В Стэнфордском университете стартовал уникальный междисциплинарный курс ECON295/CS323 под руководством известного профессора экономики Эрика Бриньольфсона, посвященный изучению эффектов ИИ-революции. Известный ученый предлагает взглянуть на генеративные модели не просто как на прорыв в программировании, а как на фундаментальный фактор трансформации глобального рынка труда и макроэкономических показателей. Главный сюжет лекции строится вокруг преодоления опасного разрыва между экспоненциальным развитием технологий и инертностью традиционных бизнес-институтов.
🧠 Пробуждение интеллекта: хайп против реальности 0:05
Лекция начинается с интерактивного опроса: Эрик Бриньольфсон интересуется у студентов, кажется ли им, что прогресс ИИ ускорился и оказывает беспрецедентное влияние на экономику. Почти вся аудитория поднимает руки. В ходе дискуссии один из студентов отмечает, что основным триггером стал колоссальный медийный хайп вокруг больших языковых моделей (LLM), которых не существовало еще два года назад. Профессор парирует это данными опроса Pew Research: согласно статистике, лишь 18% американских работников хотя бы раз использовали ChatGPT на рабочем месте. Это указывает на существование технологического «пузыря» Кремниевой долины, в то время как условный Тайлер из Техаса живет вне контекста этой эйфории.
Тем не менее, финансовые маркеры ИИ-бума очевидны. Студенты указывают на эйфорию вокруг акций компании NVIDIA и масштабные инвестиции крупнейших IT-гигантов. Другой участник дискуссии выдвигает тезис, что ключевыми драйверами стали доступ к беспрецедентным вычислительным мощностям (compute) и инфраструктуре. В до-ChatGPT эру компании инвестировали в модели вслепую, не зная, к какому результату приведет масштабное агрегирование данных. Сегодня этот цикл превратился в самоисполняющееся пророчеством: бизнес видит полезность систем и резко увеличивает капитальные затраты на инфраструктуру.
Однако звучат и жесткие скептические оценки. По мнению одного из студентов, восприятие ИИ-революции в реальном секторе сильно опережает экономические факты: в 2023 году выручка от программного обеспечения в сфере генеративного ИИ составила всего около 3 млрд долларов, если исключить выгоду, которую Google и Meta получили от оптимизации внутренних алгоритмов. Студент утверждает, что рабочие места в реальном мире сегодня фундаментально не изменились, а макроэкономическая статистика производительности никак не отреагировала на появление новых ИИ-инструментов.
📉 «Горький урок» Ричарда Саттона и триггеры революции 7:47
Пытаясь разобраться в технологической сути происходящего, участники дискуссии обращаются к известной концепции исследователя Ричарда Саттона «Горький урок» (The Bitter Lesson). Суть теории сводится к тому, что долгосрочный прогресс в сфере ИИ обеспечивается не сложными, разработанными учеными алгоритмами, а простым масштабированием данных и вычислительных мощностей. Эрик Бриньольфсон предлагает переименовать этот урок в «прекрасный», признавая, что для самих ученых он оказался горьким: десятилетиями они пытались вручную кодировать правила синтаксиса и грамматики, но в итоге прогресс пришел тогда, когда модели просто закидали триллионами слов и огромным объемом вычислений. Машины сами научились понимать язык. Профессор ссылается на авторитетное мнение Криса Мэннинга (Chris Manning), одного из гигантов индустрии NLP, который подтвердил правомерность использования термина «понимание» применительно к современным моделям.
По оценке Бриньольфсона, текущую революцию определяют три фактора:
- Экспоненциальный рост вычислительной мощности (compute).
- Колоссальный объем оцифрованных данных: если в детстве нынешних студентов мир был преимущественно аналоговым, то сегодня фото, видео и сообщения оцифрованы на порядки сильнее, чем в 70-е или 90-е годы.
- Развитие алгоритмов и увеличение числа параметров, где главным прорывом стала архитектура трансформера (transformer), созданная командой Google и не сразу получившая заслуженное внимание.
Коммерциализация этих моделей (ChatGPT, Gemini) позволила стартапам строить свои продукты поверх готовой инфраструктуры, делая технологию доступной и междисциплинарной. Бриньольфсон делится личным наблюдением: если раньше при его визитах в Конгресс США политики засыпали от разговоров об экономике и технологиях, то теперь в Белом доме и Конгрессе чиновники внимательно вчитываются в его статьи, понимая масштаб грядущих сдвигов. По мнению профессора, экономические изменения сейчас сильно отстают от потенциала технологий. Даже если бы весь технологический прогресс ИИ прямо сейчас заморозился на 20 лет, экономика продолжала бы расти только за счет интеграции и внедрения уже созданных инструментов.
На вопрос студентов о риске исчерпания качественных человеческих данных для обучения и угрозе деградации моделей из-за обучения на синтетическом ИИ-контенте (что Бриньольфсон иронично назвал «по-настоящему горьким уроком»), профессор отвечает, что это открытый вопрос. Он приводит в пример AlphaZero — систему, которая обучалась на синтетических данных через миллиарды сессий самоигры (self-play) без использования человеческого опыта, и показала феноменальные результаты в шахматах и го. Однако это работает в средах с четко заданными правилами. Сбор данных из Твиттера, заполненного ботами, генерирующими контент друг для друга, по мнению лектора, действительно может привести к дисфункции обучающих петель.
🚀 Новая эра: от экспертных систем к самообучению LLM 30:19
Бриньольфсон предлагает исторический экскурс, разделяя эволюцию ИИ на три режима. Первый начался в 1956 году на Дартмутской конференции, где зародились символьные методы. В 1985 году, когда Бриньольфсон начинал преподавать в Гарвардской вечерней школе, индустрия создавала экспертные системы. Это были жестко закодированные базы правил формата «если/то», которые собирались вручную от экспертов (например, для диагностики лихорадки или выбора вина). По закону Саттона, такой подход не масштабировался, порождал кучу ошибок и привел к «зиме ИИ».
Второй режим — традиционное машинное обучение (Software 2.0). Вместо написания кода человеком ИИ сопоставляет массив входных данных (X) с выходными данными (Y), выявляя статистические закономерности. Технология успешно применяется в скоринге кредитов, антиотмывочных банковских системах и оптическом распознавании символов. В качестве примера приводится роботизированный уничтожитель сорняков, который с помощью компьютерного зрения идентифицирует вредные растения на поле и точечно выжигает их лазером без использования пестицидов.
Третий, современный режим — генеративный ИИ и базовые модели (foundation models), использующие самообучение без учителя (self-supervised learning). Студенты объясняют механику процесса: это авторегрессионная задача заполнения пропусков, когда модель предсказывает каждый следующий токен. Обучаясь на триллионах слов из книг и интернета путем сокрытия случайных слов, модель выстраивает внутренние параметры и структуру, которые фактически аккумулируют знания о географии, химии, грамматике и законах физического мира. Профессор вспоминает фантастический фильм «Я, робот» двадцатилетней давности, где герой Уилла Смита спрашивал андроида, может ли тот написать симфонию или превратить холст в шедевр. В фильме робот отвечал «нет», но сегодня, как подмечает Бриньольфсон, ИИ с уверенностью ответил бы «да», опережая прогнозы сценаристов, целившихся в 2035 год.
📊 Экономика масштаба: законы капитализации и АИМ 40:21
Среди слабостей генеративных моделей студенты выделяют низкую эффективность обучения (data inefficiency) — ИИ требуются миллионы примеров там, где двухлетний ребенок понимает суть объекта по одной картинке, а также сложность атрибуции вклада авторов в обучающую выборку, что порождает юридические баталии (например, между New York Times и OpenAI).
Среди сильных сторон профессор демонстрирует данные исследования Эрика Хорвица из Microsoft «Искры сильного ИИ» (Sparks of AGI): если модель GPT-3.5 сдавала стандартный экзамен на адвоката в США (Uniform Bar Exam) на уровне худших 10% людей, то GPT-4 превзошла 90% тестируемых людей.
Прогресс LLM описывается строгими законами масштабирования (scaling laws), сформулированными Дарио Амодеи и его коллегами: на логарифмической шкале существует прямая зависимость между пропорциональным увеличением вычислений, объема данных, числа параметров и качеством предсказания токенов. Именно поэтому Microsoft и OpenAI готовы инвестировать 100 млрд долларов в строительство гигантского дата-центра Stargate. При этом Бриньольфсон призывает к скептицизму: каждый шаг по этой кривой требует 100-кратного увеличения ресурсов. Переход от сотен миллионов долларов к сотням миллиардов возможен, но следующее 100-кратное увеличение упрется в лимиты мирового ВВП, что заставит ученых искать принципиально иные архитектурные подходы.
Изменение ожиданий наглядно демонстрирует платформа предсказаний Metaculus. Еще пару лет назад консенсус-прогноз создания сильного ИИ (AGI) указывал на 2057 год, в прошлом году он сместился на 2040 год, а недавно упал до 2031 года. Критерии Metaculus включают в себя и физическое воплощение (робототехнику). И хотя Бриньольфсон выражает скепсис относительно скорого появления полноценных роботов-гуманоидов, ИИ-модели уже помогают создавать цифровые модели мира для улучшения координации машин.
Профессор делится деталями своего ужина с главным ученым Meta Янном Лекуном (Yann LeCun). Лекун считает LLM тупиковой ветвью на пути к настоящему AGI и делает ставку на архитектуры мировых моделей (world models). Однако на вопрос Бриньольфсона об экономической ценности языковых моделей Лекун ответил, что они принесут триллионы долларов бизнесу, просто ученому-теоретику это не так интересно. Бриньольфсон как экономист подчеркивает: «Триллионы долларов — это чертовски интересно».
🪤 Ловушка Тьюринга: почему автоматизация уступает дополнению 48:20
Технологический прогресс увеличит экономический пирог, но Бриньольфсон напоминает базовую экономическую истину: не существует закона, гарантирующего, что выгоду получат все. В последние два десятилетия в США реальные доходы людей со средним образованием падали, несмотря на общий рост производительности труда. Технологии могут приводить к опасной концентрации богатства.
Корнем методологической ошибки профессор считает концепцию теста Тьюринга, который ставит целью создание машины, неотличимой от человека. Эрик Бриньольфсон называет тест Тьюринга «глупой целью» для науки. Это похоже на фокусника, имитирующего левитацию женщины: зрелищно, но проблему гравитации не решает. Тьюринговский подход подталкивает разработчиков к созданию технологий-заменителей (substitutes) вместо технологий-дополнений (complements).
Заменители вытесняют человека, снижая рыночную стоимость его труда. Дополнения же повышают ценность человеческих навыков (как левый ботинок дополняет правый, а софт — железо). Строитель с бульдозером или аналитик с компьютером создают в разы больше ценности. Именно благодаря эффекту дополнения стоимость часа человеческого труда за последние столетия выросла примерно в 50 раз.
Бриньольфсон критикует позицию профессора Стэнфорда Нильса Нильссона, разделявшего идею тотальной автоматизации человеческих задач. Профессор предлагает мысленный эксперимент: если бы мифический Дедал автоматизировал все задачи греческой экономики 2500-летней давности, мир заполнили бы бесплатные глиняные горшки, туники, повозки и роботы, жгущие ладан при болезнях. Но уровень жизни не вырос бы качественно. Настоящий экономический взлет происходит не за счет исключения труда из старых процессов, а за счет создания принципиально новых продуктов и услуг: реактивных самолетов, айфонов, мРНК-вакцин.
Математически производительность труда — это ВВП, деленный на отработанные часы. Если устремить часы к нулю, производительность уйдет в бесконечность. Но при нулевом рабочем времени доходы рабочих обнуляются. Бриньольфсон предупреждает о политических рисках: потеряв экономическую значимость, люди потеряют и рычаги политического влияния, что приведет к формированию «ловушки Тьюринга» — сверхконцентрации богатства и власти у узкой группы лиц.
📞 Практический кейс: как ИИ трансформирует колл-центры 57:52
Для иллюстрации правильной модели дополнения Бриньольфсон приводит свое совместное исследование работы крупного колл-центра, систему для которого разработали стэнфордские выпускники Себастьян Трун (Sebastian Thrun) и Заид Инам (Zaid Inam). Нейросеть анализировала миллионы диалогов, выявляла успешные паттерны и в реальном времени предлагала подсказки операторам-людям.
Результаты эксперимента показали:
- Средняя производительность сотрудников выросла на 14%.
- Наименее опытные и низкоквалифицированные сотрудники увеличили эффективность на 35%.
- Высококвалифицированные специалисты получили около 0% прироста эффективности.
ИИ фактически взял скрытые знания (tacit knowledge) лучших сотрудников и передал их новичкам, выровняв общий уровень команды. На опасения студентов, что эти данные позволят полностью уволить людей, профессор демонстрирует кривую Парето для рабочих задач. Модели великолепно справляются с частыми рутинными запросами (например, «как сбросить пароль»), так как имеют терабайты данных для обучения. Но в уникальных, единичных кейсах (сложные налоговые или юридические коллизии) текущие архитектуры бессильны из-за отсутствия выборки. Происходит естественное разделение труда. Внедрение ИИ сделало счастливыми всех: клиенты получали быстрые ответы (что зафиксировал сентимент-анализ текстовых логов), операторы реже увольнялись, а акционеры наращивали прибыль.
Влияние технологии будет тотальным. В исследовании Даниэля Рокки и OpenAI «GPTs are GPTs» отмечается, что около 80% рабочей силы в США увидят автоматизацию как минимум 10% своих рабочих задач, причем сильнее всего это затронет высокооплачиваемых специалистов.
Бриньольфсон предлагает шкалу из 6 уровней автоматизации (по аналогии с беспилотными авто). Когда Гарри Каспаров проиграл Deep Blue, наступила эра «фристайл-шахмат», где связка человека и ПК побеждала любой чистый компьютер. Но сегодня AlphaZero не оставляет шансов человеку — люди для машины стали обузой. В автопроме ситуация сложнее: «Я вожу Tesla и, честно говоря, не доверяю ей — на Университетском проспекте она чуть не протаранила машину». Бриньольфсон вспоминает, как в 2012 году вместе с Энди МакАфи тестировал первый гугломобиль на трассе 101: машина тормозила идеально, но полноценный 5 уровень автономности буксует до сих пор.
В финале лекции профессор переходит к организационным моментам курса ECON295/CS323. Студентам предстоит читать по 2–4 статьи в неделю, задавать вопросы спикерам через систему Slido с функцией краудсорсингового апвоута, а также до 12 апреля сформировать междисциплинарные команды для подготовки финальных бизнес-планов или исследовательских проектов, защиты которых пройдут 4 и 7 июня. Внушительный список приглашенных спикеров 2024 года, по заверению Бриньольфсона, делает Стэнфорд главным местом технологической силы на планете.
