Способен ли ГИИ двигать технологический прогресс?
Никто и никогда не инвестировал в R&D, связанные с ГИИ так, как это делают технологические компании и ни одна технология не развивалась так быстро, как ГИИ.
Именно LLM развернули тренд на американском рынке акций в 2023 и не дали уйти ниже 4000 пунктов с закреплением в области 3200-3800 (там, где рынок должен находиться в соответствии с балансом ликвидности и корпоративными отчетами). Я на протяжении всего 2024 года объяснял и подробно показывал реальную стоимость рынка и масштаб переоценки.
В моменте почти 30 трлн избыточной капитализации рынка от справедливой оценки рынка (и только по США) прямо или косвенно было обусловлено хайп поглощением, связанным с LLM, создавшего триггер для пожирания других нарративов «экономика прекрасна, а будет еще лучше и тд».
ТОП 8 компаний (Apple, Nvidia, Microsoft, Google, Meta, Amazon, Tesla и Broadcom) имели совокупную капитализацию почти 19 трлн на торгах 6 января 2025 – в 2.8 раза больше, чем два года назад. Памп связан с масштабными анонсами LLM со стороны почти всех компаний в декабре 2024.
Тема невероятно важная, наверное, нет ничего важнее сейчас с точки зрения влияния на экономику и технологии.
Общественный хайп будет, как возрождаться, так и утихать, но нельзя отменить и обратить импульс, сформированный быстрым стартом технологии, поэтому движение будет, но в каком направлении и как это повлияет на экономику и технологический прогресс?
Я следил за технологией с самых первых дней глобального внедрения и тестировал все без исключения топовые LLM практически сразу после выхода и у меня есть, что сказать по этому поводу.
Первое, что следует отметить: ГИИ генерируют ответы, включая результаты математических операций, опираясь на вероятностные связи между токенами, сформированные в процессе обучения и иерархию внедренных весов.
Это означает, что при решении математических или любых других точных задач модель полагается на распознанные в обучающих данных паттерны, а не на выполнение явных расчетных вычислений.
Это можно представить как комбинацию:
1. Распознавания математической задачи и её структуры
2. Применения выученных математических правил и закономерностей
3. Генерации ответа на основе этих правил.
🔘Поскольку ГИИ не выполняют прямые вычисления, их ответы на вопросы, связанные с расчетами, могут быть неточными, особенно для сложных или нестандартных задач. Это касается любых задач (не только в физике, математике, программировании, химии, биологии и других точных науках), но и по юриспруденции, экономике и т.д.
🔘ГИИ работает в рамках обученной модели и не может выйти за пределы базовых принципов, на которых он обучен.
🔘ГИИ не обладает истинным пониманием причинно-следственных связей, не способен выстраивать сложные и многоуровневые динамические связи и иерархические модели.
🔘Эффективность ИИ напрямую связана с качеством данных, на которых он обучен. Некачественные, ошибочные данные и/или синтетические данные, сгенерированных самой LLM при изначально ошибочных интерпретациях, создают неконтролируемую эскалацию неэффективности LLM.
🔘ГИИ не обладает контекстной гибкостью и не может адаптивно менять стратегии решения задач в зависимости от меняющихся внешних условий, которые не были представлены в обучающих данных.
🔘ГИИ ограничен в понимании неоднозначности и неопределенности — он стремится найти наиболее вероятный ответ на основе обучающих данных, но затрудняется в работе с принципиально неопределенными ситуациями, где требуется истинное понимание контекста.
🔘ГИИ не способен к подлинной абстракции и концептуализации — он оперирует паттернами и корреляциями, но не может создавать принципиально новые абстрактные концепции или категории мышления — его «творческие» решения всегда являются рекомбинацией существующих элементов из обучающих данных, без создания принципиально новых смыслов.
Способен ли ГИИ существенно двигать технологический прогресс? Не уверен, но я точно знаю и полностью уверен, что LLM станут отличным помощником и дополнением к существующим инструментам, помогая технологическому прогрессу.