Головні новини Києва сьогодні

Попри галас навколо генеративного ШІ, більшість провідних науковців погоджується: сучасні підходи до створення штучного інтелекту не приведуть до справжнього AGI (Artificial General Intelligence) — систем, здатних навчатися та мислити на рівні людини.

Такого висновку дійшли 76% із 475 дослідників, опитаних Асоціацією сприяння розвитку штучного інтелекту (AAAI).

Цей результат контрастує з гучними обіцянками техногігантів, які з 2022 року запевняли: AGI вже не за горами, треба лише більше даних, енергії та грошей.

Віра у масштабування вичерпується

Більшість науковців вказує: масштабування великих мовних моделей (LLMs) — шлях до дедалі менших результатів при колосальних витратах.

«Це стало очевидним ще після виходу GPT-4: приріст якості від масштабування — мінімальний і дуже дорогий», — каже Стюарт Рассел, професор комп’ютерних наук з Каліфорнійського університету в Берклі, один із координаторів дослідження.

Він вказує: компанії вже занадто багато інвестували, щоб визнати помилку, тож вимушені “подвоювати ставки”, аби не втратити ринок.

Підйом і межі генеративного буму

У 2024 році індустрія генеративного ШІ зібрала $56 мільярдів венчурних інвестицій, значну частину яких витратили на будівництво дата-центрів. Але водночас:

• викиди вуглецю від центрів обробки даних зросли втричі з 2018 року,
• обсяг якісних людських даних для тренування може вичерпатися до кінця десятиліття.

Далі моделі можуть бути змушені або порушувати приватність користувачів, або пожирати власні синтетичні дані, що підвищує ризик помилок і “самознищення” систем.

Архітектурні обмеження: чому LLM — це не мозок

«Головна проблема в тому, що всі поточні підходи засновані на навчанні великих “feedforward” схем», — пояснює Стюарт Рассел.
«А такі схеми мають фундаментальні обмеження в представленні понять. Їм доводиться ставати величезними, аби хоч якось це наблизити — по суті, перетворюючись на гігантські таблички пошуку».

Він підкреслює: саме через це люди досі легко перемагають так звані “надлюдські” моделі в грі Go, попри те, що ШІ мав би переважати у таких завданнях.

Ознаки плато в розвитку

Кілька факторів, які свідчать про зупинку прориву:

• GPT-5 досі не вийшов, попри очікування,
• результати на бенчмарках більше не зростають,
• китайська компанія DeepSeek досягла результатів моделей Кремнієвої долини з набагато меншими ресурсами.

«Є багато експертів, які вважають, що ми у технологічній бульбашці. Особливо коли моделі з пристойною продуктивністю вже роздають безкоштовно», — каже Рассел.

Шляхи до реального AGI

Незважаючи на критику сучасних моделей, учені бачать перспективи у розвитку “моделей міркування” (reasoning models) — більш вузьких, повільних, але глибших ШІ-систем. Особливо перспективними виглядають:

• пробабілістичне програмування (probabilistic programming),
• дистиляція знань у спеціалізовані моделі,
• комбінування різних архітектур ШІ для досягнення складніших результатів.

«У минулому проривні технології часто вимагали 10–20 років, перш ніж приносили прибуток. І перша хвиля компаній зазвичай провалювалася», — нагадує Томас Діттеріх (Thomas Dietterich), професор-емерит з Університету штату Орегон.
«Тож я не здивуюся, якщо більшість сучасних стартапів у сфері ШІ зникнуть. Але деякі з них будуть надзвичайно успішними. Якби тільки знати, які саме».

Чому це важливо знати

Попри стрімкий прогрес у генеративному ШІ, наукова спільнота все чіткіше сигналізує: поточна парадигма великих мовних моделей — це не шлях до справжнього штучного розуму. Обмеження архітектури, витрати енергії, нестача даних і слабка здатність до міркування вказують на потребу в нових підходах і обережному оптимізмі. Цей зсув у настроях науковців є ключовим орієнтиром для інвесторів, розробників і суспільства загалом: революція штучного інтелекту триває, але AGI не за рогом — і його шлях буде набагато довшим та складнішим, ніж здавалося ще рік тому.