большими языковыми моделями с появлением технологии GPT, на основе которой работают как ChatGPT, так и российские нейросети Sber GigaChat и Yandex GPT. Однако важное отличие в том, мы осознаем беседу и даем ответы осознанно, так как обладаем сознанием – в отличие от машины.

Но вернемся к истории ИИ. Разумеется, Тьюринг был не единственным, кого занимала идея интеллектуальных машин. Этим грезили ученые на другой стороне мира – американцы Уоррен Маккалох и Уолтер Питтс, которых называют отцами кибернетики. Они искали возможность имитировать поведение биологических нейронов и, соответственно, человеческих мыслительных процессов с помощью вычислительных технологий и в 1943 году разработали первую математическую и компьютерную модель биологического нейрона (формальный нейрон). Это была лишь теоретическая концепция, но именно она запустила цепочку событий, которые в конечном итоге привели к появлению больших языковых моделей.

Первой практической реализацией концепции искусственного нейрона стал персептрон . Его разработал американский психолог Фрэнк Розенблатт, который стремился воссоздать процесс обработки информации в мозге с помощью машин. Он предположил, что сети из персептронов так же, как нейронные сети головного мозга, могут обучаться и решать практические задачи. Для этого разработчику нужно «скормить» программе определенные данные и направить ее «мысли» в нужное русло. Розенблатт предложил алгоритм обучения персептронов и по сути сформировал набор инструкций, которые помогали программе учиться выполнять новые задачи. То есть машину можно было обучить, скажем, различать спелые и недозрелые бананы по косвенным признакам: цвету кожуры и наличию пятен. Он доказал эту теорию, разработав на основе нейросетей вычислительную систему «Марк‑1». Она могла распознавать лишь буквы и цифры, но Розенблатт был уверен, что со временем искусственные нейронные сети смогут выполнять более сложные задачи: распознавать изображения, речь и многое другое. И оказался прав!