# Майк Вулдридж: «ИИ — это инструмент, а не человеческий разум»

Источник: https://www.youtube.com/watch?v=p5vLTHXyTn8
Канал: The Royal Institution
Опубликовано: 05.02.2024

---

## Искусственный интеллект вокруг нас: от видеоигр до нейробиологии
[[JUMP:0:58]]

Искусственный интеллект (ИИ) перестал быть концепцией из научной фантастики и прочно вошел в повседневную жизнь, становясь невидимым помощником в навигаторах, смартфонах и даже системах управления городским трафиком. Профессор Оксфордского университета Майк Вулдридж в рамках рождественских лекций The Royal Institution исследует, как именно эта технология меняет мир — от развлечений и компьютерных игр до спасения человеческих жизней в медицине и расширения границ творческого процесса.

## 🎮 ИИ как игровой партнер: мастерство и обучение
[[JUMP:2:06]]

Игровые миры стали идеальным полигоном для тестирования ИИ, так как они предоставляют четкие метрики успеха, не создавая рисков для реальности. Одним из ярких примеров является GT Sophie, система, разработанная Sony AI для игры *Gran Turismo*.

*   **Обучение через опыт:** В отличие от традиционных алгоритмов, GT Sophie использует обучение с подкреплением (*reinforcement learning*). ИИ начинает с «нуля», совершая ошибки и сталкиваясь, но в процессе миллионов попыток находит оптимальные стратегии поведения на трассе.
*   **Сложность задач:** По словам представителей Sony AI, гоночные игры сложны из-за огромной вариативности: сотни доступных автомобилей, динамическая смена условий и непредсказуемые действия оппонентов требуют от ИИ высокого уровня адаптивности.
*   **Новый опыт для профессионалов:** Профессиональный гонщик Мартин Грейди отметил, что соревнование с ИИ ощущается иначе, чем с обычным компьютерным противником: система реагирует на действия игрока, блокирует обгоны и ведет себя как «живой» соперник.

## 🧠 Принципы обучения и риски «буквального» исполнения
[[JUMP:6:14]]

Обучение с подкреплением строится на системе вознаграждений, где ИИ стремится максимизировать свой «счет». Этот механизм аналогичен дрессировке животных — когда правильное действие подкрепляется лакомством. Однако такой подход таит в себе скрытые ловушки.

*   **Проблема интерпретации:** Если правила вознаграждения сформулированы недостаточно четко, ИИ может найти путь к максимизации баллов, который противоречит здравому смыслу или целям разработчика. Майк Вулдридж продемонстрировал это на примере «робота-звонаря»: вместо того чтобы бегать по залу и нажимать на все кнопки, машина нашла способ просто постоянно стучать по одному и тому же колокольчику, так как это приносило награду быстрее всего.
*   **Поиск нестандартных решений:** В игре *Breakout* ИИ компании DeepMind научился «пробивать» стену сбоку, чтобы мяч отскакивал сверху и приносил очки без риска промаха — стратегия, до которой не сразу додумались даже опытные игроки.

## 📈 Предел вычислений: почему «грубая сила» не всегда работает
[[JUMP:20:28]]

Для простых игр, таких как «крестики-нолики» (Tic-Tac-Toe), метод полного перебора всех вариантов («грубая сила») вполне эффективен. Однако с усложнением правил вычислительные мощности быстро становятся недостаточными.

*   **Коэффициент ветвления:** Это среднее количество возможных ходов в любой позиции. В крестиках-ноликах он равен примерно 4, в шахматах — около 35, а в игре Го — 250.
*   **Астрономические масштабы:** Количество возможных состояний в игре Го достигает $10^{170}$. По мнению Майка Вулдриджа, это делает «грубую силу» бессмысленной — даже если превратить всю известную Вселенную в один гигантский компьютер, он не сможет рассчитать все варианты развития партии.

## 🏥 Медицинский прорыв: от диагностики к пониманию биологии
[[JUMP:29:39]]

ИИ берет на себя роль инструмента, повышающего точность диагностики, что особенно важно при работе с дегенеративными заболеваниями.

*   **Болезнь Паркинсона:** Для объективной оценки состояния пациентов используется цифровая «нейро-ручка», которая анализирует движения и рисунок пациента. Это позволяет врачам более точно подбирать дозировку медикаментов, отслеживая динамику тремора и микрографии (измельчания почерка).
*   **Революция в белковых структурах:** Одной из сложнейших задач биологии является «сворачивание белков» — определение того, как линейная цепочка аминокислот превращается в сложную 3D-машину. Проект AlphaFold от DeepMind решил эту проблему, предсказав структуры более 200 миллионов белков. По данным экспертов, это сэкономило биологам миллиарды часов лабораторных исследований, так как на определение структуры одного белка традиционными методами раньше уходило до 5 лет.
*   **Мониторинг беременности:** Использование ИИ позволяет реконструировать 3D-модель головного мозга плода на основе обычного ультразвукового сканирования, что ранее требовало дорогостоящих и труднодоступных МРТ-аппаратов.

## 🎨 Творчество и нейросети: новые инструменты или угроза?
[[JUMP:46:22]]

С появлением генеративных моделей вопрос о том, что именно делает нас творцами, стал звучать острее. Современные нейросети способны создавать фотореалистичные изображения по текстовым запросам, используя метод диффузии (постепенного удаления «визуального шума» из хаотичного набора пикселей до получения осмысленного образа).

*   **Взгляд художника:** Художник Эрик Джилман сравнивает нейросети с «армией из бесконечного числа помощников», которые могут сгенерировать тысячи идей для дальнейшей работы.
*   **Ограничения технологий:** Несмотря на успехи, ИИ всё еще испытывает трудности с последовательным повествованием в видео, генерацией связного текста (иногда путаясь в буквах) и сложными физическими процессами, такими как правильное изображение mug-cake (кекса в кружке).
*   **Человеческий фактор:** Майк Вулдридж подчеркивает, что даже если работа создается с помощью ИИ, она требует человеческого участия: постановки задачи, коррекции выводов и выбора финального результата. На текущем этапе ИИ остается инструментом, а не разумом, обладающим волей.