ФУНДАМЕНТАЛЬНЫЕ ОГРАНИЧЕНИЯ НЕЙРОСЕТЕВЫХ АРХИТЕКТУР: ОТСУТСТВИЕ ГЕНЕРАЦИИ НЕАЛГОРИТМИЗУЕМЫХ РЕШЕНИЙ КАК БАРЬЕР ПОЛНОЙ АВТОНОМИИ ИИ

FUNDAMENTAL LIMITATIONS OF NEURAL NETWORK ARCHITECTURES: LACK OF GENERATION OF NON-ALGORITHMIZABLE SOLUTIONS AS A BARRIER TO FULL AI AUTONOMY

Kalinina Anastasia Leonidovna

Student, Department of Strategic Management, Ufa University of Science and Technology,

Russia, Ufa, Republic of Bashkortostan

Sultanova Svetlana Nurislamovna

Scientific supervisor, candidate of Technical Sciences, associate professor at the department of informatics Ufa University of Science and Technology,

Russia, Ufa, Republic of Bashkortostan

АННОТАЦИЯ

В статье анализируются фундаментальные ограничения нейросетевых архитектур в генерации неолгоритмизуемых решений и доказывается невозможность полной замены человека в стратегическом управлении и инновациях.

ABSTRACT

The article analyzes the fundamental limitations of neural network architectures in generating non-algorithmizable solutions and proves the impossibility of completely replacing humans in strategic management and innovation.

Ключевые слова: глубокое обучение, нейросетевые архитектуры, изобретательность, AlphaGo, статистическое моделирование, искуственный интеллект.

Keywords: deep learning, neural network architectures, ingenuity, AlphaGo, statistical modeling, artificial intelligence.

Жан Бодрийяр- французский социолог, проницательный философ постмодернистской эпохи, в своем лаконичном утверждении, метко подметил «печальную истину» о нехватке изобретательности у искусственного интеллекта (ИИ): «Ему недостает изобретательности, а, следовательно, и интеллекта» -отмечал Ж. Бодрийяр. Это утверждение, сформулированное задолго до нынешнего «взрыва» интереса к нейросетям и большим языковым моделям, и кажущееся на первый взгляд провокационным, при более детальном техническом рассмотрении раскрывает фундаментальные ограничения современных ИИ-систем, подчеркивая разницу между статистической обработкой информации и подлинным интеллектуальным творчеством.

В основе высказывания Бодрийяра лежит понимание интеллекта, как способности к нестандартному мышлению, к генерации новых идей и решений, выходящих за рамки заданных алгоритмов и обучающих данных. Современный ИИ, несмотря на постоянное улучшение его вычислительных возможностей (рост числа параметров моделей до сотен миллиардов, увеличение объёмов обучающих выборок до петабайт) и совершенствование архитектур (трансформеры, механизмы внимания, диффузионные модели), остаётся в рамках предопределённых параметров. Его «интеллект» - это сложная система статистического моделирования, основанная на анализе больших массивов данных. Любая нейросетевая архитектура обучается минимизации функции потерь (loss function), формируя латентное пространство (embedding space), где близкие объекты имеют схожие векторные представления. Генерация текста, изображения или музыки происходит не как акт творчества, а как последовательная выборка из условного распределения вероятностей (формула 1) в автогрессивных моделях или как денойзинг в латентном пространстве (в диффузионных моделях).

                                                                  (1)

Искусственный интеллект может идентифицировать паттерны, составлять прогнозы, писать музыку, генерировать тексты, видео или изображения, стилистически похожие на творчество человека. Однако за этим результатом скрывается отсутствие истинной изобретательности - способности к генерации новых идей, выходу за рамки заданных параметров и заданной целевой функций, синтезу знаний из разных предметных областей. В этом смысле современный искусственный интеллект, хоть и превосходит человека в обработке больших объёмов данных и выполнении узкоспециализированных задач, остаётся «умной машиной», а не «изобретателем». «...Человек способен превзойти самого себя такого, каковым он является, а машинам этого никогда не будет дано» - отмечал Жан Бодрийяр [1, с. 22-23].

В 2016 году программа AlphaGo (Google DeepMind), основанная на гибридной архитектуре, сочетающую сверточные нейросети, глубокие Q-сети и алгоритм MCTS (Monte Carlo Tree Search - метод поиска дерева решений с использованием случайной выборки), обыграла профессионала Ли Седоля в игру «Го». Пространство состояний игры (∼10²⁵⁰) исключает полный перебор. AlphaGo обучалась сначала на миллионах партий людей (контролируемое обучение), затем методом самосоревнования (self-play) с подкреплением, оптимизируя вероятность выигрыша. Победа AlphaGo со счётом 4:1 продемонстрировала вычислительное превосходство, но не изобретательность: успех достигнут результатом анализа миллионов ходов лучших игроков мира и оптимизации стратегий, выявления сложных паттернов и статистической оценки вероятностей. В контрасте с AlphaGo можно рассмотреть подход Ли Седоля в игре. Ли Седоль применял интуицию, адаптацию и мета-игру. Данный матч иллюстрирует ограничения ИИ: превосходство в задачах с формальными правилами при отсутствии изобретательности.

В противоположность «вычислительной силе» AlphaGo, изобретательность предполагает способность к генерации новых идей, не сводимых к оптимизации заданной целевой функции. Пример - открытие структуры ДНК Джеймсом Уотсоном, Фрэнсисом Криком и Морисом Уилкинсом в 1953 году [2]. С технической точки зрения, задача не решалась перебором известных конформаций молекул. Открытие стало результатом интуитивного прорыва и синтеза данных из разных областей науки - рентгеновской кристаллографии, биохимии, теории информации. Исследователи выдвинули конкретную гипотезу - двойную спираль, используя физическое моделирование и констурктивное мышление. Гипотеза о комплементарности оснований и антипараллельности цепей не следовала из имеющихся данных, а была творческой догадкой. Современный ИИ ограничен фиксированной функцией потерь и обучающей выборкой: он способен обрабатывать данные, находить корреляции и кластеризовать структуры, но не генерировать идеи вне распределения известных решений. Даже современные модели (например, AlphaFold) решают задачу интерполяции в пространстве известных структур, а не выдвижения парадигмальных гипотез [3]. Человек способен к экстраполяции за пределы известного, ИИ - только к интерполяции внутри заданного распределения.

Победа AlphaGo демонстрирует возможности ИИ в узкоспециализированных областях с чёткой целевой функцией и замкнутым пространством состояний. Открытие структуры ДНК подтверждает, что изобретательность требует интуиции, междисциплинарного синтеза и выхода за пределы заданных параметров, что недостижимо для нейросетевых архитектур, являющихся аппроксиматорами распределений, а не генераторами новых парадигм. Бодрийяр был прав: ИИ - мощный инструмент оптимизации и прогнозирования, но не замена человеческому интеллекту. Развитие ИИ должно быть направлено на создание гибридных архитектур «человек - ИИ», где человек отвечает за изобретательность, а ИИ - за обработку данных и оптимизацию [4].

Cписок литературы:

1. Бодрийяр Ж. Прозрачность зла. — М.: Добросвет, 2012. — 22-23 с.
2. Watson J.D., Crick F.H.C. Molecular structure of nucleic acids // Nature. 1953. Vol. 171. P. 737–738.
3. Jumper J., Evans R., Pritzel A. et al. Highly accurate protein structure prediction with AlphaFold // Nature. 2021. Vol. 596. P. 583–589. // URL: https://www.nature.com/articles/s41586-021-03819-2
4. Dellermann D., Ebel P., Söllner M., Leimeister J.M. Hybrid Intelligence // Business & Information Systems Engineering. 2019. Vol. 61(5). P. 637–643. //  URL: https://www.researchgate.net/publication/351298047_Hybrid_Intelligence