Футуролог Эми Уэбб – о новом технологическом суперцикле, в котором объединятся три технологии: генеративный искусственный интеллект, биотехнологии и умные датчики.
  |   Эконс

В 2010-х гг. несколько некоммерческих компаний США организовали обучение программированию для безработных шахтеров из Западной Вирджинии. Цель была в том, чтобы превратить оставшихся не у дел работников отмирающей отрасли в высокооплачиваемых специалистов, востребованных в Кремниевой долине. Но план провалился. Это произошло не потому, что обучение было плохо организовано или что шахтеры не были заинтересованы в переквалификации. И с программами, и с мотивацией обучающихся все было в порядке. Просто их учили языку HTML.

HTML – это код, на котором работает весь интернет, поскольку HTML используется для структурирования и отображения веб-страниц, но с 2018 г. он практически автоматизирован. В то время на горизонте уже маячил искусственный интеллект (ИИ), и если бы переподготовка была организована вокруг этой темы, то шахтерам, возможно, оказалось бы проще сменить карьеру. Организаторы обучения сделали ставку на тенденцию будущего – просто не на ту, которая была правильной. Этот пример привела на конференции EmTech MIT 2024, состоявшейся осенью прошлого года, Эми Уэбб – американский футуролог, основатель и генеральный директор Future Today Institute (Института будущего сегодня) и адъюнкт-профессор Школы бизнеса Стерна Нью-Йоркского университета. «Зачем говорить обо всем этом? – обратилась она к аудитории. – Потому что я обеспокоена тем, что то, что произошло в Западной Вирджинии, произойдет повсюду в мире».

Компании и организации, которые сейчас активно инвестируют в применение технологий генеративного ИИ в своем бизнесе, рискуют оказаться в положении шахтеров, обучающихся HTML, уверена Уэбб. «Если вы зациклены только на ИИ, вы упускаете из вида общую картину», – считает она. Общая картина состоит в том, что с ИИ объединяются еще две технологии – биотехнологии и умные датчики, – чтобы сформировать то, что Уэбб называет «живым интеллектом» (living intelligence). Мир находится на пороге технологического суперцикла, в котором синтез этих трех технологий окажет на экономику и общество влияние столь же преобразующее, как изобретения колеса и парового двигателя.


Мода и тенденция

Недавно во время консультации по развитию ИИ, которую Уэбб проводила для одной международной медицинской компании, специалисты по информационным технологиям этой компании с гордостью продемонстрировали возможности разработанной ими большой языковой модели (LLM – large language model). Они занимались ее созданием, тестированием и внедрением больше года, потратив значительные средства на то, чтобы объединить в единую систему гору разрозненных данных – от рукописных анкет пациентов до цифровых файлов. Как и многие другие компании, которые фокусируются на внедрении инструментов ИИ, они думали, что к начавшимся масштабным технологическим изменениям у них все полностью готово. Ответ консультанта, что они только на самом старте пути, их удивил и даже разозлил, рассказывает Уэбб в Harvard Business Review: «Однако LLM – лишь отправная точка. Компании, которые не осознают важность конвергенции технологий, рискуют остаться позади».  

ИИ – это только одна из трех новаторских технологий, меняющих бизнес-ландшафт, считает Уэбб. Две другие – умные датчики и биотехнологии – пока еще менее заметны. Но именно конвергенция этих трех технологий вскоре ляжет в основу новой реальности.

Для понимания этой тенденции Уэбб предлагает в интервью Freethink вспомнить одну из ранних платформ соцсетей Foursquare с GPS-навигацией. Пользователи этой платформы с помощью мобильных приложений могли «отмечаться» («чекиниться») в различных местах своего пребывания и делиться этой информацией с другими. За отметки пользователи получали «цифровые бейджи» и разные статусы. Сначала все думали, что это – будущее, «чекиниться» стало очень модным. Оказалось, что это действительно была лишь мода, которая быстро прошла. Реальная же тенденция, которая развилась из подобной технологии, оказалась не такой веселой, как коллекционирование цифровых бейджей, но намного более важной: это услуги, основанные на геолокации.

Сейчас многие думают о генеративном ИИ как о чат-боте. Но такие сервисы, как ChatGPT, не будут только текстовыми, уверена Уэбб. Долгосрочная тенденция – в использовании «ботами ИИ» различных типов данных из разных источников и во взаимодействии с этими данными различными способами. Скорее всего, большая часть этих данных будет поступать от умных датчиков и сети взаимосвязанных устройств, которые обмениваются информацией, чтобы тем самым подпитывать развитие ИИ.

Умные датчики и большие модели действий

Одна из проблем с большими языковыми моделями сегодня в том, что они обучаются на общедоступных данных, и на данный момент все крупные компании уже практически полностью «вычерпали» весь интернет. Чтобы получить больше от ИИ, понадобятся данные из реального мира, которые позволят перейти от больших языковых моделей – LLM – к большим моделям действий, LAM (large action model). Интеллектуальные очки и имплантируемые в мозг интерфейсы будут становиться популярными, ожидает Уэбб: они могут предоставлять ИИ данные о реальной среде и тем самым помогать ИИ становиться все более развитым. Именно эта функция делает умные датчики следующей технологией общего назначения.

Большинство людей не осознает, пишет Уэбб, что датчики уже повсюду и используются во многих отраслях. Например, iPhone поставляется со встроенным десятком датчиков, начиная от датчиков приближения для обнаружения близлежащих объектов и заканчивая датчиками идентификации лица для аутентификации пользователя. Все они собирают и уточняют данные пользователя в течение всего дня. Xylem, компания по водным технологиям, разработала новый тип счетчика воды, который использует передовые датчики и ИИ для решения проблем распределения воды в густонаселенных локациях. Счетчики непрерывно измеряют расход воды и предоставляют подробные данные о моделях потребления; они также могут определять аномалии в расходе воды, которые обычно возникают из-за ее утечки.

А новый класс биологических микродатчиков можно носить на себе и принимать внутрь: их цель – получать и отправлять в режиме реального времени данные для диагностики и мониторинга состояния организма, обнаружения патогенов и обеспечения более быстрого выздоровления. Один из таких биосенсоров включает подкласс крошечных машин – наноботов, которые могут непрерывно мониторить состояние здоровья пациента, обеспечивая раннюю диагностику потенциальных проблем.

По мере того как нас окружает все больше датчиков, они будут захватывать и передавать не просто больше данных, но и больше типов данных, продолжает Уэбб. Поэтому организациям, которые пока заняты созданием и использованием LLM, вскоре понадобится создавать LAM. Если LLM предсказывают, что дальше сказать, то LAM предсказывают, что следует дальше сделать, разбивая сложные задачи на более мелкие части. В отличие от LLM, которые в первую очередь генерируют контент, LAM оптимизированы для выполнения задач на основе конкретных команд.

Самые ранние примеры LAM – Claude от Anthropic и ACT-1 от Adept.ai. Оба предназначены для прямого взаимодействия с кодом и цифровыми инструментами и для выполнения действий в программных приложениях, таких как веб-браузер. LAM похожи на LLM, но с большим объемом данных и многомодальными требованиями. Они будут использовать поведенческие данные, которые генерируют люди, когда пользуются смартфонами, управляют автомобилями и т.д. Совокупность датчиков, окружающих людей повсюду, собирает несколько потоков данных одновременно – с носимых устройств, устройств расширенной реальности, интернета вещей, умных домов, умных автомобилей и умных офисов. Поскольку LAM все больше встраиваются в окружающую людей среду, они будут работать беспрерывно и часто без прямого участия пользователей.

Более того: большие модели действий будут развиваться в персональные большие модели действий – PLAM (personal LAM) и в конечном итоге будут взаимодействовать с различными системами, учиться на больших наборах данных и адаптироваться к меняющимся потребностям людей и бизнеса. PLAM будут иметь возможность улучшать принятие решений, управление задачами, переговоры по сделкам и предвосхищать наши потребности на основе наших поведенческих данных, прогнозирует Уэбб. Им не понадобится сознательный ввод данных. Эти автономные агенты смогут персонализировать рекомендации, оптимизировать покупки и общаться с другими доверенными агентами, обеспечивая бесперебойные транзакции, – и все это при сохранении предпочтений пользователя, поскольку PLAM по определению имеют доступ ко всем данным пользователя на персональных устройствах.

В ближайшем будущем, считает Уэбб, такие компании, как Apple или Google, будут мотивированы встраивать в устройства еще больше умных датчиков для постоянного сбора и анализа личных данных, таких как показатели здоровья, данные о местоположении, информация о ежедневных привычках. Все эти данные будут использоваться для создания индивидуализированных профилей, которые будут связаны с личными языковыми моделями и моделями действий, специально разработанными под потребности и предпочтения каждого пользователя. В то время как у людей будут PLAM, у корпораций также будет одна или несколько корпоративных больших моделей действий (CLAM – corporate LAM), а у правительств, ориентированных на цифровые технологии, будут государственные большие модели действий (GLAM – government LAM).

Искусственный интеллект встречается с органоидным

Третья будущая технология общего назначения и третья составляющая «живого интеллекта» – это биоинженерия. Она подразумевает использование инженерных методов для создания биологических систем и продуктов, таких как «дизайнерские микробы», которые могут быть спроектированы для решения конкретных задач. Сейчас это может казаться неочевидным, но в долгосрочной перспективе окажется самой важной технологией общего назначения, считает Уэбб.

В паре с ИИ биоинженерия может создать «генеративную биологию» (genBio), которая использует данные, вычисления и ИИ для прогнозирования или создания новых биологических идей – новых биологических компонентов, таких как белки, гены или даже целые организмы, – путем моделирования и прогнозирования того, как ведут себя и взаимодействуют биологические элементы.

«Мы уже видим потенциал этой технологии», – приводит примеры Уэбб. Такие компании, как Ginkgo Bioworks, используют genBio для проектирования и создания специальных ферментов, которые можно применять в промышленных процессах. Например, генеративные алгоритмы помогают разрабатывать ферменты, которые расщепляют сложные молекулы, такие как пластик или другие загрязняющие вещества. Google DeepMind создал AlphaProteo, который проектирует совершенно новые белки с определенными новыми свойствами, которые могут найти применение в биоматериалах и разработке лекарств. Другой проект DeepMind, инструмент под названием GNoME (Graph Networks for Materials Exploration), уже предсказал стабильность миллионов новых неорганических материалов. «Представьте себе здание из материалов, которые могут автономно регулировать температуру, свет и вентиляцию – без компьютера (или человека) в контуре», – объясняет Уэбб.

В более отдаленной перспективе «живой интеллект» может привести к появлению живых машин.

Органоидный интеллект (ОИ; organoid intelligence) дебютировал как новая область науки в 2024 г. ОИ использует выращенные в лабораторных условиях ткани, такие как клетки мозга и стволовые клетки, для создания биологических компьютеров, которые имитируют структуру и функции человеческого мозга.

Органоид – это более или менее крошечная копия ткани, которая функционирует как орган тела. В 2021 г. исследователи из Cortical Labs в Мельбурне, Австралия, создали миниатюрный органоидный мозг, который работал как компьютер. Они назвали его DishBrain, присоединили к электродам и научили играть в видеоигру Pong 1980-х годов. DishBrain состоит примерно из 1 млн живых клеток человеческого и мышиного мозга, выращенных на микроэлектрической матрице, которая может принимать электрические сигналы. Сигналы сообщают нейронам, где находится шарик для игры, и клетки реагируют. Чем больше система играет, тем больше она совершенствуется. В настоящее время Cortical Labs разрабатывает новый тип программного обеспечения – операционную систему биологического интеллекта, которая позволит любому человеку, имеющему базовые навыки программирования, программировать собственные DishBrains.

Уже есть некоторые признаки конвергенции трех технологий, составляющих «живой интеллект», в нескольких отраслях – фармацевтике, медицинских изделиях, здравоохранении, космосе, строительстве и машиностроении, потребительских товарах и сельском хозяйстве, перечисляет Уэбб. Вскоре приложения «живого интеллекта» появятся и в других отраслях, создавая новые возможности, – в том числе и в сфере финансовых услуг. По мере того как новые отрасли будут присоединяться к использованию этих технологий, инновации будут распространяться широкой волной, подпитывая эффект маховика, прогнозирует Уэбб.

На своей следующей консультации с медицинской компанией, демонстрировавшей Уэбб свою языковую модель, футуролог посоветовала не зацикливаться на сегодняшнем ИИ и рассмотреть сценарии по принципу «а что, если»: «А что, если традиционные поставщики медицинских услуг были бы полностью исключены, а стартапы использовали бы данные ИИ и датчиков для предложения персонализированных медицинских решений напрямую потребителям? Что, если сегодняшняя ванная комната завтра стала бы диагностической лабораторией?»

«Живой интеллект» потребует изменений, в том числе в организации бизнеса. Хотя сейчас это трудно себе представить, такие сервисы, как ChatGPT, – это только начало бума ИИ, а не его вершина, заключает Уэбб: «Будущие боты ИИ не будут чисто текстовыми; вы сможете видеть их и взаимодействовать с ними, а они смогут взаимодействовать с вами, вашими приложениями и вашим непосредственным окружением. Это будущее, к которому должны готовиться компании и предприниматели».