Найкоротший шлях до сильного ШІ лежить через нейронауку
Світова гонка за створення загального штучного інтелекту (AGI) стала наймасштабнішим технологічним змаганням в історії. Провідні компанії вкладають сотні мільярдів доларів у дата-центри, чипи та енергетику, намагаючись наблизитися до людського рівня інтелекту. Водночас людство досі поверхово розуміє єдиний доведений приклад загального інтелекту — людський мозок. Саме на цьому стратегічному перекосі акцентує увагу матеріал Forbes.
Трильйони на інфраструктуру — мільярди на розуміння
У 2025 році Alphabet, Amazon, Meta та Microsoft разом витратили близько $400 млрд на AI-інфраструктуру — дата-центри, обчислювальні чипи та енергетику. У 2026 році ця сума перевищить $600 млрд. За оцінкою McKinsey, до 2030 року інвестиції в AI-дата-центри сягнуть $6,7 трлн.
Для порівняння: одна з найбільш амбітних програм у нейронауці — ініціатива Astera під керівництвом нейробіологині Доріс Цао — передбачає $600 млн на 10 років. Це в чотири порядки (приблизно у 10 тисяч разів) менше, ніж щорічні витрати великих технологічних компаній на AI-інфраструктуру. Федеральна BRAIN Initiative, запущена у 2014 році, за понад десятиліття отримала близько $3 млрд. У 2023 році — році з найбільшим фінансуванням — її бюджет становив $680 млн.
Різниця в масштабах інвестицій є разючою. Людство вкладає трильйони в масштабування поточних алгоритмів, але фінансує фундаментальне розуміння інтелекту на порядки скромніше.
Безперервне навчання: головна архітектурна межа
Людський мозок навчається постійно. Нові знання інтегруються без руйнування старих завдяки нейропластичності — здатності мозку перебудовувати нейронні зв’язки протягом життя.
Сучасні системи ШІ працюють інакше. Вони мають дві фази — тренування та використання. Під час тренування змінюються ваги моделі, після чого вони стають статичними. Під час реальної роботи система не оновлює свої знання.
Спроби створити механізм безперервного навчання стикаються з проблемою «катастрофічного забування»: додаючи нову інформацію, модель втрачає стару. Людський мозок цього не робить — навчання водінню не стирає вміння грати в теніс.
Підписуйтеся на наші соцмережі
Нейронаука пропонує ключові підказки. Гіпокамп виконує роль «швидкого» центру навчання, а неокортекс — «повільного», який поступово інтегрує інформацію в довготривалу пам’ять. Важливу роль відіграють сон і сновидіння. Архітектура мозку модульна та розріджена: з приблизно 86 млрд нейронів одночасно активними є лише 1–10%. У типовій глибокій нейромережі активуються всі нейрони, що підвищує ризик деградації раніше засвоєних знань.
Ендрю Нг запропонував оновлену версію тесту на AGI: система має пройти багатоденне навчання та виконувати роботу так само добре, як кваліфікована людина. Жодна сучасна модель цього не здатна — саме через нездатність до справжнього безперервного навчання.
Енергетична прірва: 20 ват проти гігават
Сучасні AI-дата-центри споживають гігантські обсяги електроенергії. Amazon будує Project Rainier потужністю 2,2 ГВт, xAI — Colossus на 2 ГВт, Meta — Hyperion на 2 ГВт, Oracle/OpenAI — Stargate Abilene на 1,2 ГВт. Один гігават — це приблизне споживання міста масштабу Сан-Франциско.
Сем Альтман заявляв, що довгострокова мета — додавати 1 ГВт потужностей щотижня. Ілон Маск просуває концепцію розміщення дата-центрів у космосі, аргументуючи, що наземна енергосистема не витримає зростаючого попиту.
Людський мозок важить близько 3 фунтів і працює приблизно на 20 ватах — це у сто мільйонів разів менше, ніж споживає гігаватний дата-центр. І при цьому мозок виконує когнітивні завдання, які залишаються недосяжними для найсучасніших моделей.
Причини частково відомі. Мозок є аналоговою системою, де обчислення є фізичним процесом руху іонів у нейронах. У цифрових системах кожна операція розбивається на тисячі дискретних кроків, що споживають енергію.
Крім того, у сучасних чипах до 90% енергії витрачається на переміщення даних між пам’яттю та процесором — так зване «вузьке місце фон Неймана». У мозку ті самі нейрони одночасно зберігають інформацію та її обробляють.
Nvidia придбала Groq за $20 млрд — компанію, що інтегрує пам’ять і обчислення в архітектурі чипа. Стартап Unconventional AI під керівництвом Навіна Рао залучив $475 млн для створення аналогових AI-процесорів. Проте ці спроби базуються на неповному розумінні біологічних механізмів.
Нове знання: те, чого ШІ ще не навчився
Великі мовні моделі навчаються на вже створених людьми текстах — інтернеті, книгах, наукових статтях. Вони комбінують наявне знання, але не виходять за межі тренувального корпусу.
Деміс Гассабіс запропонував тест: навчити систему з обмеженням знань до 1911 року і перевірити, чи зможе вона самостійно сформулювати загальну теорію відносності. Станом на сьогодні це неможливо.
Людський мозок створив теорію гравітації Ньютона, теорію еволюції Дарвіна, квантову механіку — прориви, що змінювали уявлення про світ.
Підкріплювальне навчання демонструє окремі приклади новизни. У 2016 році AlphaGo перемогла Лі Седоля, а «хід 37» у другій партії став несподіваним стратегічним рішенням. Але це відбулося в жорстко обмеженому середовищі гри 19×19.
Дослідження 2020 року DeepMind і Гарварду показало, що мозок використовує алгоритм distributional temporal difference reinforcement learning, у якому ключову роль відіграє дофамін. Водночас сучасні алгоритми підкріплювального навчання залишаються грубими й неефективними — значно простішими за біологічні механізми.
Конектом як інфраструктура майбутнього інтелекту
Один із найперспективніших напрямів — картування конектому, повної схеми з’єднань нейронів. У 1986 році було завершено конектом черв’яка C. elegans (302 нейрони). У 2024 році команда під керівництвом Себастьяна Сеунга опублікувала конектом дрозофіли (139 255 нейронів).
Наступний логічний крок — конектом миші (~85 млн нейронів), враховуючи 99% генетичної схожості з людиною. Повний людський конектом — це близько 86 млрд нейронів.
Адам Марблстоун оцінює створення конектому миші менш ніж у $100 млн. Повний людський конектом оцінюється в десятки мільярдів доларів. Це значні кошти, але вони становлять лише частку щорічних витрат на AI-дата-центри.
Підсумок
Людський мозок — єдиний відомий приклад загального інтелекту. Масштабування обчислювальних потужностей уже дає результат, але без глибшого розуміння принципів роботи мозку розвиток AGI може впертися в архітектурні межі.
Інвестиції в нейронауку — це не альтернатива гонці ШІ, а потенційно її найкоротший шлях. Якщо людство прагне створити системи, здатні безперервно навчатися, споживати на порядки менше енергії та генерувати справді нове знання, йому доведеться серйозно інвестувати в розуміння власного мозку.