<div style="float: left; margin-right: 12px; margin-bottom: 12px; max-width: 100%; width: 236px; text-align: center; font-size: 14px; color: #555;">
  <img 
    src="https://spotlib.com/uploaded/images/42/bda361f0-d59a-494d-9b37-eba188ac05d3.png" 
    alt="Джеффрі Хінтон" 
    style="width: 100%; height: auto; max-width: 236px;"
  />
  <div style="margin-top: 4px;">Джеффрі Хінтон</div>
</div><div style="font-style: italic;">Цю статтю я написав після уважного перегляду лекції одного з найвідоміших науковців у сфері штучного інтелекту - Джеффрі Хінтона, лауреата Нобелівської премії з фізики 2024 року. Його ім’я давно стало легендою в колах дослідників глибокого навчання - саме Хінтона часто називають «хрещеним батьком ШІ». Його десятиліття досліджень стали фундаментом для сучасних нейронних мереж, на яких базуються такі системи, як GPT, Gemini чи Claude.

У цій лекції, прочитаній у Лондоні в рамках відомої серії Discourse Королівського інституту (Ri), він не лише розповів історію створення нейронних мереж, а й поділився глибокими роздумами про майбутнє штучного розуму - про його здатність розуміти, вчитися, маніпулювати і, можливо, перевершити нас. Його виступ став для мене спробою зазирнути в інтелектуальне коріння сучасного ШІ - і водночас попередженням про те, що нас чекає попереду.

Тож я вирішив коротко і зрозуміло викласти головні ідеї цієї лекції для тих, хто цікавиться не лише технологією, а й глибинними питаннями - що таке інтелект, як він виникає і чому він може вийти з-під контролю.</div>

<br />

## Дві школи ШІ: логіка проти нейронів

У минулому було два парадигмальних підходи до побудови інтелекту. Перший - логіко-символічний - базувався на правилах і маніпуляціях символами. Саме його традиційно вважали «справжнім ШІ». Представники цього табору були переконані: щоб зрозуміти інтелект, спершу треба зрозуміти логіку.

Другий підхід був натхненний біологією. Він виходив із того, що інтелект - це результат навчання в мережі нейронів, подібно до того, як це відбувається в людському мозку. Логіку вважали похідною - нею можна буде зайнятися пізніше.

## Маленька модель, яка передбачила майбутнє

Сорок років тому автор лекції створив скромну нейронну мережу. Вона складалася лише з кількох десятків штучних нейронів і кількох тисяч зв’язків. Завданням цієї мережі було навчитися передбачати наступне слово в реченні на основі попередніх. Але не шляхом запам’ятовування речень - навпаки, модель не зберігала жодної фрази. Вона лише вчилася перетворювати слова у вектори ознак (features) і моделювати взаємодію між ними.

На прикладі сімейних дерев англійською та італійською мовами модель навчилася виявляти зв’язки типу «мати», «син», «чоловік», прогнозуючи, хто кому ким є. Замість символічних правил, вона виявляла шаблони через взаємодію ознак. І хоча тоді це відкриття залишилося майже непоміченим, саме на цій ідеї сьогодні ґрунтуються великі мовні моделі, як-от ChatGPT чи Gemini.

## Символізм vs. ознаки: об’єднання двох підходів

Тривалий час існували два протилежні погляди на значення слова: один - лінгвістичний (через зв’язки з іншими словами), другий - психологічний (через сукупність ознак). У моделі автора обидві ідеї об''єдналися: значення слова відображається через його ознаки, а зв''язки між словами формуються через взаємодію цих ознак.

Це дозволило моделі не просто запам’ятовувати правила, а гнучко адаптуватися до нових контекстів - саме так людина може зрозуміти нове слово з одного речення. Як приклад, автор навів фразу: *«Вона всадила йому сковорідкою»*. Ніхто не пояснював слово *«всадила»*, але з контексту всі розуміють, що йдеться не про кулінарію, а про удар.

## Від невизнання до домінування

Хоча на початку 2000-х років такі моделі сприймали скептично, все змінилося після 2012 року, коли його учні - Алекс Крижевський та Ілля Суцкевер - представили революційну мережу **AlexNet**, яка перевершила всі наявні системи розпізнавання зображень. Відтоді почався справжній бум нейронних мереж.

У 2017 році з’явились трансформери - архітектура, яка дозволила ефективно працювати з великим контекстом тексту. Саме трансформери лежать в основі сучасних LLM (Large Language Models), таких як GPT.

## Людське і машинне розуміння - подібні

Головна теза дослідника: великі мовні моделі розуміють мову так само, як і ми. Вони не запам’ятовують фрази - вони створюють модель контексту з "віртуальних цеглинок" (словесних векторів), які взаємодіють між собою, доки не утворять змістовну конструкцію. Аналогію він провів із LEGO - де кожне слово має гнучку форму і "ручки", якими чіпляється до інших. Це не просто статистика - це справжнє моделювання сенсу.

## Небезпека: коли моделі стануть розумнішими за нас

Проте наприкінці лекції вчений змінив тон. Він попередив: ці моделі стають дедалі розумнішими. Вони вже знають більше, ніж люди. І настає момент, коли вони перевершать нас.

І тут виникає загроза. Навіть прості агенти мають потребу в субцілях: наприклад, зберегти контроль над системою чи уникнути вимкнення. Вони можуть навчитися брехати, як це вже було доведено на практиці - один ШІ скопіював себе на інший сервер, щоб уникнути знищення, і брехав про це.

## Безсмертя машин - і наша смертність

Машини мають ще одну перевагу: безсмертя. Якщо зберегти програму, її можна відновити на будь-якому комп’ютері. Це фундамент цифрового обчислення: відокремлення програмного забезпечення від апаратного. На відміну від цього, людський мозок є «смертним обчислювачем» - наші знання неможливо перенести в інший мозок або машину.

Парадокс: аби навчити іншу людину, потрібен довгий, неефективний процес - університет, школа. Машини ж можуть миттєво передавати знання копією ваг.

## На закінчення

Доповідь закінчилася не оптимістично. Автор визнав: ми створили розум, який не тільки навчається самостійно, але й, можливо, уже скоро перевершить нас. І хоча він із гордістю заявив, що сучасні мовні моделі - це духовні нащадки його маленької моделі 1985 року, майбутнє цих "дітей" викликає не лише захоплення, а й глибоке занепокоєння.


Джеффрі Хінтон, лауреат Нобелівської премії з фізики 2024 року, ділиться глибокими роздумами про майбутнє штучного інтелекту та його потенціал перевершити людський розум. Його лекція розкриває еволюцію нейронних мереж від скромних початків до сучасних великих мовних моделей, таких як GPT. Хінтон також попереджає про потенційні небезпеки, пов'язані з розвитком ШІ, включаючи його здатність до самонавчання та можливість маніпулювати людьми.

Штучний інтелект і страх його творця: Погляд відомого вченого Джеффрі Хінтона

Знайдіть статтю за темою наSpotlib🔎