За последние четыре года центр тяжести исследований в области ИИ сместился из университетских лабораторий в частные компании. Учёные, которые ещё недавно задавали тренды, теперь вынуждены догонять индустрию. На недавней встрече программы Schmidt Sciences AI2050 — инициативы Эрика и Венди Шмидт, поддерживающей академических исследователей — профессора обсуждали, как выжить в новых условиях.
Почему передний край ушёл из университетов
Главная причина — деньги и доступ к оборудованию. Университеты не могут позволить себе GPU ни для обучения больших языковых моделей, ни для запуска самых продвинутых систем, а частные лаборатории не спешат раскрывать внутреннее устройство своих продуктов. Профессор из UC Berkeley Ника Хагталаб сравнивает положение ИИ-академика с биологом, у которого частные фирмы забрали бы эксклюзивный контроль над CRISPR: изучай феномены, но не трогай инструменты.
Что в итоге? Внешние эксперты могут наблюдать за поведением больших моделей, но не могут увидеть, как они устроены и чему учились, не говоря уже о влиянии на их развитие. Запросы на строгий анализ тоже обходятся в круглую сумму: многократные обращения к API OpenAI, Anthropic и Google выбиваются из бюджета обычной кафедры. А федеральное финансирование науки в США сокращается, так что проблема становится всё острее.
Стратегии выживания: выбирать битвы, которые можно выиграть
Многие исследователи сознательно отказываются от тем, которые могут заинтересовать технологические корпорации. Профессор Johns Hopkins Анджали Филд старается не браться за задачи, которые компания, скорее всего, закроет своими ресурсами. Ведь бизнес вкладывается только в то, что приносит прибыль, а вопросы, способные выставить корпорацию в невыгодном свете, остаются без внимания. Филд, например, показала, что языковые модели дают менее развёрнутые и сложные ответы на запросы, сформулированные так, как чаще говорят женщины.
Для тех, кто хочет копать глубже, остаётся ещё один путь — участие в программах вроде AI2050. Они дают гранты на покупку GPU, и, по словам стипендиатов, это едва ли не главная ценность такой поддержки. Другие исследователи сосредотачиваются на темах, которые вряд ли заинтересуют технологических гигантов, — так можно сохранить академическую независимость.
Наука, которая не вписывается в тренд LLM
Не все академические группы работают с большими языковыми моделями. Часть учёных строит специализированные ИИ-системы для анализа данных, прогнозов и симуляции физических процессов — например, для решения проблем изменения климата. Здесь свои сложности: широкой публике кажется, что «ИИ» — это энергоёмкие чат-боты, и настоящие научные инструменты приходится долго объяснять. Показательна судьба AlphaFold: команда Google DeepMind, создавшая нобелевскую модель для предсказания белков, была расформирована в прошлом месяце. Это сигнал, что даже успешные научные проекты не застрахованы от корпоративной логики.
Будущее: меньше пессимизма, больше эффективности
Есть и тревожные сигналы. За последние полгода модели OpenAI справились с несколькими реальными исследовательскими задачами в математике — это породило страх, что людям скоро не останется места в чистой математике. Одна из стипендиаток упомянула о проблемах с психическим здоровьем у коллег-математиков. Но эмпирические науки куда устойчивее: сбор данных по своей природе медленный, поэтому полностью автоматизировать его вряд ли получится в ближайшее время. К тому же несколько видных академиков недавно взяли отпуск в университетах, чтобы присоединиться к передовым лабораториям, а многие стипендиаты AI2050 совмещают академические позиции с работой в индустрии. Ландшафт науки меняется на глазах.
Тим Деттмерс из Carnegie Mellon смотрит на происходящее без паники. Он работает над удешевлением запуска моделей и считает, что ИИ-учёные не заменят людей, а сделают их значительно продуктивнее. Ограниченные ресурсы — не только зло: недостаток вычислительных мощностей подталкивает к поиску более эффективных архитектур и компактных моделей. Возможно, именно из этих ограничений родится следующий большой прорыв.
