За два года искусственный интеллект прошёл путь, на который обычным технологиям нужны десятилетия. Вчера он иногда заменял поисковик. Сегодня — пишет код, ведёт переговоры и управляет бизнес-процессами 24/7. Но это только начало, и главные изменения затронут не технологии, а нас самих: как мы работаем, учимся, принимаем решения — и чего стоим на рынке труда.
Степан Гершуни — инвестор (cyber.fund), основатель Credentia и Deep Skills, автор канала @cryptoEssay — расскажет об истории, настоящем и будущем ИИ через призму последствий для каждого из нас.
Что разберём:
— Как мы здесь оказались: краткая история ИИ от первых нейросетей до агентов, работающих без участия человека — Что происходит прямо сейчас и почему это не «ещё один хайп» — Последствия для людей: какие навыки обесцениваются, какие становятся бесценными, и что делать, если ваша профессия в зоне риска — Последствия для экономики: когда каждый сотрудник управляет армией агентов, а навыки копируются одной кнопкой — что остаётся ценным? — Последствия для общества и цивилизации: образование, неравенство, смысл работы, новые институты — Практика для каждого: как уже сегодня использовать ИИ как персональную операционную систему — daily briefing, автоматический ресёрч, управление задачами — Живое демо: AI-ассистент, который работает без вашего участия
Для кого: для всех, кому интересно понять, куда движется мир — и что делать конкретно вам. Никакого технического бэкграунда не нужно.
Главная мысль: AI — это не новый инструмент. Это новый сотрудник, новый коллега, новая экономическая реальность. Вопрос не в том, изменит ли он вашу жизнь, — а в том, будете ли вы к этому готовы.
Конспект
Две с половиной тысячи лет назад в Талмуде описали голема — существо из глины, оживлённое словом, способное рассуждать и действовать. В 1956 году группа учёных во главе с Джоном Маккарти и Клодом Шенноном собралась в Дартмутском колледже на летние каникулы с амбициозным планом: за три месяца математически решить проблему искусственного интеллекта. Они были уверены, что этого времени хватит, чтобы научить машину рассуждать. За три месяца не получилось. Не получилось и за тридцать лет — наступила «зима искусственного интеллекта», когда учёные отчаивались, а прорывов почти не было. Зато сегодня, спустя почти восемьдесят лет после того дартмутского лета, голем наконец ожил — и масштаб происходящего ошеломляет.
Чтобы понять, почему всё случилось именно сейчас, нужно держать в голове три ингредиента: данные, вычисления и алгоритмы. Интернет стал крупнейшим генератором данных в истории — больше половины населения планеты ежедневно заходит в сеть и производит терабайты текста, видео, изображений. Компания Nvidia, начав с игровых видеокарт вроде GeForce 256, создала индустрию ускорителей, которые дали необходимую вычислительную мощность. А в 2017 году Google опубликовала статью «Attention is all you need», заложившую архитектуру трансформеров — ту самую, на которой построен ChatGPT. Гениальность подхода оказалась в его простоте: вместо попыток описать человеческое мышление сложными формулами, разработчики OpenAI взяли весь текст интернета и научили нейросеть предсказывать следующее слово в предложении. Ричард Саттон, один из пионеров машинного обучения, назвал это «горьким уроком» — десятилетия изящной математики проиграли грубой силе: простому алгоритму с огромным количеством данных и вычислений.
Цифры, описывающие сегодняшнюю AI-гонку, звучат как научная фантастика. Компания Anthropic за 14 месяцев вырастила выручку с одного до девятнадцати миллиардов долларов — быстрее, чем Zoom во время пандемии. OpenAI привлекла раунд инвестиций в 110 миллиардов — для сравнения, крупнейшее IPO в истории, саудовская нефтяная компания Aramco, собрало 30 миллиардов. Капитальные затраты четырёх компаний — Microsoft, Meta, Google и Oracle — на строительство дата-центров в 2026 году составят 690 миллиардов долларов, что вдвое превышает стоимость всей лунной программы США, длившейся одиннадцать лет. А Nvidia получила заказов на свои чипы на триллион долларов — больше, чем стоила в сегодняшних ценах американская система хайвеев, которую строили тридцать лет. Сэм Альтман пишет о планах запускать по гигаватту новой инфраструктуры в неделю — это один атомный реактор каждые семь дней. Совокупная потребность AI-компаний в электроэнергии уже превышает среднее потребление всего Европейского Союза.
Всё это было бы бессмысленной тратой ресурсов, если бы модели не становились полезнее с той же экспоненциальной скоростью. В начале 2024 года нейросеть могла самостоятельно выполнить задачу, на которую профессиональному программисту требовался час. Через год — задачу длительностью в двенадцать часов. На тесте «Последний экзамен человечества», где лучшие математики и физики из Принстона и Стэнфорда месяцами составляли задачи, которые не смог бы решить даже кандидат наук за неделю, последняя модель Google набрала почти 40 процентов. Стоимость генерации одного токена для модели уровня GPT-3.5 упала более чем в сто раз за два года, и каждые два месяца цена производства токена снова падает вдвое. Парадокс Джевонса работает безотказно: чем дешевле технология, тем больше её используют. А главный святой Грааль — рекурсивное самоулучшение, когда AI улучшает сам себя, — уже перестал быть теорией. Андрей Карпаты, один из основателей OpenAI и создатель автопилота Tesla, публично выложил на GitHub проект AutoResearch: он запустил AI-агента на ночь, а утром получил модель, которая стала значительно лучше исходной. Не случайным перебором, а через научный метод — гипотезы, эксперименты, закрепление результатов.
Что всё это значит для обычных людей и бизнеса? Каждая из трёхсот миллионов компаний в мире — это, по сути, система обработки информации: на вход поступают данные о клиентах, рынке, поставщиках, а на выходе — решения. Будь то кирпичный завод или парикмахерская, работа сводится к тому, чтобы обработать информацию и принять решение. Агенты уже способны делать это дешевле и быстрее. Но происходит не столько массовое увольнение, сколько смена роли: вместо того чтобы писать отчёт, вы пишете спецификацию отчёта — из чего он должен состоять, в каком тоне, какие данные включить. Каждый сотрудник превращается в менеджера своих AI-агентов. При этом у нейросетей нет силы воли, нет способности поставить цель, нет ответственности за последствия, нет интуитивного понимания физического мира, которое есть у двухлетнего ребёнка. Умение чётко сформулировать цель и нести за неё ответственность становится, пожалуй, самым ценным человеческим навыком — потому что теперь один человек с сотней агентов может сделать то, для чего раньше нужна была целая корпорация.
На макроуровне вырисовываются три сценария, и мы стоим прямо на развилке. Первый — гиперрост: технологии развиваются так стремительно, что столетний прогресс в медицине укладывается в десять лет, ВВП растёт кратно, появляются новые профессии, которые мы пока не можем вообразить, — точно так же, как крестьянин девятнадцатого века не мог представить профессионального тиктокера. Второй — «призрачное ВВП»: роботы и агенты производят всё больше, но люди теряют работу, перестают платить налоги, спрос падает, и экономика входит в дефляционную спираль. Третий — медленная диффузия, как во всех предыдущих промышленных революциях, когда адаптация растягивается на поколения и проходит без шока. Какой из сценариев реализуется — зависит не только от технологий, но и от того, кто контролирует AI. Суверенный интеллект, работающий на вашем устройстве и представляющий ваши интересы, — это одна история. Система, которая выглядит как ваша, но служит чужим целям, — совсем другая. Разница между кибернетической экономикой свободных людей и кибернетическим рабством проходит именно здесь.
Мы создали голема. Возможно, мы последнее поколение, живущее в мире до сверхинтеллекта — может быть, последний год. Нет ни одной силы, способной остановить этот поезд: триллионы долларов уже вложены, дата-центры строятся, модели улучшают сами себя. Вопрос не в том, поедет ли поезд, а в том, куда он нас привезёт. И ответ на этот вопрос зависит не от алгоритмов, а от нас — от того, какие цели мы поставим и какую ответственность готовы за них нести. Потому что именно это — ставить цели и нести ответственность — пока единственное, чего не умеет делать ни одна нейросеть в мире.
