VIVI: как создать ИИ, который учится как живое существо, а не по датасетам

Автор проекта VIVI отказался от предобученных моделей и корпусов данных, чтобы вырастить интеллект, который развивается через опыт и память. Разбираем, почему это может стать альтернативой доминирующему подходу в ИИ.

Большинство современных ИИ-систем получают знания «готовыми». Их обучают на огромных корпусах текстов, изображений и кода, а затем донастраивают под конкретные задачи. Результаты впечатляют: языковые модели пишут эссе, генерируют код и ведут диалоги. Но внутри почти всегда лежит одна и та же идея: интеллект — это следствие заранее вычисленных весов и статистических закономерностей. Автор проекта VIVI пошёл другим путём: он создаёт систему, которая развивается подобно живому существу, — не хранит заранее готовые знания и не опирается на гигантскую предобученную модель. Вместо этого интеллект должен возникать постепенно, из накопления опыта, формирования памяти и самоорганизации знаний. Это смелый вызов устоявшейся парадигме, и он заслуживает внимания.

VIVI: попытка вырастить когнитивный интеллект, а не обучить его Проект VIVI — это экспериментальная система, цель которой — создать искусственный интеллект, который учится через взаимодействие с миром, а не через статичные датасеты. Автор, опубликовавший подробное описание на Хабре, подчёркивает: ключевое отличие от мейнстрима в том, что VIVI не использует предобученные языковые модели и не полагается на заранее размеченные данные. Вместо этого система должна сама формировать понятия, строить внутреннюю модель мира и накапливать опыт, подобно тому, как это делает ребёнок.

На текущем этапе VIVI представляет собой прототип, в котором реализованы базовые механизмы: сенсорное восприятие, память, способность к обобщению. Автор описывает архитектуру, вдохновлённую когнитивной психологией и нейробиологией: система состоит из модулей, отвечающих за восприятие, память и принятие решений, которые взаимодействуют через динамические связи. Важно, что VIVI не имеет фиксированной базы знаний — все знания формируются в процессе взаимодействия с окружающей средой.

Это радикально отличается от подхода, который используют OpenAI, Google и другие лидеры индустрии. Там модели обучаются на сотнях миллиардов параметров, а знания «зашиваются» в веса нейросети. VIVI же предлагает альтернативу: интеллект должен быть не результатом обучения на данных, а следствием развития.

Предыстория и контекст Идея «выращивания» интеллекта не нова. Ещё в 1950-х годах Алан Тьюринг и Джон Маккарти обсуждали возможность создания машин, которые учатся так же, как люди. В 1980-х Джеффри Хинтон и другие исследователи разрабатывали нейросети, вдохновляясь биологией. Однако с приходом эры больших данных и вычислительных мощностей доминирующим стал статистический подход: собери больше данных, обучи большую модель — и она «поумнеет». Этот подход принёс впечатляющие результаты, но у него есть фундаментальные ограничения.

Современные ИИ-системы хрупки: они могут блестяще решать задачи, на которых обучались, но теряются при малейшем отклонении от паттерна. Они не понимают причинно-следственных связей, не обладают здравым смыслом и не могут адаптироваться к новым условиям без дополнительного обучения. Исследователи всё чаще говорят о необходимости «сильного ИИ», который был бы способен к обобщению и переносу знаний. VIVI — одна из попыток реализовать эту идею на практике.

Автор проекта отмечает, что вдохновлялся работами Джеффа Хокинса (теория интеллекта на основе коры головного мозга) и Карла Фристона (принцип свободной энергии). Эти теории предполагают, что интеллект возникает из постоянного предсказания и обновления внутренней модели мира. VIVI пытается воплотить эти идеи в коде.

Как это работает? Архитектура VIVI построена вокруг нескольких ключевых компонентов. Первый — сенсорный ввод, который получает данные из внешней среды (например, текст, изображения или сигналы датчиков). Второй — модуль памяти, который хранит не просто факты, а эпизодический опыт: что произошло, когда и с каким результатом. Третий — механизм обобщения, который находит закономерности в этом опыте и формирует понятия.

Ключевая особенность — отсутствие предобученных весов. Вместо этого система использует динамические связи, которые укрепляются или ослабевают в зависимости от того, насколько часто они используются. Это напоминает синаптическую пластичность в мозге. Когда VIVI сталкивается с новой ситуацией, она не ищет ответ в заранее заготовленной базе, а пытается предсказать результат на основе уже сформированных понятий. Если предсказание неверно, система корректирует свою модель мира.

Например, если VIVI видит яблоко и узнаёт, что его можно съесть, она формирует понятие «яблоко» и связь «съедобное». В следующий раз, увидев похожий объект, она сможет сделать вывод, что он тоже может быть съедобным. Это примитивный пример, но он иллюстрирует принцип: знания не загружаются, а выращиваются.

Технические подробности и вызовы На текущем этапе VIVI реализована в виде программного прототипа на Python. Автор использует простые нейронные сети, но с нестандартной архитектурой: вместо фиксированных слоёв — динамические графы, где каждый узел может активироваться или деактивироваться в зависимости от контекста. Обучение происходит через подкрепление и ошибки предсказания, а не через градиентный спуск на большом корпусе.

Это создаёт серьёзные технические вызовы. Во-первых, скорость обучения: без предобученных данных системе нужно много времени, чтобы накопить достаточный опыт. Во-вторых, масштабируемость: динамические графы сложнее оптимизировать, чем стандартные нейросети. В-третьих, оценка: как измерить, что интеллект «вырос»? Для традиционных моделей есть бенчмарки, но для развивающихся систем — нет.

Тем не менее, автор видит потенциал. Он утверждает, что такие системы могут быть более устойчивыми к изменениям среды, лучше обобщать знания и требовать меньше данных для обучения. В перспективе это может привести к созданию ИИ, который действительно понимает мир, а не просто имитирует понимание.

Кого затронет и как Проект VIVI интересен прежде всего исследователям в области ИИ и когнитивной науки. Он предлагает альтернативу доминирующей парадигме и может стимулировать новые исследования в области непрерывного обучения, памяти и формирования понятий. Разработчики, работающие над созданием автономных агентов (например, роботов или виртуальных ассистентов), могут найти в идеях VIVI вдохновение для создания систем, которые адаптируются к реальному миру.

Для бизнеса и потребителей это пока далёкая перспектива, но если подход окажется жизнеспособным, он может изменить рынок ИИ. Вместо дорогостоящего обучения на огромных датасетах можно будет создавать системы, которые учатся на собственном опыте, что снизит барьеры для входа и сделает ИИ более доступным. В России и СНГ интерес к таким альтернативным подходам растёт: появляются научные группы, изучающие нейроморфные вычисления и когнитивные архитектуры.

Что будет дальше Автор VIVI планирует развивать проект: улучшать модуль памяти, добавлять более сложные сенсорные входы и проводить эксперименты, чтобы продемонстрировать возможности системы. Он открыт к сотрудничеству и приглашает других исследователей присоединиться. Однако пока VIVI находится на ранней стадии, и до практического применения далеко.

Наиболее вероятный сценарий — это постепенное накопление знаний о том, как строить такие системы. Возможно, через несколько лет мы увидим гибридные подходы, которые сочетают сильные стороны предобученных моделей и развивающихся архитектур. Но уже сейчас проект VIVI важен как смелый эксперимент, который ставит под сомнение устоявшиеся представления об ИИ.

Итог VIVI — это попытка переосмыслить, как создавать искусственный интеллект: не учить его на гигантских датасетах, а позволить ему развиваться через опыт. Пока это лишь прототип, но он поднимает важные вопросы о природе интеллекта и будущем ИИ. Стоит следить за проектом, ведь если подход сработает, он может изменить всю индустрию.