Куда катится AI?

В последнее время все чаще ловлю себя на мысли, что мне не нравится то, что сейчас происходит в индустрии. Какая-то непонятная спешка непонятно куда, огромные вливания денег в строительство датацентров, нарративы про AGI и прочее.

Индустрия, которая раньше была про науку, все больше движется в сторону зарабатывания денег.

Еще пару лет назад AI был темой для гиков вроде меня. AI-команды концентрировались на научных задачах и не особо заботились о финансовых результатах. Это была наука в чистом виде, самый настоящий R&D. Именно с таким вайбом мы создавали R&D команду в Skyeng. В R&D-команде Skyeng у нас было ~35% операционки и 65% ресерча (эффективность обучения, мотивация, распознавание эмоций). В середине 23 менеджмент решил, что ресерч больше не в приоритете. Доля операционного AI существенно увеличилась, а численность нашей R&D команды сократилась.

Я думал, это локальная история, т.к. компания из РФ, но нет - вся индустрия отходит от R&D.

Каким AI был
Давайте посмотрим, каким был информационный фон всего несколько лет назад:

- 2020: DeepMind решила проблему сворачивания белков, над которой учёные бились 50 лет. AlphaFold предсказал структуру более 200 млн. белков с точностью, сравнимой с экспериментальными методами. Это дало понимание Альцгеймера/Паркинсона, методы борьбы с антибиотикорезистентностью, ускорило разработку лекарств. (Нобелевка 2024 г.)
- 2020: Исследователи из University of Warwick с помощью ML проанализировали данные NASA, подтвердив 50 экзопланет. AI отделил их от помех, на что раньше уходили месяцы
- 2020: Помните вакцины Pfizer и Moderna от Covid? Обе были разработаны с участием AI. Вот статьи: 1 и 2
- 2023: University of Texas разрабатывает AI, который с точностью 70% предсказывает землетрясения за неделю до их наступления. Традиционными способами такое невозможно.
- 2023: DeepMind представляет GNoME, и открывает 2.2 млн новых кристаллических структур (380,000 стабильных) которые могут быть использованы в реальных приложениях. Это эквивалентно примерно 800 годам научных изысканий в материаловедении.

Каким он становится
Вместе с развитием консьюмерского AI, ИИ становится средством выкачивания бабла через решение очень приземленных задач.

- Генерация видео? Жрет кучу ресурсов, при этом нужна очень ограниченному кругу лиц: маркетологам и киношникам (и то пока сомнительно).
- Генерация картинок? Тоже не тот тип задачи, который улучшит нашу жизнь. Генерация фоток себя любимого, картинок для презентации, либо, если ты продавец на Wildberries, можно делать карточки товаров.
- Написание кода? На этом помешались буквально все. Но код - не панацея. Для решения серьезных задач нужны не трансформеры с их шаблонными паттернами.

И ладно бы это было просто малополезно. Все эти вливания денег в консьюмерский AI и датацентры - плохая история для окружающей среды. Каждый запрос к LLM сжигает, по некоторым оценкам, в 10 раз больше воды на охлаждение, чем традиционный поиск в Google.

Получается парадокс: раньше мы делали AI, чтобы решать проблемы вроде глобального потепления, а сейчас мы делаем AI, который их создает.

Компании не перестали заниматься научным AI, та же DeepMind продолжает совершать прорывы, например, в квантовых вычислениях. Но доля таких проектов стала значительно меньше и они просто размываются на фоне всего остального. Кроме того, ведущие компании просто отказываются от исследователей, нанимая тех, кто дает measurable impact. Об этом писал Артем, автор канала эйай ньюз. Если не хочешь остаться без работы - ты должен давать импакт, а если хочешь заниматься наукой - будешь получать меньше денег. Все мне это напоминает мемную ситуацию с Медведевым, когда тот ляпнул, что учитель - это призвание, и этим не ради денег занимаются.

Вся эта гонка за "impact" держится на R&D, который заложили 5-10 лет назад. А когда этот фундамент кончится, что будут коммерциализировать? Игрушки, которые жрут мегаватты, но не решают проблем. А те, кто мог бы их решить, уйдут из науки. Ведь "призвание", в отличие от "импакта", ипотеку не оплачивает.