Фото: Anggalih Prasetya / Shutterstock
Машины выучили всё, чему мы могли их научить. Они поглотили тексты философов, переписку программистов, книги, инструкции и код — всё, что человечество создало за последние несколько тысяч лет. Сегодня нейросети подходят к естественному пределу: объёмы человеческих знаний, на которых они росли, уже не могут поддерживать прежние темпы развития. Чтобы сделать следующий шаг, им приходится впервые выйти за пределы накопленного опыта — учиться жить, ошибаться и открывать новое самостоятельно.
IT-World разбирается, как потоковые ИИ меняют экономику, рынок труда и правила игры в научных исследованиях — и почему цена их ошибок может быть выше, чем все прежние достижения человечества вместе взятые.
Содержание:
Конец эпохи данных
Когда-то всё было просто: больше данных — умнее модель. Этот принцип лежал в основе всей революции машинного обучения. Но как бы парадоксально это ни звучало, постоянное увеличение объёмов информации привело нас к тупику.
Исследователи Дэвид Сильвер и Ричард Саттон: «Ценные новые идеи, такие как новые теоремы, технологии или научные прорывы, лежат за пределами человеческих знаний.»
По данным Google DeepMind, качественных человеческих данных, которые способны учить ИИ, почти не осталось.
Другими словами, машины уже освоили всё, чему могли научиться у нас. Дальнейший рост невозможен без выхода за пределы чужого опыта — без самостоятельного освоения реальности.
Их альтернатива — агенты, которые не просто отвечают на запросы, а живут, действуют, ошибаются и учатся через собственный опыт. Именно так появился проект AlphaProof.
Как машины научились жить
AlphaProof стал одним из первых агентов, кто получил шанс не просто анализировать, а создавать новое знание. Изначально система изучила сто тысяч человеческих доказательств. Но затем её оставили наедине с задачами: искать решения самостоятельно, действовать без инструкций.
AlphaProof увеличил объём обучающих данных в 1000 раз — со 100 тысяч до 100 миллионов всего за несколько недель.
Результаты превзошли ожидания. За короткий срок AlphaProof создал сто миллионов новых доказательств и завоевал серебряную медаль Международной математической олимпиады — достижение, которое ранее казалось недостижимым для машин.
Параллельно развивался Agent S — агент, обучающийся действовать в реальных цифровых средах через пользовательские интерфейсы. Его эффективность на бенчмарке OSWorld выросла на 83,6 % — показатель, недостижимый для моделей, работавших по старым правилам.
Появление таких агентов доказало: машины способны строить своё собственное понимание мира, а не просто повторять за человеком. FinOps: как навести порядок в облачных расходах и не разориться S3-хранилище против классического СХД: что выбрать для современного бизнеса? Российский рынок ИИ вырос до ₽320 млрд при острой нехватке GPU
Эпоха потоков: что такое Streams
Искусственный интеллект умнеет – человечество деградирует
Рождение агентов опыта связано с принципиально новой концепцией — Streams. Вместо коротких сессий «вопрос-ответ», потоковые ИИ живут в непрерывном потоке опыта, взаимодействуют с миром через разные интерфейсы, получают обратную связь, развивают собственные модели мира и стремятся не только к мгновенным успехам, но и к достижению долгосрочных целей.
Иными словами, ИИ перестаёт быть просто машиной предсказания. Он становится системой, строящей и уточняющей собственное понимание окружающего мира.
DeepMind предлагает вернуть в центр внимания обучение с подкреплением (RL – Reinforcement Learning) — но уже в его самой глубокой и реальной форме, через постоянное взаимодействие с живой средой, а не симулированными данными.
Несовершенство, ускоряющееся каждый месяц
Несмотря на впечатляющие эксперименты, потоковые агенты пока ещё далеки от совершенства. По данным тестов GAIA, люди решают задачи с точностью 92 %, а GPT-4 с доступом к плагинам — всего 15 %. На задачах, требующих сложных многошаговых действий, ИИ пока полностью бессилен.
На бенчмарке SWE-bench, предназначенном для тестирования навыков исправления багов, агенты успешно решают только 20,8 % задач, если работа требует до тридцати минут, и всего 4,8 %, если задача сложнее. Читайте также
Иван Новосёлов: Как Data Governance меняет бизнес. Кейсы и инсайты В современном мире организации все чаще сталкиваются с растущими вызовами: обилие источников данных, необходимость быстро извлекать информацию из данных в интересах бизнеса, отсутствие единого процесса работы с данными и постоянный дефицит ИТ-специалистов. В этом интервью IT-World поговорил с Иваном Новосёловым, генеральным директором DataCatalog (входит в Группу Arenadata) о том, является ли система Data Governance необходимостью для бизнеса и какие возможности открывает для роста компаний.
На первый взгляд это внушает скепсис. Однако важнее не абсолютные показатели, а темпы изменений.
По данным METR, длина задач, которые ИИ способен успешно решать, удваивается каждые семь месяцев.
Агенты сегодня могут справляться с тем, что вчера было им недоступно, а завтра возьмут высоты, которые сегодня кажутся неприступными. Уже сейчас модели нового поколения, такие как OpenAI o3 с технологией «test-time compute», показали значительный прирост точности: на SWE-bench результат вырос с 48,9 % до 71,7 %.
Если эта динамика сохранится, то в ближайшие два-три года потоковые агенты научатся уверенно выполнять большую часть задач, которые сегодня воспринимаются как прерогатива высококвалифицированногоспециалиста.
Экономика опыта: когда стоимость важнее совершенства
Бизнес-практика всегда опережает научные дискуссии, особенно когда дело касается эффективности. В то время как эксперты спорят о границах возможностей ИИ, компании уже меняют свои процессы. Финтех-гигант Klarna заменил около 700 операторов поддержки ИИ-ботами без ухудшения качества обслуживания.
Финансовые расчёты не менее красноречивы. По данным METR, час работы агента обходится в тридцать раз дешевле, чем труд выпускника бакалавриата в США. В пересчёте на стандартный рабочий день это $1850 для человека против всего $123 для агента. При этом в ряде задач уровень выполнения уже сопоставим.
8 часов работы: человек — $1850, ИИ-агент — $123
Согласно данным METR, средняя стоимость часа работы ИИ составляет лишь 1/30 от стоимости выпускника университета в США. Именно поэтому экономический сдвиг будет происходить независимо от того, как быстро ИИ станет идеальным работником. Даже на среднем уровне агенты уже становятся экономически более выгодными, чем люди. И в ближайшее время это начнёт менять структуру рынков, занятости и требований к новым компетенциям.
Российский рынок ИИ растёт при острой нехватке GPU
Бизнесу не придётся долго выбирать. Когда агенты стабильно начнут справляться с задачами средней сложности, разворачивание их в реальной экономике будет не просто массовым, а стремительным.
Новые угрозы – где тонко, там и рвётся
Но вместе с новыми возможностями ИИ несёт новые угрозы. Доклад AI Agent Governance предупреждает: мир агентов — это не только рост продуктивности, но и масштабируемое зло.
Одна ошибка агента может запустить каскад сбоев в логистике, финансах или инфраструктуре.
Ответ? Пока что — теоретический. Исследователи предлагают пятиуровневую систему защиты: от выравнивания целей агентов до их прозрачности, ограничения полномочий и разработки новых юридических механизмов ответственности. Пока предложенные меры — такие как обязательное логирование действий агентов, встроенные идентификаторы и ограничение полномочий — остаются на стадии разработки. Агенты учатся быстрее, чем человечество успевает выработать правила их поведения.
Изменения скоро могут стать необратимыми
Процесс уже запущен. Если ориентироваться на текущую динамику развития:
Кто дотянет до финиша в гонке ИИ?
Мы стремились создать искусственный интеллект, способный понять и повторить человека. Но реальность опередила ожидания: ИИ учится самостоятельно, выходя за пределы человеческого опыта. Он делает ошибки, пробует, ищет и открывает то, о чём мы ещё даже не подумали.
Переход от эпохи данных к эпохе опыта меняет само устройство экономики. На смену копирующим системы приходят агенты, которые учатся сами, ошибаются и открывают новое — не по нашим подсказкам, а по собственной инициативе. Это сулит стремительный рост научных открытий и производительности. Но это же создаёт риски масштабных сбоев и неконтролируемых последствий.
ИИ впервые в истории перестаёт копировать нас. Он начинает идти туда, где человеческая интуиция уже не помощник. И сегодня ключевой вопрос не в том, успеет ли искусственный интеллект стать сверхразумом. Куда важнее — успеем ли мы научиться с ним жить прежде, чем он научится жить без нас.
Искусственный интеллект AI