Современные AI-системы уже давно и значительно превосходят человека в задачах с четкими правилами и большими объемами данных: распознавание паттернов в медицинских снимках (точность диагностики рака кожи системами ИИ достигает 95%), игры (AlphaGo, AlphaZero), прогнозирование структуры белков (AlphaFold решил 50-летнюю проблему биологии, за что исследователи из DeepMind совершенно заслуженно получили в 2024 году Нобелевскую премию), поиск дефектов на производствах с точностью 99.9% и так далее. А современные языковые модели (large language models, LLM) обрабатывают и синтезируют информацию из миллионов источников за секунды, что физически невозможно для человека, а также просто сами по себе очень много «знают» и учатся все лучше.
AI также превосходит в скорости и часто в качестве обработки рутинных задач: автоматический перевод, транскрибация речи, порождение стандартного boilerplate-кода, ответы на вопросы и подготовка документов в самых разных областях. Последние результаты показывают, что и в науке AI, хотя пока далеко не превзошел человека, уже становится верным помощником ученых не только для откровенной рутины, но и для порождения новых идей, написании кода для экспериментов и так далее.
Почему AI все еще не вытеснил писателей и программистов
Насчет программистов, думаю, ответ примерно тот же, что и вообще о науке и интеллектуальной деятельности: во-первых, пока когнитивно LLM еще не на уровне лучших людей (у них другие преимущества — неутомимость, большая база знаний и так далее — но пока не «сырой интеллект»), а во-вторых, пока ещё не решены проблемы подлинного понимания контекста и долгосрочного планирования. Впрочем, есть подозрение, что это может скоро измениться: AI-агенты стали центральной темой для исследований в 2025 году, популярные сейчас бенчмарки (тестовые наборы данных) измеряют то, насколько долгосрочную задачу может самостоятельно выполнить LLM, и так далее.
Например, последние версии Claude уже могут самостоятельно выполнять задачи, на которые у профессиональных программистов уходит около часа; правда, не гарантированно, а с вероятностью 50% — проверять, как я уже говорил, надо, и даже галлюцинации у LLM пока не побеждены.
Что до писателей, то думаю, что кроме вышеперечисленного еще важно, что у машин пока нет телесного опыта и социального контекста людей. Это важные части human experience, с которыми в основном писатели и работают, и здесь у людей довольно долго будет преимущество перед AI-моделями, которые все-таки пока живут «в ящике» токенизированного, в основном текстового интерфейса.
Почему AI не превзошел человека, несмотря на схожую нейросетевую архитектуру
Прежде всего отмечу, что схожесть здесь довольно условна и очень быстро заканчивается. И естественные, и искусственные нейросети основаны на принципе коннекционизма — если собрать композицию простых штук, эта композиция сможет реализовать куда более сложные штуки; кроме того, то, как устроены искусственные нейроны в нейросетях, действительно неплохо отражает то, как работают отдельные нейроны в мозге. Но дальше начинаются сплошные различия: наш мозг не может обучаться градиентным спуском, как нейросеть, в нем масса циклов обратной связи, которых в нейросетях быть не может, а биологические алгоритмы обучения и их целевые функции хорошо изучены только для отдельных нейронов, но не для мозга в целом, это просто слишком сложная система для изучения пока что.
Так что не вижу ничего удивительного в том, что LLM и другие AI-модели еще долго будут иметь свои сильные и слабые стороны по сравнению с людьми. Этот эффект известен как jagged frontier: в каких-то задачах LLM давно превзошли людей, а в каких-то делают кажущиеся нам глупыми ошибки. Посмотрим, что изменится, когда наконец-то появятся общедоступные роботы, способные взаимодействовать с физическим миром — это оказалось очень сложной задачей, но подвижки есть.
Навыки, свойственные только человеку:
- Эмпатия и эмоциональный интеллект в реальных межличностных взаимодействиях, теория разума
- Физическая ловкость в неструктурированных средах, телесная и мелкая моторика
- Лидерство и вдохновение других людей
- Интуитивное понимание социальных норм и невербальной коммуникации
- Способность к подлинной заботе и состраданию
- Юмор, основанный на тонком понимании контекста
- и масса всяких мелочей, в которых LLM просто пока откровенно плохи; не буду вспоминать про буквы в слове strawberry, но, например, попробуйте попросить LLM написать стихи с размером и рифмой (хоть по-русски, хоть по-английски): особенности токенизации делают это очень сложной для LLM задачей, хотя во всём остальном LLM, конечно, блестящие стилисты.
Как обезопасить себя от потери работы из-за развития AI
Фокусируйтесь на развитии метанавыков: критическое мышление, эмоциональный интеллект, межличностная коммуникация. Станьте тем самым «human in the loop»: человеком, который направляет и контролирует AI-системы. Например, разработчикам советую освоить AI-assisted coding, а не игнорировать появляющиеся инструменты: возможно, программирование переходит на следующий мета-этап, на котором человеку все реже нужно касаться реального кода, но это не значит, что способные к такому программированию разработчики не будут нужны; думаю, что полностью людей здесь заменят только тогда, когда заменят и во всех остальных профессиях (а от этого уже мы с вами обезопасить себя никак не сможем).
Развивайте экспертизу в областях, требующих человеческого суждения: стратегическое планирование, этические решения, творческое руководство проектами. Инвестируйте в непрерывное обучение, поддерживайте способность быстро осваивать новые инструменты. Способность постоянно учиться и развиваться уже давно стала важнее глубоких знаний и навыков в одной узкой области, и этот эффект будет только усиливаться. Я совершенно не могу предсказать сейчас, как вообще будет выглядеть человеческая работа через десять лет — но думаю, что она еще будет существовать.
