Сооснователь Google DeepMind Демис Хассабис предложил интригующий тест: обучить большую языковую модель на всех знаниях, доступных человечеству до 1911 года и посмотреть, сможет ли она самостоятельно вывести общую теорию относительности, которую опубликовал в 1915 году Эйнштейн. «Это был бы хороший тест для общего искусственного интеллекта», — заявил Хассабис на саммите по ИИ в Нью-Дели в феврале.
В этом году несколько команд уже построили такие «винтажные» модели, обученные только на исторических данных до определенной даты. Однако все эти попытки выявили скорее ограничения современного ИИ, чем его сильные стороны.
Проблема в том, что подобные научные прорывы требуют не индуктивного рассуждения, которое выводит общее правило из накопления данных, а абдуктивного — творческого скачка, изобретающего причину для уникального явления. Как отметил сотрудник Google DeepMind Том Захави в работе под названием «Языковые модели не умеют прыгать», это не сильная сторона текущего ИИ. Модели ищут корреляции в огромных массивах данных, но им сложно создавать «мировые модели» из малого количества наблюдений, как это делал, например, Ньютон, выводя закон гравитации из тщательных наблюдений Кеплера за движением планет.
Независимый исследователь ИИ Майкл Хла попытался проверить идею Хассабиса, обучив модель под названием Machina Mirabilis на данных до 1900 года. Он давал ей подсказки о фотоэлектрическом эффекте и мысленном эксперименте с лифтом, который привел Эйнштейна к общей теории относительности. В некоторых случаях модель демонстрировала «проблески интуиции» — например, предположила, что свет «распадается на множество отдельных импульсов». Но в целом она потерпела неудачу, не имея «сильного внутреннего представления о мире, из которого можно рассуждать».
Другой практический барьер — сами данные. Доцифровые тексты фрагментарны, с ошибками оцифровки и архаичным языком, а фильтрация информации «после нужного года» постоянно дает сбои. Команда независимого ученого Ника Левина, пытавшаяся построить модель с «горизонтом» 1930 года, обнаружила, что она все равно «проговаривается» и отвечает на вопросы о событиях 1950‑х — и нередко верно, просто потому что поздние фрагменты просочились в обучающий корпус. Отфильтровать и исключить из обучения информацию после определенной даты оказалось чрезвычайно сложно.
Но даже в идеале остается фундаментальный вопрос: как отличить из множества сгенерированных ИИ теорий ту, которую стоит проверять? В недавнем эксперименте с моделью «орбитальной механики» команда из MIT под руководством Сендхила Муллайнатана дала ИИ синтетические данные о планетных системах, которые подчиняются законам Ньютона. Модель так и не вывела универсальный закон всемирного тяготения — вместо этого она подбирала для каждого набора данных свой, по‑своему неправильный «закон притяжения». В математике шаги модели можно формально проверить, но в физике или биологии такого простого критерия нет.
При этом ИИ уже демонстрирует настоящие достижения — хотя и не уровня открытия Эйнштейна. Весной 2024 года чатбот от OpenAI дал новое доказательство, опровергнув 80‑летнюю гипотезу математика Пола Эрдеша. По оценке Муллайнатана, это был «подлинный концептуальный прогресс»: система ввела новые, хоть и небольшие абстракции, а не просто перебирала варианты. Однако и здесь ИИ скорее необычно скомбинировал существующие идеи, чем создал что‑то принципиально иное.
«Не то чтобы прорыв уровня теории относительности был принципиально недостижим для ИИ», — говорит Идо Каминер, специалист по квантовой оптике из Техниона в Хайфе. Но, утверждают он и его коллеги, этот прорыв попросту не может произойти без переосмысления принципов, на которых построены сегодняшние модели. Для него потребуются системы, обученные не только на корпусе знаний, но и на реальных данных о физическом мире, способные распознавать важность аномалий, а не усреднять их, как делают нынешние алгоритмы.
Ранее искусственный интеллект научился управлять термоядерной плазмой за миллисекунды.