Первые системы машинного перевода появились в конце 1950-х годов, и тогда казалось, что как только они избавятся от своих «детских болезней», то станут эффективным инструментом для повсеместного использования. Однако лишь с середины 2000-х годов качество компьютерного перевода перешло от «неудовлетворительного» к «удовлетворительному», став после 2010 года более-менее приемлемым, когда к задачам машинного перевода привлекли искусственные нейронные сети.

Нейронная сеть получает на вход предложение на языке оригинала, представленное в виде последовательности слов, и выдает на выходе другую последовательность — предложение на языке перевода. При этом обычно такие нейронные сети содержат кодировщики (энкодеры) — преобразователи последовательности слов входного предложения в один или несколько векторов в некотором пространстве — и декодеры, которые генерируют из векторов последовательности слов на языке перевода.

Традиционно кодировщики строились на основе архитектуры рекуррентных (Recurrent Neural Network, RNN) или сверточных (Convolutional Neural Network, RNN) нейронных сетей, декодеры обычно использовали рекуррентные сети. Механизм внимания (Attention Mechanism) — это специальный слой нейронной сети, который дает возможность взаимодействия декодеров не только с выходами кодировщиков, но и с их скрытыми слоями, что дает возможность установления взаимосвязей между векторами и различными словами в предложении.

Логическим продолжением рекуррентных нейронных сетей стали предложенные в 2017 году нейронные сети с архитектурой «трансформер», в которых параллельно обучаются несколько механизмов внимания. Оказывается, что если им случайным образом сгенерировать разные начальные веса, то они обучатся не «одному и тому же», а выявят различные свойства и взаимосвязи слов: смысловые, лексические, грамматические и т. д. В отличие от рекуррентных сетей, трансформеры хорошо распараллеливаются, поэтому их обучение на больших объемах данных проходит очень быстро.

Тексты, вышедшие «из-под пера» современных систем машинного перевода, основанных на трансформерах, уже не просто конкурируют с текстами, сделанными людьми, а и превосходят по качеству. Как следствие, технологии искусственного интеллекта, использующие авторегрессионные генеративные нейросетевые модели, построенные на архитектуре «трансформер», стали применяться сегодня при решении самых разных задач обработки естественного языка. В 2018 году корпорация Google представила BERT (Bidirectional Encoder Representations from Transformers) — двунаправленную предобученную языковую модель, основанную на архитектуре «трансформер», значительно опередившую другие модели в решении задач, связанных с пониманием естественного языка (именно на BERT работает современная версия поиска Google). При этом BERT — это модель, которая может быть использована в конкретных задачах только после дополнительного обучения, но сама не способна генерировать ответы на вопросы.

В том же году некоммерческая организация OpenAI представила большую генеративную языковую модель GPT (General Pre-Trained model), предобученную на 4,5 Гбайт текстов англоязычных книг и способную генерировать тексты на естественном языке по заданной тематике, выделять в них главные мысли и отвечать на вопросы. В 2019 году была разработана следующая версия модели — GPT-2, а в 2020 году — модель GPT -3, обученная на полном наборе данных из англоязычной Википедии, из проекта Common Crawl, из большого набора англоязычных книг, а также из набора данных WebText2, содержащего тексты веб-страниц Сети [1]. Актуальная версия GPT 3.5 обучена на 45 Тбайт текстов и опубликована в ноябре 2022 года, а двумя годами раньше Сбер представил модель ruGPT-3, обученную на 600 Гбайт текстов, в том числе из русской и английской Википедии, большом наборе русской литературы, копиях сайтов GitHub, StackOverflow и ряде других русскоязычных сайтов. Не отстает и компания «Яндекс», еще в 2021 году представившая очередную версию своего движка поиска и механизма ответов Алисы, основанную на нейросети-трансформере YaLM (Yet Another Language Model), предназначенной для обработки и генерации текстов на русском и английском языках и представляющей собой еще одну адаптацию GPT-3 для русского языка. Компания Baidu, разработчик одноименного поискового сервиса на китайском языке, в 2019 году представила большую языковую модель ERNIE (Enhanced Representation through kNowledge IntEgration), способную решать различные задачи обработки естественного китайского языка, включая генерацию ответов на вопросы.

Опубликованный OpenAI в ноябре 2022 года чат-бот Chat Generative Pre-Trained Transformer (ChatGPT) [2] представляет собой новый инструмент для обработки естественного языка — человеко-машинный интерфейс к модели GPT 3.5, построенный на основе архитектуры нейронной сети — трансформера с помощью обучения с подкреплением на основе обратной связи от человека. Именно появление ChatGPT с его способностью решать задачи перевода и генерации текстов на естественном языке и компьютерных программ, отвечать на дополнительные вопросы, спорить и аргументировать свою позицию, признавать свои ошибки и отклонять неуместные запросы и вызвало всплеск интереса.

ChatGPT — прорыв или хайп?

Качество текстов, генерируемых ChatGPT, подтверждается примерами, в которых результаты ChatGPT сравнимы с результатами, полученными людьми. Так, ChatGPT на «тройку» с плюсом сдал экзамены по четырем дисциплинам юридической школы Миннесотского университета, на «четверку» с минусом — экзамен по операционному менеджменту в Уортонской школе бизнеса, а по результатам прохождения теста компании Google на вакансию программиста ChatGPT смогла ответить на все тестовые вопросы по вакансии разработчика уровня L3, что по уровню зарплаты соответствует примерно 183 тыс. долл. в год.

Генеративные системы искусственного интеллекта существуют уже не первый год, например, нейронная сеть DALL-E, представленная OpenAI в 2021 году, умеет генерировать изображения по текстовым описаниям; сервисы articleforge.com, articoolo.com, copy.ai, kafkai.com и writesonic.com умеют сами писать статьи для сайтов вместо копирайтеров; сервис copysmith.ai генерирует описания товаров в интернет-магазинах; copymatic.ai, jasper.ai и peppertype.ai, помимо статей для сайтов и описаний товаров, генерируют заголовки и изображения для статей, а также описания видео и изображений; rytr.me предназначен для автоматической генерации сообщений электронной почты на заданную тему. В «Сбере» предложили сервисы «Рерайтер» и «Суммаризатор», функционал которых соответствует названиям. В открытом доступе имеется демоверсия модели Сбер ruGPT-3 и сервис «Балабоба» от Яндекса, представляющий собой демоверсию возможностей YaML. Оба этих сервиса способны дописывать продолжения текстов, начатых пользователями, а версия от «Сбера» — не только тексты, но и компьютерные программы.

Примечательно, что ИТ-гиганты активно зашевелились только с появлением ChatGPT, причем даже несмотря на то, что ChatGPT — еще весьма сырой продукт. Компания Microsoft на основе специальной версии ChatGPT перезапустила свой поисковый сервис Bing, способный теперь выдать не просто ссылку, а собрать всю важную релевантную информацию по теме, в браузере извлечь всю важную информацию из многостраничного документа, помнить контекст запросов, реагировать на уточняющие вопросы, подсвечивать самое важное. До конца 2023 года компания «Яндекс» обещает запустить свой аналог ChatGPT и интегрировать его в свои сервисы, Google активизирует внедрение в поиск своей большой языковой модели, а Baidu обещает выпустить в 2023 году ERNIE Bot — аналог ChatGPT, превосходящий его по всем характеристикам.

Так насколько же революционна модель ChatGPT?

История

Успехи науки и техники в течение нескольких столетий опирались на парадигму математического моделирования, в соответствии с которой выделялись основные свойства объектов и процессов реального мира, принимаемые без доказательства, далее эти свойства формулировались в виде математических утверждений, а из этих утверждений — предпосылок (аксиом) с помощью строгих логических и математических преобразований получались выводы о поведении исследуемых объектов и процессов. Применение математического моделирования позволило изменить почти все области человеческой деятельности и подтолкнуло человечество к идее создания искусственного интеллекта. Например, еще Готфрид Лейбниц пытался построить «универсальную систему» автоматической генерации человеческого знания от математики до философии и морали.

В 2006 году у Google появился переводчик, основанный не на правилах, а на статистике: если в русском языке слово «я» и словосочетание «я иду» встречаются в x% и в y% предложений соответственно, то приблизительно с такими же частотами в английском должны встречаться слово «I» и словосочетание «I go», а в немецком — «Ich» и «Ich gehe». В распоряжении Google был открытый корпус документов ООН, каждый из которых переведен на шесть официальных языков, и переводчик, натренированный на этой базе, в большинстве случаев правильно передавал смысл оригинала, хотя и не всегда правильно строил предложения, путал окончания и допускал ошибки в пунктуации. С тех пор в машинном переводе прошло несколько революций: внедрен перевод на основе искусственных нейронных сетей с долгой краткосрочной памятью (Long Short-Term Memory, LSTM), потом стали использоваться рекуррентные нейронные сети (Recurrent Neural Networks, RNN) и, наконец, нейронные сети, основанные на архитектуре «трансформер», использующей механизм внимания для сопоставления слов в предложении между собой и определения степени их влияния друг на друга и на смену смысла слов в контексте всего предложения, а при переводе сопоставлять каждое слово другим словам из предложения. Сегодня «Яндекс», Google и Bing вполне качественно переводят с использованием трансформеров — результаты практически не требуют редакции.

С момента появления компьютеров предпринималось много попыток создания систем, выполняющих интеллектуальные функции человека: в 1959 году был разработан универсальный решатель, способный проводить доказательства теорем евклидовой геометрии и логики предикатов, а также решать шахматные задачи [3]. С тех пор активно развивались различного рода системы компьютерной математики, однако ряд задач не удавалось решить в рамках традиционного математического моделирования. Так, разработкой систем машинного перевода в СССР занимался коллектив исследователей под руководством академика Андрея Николаевича Колмогорова, конкурирующей группой в США руководил «отец» кибернетики Норберт Винер, а в Великобритании создание машинного переводчика шло под руководством Алана Тьюринга. Конкуренция этих научных групп должна была бы привести к созданию промышленных решений, однако этого не произошло. Почему же не работали машинные переводчики, основанные на математических моделях языка? Невозможно выписать 20, 100 или 1000 аксиом, которым удовлетворяет язык, и считать не важными остальные свойства языка. Язык намного сложнее.

В начале 2000-х годов произошла смена парадигмы — начался переход от математического моделирования к машинному обучению, базой которого служит закон больших чисел. Мы не знаем, кто в следующий четверг будет первым покупателем в сети магазинов «Пятерочка» и на какую сумму X1 он совершит покупку. Точно также мы не можем заранее предсказать сумму X2, которая будет пробита в чеке покупателя, который совершит покупку в «Пятерочке» в следующий четверг вторым, не можем предсказать сумму Xn в чеке последнего покупателя следующего четверга. Несмотря на то, что величины X1, X2, …, Xn случайны, в предположении их независимости и одинакового закона распределения можно предсказать среднее значение (X1 + X2 + … + Xn)/n. Закон больших чисел гласит, что если n будет стремиться к бесконечности, то среднее (X1 + X2 + … + Xn)/n будет стремиться к математическому ожиданию случайной величины X — вполне определенному числу. Поскольку покупателей у федеральной торговой сети много, вполне можно считать, что n стремится к бесконечности и в будущий четверг, и в прошедший. Но средний чек за прошлый четверг известен — поэтому можно быть уверенными в том, что средний чек в следующий четверг будет приблизительно таким же, как и в прошлый, если не менялись внешние условия.

Машинное обучение предполагает, что компьютер обучается на достаточно большом наборе известных данных для того, чтобы прогнозировать результаты на неизвестных данных. При этом часть известных данных машине при обучении не показывают, а используют как тестовую выборку, для которой машину просят дать прогнозы, и сравнивают результаты прогнозов с фактическими значениями. Если тестовая выборка достаточно велика, то в силу закона больших чисел можно оценить среднюю ошибку прогноза и быть уверенными в том, что при дальнейшем практическом использовании системы машинного обучения средняя ошибка сохранится на том же уровне.

Основная проблема генеративных систем искусственного интеллекта

Ряд проблем генеративных систем искусственного интеллекта: чувствительность к перефразированию запросов, ошибки в ответах на элементарные вопросы и в простейших арифметических вычислениях, многословность, предвзятость и т. п. — это «детские болезни» технологии, которые непременно будут вылечены, но есть проблема, для которой нет решения.

Поскольку в задаче машинного перевода можно собрать достаточно большой тестовый набор текстов, то в силу закона больших чисел вполне возможно оценить качество машинного перевода, однако качество систем генерации текстов оценить невозможно в принципе. Именно поэтому ChatGPT может выдавать правдоподобно звучащие, но неправильные или бессмысленные ответы. Разработчики отмечают эту проблему, аккуратно указывая, «сложно исправить эту проблему, так как во время обучения модели в данный момент нет источника правды» [2]. На самом деле источника правды — большого набора потенциально возможных текстов, написанных людьми, — принципиально не может быть, поэтому данную проблему решить не просто «сложно», а невозможно.

В 1931 году Курт Гёдель доказал теорему о неполноте — какой бы набор аксиом о числах не был использован, всегда найдутся арифметические утверждения, которые не могут быть ни доказаны, ни опровергнуты, исходя из заданных аксиом. Теорема Гёделя означает, что невозможно из какого-либо набора аксиом создать систему генерации текстов, знаний и решений задач. Но и статистическая оценка качества моделей генеративного искусственного интеллекта на основе закона больших чисел также невозможна, поскольку невозможно собрать тестовый набор текстов, которые потенциально могут быть написаны людьми.

ChatGPT и «интеллектуальные» помощники

Безусловно, появление алгоритмов типа ChatGPT дает толчок к развитию интеллектуальных помощников, расширяя спектр тематик, на которые с ними можно осмысленно беседовать. При этом речь идет не только о бытовых голосовых помощниках типа Алисы и Салюта, но и о широком круге интеллектуальных помощников управления корпоративными знаниями. Так, среди продуктов компании «ЦИАРС» имеется построенная на архитектуре «трансформер» диалоговая экспертная система «ЦИАРС ЭКСПЕРТ», предназначенная для омниканального консультирования клиентов по предлагаемым продуктам. Модель ChatGPT позволила усовершенствовать диалог с пользователем. Кроме того, именно после выхода ChatGPT была дообучена модель GPT-2 на корпусе имеющихся шаблонов диалогов и находящейся в открытом доступе информации о продуктах крупных корпораций, что позволяет сравнить качество бесед текущего алгоритма и нового алгоритма «ciarsGPT».

ChatGPT и поиск в Сети

С появлением ChatGPT ожидается много изменений в организации поиска Сети, поэтому Microsoft не прогадала, сделав ставку на OpenAI и ChatGPT, — по заверению компании, ее новый Bing мощнее ChatGPT и работает на языковой модели следующего поколения, выдавая осмысленные инструкции по конкретным запросам пользователей, с учетом контекста и возможностью уточнения запроса. Это полезнее списков релевантных страниц, хотя компания планирует пока подмешивать к ответам генеративного искусственного интеллекта привычные ссылки поисковой выдачи и дальше адаптивно уменьшать их долю. Кроме того, Bing предлагает выделение важных фрагментов результатов поиска, автоматическое извлечение смыслов из многостраничных PDF-документов, онлайн-перевод, а также автоматическое создание заметок. Если все это действительно будет реализовано, то у Bing появятся шансы отобрать часть пользователей у «Яндекса» и Google.

Есть лишь одно препятствие, из-за которого пользователи Интернета пока не могут отказаться от традиционного поиска в Сети, — ChatGPT, как и любая другая масштабная нейросетевая модель, требует для обучения значительных вычислительных ресурсов. Такие модели не могут обучаться в режиме реального времени — бот ChatGPT версии 2022 года обучен на данных до 2021 года.

ChatGPT и образование

Еще совсем недавно искусственный интеллект применялся в образовании главным образом для выполнения вспомогательных функций: мониторинг вовлеченности студентов в учебный процесс [4], подготовка большого количества задач на заданные темы, автоматизированная проверка ответов и пр. С появлением ChatGPT и других аналогичных инструментов у учебных заведений появляются новые возможности.

Не все преподаватели могут одинаково хорошо донести знания студентам — часто бывает, что понимание появляется не после посещения лекции, а после общения на ее тему со своими одногруппниками. Теперь возник еще один эксперт, которому можно позадавать вопросы, — ChatGPT. Другой вопрос, что искусственный интеллект также, как и естественный, ошибается и нельзя слепо верить всему, что генерирует ChatGPT. Способность переводить тексты также полезна студентам, но переводчики «Яндекс»/Google и так уже близки к идеалу. Очень полезна способность генерировать программные коды, а также искать в них ошибки.

ChatGPT — прорыв или хайп?

На занятии по курсу систем искусственного интеллекта студенты МТУСИ попробовали дать ChatGPT задачи из своих семинаров, и модель неплохо с ними справилась (хотя в первой задаче из двух, диалог по которым представлен на рисунке, ChatGPT сделал матрицу не из пятерок, как просили, а из единиц в шахматном порядке, а во второй задаче он создал матрицу с нулями над главной диагональю, а не под ней, основные идеи решений он выдал верно). Означает ли это, что программистам уже не нужны фундаментальные знания, а программировать может искусственный интеллект? Нет. До появления ChatGPT программисты активно пользовались ресурсами типа StackOverflow или просто искали решение задачи в Сети, а теперь искать ответы стало проще и не требуется просматривать результаты поиска для выбора наилучшего.

Сеть бурлит обсуждением диплома студента РГГУ «Анализ и совершенствование управления игровой организацией», с помощью ChatGPT написанного за 23 часа и успешно защищенного перед аттестационной комиссией. В Сети анализируется этичность использования студентом генеративного нейросетевого алгоритма, возможность запрета на использование ChatGPT учениками и студентами образовательных учреждений. Однако проблема не в инструменте, использованном для написания диплома, а в пересмотре требований к профессии, к которой его готовил университет, компетенции преподавателей, а также нежелании научного руководителя и членов аттестационной комиссии вникать в содержание дипломной «работы». Причина в том, что результаты таких дипломов никому не нужны, и если бы университеты учили студентов навыкам, умениям и знаниям, то не было бы возможности защитить диплом, наполовину написанный нейросетью. Поэтому широко обсуждаемая идея запрета использования генеративных моделей в учебных заведениях надумана.

Научное сообщество осознало приход генеративного искусственного интеллекта — уже нет вариантов абстрагироваться от появления ChatGPT и его аналогов, а генеративные нейросетевые модели будут использоваться как инструмент для получения новых знаний. Однако вместо гонки вооружений между ИИ-ботами и ИИ-средствами их обнаружения исследовательское сообщество и разработчики должны решить, как наиболее эффективно использовать большие языковые модели. Это — наиболее правильное решение, в отличие от декларируемых некоторыми образовательными организациями запретов на использование генеративного искусственного интеллекта в учебном процессе и научной работе.

ChatGPT и «умирающие» профессии

Появление новой технологии часто означает отмирание некоторых профессий и появление новых. Например, широкое распространение автомобилей привело к изменению рынка труда, на котором пропала потребность в ямщиках, но вырос спрос на водителей, которым требовалось более серьезное обучение, чем кучерам, соответственно, появились новые образовательные программы. Бессмысленно запрещать ткацкий станок, но нужно было прекратить обучение ткачей, работающих вручную, и начать подготовку операторов станков.

Появился генеративный искусственный интеллект, в частности, алгоритмы GPT 3.5 и ChatGPT, — будет падать спрос на копирайтеров, пишущих статьи, не содержащие новой информации. Но появляется новая задача метакопирайтинга — управления искусственным интеллектом, генерирующим тексты для сайтов и описания товаров.

Способность ChatGPT создавать программные коды не означает, что больше не нужны профессии, связанные с программированием. Действительно, ChatGPT умеет писать коды для решения конкретных, четко поставленных задач, проверять соответствие программных кодов локально поставленным задачам и будет снижаться спрос на junior-разработчиков, кодировщиков, тестировщиков, технических писателей. Однако и до появления ChatGPT уже не было дефицита кодировщиков — благодаря различным образовательным платформам в начинающие программисты переквалифицировалось огромное количество людей, не получивших систематического образования, но прошедших онлайн-курсы. Но умением разобраться в запросах заказчика и сформулировать задание на разработку ChatGPT не владеет.

Искусственный интеллект пока еще «слабый» — он не способен ставить себе задачи, поэтому вырастет спрос на специалистов, способных управлять генеративным искусственным интеллектом, появятся программы подготовки и переподготовки метакопирайтеров, будут модернизироваться программы подготовки программистов с акцентом на клиентоориентированность, умеющих формулировать и согласовывать требования, ставить задачи. Искусственный интеллект не может пока еще сделать научное открытие, хотя и способен обнаружить новое знание в известных текстах. Спрос на тех, кто открывает новое, не сократится.

Итого

Расширение доступа к искусственному интеллекту естественно — любой технологией сначала пользуется ограниченный круг людей, а потом она приходит в массы. Сто лет назад автомобилями и кинокамерами пользовались единицы. Точно так же демократизируется и искусственный интеллект, но есть две точки зрения.

Одна из них состоит в том, что системы типа ChatGPT умеют лишь перефразировать то, что уже есть в Сети, извлекать для человека выжимки из огромных текстовых массивов и принципиально нового знания при этом не генерируют. Как отметил известный писатель-фантаст Тед Чан, ChatGPT можно сравнить с функцией архивирования Интернета — ответы чат-бота представляют собой лишь распаковку архива Сети, но не один в один с оригиналом [5]. Выглядит такая «распаковка» как пересказ «своими словами», поэтому мы впадаем в иллюзию сравнения машины и человека, который может пересказать текст, а это означает, что он понял его смысл.

Вторая точка зрения состоит в том, что, начиная с эпохи Просвещения, наука развивалась, объясняя, как устроен мир. Но «знание», полученное с помощью неинтерпретируемых моделей искусственного интеллекта, можно подтвердить только статистически, на основе закона больших чисел, но невозможно понять, как это знание получено. В развитие этой точки зрения «тройка бывших» — бывший госсекретарь США Генри Киссинджер, бывший генеральный директор Google Эрик Шмидт и бывший директор Amazon Даниэл Хаттенлочер — утверждают, что ChatGPT обладает способностью к анализу, которая качественно отличается от способности человеческого разума [6]. Все они видят в генеративных моделях искусственного интеллекта мощную силу, претендующую на то, чтобы преобразовать когнитивный процесс человека.

Спор будет долгим, и впереди еще много раундов.

Умнее ли человек, умеющий обобщать и делать логические выводы, машины, которая может подтвердить метрику качества на контрольной выборке? В идеале да. Но на практике не так уж часто люди пользуются этими умениями. Поэтому генеративный искусственный интеллект придет во многие сферы и заменит людей. И будет это происходить постепенно, как и любая другая автоматизация: на многих рабочих местах можно было еще в 1990-х годах внедрить программу вместо человека, но до сих пор там работают люди.

***

Искусственный интеллект, в частности, генеративный, будет применяться во всех сферах, где человек выполняет монотонную повторяющуюся работу, однако в обществе пока нет однозначного ответа на самый главный вопрос — кто несет ответственность за негативные последствия искусственного интеллекта? Системы класса ChatGPT способны создавать вредоносные тексты и программы. Но это относится к любому инструменту — можно использовать социальную сеть для общения, а можно и для распространения призывов к насилию. Как и любой технический источник повышенной опасности, искусственный интеллект должен контролироваться обществом.

Оценка качества систем генерации текстов принципиально невозможна, и системы генеративного искусственного интеллекта могут выдавать как истинные, так и правдоподобные, но неправильные или бессмысленные ответы. Поэтому появление ChatGPT грозит выходом массы фейковых новостей, данных, описаний товаров и отзывов на товары. Как с этим бороться, пока не ясно.

ChatGPT — это еще не прорыв, хотя и предвестник революций в поиске и радикальном улучшении работы интеллектуальных помощников. Образование и рынок труда проактивно подстроятся под новые возможности, создав новые профессии и отбросив те, в которых искусственный интеллект работает лучше человека.

Литература

1. Brown T. B., Mann B., Ryder N., et al. Language models are few-shot learners // arXiv. 2020. https://arxiv.org/pdf/2005.14165.pdf.

2. ChatGPT: Optimizing language models for dialogue // Официальный сайт компании OpenAI. 30.11.2022. https://openai.com/blog/chatgpt/.

3. Newell A., Shaw J. C., Simon H. A. (1959). Report on a general problem-solving program // Proceedings of the International Conference on Information Processing, 1959. P. 256–264. http://bitsavers.informatik.uni-stuttgart.de/pdf/rand/ipl/P-1584_Report_On_A_General_Problem-Solving_Program_Feb59.pdf.

4. Владимир Соловьев, Дарья Куклина, Артем Славгородский, Илья Пухов, Михаил Титко. Мониторинг вовлеченности студентов в учебный процесс // Открытые системы. СУБД. — 2018.— № 2. — С. 28–30. URL: https://osp.ru/os/2018/2/13054177 (дата обращения: 21.04.2023).

5. Chiang T. ChatGPT is a blurry JPEG of the Web // The New Yorker. 09.02.2023. https://www.newyorker.com/tech/annals-of-technology/chatgpt-is-a-blurry-jpeg-of-the-web.

6. Kissinger H., Schmidt E., Huttenlocher D. ChatGPT heralds an intellectual revolution // Wall Street Journal. 24.02.2023. https://www.wsj.com/articles/chatgpt-heralds-an-intellectual-revolution-enlightenment-artificial-intelligence-homo-technicus-technology-cognition-morality-philosophy-774331c6.

Владимир Соловьев (vs@ciars.ai) — генеральный директор, компания «ЦИАРС»; зав. кафедрой прикладного искусственного интеллекта, МТУСИ (Москва).

DOI: 10.51793/OS.2023.94.45.003