Все приближали как могли мир после LLM На «Цифровых днях Иннополиса» ректор университета Александр Гасников говорил о парадоксе искусственного интеллекта. Нейросети решают математические задачи, пишут программы и могут прочитать при желании лекцию о гравитации. А вот с такой мелочью, как взять и перенести стакан, у роботов до сих пор проблемы. Маленький ребёнок осваивает подобные вещи между делом, почему не могут машины? Есть одна проблема. Языковые модели узнают о мире преимущественно из текстов. Им нетрудно объяснить, почему стакан упадёт, но заметить его движение, предвидеть последствия и вовремя протянуть руку – совсем другая история. Для этого создают так называемые модели мира. Они учатся по видеозаписям и показаниям датчиков не только узнавать предметы, но и предсказывать изменения после каждого действия. Идея, собственно, не нова – внутри головы каждого человека живёт такая предсказательная модель мира под названием мозг. Причём для этого ему совершенно необязательно переводить происходящее в слова. Пока исследователи пытаются научить машины хотя бы отдельным вещам, которые человеку кажутся элементарными. Например, Generalist сделала систему, где роботу достаточно нескольких секунд демонстрации, чтобы научиться самостоятельно открывать банку или расстегивать молнию. Правда, с первого раза получается примерно в шести случаях из десяти. И даже если движения освоены, остаётся другая проблема – по картинке сложно понять, насколько крепко нужно держать предмет и не выскользнет ли он из пальцев. Поэтому немецкая Neura Robotics добавляет к зрению осязание, слух и память. По замыслу разработчиков, робот должен чувствовать результаты собственных действий, запоминать их и учитывать при следующей попытке. Обучать роботов на настоящих предметах дорого и долго, поэтому инженеры используют симуляторы и ищут способы создавать правдоподобные виртуальные миры. Google, например, уже научилась генерировать интерактивные пространства, в которых можно испытывать ИИ-агентов. Но есть подвох – сгенерированные миры не всегда подчиняются законам физики. Да и навыки, освоенные в одних условиях, не обязательно работают в других. Робот может научиться выполнять задачу в симуляции, а затем сойти с ума на настоящей кухне, где предметы лежат не на своих местах и ведут себя иначе. Впрочем, вернёмся к лекции. Александр Гасников видит в этом направлении перспективу шире робототехники. Если ИИ научится находить закономерности непосредственно в наблюдениях, ему можно поручить анализ экспериментальных данных, которые учёные не успевают обработать. Что не лишено оснований – например, CERN и Mistral объявили о планах обучить ИИ на миллиардах смоделированных столкновений частиц. Впоследствии модель хотят использовать для анализа данных ускорителя и поиска необычных сигналов. Любопытный контраст. Физики уже собираются поручить ИИ поиск неизвестных закономерностей в столкновениях элементарных частиц, пока инженеры ещё пытаются научить его обращаться с обычными бытовыми предметами.