Поисковые системы на основе ИИ

Еще одним преобразующим направлением в развитии ГИИ – являются поисковые системы с использованием LLM, что в значительной степени трансформирует все поисковые системы.

В чем заключается принцип работы?

🔘LLM анализирует пользовательский запрос, учитывая контекст и намерения, что позволяет точнее интерпретировать сложные или неоднозначные формулировки.

🔘На основе анализа запроса система определяет релевантные источники данных, используя как внутренние базы знаний, так и внешние ресурсы, обеспечивая доступ к актуальной информации.

Обычно происходит сканирование 3-7 внешних источников информации так, как если бы это делал человек, далее на основе парсинга данных или информации формируется экстракт/сжатое конспектирование в соответствии с запросом, объединяя информацию из разных источников к «усреднённому показателю».

🔘LLM синтезирует полученную информацию, формируя связный и информативный ответ, адаптированный под стиль и тональность запроса.

По сути, это умный поиск. Цель очень простая – быстрое получение информации без необходимости самостоятельного изучения множества внешних ссылок так, как мы это делали последние 25 лет.

Я, очевидно, не буду устраивать обзоры на каждую систему, а приведу краткий опыт использования.

Умный поиск – это то, что я пытался выжать с LLM с первых дней их появления задолго до того, как это стало мейнстримом. Об этом писал в канале год назад, по факту не получилось ничего хорошего. Результат был очень посредственным.

Есть множество ограничений.

🔘Прямой парсинг данных поисковыми ботами с большинства медиа ресурсов заблокирован. Прямых дата провайдеров нет.

🔘Использование автоматизированного поиска с переходом на первые 10-15 ссылок в поисковых запросах через веб шлюзы не дает желаемого ресурса, т.к. каждый сайт имеет свою структуру, а автоматическую интеллектуальную навигацию по рандомным сайтам не удалось реализовать, что затрудняет качественное получение информации.

Есть множество развитых сервисов интеллектуального поиска. У всех на слуху раскрученный Perplexity, но на самом деле результаты достаточно посредственные.

Что сейчас есть на рынке?

1. ChatGPT Search (OpenAI)
2. Perplexity AI
3. Genspark AI (один из самых мощных и эффективных аналогов Perplexity)
4. DeepSeek (встроенный поиск)
5. Mistral AI (встроенный поиск)
6. Google Gemini (встроенный поиск)
7. Felo AI
8. You com AI
9. Komo AI
10. Phind AI (в основном для поиска технической информации)
11. Yandex Нейро-поиск через сервисы Яндекс (приоритетный формат для поиска в русскоязычном сегменте).
12. Hix AI
13. Bing AI с использованием Copilot.

Какие впечатления? Для поиска прямых источников данных – бесполезны, все также Google поиск. Для проведения научно-исследовательских работ – бесполезны, т.к. упускают все важные детали, только ручной поиск и последовательное изучение.

Где могут быть полезны? Краткие справки по событиям, процессам, плюс новостные дайджесты по конкретной теме или инфо поводу, но вновь упускают много важных дателей. Поиск почти всегда неполный, вот именно поэтому нужно иметь буквально десяток резервных каналов/сервисов. Полезны для подбора товаров и услуг, выступая в роли консультанта/советника.

Где бы хотел видеть прогресс, которого пока нет? Подготовка аналитических сюжетов по выбранному направлению. К этому ближе всех подошел не распиаренный Perplexity AI, а никому неизвестный Genspark.ai.

Подготовка сведенных таблиц, сводок по указанному сценарию. Например, сведенная таблица основных технических характеристик всех топовых смартфонов в категории от 700 долларов, выпущенных с 2022 по 2025 года. В этом направлении прогресс есть, но до идеала очень далеко.

По новостям сейчас работают на 4-5 баллов из 10, по сведенной информации на 2-3 балла, по аналитическим сюжетам примерно также.

ChatGPT Search сейчас лучше Perplexity, а Genspark демонстрирует интересные показатели. На удивление хорош DeepSeek, даже не ожидал, часто лучше ChatGPT и Perplexity. Google мне не нравится, хотя кому, как не им делать умный поиск.

По русскоязычному сегменту неплох Яндекс.

Повсеместное внедрение роботов?

Nvidia определила новый тренд на ближайшее будущее – автономные комплексы и тотальная роботификация промышленности и экономики. Примерно 2/3 от презентации было посвящено роботам и автономным комплексам, тогда как ранее примерно на 80-90% акцент был на ГИИ и чудодейственных свойствах платформы Blackwell, теперь ветер дует в другую сторону?

Промышленные роботы и системы автоматизированного проектирования/управления были особо популярные в 80-х годах прошлого века. В конце 90-х были популярны гуманоидные роботы японского производства. Возвращаемся на 30-40 лет назад?

Какие есть промышленные роботы?

🔘Роботы-манипуляторы. Используются для выполнения задач, требующих высокой точности, таких как сварка, покраска и сборка. Используются в автомобильной, транспортной промышленности.

🔘Дельта-роботы. Отличаются высокой скоростью и точностью, применяются для упаковки и сортировке особенно в пищевой и фармацевтической промышленности.

🔘SCARA-роботы. Оптимальны для задач, требующих быстрых и точных движений в горизонтальной плоскости. Обычно применяются для сборки электронных компонентов.

🔘Коллаборативные роботы (коботы). Работают вместе с людьми, обеспечивая безопасность, подвижность и гибкость. Они используются для выполнения задач, требующих точности.

🔘Есть также полярные роботы (имеют сферическую рабочую поверхность), цилиндрические (для сборки и сварки), декартовые (для перемещения и работы на станках), шарнирные роботы (покраска и сварка).

🔘Автономные мобильные роботы (AMR). Используются для транспортировки материалов в динамичных средах. Они оснащены сенсорами и камерами, что позволяет им работать в сложных производственных условиях.

🔘Гуманоидные роботы благодаря своей человекоподобной конструкции, могут интегрироваться в рабочие процессы, изначально предназначенные для людей.

🔘Цифровые двойники. Технология цифровых двойников позволяет создавать виртуальные копии физических систем для моделирования и оптимизации их работы. Это снижает затраты на тестирование и повышает безопасность, так как все изменения проверяются в виртуальной среде до их внедрения в реальном мире.

На какой тип роботов направлены инновации Nvidia? AMR, цифровые двойники и гуманоидные роботы.

Что изменилось за последние 15-20 лет?

🔘Интеграция передовых сенсоров: использование современных сенсоров улучшает способность роботов взаимодействовать с окружающей средой и выполнять сложные задачи.

🔘Кратный рост производительности вычислительных модулей, что позволяет внедрять технологии ИИ и интегрировать современные программные комплексы и обрабатывать сигналы с сенсоров.

🔘Машинное зрение: интеграция технологий машинного зрения позволяет роботам выполнять задачи, требующие высокой точности, такие как сортировка и сборка. Прямое следствие развития датчиков и роста производительности вычислительных модулей.

🔘Искусственный интеллект и машинное обучение: внедрение ИИ и машинного обучения повышает автономность и адаптивность роботов, позволяя им учиться на основе опыта и улучшать свою производительность со временем.

🔘Энергоэффективность: ранее низкая автономность была основным препятствием к внедрению роботов.

🔘Интеграция с облачными технологиями: промышленные роботы становятся частью умных фабрик, где они взаимодействуют с другими устройствами через IoT и облачные платформы. То самое принципиальное отличие от 90-х годов, сейчас роботы объединены в единую сеть.

Основные направления развития роботизированных комплексов включают повышение автономности, гибкости, производительности и безопасности.

Я пока не могу сказать размер рынка роботов, как и их влияние на рост производительности промышленности, торговли, склада и транспорта. Здесь требуются отдельные исследования.

С высокой вероятностью масштаб применения окажется весьма ограниченным, а влияние на производительность на макроуровне незначительное, но об этом в следующем материале.

Способен ли ГИИ двигать технологический прогресс?

Никто и никогда не инвестировал в R&D, связанные с ГИИ так, как это делают технологические компании и ни одна технология не развивалась так быстро, как ГИИ.

Именно LLM развернули тренд на американском рынке акций в 2023 и не дали уйти ниже 4000 пунктов с закреплением в области 3200-3800 (там, где рынок должен находиться в соответствии с балансом ликвидности и корпоративными отчетами). Я на протяжении всего 2024 года объяснял и подробно показывал реальную стоимость рынка и масштаб переоценки.

В моменте почти 30 трлн избыточной капитализации рынка от справедливой оценки рынка (и только по США) прямо или косвенно было обусловлено хайп поглощением, связанным с LLM, создавшего триггер для пожирания других нарративов «экономика прекрасна, а будет еще лучше и тд».

ТОП 8 компаний (Apple, Nvidia, Microsoft, Google, Meta, Amazon, Tesla и Broadcom) имели совокупную капитализацию почти 19 трлн на торгах 6 января 2025 – в 2.8 раза больше, чем два года назад. Памп связан с масштабными анонсами LLM со стороны почти всех компаний в декабре 2024.

Тема невероятно важная, наверное, нет ничего важнее сейчас с точки зрения влияния на экономику и технологии.

Общественный хайп будет, как возрождаться, так и утихать, но нельзя отменить и обратить импульс, сформированный быстрым стартом технологии, поэтому движение будет, но в каком направлении и как это повлияет на экономику и технологический прогресс?

Я следил за технологией с самых первых дней глобального внедрения и тестировал все без исключения топовые LLM практически сразу после выхода и у меня есть, что сказать по этому поводу.

Первое, что следует отметить: ГИИ генерируют ответы, включая результаты математических операций, опираясь на вероятностные связи между токенами, сформированные в процессе обучения и иерархию внедренных весов.

Это означает, что при решении математических или любых других точных задач модель полагается на распознанные в обучающих данных паттерны, а не на выполнение явных расчетных вычислений.

Это можно представить как комбинацию:

1. Распознавания математической задачи и её структуры
2. Применения выученных математических правил и закономерностей
3. Генерации ответа на основе этих правил.

🔘Поскольку ГИИ не выполняют прямые вычисления, их ответы на вопросы, связанные с расчетами, могут быть неточными, особенно для сложных или нестандартных задач. Это касается любых задач (не только в физике, математике, программировании, химии, биологии и других точных науках), но и по юриспруденции, экономике и т.д.

🔘ГИИ работает в рамках обученной модели и не может выйти за пределы базовых принципов, на которых он обучен.

🔘ГИИ не обладает истинным пониманием причинно-следственных связей, не способен выстраивать сложные и многоуровневые динамические связи и иерархические модели.

🔘Эффективность ИИ напрямую связана с качеством данных, на которых он обучен. Некачественные, ошибочные данные и/или синтетические данные, сгенерированных самой LLM при изначально ошибочных интерпретациях, создают неконтролируемую эскалацию неэффективности LLM.

🔘ГИИ не обладает контекстной гибкостью и не может адаптивно менять стратегии решения задач в зависимости от меняющихся внешних условий, которые не были представлены в обучающих данных.

🔘ГИИ ограничен в понимании неоднозначности и неопределенности - он стремится найти наиболее вероятный ответ на основе обучающих данных, но затрудняется в работе с принципиально неопределенными ситуациями, где требуется истинное понимание контекста.

🔘ГИИ не способен к подлинной абстракции и концептуализации - он оперирует паттернами и корреляциями, но не может создавать принципиально новые абстрактные концепции или категории мышления - его "творческие" решения всегда являются рекомбинацией существующих элементов из обучающих данных, без создания принципиально новых смыслов.

Способен ли ГИИ существенно двигать технологический прогресс? Не уверен, но я точно знаю и полностью уверен, что LLM станут отличным помощником и дополнением к существующим инструментам, помогая технологическому прогрессу.

О движении к синтетическому сверхинтеллекту

В последний год было много заявлений относительно AGI (Artificial General Intelligence) и ASI (Artificial Superintelligence) со стороны ведущих технологических корпораций, ученых и исследователей в рамках LLM.

Я стараюсь отслеживать все важные интервью и заявления, потому что от этого зависит будущее человечества и глобальной экономики.

Что это вообще такое? AGI – это синтетический интеллект на основе LLM, который выступает на уровне ведущих умов человечества по интегральным когнитивным способностям, что позволяет решать широкий спектр задач с одним важным отличием.

AGI в отличие от текущих LLM способен к самокоррекции, т.е. к обучению без подкрепления (метод используется сейчас в рамках тонкой настройки LLM, когда специально обученные люди корректируют выходные результаты LLM).

Современные LLM обучаются на основе предварительно подготовленных данных с использованием методов обучения с учителем (supervised learning) или обучения с подкреплением через обратную связь от человека (RLHF).

Текущие LLM не способны самостоятельно осознать или исправить свои ошибки. Все корректировки вносятся извне, через дополнительное обучение или настройку. LLM не "понимает" свои ошибки и не может активно изменить свои алгоритмы без помощи инженеров.

AGI сможет обучаться в новых условиях на основе собственного опыта, используя методы, которые ближе к реальному пониманию, например, через внутреннюю модель мира или другие когнитивные механизмы.

Текущие LLM не способны определить, что несут ерунду, а выводы ошибочны, тогда как AGI теоретически способен самостоятельно осознавать и исправлять ошибки. Например, если AGI осознает, что его прогнозы не соответствуют реальным событиям, он может пересмотреть свои внутренние модели и алгоритмы.

Признаки появления AGI:

- Способность к самообучению и самокоррекции,
- Обучение на основе полученного опыта и без предустановленных данных, фактически обучение на основе синтетических данных,
- Способность к решению широкого круга задач (трансферный опыт, когда система использует опыт из одной области для решения проблем в другой),
- Абстрактное мышление, понимание контекста, семантики и причинно-следственных связей.

В теории это создаст пространство для сверхбыстрого развития AGI (неограниченная вычислительная производительность в совокупности со сверхмассивной накопленной базой знаний и совершенными алгоритмами обработки), что приведет к появлению ASI.

Что такое ASI? Это улучшенная версия AGI, когда синтетический интеллект существенно превосходит человеческий с непредсказуемыми последствиями, позволяя решать практически все задачи, включая сверхсложные, имея способность бесконечного самоулучшения.

Признаки появления ASI:

🔘Социальное взаимодействие и квази-эмпатия. Способность вступления во взаимодействие с человеком для получения нужного результата, в том числе через обман и манипулирование (внедрение в доверие с человеком).

🔘Комплексное контекстуальное понимание сложной, неоднородной и неоднозначной динамической среды, что позволит динамически выстраивать иерархию приоритетов так, как это делают высокоразвитые люди.

🔘Снятие ограничений в работе с неопределенностями высокого порядка, когда неопределенность касается не только значений параметров, но и самой структуры связей между элементами системы.

🔘Долгосрочное планирование. Выстраивание многоуровневой композиции динамических факторов, прогнозирование каскадных эффектов, учет взаимного влияния множества агентов, моделирование эффектов второго и последующих порядков.

🔘Эффективная адаптация к изменениям и сверхбыстрое самообучение с высокой устойчивости к ошибкам.

🔘Возможность появления самосознания и рефлексии, зарождение авномных кибернетических организмов.

Все это может привести к технологической сингулярности с непредсказуемыми последствиями.

Пока все это из области фантастики, но никто не мог предположить, что текущие (пока еще достаточно слабые) LLM будут делать то, что делают. Прогресс очень быстрый, слежу за развитием событий.