AGI Найден! Открыт Новый Класс LLM. В 52 Раза Мощнее GPT! В 600 Раз Меньше! Трансформеры В Архив! — Transcript

Full transcript

1. 0:00Всем привет. В этом выпуске самые яркие
2. 0:02и главные новости про технологии и
3. 0:04искусственный интеллект. Ян Ликун бросил
4. 0:06вызов всей индустрии ИИ. Его крошечная
5. 0:09нейросеть обошла гигантов в 600 раз
6. 0:11больше себя. Новая технология JEPA
7. 0:14позволяет обучать искусственный
8. 0:15интеллект в 42 раза эффективнее и может
9. 0:18изменить всю гомку нейросетей. Ликум
10. 0:20показал возможный путь к настоящему AGI,
11. 0:23который понимает физический мир, а не
12. 0:25просто обрабатывает текст. Всё это и
13. 0:27многое другое в этом выпуске. Смотрите
14. 0:29выпуск до конца, чтобы быть в курсе всех
15. 0:31событий.
16. 0:33Google выкатил подборку бесплатных
17. 0:35AI-курсов с сертификатами без оплаты,
18. 0:37без подписок. Мы собрали 10 лучших.
19. 0:40Переходите и смотрите подборку в нашем
20. 0:42Telegram-канале по ссылке в описании под
21. 0:44видео. На бесплатных курсах вы обучитесь
22. 0:46тому, как работает генеративный ИИ, чем
23. 0:48он отличается от классического машинного
24. 0:51обучения, база по работе с искусственным
25. 0:53интеллектом в ежедневных задачах, промт
26. 0:55инженерия и работа с Gминай в реальных
27. 0:57кейсах, а также многое другое. Всё в
28. 0:59нашем Telegram-канале по ссылке в
29. 1:01описании под видео.
30. 1:03Один из основателей современного
31. 1:05искусственного интеллекта Ян Ликун
32. 1:07представил исследование, которое ставит
33. 1:09под сомнение главный принцип развития
34. 1:11нейросетей. Пока Open AI, Google,
35. 1:14Antropic и Мета тратят сотни миллиардов
36. 1:16долларов на создание всё более крупных
37. 1:18языковых моделей, Ликум пытается
38. 1:20доказать, что для достижения
39. 1:21человеческого уровня интеллекта нужен
40. 1:23совершенно другой подход. В новой
41. 1:26научной работе нейросеть со 109 млн
42. 1:29параметров превзошла модели, содержащие
43. 1:31до 72 млрд параметров. Разница в
44. 1:34размерах превышает 600 раз. Причём
45. 1:37небольшая модель использовала
46. 1:38значительно меньше обучающих данных.
47. 1:40Правда, речь идёт об одном конкретном
48. 1:42испытании, связанном с тем, насколько
49. 1:44хорошо искусственный интеллект формирует
50. 1:46внутреннее представление об окружающем
51. 1:48мире. Однако результаты оказались
52. 1:50достаточно интересными, чтобы вновь
53. 1:52привлечь внимание к идеям Ликуна. Учёный
54. 1:54уже несколько лет утверждает, что
55. 1:56простое увеличение языковых моделей
56. 1:58никогда не приведёт к появлению
57. 2:00искусственного интеллекта человеческого
58. 2:02уровня. Он открыто критикует прогнозы
59. 2:04коллег, обещающих создание сверхразумных
60. 2:06систем в ближайшие 2 года. По словам
61. 2:08Ликуна, представление о том, что скоро в
62. 2:10одном дата-центре можно будет разместить
63. 2:12целую страну цифровых гениев, не имеет
64. 2:15ничего общего с реальностью, и к его
65. 2:17мнению стоит прислушаться.
66. 2:19Мы не достигнем уровня человеческого
67. 2:21интеллекта, просто увеличивая языковые
68. 2:23модели. Этого просто не произойдёт.
69. 2:25Ясно? Это ваша точка зрения. Ни за что.
70. 2:28Ясно. Абсолютно ни за что.
71. 2:32И что бы вам не говорили некоторые из
72. 2:34моих более смелых коллег, в ближайшие 2
73. 2:36года этого не произойдёт. Ни за что на
74. 2:38свете. Знаете, часть моей идеи
75. 2:40заключается в том, что мы создадим
76. 2:42страну гениев в центре обработки данных.
77. 2:44Но это полная чушь. Верно. Ни за что на
78. 2:47свете.
79. 2:51Ещё в конце 1980х годов Ликун участвовал
80. 2:55в разработке свёрточных нейронных сетей,
81. 2:57которые впоследствии стали основой
82. 2:59технологии распознавания изображений. В
83. 3:022018 году он получил премию Тюринга
84. 3:04вместе с Джеффри Хинтоном и Йошуа
85. 3:06Бенджо. Эту награду часто называют
86. 3:08Нобелевской премией в области
87. 3:10информатики, а самих исследователей
88. 3:12крёстными отцами искусственного
89. 3:14интеллекта. В3дца году Ликун основал
90. 3:17исследовательскую лабораторию Facebook,
91. 3:19а затем более 10 лет занимал должность
92. 3:21главного научного специалиста мета по
93. 3:23искусственному интеллекту.
94. 3:26Однако в конце 2025 года он решил
95. 3:28покинуть компанию и основать собственную
96. 3:31лабораторию АмилепS в Париже. Причину
97. 3:33ухода Ликун объяснил на Всемирном
98. 3:35экономическом форуме в Давосе. По его
99. 3:37мнению, практически вся кремневая долина
100. 3:40сосредоточилась на одном направлении:
101. 3:42больших языковых моделях. Компании
102. 3:44переманивают друг у друга инженеров,
103. 3:46увеличивают вычислительные мощности и
104. 3:48пытаются обогнать конкурентов. При этом
105. 3:50никто не хочет рисковать и заниматься
106. 3:52принципиально другими технологиями,
107. 3:54поскольку любое отклонение от общей
108. 3:56стратегии может привести к отставанию.
109. 3:59и полностью зациклена на больших
110. 4:01языковых моделях. В Кремнениевой долине
111. 4:03все работают над одним и тем же. Копают
112. 4:05одну и ту же траншею, переманивают друг
113. 4:07у друга инженеров, чтобы не позволить
114. 4:09себе заняться чем-то другим,
115. 4:14потому что если они начнут отклоняться
116. 4:16от курса, они, сами понимаете, отстанут
117. 4:18от других. Поэтому все делают одно и то
118. 4:20же. И это одна из главных причин, по
119. 4:22которой я ушёл из МТА. Верно? Потому что
120. 4:24в МТА тоже произошли некоторые
121. 4:25перестановки.
122. 4:28И это нормально, знаете ли, это
123. 4:30стратегическое решение, которое,
124. 4:32возможно, имеет для них смысл, но меня
125. 4:34оно не интересует.
126. 4:36В марте 2026 года АЛЭbs привлекла 1 млрд
127. 4:4030 млн долларов. Среди инвесторов
128. 4:42оказались инвестиционная компания Джефа
129. 4:44Безса, Nvidia, Samsung и Toyota. Таким
130. 4:47образом, Ликун получил серьёзную
131. 4:49финансовую поддержку для проверки своей
132. 4:51идеи. Возможно, искусственный интеллект
133. 4:53можно сделать значительно умнее, не
134. 4:55увеличивая бесконечно количество
135. 4:57параметров. Главная претензия учёного к
136. 5:00современным нейросетям заключается в
137. 5:02способе их обучения. Чат GPT, Клод и
138. 5:04Джемини получают большую часть своих
139. 5:07знаний, анализируя огромные объёмы
140. 5:09текста. Во время обучения они пытаются
141. 5:11предсказать следующий токен, постепенно
142. 5:13осваивая закономерности языка. Этот
143. 5:15метод оказался чрезвычайно эффективным.
144. 5:18Нейросетель научились писать программный
145. 5:20код, решать математические задачи,
146. 5:22создавать статьи и отвечать на сложные
147. 5:24вопросы. Но Ликун считает, что у такого
148. 5:26подхода существует фундаментальное
149. 5:28ограничение. Он приводит интересный
150. 5:30расчёт. Современная крупная языковая
151. 5:32модель может обучаться примерно на 20
152. 5:35триллионах токенов.
153. 5:37Общий объём такой информации
154. 5:39приближается к 10 вче степени байтов.
155. 5:41Человеку потребовались бы сотни тысяч
156. 5:44лет, чтобы прочитать такое количество
157. 5:46текста. Однако примерно столько же
158. 5:47визуальной информации получает обычный
159. 5:50ребёнок за первые 4 года жизни. За этот
160. 5:52период ребёнок бодрствует около 16.000
161. 5:55часов. Через зрительную систему в мозг
162. 5:57поступает примерно 2 Мб информации в
163. 6:00секунду. Получается, что четырёхлетний
164. 6:02ребёнок получает через зрение
165. 6:04сопоставимый объём информации с тем,
166. 6:06которые крупнейшие языковые модели
167. 6:08извлекают из текстов.
168. 6:10Позволь мне провести очень простой
169. 6:12расчёт. Типичная модель большого языка
170. 6:14обучается с использованием порядка 20
171. 6:16триллин токенов, верно? Или 20. 20.000
172. 6:19млрд токенов. Токен - это как слово
173. 6:21более или менее. Токен обычно
174. 6:23представлен тремя байтами. Таким
175. 6:25образом, 20 или 30 триллинв токенов,
176. 6:27каждый по три байта - это примерно от 10
177. 6:29до 14 байт. Единица с 14 нулями позади
178. 6:31неё. Это совокупность всего текста,
179. 6:33доступного в открытом доступе в
180. 6:35интернете. Любому из нас потребовалось
181. 6:36бы несколько сотен тысяч лет, чтобы
182. 6:38ознакомиться с этим материалом. Так вот,
183. 6:40это огромный объём информации. Но если
184. 6:41сравнить это с объёмом информации,
185. 6:43поступающей в наш мозг через зрительную
186. 6:45систему в течение первых 4х лет жизни,
187. 6:47то получается примерно столько же. За 4
188. 6:49года маленький ребёнок бодрствует в
189. 6:50общей сложности около 16.000 часов.
190. 6:52Какой объём информации поступает в мозг?
191. 6:54Скорость передачи информации по
192. 6:56зрительному нерву составляет около 2 Мб
193. 6:58в секунду. Произведи подсчёт, и
194. 6:59получится примерно от 10 до 14 байт. Это
195. 7:01примерно одно и то же. За 4 года
196. 7:03маленький ребёнок видит столько же
197. 7:04информации или данных, сколько и самый
198. 7:06большой лм. И это говорит тебе о том,
199. 7:08что мы никогда не достигнем и
200. 7:09человеческого уровня, просто тренируясь
201. 7:11текстом. Нам нужно создать системы,
202. 7:12которые будут понимать реальный мир. А
203. 7:14понять реальный мир действительно
204. 7:15сложно.
205. 7:16>> Но есть существенная разница. Ребёнок
206. 7:18уже понимает многие физические
207. 7:20закономерности. Он знает, что предмет
208. 7:22падает, если его отпустить. Понимает,
209. 7:24что мяч продолжает существовать даже
210. 7:26если закатился за диван. Может
211. 7:28предположить, что стеклянный стакан
212. 7:30разобьётся при падении на пол. И для
213. 7:32этого ему не потребовалось прочитать ни
214. 7:34одной книги.
215. 7:36Именно здесь, по мнению Ликуна,
216. 7:38находится главная проблема современных
217. 7:40нейросетей. Искусственный интеллект
218. 7:42способен сдать юридический экзамен,
219. 7:44решить сложное уравнение или написать
220. 7:46программу, но при этом до сих пор нет
221. 7:49универсального домашнего робота, который
222. 7:51мог бы самостоятельно выполнять обычные
223. 7:53бытовые дела с человеческой гибкостью.
224. 7:56Нет и полностью автономных автомобилей
225. 7:58пятого уровня, способных безопасно
226. 8:00ездить в любых условиях без участия
227. 8:02человека. Ликун обращает внимание, что
228. 8:04подросток может освоить основу
229. 8:06управления автомобилем за несколько
230. 8:08десятков часов практики. Современным
231. 8:10системам автономного вождения требуются
232. 8:13огромные массивы данных и сложная
233. 8:15инфраструктура.
234. 8:17>> Это объясняет, почему у нас есть большие
235. 8:19языковые модели, которые могут сдать
236. 8:20экзамен на адвоката, решать уравнения,
237. 8:23вычислять интегралы как студенты и
238. 8:25решать математические задачи. Но у нас
239. 8:27до сих пор нет домашнего робота, который
240. 8:29мог бы, скажем, выполнять работу по
241. 8:30дому. У нас даже нет беспилотных
242. 8:32автомобилей пятого уровня. То есть они у
243. 8:34нас есть, но мы жульничаем. Итак, важный
244. 8:36момент. Большие языковые модели особенно
245. 8:38успешны в тех областях, где сам язык
246. 8:41является основой для рассуждений, а не в
247. 8:43чём-то другом.
248. 8:45Поэтому учёный предлагает создавать так
249. 8:47называемые модели мира. Такая нейросеть
250. 8:50должна формировать внутреннее
251. 8:52представление об окружающей
252. 8:53действительности и использовать его для
253. 8:55прогнозирования будущих событий.
254. 8:57Например, когда человек ловит летящий
255. 8:59мяч, его мозг не рассчитывает движение
256. 9:01каждой травинки, направления всех
257. 9:03воздушных потоков и особенности
258. 9:05поверхности меча. Он приблизительно
259. 9:07определяет траекторию и предсказывает,
260. 9:09где окажется предмет через мгновение.
261. 9:12Именно этому Ликун хочет научить
262. 9:14искусственный интеллект.
263. 9:16Давайте я приведу пример. Если я сниму
264. 9:18видео этой комнаты, то есть начну с
265. 9:20этого места и буду медленно поворачивать
266. 9:22камеру, а потом остановлюсь здесь, то
267. 9:24система продолжит. Видео скорее всего
268. 9:26будет предсказывать. Вы знаете, что мы
269. 9:28находимся в аудитории и знаете, что у
270. 9:30комнаты есть определённые размеры, что в
271. 9:32ней могут быть окна и так далее.
272. 9:36Система никак не может предсказать, как
273. 9:38вы все выглядите или какие, скажем,
274. 9:41стулья свободны.
275. 9:43Это просто невозможно. У вас нет такой
276. 9:45информации. Поэтому, когда вы обучаете
277. 9:47систему делать подобные предсказания, вы
278. 9:49её убиваете. Для решения проблемы он
279. 9:51разработал архитектуру дпа embedictive
280. 9:55architecture. Её принцип заключается в
281. 9:57том, что нейросеть сначала преобразует
282. 9:59наблюдаемую информацию во внутреннее
283. 10:01представление, а уже затем делает
284. 10:04прогноз. Вместо предсказания каждого
285. 10:06пикселя система пытается понять, что
286. 10:08происходит в сцене, какие объекты в ней
287. 10:10присутствуют и как они взаимодействуют.
288. 10:13Например, если нейросеть смотрит
289. 10:15футбольный матч, ей не обязательно
290. 10:17запоминать цвет каждого кресла на
291. 10:18стадионе или одежду зрителей. Гораздо
292. 10:21важнее понять, что нападающий
293. 10:23приближается к воротам, а защитник
294. 10:25готовится его остановить. Дже попытается
295. 10:27научиться именно такому представлению
296. 10:29информации: сохранять важные
297. 10:31закономерности и отбрасывать детали,
298. 10:33которые не помогают прогнозировать
299. 10:34события.
300. 10:36Вот моё решение. Это архитектура под
301. 10:38названием Joint Embedings или, точнее,
302. 10:41Joint Embedings, Predictive Architecture
303. 10:43JPA.
304. 10:46Справа, так, слева у нас генеративная
305. 10:49архитектура. Вы наблюдаете X, возможно,
306. 10:51действие A, и видите результат Y.
307. 11:01Система пытается воссоздать во всех
308. 11:03мельчайших деталях. В случае с джепа вы
309. 11:05наблюдаете X Ya, но кодируете X и Y. А
310. 11:08предсказание происходит в этом
311. 11:10пространстве представления. Понятно.
312. 11:12Основное отличие в том, что система
313. 11:14может исключить из входных данных всё,
314. 11:16что не поддаётся предсказанию, создав
315. 11:18представление УАI. Верно?
316. 11:27И это делает предсказание более
317. 11:29абстрактным, с меньшим количеством
318. 11:31деталей, но в каком-то смысле более
319. 11:33точным. Именно эта технология стала
320. 11:35основой нового исследования,
321. 11:37опубликованного 29 октября. Работа
322. 11:40получила название Proven and Improven
323. 11:42the Platonic Representation Hypothesis
324. 11:44with Jeppa. Её авторами стали профессор
325. 11:47Брауновского университета Рендел
326. 11:48Балестриера и Ян Ликун. Исследователи
327. 11:51попытались математически объяснить так
328. 11:53называемую платоновскую гипотезу
329. 11:55представлений. В 2024 году учёные
330. 11:58Массачусетского технологического
331. 12:00института заметили интересную
332. 12:02закономерность. Когда разные нейросети
333. 12:04становились мощнее, их внутренние
334. 12:06способы организации информации начинали
335. 12:08всё больше походить друг на друга.
336. 12:10Причём это происходило даже с моделями,
337. 12:13обученными на совершенно разных данных.
338. 12:15Одна нейросеть могла анализировать
339. 12:17изображения, другая - тексты, но внутри
340. 12:20обе постепенно формировали похожие
341. 12:22представления об окружающем мире. Ликун
342. 12:24и Балестриера предложили математическое
343. 12:26доказательство того, что при
344. 12:28определённых условиях модели JPA,
345. 12:30обученные на разных типах данных,
346. 12:32способны формировать одинаковую
347. 12:34внутреннюю структуру представлений. Для
348. 12:36этого необходимо правильно организовать
349. 12:37обучение. Исследователи используют
350. 12:39подход Goodviews, который предполагает
351. 12:41сравнение двух разных наблюдений одного
352. 12:44и того же события. Например, нейросети
353. 12:46можно показать фотографию собаки, лавящй
354. 12:48летающую тарелку и текстовое описание
355. 12:51этой сцены. В обоих случаях система
356. 12:53получает различную информацию, но за ней
357. 12:55скрывается одна и та же реальность. Во
358. 12:57время обучения нейросеть должна
359. 12:59определить, что объединяет эти
360. 13:01наблюдения. По мнению авторов
361. 13:02исследования, такой подход помогает
362. 13:04значительно эффективнее формировать
363. 13:06представление об окружающем мире. А вот
364. 13:08обычное предсказание следующего слова
365. 13:10исследователи относят к менее удачным
366. 13:12способам обучения. Следующие несколько
367. 13:14слов предложений далеко не всегда
368. 13:16содержат полезную информацию о
369. 13:18физическом состоянии мира. Для проверки
370. 13:20этой идеи учёные провели эксперимент.
371. 13:22Нейросеть джепо, содержащая всего 109
372. 13:25млн параметров, получила результат
373. 13:270,184.
374. 13:29Для сравнения, китайская модель Квен 2.5
375. 13:32от Alibabба, содержащая 72 млрд
376. 13:34параметров, набрала 0,154.
377. 13:38Модель Lama 3 с 7 млрдми параметров
378. 13:40отмета получила 0,151.
379. 13:44Таким образом, система со 109 млн
380. 13:46параметров оказалась лучше моделей,
381. 13:48превосходящих её по размеру более чем в
382. 13:50600 раз. Особенно интересной оказалась
383. 13:53эффективность обучения. Для достижения
384. 13:55сопоставимого результата подходу
385. 13:56Goodviews потребовалось около 21.600.000
386. 14:00обучающих примеров. Обычному методу
387. 14:03предсказания следующего слова
388. 14:04понадобилось примерно 900 млн примеров.
389. 14:07Разница составила около 42 раз. Если
390. 14:10сравнивать непосредственно объём текста,
391. 14:12экономия достигала примерно 14 раз. Ещё
392. 14:15один результат связан с объединением
393. 14:17разных нейросетей. Поскольку текстовая
394. 14:19модель и модель изображений сформировали
395. 14:21похожие внутренние представления,
396. 14:23исследователям удалось связать их с
397. 14:25помощью простого математического
398. 14:26преобразования. После этого объединённая
399. 14:29система смогла описывать изображения без
400. 14:31сложного дополнительного обучения. Ликун
401. 14:33считает, что результаты подтверждают
402. 14:35важное преимущество моделей мира.
403. 14:37Обычные языковые модели накапливают
404. 14:39огромное количество фактов, поэтому им
405. 14:41требуется много памяти и параметров.
406. 14:44Джепо, по его мнению, позволяет
407. 14:45эффективнее использовать закономерности,
408. 14:47которые система обнаруживает во время
409. 14:49обучения. Однако здесь важно понимать
410. 14:51ограничение эксперимента. Модель со 109
411. 14:54млн параметров не превзошла квен 72
412. 14:57млрдами параметров во всех задачах. Она
413. 15:00показала лучший результат исключительно
414. 15:02в специальном тесте, который измеряет
415. 15:04согласованность внутренних представлений
416. 15:06текста и изображений. Это не означает,
417. 15:08что маленькая нейросеть лучше решает
418. 15:10математические задачи, программирует или
419. 15:13отвечает на вопросы. Более того, такие
420. 15:15способности в исследовании вообще не
421. 15:17проверялись. Кроме того, эксперимент
422. 15:19пока не получил независимого
423. 15:20подтверждения, а математические выводы
424. 15:22справедливы только при определённых
425. 15:24условиях. Но если предложенная
426. 15:26архитектура сохранит свои преимущества
427. 15:28при увеличении масштаба, последствия
428. 15:30могут оказаться значительными. Сегодня
429. 15:32развитие искусственного интеллекта во
430. 15:34многом зависит от количества
431. 15:35вычислительных мощностей. Компании
432. 15:37строят огромные дата-центры, закупают
433. 15:40десятки тысяч ускорителей и тратят
434. 15:42миллиарды долларов на обучение новых
435. 15:44моделей. Но если сопоставимого понимания
436. 15:46окружающего мира можно добиться с
437. 15:48помощью значительно меньших систем,
438. 15:50экономическая модель всей отрасли может
439. 15:52измениться. Нейросети смогут работать
440. 15:54непосредственно на смартфонах, умных
441. 15:56очках и роботах без постоянного
442. 15:58подключения к мощным серверам. Причём
443. 16:01AMABS уже демонстрирует первые
444. 16:03результаты в этом направлении. В марте
445. 16:05компания представила модель мира с 15
446. 16:07млн параметров, которую удалось обучить
447. 16:10на изображениях всего за несколько часов
448. 16:12с использованием одной видеокарты. В
449. 16:14отдельных задачах управления система
450. 16:16планировала действия до 48 раз быстрее,
451. 16:19чем значительно более крупные модели
452. 16:21мира. В октябре исследователи
453. 16:23представили иерархическую архитектуру
454. 16:25HJPA, способную делать прогнозы на
455. 16:28разных временных масштабах. В одном из
456. 16:30испытаний на навигацию успешность
457. 16:32выполнения заданий выросла с 18 до 73%
458. 16:36по сравнению с более простой версией.
459. 16:38Особенно большие надежды Ликун связывает
460. 16:40с работотехникой. Он неоднократно
461. 16:42говорил, что современные роботы по
462. 16:44уровню понимания физического мира пока
463. 16:47значительно уступают даже домашним
464. 16:49кошкам. В мозге кошки находится примерно
465. 16:512.Ро
466. 16:53нейронов. Несмотря на это, животное
467. 16:55способно точно рассчитывать расстояние,
468. 16:57прыгать на сложные поверхности, обходить
469. 17:00препятствия и планировать
470. 17:01последовательность движений. Кошке не
471. 17:03нужно изучать миллиарды текстовых
472. 17:05документов, чтобы научиться
473. 17:06взаимодействовать с окружающей средой.
474. 17:09Она получает знания через наблюдение и
475. 17:11собственный опыт. Ликун хочет, чтобы
476. 17:13искусственный интеллект обучался похожим
477. 17:15образом. То есть домашние кошки
478. 17:17прекрасно ориентируются в физическом
479. 17:19мире, а в их мозгу всего 2.Ро
480. 17:22нейронов. И они, безусловно, очень
481. 17:24хорошо понимают физический мир. Они
482. 17:26могут составлять сложные планы сложных
483. 17:28действий, а мы, как известно, им в этом
484. 17:30не равня.
485. 17:35Подобные исследования ведутся и в других
486. 17:37университетах. Недавно специалисты
487. 17:39Колумбийского университета,
488. 17:40Калифорнийского университета в Беркли,
489. 17:42Мичиганского университета и Nvidia
490. 17:45продемонстрировали трёхмерный симулятор
491. 17:47физического мира. Он способен
492. 17:49прогнозировать, как ткань и другие
493. 17:50мягкие предметы изменяют форму при
494. 17:53взаимодействии с роботом. Роботы,
495. 17:55обучавшиеся исключительно внутри такой
496. 17:57виртуальной среды, затем смогли
497. 17:59выполнять соответствующие действия в
498. 18:00реальности. При этом симулятор работает
499. 18:03со скоростью более 50 кадров в секунду
500. 18:05на одной видеокарте. Но главный вопрос
501. 18:08заключается в том, может ли подобная
502. 18:10технология приблизить создание AGI,
503. 18:13общего искусственного интеллекта,
504. 18:14способного решать широкий круг
505. 18:16интеллектуальных задач на уровне
506. 18:18человека. Ликун считает, что для этого
507. 18:20необходимо решить четыре основные
508. 18:22проблемы: научить машины понимать
509. 18:24физический мир, обеспечить
510. 18:26долговременную память, развить
511. 18:28способность рассуждать и планировать
512. 18:30сложные последовательности действий. На
513. 18:32конференции Nvidia он отметил, что
514. 18:34современные попытки научить языковые
515. 18:36модели рассуждать кажутся ему слишком
516. 18:39упрощёнными. Однако новая работа Джепа
517. 18:42решает лишь часть перечисленных проблем.
518. 18:44Она показывает возможный способ более
519. 18:46эффективного формирования представлений
520. 18:48о мире, но сама по себе не создаёт
521. 18:51долговременную память или универсальное
522. 18:53планирование. Поэтому говорить о
523. 18:55появлении AGI пока преждевременно. При
524. 18:58этом Ликун далеко не единственный
525. 19:00исследователь, который делает ставку на
526. 19:02модели мира. Google Deep Mind развивает
527. 19:04семейство Дини, предназначенная для
528. 19:07создания интерактивных виртуальных
529. 19:08пространств. Компания World Labs,
530. 19:11основанная исследовательницей FF, также
531. 19:13занимается технологиями моделирования
532. 19:15окружающей среды. В сентябре World Labs
533. 19:18представила систему АТС, которая на
534. 19:20основе нескольких фотографий способна
535. 19:22создавать полноценное трёхмерное
536. 19:24пространство, по которому можно
537. 19:26перемещать виртуальную камеру. NVIDIA
538. 19:28разрабатывает собственные модели мира
539. 19:30для работотехники. Таким образом, вокруг
540. 19:33этого направления постепенно формируется
541. 19:35отдельная технологическая гонка. При
542. 19:37этом AMI LAABS развивается довольно
543. 19:39быстро. В ноябре 2025 года Ликун и
544. 19:43Балестриера представили Леджепой
545. 19:46способ обучения подобных систем. В
546. 19:48декабре компания AMABS официально начала
547. 19:51работу в Париже. В марте 2026 года она
548. 19:54привлекла более миллиарда долларов и
549. 19:57представила небольшую модель мира. В мае
550. 19:59исследователи опубликовали работу,
551. 20:01объясняющую при каких условиях Леджепа
552. 20:04действительно формирует модель
553. 20:05окружающего мира. В октябре появилась
554. 20:08иерархическая архитектура HJPA,
555. 20:11а в конце месяца новое исследование
556. 20:13платоновской гипотезы представлений. При
557. 20:15этом в AMABS работает всего около от 50
558. 20:19до 60 исследователей, распределённых
559. 20:21между Парижем, Нью-Йорком, Монреалем и
560. 20:24Сингапуром. Однако у подхода ликуна
561. 20:26остаются важные нерешённые проблемы.
562. 20:29Главное из них - масштабирование. В
563. 20:31истории искусственного интеллекта уже
564. 20:33было немало технологий, которые
565. 20:35показывали впечатляющие результаты в
566. 20:37небольших экспериментах, но теряли
567. 20:39преимущество при переходе к более
568. 20:41крупным системам. Кроме того, отдельные
569. 20:43исследования моделей мира показали, что
570. 20:45они могут оказаться неожиданно
571. 20:47чувствительными к небольшим изменениям
572. 20:49изображений. Например, изменение цвета
573. 20:52предмета или фона иногда приводило к
574. 20:54заметному ухудшению результатов. Для
575. 20:56практического использования это
576. 20:58серьёзная проблема. Робот должен
577. 21:00одинаково хорошо понимать окружающую
578. 21:02среду независимо от освещения, цвета
579. 21:04мебели или других несущественных
580. 21:06деталей. Сама AMABS подчёркивает, что
581. 21:09пока занимается научными исследованиями,
582. 21:11а не выпуском готовых массовых
583. 21:13продуктов. По словам Ликуна, первые
584. 21:15коммерческие применения технологий,
585. 21:17вероятнее всего, появятся в
586. 21:18промышленности. Речь идёт об управлении
587. 21:20электростанциями, авиационными
588. 21:22двигателями и химическими предприятиями.
589. 21:24В таких условиях модель мира может
590. 21:26выполнять роль цифрового двойника,
591. 21:28виртуальной системы, которая
592. 21:30воспроизводит работу оборудования и
593. 21:32заранее прогнозирует возможные проблемы.
594. 21:34А вот универсальные домашние роботы и
595. 21:36массовые потребительские устройства
596. 21:38остаются более отдалённой перспективой.
597. 21:41Нельзя исключать итого, что крупнейшие
598. 21:43разработчики языковых моделей просто
599. 21:45начнут использовать отдельные идеи джепа
600. 21:47в собственных архитектурах. Поэтому
601. 21:49дальнейшая судьба технологии будет
602. 21:51зависеть от того, смогут ли другие
603. 21:53исследователи повторить результаты
604. 21:54эксперимента и сохранится ли
605. 21:56эффективность при обучении значительно
606. 21:58более крупных моделей. Пока Ян Ликун не
607. 22:01доказал, что вся индустрия
608. 22:02искусственного интеллекта движется в
609. 22:04неправильном направлении. Большие
610. 22:05языковые модели продолжают
611. 22:07совершенствоваться и уже приносят
612. 22:09огромную практическую пользу. Однако
613. 22:11новое исследование показывает, что
614. 22:13размер нейросети далеко не всегда
615. 22:15определяет качество её внутренних
616. 22:17представлений. В отдельных задачах
617. 22:19архитектура и способ обучения могут
618. 22:21оказаться гораздо важнее количество
619. 22:23параметров. Именно на этом Ликун
620. 22:25настаивает уже много лет. Когда-то он
621. 22:27был одним из немногих исследователей,
622. 22:29веривших в перспективу нейронных сетей,
623. 22:31которые впоследствии стали основой
624. 22:33современной индустрии ИИ. Теперь учёный
625. 22:35снова выступает против преобладающего
626. 22:37подхода, утверждая, что будущее
627. 22:39искусственного интеллекта связано с
628. 22:41пониманием физического мира, а не с
629. 22:43бесконечным увеличением языковых
630. 22:45моделей. Если его исследования успешно
631. 22:47пройдут проверку масштабированием,
632. 22:49следующий крупный прорыв в искусственном
633. 22:51интеллекте может произойти не благодаря
634. 22:53строительству очередного гигантского
635. 22:55дата-центра, а благодаря более
636. 22:57эффективному способу обучения машин.
637. 23:01>> Рот ставишь нахуй,
638. 23:02>> бля? Ставлю.
639. 23:04>> Морской, бойн.
640. 23:07Давай.
641. 23:08>> Горизонталь от одного до пяти. Вертикаль
642. 23:10абд зафиксировал.
643. 23:11>> Трёхпалубный один. Двухпалубный один.
644. 23:14Однопалубный. расставил, всё,
645. 23:15зафиксировалки нахуй хватит тебе.
646. 23:18>> Хватит, хватит, Всё,
647. 23:20Валера, если я расстреляю все
648. 23:22твои клеточки, там не будет кораблей, я
649. 23:24тебя отпижу, нахуй. Понял?
650. 23:25>> Ну подожди, в смысле? Не, ну смотри, я
651. 23:28же виртуальный, чисто ты меня отпиздить
652. 23:29не сможешь. Попа слово пацана не меняю
653. 23:32положение.
654. 23:32>> Давай я первый стреляю.
655. 23:33>> Давай по один.
656. 23:34>> А два
657. 23:35>> ранил. Ранил, [музыка]
658. 23:37Рот ставишь нахуй,
659. 23:40>> бля? Ставлю.
660. 23:41>> А3
661. 23:42>> мимо.
662. 23:43>> Мимо. B3
663. 23:45>> ранил.
664. 23:45>> Заебись. [музыка] B4 тогда
665. 23:47>> мимо. А1
666. 23:49>> мимо. B2 тогда
667. 23:51>> ранил.
668. 23:52>> Заебись. Так, ну значит B1.
669. 23:55>> Ну ты умный.
670. 23:56>> Не, ну братишка, ну нехуёвый, а хуёвый.
671. 23:59Не, оперативка нормально. Не, ну всё,
672. 24:00разъебали мы твои трёхполоный. Так,
673. 24:03>> Давай, ну пусть будет Т3.
674. 24:05>> Мимо, братан,
675. 24:06>> бля. Ну ладно, давай стреляй тогда.
676. 24:08>> B2
677. 24:09>> ранил.
678. 24:10>> B2.
679. 24:10>> Да, вообще
680. 24:12>> убил.
681. 24:13>> B4. мимо. Т2. Логично же. Нет,
682. 24:16>> убил нахуй.
683. 24:18>> Ну, братишка, ну, ну я же тоже не
684. 24:20пальцем дела, понимаешь? Хуй знает. G2,
685. 24:22например. Да.
686. 24:23>> А мимо.
687. 24:24>> Мимо,
688. 24:24>> блин, не пиздишь. Точно,
689. 24:26>> точно. Пацана [музыка]
690. 24:28>> V4,
691. 24:29убил.
692. 24:31>> D5,
693. 24:33ранил.
694. 24:35>> Заебись,
695. 24:38>> убил. [музыка] Спасибо за игру, Валер.
696. 24:40>> Давай на связи.
697. 24:41>> Давай связь.
698. 24:42>> Не пропадай.
699. 24:44Вы кормили птиц.
700. 24:47>> Это тебя птица обкакала,
701. 24:48>> да?
702. 24:50>> Ты серьёзно говоришь или нет?
703. 24:51>> Да. Морозо мы не ели,
704. 24:55>> но оно не похожа на
705. 24:57>> Это
706. 24:59Я мороженое не ел.
707. 25:02Что? Это вчера.
708. 25:07Что это? Птички.
709. 25:10>> Тебя так птички обказывают,
710. 25:12>> да?