Що взагалі означає «розумна» машина

У 1956 році в американському Дартмутському коледжі кілька вчених зібралися на літню школу. Вони вперше вжили термін «штучний інтелект» — і пообіцяли, що машини навчаться мислити буквально за кілька років.

Обіцянку не виконали. Але сама ідея прижилася. Відтоді вчені шукали відповідь на одне й те саме питання: що таке розум, якщо його можна вкласти в машину?

За 70 років, кажуть автори препринту, відповідь мінялася чотири рази. І щоразу, коли стара відповідь переставала працювати, фінансування різко скорочувалося. Такі періоди в науці називають «зимами штучного інтелекту» — за аналогією із зимовою сплячкою.

• Логіка (з 1950-х): розум — це вміння перебирати варіанти й шукати правильний хід, як у шаховій партії.
• Знання (з 1960-х): розум — це велика база готових правил, які записали живі експерти.
• Навчання (з 1980-х): розум — це вміння самому знаходити закономірності в прикладах, без готових правил.
• Масштаб (з 2012 року): розум — це просто більше даних і потужніших комп’ютерів, ніж будь-хто мав раніше.

Кожна відповідь спрацьовувала — на якийсь час. І кожна зрештою впиралася в стелю, якої не могла подолати.

Шахи придумали грати машиною ще до самого штучного інтелекту

Перш ніж говорити про «зими», варто знати один факт: спроби змусити машину грати в шахи з’явилися задовго до Дартмутської школи.

Ще 1912 року іспанський інженер побудував Ель-Ахедресіста — механічний пристрій на електромагнітах, який умів автоматично довести до кінця найпростіший фінал: король і тура проти самотнього короля. Не комп’ютер у сучасному розумінні — просто хитра механіка.

У 1948-му Алан Тюрінг, один із батьків-засновників інформатики, придумав шаховий алгоритм Turochamp. Комп’ютерів, здатних його запустити, тоді ще не існувало — тому кожен хід рахували вручну, на папері.

Це важливий нюанс для всієї статті: амбіція побудувати «мислячу машину» старша за будь-який спосіб, яким її вимірювали.

Перша смерть: коли пошук зайшов у глухий кут

Перші програми намагалися мислити так, як, на думку авторів, мислить людина: логічно, крок за кроком. Logic Theorist (1956) і General Problem Solver (1957) зводили будь-яке міркування до перебору символів.

Уяви лабіринт, який на кожному повороті розгалужується ще на кілька нових проходів. Перший поворот — і вибір невеликий, задача здається простою. Але вже за кілька поворотів кількість можливих шляхів через лабіринт сягає мільйонів.

Комп’ютери 1950–60-х справді ставали потужнішими з кожним роком. Тільки кількість шляхів у цьому лабіринті росла ще швидше. Перевірити їх усі одну за одною — а саме так тоді шукали розв’язок — виявилося неможливо.

Цікаво, що вже тоді існували паростки зовсім іншого підходу. Перцептрон Розенблатта (1957) учився розпізнавати форми не за готовими правилами, а на прикладах — так само, як роблять сучасні нейромережі. На цю ідею чекали ще тридцять років.

У 1969 році математики Марвін Мінскі та Сеймур Пейперт довели на папері серйозні обмеження таких систем. А 1973-го британський уряд отримав звіт Лайтгілла — розгромний висновок про те, що обіцянки штучного інтелекту не справдилися. Фінансування обвалилося. Настала перша «зима».

Друга спроба: навчити машину всього, що знають фахівці

Якщо машина не може сама здогадатися, як розв’язати задачу — чому б просто не розповісти їй усе, що знають експерти? Так народилася друга відповідь: розум — це велика база правил.

DENDRAL (1964) допомагала хімікам аналізувати молекули. MYCIN (1979) радила лікування — щоправда, її так і не впровадили на практиці. До середини 1980-х такі «експертні системи» перетворилися на цілу індустрію з держпрограмами підтримки.

А тоді з’ясувалося головне: знання коштує дорого. Кожне правило доводилося витягувати з голови експерта окремо, вручну. Системи ламалися, щойно задача виходила за межі закладених правил. У 1987 році ринок спеціалізованого «розумного» заліза обвалився. Настала друга «зима».

А що, якби машині взагалі не потрібно було пояснювати правила — а натомість вона вчилася б сама, дивлячись на приклади?

Третя відповідь: учитися на прикладах, а не на правилах

Третя ера перенесла зусилля з написання правил на навчання. Ключовим інструментом стало зворотне поширення помилки — спосіб, яким нейромережа сама підлаштовує свої внутрішні налаштування, крок за кроком зменшуючи кількість помилок.

Метод придумували незалежно кілька разів, але по-справжньому запрацював він 1986 року, коли команда Девіда Румельгарта привернула до нього увагу всієї галузі. Прогрес був справжнім, але скромним: не вистачало ні даних, ні обчислювальної потужності.

Тоді ж з’явилися й інші «біонатхненні» ідеї — генетичні алгоритми, які «еволюціонують» рішення так, як природний добір, або рої частинок, що шукають найкращий варіант так, як зграя птахів шукає їжу.

Четверта — і найдивніша — відповідь: розум можна купити

У 2012 році все змінилося не тому, що придумали щось принципово нове. Просто збіглося одразу декілька чинників.

• По-перше, обчислення різко подешевшали: технологія CUDA дозволила використовувати відеокарти — залізо, створене для комп’ютерних ігор, — для наукових розрахунків.
• По-друге, кілька архітектурних змін дозволили будувати значно «глибші» нейромережі, з набагато більшою кількістю шарів обробки, без втрати якості навчання.
• По-третє, з’явилися величезні розмічені масиви даних — спершу спеціальні, на кшталт бази фотографій ImageNet, а згодом і весь інтернет.
• По-четверте, у галузь почали вкладати гроші в масштабах, яких дослідницькі бюджети раніше не бачили.

Нейромережа AlexNet перемогла на змаганні з розпізнавання зображень ImageNet у 2012 році. Найкращий конкурент, що покладався на вручну прописані ознаки, помилявся приблизно на кожному четвертому фото. AlexNet помилялася майже вдвічі рідше. Через три роки мережа ResNet довела помилку до рівня приблизно одного знімка з двадцяти восьми — це вважали перевершенням точності людського ока.

У 2016-му прийшла AlphaGo. У го — стародавній настільній грі — можливих партій більше, ніж атомів у видимому Всесвіті. Машина все одно обіграла одного з найсильніших живих гравців. У 2017-му з’явилася архітектура «трансформер» — спосіб, яким нейромережа вчиться бачити зв’язки між словами навіть на великій відстані в тексті. Саме на трансформерах побудовані сучасні мовні моделі на кшталт GPT.

Головне тут не окремі перемоги, а те, що сталося з бюджетами. До 2010 року обчислювальна потужність, яку витрачали на навчання ШІ, подвоювалася приблизно раз на два роки — це звичайний темп, з яким узагалі дешевшає комп’ютерне залізо. Після 2010-го вона почала зростати вчетверо-вп’ятеро щороку.

Уяви, що твої кишенькові гроші раптом почали зростати не вдвічі щороку, а вчетверо. Через п’ять років у тебе було б не вдесятеро, а приблизно у 1800 разів більше грошей, ніж на старті. Приблизно так само вибухово зростали витрати на навчання нейромереж останні півтора десятиліття.

Нічого в самій математиці нейромереж принципово не змінилося. Просто виявилося, що в цього рецепта немає очевидної межі — досить дати йому ще заліза й ще даних.

П’ять напрямів, де це видно найкраще

Автори препринту простежили прогрес одразу в п’яти сферах — і в кожній повторюється той самий сценарій: спершу машині все прописували вручну, потім вона почала вчитися сама.

У розпізнаванні зображень шлях привів від AlexNet і ResNet до систем на кшталт RF-DETR (2026) — вони не просто впізнають, що на фото, а обводять межі об’єктів і відстежують ключові точки, наприклад суглоби людського тіла, у реальному часі.

У розпізнаванні мовлення усе почалося з Audrey (1952) — машини, яка вміла розрізняти лише вимовлені вголос цифри від нуля до дев’яти. Далі були системи зі словником у тисячу слів (1976), перше «незалежне від голосу» розпізнавання (1989), а в 2026-му — RosettaSpeech, яка перекладає мовлення однією мовою напряму в мовлення іншою, без проміжного тексту.

У мовних технологіях перша спроба — проєкт Джорджтаунського університету й IBM (1954) — переклала лише шістдесят речень з російської та пообіцяла повний переклад «за п’ять років». Обіцянку не виконали. Чат-бот ELIZA (1966) був примітивним набором шаблонів, але люди щиро вірили, що він їх розуміє й співчуває. У 2003-му дослідник Йошуа Бенджіо запропонував перетворювати слова на координати в уявному просторі, де схожі за змістом слова опиняються поруч, — так з’явилися перші «ембединги». Далі — трансформер, GPT-3 (2020), який перетворив саму ідею масштабу з інженерної деталі на дослідницьку стратегію, і DeepSeek-R1 (2025) — модель, що навчилася розв’язувати задачі покроково, отримуючи від людини лише сигнал «правильно / неправильно», без готових прикладів міркування.

У науці DENDRAL і MYCIN поступилися місцем AlphaFold2 (2020). Білки — довгі ланцюжки молекул, що згортаються у складну тривимірну форму, і саме форма визначає, що білок уміє робити в організмі. Десятиліттями вчені не могли передбачити цю форму — це називали «проблемою згортання білків». AlphaFold2 навчилася вирішувати її з високою точністю. А в 2025-му AlphaProof стала першою системою, яка досягла рівня медаліста Міжнародної математичної олімпіади — з доказами, які може автоматично перевірити інша програма, без людини-судді.

Але як тоді зрозуміти, наскільки насправді розумнішим стає ШІ, якщо прогрес видно одразу в п’яти різних напрямах?

Шахи — найчесніший спідометр прогресу

У більшості напрямів штучного інтелекту складно порівнювати результати різних десятиліть: тести й задачі постійно змінюються. Шахи — виняток. Це один із небагатьох напрямів, де силу гравця вимірюють однією й тією самою шкалою — рейтингом Ело — уже понад пів століття.

Шкала Ело працює просто: що вищий рейтинг, то сильніший гравець. Випадкові, зовсім не продумані ходи оцінюють приблизно в 400 балів. Чемпіон світу серед людей — це майже 2900. Різниця — майже всемеро.

За цією шкалою прогрес шахових програм ріс на 40–50 балів щороку, десятиліття за десятиліттям, — незалежно від того, чи це були вручну прописані стратегії 1980-х, чи нейромережі, що навчалися самі, граючи мільйони партій проти себе, як AlphaZero у 2017-му. Belle отримала звання шахового майстра ще 1983 року, а 1997-го Deep Blue обіграла тодішнього чемпіона світу серед людей.

А ось цікавий і трохи бентежний факт. Сучасні мовні моделі вміло розмовляють про фізику й пишуть програмний код. Та коли дослідники просять їх просто зіграти партію в шахи, стається дивне. Більш ніж половина зі 105 перевірених моделей не дотягує навіть до рівня випадкових ходів. Уміти пояснити фізику — виявляється, зовсім не те саме, що вміти виграти шахову партію.

Гонитва за складнішим іспитом

Автори препринту помітили ще одну закономірність. У галузі штучного інтелекту повторюється один і той самий сценарій.

Спершу пропонують тест, який машина точно не пройде. Через кілька років машина його проходить — і тест визнають застарілим, а натомість вигадують складніший. Шахи поступилися місцем «го», потім складнішим іграм з неповною інформацією, як покер, — тобто таким, де гравець не бачить усієї ситуації на столі одразу, на відміну від шахів.

Той самий сценарій повторився й зі шкільними тестами для мовних моделей. Тест MMLU — щось на кшталт іспиту одразу з десятків шкільних предметів — поступився місцем складнішому GPQA, розрахованому вже на рівень аспірантів. А той, своєю чергою, — «Останньому іспиту людства», зі звужено-фаховими питаннями. Тест ARC-AGI автори вже двічі переробляли, щойно машини знаходили спосіб «зламати» попередню версію, не ставши насправді розумнішими.

Останнім часом мірка змінюється ще й іншим чином. Нові тести перевіряють уже не «яка відповідь правильна», а скільки часу систему можна залишити без нагляду, перш ніж вона щось зламає: полагодити частину програмного коду, довести робочий процес до кінця, самостійно керувати програмою годину поспіль.

Куди насправді поділася людська праця

Найлегше подумати, що чим розумнішими стають машини, тим менше в процесі залишається людини. Автори препринту стверджують протилежне: людська праця нікуди не зникла. Вона просто перемістилася туди, де її складніше побачити.

Раніше людина писала алгоритм вручну, рядок за рядком. Потім — прописувала правила для експертної системи. Потім — вручну підбирала ознаки для розпізнавання зображень. Сьогодні людина розмічає мільйони фотографій, збирає й фільтрує тексти з інтернету, оцінює відповіді нейромережі та стежить за роботою заліза, яке її тренує.

Жодна з цих задач не потрапляє в графіки «прогресу ШІ». Тому історія, зібрана лише з цифр, які можна виміряти, розповість, ніби по-справжньому нічого не відбувалося аж до 2012 року. Автори препринту наполягають: це неправда. Робота просто перемістилася туди, куди наявні інструменти не сягають.

Чому це важливо знати

Наступного разу побачиш новину на кшталт «штучний інтелект перевершив людину в тесті X» — постав собі просте запитання. Цьому тесту вже десять років? Чи його придумали щойно? У галузі є звичка постійно ускладнювати сам тест: щойно машина наздоганяє один рівень, з’являється складніший.

Це не означає, що прогресу немає. Це означає, що порівнювати «сьогоднішній ШІ» з «учорашнім тестом» варто обережно.

І ще важливо пам’ятати: сама ідея поділити 70 років на чотири «епохи» — логіка, знання, навчання, масштаб — це власна інтерпретація авторів препринту, а не загальновизнаний науковий факт. Текст іще не пройшов рецензування колег-науковців. Чи стане прискорення останніх років справжнім переломом в історії розуму? Чи це лише прелюдія до третьої зими — такої самої, як дві попередні? Самі дослідники визнають: поки точної відповіді немає.

Раніше ми писали

• Чому ШІ — не інструмент, а агент, який вчиться сам
• Чому ми вже довіряємо машині більше, ніж людям
• Чому штучний інтелект прискорює не всі науки однаково