Блеск и нищета искусственного интеллекта
Текст: Евгений Коновалов
- И лёгких чад житейской суеты
- Не посвятишь в свою науку...
- Баратынский
Разговор о возможностях искусственного интеллекта в литературе будет полезно начать с математики.
Прямо сейчас в математическом сообществе набирает силу мощнейший скандал, настоящее интеллектуальное цунами, способное в будущем изменить саму культуру математического доказательства. В нашем меркантильном мире особенный и понятный для журналистов интерес вызывают семь «задач тысячелетия», за решение которых Математический институт Клэя (Clay Mathematics Institute) готов любому заплатить по миллиону долларов. Одну из них уже решил Григорий Перельман, но остальные шесть по-прежнему не дают покоя прогрессивному человечеству. Почётное место среди них занимает проблема существования и гладкости (наличия непрерывных производных) решений уравнений Навье–Стокса, описывающих движение вязкой жидкости.
И вот 8 сентября 2026 года компания OpenAI (разработчик ChatGPT) заявила о решении этой задачи с помощью своей «внутренней модели искусственного интеллекта». Не углубляясь в математические дебри, я обозначу масштаб сил и средств, брошенных на борьбу с уравнениями Навье–Стокса. Для получения нужного результата было задействовано около 10 000 ИИ-агентов, которые работали непрерывно 88 часов, сгенерировав порядка 130 миллиардов токенов (ответов на запросы) и обменявшись 2,7 миллионами сообщений между собой для координации поиска решения. Для понимания: один человек (хоть писатель, хоть читатель), взаимодействуя с большой языковой моделью на много порядков менее продуктивен, чем один (!) ИИ-агент, специально для этого созданный.
Всё бы хорошо, но ведь любой нейронной сети нужно на чём-то обучаться. Довольно быстро выяснилось, что буквально накануне этого события очень важные результаты в том же направлении были получены совсем другими людьми: Левентом Алпёге из конкурирующей компании Anthropic (разработчик Claude), а также вполне живым математиком Тристаном Бакмастером. У многих сложилось впечатление, что нейронная сеть OpenAI просто воспользовалась их результатами, обучилась на них и с помощью ИИ-агентов быстро их доработала.
Помимо этических соображений масла в огонь добавили соображения гносеологические. Профессиональное математическое сообщество разделилось на два непримиримых лагеря. «Прагматики» полагают, что первична истина. И если машина нашла верное доказательство, неважно, как именно она это сделала. Задача тысячелетия решена, человечество получило ответ, а инструменты проверки доказательств (proof assistants) просто вышли на новый уровень. «Фундаменталисты», наоборот, уверены, что в основе математики – человеческая культура познания. Решение без понимания отбрасывает науку во времена средневековой схоластики, где знание принималось на веру от непознаваемого авторитета (Бога). Математики опасаются, что признание такого прецедента обесценит человеческий интеллект и превратит учёных в простых операторов коммерческих нейросетей.
Как бы ни решился этот спор, искусственный интеллект перешёл от роли калькулятора к роли генератора новых знаний, недоступных прямому человеческому осмыслению. Независимо от того, будет ли доказательство OpenAI в итоге признано Институтом Клэя, сам факт его появления обозначил исторический водораздел: классическая эпоха чистой человеческой математики завершилась, уступив место эпохе симбиоза с закрытыми алгоритмами.
***
Эта история показательна во многих отношениях. Прежде всего, искусственный интеллект как бурно развивающаяся область остро нуждается в сенсационных результатах. От этого прямо зависит финансирование, а денег нужно много. Разработчики помнят «зимы искусственного интеллекта» и стараются удержаться на гребне. И если собственных достижений не хватает, в ход идут достижения не вполне собственные, а то и просто трудно проверяемые страшилки о сверхчеловеческих возможностях передовых моделей, которые специалистам едва-едва удаётся удерживать под контролем в своих лабораториях.
Наиболее интригующим свойством искусственных нейронных сетей является потенциальная непредсказуемость: насколько хорошо та или иная конкретная сеть будет работать после обучения? Большие языковые модели (LLM – Large Language Model) как класс появились сравнительно недавно. Несмотря на их впечатляющий прогресс, это пока всё ещё плохой инструмент в техническом отношении. Качество его работы зависит от предварительного обучения, которое разработчики стараются скрыть от посторонних глаз, и это им удаётся. Обучение – ахиллесова пята искусственного интеллекта в целом и LLM в частности. Оно экстенсивно, медленно и страшно энергоёмко. Сам факт того, что большие языковые модели по воле их создателей, начиная с конца 2022 года, «отправились в люди» должен насторожить. Ведь другие классы нейронных сетей до сих пор известны лишь специалистам.
Кажется, вот ещё одна чудо-программа, удобный бытовой интернет-сервис. Но программы легко пишутся, и им не требуется для работоспособности ни огромных наборов данных, ни сотен мегаватт энергии, ни колоссальных вычислительных мощностей в течение многих дней, а то и недель. Например, обучение уже довольно старой модели GPT-3 потребовало энергии, эквивалентной выбросу 552 тонн углекислого газа. Для сравнения: эквивалентный «углеродный след» всего «Сапсана» за поездку Москва — Петербург составляет от 6 до 12 тонн CO₂.
Каждый шаг вперёд в этой сфере даётся сейчас с большим трудом и дорого обходится человечеству. Причем обучение инструментов искусственного интеллекта во многом отличается от того, что принято понимать под обучением человека, где чувственный опыт жизни занимает куда более важное место, чем распознавание букв или картинок. И здесь я постепенно перехожу к литературе – с точки зрения искусственного интеллекта.
***
Сверхчеловеческие достижения нейронных сетей охватывают лишь хорошо формализуемые задачи. Это игры (шахматы и го), математика, распознавание и поиск объектов, задачи классификации в целом. Если же формализовать качество выходного результата трудно, то искусственному интеллекту крайне важно, чтобы хотя бы входные данные были хорошо формализованы. Именно это характерно для человеческого языка. Оттого-то и понадобился модуль интерактивности – то есть возможность вести диалог. По той же причине чрезвычайно важны используемые промпты.
Даже процесс коммуникации на естественном языке формализовать трудно. А ведь, по Ноаму Хомскому, естественные языки создавались не для коммуникации, а для мышления. Для коммуникации хороши двоичные коды или искусственные языки, вроде эсперанто. Естественный же язык невероятно многозначен, одни и те же слова имеют разные значения или оттенки смысла в зависимости от контекста и даже интонации. Те, кто разрабатывали нейронные сети для анализа текста, знают, какие колоссальные проблемы с этим связаны.
Задача генерации текста, наоборот, сравнительно проста. Это одна из причин, почему именно здесь произошёл прорыв. Но текст тексту рознь, и пришло время об этом поговорить. Нейросетевая модель OpenAI, решившая (как предполагается) задачу Навье–Стокса, оформила решение на языке формальных доказательств Lean, тем самым сгенерировала текст. Другие нейронные сети прямо сейчас активно отбирают хлеб у программистов и веб-дизайнеров. Речь о генерации исходного кода на одном из языков программирования или текста на HTML. Ведь “L” в обозначении веб-файлов – это как раз language, «язык гипертекстовой разметки» (Hyper Text Markup Language). Да, это пока не безошибочно, но постепенно вместо десяти программистов становится нужен всего один, умеющий работать с нейронными сетями и «подчищать» за ними.
Хорошо структурированный, грамматически непротиворечивый текст с массой повторяющихся кусков большого размера – вот залог успеха в этой задаче. Тогда во время обучения происходит «хорошее» кодирование слов в векторное пространство большой размерности. Это, в свою очередь, позволяет добиться удачных результатов при декодировании, то есть генерации связного текста.
При столкновении с запутанной грамматикой и расплывчатой семантикой естественных языков всё это начинает работать плохо. Генераторы текста становятся похожи на компиляторов, в литературном смысле слова. Теперь это, пожалуй, недостаток, который разработчики стараются компенсировать вежливостью, политкорректностью и болтливостью. Использовать устойчивые словосочетания такому компилятору оказывается проще всего. Но не «сближать далековатые понятия».
С точки зрения литературы правильнее всего воспринимать современную нейросетевую модель как идеального эпигона, прекрасно умеющего имитировать стиль. Причём любой стиль, лишь бы он, во-первых, достаточно выразительно представлялся как набор выкоуровневых текстовых дескрипторов (стилистических признаков), а, во-вторых, тексты такого рода должны быть достаточно многочисленны в обучающей выборке. Для классиков русской литературы оба пункта выполняются, с современниками – много хуже.
«Оригинальная» же словесная продукция такого эпигона – литературный фастфуд. Причем, ударение лучше сделать не на food, а на fast. Отсюда вытекает полезная роль ИИ-инструментов – роль помощника. Но своеобразного: если угодно, нейронная сеть знает, как не надо. Или наоборот: она пишет как все. Значит, она неплохо попадает в мейнстрим. Следовательно, у коммерчески успешных писателей появился сильный, а главное, дешёвый конкурент. Именно в этом качестве искусственный интеллект вызывает сейчас напряжение в литературном сообществе. Что ж, раньше были литературные рабы, теперь эту нишу постепенно занимают искусственные.
***
Из сказанного ясно, что в жанровом отношении нейросетевые модели наиболее успешны во вторичной литературе. Подражание, пародия, сознательное или неосознаваемое эпигонство. Но не только. У переводчиков постепенно тоже наступят (если уже не наступили) тяжёлые времена. Особенно в прозе. Особенно для невзыскательной публики. К тому же за перевод пока ещё принято платить, а, значит, экономия денег для заинтересованных лиц – налицо.
Отдельно надо сказать о впечатляющих достижениях искусственного интеллекта в литературной критике, вдвойне заметных на фоне нынешнего упадка в этой сфере русскоязычной литературы. Именно в критике профиль навыков живого литератора лучше всего соответствует тому, с чем хорошо справляются нейронные сети. Много читать, хорошо компилировать, видеть стилистические черты, ссылаться на источники. Весь этот инструментарий, конечно, ценится не сам по себе, а служит постаментом для оригинальной критической мысли прогностического толка. Но если отказать литературной критике в этой сверхзадаче, то окажется, что со всем остальным искусственный интеллект уже сейчас справляется лучше большинства критиков из плоти и крови. Благо, от них многого и не ждут. Разумеется, за некоторыми (и наиболее ценными) исключениями.
Поэты же и другие писатели – те, что «для вечности» – могут пока чувствовать себя сравнительно спокойно. Но от широкой популярности их теперь отделяет пропасть ещё большего размера, чем раньше. Впрочем, у современной поэзии другая проблема: утрачен самый предмет поэзии. Нет чёткого понимания, что поэзия, а что нет. Следовательно, за современную поэзию можно выдать, в сущности, любой набор строчек, объявив его верлибром – и отделить тут живых человеческих мух от нейросетевых котлет сложно.
Если же отвлечься от высокого спора формы и содержания, то от искусственного поэта лучше пока всё же не требовать многого. При написании этой статьи я поэкспериментировал с Гигачатом от Сбера, предложив ему написать стихи в стиле Бродского и Кушнера. Мой вклад заключался в создании нескольких стандартных промптов и выборе части стихотворения, всё остальное – чистое нейросетевое творчество.
Фрагмент в стиле Бродского:
- Здесь, в комнате, где выдох — это пар,
- а на обоях пляшет тень от мыши,
- ты принимаешь внутренний угар
- за голос свыше. Или просто вышел
- из берегов дешевый «Арарат»,
- разбавленный слезой по перестройке.
- На стуле — треники (внушительный наряд),
- на них — пятно от докторской и мойки.
- Висит плакат с Софи Лорен. Она
- глядит на твой линолеум с укором.
- И моль, одетая во фрак из сукна,
- уже считает этот шкаф собором.
Фрагмент в стиле Кушнера:
- Пусть за окном черным-черно,
- Фонарь качается уныло,
- Но нам для счастья не дано
- Ни тропиков, ни южных Нила.
- Достаточно вот этих стен,
- Где кот уснул клубком на стуле,
- И самых главных перемен,
- Чтоб мы друг друга не спугнули.
- А утром выглянем во двор —
- Там всё сияньем заливает!
- Зима взяла нас на простор,
- Снежинки варежки латают.
- И пахнет хвоей и зимой,
- И день стоит такой хрустальный,
- Как будто этот шар земной
- Лишь для любви нашей случайной.
В области полноценного художественного творчества искусственный интеллект едва ли талантливее специально подобранного человека. Конечно, когда (и если) за дело возьмутся полноценные ИИ-агенты, то дистанция может заметно сократиться. Но принципиально это едва ли изменится до появления сильного искусственного интеллекта (artificial general intelligence). Перспективы же его пока всё-таки туманны. Так что хоронить человека-творца прямо сейчас несколько преждевременно.
За пазухой у идеалистов ведь остаётся и этот аргумент. Материалистам-разработчикам крыть его нечем. Впрочем, с их точки зрения литературное творчество вообще мутная и малоинтересная задача. Это – не уравнения Навье–Стокса или что-либо сравнимое с ними по степени важности и амбициозности.
Писателей, осваивающих премудрости искусственного интеллекта, вообще едва ли видят с той стороны магического кристалла в огромной массе пользователей, нужных для дообучения (fine-tuning) моделей или популяризации этой области в целом. Конечно, писатель смотрит на положение дел иначе. Его вдохновляющий труд – главная задача в мире. И это прекрасно.