Artificial Narrow Intelligence (ANI)

Узкий искусственный интеллект (ANI), также называемый узким или слабым ИИ, — это искусственный интеллект (AI), созданный для выполнения одной задачи или строго ограниченного набора задач, например обнаружения объектов на изображениях, рекомендации видео или распознавания речи. В своей области система ANI может сравниться с человеком или превзойти его, но не способна применить этот навык к несвязанной задаче без новых обучающих данных и повторного обучения. Согласно общепринятому определению, все используемые сегодня системы ИИ относятся к узкому ИИ — от спам-фильтров до моделей компьютерного зрения, управляющих беспилотными автомобилями.

ANI в сравнении с AGI и ASI#

ИИ обычно описывают с помощью трёх уровней возможностей. Первый — ANI: система компетентна в одной области, а её возможности определяются данными и целью, для которых она была обучена. Общий искусственный интеллект (AGI) — это гипотетическая система, которая может справляться с практически всеми когнитивными задачами на уровне людей и осваивать новые задачи без специальной инженерной настройки. AGI часто называют сильным ИИ — термином, который философ Джон Серл ввёл наряду со слабым ИИ в своей аргументации о «Китайской комнате» 1980 года. Тогда под ним подразумевался компьютер, обладающий настоящим разумом. Искусственный сверхинтеллект (ASI) — это гипотетическая система, превосходящая лучших людей во всех областях; такой сценарий лежит в основе идеи технологической сингулярности.

Большие языковые модели (LLM) раздвигают границы категории узкого ИИ. Одна модель пишет код, переводит, составляет краткое содержание и отвечает на вопросы об изображениях. Закон ЕС об ИИ признаёт это, называя такие системы моделями ИИ общего назначения. Их навыки остаются неоднородными — это называют зубчатым интеллектом: одна и та же модель может решать математические задачи олимпиадного уровня, а затем ошибиться при сравнении двух десятичных дробей. Кроме того, её веса перестают обучаться после завершения обучения.

Как работает узкий ИИ#

Система ANI — это модель, обученная на данных для достижения одной цели, поэтому её возможности ограничены двумя факторами: распределением обучающих данных и набором результатов, которые она может выдавать. Модель обнаружения объектов, обученная на 80 классах набора данных COCO, не может сказать: «Это что-то новое». Увидев незнакомый объект, она либо проигнорирует его, либо отнесёт к ближайшему известному классу:

Ultralytics YOLO26 наглядно показывает это ограничение: предварительно обученная на COCO модель может распознавать ровно 80 классов. Чтобы научить её распознавать новый объект, например конкретную деталь машины, нужно выполнить дообучение на размеченных изображениях этой детали. При этом список классов модели заменяется классами нового набора данных.

from ultralytics import YOLO

# A COCO-pretrained detector: its whole vocabulary is fixed at training time
model = YOLO("yolo26n.pt")
print(f"Classes this model can name: {len(model.names)}")

# Every detection it returns must carry one of those labels
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
print(result.verbose())

В первой строке выводится размер всего словаря модели, а во второй перечисляются найденные на изображении классы, каждый из которых взят из того же фиксированного набора.

Примеры применения в реальных условиях#

Узкий ИИ лежит в основе большей части программного обеспечения, которым люди пользуются каждый день:

• Системы рекомендаций: стриминговые платформы и интернет-магазины ранжируют товары для каждого пользователя на основе истории просмотров и покупок.
• Распознавание речи: голосовые помощники и программы для диктовки преобразуют речь в текст.
• Контроль качества на производстве: модели компьютерного зрения проверяют каждую деталь на производственной линии на наличие определённых типов дефектов.
• Анализ медицинских изображений: модели выявляют такие признаки, как узелки в лёгких или диабетическая ретинопатия, в изображениях одной модальности.
• Автономные автомобили: комплекс систем беспилотного автомобиля объединяет множество узкоспециализированных моделей, каждая из которых выполняет одну задачу: сегментирует полосы движения, обнаруживает пешеходов, отслеживает объекты или планирует маршрут.

Преимущества и ограничения узкого ИИ#

В своей области ANI может превосходить людей, работать быстро и не уставать. Deep Blue от IBM победила чемпиона мира по шахматам Гарри Каспарова в 1997 году, а AlphaGo от DeepMind обыграла чемпиона по го Ли Седоля со счётом 4:1 в 2016 году. За пределами своей области те же системы совершенно беспомощны. Кроме того, их качество снижается на входных данных, отличающихся от обучающих. После развёртывания модели эту проблему называют дрейфом данных. Узкие системы также не понимают, что именно обрабатывают: они преобразуют входные данные в результаты на основе статистических закономерностей, выявленных в данных. Даже AlphaZero от DeepMind, которая освоила шахматы, сёги и го с помощью одного алгоритма, обучала отдельную сеть для каждой игры, и её шахматная сеть не умеет играть в го.