Многие думают, что пузырь ИИ — это явление только сегодняшнего дня.

На самом деле, в истории ИИ уже была одна очень типичная волна капиталистического ажиотажа.
Это пузырь «экспертных систем» 1980-х годов.
Фон этой волны ИИ был таким: после первой зимы ИИ индустрия наконец нашла путь, который казался коммерциализируемым.
Ранние исследователи ИИ пытались напрямую создать общий интеллект, но направления, такие как машинный перевод, общий вывод и робототехника, не оправдывали ожиданий, и финансирование с уверенностью быстро охладилось.
Тогда в 1980-х годах индустрия ИИ сменила подход:
Поскольку общий интеллект слишком сложен, сначала сделаем вертикальный интеллект.
Опыт врачей, инженеров, химиков, финансовых экспертов и специалистов по обслуживанию оборудования разбивался на отдельные правила и записывался в компьютер.
Если A и B происходят одновременно, то определяется как C.
Если появляется определённая комбинация симптомов, то рекомендуется определённая диагностика.
Если в заказе есть конфликт конфигурации, то система автоматически его исправляет.
Это и есть экспертная система.
Это не сегодняшние большие модели, обученные на огромных объёмах данных, а база знаний, собранная вручную, и механизм вывода.
В то время это была не просто концепция.
Система XCON/R1 от DEC — один из самых классических коммерческих примеров. Она помогала DEC автоматически конфигурировать сложные заказы на мини-компьютеры, уменьшая количество ошибок конфигурации и повышая эффективность поставок, и впоследствии считалась знаковым успехом коммерциализации экспертных систем.
Как только этот пример появился, воображение рынка полностью воспламенилось.
Компании начали верить:
Если экспертная система может заменить часть решений инженера, то не может ли она также заменить решения врача?
Если можно конфигурировать компьютеры, то не может ли она также конфигурировать заводы, управлять цепочками поставок, принимать финансовые решения, делать юридические выводы?
И капитал начал вливаться.
Крупные компании начали создавать отделы ИИ: IBM, DEC, GE, GM и другие вкладывались в экспертные системы.
Начали появляться стартапы, занимающиеся инженерией знаний, программным обеспечением для экспертных систем, механизмами вывода и отраслевыми решениями.
Что ещё интереснее, пузырь ИИ быстро распространился на аппаратное обеспечение.
Поскольку в то время многие программы ИИ использовали язык Lisp, а Lisp предъявлял высокие требования к вычислительным ресурсам и среде разработки, появился ряд компаний, специализирующихся на машинах для Lisp, оптимизированных для ИИ.
Symbolics, Lisp Machines Inc., Texas Instruments и другие компании участвовали в этой волне специализированного аппаратного обеспечения для ИИ.
Это очень похоже на историческое отражение сегодняшнего дня:
Тогда экспертные системы привели к росту машин Lisp.
Сегодня большие модели привели к росту GPU, HBM, оптических модулей, коммутаторов, центров обработки данных, электроэнергии и жидкостного охлаждения.
В каждой волне ИИ первыми зарабатывают не приложения, а продавцы лопат.
Но проблема проявилась именно после масштабного внедрения.
Самое узкое место экспертных систем — получение знаний.
Настоящие экспертные знания — это не инструкция.
Многие решения основаны на опыте, интуиции, граничных условиях и годах проб и ошибок.
Даже сами эксперты не всегда могут чётко выразить все неявные знания.
А если и могут, то их трудно полностью записать в виде правил.
В результате компании обнаружили, что построить экспертную систему гораздо медленнее и дороже, чем предполагалось.
Вторая проблема — стоимость обслуживания.
Бизнес-процессы не статичны.
Продукты меняются, клиенты меняются, законы меняются, цепочки поставок меняются, рыночная среда меняется.
Каждый раз, когда реальный мир меняется, база правил должна быть изменена.
Когда правил становится много, в системе появляются конфликты, пропуски и наложения.
В итоге многие компании получают не машину для автоматического зарабатывания денег, а лабиринт правил, который никогда не удаётся исправить.
Третья проблема — хрупкость.
Экспертные системы могут хорошо работать в рамках покрытия правил.
Но как только они сталкиваются с граничными случаями, нечёткой информацией, неполной информацией, система легко выходит из строя.
У неё нет настоящего здравого смысла.
Она не учится активно.
Ей трудно понимать изменения контекста, как человеку.
Демонстрация может быть впечатляющей, но корпоративная система должна справляться с реальным миром, который меняется каждый день.
Это огромный разрыв между лабораторией и производственной средой.
Четвёртая проблема — крах экономики аппаратного обеспечения.
Машины Lisp сначала были инфраструктурой ИИ.
Но к концу 1980-х годов универсальные рабочие станции и персональные компьютеры быстро стали мощнее, дешевле и с более широкой экосистемой.
Когда более дешёвые универсальные компьютеры смогли запускать соответствующее программное обеспечение, дорогие специализированные машины Lisp потеряли коммерческую целесообразность.
Рынок машин Lisp быстро рухнул.
Аппаратная цепочка сначала была переоценена, затем компании-разработчики программного обеспечения и ИИ-консультанты начали испытывать давление.
Многие компании, занимающиеся экспертными системами, обанкротились, были поглощены, переориентированы, и ИИ снова стал словом, которое рынок капитала не хотел слышать.
Это и есть вторая зима ИИ.
Но здесь есть одна очень важная деталь:
Экспертные системы были не совсем бесполезны.
Они не исчезли, а были поглощены корпоративным программным обеспечением, механизмами правил, системами управления рисками, системами управления знаниями, скриптами обслуживания клиентов, системами автоматизации процессов.
Технология выжила.
Пузырь умер.
Это то, что сегодняшние инвесторы в ИИ должны пережёвывать снова и снова.
Сегодняшние большие модели, конечно, не экспертные системы.
LLM — это не ручные базы правил, они основаны на массовых данных, нейронных сетях, Transformer, вычислительных мощностях и обучении с подкреплением.
Их общность, языковые способности, способности к коду, мультимодальные способности намного превосходят экспертные системы того времени.
Поэтому просто приравнивать сегодняшние большие модели к экспертным системам — нестрого.
Но историческая аналогия заключается не в технологическом пути, а в психологической структуре рынка капитала.
Каждая волна ИИ проходит через три похожих шага:
Первый шаг: реальный прорыв в технологии.
Второй шаг: капитал верит, что она может изменить все отрасли.
Третий шаг: компании обнаруживают, что превратить технологию в стабильную, управляемую, аудируемую, прибыльную систему гораздо сложнее, чем предполагалось.
Сегодняшние большие модели тоже входят в третий шаг.
На стороне C есть использование, но ландшафт трафика ещё не полностью изменён.
На стороне B есть пилотные проекты, но многие остаются на стадии пилота, не переходя в реальные крупномасштабные производственные системы.
Агенты привлекательны, но в длительных задачах ошибки на каждом шаге накапливаются.
Даже если точность одного шага кажется высокой, при достаточной длительности процесса общая успешность заметно снижается.
В таких областях, как промышленность, финансы, медицина, право, цепочки поставок, требуется не красивый ответ, а сквозная надёжность, обработка исключений, контроль доступа, ответственность, аудиторские записи и человеческая подстраховка.
Это не решается на презентации модели.
Поэтому сегодня самый большой риск для ИИ — не в том, что у технологии нет ценности.
Наоборот, ИИ очень ценен.
Реальный вопрос в том:
Достаточно ли денежного потока, который он создаёт, чтобы поддерживать текущие капитальные затраты и оценку?
Если компании обнаружат, что ROI от ИИ остаётся неясным, бюджеты могут быть сокращены очень быстро.
Если облачные провайдеры обнаружат, что доход от инференса не покрывает амортизацию, электроэнергию и затраты на ЦОД, то прогнозы капитальных затрат могут быть снижены.
Если на уровне приложений не появится достаточно сильного платного цикла, аппаратная цепочка начнёт пересчитывать ожидания снижения спроса.
История не повторяется в точности.
Но рынки капитала часто похожим образом поднимают реальный технологический прорыв до завышенных ожиданий прибыли.
Урок 1980-х годов не в том, что «ИИ — это обман».
Настоящий урок в том:
Технологическая революция может быть реальной.
Темпы коммерциализации могут быть медленными.
Инвестиции в инфраструктуру могут быть преждевременными.
Оценки акций могут быть ошибочными.
Эти четыре вещи могут быть верны одновременно.
Экспертные системы в итоге не исчезли, но пузырь экспертных систем лопнул.
Сегодняшние большие модели, скорее всего, тоже не исчезнут.
Реальный вопрос:
В этом ажиотаже вокруг ИИ-инфраструктуры, какие компании станут будущей инфраструктурой, а какие — всего лишь машинами Lisp этого цикла?