Нейротехнолог разоблачила ChatGPT: до настоящей нейросети далеко

Доктор физико-математических наук из Нижнего Новгорода рассказала, какими будут будущие нейросети

  Быстродействующие модели искусственного интеллекта, которые так активно вошли в нашу жизнь, очень далеки от совершенства. Им не хватает гибкости и энергоэффективности нашего мозга. Созданием принципиально новых нейросетей, наиболее приближенных к настоящему серому веществу нашего главного органа, занимаются ученые Нижегородского государственного университета им. Н.И. Лобачевского.

Одна из них – руководитель центра нейроморфных вычислений, профессор кафедры нейротехнологий, доктор физико-математических наук, лауреат Премии Президента РФ в области науки и инноваций для молодых ученых Сусанна Гордлеева рассказала, как приближает будущее искусственного интеллекта при помощи новых математических моделей нейросетей мозга.

– Сусанна, так как вы хотите усовершенствовать то, что и так многим кажется совершенным?

– Для большинства людей искусственный интеллект знаком по известным языковым моделям типа ChatGPT и DeepSeek. Они прекрасно справляются с текстами, делают переводы с иностранных языков, активно развиваются. Но все же они построены на технологиях прошлого века – математических алгоритмах, созданных для анализа и обработки данных на основе длительного обучения. Хоть их и называют нейросетями, никакого отношения к настоящим биологическим нейронным сетям, которые имеются у нас в головном мозге, они не имеют. Когда их создавали, у нейрофизиологов и нейробиологов еще не было достаточного количества данных о том, как устроен мозг, как осуществляется процесс мышления. Математики по большому счету, обучали свои искусственные «нейросети», опираясь на очень условные представления работы нейронов.

– Расскажите, в чем основная разница между работающими и создаваемыми технологиями?

– Архитектура традиционных формальных нейронных сетей статична. Она не меняется во время работы. Исходя из конкретной задачи мы выбираем определенную архитектуру, на основе большого количества тщательно подготовленных данных обучаем или настраиваем веса (силы) связей в данной нейросети. Процесс обучения занимает достаточно много времени. После обучения обычно нейросети не изменяют свою архитектуру.

  В живом мозге архитектура нейронных сетей, напротив, очень пластична, она всё время изменяется в процессе функционирования, от любого полученного опыта. Вот мы с вами сейчас разговариваем, – вы получили новую информацию про нейронные сети, и ваша нейронная сеть уже обучилась, в режиме реального времени. 

– Как это произошло?

– У вас в мозге в связи с полученной новой информацией начинают генерироваться электрические импульсы в клетках головного мозга, эта активность сразу изменяет настройки нейросети, изменяются веса (силы) пластичных контактов между нейронами – синапсов. Ну а мы, «подсмотрев» этот механизм, математически описываем в наших моделях процессы обработки и хранения информации для мозга искусственного, делая его биологически правдоподобным.

– Похожими вещами, наверное, занимаются во всем мире? На каком уровне находится ваша научная группа?

– Действительно, данное направление достаточно активно развивается во всем мире, и мы в России ничуть не уступаем мировым разработчикам в этой области, а в некоторых моментах даже превосходим их. В объявленное Президентом десятилетие науки и технологий мы достаточно активно развиваемся и от фундаментальных исследований уже перешли к созданию лабораторных образцов и прототипов. Кроме нас, программистов, над вопросом создания новых систем для ИИ работают и создатели аппаратной части, то есть, разработчики «железа».

– А что они создают?

– Новые микросхемы и микроэлектронные компоненты, которые помогают в итоге запустить в компьютере наши программы. На старых схемах новые архитектуры «мозга» эффективно работать не будут.

 Есть еще одна важная задача: и мы, и специалисты по микроэлектронике понимаем, что при создании новых искусственных нейросетей надо смотреть в сторону высокой энергоэффективности, искать менее затратные принципы архитектуры построения вычислительных систем. Если мы и дальше будем затрачивать такое количество энергии на работу суперкомпьютеров, как сейчас, и увеличивать потребление с повышением их мощности, вся идея с искусственным интеллектом скоро зайдет в тупик – нам не хватит электричества.

– Как же можно решить эту проблему?

– Опять же, – обратившись за помощью к нашему мозгу… Почему традиционные вычислительные устройства представляют собой больше тепловые машины? Да все потому, что они вместе с энергией на обработку данных дополнительно тратят энергию на их хранение, да еще и выделяют при этом оставшееся тепло, которое требуется утилизировать, то есть, запускать в работу еще и мощные холодильные установки. Это происходит потому, что традиционные компьютеры сделаны по так называемой архитектуре фон Неймана, где блок хранения информации и блок её обработки физически разделены между собой, и между этими блоками постоянно происходит процесс обмена данными. На перегон этих объемов данных и уходит огромное количество времени и электроэнергии! В нашем же мозге всё происходит в одном месте: мы храним информацию и обрабатываем её в одном месте – в нейронах и контактах между ними. Нейроны в головном мозге очень коротко и очень редко генерируются электрические сигналы, и именно по такому разреженному импульсному принципу обрабатывается в мозге информация и запускается обновление «знаний». Наш мозг колоссально экономичен с точки зрения потребляемой энергии по сравнению с компьютером.

Источник: www.mk.ru