Иной разум. Как «думает» искусственный интеллект? - Андрей Владимирович Курпатов

знаковой книге «Ошибка Декарта». Десятилетиями когнитивная наука пыталась безуспешно разделить «благородный» разум и «низменные» эмоции. Но, как мы помним, Дамасио на клинических примерах показал, что это ошибка.

Пациенты с нарушением связей между центрами логического планирования и эмоциональными, телесными сигналами демонстрировали высокий интеллект в формальных тестах, но не могли принять ни одного осмыс-ленного решения.

Один из пациентов, которого описывает Дамасио, мог часами рассуждать о том, в какой день надо назначить встречу — во вторник или среду. Он перечислял множество плюсов и минусов, но не мог принять решение, потому что в нём не возникал тот интуитивный «толчок», который обычно и сообщает нам, какой вариант правильный[165].

Наше тело постоянно посылает мозгу фоновые сигналы — едва уловимые ощущения тревоги, комфорта, предвкушения. Эти «маркеры», спрятанные в нашем прошлом опыте, служат нам интуитивными фильтрами — эмоционально «подсвечивают» одни варианты и отсекают другие задолго до того, как мы успеваем их сознательно проанализировать.

Именно этого механизма и лишён искусственный интеллект. Для него мир существует не как поле опыта, а как гигантская база данных, состоящая из наборов форматов: пиксельных матриц (изображения), последовательностей токенов (тексты), таблиц чисел.

По сути, это реализация максимы Альфреда Коржибского: ИИ имеет доступ только к «карте», но не к «территории». Он может владеть самой точной и подробной картой, но никогда не почувствует под ногами ту саму землю, а без этого его знания будут катиться по ней, как перекати-поле.

ИИ может проанализировать миллион часов видео, изучить все законы физики и написать исчерпывающую инструкцию по езде на велосипеде. Но он никогда не почувствует тот миг, когда тело интуитивно смещает центр тяжести, чтобы сохранить равновесие, или ту вспышку страха перед падением, которая заставляет мышцы напрячься.

Это невербализуемое, воплощённое знание — «знание „как“» — и есть подлинное «понимание» баланса, а у ИИ есть, по крайней мере в подобных случаях, только «знание „что“».

Телесный опыт — это и есть тот первичный, «житейский» слой познания Льва Семёновича Выготского. Из этого слоя, как из плодородной почвы, вырастает всё остальное. Ребёнок сначала учится через падения, прикосновения и усилия, и лишь затем на этот фундамент надстраиваются абстрактные, «научные» понятия.

Искусственный интеллект лишён этого фундаментального этапа. Его познание начинается сразу с верхнего этажа — с мира готовых, абстрактных (в данном случае цифровых) представлений, без всякой связи с живым, телесным опытом. Он начинает с карты, и в мире этой карты ему и суждено остаться.

Симуляция физического мира

Осознав, что бестелесный разум больших языковых моделей, пусть и обогащённых мультимодальными данными, зашёл в тупик, индустрия ИИ встала перед выбором: либо признать поражение, либо найти обходной путь. И этот путь был найден — амбициозный и по-своему изящно простой.

Если мы не можем дать ИИ реальное тело, с его биологической сложностью и непредсказуемостью, тогда давайте дадим ему бесконечное число виртуальных, симулированных тел[166].

Так родилась концепция Physical AI, получившая название «симуляция к реальности» (sim-to-real). Суть её в том, что мы учим ИИ взаимодействовать с законами физики не в хаотичном реальном мире, а в идеально контролируемом цифровом двойнике[167].

И это стало возможным благодаря появлению сверхреа-листичных симуляционных сред. Игровые движки вроде Unity и Unreal Engine, а также специализированные промышленные платформы, такие как NVIDIA Omniverse, превратились в гигантские «песочницы» для искусственного интеллекта.

В этих виртуальных мирах можно с высокой точностью моделировать физику — гравитацию, трение, столкновения, свойства материалов, — создавая бесконечный полигон для обучения роботов.

Цель подхода «симуляция к реальности» — решить проблему данных. Обучать физического робота в реальном мире — процесс мучительно медленный, дорогой и опасный. Робот может сломаться сам, повредить окружающие предметы или нанести вред человеку.

В симуляции же можно запустить миллионы виртуальных роботов, которые будут «проживать» миллиарды сценариев, падать, сталкиваться и ломаться без каких-либо последствий. Это позволяет генерировать гигантские массивы синтетических данных о физическом взаимодействии, которые затем используются для обучения реальных машин.

Ключевой пример этой новой парадигмы — масштабный проект NVIDIA Cosmos, анонсированный в 2025 году[168]. Это не один только симулятор, а целая экосистема, предназначенная для создания и обучения моделей для робототехники.

Модели учатся не на текстах или картинках, а на триллионах симулированных сценариев. Они анализируют видеопоток из виртуального мира, соотносят его с текстовыми командами и генерируют последовательности действий.

Цель — развить у ИИ так называемое «телесное знание», то есть способность к рассуждению и планированию действий, основанному на понимании физики и пространственных отношений реального мира.

Создатели Cosmos обещают ускорить обучение роботов в тысячи, если не в миллионы раз, прежде чем их «сознание» будет загружено в физическую оболочку. По сути, это попытка создать для ИИ симулированное «детство», в котором он сможет обрести свой собственный, пусть и виртуальный, «житейский опыт». Мы даём ему «тело», но «тело в кавычках».

Карта — не территория

Энтузиазм вокруг симуляций породил иллюзию, будто проблема физической воплощённости — это всего лишь вопрос вычислительной мощности и точности моделирования. Однако симуляция решает проблему данных, но не проблему опыта.

Виртуальная симулированная физическая среда даёт машине возможность обучиться функционировать в мире. Но это вовсе не тот внутренний, подлинно «телесный» толчок, который делает наше познание живым.

У ИИ не появились «соматические маркеры», принципиальная роль которых для понимания следует из работ Антонио Дамасио. Мы учимся быть осторожными на льду не потому, что наш мозг вычислил низкий коэффициент трения, а потому, что мы помним резкую вспышку страха и боль от падения. Этот негативный опыт оставляет в нашей нервной системе глубокий след, который служит мощным интуитивным сигналом в будущем.

Машина, обучающаяся в симуляции, лишена этого измерения. Когда виртуальный робот «падает», он не испытывает ни боли, ни страха, ни досады. Для него падение — это лишь математическое событие, сигнал об ошибке, который запускает корректировку весов в его нейронной сети.

Мы можем научить его избегать падения, поставив перед ним соответствующую задачу. Но он не сможет перенести это знание на ситуацию, в которой упал или потенциально может упасть человек. Мы с вами инстинктивно попытаемся такому человеку помочь, а робот — только если мы пропишем ему такую программу.

Впрочем, как мы уже знаем, придумать универсальное правило-инструкцию для всех случаев невозможно. Человек может падать, потому что он клоун в цирке и так веселит людей, а может, потому что тренируется падать, обучаясь борьбе или прыжкам с парашютом.

Наконец, существует неустранимый разрыв между симуляцией и реальностью, и соответствующий принцип был блестяще сформулирован одним из пионеров робототехники — Родни