Будущее ИИ: Путь к общему интеллекту (AGI) и уроки DeepMind 0:00
Исследователь в области искусственного интеллекта Ориол Виньялс, возглавляющий команду глубокого обучения в DeepMind, в беседе с Крейгом Смитом в подкасте Eye on AI обсудил эволюцию подходов к созданию ИИ, значимость таких проектов, как AlphaCode, и долгосрочную стратегию компании на пути к созданию искусственного общего интеллекта (AGI).
🧠 Путь исследователя: от Барселоны до DeepMind 2:11
Путь Ориола Виньялса в науку начался в Барселоне, где он получил степень бакалавра. Позднее он переехал в США, получив степень магистра в Калифорнийском университете в Сан-Диего и защитив докторскую диссертацию в Беркли в 2009 году.
- Начало карьеры: Во время обучения в Беркли Виньялс проходил стажировки в Microsoft Research, где познакомился с будущими коллегами по индустрии, включая Илью Суцкевера,.
- Переход в Google Brain: В 2013 году, после завершения PhD, Виньялс присоединился к Google Brain, где работал в небольшой команде.
- Присоединение к DeepMind: В 2016 году Виньялс переехал в Лондон и стал частью команды DeepMind.
По словам Виньялса, его интерес к глубокому обучению был подогрет знакомством со студентами из лаборатории Джеффри Хинтона во время стажировок в Microsoft. Он отмечает, что в те годы глубокое обучение не пользовалось такой популярностью, как сегодня, что делало научную среду уникальной.
💻 AlphaCode: ИИ-программист как бенчмарк 5:04
Один из центральных вопросов беседы — проект AlphaCode, система, способная писать программный код на основе описания задачи на естественном языке.
- Наследие игр: Виньялс объясняет, что методология AlphaCode во многом заимствована из предыдущих проектов DeepMind — AlphaStar (игра StarCraft) и AlphaGo,.
- Принцип инструментария: Он рассматривает глубокое обучение как расширяющийся «ящик с инструментами». Разработчики берут проверенные методы из прошлых задач и адаптируют их для новых доменов.
- Обучение: Модель сначала проходит обучение на огромном репозитории кода GitHub (без учителя), а затем дообучается (fine-tuning) на специально собранном наборе данных из 15 000 примеров задач с соревнований по программированию,.
Виньялс подчеркивает: система не просто дополняет код, а решает алгоритмические задачи. Несмотря на достижение «среднечеловеческого» уровня в соревнованиях, он признает, что до идеального решения ещё далеко,. По мнению исследователя, AlphaCode доказывает способность ИИ к рассуждению, а не просто к копированию паттернов.
🚀 На пути к AGI: стратегия и интеграция 40:14
DeepMind рассматривает создание AGI как свою главную миссию. По словам Виньялса, проекты компании, будь то игры или программирование, — это не разрозненные усилия, а логические шаги по развитию «инструментария».
- Траектории развития: Крейг Смит предлагает концепцию, согласно которой развитие идет по трем основным направлениям, которые со временем должны объединиться:
- Игры (агентность / способность совершать действия).
- Язык (включая AlphaCode).
- Мультимодальность (зрение и интеграция данных).
- Роль метаобучения: Виньялс признается, что его личный фокус сместился в сторону способности моделей обучаться «на лету» (few-shot learning), когда ИИ может освоить новую задачу, получив лишь несколько примеров,.
- Визуальные модели: Недавний проект Flamingo, объединяющий понимание языка с обработкой изображений и видео, является важным подтверждением этой стратегии.
Виньялс отмечает, что хотя он лично не занимается видеогенерацией напрямую, использование GAN-сетей для предсказания динамики облаков в задачах метеорологии показывает, как методы машинного обучения находят применение в науке, что является ключевой целью DeepMind.
