Не буду агитировать за искусственный интеллект – многие уже его используют, в том числе и в работе, а хочу обратить внимание на то, как мы это делаем. Мы часто общаемся с искусственным интеллектом как с поиском: короткий вопрос – короткий ответ. Удобно. Но так мы добровольно отрезаем самое сильное – способность соединять далекие области и вытаскивать связи, которые в одной голове обычно не уживаются.
В прошлом посте я уже приводил пример с гравитационно-волновым детектором: алгоритм предложил «некрасивую» асимметричную схему, и расчеты показали прирост чувствительности на 10–15 процентов. Нетривиальное решение оказалось рабочим именно потому, что поиск не был зажат рамками привычного.
Сейчас появляется новый вектор развития искусственного интеллекта – модели, которым мало просто «ответить». Так Vision Language World Model учится по видео и тексту удерживать ситуацию целиком: видеть цель, предсказывать изменения и строить траекторию действий, а не выдавать справку по факту. И пусть они находятся еще на ранней стадии разработки, но уже движутся в сторону планирования, где язык и восприятие работают вместе. А Isomorphic Labs в июле сообщила, что готовит первые клинические испытания молекул, спроектированных при участии искусственного интеллекта. Это уже не теоретические презентации – это реальные бюджеты, партнеры, регуляторные процедуры и план выхода в исследования на людях.
Почему в одних случаях искусственный интеллект приносит прорыв, а в других – дает понятную, но «пустую» справку? Ответ, похоже, в постановке задачи. Эксперименты Амоса Тверски и Даниэля Канемана показали, что изменение формулировки одной и той же ситуации радикально меняют выбор людей, что послужило основой для открытия эффекта «фрейминга». Узкая формулировка понижает разнообразие решений; открытая – расширяет поле поиска. К этому можно добавить еще «потребность в определенности»: когда хочется поскорее закрыть вопрос, в этом случае креативные ходы почти всегда проседают. И, конечно, функциональная фиксированность – привычка видеть объект или метод только в одной роли, что также мешает неожиданным решениям.
Отсюда практический вывод. Если обращаться к искусственному интеллекту как к энциклопедии, он и будет ею. Если просить шире – он начинает работать как партнер по размышлению. Что значит «просить шире» на деле:
— задавать цель и фон, а не только вопрос;
— запрашивать пересечения с соседними областями;
— явно просить показать противоречия и крайние сценарии «если…»;
— проводить аналогии: «как бы это решали в другой дисциплине?»;
— требовать критерии проверки, а не финальный «единственно верный» ответ.
Было бы полезно, если бы нашей привычкой стало не сужать постановку задачи, а оставлять пространство для маневра. Тогда искусственный интеллект принесет не конкретные, всем известные факты, а новые возможности.
Загрузка ...Если у вас уже получались «широкие» запросы, которые привели к нетривиальным решениям, расскажите в комментариях, как вы формулировали задачу и что в итоге сработало. Это действительно может помочь.