Google заплатит 5 миллионов долларов тем, кто придумает, для чего использовать квантовые компьютеры.

Если вы когда-либо задумывались, что на самом деле делают квантовые компьютеры, вы не одиноки. Правда в том, что никто не знает, какие современные проблемы способна решить эта технология. В понедельник Google запустил многолетнее глобальное соревнование по поиску реальных областей применения квантовых вычислений с призовым фондом в $5 миллионов.

Хотя есть много поводов для оптимизма в отношении потенциала квантовых компьютеров, мы все еще в неведении относительно полного спектра того, как, когда и для каких реальных задач эта технология окажется наиболее прорывной. Мы надеемся, что этот конкурс поможет пролить свет на эти вопросы.

Однако это не повод унывать. В 1950-х годах компьютеры были размером с грузовик и имели крайне мало практического применения. Квантовые компьютеры все еще находятся на этой ранней стадии развития, но могут совершить революцию в мире. Вопрос в том, как именно.

Конкурс Google не гарантирует, что через три года у нас появятся практические применения квантовых вычислений, но это шаг в правильном направлении.

Судить конкурс будут ученые из Google, Amazon и ведущих университетов мира. Будем надеяться, что соревнование породит реальные кейсы использования для нового поколения вычислительных машин и заставит эту мощную технологию работать.

Источник

Google захватил мировой рынок поиска, Amazon подмял под себя весь ecommerce, а местным онлайн-кинотеатрам сложно тягаться с Netflix? Чаще всего - да. Однако, в некоторых странах и регионах локальные tech-компании отвесили смачного пинка глобальным корпорациям. Сегодня разберем самые яркие примеры.

Еще до санкций, в условиях гораздо более открытых границ российского рынка для западных компаний, в России родился и укрепился свой технологический лидер - Яндекс. Все мы знаем эту компанию, все мы пользуемся её сервисами. От такси и маркетплейса до музыкального стриминга и рекламных систем. Теперь вот и свой ИИ активно развивают. Но начиналось все, конечно, с поискового движка. Который даже во времена самой мощной глобальной экспансии Google неизменно сохранял за собой высокую долю на российском рынке.

Однако пример нашего Яндекса - далеко не единcтвенный. В мире есть немало стран, где в условиях конкуренции с муждународными титанами появились и окрепли собственные технологические империи, крепко вцепившиеся в локальный ecommerce, транспортную агрегацию, поиск, стриминг и другие важные для человечества занятия. Более того, порой "местные чемпионы" становились настолько крутыми, чтобы выкидывали эти самые Гуглы и Амазоны пинком под их технологический зад.

Итак, в этой статье я расскажу про самые яркие примеры таких компаний. Разберемся, как они появились и развивались, какие продукты предлагают пользователям, и как конкурируют с глобальными лидерами. А также попытаемся докопаться, за счет чего им это удалось.

На текущий момент я собрал штук 10-12 таких компаний. Поэтому, материал разделю на несколько частей. Сегодня разберем первые 4 из списка (фокус будет на две крайне самобытные страны с мощными технологиями - Южную Корею и Японию), а потом, если формат зайдет и вы влепите изрядное количество лайков, сделаю еще один или два выпуска.

Небольшое примечание. Безусловно, целая россыпь локальных IT-колоссов в Китае. Но Поднебесную мы сегодня трогать не будем. У них там Великий файрволл, обеспечивающий тепличные условия для местного диджитала. Поэтому, хотя это нисколько не умаляет достоинств китайского tech, все же пример Китая для нас не совсем актуален. Про китайский IT у меня есть отдельная статья - если интересно, welcome (точнее, хуан йин).

Еще одно небольшое примечание. У подавляющего большинства азиатских tech-гигантов есть особенность - их рисом не корми, а дай склеить все свои сервисы, приложения и прочие свистоперделки в единый огромный суперапп. Кто-то (например, китайцы) без супераппов вообще жить не могут. Другие азиатские страны могут обойтись и без них, но все равно обожают взять все свои такси, екомы, мессенджеры и стриминги и соединить их в один огромный драконзорд. Совсем каррикатурный сценарий - это вшить все это безобразие внутрь мессенджера или соцсети.

Итак, погнали разбирать компании:

Корейская экосистема с привкусом какао

Вообще, я хотел начать свой анализ с Северной Кореи. Но товариш Ким не пускает мой роутер в местный кванмён, а сервер в Пхеньяне слегка недоступен в сервисах, которые с 1 марта нельзя продвигать и упоминать в РФ (кстати, им уже придумали безопасный эвфемизм, вроде "нельзяграма"?).

Так что, начну с Кореи Южной. У этой страны есть целых две мощные tech-компании - Kakao и Naver. Если проводить аналогию (очень грубо), то представьте, что весь Яндекс разделили на две отдельные структуры - в одну засунули все такси, доставку и остальные транзакционные сервисы, а другой отдали поиск, порталы, погоду и прочие информационные продукты. Так вот, Kakao был бы похож на первую, а Naver - на вторую.

Начну с Kakao. История у них непростая и уходит аж в прошлое столетие. Еще в 1998 появилась компания Kakao Entertainment, которая производила фильмы, клипы и прочий контент для телека и зарождающегося интернета. Примерно в то же время местная IT-компания NHN Corp запустила свой мессенджер NHN Chatroom. Также в истории участвовал телеком-гигант Daum, у которого был свой поисковый движок и популярный веб-портал.

Так вот. В 2000-х в результате нескольких хитросплетенных слияний и поглощений вся эта пестрая топла преобразовалась в единую компанию Kakao. А в 2010 году мессенджер NHN стал KakaoTalk, которым теперь активно пользуется каждый кореец.

Согласно заветам азиатских цифровых сервисов, Kakao стал активно развивать дополнительный функционал прямо внутри мессенджера. Помимо обмена сообщениями и групповых чатов, в Kakao вовсю процветал мобильный гейминг. В 2010 г. был запущен "корейский Инстаграм" (по прежнему запрещенный в РФ) под названием KakaoStory. Потом появился KakaoBank - мобильный платежный сервис. Еще позже, в 2015 г., появилось KakaoTaxi - вкладка для вызова такси внутри мессенджера, который уже активно превращался в суперапп.

Сейчас Kakao - это огромная экосистема, где помимо описанных выше сервисов есть собственная картография и навигатор, видео- и музыкальный стриминги, лайфстайл-сервисы и блок примочек для бизнеса. Сам мессенджер KakaoTalk остается популярнейшим каналом коммуникации в стране, им регулярно пользуются более >90% корейцев.

Отдельно хочу отметить два интересных решения:

Первое - это Kakao Loyalty. Компания запилила собственную программу лояльности, в которую максимально быстро и легко может встроиться любое предприятие - хоть крупная ритейловая сеть, хоть палатка с раменом от дядюшки Кима (но не товарища Кима, этого вряд ли пустят).

Проще говоря, представьте условный Яндекс Плюс или Сбер Спасибо, к которому может в пару кликов подключиться любой бизнес. Достаточно лишь принимать оплату через KakaoPay (который, как мы помним, есть у каждого покупателя внутри KakaoTalk), и баллы лояльности начинают капать покупателю прямо в любимый мессенджер. Удобно и бесшовно.

Второе - Kakao Friends. Это вообще локальный мем. Сейчас каждый из нас может отправлять в Telegram миллионы самых разных стикеров. Но давайте вспомним времена, когда все общались Вконтактике (еще в том, старом). Там тоже были стикеры, но их создавали не пользователи, а сама площадка. Их ассортимент был ограничен, а еще они были платные. Kakao в этом плане пошел еще дальше.

В 2012 году мессенджер запустил 8 авторских стикеров, вот таких:

Со временем эти стикеры стали популярны в народе, и для них начали делать свой ЛОР, всячески его коммерциализируя.

В Корее и некоторых других азиатских странах появились парки развлечений и тематические кафе Kakao Friends. С персонажами стикеров начали запускать сериалы, телешоу и детские мультики. Модные корейские бренды начали дропать с ними лимитки. А корейские детишки радостно бегают с соответствующими игрушками (монетизация на детском мерче detected). Небось, даже Crocs свои джиббитсы с ними выпустил (это мое предположение, не проверял - но если не выпускали, то точно стоит).

В результате KakaoFriends не просто разнообразили общение в мессенджере, но и стали отдельным полноценным каналом монетизации для холдинга. Про узнаваемость бренда и клиентскую лояльность и говорить не приходится. По-моему, абсолютно удивительный продуктовый пример, я подобного больше нигде не видел. Бренды, берите на вооружение, только потом не забудьте отстегнуть мне процентик за идею.

Сладенький кусочек кимчи для северокорейских хакеров

Вторая главная айти-компания Кореи - это Naver. Если кратко, то Naver - это крупнейший поисковик страны, обрабатывающий львиную долю всех поисковых запросов на корейском языке. В 1999 г. трое студентов из Сеульского университета запустили свой поисковых сервис, уже через год выкатив мобильную версию. В отличие от веселого названия "'Kakao'', фаундеры Naver не стали экспериментировать с неймингом. Naver - это акроним от "Navigation and Verification''.

В отличие от Kakao, который в своем развитии тяготел к ecommerce и прочим транзакционным бизнесам, Naver сразу сфокусировался на работе с информацией. Еще в бородатые годы компания запустила свой мессенджер Naver Chat, который позже оброс социальными механкиами - например, соцсетью с фокусом на знакомства и нетворкинг под названием Naver Personal. Также Naver запустил базу знаний Knowledge iN (сейчас известна как Naver Encyclopedia - корейский аналог Википедии). Чуть позже еще появился картографический сервис и навигатор, здесь наметилась явная конкуренция с Kakao.

Также у Naver есть словари, погода, игровые сервисы, новостные порталы, почтовый клиент, тематические контентные разделы вроде Naver Health, Naver Fashion и что только не. Монетизируется все это через рекламные системы, которых Naver тоже наплодил в достатке.

Компания экспериментировала и с транзакционными сервисами - например, запустила музыкальный стриминг Naver Music и собственную доставку продуктов из магазинов. Но все равно, фокус корпорации всегда был именно на сервисах индексации, информационных порталах и картах.

Однако, главный бизнес Naver - это именно поисковик. Долгое время Naver безоговорчно лидировал в стране, особенно в сегменте запросов на корейском языке, с чьей семантикой его движок работал гораздо лучше того же Google. В 2010-х доля Naver на корейском рынке поиска уверенно держалась в районе 70%, а в 2016 г. и вовсе приблизилась к 90%. Однако потом стала стремительно падать... К 2021 доля компании упала до 50%, а к 2023 и вовсе до 32%. При этом доля Google на рынке Южной Кореи сейчас уже более 60% и продолжает расти. Почему же так вышло?

Помимо очевидных причин, вроде рыночной мощи Гугла, его ресурсов, недавних инвестиий в ИИ (Naver, кстати, тоже здорово погрузился в ИИ) и прочего подобного, нужно выделить один интересный нюанс:

Есть мнение, что в какой-то момент Naver переборщил с приоритизацией своих сервисов в выдаче. Корейцы начали замечать, что если что-нибудь загуглить (или занаверить?) в поисковике Naver, то с неиллюзорной вероятностью первые Х результатов будут вести на другие сервисы компании - например, тематические и новостные порталы. К тому же, Naver начал выводить свои сервисы и на главную страницу поиска, серьезно утяжеляя интерфейс и засоряя рабочую область всяческим мусором.

Google же наоборот шел по пути упрощения и расчищения UX, а также более активно выплевывал независимые сторонние результаты, делая поисковую выдачу более вариативной и полезной.

Уважаемые продакты, юиксеры и руководители российских информационных сервисов, фиксируйте этот фейл в свои ноушены и не повторяйте корейских ошибок!

Заканчивая с Южной Кореей, хочется рассказать про одну интересную особенность местной картографии. Как известно, у Южной Кореи есть не очень дружелюбный к ней северный сосед. А из КНДР можно вообще на изи дострелить ракетой до Сеула, Инчона и многих других корейских городов (конечно, если оказия все же случится, не дай Бог).

Так что, Южная Корея очень трепетно оберегает свои картографические данные, особенно расположение самых важных объектов. Поэтому несколько лет назад Google не смог договориться с корейцами о доступе к их картографии. Говорят, что ЮК требовала тотально зацензурировать данные о важных объектов, и Google на такое не согласился. То же самое с Apple Maps. Так что, в Южной Корее карты Google и Apple работают лишь частично - карты вроде бы открываются, геолокация отслеживается, но маршрут по какой-нибудь заковыристой дорожной развязке Сеула вы построить в них не сможете. Я делал про это пост у себя в канале, там много комментов (в т.ч. от подписчиков из Кореи), гляньте, если интересно.

Несмотря на то что Naver слегка растерял былую мощь на рынке поиска, компания все еще остается важнейшим держателем данных южнокорейских пользователей. Так что, не мудрено, что сумрачные кибергении товарища Кима обожают атаковать Naver.

Мессенджер против землетрясений

Отдельно расскажу про онлайн-платформу Line. Это дочерний проект корейского Naver, который сначала был запущен как мессенджер, но постепенно оброс собственной соцсетью, платформой для мобильного гейминга, платежным сервисом и такси-агрегатором.

Несмотря на корейское происхождение, свою главную аудиторию сервис снискал в соседней Японии, где быстро стал самым популярным мессенджером с активной аудиторией почти 90 млн человек.

Но самая важная фишка Line в другом. Изначально приложение запускалось корейским холдингом в качестве инструмента, с помощью которого жители сейсмоактивной Японии могли бы удобно и эффективно контактировать с семьей в ситуации природных катастроф (Line запустили в 2011 г. сразу после мощного землетрясения у острова Хонсю).

Например, каждому пользователю предлагается активировать встроенные информационные оповещения, которые при случае звонко высвятятся на главном экране. К тому же, мессенджер отслеживает геолокацию, и при землетрясении или другой напасти автоматически создает чат, в который сам добавляет незнакомых юзеров с одинаковым или близким местоположением. Там они могут обменяться критически важной информации и помочь друг другу. При этом, в таком чате можно сделать ИИ-выжимку основной инфы - мессенджер сам проанализирует беседу чата и выдаст ключевое в отдельном окне сверху (ну, чтобы не пришлось лихорадочно листать огромную историю чата, параллельно уворачиваясь от обломков очередного разрушающегося здания).

К тому же, в профиле юзеров появляется специальный статус, с помощью которого родные и друзья могут понять, все ли с ним или с ней в порядке. Ну и само собой, в Line встроена интерактивная карта больниц и разных укрытий с информерами и полезными советами. Интересно, туда можно интегрировать свой ресторанчик? Ну типа, раз выжил в землетрясении и добежал до больнички, то вот, смотри, рядом с ней есть палатка с вкуснымии гедза (а что, уверен, что спасшиеся от землетрясения люди ужас как голодны).

Любопытно, что "катастрофический функционал" влияет и на некоторые транзакционные сервисы Line. Например, встроенный в мессенджер такси-агрегатор Line Taxi в случае землетрясения начнет адаптировать тарифы для водителей, чтобы пострадавшие в зоне бедствия с большей вероятностью могли найти машину (разумеется, компания учитывает и отрабатывает все очевидные риски).

Во многом за счет этого функционала Line быстро стал must-download приложением для любого японца, после чего навесить дополнительный функционал и монетизацию стало делом техники.

Как онлайн-аукцион стал главным IT-дзайбацу

Транзитом через историю Line полноценно перенесемся в страну Восходящего солнца. Не ругайтесь на меня, товаращи-японисты. Я понимаю, что Rakuten - ниакой не клановый дзайбатцу, а обычный кабусики-гайся (т.е. обычная компания, чья история не тянется со времен Реставрации Мэйдзи). Но я не удержался, ради красоты заголовка.

Итак, вообще, про компанию Rakuten можно писать отдельную большую статью, поэтому сегодня пройдусь кратко по ключевым моментам.

В конце девяностых банковский служащий Хироси Микитани насмотрелся на зарождающийся в США тренд на электронную коммерцию и решил перенести тамошние практики в родную Японию.

В 1997 г. он запустил портал для торговли товарами сторонних продавцов в формате онлайн-аукциона. Видимо, подсмотрел фишку у набиравшего тогда популярность eBay. Тем не менее, Микитани решил собирать нетворк-эффект своей платформы не совсем так, как это делали будущие лидеры американского ecommerce.

Например, если Amazon начал развитие с оцифровки отдельного рынка (продажи книг), набрал там критическую массу покупателей, а потом уже начал пропихивать своей лояльной клиентской базе другие товарные категории, то Rakuten решил сразу сделать ставку на раскачку предложения (а спрос подтянется, куда он денется).

Так вот, Микитани решил сфокусироваться на привлекательности своего детища для продавцов. Он радикально снизил для них комиссию, сделав её примерно в 5-10 раз меньше, чем тогда было у тех же Amazon и eBay, активно заходивших на японский рынок. К тому же, первым продавцам предлагался комплект привлекательных допуслуг, вроде бесплатной доставки и льготного периода ("бесплатных" первых месяцев на платформе). Также Rakuten помогал создавать витрины и даже обучал не сильно продвинутых владельцев небольшого бизнеса онлайн-торговле. К тому же, Rakuten был более снисходителен к малому и микробизнесу, смотря сквозь пальцы на многие косяки и недочеты, которые точно стали бы стоп-факторами при выходе на платформы зарубежных конкурентов.

В дальнейшем, по мере развития компании, комиссия, конечно, росла. Но все равно, комиссионная политика Rakuten до сих пор считается весьма гуманной и привлекательной в сравнении с другими игроками.

Забавный факт. В начале развития Микитани поставил амбициозную цель - перенести на свою платформу все торговые точки Токио. Тогда Rakuten был совсем небольшим стартапом, у него не было торговых агентов. Так что, основатель с небольшой командой сами обивали пороги компаний, заманивая их на свой распрекрасный сервис. Микитани решил начать с малого бизнеса, так что, основатель и ко иногда одевались нарочито непрезентабельно и расхлябанно, дабы не отпугивать чересчур деловым внешним видом владельцев небольших лавок.

Это сработало. Год спустя через платформу проходило уже 5 млн сделок. Компания крепла и захватывала все больше японского ecommerce. Вскоре, Микитани задумал международную экспансию.

В 2000-х компания начала выходить на другие азиатские и некоторые европейские рынки, в основном через скупку местных ecommerce-стартапов, стримингов и соцсетей. Также была попытка выхода на китайский рынок через стратегическое партнерство с Alibaba. Но партнеры не осилили борьбу с Tencent, JD, Meituan и прочими китайскими звездами. К тому же, Rakuten вышел в Китай в неудачный момент - экономика КНР как раз разгребала последствия финансового кризиса 2008 года.

Тем не менее, международная экспансия продолжалась. В 2014 году Rakuten купил сервис, о котором вы точно слышали - мессенджер Viber (как думаете, Микизани отправляет там открытки своим внукам?). А еще наверняка вы видели лого Rakuten на футболках Барселоны, ведь в 2016-2020 годах компания была титульным спонсором каталонского гранда.

Параллельно с ростом за пределами Японии, Rakuten обзаводился новыми бизнесами. Вдобавок к запущенному еще в 2000 г. платежному сервису Rakuten Pay, компания внедрила собственную платформу для управления личными финансами RakutenMoney. И вообще, ребята серьезно ударились в финтех, выпустив свою карточку и еще довольно много платежных фич и продуктов. В 2019 вообще запилили собственный криптокошелек и сделали свою криптовалюту, интегрированную с сервисом Rakuten Pay и внутренней программой лояльности.

А в 2014 г. компания запустила свой тревел-агрегатор, встроенный в основное приложение. Ведь азиат может уехать из супераппа, а суперапп из азиата - никогда!

Сейчас Rakuten - один из двух крупнейших ecommerce-игроков на рынке Японии (то уступит лидерство Amazon, то снова вырвется вперед) и довольно крепкий бренд в Южной Корее, Великобритании, Германии и еще нескольких странах.

Если проводить аналогию, то Rakuten чем-то напоминает наш Ozon. Тоже крупный маркеплейс, который активно лезет в финтех и тревел. И кстати, в 2011 г. Rakuten инвестировал довольно большую сумму как раз в Ozon.

Последний факт на сегодня. Слово "Rakuten" переводится с японского как "сдержанный оптимизм". Если вы найдёте более японское название для огромной IT-империи, то можете кинуть в меня булыжник из японского каменного сада!

***

На сегодня все. Если статья получит хороший отклик и наберет много лайков и комментов, то я продолжу. На очереди индонезийский суперапп, малазийский райдтех, казахстанский ультимативный финтех, турецкая экосистема и даже африканский стриминговый сервис.

Если вы дочитали до конца, то вам точно зайдут мои тг-каналы, а именно:

• На основном канале Дизраптор я простым человечьим языком и с юмором разбираю разные интересные штуки из мира бизнеса, инноваций и продуктовых новшеств (а еще анонсирую все свои статьи, чтобы вы ничего не пропустили).

• А на втором канале под названием Фичизм я пишу про новые фичи и инновационные решения самых крутых компаний и стартапов.

Генеративные нейросети любят ловить глюки и выдавать всякую чушь. Причем так массово, что Кембриджский словарь признал «галлюцинировать» главным словом 2023 года. В чем причина этой проблемы? Является ли генеративный ИИ интеллектом? И что общего у ChatGPT и копировального аппарата Xerox? Разбираемся, попутно разрушая мифы про этот наш вездесущий искусственный интеллект.

Небольшое вступление или "в чем суть проблемы?"

Авторитетный Кебриджский словарь признал словом года «галлюцинировать» (hallucinate). Причем не в вакууме, а применительно к генеративному ИИ. Глюки ИИ — это когда ChatGPT выдает косяки в фактологии, из‑за которых пользователи теряют всякую веру его результатам (и срочно бегут все перепроверять в Гугле). Но не стоит злиться на генеративный ИИ за подобные выкрутасы, ведь дело в самой логике его работы. Ее мы сегодня и разберем с помощью парочки метких аналогий.

Год назад Google впервые представил миру своего чат‑бота Bard. Сейчас он вполне неплохо работает (хотя и уступает первопроходцу), но на той презентации умудрился выдать базу‑основу. Он заявил, что «Джеймс Уэбб» был первым космическим телескопом, сделавшим снимки планет за пределами Солнечной системы. Это была ошибка — первые снимки этих самых планет сделал другой телескоп еще за 17 лет до появления на свет «Джеймса Уэбба». Неточность Барда быстро заметили, в результате чего у Google даже просела стоимость акций.

ИИ чат‑боты регулярно выдают неточности и искажения. Чаще всего они незначительны и касаются отдельных деталей. Однако даже наличие небольших косяков сильно снижает полезность генеративного ИИ на практике. Ведь если вы знаете, что ошибки в целом возможны и даже регулярны, то не можете полностью довериться этому инструменту.

Но не спешите обвинять бездушную машину в злом умысле. У нее нет цели подставить кожаных или намеренно ввести в заблуждение.

Причина в другом. Дело в том, что генеративный ИИ по принципам своего устройства больше напоминает архиватор (т. е. программу для сжатия файлов), нежели полноценное сознание. Именно поэтому эксперты в ИИ зачастую недовольно фыркают, когда генеративные нейросети называют звучным словом «интеллект». А еще это отлично объясняет, почему ChatGPT очень вряд ли превратится в злой скайнет (но это не точно).

Итак, давайте разбираться. В этом нам поможет классная статья издания The New Yorker за авторством Теда Чана, из которой я с большой благодарностью буду заимствовать ключевые тезисы. Подкрепляя их иллюстрациями, дабы нагляднее было.

Хитрый Xerox и внимательные немецкие архитекторы

Осмыслять проблему удобнее чуть издалека, с интересной аналогии.

В 2013 году копировальный аппатар Xerox в офисе одной немецкой строительной фирмы начал творить очень странные дела. Ребята делали копию проекта дома с тремя комнатами и заметили очень любопытное расхождение:

• На оригинальной схеме три команты имели разную площадь — 14.13, 21.11 и 17.42 метра. То есть, на чертеже в центре каждой комнаты стояла разная циферка, обозначающая площадь.

• Xerox же выдал копию, где на всех трех комнатах стояла одинаковая цифра — 14.13 (как площадь первой комнаты).

Компания прифигела от такого контринтуитивного глюка копировальной техники и обратилась к специалисту по обработке данных Давиду Крайзелю.

Вы, возможно, спросите: «Аффтар, а почему они обратились к человеку такой специальности, а не к эксперту в копировальном деле?». Дело в том, что современные ксероксы используют не классический процесс ксерографии (это когда изображения передаются с оригинала на копию через прохождение лучей через специальный барабан — в общем, аналоговая классика), а цифровое сканирование.

А когда речь заходит о каких‑то манипуляциях с изображениями (да и файлами в целом) в цифровой среде, то мы почти наверняка столкнемся с процедурой сжатия объектов.

Процедура сжатия состоит из двух ключевых этапов. Первый — кодирование (encoding), в ходе которого изначальное изображение переводится в какой‑то более компактный формат. Второй — декодирование (decoding), т. е. обратное действие.

При этом сжатие бывает двух типов:

1. Сжатие без потерь (lossless) — это когда закодированные данные могут быть восстановлены с точностью до пикселя или бита. Если речь идет про изображения, то самый популярный формат сжатия без потерь — это PNG.

2. Сжатие с потерями (lossy) — здесь уже распакованные данные отличаются от исходных, но степень отличия столь незначительно и минорна, что их без проблем можно дальше использовать. Яркий пример — JPEG.

Сжатие без потерь обычно используется, скажем, для компьютерных программ. Потому что если потерять хотя бы один символ кода, то все поломается. А вот для изображений, аудио или видеофайлов часто предпочитают использовать сжатие с потерями. Ведь даже если отдельные пиксели картинки поедут или мелодия будет звучать чуть менее чисто, то человечьи органы осязания все равно не заметят подлога, так что пофиг.

Здесь и была зарыта собака в истории со ксероксом. Агрегат использовал lossy‑сжатие формата JBIG2, которое работает примерно так:

В целях экономии места или вычислительных мощностей (а может и того и другого, пойди разберись в этой офисной технике) машина ищет очень похожие области изображения и сохраняет для всех них одну копию, которую потом воспроизводит обратно при декодинге.

Проще говоря, конкретно в этом случае ксерокс почему‑то решил, что комнаты на чертеже так похожи друг на друга, что можно смело забивать на различия и считывать только одну из них — ту, которая площадью 14,13 кв метров. А потом везде нарисовать именно её. То ли потому что формат JBIG2 создан для работы с черно‑белыми офисными бумажками, а не с мелкими объектами чертежей, то ли просто у аппарата был дурной характер — история умалчивает. Но суть в том, что ксерокс решил забить на небольшие различия именно в том случае, где эти различия оказались очень даже критичными.

Вообще, сам факт того, что ксерокс использует сжатие с потерями — это не проблема. Проблема в том, что изображение деградирует очень незначительно, «на тоненького». Настолько чуть‑чуть, что с ходу фиг заметишь. Одно дело, если бы он просто блюррил упрощенные области картинки, но он их может просто вероломно заменить. А строительному бюро потом объясняй заказчику, почему в итоге все комнаты получились одинаковыми.

Идем дальше. Проблема сжатой Википедии

Запомним историю со Xerox и проведем один мысленный эксперимент (он нам нужен, чтобы подойти еще ближе к пониманию проблемы этих наших GPT).

Представьте, что завтра во всем мире отключат интернет. Вообще. Совсем. Не будет его больше. В связи с этим мы решаем по максимуму выгрузить все содержимое интернета к себе на частный сервер. Ну окей, пусть будет не весь интернет (это совсем тяжко), но хотя бы всю Википедию. Чтобы оставить великие знания потомкам.

Разумеется, место на сервера ограничено — вся Википедия туда не влезет. Допустим, места хватит на 1% от оригинального размера, т. е. сжать изначальный объем нужно в 100 раз. Следовательно, нужно прибегнуть к сжатию с потерями.

Итак, мы применяем сжатие с потерями. Алгоритм у нас мощный — он легко находит чрезвычайно тонкие статистические закономерности на совершенно разных страницах (иногда одинаковыми оказываются длинные фразы или целые предложения). Таким образом нам удается сжать Википедию примерно в 100 раз, что и требовалось в нашем мысленном эксперименте.

Теперь нам не так страшно потерять доступ к интернету, ведь у нас как минимум выкачана база знаний в виде Википедии (а значит, потомкам будет чуть проще делать выводы о предназначении предметов, найденных при раскопках через тысячи лет). Но есть нюанс:

Мы не сможем найти любую цитату слово в слово. Потому что из‑за сжатия с потерями наша Википедия сохранена не буквально, а приблизительно. Алгоритм оставил только то, что кровь из носу требуется, чтобы сохранить смысл всех сущностей. Остальное же было объединено и апроксимировано (т. е. передано приблизительно). А значит, чтобы достать информацию, нам нужно создать интерфейс, который умеет в ответ за запрос выдавать основной смысл.

Чувствуете, на этом моменте комнату начинает наполнять знакомый аромат генеративного ИИ?

GPT выдает точные ответы, но есть нюанс...

Да‑да, только что мы мысленно создали большую языковую модель (LLM), обученную на Википедии (в нашем конкретном случае).

ChatGPT — это заблюренный JPEG не только Википедии, но вообще всего интернета. Когда модель дообучают, этот JPEG еще лучше детализируется в отдельных уголках. Но суть все та же — LLM аккумулирует именно бОльшую часть интернета, но далеку не всю.

Следовательно, когда GPT отвечает за ваш запрос, он не может выдать точную последовательность символов. Он сделает приближение. Другое дело, что GPT отлично умеет превращать это приближение в связный и опрятный текст, который человеческий мозг не может сходу отличить от оригинального.

А как LLM воссоздает пробелы, которые отсутствуют в его сжатой версии интернета? Ответ — интерполяция. Не будем вдаваться в математические дебри этой штуки. Простыми словами — это оценка отсутствующего элемента путем анализа того, что находится с двух сторон от этого разрыва. Когда программа обработки изображений декодирует ранее сжатую фотографию и должна восстановить пиксель, потерянный в процессе сжатия, она просматривает близлежащие пиксели и, по сути, вычисляет среднее (генерирует его).

То же самое делает ChatGPT, только со словами и прочими текстовыми смысловыми сущностями. Секрет в том, что ChatGPT научился делать эту интерполяцию настолько мастерски, что люди не могут этого раскусить (и думают, что имеют дело с настоящим интеллектом).

По сути, генеративный ИИ выдумывает отсутствующие элементы на основе смежных. Фантазер этот GPT, получается.

Описанная выше логика отлично объясняет «галлюцинации». Просто‑напросто даже самый большой мастер интерполяции иногда допускает ошибки. И совсем периодически эти ошибки замечают. Однако сам факт вероятности ошибок сильно снижает надежность инструмента. Ведь это значит, что в любой момент может вылезти значимый косяк. А это уже означает, что все результаты нужно сверять с оригинальным текстом (= лишние затраты ресурсов).

Получается, генеративный ИИ - это совсем не интеллект?

И да, и нет. Тут, как говорится, смотря как посмотреть.

Действительно, не стоит очеловечивать генеративный ИИ. То есть не нужно отождествлять его с человеческим интеллектом.

ChatGPT впитывает информацию с большими потерями, восстанавливая ее через интерполяцию. В результате он как будто пересказывает суть своими словами. Вероятно, здесь и кроется разгадка, почему люди так восхищаются генеративным ИИ.

Дело в том, что еще со школьных и универских скамей у людей сидит на подкорке убеждение (весьма резонное), что точное воспроизведение информации — удел зубрилок, которые «выучили, но не поняли», а по‑настоящему толковые ребята пересказывают все своими словами, сохраняя суть. Поэтому и ChatGPT нам кажется толковым парнем, который реально все понимает. На самом же деле он просто передает основной смысл, воссоздавая пропуски за счет усреднения.

Именно поэтому, кстати, GPT3 не очень хорошо справлялся с точными вычислениями больших чисел (допустим, выражение «2345 х 57789» в интернете встретишь не так уж часто), но при этом как Боженька писал всякие студенческие эссе. По мере перехода к GPT4 модель стала более продвинутой, в нее завезли больше закономерностей, поэтому она стала сносно щелкать любую арифметику.

Однако, есть и другая сторона медали. Она касается тех самых закономерностей, которых в GPT4 завезли больше. Смотрите:

Есть такая премия под названием «Приз Хаттера». Ее в 2006 г. учредил старший научный сотрудник DeepMind (это ИИ‑стартап, уже давно купленный Гуглом) Маркус Хаттер. Суть конкурса такая:

Есть текстовый файл на английском языке размером 1 Гб. Его требуется сжать без потерь. Каждый, кто сожмет на 1% от предыдущего лучшего результат, получит 5000 евро. Сейчас лучший результат 115 Мб.

На самом деле, это не просто конкурс по сжатию текста без потерь. Это важное упражнение, приближающее понимание сути настоящего ("взрослого") искусственного интеллекта. И вот этого товарища уже можно отождествлять с человеческим сознанием как минимум по одному признаку:

Чтобы наиболее эффективно сжимать текст без потерь, он должен уметь по-настоящему понимать этот текст и сопоставлять его содержание с реальными знаниями о мире.

Например, вот есть у нас какая‑то статья в Википедии на тему физики. Допустим, некий текст, где фигурирует Второй закон Ньютона (Сила = Масса x Ускорение). Вероятно, самый простой способ сжать без потерь такую статью — это заложить в алгоритм сжатия базовый постулат, что «Сила = Масса x Ускорение». Тогда алгоритм может выкинуть повторящиеся куски статьи, вытекающие из логики этого закона, а потом легко их восстановить при надобности (потому что знает сам базовый принцип).

Аналогично и со статьей на некую экономическую тему. Наверняка там будет дофига выводов, основанных на законе спроса и предложения. А значит, если в принцип сжатия заложен этот закон, то можно выкинуть кучу «вторичной» информации.

ИИ работает так же. Чем больше первичных правил и законов он знает, тем меньше может париться с запоминанием вторичных выводов (ведь он может их легко восстановить — если и не дословно, то достаточно точно по смыслу).

При таком раскладе ИИ действительно становится интеллектом — в том плане, что делает частные выводы на основе общих знаний. По сути, старая добрая дедукция из детективных романов про Шерлока Холмса.

Получается, что хотя ChatGPT все еще очень далек от настоящего интеллекта, он все сильнее стремится к таковому по мере наполнения своей базы знаний и лучшей адаптации к устройству нашего мира. Вот такой интересный процесс.

Получается, из-за глюков LLM-кам нельзя доверять так же, как поисковикам (как минимум пока они не усвоят все законы бытия)?

В целом, получается, что да. Пока что нельзя. Ведь:

1. Во‑первых, мы не знаем наверняка, скушала ли LLM откровенную пропаганду или какие‑нибудь антинаучные теории заговора. Если скушала, то она могла выстроить очень специфические логические связи. И если она будет заполнять пробелы в соответствии с ними, то результат может получиться очень веселым.

2. Во‑вторых, также нет гарантии, что ИИшный «JPEG» не заблюррил полностью ту информацию, которая нужна для отработки конретно нашего запроса.

Держа в голове эти два обстоятельства, можем сделать вывод — результаты нынешнего генеративного ИИ можно использовать как отправную точку для анализа, но не финальную истину (не стоит сразу же нести выводы от ИИ своему начальнику, ну вы поняли).

Также стоит разобраться — а хорошая ли это идея создавать контент с помощью ИИ?

Ну, если вы работает на объем, то наверно да. А если на качество и уникальность, то не уверен. Ведь даже если вы используете ИИ для получения некой первичной версии, то держите в уме, что холстом вашего великого произведения будет вторичный (изначально переработанный) продукт, где часть смыслов вообще фантазировалась через интерполяцию (иначе говоря — отправной точки ваших смыслов станет совсем уж откровенный полуфабрикат).

Так что, если вы хотите создавать уникальный контент — то, пожалуй, ИИ стоит использовать только для поиска информации, не более. Однако, если ваша задача переупаковать уже готовый контент — то почему бы нет? Особенно если вам нужно избавиться от оков авторских прав и копирайтов (рубрика «вредные советы»).

Выводы

Глюки ИИ — это норма. Иногда они кажутся нам смешными и чересчур упоротыми. Но объяснение лежит на поверхности.

По мере обрастания моделей закономерностями и знаниями о мире, глюков будет все меньше. Если, конечно, мир не будет усложняться с той же скоростью или быстрее.

Полезно учитывать эту особенность при использовании ИИ. Так будет меньше шансов серьезно опростоволоситься в кругу уважаемых людей или испортить качество выдаваемых смыслов.

Когда генеративный ИИ сможет стать Скайнетом? Учитывая вышысказанное, рискну предположить, что еще очень‑очень нескоро. Если вообще сможет.

Большая часть этой статьи — художественный перевод вот этой статьи. Очень‑очень вольный перевод — считайте, что я интерполировал кое‑какие смыслы, чтобы воспринимать их было проще и веселее. Статья вышла в феврале 2023, т. е. еще до релиза GPT4, но логику передает верно. Рекомендую прочитать оригинал, там еще больше примеров и иллюстраций (но предупреждаю — понадобится неплохой английский и ясное сознание).

Также рекомендую заглянуть на мой тг‑канал Дизраптор. Там я простым человечьим языком и с максимальной наглядностью пишу про разные интересные штуки из мира технологий, инноваций и бизнеса. В том числе про этот наш ИИ, но не только про него.