Вы, скорее всего, слышали о генеративном ИИ. Это направление машинного обучения стало одним из самых употребляемых модных слов в технических кругах – и за их пределами.

Генеративный ИИ сейчас повсюду. Но что это такое? Как это работает? Как мы можем использовать его, чтобы упростить нашу жизнь (и работу)?

По мере вхождения в новую эру искусственного интеллекта, генеративный ИИ будет становиться всё более и более распространённым. Если вам нужен поясняющий материал, который охватывает все основы, вы находитесь в нужном месте. Читайте дальше, чтобы узнать всё о генеративном ИИ, начиная с его скромных начинаний в 1960-х до сегодняшнего дня – и его будущего, включая все вопросы о том, что может произойти дальше.

Что такое генеративный ИИ?

Алгоритмы генеративного ИИ используют большие наборы данных для создания базовых моделей, которые затем служат основой для систем генеративного ИИ, способных выполнять различные задачи. Одной из наиболее мощных возможностей генеративного ИИ является способность самостоятельно контролировать свое обучение, поскольку он определяет закономерности, позволяющие генерировать различные виды выходных данных.

Почему все говорят о генеративном ИИ прямо сейчас?

Генеративный ИИ достиг значительных успехов в последнее время. Возможно, вы уже использовали ChatGPT, одного из ведущих игроков в этой области и самый быстрорастущий продукт ИИ, достигший 100 миллионов пользователей. Несколько других доминирующих и появляющихся инструментов ИИ вызывают обсуждения: DALL-E, Bard, Jasper и другие.

Крупные технологические компании соревнуются со стартапами за возможность использовать возможности приложений искусственного интеллекта, будь то переписывание правил поиска, достижение значительных рыночных капитализаций или инновации в других областях. Конкуренция острая, и эти компании прилагают много усилий, чтобы оставаться впереди.

История генеративного ИИ

История генеративного ИИ восходит к 1960-м годам, когда появились первые модели, такие как чат-бот ELIZA. ELIZA имитировала беседу с пользователями, создавая кажущиеся оригинальными ответы. Однако эти ответы на самом деле основывались на таблице поиска по правилам, что ограничивало возможности чат-бота.

Значительный прорыв в разработке генеративного ИИ произошел в 2014 году с появлением генеративно-состязательных сетей (GANs), которые представил Иэн Гудфеллоу, исследователь из Google. GANs — это тип архитектуры нейронных сетей, который использует две сети: генератор и дискриминатор.

Генератор создает новый контент, в то время как дискриминатор оценивает этот контент на основе набора примеров из реального мира. Через этот процесс генерации и оценки генератор может научиться создавать все более реалистичный контент.

В 2017 году произошел еще один значительный прорыв, когда группа из Google опубликовала знаменитую статью о трансформерах, “Внимание — это все, что вам нужно.” В данном случае “внимание” относится к механизмам, которые предоставляют контекст на основе позиции слов в тексте, что может варьироваться от языка к языку. Исследователи предложили сосредоточиться на этих механизмах внимания и отказаться от других способов извлечения закономерностей из текста. Трансформеры означали переход от обработки строки текста слово за словом к анализу целой строки сразу, что сделало возможными гораздо более крупные модели.

Последствия архитектуры Transformers были значительными как с точки зрения производительности, так и с точки зрения эффективности обучения.

Генеративные предварительно обученные трансформеры, или GPT, разработанные на основе этой архитектуры, теперь управляют различными технологиями ИИ, такими как ChatGPT, GitHub Copilot и Google Bard. Эти модели были обучены на невероятно больших коллекциях человеческого языка и известны как Большие Языковые Модели (LLMs).

В чем разница между ИИ, машинным обучением и генеративным ИИ?

Генеративное ИИ, ИИ (искусственный интеллект) и машинное обучение принадлежат к одной широкой области исследований, но каждое представляет собой различные концепции или уровень специфичности.

ИИ является самым обширным термином среди трех. Он относится к концепции создания машин или программного обеспечения, которые могут имитировать человеческий интеллект, выполнять задачи, традиционно требующие человеческого ума, и улучшать свои результаты на основе опыта. ИИ охватывает ряд подразделов, включая обработку естественного языка (NLP), компьютерное зрение, робототехнику и машинное обучение.

Машинное обучение (ML) является подразделом ИИ и представляет собой определенный подход к достижению ИИ. Машинное обучение включает создание и использование алгоритмов, которые позволяют компьютерам учиться на основе данных и делать прогнозы или принимать решения, вместо того чтобы быть явно запрограммированными для выполнения конкретной задачи. Модели машинного обучения улучшают свои результаты по мере того, как они подвергаются обработке большего объема данных со временем.

Генеративный ИИ является подмножеством машинного обучения. Это относится к моделям, которые могут генерировать новый контент (или данные), аналогичные данным, на которых они обучались. Другими словами, эти модели не только учатся на данных для прогнозирования или принятия решений – они создают новые, оригинальные результаты.

Как работает генеративный ИИ?

Так же, как художник может создать новую картину или музыкант написать новую песню, генеративное ИИ создает новые вещи, основываясь на усвоенных шаблонах.

Подумайте о том, как вы могли бы научиться рисовать кота. Вы могли бы начать с просмотра большого количества картинок с котами. Со временем вы начинаете понимать, что делает кота котом: форма тела, заостренные уши, усы и так далее. Затем, когда вас просят нарисовать кота по памяти, вы используете эти узоры, которые вы выучили, чтобы создать новое изображение кота. Это не будет идеальной копией какого-то одного кота, которого вы видели, но новое творение на основе общей идеи “кот”.

Генеративный ИИ работает похожим образом. Он начинает с изучения большого количества примеров. Это могут быть изображения, тексты, музыка или другие данные. ИИ анализирует эти примеры и учится узнавать закономерности и структуры, которые в них встречаются. Как только он достаточно научится, он может начать создавать новые примеры, похожие на те, что он видел ранее.

Например, генеративная модель ИИ, обученная на большом количестве изображений котов, может создать новое изображение, которое будет похоже на кота. Или модель, обученная на множестве текстовых описаний, может написать новый абзац о коте, который звучит так, как будто его написал человек. Сгенерированный контент не является точными копиями того, что ИИ видел ранее, а новыми элементами, которые соответствуют усвоенным им шаблонам.

Важно понять, что ИИ не просто копирует то, что видел ранее, а создает что-то новое на основе изученных шаблонов. Вот почему его называют “генеративным” ИИ.

Как управляется генеративный ИИ?

Краткий ответ заключается в том, что это не так, что является еще одной причиной, по которой сейчас так много говорят об ИИ.

ИИ становится всё более мощным, но некоторые эксперты обеспокоены отсутствием регулирования и контроля над его возможностями. Лидеры из Google, OpenAI и Anthropic все предупреждали, что генеративный ИИ может быть легко использован для масштабного вреда, а не для блага без регулирования и установленной системы этики.

Генеративные модели ИИ

Для генеративных инструментов ИИ, которые многие люди широко используют сегодня, существует две основные модели: текстовая и мультимодальная.

Текстовые модели

Генеративная текстовая модель AI — это тип модели искусственного интеллекта, способной генерировать новый текст на основе данных, на которых она обучена. Эти модели изучают шаблоны и структуры из больших объемов текстовых данных, а затем генерируют новый, оригинальный текст, следуя этим изученным шаблонам.

Способы, которыми эти модели генерируют текст, могут различаться. Некоторые модели могут использовать статистические методы для предсказания вероятности следования определенного слова за данной последовательностью слов. Другие, особенно те, что основаны на методах глубокого обучения, могут использовать более сложные процессы, учитывающие контекст предложения или абзаца, семантическое значение и даже стилистические элементы.

Генеративные модели текста на базе ИИ используются в различных приложениях, включая чат-боты, автоматическое дополнение текста, перевод текста, творческое письмо и многое другое. Их цель часто заключается в создании текста, неотличимого от написанного человеком.

Мультимодальные модели

Генеративная мультимодальная модель ИИ — это тип модели искусственного интеллекта, который может обрабатывать и генерировать несколько типов данных, таких как текст, изображения, аудио и другие. Термин «мультимодальный» относится к способности этих моделей понимать и генерировать различные типы данных (или модальности) вместе.

Мультимодальные модели разработаны для улавливания корреляций между различными модами данных. Например, в наборе данных, который включает изображения и соответствующие описания, мультимодальная модель может научиться понимать взаимосвязь между визуальным содержимым и его текстовым описанием.

Одно из применений мультимодальных моделей заключается в создании текстовых описаний для изображений (также известных как подписи к изображениям). Они также могут использоваться для генерации изображений из текстовых описаний (синтез текста в изображение). Другие применения включают преобразования речи в текст и текста в речь, где модель генерирует аудио из текста и наоборот.

Что такое DALL-E, ChatGPT и Bard?

DALL-E, ChatGPT и Bard — это три наиболее распространенных, наиболее используемых и наиболее мощных инструмента генеративного ИИ, доступных широкой публике.

ChatGPT

ChatGPT — это языковая модель, разработанная OpenAI. Она основана на архитектуре GPT (Generative Pre-trained Transformer), одном из самых передовых трансформеров на сегодняшний день. ChatGPT предназначен для участия в разговорных взаимодействиях с пользователями, предоставляя ответы, похожие на человеческие, на различные вопросы и запросы. Первый публичный выпуск OpenAI был GPT-3. В настоящее время доступны GPT-3.5 и GPT-4 для некоторых пользователей. Изначально ChatGPT был доступен только через API, но теперь его можно использовать в веб-браузере или мобильном приложении, что делает его одним из наиболее доступных и популярных инструментов генеративного ИИ на сегодняшний день.

DALL-E

DALL-E — это модель искусственного интеллекта, предназначенная для создания оригинальных изображений из текстовых описаний. В отличие от традиционных моделей генерации изображений, которые манипулируют существующими изображениями, DALL-E создает изображения полностью с нуля на основе текстовых подсказок. Модель обучена на огромном наборе пар текст-изображение, используя комбинацию методов обучения без учителя и с учителем.

Бард

Bard — это вход Google на рынок чат-ботов на базе ИИ. Google был одним из пионеров в области обработки языка ИИ, предоставляя исследования с открытым исходным кодом для использования другими. Bard основан на самой современной LLM от Google, PaLM2, что позволяет ему быстро генерировать мультимодальный контент, включая изображения в реальном времени.

15 инструментов генеративного ИИ, которые вы можете попробовать прямо сейчас

Хотя ChatGPT, DALL-E и Bard являются одними из ведущих участников в области генеративного ИИ, существует множество других инструментов, которые вы можете испытать (обратите внимание, что некоторые из этих инструментов требуют платной подписки или имеют списки ожидания):

• Инструменты для генерации текста: Jasper, Writer, Lex
• Инструменты для генерации изображений: Midjourney, Stable Diffusion, DALL-E
• Инструменты для генерации музыки: Amper, Dadabots, MuseNet
• Инструменты для генерации кода: Codex, GitHub Copilot, Tabnine
• Инструменты для генерации голоса: Descript, Listnr, Podcast.ai

Для чего используется генеративный ИИ?

Генеративное ИИ уже имеет множество сценариев использования в различных отраслях, и постоянно появляются новые.

Вот некоторые из самых распространенных (но все еще захватывающих!) способов использования генеративного ИИ:

• В финансовой индустрии для наблюдения за транзакциями и сравнения их с обычными расходными привычками людей, чтобы обнаруживать мошенничество быстрее и надежнее.
• В юридической индустрии для проектирования и интерпретации контрактов и других юридических документов или для анализа доказательств (но не для цитирования прецедентов, как один адвокат узнал об этом нелегким путем).
• В производственной индустрии для контроля качества производимых изделий и автоматизации процесса выявления дефектных деталей или частей.
• В медиаиндустрии для более экономичного создания контента, помощи в его переводе на новые языки, дубляже видео- и аудиоконтента синтезированными голосами актеров и многое другое.
• В медицинской индустрии путем создания деревьев решений для диагностики и быстрого определения подходящих кандидатов для исследований и испытаний.

Существует множество других творческих и уникальных способов, которые люди находят для применения генеративного ИИ в своей работе и областях, и все время открываются новые. То, что мы видим, определенно лишь верхушка айсберга того, что ИИ может делать в различных условиях.

Каковы преимущества генеративного ИИ?

Генеративный ИИ имеет множество преимуществ, как потенциальных, так и реализованных. Вот несколько способов, как он может улучшить нашу работу и творчество.

Повышение эффективности и продуктивности

Генеративный ИИ может автоматизировать задачи и рабочие процессы, которые в противном случае были бы времязатратными или утомительными для людей, такие как создание контента или генерация данных. Это может повысить эффективность и продуктивность во многих контекстах, оптимизируя нашу работу и освобождая время людей для более сложных, творческих или стратегических задач.

Увеличенная масштабируемость

Генеративные модели ИИ могут создавать результаты в масштабах, которые были бы невозможны для одних только людей. Например, в обслуживании клиентов, чат-боты на базе ИИ могут обрабатывать гораздо больший объем запросов, чем операторы-люди, обеспечивая поддержку 24/7 без необходимости в перерывах или сне.

Повышенное творчество и инновации

Генеративный ИИ может создавать новые идеи, дизайны и решения, до которых людям может не дойти. Это может быть особенно ценным в таких областях, как дизайн продуктов, наука о данных, научные исследования и искусство, где высоко ценятся свежие взгляды и новаторские идеи.

Улучшенное принятие решений и решение проблем

Генеративное искусственное интеллект может помочь в процессе принятия решений, генерируя ряд потенциальных решений или сценариев. Это может помочь лицам, принимающим решения, рассмотреть более широкий спектр вариантов и сделать более обоснованный выбор.

Доступность

Создавая контент, генеративные ИИ могут помочь сделать информацию и опыт более доступными. Например, ИИ может генерировать текстовые описания изображений для пользователей с нарушениями зрения или помогать переводить контент на разные языки для привлечения более широкой аудитории.

Каковы ограничения генеративного ИИ?

Хотя генеративный ИИ имеет множество преимуществ, у него также есть ограничения. Некоторые связаны с самой технологией и недостатками, которые ей еще предстоит преодолеть, а некоторые более экзистенциальны и повлияют на генеративный ИИ по мере его развития.

Качество генерируемого контента

Хотя генеративное ИИ достигло впечатляющих успехов, качество создаваемого контента все еще может быть разным. Иногда результаты могут быть бессмысленными — они могут быть несвязными или фактически неверными. Это особенно актуально для более сложных или тонких задач.

Чрезмерная зависимость от обучающих данных

Генеративные модели ИИ иногда могут чрезмерно адаптироваться к своим обучающим данным, что означает, что они учатся точно копировать свои обучающие примеры, но испытывают трудности с обобщением на новые, неизученные данные. Они также могут страдать от качества и предвзятости своих обучающих данных, что приводит к аналогично предвзятым или низкокачественным результатам (подробнее об этом ниже).

Ограниченное творчество

Хотя генеративное ИИ может создавать новые комбинации существующих идей, его способность к истинному инновационному творчеству или созданию чего-то совершенно нового ограничена. Оно работает на основе усвоенных шаблонов и не обладает человеческой способностью к спонтанному творчеству или интуиции.

Вычислительные ресурсы

Обучение генеративных моделей ИИ часто требует значительных вычислительных ресурсов. Обычно вам потребуется использовать высокопроизводительные GPU (графические процессоры), способные выполнять параллельную обработку, необходимую для алгоритмов машинного обучения. GPU дороги в покупке и также требуют значительного количества энергии.

Статья 2019 года из Университета Массачусетса, Амхерст, показала, что обучение большой модели ИИ может генерировать столько же углекислого газа, сколько пять автомобилей за всю их жизнь. Это заставляет задуматься о воздействии на окружающую среду при создании и использовании генеративных моделей ИИ и о необходимости более устойчивых практик по мере развития ИИ.

В чем заключается спор вокруг генеративного ИИ?

Помимо ограничений, существуют также серьезные опасения в отношении генеративного ИИ, особенно поскольку он быстро развивается с минимальным или отсутствующим регулированием или надзором.

Этические вопросы

С этической точки зрения, существуют опасения по поводу злоупотребления генеративным ИИ для создания дезинформации или генерации контента, который способствует распространению вредоносных идеологий. Модели ИИ могут использоваться для имитации личностей или организаций, создавая тексты или медиа, которые кажутся исходящими от них, что потенциально может привести к дезинформации или неправомерному использованию идентичности. Модели ИИ также могут генерировать вредоносный или оскорбительный контент, как намеренно из-за злонамеренного использования, так и неумышленно из-за предвзятостей в их обучающих данных.

Многие ведущие эксперты в области призывают к регулированию (или, по крайней мере, к этическим руководствам) для ответственного использования ИИ, но эти инициативы пока не получили широкого распространения, даже несмотря на то, что инструменты ИИ начали активно внедряться.

Предвзятость в обучающих данных

Предвзятость в генеративном ИИ является еще одной значительной проблемой. Поскольку модели ИИ обучаются на основе данных, на которых они тренированы, они могут воспроизводить и усиливать существующие предвзятости в этих данных. Это может привести к несправедливым или дискриминационным результатам, поддерживая вредные стереотипы или ставя в невыгодное положение определенные группы.

Вопросы о авторском праве и интеллектуальной собственности

С юридической точки зрения, использование генеративного ИИ поднимает сложные вопросы о авторском праве и интеллектуальной собственности. Например, если генеративный ИИ создает музыкальное произведение или произведение искусства, которое тесно напоминает существующую работу, неясно, кто владеет правами на созданное ИИ произведение и является ли его создание нарушением авторских прав. Кроме того, если модель ИИ генерирует контент на основе авторских материалов, включенных в его обучающие данные, это может потенциально нарушить права оригинальных создателей.

В контексте создания мультимодального ИИ на основе существующего искусства, вопросы авторского права остаются неопределенными. Если результат работы ИИ достаточно оригинален и трансформативен, он может быть признан новым произведением. Однако, если он тесно имитирует существующее искусство, это может потенциально нарушить авторские права оригинального художника. Вопрос о том, должен ли оригинальный художник получать компенсацию за такие работы, созданные ИИ, является сложным и пересекается с правовыми, этическими и экономическими соображениями.

Часто задаваемые вопросы по генеративному ИИ

Ниже приведены некоторые из наиболее часто задаваемых вопросов о генеративном ИИ, которые помогут вам расширить ваши знания по этой теме.

Кто изобрел генеративный ИИ?

Генеративный ИИ не был изобретен одним человеком. Он разрабатывался на разных этапах с участием множества исследователей и программистов на протяжении времени.

Чат-бот ELIZA, считающийся первым генеративным ИИ, был создан в 1960-х годах Джозефом Вайценбаумом.

Генеративно-состязательные сети (GANs) были изобретены в 2014 году Иэном Гудфеллоу и его коллегами в Google.

Архитектура Transformer была изобретена в 2017 году Ашишем Васвани, Ноамом Шазиром, Ники Пармар, Якобом Ушкорейтом, Ллионом Джонсом, Эйданом Н. Гомесом, Лукашем Кайзером, Иллией Полосухиным.

Многие ученые, исследователи, технические специалисты и другие продолжают работу по совершенствованию генеративного ИИ в предстоящие годы.

Что нужно для создания генеративной модели ИИ?

Построение генеративной модели ИИ требует следующего:

1. Данные. Генеративные модели обучаются на больших объемах данных. Например, модель для генерации текста может быть обучена на миллионах книг, статей и веб-сайтов. Качество и разнообразие этих обучающих данных могут существенно повлиять на эффективность модели.
2. Вычислительные ресурсы. Обучение генеративных моделей обычно требует значительной вычислительной мощности. Это часто включает использование высокопроизводительных GPU, которые могут справляться с интенсивными вычислительными требованиями при обучении больших нейронных сетей.
3. Архитектура модели. Проектирование архитектуры модели является ключевым этапом. Это включает выбор типа нейронной сети (например, рекуррентные нейронные сети, сверточные нейронные сети, трансформеры и т.д.) и настройку ее структуры (например, количество слоев, количество узлов в каждом слое и т.д.).
4. Алгоритм обучения. Модель необходимо обучать с использованием подходящего алгоритма. Например, в случае с Генеративно-состязательными сетями (GANs), это включает процесс, при котором две нейронные сети обучаются параллельно: «генератор», который старается создать реалистичные данные, и «дискриминатор», который пытается отличить сгенерированные данные от реальных.

Создание генеративной модели искусственного интеллекта может быть сложным и ресурсоемким процессом, часто требующим команды квалифицированных специалистов в области данных и инженеров. К счастью, существует множество инструментов и ресурсов, которые делают этот процесс более доступным, включая открытые исследования по уже созданным генеративным моделям искусственного интеллекта.

Как обучить генеративную модель ИИ?

Обучение генеративной модели ИИ включает множество шагов – и занимает много времени.

1. Сбор и подготовка данных. Первый шаг – сбор и подготовка данных, на которых будет обучаться модель. В зависимости от приложения это может быть большой набор текстовых документов, изображений или любых других типов данных. Эти данные необходимо предварительно обработать для подачи в модель.
2. Выбор архитектуры модели. Далее необходимо выбрать подходящую архитектуру модели. Это будет зависеть от типа данных и конкретной задачи. Например, генеративно-состязательные сети (GAN) часто используются для генерации изображений, в то время как сети долгой краткосрочной памяти (LSTM) или модели Transformer могут использоваться для генерации текста.
3. Обучение модели. Затем модель обучается на собранных данных. Для GAN это включает в себя игру двух участников: сеть-генератор (которая пытается генерировать реалистичные данные) и сеть-дискриминатор (которая пытается отличить реальные данные от сгенерированных). Генератор учится производить более реалистичные данные на основе обратной связи от дискриминатора.
4. Оценка и доработка. После первоначального обучения производится оценка эффективности модели. Для этого можно использовать отдельный валидационный набор данных. Затем можно доработать модель на основе оценки.
5. Тестирование. Наконец, обученная модель тестируется на новом наборе данных (тестовый набор), с которым она ранее не сталкивалась. Это дает меру того, насколько хорошо она, вероятно, будет работать в реальном мире.

Какие виды результатов может создавать генеративный ИИ?

Генеративный ИИ может создавать разнообразные результаты, включая текст, изображения, видео, графику движения, аудио, 3-D модели, образцы данных и многое другое.

Действительно ли генеративное ИИ забирает рабочие места у людей?

В какой-то мере. Это сложный вопрос, на который влияет множество факторов: темпы технологического развития, адаптивность различных отраслей и рабочих коллективов, экономическая политика и многое другое.

Искусственный интеллект имеет потенциал для автоматизации повторяющихся, рутинных задач, и генеративный ИИ уже может выполнять некоторые задачи так же хорошо, как и человек (но не написание статей – эту написал человек 😇).

Важно помнить, что генеративный ИИ, как и ИИ до него, также имеет потенциал для создания новых рабочих мест. Например, генеративный ИИ может автоматизировать некоторые задачи в создании контента, дизайне или программировании, потенциально сокращая потребность в человеческом труде в этих областях, но он также открывает новые технологии, услуги и отрасли, которых ранее не существовало.

И хотя генеративный ИИ может автоматизировать определенные задачи, он не может воспроизвести человеческое творчество, критическое мышление и способность к принятию решений, которые имеют решающее значение во многих работах. Вот почему более вероятно, что генеративный ИИ изменит характер работы, а не полностью заменит людей.

Сможет ли искусственный интеллект когда-либо стать сознательным?

Это еще один сложный вопрос для ответа. Среди исследователей искусственного интеллекта существует консенсус в том, что ИИ, включая генеративный ИИ, пока не достиг сознания, и неизвестно, когда или даже достигнет ли он его когда-либо. Сознание означает способность иметь субъективные переживания или чувства, самосознание или осознание, и на данный момент это отличает людей и других животных от машин.

Хотя искусственный интеллект сделал впечатляющие успехи и может имитировать определенные аспекты человеческого интеллекта, он не “понимает” так, как понимают люди. Например, генеративная модель ИИ, такая как GPT-3, может генерировать текст, который кажется удивительно похожим на человеческий, но на самом деле она не понимает содержание, которое генерирует. Она, по сути, находит закономерности в данных и предсказывает следующий фрагмент текста на основе этих закономерностей.

Даже если мы дойдем до точки, когда ИИ сможет имитировать человеческое поведение или интеллект настолько хорошо, что он будет казаться осознанным, это не обязательно означает, что он действительно осознан. Вопрос о том, что составляет осознанность и как мы могли бы окончательно определить, осознан ли ИИ, являются сложными философскими и научными вопросами, которые далеки от решения.

Будущее генеративного ИИ

Никто не может предсказать будущее – даже генеративный ИИ (пока).

Будущее генеративного ИИ обещает быть захватывающим и трансформационным. Вероятно, возможности ИИ будут продолжать расширяться и развиваться благодаря прогрессу в базовых технологиях, увеличению доступности данных и постоянным усилиям в области исследований и разработок.

Подчеркивая любой оптимизм относительно будущего ИИ, следует отметить опасения по поводу того, чтобы позволить инструментам ИИ продолжать развиваться без контроля. Поскольку ИИ становится более заметным в новых областях нашей жизни, это может принести как преимущества, так и потенциальные риски.

Есть одна вещь, в которой мы можем быть уверены: эпоха генеративного ИИ только начинается, и нам повезло наблюдать это на собственном опыте.