Человек и Рой: как массовый запуск ИИ-агентов меняет интеллектуальный труд
В статье "ИИ и инфляция качества" я уже разбирал ситуацию, при которой стремительное снижение стоимости интеллектуальной работы постепенно повышает требования к ее результату. Если дополнительная проверка занимает всего несколько минут, ее начинают выполнять почти всегда. Когда можно быстро подготовить десять вариантов решения, первый приемлемый результат перестает считаться достаточным. То, что еще недавно воспринималось как слишком долгое и дорогое действие, превращается в обычный рабочий стандарт.
Однако у этого процесса есть еще одна сторона, которая часто остается в тени обсуждений про влияние искусственного интеллекта на качество работы. Мы привыкли оценивать ИИ поштучно: способен ли один агент написать код лучше одного программиста, насколько аналитик с помощником производительнее коллеги без него, сколько сотрудников сможет заменить специалист, вооруженный хорошей моделью.
Такая логика понятна и удобна для расчетов. Если один человек с ИИ выполняет работу двоих, второй сотрудник становится менее востребованным. Но это лишь одна возможная модель применения машинного интеллекта. Гораздо интереснее другой подход - не усиливать одного специалиста, а запускать множество агентов, которые одновременно работают над одной задачей.
Именно поэтому в истории с исследованием проблемы Навье - Стокса особенно впечатляет не только качество моделей, но и масштаб эксперимента. OpenAI задействовала около 10 000 агентов, работавших в течение 88 часов. Само число здесь важнее очередного спора о том, насколько "умным" стал отдельный ИИ.
Если собрать десять тысяч сильных математиков для решения одной проблемы, результат действительно может оказаться впечатляющим. Но возникает вопрос: как организовать их работу? Участников придется разделить на группы, распределить направления поиска, собирать промежуточные выводы, устранять дублирование, закрывать бесперспективные ветки и оперативно передавать удачные идеи между командами.
Через некоторое время задача доказательства теоремы начнет конкурировать с задачей управления целой дивизией математиков. Человеческий интеллект масштабируется плохо. Тысяча специалистов - это не один сверхспециалист, способный одновременно проверить тысячу гипотез. Каждый новый участник приносит не только дополнительную компетенцию, но и новые расходы на коммуникацию, постановку задач, контроль и синхронизацию.
В какой-то момент координационные издержки начинают съедать значительную часть выгоды от расширения команды. Именно здесь Человек и Рой Хабр - не просто метафора, а полезная модель для понимания будущей организации интеллектуального труда. Речь идет о переходе от работы отдельных экспертов к управлению множеством относительно автономных исполнителей.
С агентами проблема координации никуда не исчезает. Они тоже способны дублировать действия друг друга, ошибаться, неверно интерпретировать задачу и коллективно двигаться в тупик. Но масштабирование становится техническим, а не социальным. Чтобы добавить еще тысячу агентов, не нужно искать тысячу специалистов, проводить собеседования, выдавать оборудование, организовывать обучение и арендовать новый офис. Потребуются вычислительные мощности, данные и система, способная распределять работу между участниками роя.
Здесь возникает любопытная аналогия с Солнцем. Если сравнивать мощность на килограмм массы, человеческое тело производит заметно больше энергии, чем средний килограмм солнечного вещества. В пересчете на единицу массы Солнце выглядит не слишком впечатляюще. Но его масса составляет примерно два нониллиона килограммов, и именно колоссальный масштаб превращает умеренную удельную мощность в звезду, рядом с которой человек может существовать лишь на огромном расстоянии.
Сегодня мы часто сравниваем человека и ИИ "килограмм к килограмму" - или, точнее, одного человека с одной моделью. Но что, если преимущество искусственного интеллекта окажется не в том, что один экземпляр когда-нибудь превзойдет одного человека? Возможно, решающим фактором станет способность быстро создавать тысячи копий, распределять между ними задачи и запускать их параллельно.
Человеческий интеллект исторически был штучным ресурсом. Сильного математика можно обучить, нанять или переманить у конкурента, но нельзя мгновенно скопировать десять тысяч раз и отправить все копии на одну проблему. Более того, специалиста, который способен понять саму суть сложной задачи, еще нужно найти. Поэтому экономика интеллектуального труда строилась вокруг дефицита людей и постоянного выбора: на какие задачи направить ограниченное количество талантливых сотрудников.
С машинным интеллектом это ограничение постепенно ослабевает. На одну проблему можно направить целый рой: одни агенты будут предлагать решения, другие - искать контраргументы, третьи - проверять расчеты, четвертые - сравнивать подходы и выявлять слабые места. Перспективному направлению можно автоматически выделить больше ресурсов, а тупиковое закрыть без длительных совещаний.
При этом каждый отдельный агент не обязан быть гением. Важен не рекордный результат одного участника, а совокупная эффективность системы. Рой может производить надежный ответ благодаря разнообразию гипотез, конкуренции подходов, взаимной проверке и постоянному перераспределению вычислительных ресурсов.
Такой подход меняет и само представление о производительности. Искусственный интеллект и будущее интеллектуального труда будут связаны не только с появлением более сильных моделей, но и с развитием архитектур, которые умеют ставить задачи, оценивать промежуточные результаты и собирать итог из множества независимых попыток. Главным навыком человека станет не обязательное выполнение каждого шага вручную, а проектирование процесса, в котором агенты дополняют друг друга.
В этом контексте эффективное использование ИИ в работе означает не просто попросить чат-бота написать текст или сформировать код. Гораздо важнее научиться правильно разделять большую задачу на независимые направления, назначать агентам различные роли, задавать критерии проверки и выстраивать контур контроля качества. ИИ становится особенно полезным там, где есть возможность организовать итерации: предложить, проверить, опровергнуть, улучшить и повторить.
Одновременно появятся новые риски. Большой рой способен быстро масштабировать не только полезный поиск, но и ошибки. Если исходные ограничения заданы неверно, тысячи агентов могут с высокой скоростью прийти к одному и тому же неправильному выводу. Поэтому системы будущего потребуют независимых проверяющих контуров, разнообразия моделей и участия человека на ключевых этапах принятия решений.
Вероятно, компании будут конкурировать не столько отдельными моделями, сколько качеством своих "интеллектуальных производств": распределением ролей между агентами, скоростью обратной связи, надежностью проверки и стоимостью вычислений. В результате вопрос "насколько умен этот ИИ?" постепенно уступит место вопросу "что сможет сделать тысяча таких ИИ, работающих как единая система?"
Именно в этом заключается важный сдвиг. Мы переходим от эпохи редких специалистов к эпохе масштабируемого машинного интеллекта. Один человек по-прежнему может быть сильнее одного агента, но человеческая организация ограничена числом людей, временем и сложностью коммуникации. Рой лишен части этих ограничений - и потому способен изменить не только производительность отдельных сотрудников, но и саму структуру интеллектуальной экономики.