Аналитики BCG разобрали ключевые технические и регуляторные барьеры, которые стоят на пути к созданию искусственного интеллекта человеческого уровня, и объяснили, как бизнесу адаптироваться к текущим реалиям.
3 мин
В индустрии искусственного интеллекта разворачивается масштабная дискуссия о сроках появления общего искусственного интеллекта (AGI) — систем, способных решать любые когнитивные задачи на уровне эксперта-человека. В то время как некоторые руководители лабораторий предрекают его скорое появление, академическое сообщество настроено скептически. Согласно недавнему опросу Ассоциации по развитию искусственного интеллекта, 76% исследователей считают маловероятным достижение AGI путем простого масштабирования текущих подходов.
Для понимания текущей ситуации исследователи из BCG предлагают концепцию «неровной границы» (jagged frontier). Современные большие языковые модели (LLM) демонстрируют выдающиеся результаты в одних задачах, но полностью проваливаются в других. Например, в разработке программного обеспечения нейросети отлично генерируют и тестируют код, но не способны принимать системные архитектурные решения или нести ответственность за итоговый продукт. В результате ценность инженеров только возрастает, а массовой безработицы не происходит.
Главный вопрос заключается в том, является ли эта «неровность» временным этапом или структурным ограничением архитектуры LLM. Аналитики выделяют четыре фундаментальных технических барьера на пути к AGI.
Task-Level Capabilities Reveal the Jagged Frontier of AI
Во-первых, это исчерпание качественных данных. Ранний прогресс LLM строился на поглощении все больших объемов информации, однако запасы высококачественного публичного текста, созданного людьми, конечны. Как отмечают эксперты, интернет существует только в одном экземпляре.
Во-вторых, ограничения метода обучения с подкреплением на основе проверяемых вознаграждений (RLVR). Этот подход отлично работает в математике или программировании, где результат можно быстро и дешево проверить. Однако большинство стратегических бизнес-задач (например, выбор продукта для запуска) не имеют однозначного ответа в моменте. Их успешность можно оценить лишь спустя годы, что делает применение RLVR крайне затруднительным.
В-третьих, отсутствие полноценного обучения на рабочем месте. Современные модели могут обращаться к базам знаний, но они не обновляют свои внутренние веса в процессе выполнения задачи. Они не способны накапливать неявный опыт через корпоративную культуру и взаимодействие с коллегами так, как это делают люди.
From 2024 to 2026, AI's Grasp of Software Engineer Skills Has Evolved Dramatically
Наконец, существуют физические пределы вычислительных мощностей. Попытка создать модель уровня AGI может упереться в нехватку электроэнергии, пропускную способность сетей и доступность полупроводников.
Даже если технические барьеры будут преодолены, на первый план выйдет государственное регулирование. В своих прогнозах аналитики рассматривают сценарии, при которых правительства могут ограничить доступ к передовым моделям из соображений национальной безопасности. Это может привести к ситуации, когда полноценный AGI будет доступен лишь узкому кругу государственных структур, а коммерческий сектор продолжит работать с ограниченными версиями искусственного интеллекта.
В условиях этой неопределенности руководителям компаний не следует строить стратегии в ожидании скорого появления AGI. Гораздо эффективнее сфокусироваться на интеграции текущих моделей, учитывая их «неровную границу» возможностей, и перестраивать рабочие процессы так, чтобы люди управляли системами там, где те сильны, и компенсировали их слабости собственным опытом и суждением.
AI Leaders Don't Agree on Whether Scaling LLMs Will Reach AGI
What CEOs Need to Know About Artificial General Intelligence | Ex4
Достижение AGI может потребовать принципиально новой архитектуры, так как текущие LLM сталкиваются с фундаментальными ограничениями в данных, методах обучения и вычислительных мощностях.
Главным препятствием для ИИ в корпоративной среде является нехватка вычислительных мощностей, а неспособность накапливать неявный опыт и учиться «на лету» в процессе общения с коллегами, как это делает человек.
