“…Однако естественный отбор, как мы увидим далее, является силой, постоянно готовой к действию, и настолько же неизмеримо превосходит слабые усилия человека, насколько творения природы превосходят произведения искусства”
(c) Чарльз Дарвин, Происхождение видов
Современные исследования искусственного интеллекта зачастую фокусируются на оценке его способностей через субъективные или узкоспециализированные тесты. Однако недавно китайские ученые предложили принципиально новый подход: рассматривать интеллект как эволюционную способность находить решения с минимальным числом неудачных попыток. Такой подход позволяет объективно измерять интеллект как живых организмов, так и искусственных систем.
Новый подход – игра на выживание
Авторы исследования «Evaluating Intelligence via Trial and Error» разработали фреймворк игры на выживание (Survival Game), в котором уровень интеллекта оценивается через количество неудач, которые агент допускает прежде, чем добивается успеха. Чем меньше неудач, тем выше интеллект. Это перекликается с эволюционным принципом естественного отбора, где выживание зависит от способности быстро и эффективно адаптироваться к новым условиям.
Исследователи выделили три уровня интеллектуальных способностей:
-
Ограниченный уровень (Limited): агент действует по принципу «слепого перебора», число неудач стремится к бесконечности;
-
Способный уровень (Capable): агент справляется лучше, ожидание неудач конечно, но разброс результатов остается большим;
-
Автономный уровень (Autonomous): агент стабильно находит решения с конечным числом попыток и минимальными отклонениями результатов.
Анализ современных ИИ-систем
Проведенные эксперименты показали, что даже передовые современные модели ИИ еще далеки до уровня автономного интеллекта:
-
Компьютерное зрение: популярные модели (например, CLIP, MAE) демонстрируют лишь ограниченный уровень, часто перебирая множество решений;
-
Поисковые системы и рекомендательные алгоритмы: склонны «застревать» в бесконечных циклах неудачных попыток;
-
Задачи на кодинг, математику и письмо: даже самые продвинутые модели (Qwen2.5, Llama3, DeepSeek V2) показывают лишь средний (способный) уровень, но до автономности ещё далеко.
Что нужно для достижения автономного интеллекта?
Одним из ключевых выводов исследования стало понимание масштабов, необходимых для достижения автономного уровня. Для полноценного автономного понимания языка, по оценкам авторов, потребуется модель с порядка 10^26 параметров. Это примерно в 100 000 раз превышает количество нейронов во всех человеческих мозгах. По расчетам, такие масштабы станут технологически достижимыми не ранее чем через 70 лет, учитывая текущий темп развития аппаратного обеспечения.
Переход от текущего состояния (ограниченный и способный уровни) к автономному уровню представляет собой масштабную научную и инженерную задачу. Помимо огромных вычислительных затрат (стоимость и сложность реализации превышают возможности даже крупнейших технологических компаний), существуют методологические ограничения. Современные модели основаны преимущественно на запоминании и поверхностной имитации, а не глубоком понимании контекста, что затрудняет достижение истинной автономности.
Однако «игра на выживание» открывает перспективы для создания объективного теста интеллекта, применимого универсально ко всем агентам – от биологических существ до искусственных нейросетей. Использование статистических методов анализа ошибок и теории самоорганизующейся критичности (SOC) позволяет глубже понять механизмы адаптации и решения задач, свойственные интеллекту.
Предложенная концепция «игры на выживание» не просто позволяет объективно оценивать интеллект, но и задает ориентиры для будущих исследований. Достижение автономного интеллекта потребует значительных прорывов как в масштабах моделей, так и в принципах их построения и обучения. Таким образом, мы находимся лишь в самом начале пути к пониманию того, что значит быть по-настоящему «умным».
Если вам интересна тема ИИ, подписывайтесь на мой Telegram-канал — там я регулярно делюсь инсайтами по внедрению ИИ в бизнес, запуску ИИ-стартапов и объясняю, как работают все эти ИИ-чудеса.
Автор: andre_dataist
