В.К. Петросян (Вадимир). Мировая пикоэлектроника. Прошлое, настоящее, будущее. Проектирование Метаразвития. Тома 1-6
От IBM PC к первым ноокомпьютерам INM
1. Традиционный компьютер
2. Интеллектуальные вычислительные системы
3. ИИ-компьютер и его возможности
4. Функциональные признаки ноокомпьютера
5. Первый исследовательский ноокомпьютер INM
6. От ноокомпьютера к массовому НооПК
*********
© В.К.
Петросян (Вадимир) © Lag.ru [Large Apeironic Gateway, Большой Апейронический
Портал (Шлюз), Суперпортал в Бесконечность].
При копировании данного материала и размещении его на другом сайте, ссылки
на соответствующие локации порталов Lag.ru и Proza.ru обязательны
Работа написана на основе концепции и разработок В.К. Петросяна при полноценном соавторстве (активном творческом и техническом участии) ChatGPT (OpenAI), GPT-5.6 Sol
******
От IBM PC к первым ноокомпьютерам INM
От универсальной программируемой вычислительной машины — к интеллектуально-креативной системе, способной участвовать в получении новых знаний, создании изобретений и совершенствовании технологий научного поиска.
Введение. Новый этап эволюции вычислительной техники
В предыдущей части книги рассматривались физические перспективы развития электронной элементной базы — от современной наноэлектроники к атомарно-точным пикоэлектронным структурам и возможным постпикоэлектронным технологиям.
Однако совершенствование физических устройств представляет только одно из двух базовых направлений генеральной технологии Метаразвития.
Второе направление связано с качественным преобразованием интеллектуальных функций вычислительной техники.
История компьютеров показывает, что их развитие определялось не только увеличением быстродействия процессоров, ёмкости памяти и плотности интеграции электронных элементов.
Не менее существенными становились изменения способов взаимодействия человека с вычислительной системой.
Первые электронные вычислительные машины использовались преимущественно для решения специализированных математических и технических задач.
Развитие универсальных компьютерных архитектур позволило расширять круг решаемых проблем без создания новой машины для каждого приложения.
Появление персональных компьютеров превратило вычислительные средства в массовый инструмент интеллектуального труда.
Развитие искусственного интеллекта открыло возможность автоматизировать некоторые виды распознавания, анализа, прогнозирования, принятия решений и генерации информационных объектов.
Современные генеративные и агентные системы сделали возможным взаимодействие человека с компьютером посредством естественного языка, автоматизированное составление программ, анализ научной литературы и выполнение многоэтапных информационных операций.
Однако всё это ещё не означает окончательного возникновения новой категории интеллектуально-креативных машин.
Существует принципиальное различие между системой, способной генерировать правдоподобный текст, и системой, способной воспроизводимо получать новые, независимо подтверждаемые знания.
Необходимо различать способность предлагать технические идеи и способность создавать работоспособные технические решения.
Не следует отождествлять автоматическое выполнение заданной исследовательской процедуры с самостоятельным совершенствованием метода научного поиска.
Поэтому возникает новая исследовательская задача.
Можно ли создать вычислительную систему, специально предназначенную для воспроизводимого выполнения сложной когнитивно-креативной деятельности, включая разработку гипотез, поиск изобретений, проектирование экспериментов, проверку результатов и совершенствование собственных методов решения задач?
В концепции настоящей книги такую перспективную систему предлагается называть ноокомпьютером.
Соответствующее направление исследований обозначается как NOO.
Оно рассматривается в качестве второй базовой субтехнологии Метаразвития, развиваемой одновременно с физико-технологической субтехнологией PICO.
Принципиально важно, что первоначальное развитие NOO не требует создания новой физической элементной базы.
Первые исследовательские ноокомпьютеры могут проектироваться на основе существующих процессоров, вычислительных ускорителей, систем памяти, программных платформ и методов искусственного интеллекта.
Технологическая новизна должна возникать прежде всего на уровне функциональной архитектуры и доказуемых интеллектуально-креативных возможностей.
В дальнейшем развитие PICO может создать дополнительные предпосылки повышения производительности, энергетической эффективности и экономической доступности ноосистем.
Но соответствующее взаимодействие не должно становиться обязательным предварительным условием их разработки.
Таким образом, в настоящей главе рассматривается самостоятельная эволюционная линия:
от традиционного персонального компьютера — к интеллектуальным вычислительным системам;
от интеллектуальных систем — к современному ИИ-компьютеру;
от ИИ-компьютера — к первому исследовательскому ноокомпьютеру INM;
от экспериментальной ноосистемы — к перспективному массовому персональному ноокомпьютеру, или НооПК.
При этом каждое последующее звено должно отличаться не названием, а проверяемым функциональным результатом.
1.1. Традиционный компьютер
1.1.1. Универсальная программируемая вычислительная машина
Фундаментальным достижением компьютерной цивилизации стало создание универсальной программируемой вычислительной машины.
Её принципиальная особенность заключается в способности выполнять различные алгоритмы без изменения основной физической конструкции.
Компьютер способен обрабатывать данные, выполнять арифметические и логические операции, сохранять информацию и осуществлять управление периферийными устройствами.
В современных системах соответствующие функции обеспечиваются взаимодействием процессора, оперативной памяти, долговременного хранилища, устройств ввода-вывода и программного обеспечения.
Однако возможности компьютера нельзя сводить к механическому выполнению элементарных арифметических операций.
Универсальность программируемой машины позволяет реализовывать чрезвычайно сложные вычислительные процедуры.
В том числе математическое моделирование, автоматизированное проектирование, обработку сигналов, оптимизацию и алгоритмический поиск.
Следовательно, традиционный компьютер изначально содержит предпосылки для автоматизации интеллектуального труда.
Но характер выполняемой деятельности определяется программами, алгоритмами и целями, сформированными в процессе разработки и использования системы.
1.1.2. Историческое значение IBM PC
Особое место в эволюции персональной вычислительной техники занимает IBM Personal Computer, модель 5150.
Компьютер был представлен 12 августа 1981 года.
Его исходная архитектура основывалась на микропроцессоре Intel 8088, работавшем на частоте 4,77 МГц.
Начальная конфигурация предусматривала 16 Кбайт оперативной памяти.
В качестве системного программного обеспечения использовались, в частности, PC DOS и встроенная среда BASIC.
Цена минимальной конфигурации при появлении модели составляла 1565 долларов США.
Однако историческое значение IBM PC определялось не исключительными техническими характеристиками.
Персональные компьютеры существовали и до 1981 года.
Принципиально важным стало сочетание корпоративной репутации IBM, сравнительно доступной архитектуры, использования компонентов сторонних поставщиков, опубликованной технической документации и быстро развивающейся программной экосистемы [1].
IBM PC превратился в одну из основных платформ массовой компьютеризации.
Его архитектурные принципы стали основой большого семейства совместимых вычислительных систем.
Возник рынок, на котором различные компании могли независимо совершенствовать процессоры, память, периферийные устройства, операционные системы и прикладные программы.
Таким образом, персональный компьютер приобрёл значение не отдельного технического изделия, а промышленной технологической платформы.
1.1.3. Стандартизация как источник массового распространения
Развитие IBM-совместимых компьютеров демонстрирует важнейшую закономерность научно-технического прогресса.
Стандартизация способна создавать экономические преимущества, сопоставимые по значению с совершенствованием самой физической элементной базы.
Разработчику прикладной программы уже не требовалось создавать отдельный компьютер.
Производитель периферийного устройства мог ориентироваться на распространённую архитектуру.
Пользователь получал возможность использовать программы различных разработчиков на совместимом оборудовании.
Возникла многокомпонентная система разделения труда.
Одни компании специализировались на микропроцессорах.
Другие — на памяти и накопителях.
Третьи — на операционных системах.
Четвёртые — на прикладном программном обеспечении.
В результате снижались барьеры создания новых компьютерных продуктов.
Однако открытость и совместимость не означали полного отсутствия технологических или правовых ограничений.
Различные компоненты платформы сохраняли собственные лицензии, стандарты и коммерческие условия.
Тем не менее возникла масштабная конкурентная экосистема.
Этот исторический опыт имеет фундаментальное значение для будущего ноомашиностроения.
Если ноокомпьютеры станут отдельными несовместимыми экспериментальными устройствами, их распространение может оказаться ограниченным.
Если же удастся создать стандартизированную и расширяемую платформу, возникнет возможность формирования новой промышленной отрасли.
1.1.4. Персональный компьютер как инструмент интеллектуального труда
Появление IBM PC и последующее развитие персональных вычислительных систем существенно изменили организацию интеллектуальной деятельности.
Текстовые процессоры позволили автоматизировать подготовку документов.
Электронные таблицы изменили финансовые расчёты и методы экономического анализа.
Системы управления базами данных упростили хранение и поиск информации.
Программные средства проектирования расширили возможности инженеров.
Развитие графических интерфейсов сделало компьютер доступнее пользователям без специализированной подготовки.
Позднее распространение сетевых технологий превратило персональный компьютер в средство доступа к распределённым информационным ресурсам.
Но при всём разнообразии приложений сохранялась важная функциональная особенность.
Большинство традиционных компьютерных программ реализовывало заранее определённые классы операций.
Текстовый процессор не определял самостоятельно, какую научную гипотезу следует проверить.
Система автоматизированного проектирования обычно не принимала на себя всю ответственность за выбор принципиально нового технического решения.
Электронная таблица выполняла расчёты, но не гарантировала правильности экономической модели, выбранной пользователем.
Таким образом, персональный компьютер многократно увеличивал возможности интеллектуального труда, но не устранял необходимость человеческой постановки и проверки сложных содержательных задач.
1.1.5. Компьютер как средство научных открытий
Важно избежать ошибочного противопоставления традиционного компьютера и научно-технического творчества.
Универсальные вычислительные машины уже давно используются для получения новых научных результатов.
Компьютерное моделирование позволило исследовать физические процессы, которые чрезвычайно сложно воспроизвести в лаборатории.
Алгоритмы оптимизации применяются для поиска ранее неизвестных технических решений.
Методы вычислительной математики используются при доказательстве некоторых математических результатов.
Автоматизированные системы проектирования способны находить эффективные конструкции в больших пространствах параметров.
Следовательно, научное открытие с участием компьютера не является уникальным признаком будущей NOO.
Принципиальное различие необходимо искать глубже.
Речь должна идти о степени охвата исследовательского цикла, способности формировать и проверять содержательные гипотезы, переносить методы между задачами и улучшать саму организацию интеллектуально-креативной работы.
Именно такие функции должны стать специальным предметом ноотехнологического проектирования.
1.1.6. Ограничения традиционной компьютерной архитектуры
Развитие вычислительной мощности само по себе не гарантирует пропорционального повышения интеллектуальной результативности.
Можно увеличить производительность процессора в десятки раз.
Установить больший объём памяти.
Использовать высокопроизводительные графические ускорители.
Но это не означает, что система автоматически научится формировать новые научные идеи.
Вычислительная мощность является ресурсом, а не самостоятельным доказательством интеллектуальной функции.
Важны также алгоритмы, информационные ресурсы, методы анализа, организация экспериментов и оценка результатов.
Данное обстоятельство имеет особое значение для генеральной технологии Метаразвития.
Если целью становится совершенствование способности создавать новые технологии, недостаточно увеличивать количество вычислительных операций.
Необходимо совершенствовать сам процесс получения достоверного научно-технического результата.
1.1.7. Исторический урок IBM PC для программы INM
Опыт IBM PC позволяет сформулировать три принципиальных положения.
Первое.
Массовое распространение новой компьютерной платформы зависит не только от аппаратных характеристик, но и от программной совместимости, доступности и разнообразия приложений.
Второе.
Технологический стандарт может возникнуть из сочетания уже существующих компонентов, если создаётся новая эффективная архитектура их взаимодействия.
Третье.
Радикальное общественное значение компьютерной системы определяется тем, какие функции становятся доступными миллионам пользователей.
Для INM особенно важно второе положение.
Первый ноокомпьютер необязательно должен использовать революционно новый процессор.
На первоначальном этапе его функциональное отличие может возникнуть благодаря новой организации программных моделей, исследовательских инструментов, внешней памяти, процедур проверки и интеллектуальной обратной связи.
Но для превращения этой архитектуры в массовую платформу потребуется решить задачи стандартизации, стоимости и эксплуатационной надёжности.
1.2. Интеллектуальные вычислительные системы
1.2.1. От автоматизации вычислений к автоматизации интеллектуальных функций
История искусственного интеллекта начинается значительно раньше современных больших языковых моделей.
В 1950 году Алан Тьюринг опубликовал работу Computing Machinery and Intelligence, в которой предложил исследовать интеллектуальные возможности машин посредством наблюдаемого поведения [2].
В 1955 году Джон Маккарти, Марвин Минский, Натаниэль Рочестер и Клод Шеннон подготовили предложение о проведении летнего исследовательского проекта по искусственному интеллекту в Дартмутском колледже [3].
Программа, реализованная в 1956 году, стала одним из основополагающих событий формирования искусственного интеллекта как самостоятельной научной дисциплины.
Уже на раннем этапе исследований ставились задачи обработки естественного языка, формирования абстракций, решения сложных проблем и совершенствования машинных методов.
Таким образом, современные исследования NOO не возникают на пустом месте.
Они продолжают длительную историческую линию изучения вычислительных механизмов интеллектуальной деятельности.
Но появление новых математических методов, аппаратных ресурсов и систем взаимодействия открывает возможность поставить более комплексные исследовательские цели.
1.2.2. Человеко-компьютерный симбиоз
Особое значение для будущих ноокомпьютеров имеют идеи Джозефа Ликлайдера.
В работе Man-Computer Symbiosis, опубликованной в 1960 году, он рассматривал возможность тесного взаимодействия человека и вычислительной машины при решении сложных интеллектуальных задач [4].
В соответствующей концепции компьютер должен не только выполнять заранее сформулированные расчёты, но и помогать человеку на этапе постановки проблемы, анализа альтернатив и принятия решений.
В 1962 году Дуглас Энгельбарт представил работу Augmenting Human Intellect: A Conceptual Framework [5].
Её центральная идея заключалась в системном расширении возможностей человеческого интеллекта посредством технических средств.
Историческое значение этих исследований выходит далеко за пределы разработки отдельных компьютерных интерфейсов.
Они поставили вопрос об изменении самой организации интеллектуальной деятельности.
Для NOO данная линия особенно важна.
Необходимо исследовать не только способность машины самостоятельно выполнять определённые функции, но и эффективность взаимодействия человека, интеллектуальной системы, специализированных инструментов и внешней среды.
В перспективе ноокомпьютер может оказаться наиболее результативным не в полностью автономной форме, а как часть специально организованной человеко-машинной исследовательской системы.
1.2.3. Экспертные системы
Первым крупным направлением практического искусственного интеллекта стали экспертные системы.
Они использовали специально сформированные базы знаний и процедуры логического вывода для решения определённых профессиональных задач.
Одним из классических примеров является система MYCIN, разработанная для поддержки принятия решений в медицинской области.
Её архитектура и исследовательское значение подробно представлены Эдвардом Шортлиффом в работе 1976 года [6].
Экспертные системы продемонстрировали возможность автоматизации специализированных процедур интеллектуального анализа.
Но их развитие выявило фундаментальную проблему.
Создание и поддержание сложной базы знаний требует значительных ресурсов.
Формализованные правила плохо охватывают некоторые неоднозначные ситуации.
Перенос готовой системы в новую предметную область часто требует существенной переработки.
Следовательно, эффективность интеллектуальной системы зависит не только от количества сохранённых знаний, но и от способности адаптироваться к новым задачам.
1.2.4. Машинное обучение и нейросетевые системы
Следующий важный этап связан с развитием машинного обучения.
Вместо полного предварительного описания правил система может формировать определённые закономерности на основе данных.
Соответствующие методы используются для классификации, распознавания, прогнозирования и оптимизации.
Развитие глубокого обучения значительно расширило возможности обработки изображений, речи, текстов и других сложных информационных объектов.
Особую роль сыграла архитектура Transformer, представленная Vaswani и соавторами в 2017 году [7].
Механизмы внимания и эффективная параллельная обработка последовательностей создали предпосылки для последующего масштабирования языковых и мультимодальных моделей.
В дальнейшем развитие методов обучения с использованием человеческой обратной связи позволило улучшать способность моделей выполнять инструкции пользователей [8].
Но принципиально важно разграничивать качество генерации и достоверность результата.
Система может создавать связный научный текст, содержащий фактические ошибки.
Может предлагать правдоподобные технические идеи, которые уже известны.
Может формировать математические рассуждения с незаметным логическим нарушением.
Поэтому переход от интеллектуальной генерации к научно-техническому творчеству требует специальных механизмов проверки.
1.2.5. Интеллектуальные системы с внешними источниками знаний
Одно из направлений повышения функциональности современных моделей связано с использованием внешних информационных ресурсов.
В 2020 году Lewis и соавторы представили подход Retrieval-Augmented Generation — генерацию с привлечением извлекаемых из внешних хранилищ данных [9].
Подобная архитектура позволяет сочетать знания, представленные параметрами модели, с документами и другими информационными ресурсами.
Это особенно важно для научных исследований.
Научная литература непрерывно пополняется.
Технические стандарты изменяются.
Экспериментальные результаты могут пересматриваться.
Поэтому система, опирающаяся исключительно на ранее полученные обучающие данные, не может гарантировать актуальности информации.
Однако подключение внешнего поиска не устраняет проблему достоверности.
Найденный документ может быть ошибочным.
Публикация может быть отозвана.
Экспериментальный результат может не воспроизводиться.
Поэтому будущие ноокомпьютеры должны не просто получать информацию, а оценивать происхождение, качество и проверяемость научных данных.
1.2.6. Агентные интеллектуальные системы
Следующим этапом стало развитие архитектур, в которых языковая модель взаимодействует с внешними инструментами.
В работе Toolformer исследовалась возможность обучения языковых моделей выбору и использованию программных интерфейсов [10].
Подход ReAct продемонстрировал перспективы совместной организации рассуждений, действий и получения информации из внешней среды [11].
Подобные архитектуры расширяют возможности интеллектуальной системы.
Она может не только сформировать текстовый ответ, но и выполнить вычисление.
Найти документ.
Запустить программный инструмент.
Проверить гипотезу посредством доступной модели.
Получить результат измерения из разрешённого источника данных.
Однако здесь появляется новое принципиальное ограничение.
Ошибочный текст и ошибочное действие имеют различные последствия.
Если модель предложила некорректную гипотезу, её можно отклонить.
Но если система самостоятельно изменила настройки оборудования или выполнила необратимую операцию, последствия могут быть значительно серьёзнее.
Поэтому агентность должна сопровождаться ограничением полномочий, контролем действий и возможностью остановки.
1.2.7. Искусственный интеллект в научных открытиях
Особое значение для концепции NOO имеют исследования, в которых методы искусственного интеллекта использовались для получения проверяемых новых научных и алгоритмических результатов.
В 2022 году Fawzi и соавторы представили AlphaTensor — систему поиска алгоритмов умножения матриц посредством обучения с подкреплением [12].
Она позволила обнаружить алгоритмические решения, которые можно проверить математическими средствами.
В 2024 году Romera-Paredes и соавторы опубликовали результаты FunSearch [13].
В этой системе большая языковая модель использовалась совместно с программным механизмом оценки предлагаемых решений.
Результатами стали новые конструкции для некоторых математических задач и усовершенствованные алгоритмические эвристики.
Эти исследования особенно показательны.
Их значение заключается не просто в генерации правдоподобных ответов.
Система выполняла поиск в пространстве решений, а полученные результаты оценивались по определённым проверяемым критериям.
Для NOO это принципиальный методологический ориентир.
Интеллектуально-креативная функция должна соединяться с независимым механизмом доказательства или проверки её результата.
1.2.8. Автоматизированные научные лаборатории
Важнейшее направление развития связано с интеграцией интеллектуальных моделей и экспериментального оборудования.
В 2023 году Boiko и соавторы представили систему Coscientist, использовавшую языковые модели и внешние программные инструменты для планирования и выполнения химических исследований [14].
В том же году Szymanski и соавторы описали автономную лабораторию A-Lab, предназначенную для синтеза неорганических материалов [15].
Подобные системы объединяют компьютерное моделирование, анализ научных данных, выбор экспериментальных параметров и роботизированное выполнение отдельных операций.
Они представляют важный шаг к автоматизации исследовательского цикла.
Однако необходимо учитывать ограничения.
Работоспособность системы в определённой лаборатории не означает её универсальной пригодности.
Результаты зависят от доступного оборудования, качества данных, особенностей экспериментальной процедуры и человеческого контроля.
Кроме того, научная новизна результата требует самостоятельного подтверждения.
Таким образом, автоматизированные лаборатории являются важнейшими предшественниками NOO, но не должны автоматически объявляться полноценными ноомашинами.
1.2.9. Главный результат интеллектуализации вычислительной техники
К середине 2020-х годов сформировался значительный набор технологий, необходимых для дальнейшего перехода.
Это большие языковые модели.
Мультимодальная обработка информации.
Программные агенты.
Внешние базы знаний.
Автоматизированное выполнение вычислений.
Системы научного моделирования.
Роботизированные исследовательские установки.
Методы математической и экспериментальной проверки.
Однако они пока не образуют универсального механизма надёжного научно-технического творчества.
Особенно сложными остаются продолжительные исследовательские задачи, требующие проверки многочисленных промежуточных результатов.
Следовательно, для NOO необходимо не просто объединить существующие компоненты.
Требуется определить новую функциональную архитектуру, доказать её результативность и исследовать возможность воспроизводимого совершенствования интеллектуально-креативных методов.
1.3. ИИ-компьютер и его возможности
1.3.1. Возникновение нового класса персональных вычислительных устройств
Развитие искусственного интеллекта постепенно изменяет архитектуру персональных компьютеров.
Традиционные процессоры дополняются специализированными вычислительными ускорителями.
Особое значение приобретают графические процессоры и нейропроцессорные блоки — NPU.
Они предназначены для эффективного выполнения определённых операций машинного обучения.
На этой основе сформировалась рыночная категория AI PC — персональных компьютеров с аппаратными и программными средствами ускоренного выполнения ИИ-задач.
В частности, Microsoft использует обозначение Copilot+ PC для определённого класса компьютеров Windows с высокопроизводительными нейропроцессорами.
Одним из аппаратных требований данной категории является производительность NPU не менее 40 TOPS, измеряемая по установленной изготовителем методике [18].
Однако этот порог является требованием конкретной коммерческой платформы.
Он не представляет собой универсального определения ИИ-компьютера.
Системы, не соответствующие указанному критерию, также могут использовать искусственный интеллект.
Например, посредством графического ускорителя или облачных вычислений.
Поэтому для настоящей книги ИИ-компьютер целесообразно определять функционально.
Это вычислительная система, в которой методы искусственного интеллекта интегрированы в аппаратно-программную архитектуру и доступны для выполнения прикладных задач пользователя.
1.3.2. Аппаратная архитектура современного ИИ-компьютера
Типичный современный ИИ-компьютер может содержать несколько взаимодополняющих вычислительных компонентов.
Центральный процессор обеспечивает универсальное выполнение программ.
Графический ускоритель выполняет параллельные вычисления, включая многие операции нейросетевых моделей.
Нейропроцессор используется для энергоэффективного выполнения определённых задач машинного обучения.
Оперативная память хранит активные данные и параметры моделей.
Долговременное хранилище содержит программы, информационные ресурсы и локальные модели.
Средства связи обеспечивают взаимодействие с внешними информационными и вычислительными системами.
Однако эффективность такой архитектуры нельзя оценивать исключительно по номинальному показателю TOPS.
Важны объём и пропускная способность памяти.
Поддерживаемая численная точность.
Совместимость программных средств.
Скорость передачи данных между вычислительными компонентами.
Энергопотребление.
И фактическая производительность на конкретных задачах.
Следовательно, проектирование перспективного ноокомпьютера должно опираться на измерения законченной системы, а не на рекламные характеристики отдельного ускорителя.
1.3.3. Локальное выполнение моделей искусственного интеллекта
Важной особенностью современных персональных систем становится возможность локального выполнения определённых моделей.
Это позволяет выполнять часть интеллектуальных функций без постоянной передачи запросов во внешний вычислительный центр.
Преимуществами могут быть уменьшение задержек, повышение доступности функций при отсутствии сети и возможность локальной обработки конфиденциальных данных.
Однако последняя возможность не означает автоматической защиты информации.
Безопасность зависит от операционной системы, программного обеспечения, конфигурации модели и механизмов управления данными.
Кроме того, размер локальной модели ограничивается ресурсами конкретного устройства.
Для сложных исследовательских задач могут требоваться значительно более мощные вычислительные средства.
Поэтому наиболее перспективной представляется гибридная архитектура.
Часть функций выполняется локально.
Более ресурсоёмкие задачи могут передаваться в удалённую вычислительную среду при наличии разрешения и соответствующих гарантий безопасности.
Для будущего НооПК подобная организация способна стать важным способом сочетания доступности, производительности и экономической эффективности.
1.3.4. Интеллектуальный пользовательский интерфейс
Одним из наиболее заметных изменений становится переход от преимущественно командного и графического управления к взаимодействию посредством естественного языка.
Пользователь может формулировать задачу без подробного описания последовательности программных операций.
Например, запросить анализ документа.
Попросить подготовить программу.
Поручить поиск информации.
Сформулировать задачу обработки данных.
Получить помощь в изучении научной публикации.
Это значительно расширяет круг пользователей вычислительной техники.
Однако естественно-языковой интерфейс не означает, что система правильно понимает любую задачу.
Запрос может быть неоднозначным.
Исходные данные — неполными.
Предположения пользователя — ошибочными.
Поэтому интеллектуальный интерфейс должен не только принимать инструкции, но и помогать уточнять существенные условия задачи.
При этом система должна различать ситуации, в которых допустимо самостоятельно выбрать рабочее предположение, и ситуации, требующие обязательного подтверждения человека.
1.3.5. Мультимодальные интеллектуальные возможности
Современные системы искусственного интеллекта способны работать с различными типами информации.
Текстом.
Изображениями.
Звуком.
Видеоданными.
Программным кодом.
Структурированными научными измерениями.
Подобные возможности имеют особое значение для перспективных исследовательских систем.
Например, научная статья может содержать одновременно математические выражения, таблицы, диаграммы и экспериментальные изображения.
Инженерная задача может включать чертёж, текстовое техническое задание и результаты измерений.
Для полноценного анализа необходимо учитывать взаимосвязь различных представлений информации.
Однако мультимодальность не гарантирует научной достоверности.
Система может неправильно интерпретировать график.
Ошибочно распознать единицу измерения.
Не учитывать условия получения экспериментального изображения.
Поэтому мультимодальная обработка должна сопровождаться механизмами проверки исходных данных.
1.3.6. ИИ-компьютер как исследовательский помощник
Современный ИИ-компьютер уже может использоваться в научной и инженерной деятельности.
Он способен помогать анализировать литературу.
Формировать предварительные обзоры.
Генерировать программный код.
Разрабатывать варианты алгоритмов.
Подготавливать расчёты.
Предлагать экспериментальные схемы.
Сравнивать технические решения.
Однако здесь необходимо различать интеллектуальную помощь и доказанное создание нового знания.
Например, языковая модель может предложить оригинально сформулированную гипотезу.
Но для признания научной новизны необходимо установить, не была ли она уже опубликована.
Затем следует проверить внутреннюю непротиворечивость.
Определить наблюдаемые следствия.
И, если это необходимо, выполнить эксперимент.
Следовательно, ИИ-компьютер может выступать важным участником научного процесса.
Но его присутствие ещё не гарантирует получения достоверного научного результата.
1.3.7. Ограничения современных интеллектуальных агентов
Несмотря на быстрый прогресс, современные ИИ-системы сохраняют существенные ограничения.
Они могут генерировать недостоверные сведения.
Ошибаться при выполнении многоэтапных задач.
Путать факты и предположения.
Формировать некорректные ссылки.
Неверно интерпретировать результаты программных вычислений.
Ошибки могут накапливаться при продолжительной автономной работе.
Особую сложность представляет проверка задач, для которых заранее неизвестен правильный ответ.
Исследование SWE-bench, опубликованное в 2024 году, предложило оценивать способность языковых моделей исправлять реальные программные ошибки в существующих проектах [16].
Позднее соответствующие тесты стали использоваться для оценки более сложных программных агентов.
Но успешное прохождение стандартного теста не означает универсальной надёжности.
Важной проблемой является возможное попадание тестовых данных в обучающие корпуса моделей.
Методы выявления подобного загрязнения тестовых наборов исследовались Oren и соавторами [17].
Для NOO отсюда следует принципиальное требование.
Проверка интеллектуально-креативных возможностей должна осуществляться на новых задачах, защищённых от утечки и независимых от процедуры обучения системы.
1.3.8. Современное состояние ИИ-компьютеров и граница следующего перехода
Доклад Stanford AI Index 2026 фиксирует дальнейшее расширение возможностей искусственного интеллекта в обработке информации, программировании, научных исследованиях и автоматизации отдельных профессиональных функций [19].
Однако динамика развития отдельных тестовых показателей не должна отождествляться с доказанной универсальной способностью самостоятельно выполнять полноценные научные исследования.
Сохраняется разрыв между успешным решением стандартной задачи и воспроизводимым выполнением продолжительного исследовательского проекта.
Поэтому следующим этапом должна стать проверка способности системы не только генерировать информационные объекты, но и самостоятельно либо совместно с человеком проводить проверяемые исследовательские циклы.
Именно здесь проходит предполагаемая функциональная граница между современным ИИ-компьютером и перспективным ноокомпьютером.
1.4. Функциональные признаки ноокомпьютера
1.4.1. Необходимость строгого определения
В современной научно-технической терминологии отсутствует общепринятое международное определение ноокомпьютера как самостоятельного промышленного класса вычислительной техники.
Поэтому в настоящей книге предлагается использовать авторское функциональное определение.
Ноокомпьютер — это специально организованная вычислительная система, предназначенная для воспроизводимого выполнения сложной когнитивно-креативной деятельности, включающей формирование новых гипотез и решений, их проверку, использование подтверждённых результатов и контролируемое совершенствование методов последующего интеллектуально-креативного поиска.
Данное определение имеет проектный характер.
Оно не означает, что уже существует универсальная машина, полностью отвечающая всем перечисленным требованиям.
Кроме того, оно не предполагает обязательного наличия у системы сознания, субъективного опыта или человеческого мышления.
В рамках NOO первостепенное значение имеют наблюдаемые и проверяемые функции.
Следовательно, понятие ноокомпьютера необходимо определять не через недоказанные философские свойства, а через результаты его деятельности.
1.4.2. Первый признак: содержательная постановка исследовательской задачи
Обычный программный инструмент выполняет операцию в соответствии с заданными условиями.
Интеллектуальная система может дополнительно интерпретировать запрос пользователя.
Но перспективный ноокомпьютер должен обладать более развитой способностью формировать рабочую исследовательскую постановку.
Например, пользователь сообщает о необходимости уменьшить энергопотребление определённого электронного устройства.
Система должна определить, какие физические и инженерные параметры связаны с поставленной целью.
Выявить недостающую информацию.
Предложить несколько альтернативных механизмов улучшения.
Разграничить установленные факты и предположения.
Сформировать программу проверки.
Однако такая способность не означает, что машина получает право самостоятельно переопределять конечные цели исследования без согласования с человеком.
Цель может уточняться в допустимых пределах, но соответствующие изменения должны быть документированы.
1.4.3. Второй признак: формирование содержательно новых гипотез
Одной из центральных функций NOO становится создание новых исследовательских гипотез.
При этом необходимо разграничивать несколько уровней новизны.
Первый — новая словесная формулировка известного положения.
Второй — новая комбинация известных решений.
Третий — ранее не описанная, но физически обоснованная гипотеза.
Четвёртый — новая гипотеза, для которой получено независимое экспериментальное или теоретическое подтверждение.
Для научно-технологической результативности наибольшее значение имеют последние два уровня.
Но предварительная проверка новизны может оказаться чрезвычайно сложной.
Необходимо исследовать научную литературу.
Патентные документы.
Публичные технические отчёты.
Исторические экспериментальные данные.
Поэтому ноокомпьютер должен не просто объявлять свои предложения оригинальными.
Он должен формировать аргументированное заключение о предполагаемой новизне и её границах.
1.4.4. Третий признак: создание технических решений
Следующая функция заключается в переходе от гипотезы к конкретному техническому решению.
Для этого необходимо определить конструкцию, архитектуру или технологический процесс.
Разработать функциональную модель.
Установить условия работы.
Определить необходимые материалы и компоненты.
Оценить физические ограничения.
Предложить способы проверки.
Например, в области PICO ноокомпьютер может исследовать перспективные комбинации материалов и структур для создания электронного контакта с улучшенными характеристиками.
Но результатом должна быть не общая рекомендация использовать новый материал.
Необходимо представить конкретное решение, допускающее расчётную или экспериментальную проверку.
Следовательно, изобретательская функция NOO должна оцениваться по качеству технического результата, а не по количеству сгенерированных идей.
1.4.5. Четвёртый признак: проектирование экспериментов
Научная гипотеза приобретает исследовательскую ценность, когда можно установить условия её проверки.
Поэтому ноокомпьютер должен формировать экспериментальные программы.
Определять необходимые измеряемые параметры.
Выбирать методы исследования.
Оценивать возможные источники ошибок.
Предлагать контрольные эксперименты.
Устанавливать условия, при которых гипотеза будет отвергнута.
Последнее обстоятельство принципиально важно.
Система, ориентированная исключительно на подтверждение собственных предположений, будет создавать систематические ошибки.
Поэтому полноценная исследовательская архитектура должна включать механизмы активного поиска опровергающих свидетельств.
1.4.6. Пятый признак: независимая проверка полученных результатов
Одним из фундаментальных требований NOO должна стать доказательная проверяемость.
Система не должна признавать гипотезу подтверждённой только потому, что одна языковая модель согласилась с выводом другой.
Необходимо использовать самостоятельные методы проверки.
Например, вычислительный результат можно сопоставить с независимой реализацией алгоритма.
Математическое утверждение — с формальным доказательством или контрпримером.
Физическую гипотезу — с экспериментальными измерениями.
Техническое решение — с испытанием функционального образца.
При этом необходимо учитывать, что различные интеллектуальные модели могут иметь общие ошибки.
Поэтому согласованность их ответов не является полноценной независимой проверкой.
Следовательно, архитектура ноокомпьютера должна предусматривать функциональное разделение генерации и подтверждения результатов.
1.4.7. Шестой признак: организация продолжительного исследовательского процесса
Сложная научная задача редко решается посредством одного информационного запроса.
Необходимо анализировать литературу.
Формировать альтернативы.
Проводить расчёты.
Сравнивать результаты.
Уточнять модели.
Планировать эксперименты.
Иногда требуется неоднократно возвращаться к уже отклонённым гипотезам.
Поэтому ноокомпьютер должен обладать средствами организации длительного исследовательского процесса.
Необходимо сохранять состояние проекта.
Фиксировать принятые решения.
Учитывать отрицательные результаты.
Различать подтверждённые и неподтверждённые выводы.
Восстанавливать историю исследования.
Особое значение имеет долговременная исследовательская память.
Однако память не должна представлять собой бесконтрольное накопление текстов.
Она должна содержать структурированную информацию с указанием происхождения, времени получения и степени достоверности.
1.4.8. Седьмой признак: совершенствование методов решения задач
Наиболее существенным отличием NOO в концепции Метаразвития становится способность улучшать не только отдельные результаты, но и методы их получения.
Например, система может обнаружить, что определённый способ поиска литературы приводит к систематическому пропуску значимых публикаций.
Или установить, что одна методика выбора экспериментов требует чрезмерного числа испытаний.
Или выявить, что некоторые типы гипотез регулярно оказываются бесперспективными.
После этого может быть предложена модификация исследовательской процедуры.
Но недостаточно просто изменить программный алгоритм.
Необходимо доказать, что новая методика действительно улучшает результат.
Для этого требуется сравнительный эксперимент.
Используются сопоставимые задачи.
Фиксируются исходные условия.
Измеряются затраты времени и ресурсов.
Оценивается качество полученных решений.
Следовательно, самосовершенствование ноокомпьютера должно означать экспериментально подтверждённое улучшение его методов деятельности, а не произвольное изменение собственного программного кода.
1.4.9. Восьмой признак: воспроизводимость интеллектуально-креативной деятельности
Единичный удачный результат ещё не доказывает возникновения новой технологической платформы.
Система может случайно предложить полезную идею.
Может найти известное решение, отсутствовавшее в доступной пользователю литературе.
Может успешно выполнить один необычный эксперимент.
Но для подтверждения ноофункциональности необходимо установить воспроизводимость.
Система должна демонстрировать результативность на множестве задач.
Причём задачи должны различаться по содержанию и сложности.
Необходимо учитывать отрицательные результаты.
Оценивать вероятность успешного достижения исследовательской цели.
Фиксировать требования к человеческому участию.
Проверять перенос разработанных методов на новые задачи.
Именно воспроизводимость позволяет перейти от эффектной демонстрации к научно обоснованному утверждению о существовании нового функционального класса вычислительных систем.
1.4.10. Девятый признак: управляемая интеллектуальная автономность
Для ноокомпьютера важна возможность самостоятельно выполнять некоторые этапы исследовательской деятельности.
Однако автономность должна рассматриваться как управляемое свойство.
Система может самостоятельно выбирать последовательность разрешённых информационных операций.
Выполнять программные расчёты.
Сравнивать результаты.
Формировать предложения о следующих исследовательских действиях.
Но операции, связанные с существенными финансовыми затратами, изменением оборудования, использованием опасных материалов или необратимыми последствиями, должны требовать соответствующей авторизации.
Важными ориентирами являются подходы к управлению рисками искусственного интеллекта, разработанные NIST [20, 21].
Следовательно, ноокомпьютер должен обладать не максимально возможной автономией, а автономией, соразмерной подтверждённой надёжности и допустимым рискам.
1.4.11. Десятый признак: измеримая интеллектуально-экономическая эффективность
Окончательная оценка ноокомпьютера должна учитывать не только количество выполненных задач.
Необходимо определять полную стоимость подтверждённого интеллектуального результата.
Например, сколько ресурсов требуется для создания технического решения, успешно прошедшего независимую проверку.
Какова продолжительность исследования.
Каков вклад человека.
Какая часть гипотез оказалась ошибочной.
Какие вычислительные ресурсы использовались.
Потребовалось ли дополнительное экспериментальное оборудование.
Поэтому экономическая эффективность NOO должна измеряться на уровне полного исследовательского процесса.
Система, генерирующая огромное количество гипотез, может оказаться менее полезной, чем система, предлагающая небольшое количество хорошо обоснованных и проверяемых решений.
1.4.12. Функциональное различие основных классов компьютеров
Для обобщения можно использовать следующую классификацию.
Тип системы Основная функция Критерий результата
Традиционный ПК Выполнение программ Корректность операций
Интеллектуальная система Анализ и решение задач Качество решения
ИИ-компьютер Интегрированные ИИ-функции Эффективность ИИ-задач
Ноокомпьютер INM Когнитивно-креативный поиск Подтверждённая новизна и воспроизводимость
Перспективная ноомашина Комплексные исследовательские процессы Надёжное получение новых знаний и технологий
Данная классификация является авторской проектной схемой.
Она не исключает функционального пересечения.
Например, современный ИИ-компьютер может участвовать в реальном научном открытии.
Но при отнесении системы к ноокомпьютерам необходимо доказать устойчивость и полноту соответствующей когнитивно-креативной функции.
Следовательно, название устройства не должно заменять экспериментальную оценку.
1.5. Первый исследовательский ноокомпьютер INM
1.5.1. Почему первый ноокомпьютер должен быть исследовательским
Создание новой категории вычислительной техники целесообразно начинать не с разработки массового коммерческого изделия, а с экспериментальной системы.
Именно исследовательский прототип позволяет проверить правильность исходных функциональных гипотез.
В рамках проекта International NooMachines предлагается первоначально создать первый исследовательский ноокомпьютер INM.
При этом необходимо специально подчеркнуть его проектный статус.
Речь идёт о целевом устройстве, которое предлагается разработать и испытать.
Сам факт формулирования соответствующей программы не означает, что такой ноокомпьютер уже создан.
Переход к следующему статусу возможен только после экспериментального подтверждения установленных критериев.
Первоначальной задачей становится не достижение универсального машинного интеллекта.
Не создание искусственного сознания.
И не полная замена человека в научной деятельности.
Необходимо создать систему, которая сможет воспроизводимо повышать эффективность конкретных исследовательских процессов и демонстрировать определённые интеллектуально-креативные функции.
Такой подход позволяет формировать реалистичную программу разработки.
1.5.2. Использование существующей физической элементной базы
Первый ноокомпьютер INM может строиться на основе современной вычислительной инфраструктуры.
В зависимости от задач могут использоваться персональные рабочие станции.
Серверные вычислительные комплексы.
Графические ускорители.
Локальные нейросетевые модели.
Удалённые вычислительные ресурсы.
Специализированные программные средства моделирования.
Таким образом, на начальном этапе необходимо опираться преимущественно на доступные технологии.
Это соответствует принципу одновременной инициации PICO и NOO.
Программа NOO не должна ожидать появления промышленной пикоэлектроники.
В свою очередь, PICO может с самого начала использовать существующие интеллектуальные методы.
Позднее возникновение новых физических вычислительных элементов способно расширить возможности ноосистем.
Но первоначальная проверка ноофункциональности должна быть возможна без такого условия.
1.5.3. Функциональная архитектура исследовательского прототипа
Первый исследовательский ноокомпьютер предлагается создавать как совокупность специализированных функциональных подсистем.
Первая подсистема — постановка исследовательских задач.
Она преобразует исходный запрос в формализованную программу исследования с определёнными критериями результата.
Вторая — научно-информационный контур.
Он осуществляет поиск публикаций, обработку документов, анализ технических данных и подготовку доказательной базы.
Третья — генератор гипотез и решений.
Его назначение заключается в формировании альтернативных научных объяснений и технических конструкций.
Четвёртая — вычислительно-моделирующая подсистема.
Она использует математические модели, симуляторы и специализированные программы.
Пятая — контур проверки.
Он предназначен для поиска ошибок, проверки расчётов, анализа предположений и сопоставления результатов с независимыми свидетельствами.
Шестая — экспериментальный интерфейс.
Он обеспечивает подготовку исследовательских процедур и взаимодействие с доступным оборудованием в пределах разрешённых полномочий.
Седьмая — исследовательская память.
Она сохраняет исходные данные, гипотезы, результаты и историю изменения моделей.
Восьмая — контур совершенствования методов.
Он анализирует эффективность исследовательских процедур и предлагает проверяемые улучшения.
Девятая — система управления, безопасности и аудита.
Она устанавливает полномочия, фиксирует действия, обеспечивает контроль пользователя и сохранность данных.
Важнейшее обстоятельство заключается в том, что ни одна из перечисленных подсистем сама по себе не является полноценным ноокомпьютером.
Его функциональная новизна должна возникнуть посредством организованного взаимодействия этих компонентов.
1.5.4. Исходная исследовательская задача
Для проверки первого ноокомпьютера необходимо выбрать ограниченный круг задач с объективными критериями результата.
Особенно перспективны направления, в которых можно сопоставлять предложенные решения с независимыми вычислительными или экспериментальными данными.
Одним из возможных направлений является поиск более эффективных алгоритмов.
Другим — оптимизация параметров электронного устройства.
Третьим — автоматизированное исследование комбинаций материалов.
Четвёртым — разработка способов улучшения технологического процесса.
Однако необходимо избегать чрезмерного расширения первоначальной программы.
Если первая версия системы одновременно пытается решать десятки принципиально различных исследовательских проблем, установить причины успехов и неудач становится значительно сложнее.
Поэтому целесообразно первоначально выбрать несколько ограниченных экспериментальных направлений.
Для каждого должны существовать исходные данные, контрольные методы и независимые критерии оценки.
1.5.5. PICO как первая экспериментальная область применения NOO
В генеральной программе Метаразвития естественной областью применения исследовательского ноокомпьютера становятся задачи перспективной электронной элементной базы.
Например, можно поставить задачу поиска материалов и технологических условий для создания более воспроизводимого электрического контакта с двумерным полупроводником.
Для этого необходимо проанализировать существующие исследования.
Выявить основные физические ограничения.
Определить параметры, влияющие на контактное сопротивление.
Сформировать альтернативные гипотезы.
Оценить доступность расчётных моделей.
Предложить последовательность экспериментов.
Получить результаты от исследовательской лаборатории.
Сопоставить их с исходными прогнозами.
На основании расхождений уточнить физическую модель.
Особенно важно, что реальное лабораторное подтверждение не может заменяться текстовым заключением интеллектуальной системы.
Если эксперимент не выполнен, гипотеза должна сохранять соответствующий статус.
Таким образом, PICO предоставляет NOO конкретные задачи, а NOO потенциально повышает эффективность их решения.
1.5.6. Первый демонстрационный исследовательский цикл
Предлагается следующая экспериментальная процедура.
На первом этапе формулируется исследовательская проблема.
Например, необходимость улучшить один из измеряемых параметров определённой электронной структуры.
На втором этапе создаётся информационная база.
Система собирает научные публикации, экспериментальные данные и известные технические решения.
На третьем этапе формируется несколько альтернативных гипотез.
Каждая должна содержать объяснение предполагаемого физического механизма.
На четвёртом этапе выполняется предварительная проверка.
Исключаются гипотезы, противоречащие установленным физическим ограничениям или уже опровергнутые экспериментальными данными.
На пятом этапе система выбирает наиболее информативные последующие исследования.
На шестом выполняются разрешённые расчёты и эксперименты.
На седьмом результаты сопоставляются с прогнозом.
На восьмом формируется отчёт с указанием подтверждённых, неподтверждённых и опровергнутых положений.
На девятом анализируется эффективность самого исследовательского процесса.
На десятом этапе предлагаются изменения, которые могут повысить результативность последующего цикла.
Именно выполнение полного цикла представляет наиболее интересную основу для проверки ноофункциональности.
1.5.7. Контрольные исследовательские методологии
Чтобы определить действительную эффективность первого ноокомпьютера INM, необходим сравнительный эксперимент.
Предлагается использовать три режима работы.
Первый режим — традиционный исследовательский процесс.
Задача решается с использованием обычных научных инструментов и существующих методов работы.
Второй режим — исследовательский процесс с современными ИИ-инструментами.
Специалисты используют доступные интеллектуальные модели, программных агентов и средства автоматизации.
Третий режим — исследовательский процесс с экспериментальным ноокомпьютером INM.
Используется специальная архитектура NOO, включающая управление исследовательским циклом, независимую проверку и механизмы совершенствования методов.
Сравнение первого и второго режимов позволяет оценивать вклад существующего искусственного интеллекта.
Сравнение второго и третьего — дополнительный эффект специально разработанной ноокомпьютерной архитектуры.
Однако для достоверного сравнения необходимо учитывать сложность задач, квалификацию специалистов, доступные ресурсы и различия в экспериментальных условиях.
В идеале распределение сопоставимых задач должно осуществляться по заранее установленной процедуре.
Результаты следует оценивать независимо.
1.5.8. Критерии успешности первого прототипа
Первый ноокомпьютер INM не следует признавать успешным только на основании способности вести убедительный научный диалог.
Необходимо получить конкретные функциональные результаты.
К числу основных показателей предлагается отнести:
долю исследовательских задач, завершённых проверенным результатом;
качество и научную новизну полученных решений;
продолжительность достижения результата;
полную стоимость исследовательского цикла;
количество и характер обнаруженных ошибок;
воспроизводимость результатов;
долю решений, подтверждённых независимой проверкой;
изменение эффективности методов между последовательными исследовательскими циклами.
Особое значение имеет последний показатель.
Если новая версия системы работает быстрее только благодаря использованию более мощного процессора, это ещё не доказывает совершенствования интеллектуально-креативной технологии.
Необходимо устанавливать вклад изменённых методов.
Следовательно, сравнение должно по возможности осуществляться при сопоставимых вычислительных ресурсах.
1.5.9. Проверка научной новизны
Одной из наиболее сложных функций исследовательского ноокомпьютера является установление научной новизны.
Система может самостоятельно предложить техническое решение, которое уже существует в патентной литературе.
Или воспроизвести известную научную гипотезу, не указав соответствующий источник.
Или представить незначительное изменение существующего решения как принципиальное открытие.
Поэтому необходим специальный контур проверки новизны.
Он должен включать поиск по научным публикациям, патентной документации и техническим отчётам.
Но даже такой поиск не может гарантировать абсолютного отсутствия предшествующих результатов.
Следовательно, корректнее фиксировать степень установленной новизны.
Предлагаемый результат должен сопровождаться указанием границ выполненного поиска.
Окончательная оценка научной или изобретательской значимости должна осуществляться с участием компетентных независимых специалистов.
1.5.10. Безопасность и управляемость исследовательской системы
Первый ноокомпьютер должен создаваться как управляемая экспериментальная платформа.
Особенно важно разграничивать информационные действия и воздействия на реальную среду.
Поиск научной статьи обычно обладает значительно меньшим риском, чем изменение параметров физического оборудования.
Поэтому система должна использовать различные уровни разрешений.
Для информационного анализа могут предоставляться достаточно широкие полномочия.
Для запуска расчётов — отдельные ограничения по ресурсам.
Для изменения лабораторного оборудования — специализированные процедуры авторизации.
Для действий, связанных с возможной опасностью, — обязательный человеческий контроль.
Необходимо также защищать систему от вредоносных инструкций, содержащихся во внешних документах или результатах работы инструментов.
Соответствующие угрозы исследуются, в частности, в работе AgentDojo [23].
При этом все значимые действия должны фиксироваться в проверяемом журнале.
Такая система управления является не второстепенным дополнением, а необходимой частью архитектуры будущего ноокомпьютера.
1.5.11. Контролируемое совершенствование ноокомпьютера
Наиболее интересным этапом станет проверка способности системы улучшать собственные методы.
Например, после серии исследовательских задач ноокомпьютер может выявить, что определённый алгоритм выбора экспериментов неэффективен.
Затем предложить альтернативную процедуру.
Однако изменение не должно немедленно внедряться в основную рабочую систему.
Сначала создаётся экспериментальная версия.
После этого проводится испытание на независимом наборе задач.
Оцениваются эффективность, устойчивость и риски.
Если преимущество подтверждается, изменение может быть принято.
При отрицательном результате система возвращается к предыдущей версии.
Следовательно, самосовершенствование должно строиться как контролируемый экспериментальный процесс с возможностью отмены изменений.
Особенно важно предотвращать ситуацию, когда система сама формирует тест, сама оценивает результат и сама объявляет собственное превосходство без независимой проверки.
1.5.12. Что считать первым доказательством ноофункциональности
Для первоначального исследовательского этапа целесообразно установить ограниченное, но строгое условие успеха.
Система должна продемонстрировать выполнение полного интеллектуально-креативного цикла на заранее определённом классе задач.
Результатом может быть новое техническое решение, алгоритм или исследовательский метод, прошедший независимую проверку.
Затем необходимо воспроизвести соответствующую способность на других задачах того же класса.
После этого следует исследовать перенос методов на смежную область.
Наконец, необходимо доказать преимущество хотя бы по одному существенному показателю при отсутствии неприемлемого ухудшения остальных.
Такой результат не означает создания универсальной ноомашины.
Но он может стать достаточным основанием для признания первого специализированного исследовательского ноокомпьютера.
В дальнейшем соответствующие критерии должны расширяться.
1.5.13. Исследовательский ноокомпьютер как начало новой платформы
Стратегическое значение первого ноокомпьютера INM заключается не в его стоимости или внешнем облике.
Первоначальный прототип может представлять собой обычную рабочую станцию, связанную с программными моделями и внешними исследовательскими ресурсами.
Главное заключается в иной организации функций.
Он должен обеспечивать управляемый переход от постановки задачи к проверенному интеллектуально-креативному результату.
Если подобная архитектура подтвердит свою эффективность, появится основание для её последующего развития.
Можно будет совершенствовать отдельные подсистемы.
Создавать специализированные исследовательские конфигурации.
Оптимизировать вычислительные затраты.
Разрабатывать программные стандарты.
Исследовать возможность массового производства.
Следовательно, первый ноокомпьютер INM должен рассматриваться прежде всего как экспериментальное ядро будущей ноотехнологической платформы.
1.6. От ноокомпьютера к массовому НооПК
1.6.1. Персонализация интеллектуально-креативной вычислительной техники
Историческая революция IBM PC заключалась в превращении вычислительной машины в массовый персональный инструмент.
Аналогичный по своему общественному значению переход может стать перспективной задачей будущего ноомашиностроения.
Однако речь должна идти не о простом добавлении интеллектуального помощника к обычному компьютеру.
Массовый НооПК должен представлять собой доступную персональную платформу с воспроизводимыми функциями интеллектуально-креативной деятельности.
Это не означает, что каждый пользователь автоматически становится выдающимся учёным или изобретателем.
Но система может расширять возможности самостоятельного анализа, разработки проектов, проверки гипотез и технического творчества.
Для этого необходимо создать достаточно надёжный и понятный интерфейс.
Пользователь должен иметь возможность формулировать проблему и получать не только ответ, но и аргументированную программу её исследования.
1.6.2. НооПК как отдельная функциональная категория
В настоящей книге предлагается использовать обозначение НооПК для перспективного массового персонального ноокомпьютера.
Его отличие от обычного ИИ-ПК должно определяться подтверждённой функциональностью.
Современный ИИ-ПК может включать мощную языковую модель.
Мультимодальный интерфейс.
Средства генерации документов.
Программных агентов.
Автоматизированный поиск информации.
Но для НооПК необходимо дополнительное качество.
Он должен обладать специально организованными процедурами создания, проверки и накопления новых знаний и технических решений.
При этом система должна предоставлять пользователю возможность управлять исследовательским процессом.
Например, самостоятельно выбирать исходную гипотезу.
Устанавливать допустимую стоимость исследования.
Определять обязательные способы проверки.
Ограничивать автономность.
Получать отчёт о подтверждённых и неподтверждённых результатах.
Таким образом, НооПК представляет собой не просто более производительный ИИ-компьютер, а потенциально новую функциональную категорию персональной вычислительной техники.
1.6.3. Массовая архитектура НооПК
Для массового распространения необходимо существенно упростить архитектуру исследовательского прототипа.
Вместо сложной лабораторной системы потребуется создать воспроизводимую программно-аппаратную платформу.
Она может включать локальную интеллектуальную модель.
Персональную исследовательскую память.
Систему поиска и проверки информации.
Средства математических и технических расчётов.
Интерфейсы подключения специализированных приложений.
Механизмы защиты данных.
Систему управления разрешениями.
Возможность использования удалённых вычислительных ресурсов.
При этом различные модели НооПК могут обладать разными характеристиками.
Начальные персональные устройства могут выполнять ограниченный круг интеллектуально-креативных задач.
Профессиональные — использовать более сложные модели и специализированное программное обеспечение.
Исследовательские — поддерживать взаимодействие с лабораторным оборудованием и внешними научными ресурсами.
Следовательно, массовая ноокомпьютерная платформа может развиваться как семейство совместимых устройств.
1.6.4. Стандартизация функциональных интерфейсов
Для развития массового НооПК особое значение имеет совместимость.
История IBM PC показывает, насколько важным может оказаться возникновение единой компьютерной платформы.
Но в случае NOO стандартизация должна охватывать новые функциональные области.
Необходимо разработать способы представления исследовательских задач.
Структуры хранения научных гипотез.
Форматы описания экспериментальных результатов.
Методы фиксации происхождения информации.
Интерфейсы подключения расчётных программ.
Процедуры проверки интеллектуальных результатов.
Механизмы контроля полномочий.
Особенно важно обеспечить переносимость исследовательских проектов между различными устройствами и программными системами.
Если пользователь заменяет компьютер, он не должен терять историю научной работы.
Поэтому необходимо разграничивать долговременную исследовательскую память и конкретную интеллектуальную модель, используемую в данный момент.
1.6.5. Защита интеллектуальной собственности и пользовательских данных
Персональный ноокомпьютер может использоваться для разработки новых технических решений.
В этом случае возникают вопросы конфиденциальности и интеллектуальной собственности.
Пользователь должен понимать, какие данные остаются локальными.
Какая информация передаётся во внешнюю вычислительную среду.
Кто получает доступ к исследовательским материалам.
Какие условия действуют в отношении результатов работы.
Как осуществляется резервное копирование.
Как предотвращается несанкционированное изменение исследовательских данных.
Кроме того, необходимо различать происхождение знаний, использованных системой, и правовой статус создаваемых результатов.
Применение генеративного искусственного интеллекта не означает автоматического установления авторства или патентоспособности.
Соответствующие вопросы регулируются различными правовыми системами и требуют самостоятельного анализа.
Поэтому развитие массового НооПК должно сопровождаться созданием прозрачных механизмов управления данными и правами.
1.6.6. Экономическая модель массового ноокомпьютера
Одним из основных ограничений массового распространения может стать стоимость интеллектуальных вычислений.
Необходимо учитывать не только цену устройства.
Существенное значение имеют расходы на выполнение моделей.
Оплата облачных вычислительных ресурсов.
Хранение данных.
Программные лицензии.
Информационные подписки.
Обслуживание и обновление системы.
Следовательно, дешёвое аппаратное устройство не обязательно обеспечивает дешёвую интеллектуально-креативную деятельность.
Для массового НооПК необходимо исследовать полную стоимость полезного результата.
Особенно важно определить, какие функции можно выполнять локально.
Какие требуют мощной удалённой инфраструктуры.
Какие допускают использование сравнительно небольших специализированных моделей.
И в каких случаях интеллектуальная автоматизация действительно снижает затраты по сравнению с традиционными методами.
Таким образом, экономическая цель должна формулироваться не только как уменьшение цены компьютера.
Она должна включать повышение доступности подтверждённых интеллектуально-креативных функций.
1.6.7. Взаимодействие НооПК и будущей PICO
Первоначальные ноокомпьютеры могут использовать существующие микро- и наноэлектронные платформы.
Но в долгосрочной перспективе возникновение новых физических вычислительных устройств способно изменить их аппаратную основу.
В предыдущей части книги были рассмотрены перспективы атомарно-точных электронных структур.
При благоприятном развитии соответствующие технологии могут предложить новые способы обработки и хранения информации.
Однако нельзя заранее утверждать, что пикоэлектроника обязательно обеспечит радикальное снижение стоимости ноокомпьютеров.
Это потребует решения проблем интеграции, производства, надёжности и энергетической эффективности.
Поэтому программа NOO должна самостоятельно совершенствовать свои архитектуры.
А программа PICO — исследовать перспективную физическую элементную базу.
В дальнейшем их экспериментально подтверждённые результаты могут объединяться.
В таком случае возникнут предпосылки для создания пиконоокомпьютеров.
Но подобная перспектива должна рассматриваться как долгосрочный технологический сценарий, а не как гарантированный этап развития.
1.6.8. НооПК и новая доступность научно-технического творчества
Одним из наиболее значимых потенциальных последствий массового распространения ноокомпьютеров может стать расширение круга участников научно-технического творчества.
Сегодня сложные исследования часто требуют специализированного образования, доступа к научной литературе, вычислительным ресурсам и профессиональной инфраструктуре.
Персональные интеллектуально-креативные системы способны уменьшать некоторые из этих барьеров.
Например, помогать исследователю осваивать новую предметную область.
Создавать предварительные физические модели.
Анализировать существующие технические решения.
Подготавливать программы экспериментов.
Проверять расчёты.
Организовывать длительные исследования.
Однако не все ограничения могут быть устранены программными средствами.
Экспериментальная физика требует реального оборудования.
Химические исследования — соответствующих материалов и условий безопасности.
Многие инженерные проекты — производственных ресурсов.
Поэтому массовый НооПК следует рассматривать как инструмент расширения интеллектуальных возможностей, а не как универсальную замену научным лабораториям и профессиональным коллективам.
1.6.9. Риски массовой ноокомпьютеризации
Массовое распространение интеллектуально-креативных устройств способно создавать не только преимущества, но и новые риски.
Первый связан с недостоверной информацией.
Пользователи могут ошибочно принимать автоматически сформированные выводы за научно подтверждённые результаты.
Второй касается зависимости от программных поставщиков.
Если функциональность НооПК определяется закрытой удалённой платформой, пользователь может потерять доступ к собственным рабочим процессам при изменении коммерческих условий.
Третий связан с информационной безопасностью.
Системы с доступом к инструментам и данным требуют строгого разграничения полномочий.
Четвёртый касается интеллектуальной собственности.
Автоматизированная разработка технических решений может создавать сложные вопросы происхождения информации и прав на результаты.
Пятый связан с образовательными последствиями.
Если пользователь полностью перекладывает аналитическую деятельность на интеллектуальную систему, возможно ослабление навыков самостоятельной проверки и критического мышления.
Следовательно, массовый НооПК должен проектироваться как средство усиления человеческой интеллектуальной деятельности.
Необходимо сохранять возможность проверки, оспаривания и корректировки выводов.
1.6.10. Переход от экспериментальной системы к серийному продукту
Разработка первого ноокомпьютера INM и создание массового НооПК представляют разные технологические задачи.
Исследовательский прототип предназначен для проверки новых функциональных механизмов.
Массовое изделие должно дополнительно соответствовать требованиям стоимости, удобства, устойчивости, безопасности и стандартизации.
Поэтому необходима последовательная программа перехода.
Первоначально подтверждается работоспособность исследовательской архитектуры.
Затем выделяются наиболее результативные функциональные компоненты.
После этого разрабатывается стандартизированная программная платформа.
Создаются специализированные пользовательские конфигурации.
Проводятся независимые испытания.
Оценивается стоимость эксплуатации.
Исследуются модели коммерциализации.
И только после этого принимается решение о массовом выпуске.
Особенно важно не смешивать научно-технологический успех и коммерческий успех.
Можно создать функционально интересный ноокомпьютер, который окажется слишком дорогим для массового применения.
И наоборот, можно вывести на рынок популярный ИИ-компьютер, не обладающий достаточными основаниями для признания его ноокомпьютером в предлагаемом исследовательском смысле.
1.6.11. Стратегическая миссия массового НооПК
В долгосрочной перспективе массовый ноокомпьютер может стать одним из инструментов преобразования научно-технологической деятельности.
Его общественная ценность будет определяться не только возможностью ускоренного получения ответов.
Более важным может оказаться расширение способности человека ставить содержательные вопросы, исследовать альтернативы, создавать технические решения и проверять новые идеи.
Если подобные функции станут достаточно доступными, возникнут предпосылки для изменения масштабов распределённого научно-технического творчества.
Однако это не должно рассматриваться как неизбежное следствие развития искусственного интеллекта.
Для достижения соответствующего результата необходимы надёжные технологии, доступная вычислительная инфраструктура, образовательные программы и эффективные механизмы научной проверки.
Следовательно, массовая ноокомпьютеризация должна рассматриваться как самостоятельная долгосрочная исследовательская и промышленная программа.
Перспективная технологическая карта NOO
В результате рассмотренного материала можно выделить несколько взаимосвязанных этапов.
Этап Функциональная задача Критерий перехода
Традиционный ПК Универсальные вычисления Работа программной платформы
ИИ-компьютер Интеграция интеллектуальных функций Измеримое качество ИИ-задач
Исследовательский NOO Проверяемое научно-техническое творчество Воспроизводимые результаты
Ноокомпьютер INM Совершенствование исследовательских методов Подтверждённое улучшение
Массовый НооПК Доступные ноофункции Надёжность и экономическая доступность
Перспективная ноомашина Комплексная автоматизация исследований Подтверждённая системная результативность
Данная карта представляет авторскую проектную последовательность.
Она не утверждает, что все указанные этапы уже реализованы или обязательно возникнут.
В частности, понятие ноомашины предполагает дальнейшее развитие теории и архитектуры NOO.
Поэтому подробное исследование соответствующей категории должно осуществляться в следующей главе.
Значение NOO для генеральной технологии Метаразвития
В концепции настоящей книги NOO рассматривается как вторая базовая субтехнология генеральной технологии META.
Если PICO направлена на поиск новых физических оснований электроники, то NOO должна обеспечивать совершенствование интеллектуально-креативных средств научно-технологического развития.
Однако их взаимодействие не должно ограничиваться использованием искусственного интеллекта для ускорения отдельных инженерных расчётов.
Главная исследовательская задача существенно шире.
Необходимо установить, может ли специально организованная интеллектуально-креативная система повышать эффективность создания новых технологий.
При этом предполагаемое улучшение должно быть измеримым.
Например, сокращением времени достижения подтверждённого результата.
Снижением полной стоимости исследования.
Повышением воспроизводимости экспериментов.
Улучшением качества технических решений.
Сокращением количества ошибочных исследовательских гипотез.
Особое значение имеет возможность совершенствовать методы получения последующих результатов.
Именно здесь возникает потенциальный механизм Метаразвития.
Однако необходимо учитывать, что положительное взаимодействие NOO и PICO не может считаться доказанным заранее.
Его наличие, величина и устойчивость должны устанавливаться посредством совместных экспериментальных программ.
Соответственно, генеральная программа META должна не только координировать два направления, но и определять процедуры сравнения результатов.
Если использование NOO улучшает эффективность определённого исследовательского процесса, необходимо установить причины.
Если преимущества отсутствуют, следует изменить или отклонить соответствующую гипотезу.
Если улучшение сохраняется на новых задачах, возникает основание для расширения программы.
Таким образом, развитие NOO должно осуществляться в соответствии с общими принципами доказательного технологического проектирования.
Заключение к главе 1
История персональных компьютеров представляет собой один из важнейших примеров преобразования научно-технической возможности в массовую технологическую платформу.
Особое значение имело появление IBM PC в 1981 году.
Его историческая роль заключалась не в абсолютном техническом превосходстве.
Определяющим стало формирование совместимой аппаратно-программной архитектуры, обеспечившей развитие масштабной компьютерной индустрии.
Последующее совершенствование персональных компьютеров превратило вычислительные устройства в массовые инструменты интеллектуального труда.
Развитие искусственного интеллекта создало новые возможности.
Современные системы способны выполнять сложные операции анализа, распознавания, генерации информации, программирования и автоматизированного взаимодействия с внешними инструментами.
Но возникновение подобных возможностей ещё не означает достижения следующего качественного этапа.
Для него необходимо решить самостоятельную научно-технологическую задачу.
Требуется создать вычислительные системы, специально предназначенные для воспроизводимого выполнения когнитивно-креативной деятельности.
В настоящей книге такие перспективные системы предлагается называть ноокомпьютерами.
Их основными функциональными признаками должны стать способность формировать содержательные исследовательские гипотезы, разрабатывать технические решения, проектировать проверки, анализировать результаты и совершенствовать методы собственной деятельности.
При этом научная состоятельность должна подтверждаться независимой проверкой.
Количество сформированных идей не может заменять оценку их качества.
Внешняя убедительность текста не означает существования нового знания.
Автоматизация отдельных операций не доказывает эффективности полного исследовательского цикла.
Поэтому переход от ИИ-компьютера к ноокомпьютеру должен определяться не терминологией, а измеримыми результатами.
В рамках проекта International NooMachines предлагается первоначально создать исследовательский ноокомпьютер на основе существующей вычислительной инфраструктуры.
Это позволяет начинать программу NOO одновременно с исследованиями PICO.
Главная новизна первой ноосистемы должна заключаться в её функциональной архитектуре.
Особое значение приобретают подсистемы постановки задач, генерации гипотез, моделирования, проверки результатов, исследовательской памяти и совершенствования методов.
Однако первые успешные эксперименты должны рассматриваться как начало длительного исследовательского процесса.
Следующий этап связан с созданием воспроизводимой технологической платформы.
На её основе в перспективе могут развиваться специализированные исследовательские ноокомпьютеры и массовые персональные системы — НооПК.
Их стратегическая ценность заключается в потенциальном расширении доступности научно-технического творчества.
Но подобное развитие потребует решения задач стоимости, надёжности, безопасности, стандартизации и защиты интеллектуальных результатов.
Следовательно, восхождение от IBM PC к ноокомпьютеру представляет собой не простую смену поколений вычислительного оборудования.
Речь идёт о предполагаемом качественном изменении функционального назначения компьютера.
Традиционный персональный компьютер сделал массовыми программируемые вычисления.
Современный ИИ-компьютер расширяет возможности автоматизированного интеллектуального анализа.
Перспективный ноокомпьютер должен обеспечить воспроизводимое выполнение определённых функций создания и проверки нового знания.
А дальнейшее развитие ноомашин может быть связано с системной автоматизацией всё более сложных исследовательских процессов.
Но достижение каждого последующего уровня должно быть доказано.
Для генеральной технологии Метаразвития это имеет фундаментальное значение.
Главная цель NOO заключается не просто в создании более интеллектуального компьютера, а в исследовании возможности создавать вычислительные системы, способные воспроизводимо совершенствовать процессы получения новых знаний и технологий.
Именно такая постановка позволяет перейти от традиционной задачи повышения вычислительной мощности к исследованию новой технологической категории.
От вычисления — к интеллектуальному анализу.
От анализа — к созданию гипотез.
От гипотез — к проверенному научно-техническому результату.
От отдельного результата — к совершенствованию методов его получения.
От экспериментального ноокомпьютера — к доступной персональной ноотехнологической платформе.
И от совершенствования отдельных технологий — к разработке механизмов ускоренного создания последующих технологий.
Такова исходная логика восхождения от компьютера к ноомашине в генеральной технологии Метаразвития.
Основные источники и научная литература к главе 1
История персональных компьютеров и основания искусственного интеллекта
IBM. The IBM PC. IBM History. История создания IBM Personal Computer 5150, представленного 12 августа 1981 года, и формирования массовой компьютерной платформы.
https://www.ibm.com/history/personal-computer
Turing A. M. Computing Machinery and Intelligence. Mind. 1950. Vol. LIX. No. 236. P. 433–460. Фундаментальная постановка проблемы машинного интеллекта и критериев его наблюдаемого проявления.
DOI: https://doi.org/10.1093/mind/LIX.236.433
McCarthy J., Minsky M. L., Rochester N., Shannon C. E. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine. 2006. Vol. 27. No. 4. P. 12–14. Републикация исторического предложения о проведении Дартмутского исследовательского проекта 1956 года.
DOI: https://doi.org/10.1609/aimag.v27i4.1904
Licklider J. C. R. Man-Computer Symbiosis. IRE Transactions on Human Factors in Electronics. 1960. Vol. HFE-1. No. 1. P. 4–11. Концепция тесного взаимодействия человека и вычислительной системы при решении интеллектуальных задач.
DOI: https://doi.org/10.1109/THFE2.1960.4503259
Engelbart D. C. Augmenting Human Intellect: A Conceptual Framework. Stanford Research Institute. 1962. Report AFOSR-3223. Фундаментальная концепция системного расширения интеллектуальных возможностей человека посредством вычислительных технологий.
https://dougengelbart.org/pubs/augment-3906-Framework.html
Shortliffe E. H. Computer-Based Medical Consultations: MYCIN. New York: Elsevier, 1976. Классическое исследование экспертной системы медицинской поддержки принятия решений.
DOI: https://doi.org/10.1016/B978-0-444-00179-5.X5001-X
Современные модели и агентные интеллектуальные системы
Vaswani A., Shazeer N., Parmar N. et al. Attention Is All You Need. Advances in Neural Information Processing Systems. 2017. Vol. 30. Основополагающая публикация об архитектуре Transformer.
https://research.google/pubs/attention-is-all-you-need/
Ouyang L., Wu J., Jiang X. et al. Training Language Models to Follow Instructions with Human Feedback. Advances in Neural Information Processing Systems. 2022. Vol. 35. P. 27730–27744. Исследование настройки языковых моделей с использованием человеческой обратной связи.
https://arxiv.org/abs/2203.02155
Lewis P., Perez E., Piktus A. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 9459–9474. Архитектура генерации с привлечением внешних источников знаний.
https://arxiv.org/abs/2005.11401
Schick T., Dwivedi-Yu J., Dess; R. et al. Toolformer: Language Models Can Teach Themselves to Use Tools. Advances in Neural Information Processing Systems. 2023. Vol. 36. Исследование применения внешних программных инструментов языковыми моделями.
Yao S., Zhao J., Yu D. et al. ReAct: Synergizing Reasoning and Acting in Language Models. International Conference on Learning Representations. 2023. Исследование совместной организации рассуждений и действий интеллектуальных агентов.
https://openreview.net/forum?id=WE_vluYUL-X
Искусственный интеллект в научных открытиях
Fawzi A., Balog M., Huang A. et al. Discovering Faster Matrix Multiplication Algorithms with Reinforcement Learning. Nature. 2022. Vol. 610. P. 47–53. AlphaTensor: автоматизированный поиск новых алгоритмов с математически проверяемыми характеристиками.
DOI: https://doi.org/10.1038/s41586-022-05172-4
Romera-Paredes B., Barekatain M., Novikov A. et al. Mathematical Discoveries from Program Search with Large Language Models. Nature. 2024. Vol. 625. P. 468–475. FunSearch: совместное использование языковой модели и программной проверки новых решений.
DOI: https://doi.org/10.1038/s41586-023-06924-6
Boiko D. A., MacKnight R., Kline B., Gomes G. Autonomous Chemical Research with Large Language Models. Nature. 2023. Vol. 624. P. 570–578. Исследовательская система Coscientist, объединяющая языковую модель, программные инструменты и экспериментальную автоматизацию.
DOI: https://doi.org/10.1038/s41586-023-06792-0
Szymanski N. J., Rendy B., Fei Y. et al. An Autonomous Laboratory for the Accelerated Synthesis of Inorganic Materials. Nature. 2023. Vol. 624. P. 86–91. Экспериментальная платформа A-Lab для автоматизированного синтеза неорганических материалов. Учесть опубликованное в 2026 году исправление к статье.
DOI: https://doi.org/10.1038/s41586-023-06734-w
Оценка интеллектуальных возможностей и аппаратная инфраструктура
Jimenez C. E., Yang J., Wettig A. et al. SWE-bench: Can Language Models Resolve Real-World GitHub Issues? International Conference on Learning Representations. 2024. Методология оценки способности интеллектуальных систем решать реальные программно-инженерные задачи.
Oren Y., Meister N., Chatterji N., Ladhak F., Hashimoto T. Proving Test Set Contamination in Black-Box Language Models. International Conference on Learning Representations. 2024. Исследование проблемы загрязнения тестовых наборов обучающими данными языковых моделей.
Microsoft. Develop AI Applications for Copilot+ PCs. Microsoft Learn. Документация по аппаратным требованиям, нейропроцессорам и локальному выполнению ИИ-моделей.
https://learn.microsoft.com/en-us/windows/ai/npu-devices
Stanford Institute for Human-Centered Artificial Intelligence. The 2026 AI Index Report. Stanford University. Обзор развития искусственного интеллекта, вычислительной инфраструктуры, научных применений и методов оценки.
https://hai.stanford.edu/ai-index/2026-ai-index-report
Надёжность, безопасность и управление интеллектуальными системами
Tabassi E. Artificial Intelligence Risk Management Framework (AI RMF 1.0). National Institute of Standards and Technology. NIST AI 100-1. 2023. Система управления рисками и оценки надёжности искусственного интеллекта.
DOI: https://doi.org/10.6028/NIST.AI.100-1
Autio C., Schwartz R., Dunietz J. et al. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1. 2024. Управление рисками генеративных интеллектуальных систем.
DOI: https://doi.org/10.6028/NIST.AI.600-1
ISO/IEC. ISO/IEC 42001:2023. Information Technology — Artificial Intelligence — Management System. Международный стандарт организации систем управления искусственным интеллектом.
https://www.iso.org/standard/42001
Debenedetti E., Zhang J., Balunovi; M. et al. AgentDojo: A Dynamic Environment to Evaluate Prompt Injection Attacks and Defenses for LLM Agents. Advances in Neural Information Processing Systems. 2024. Vol. 37. Исследование устойчивости интеллектуальных агентов к вредоносным инструкциям из внешних источников данных.
Авторская концепция Метаразвития, PICO и NOO
Петросян В. К. (Вадимир). Мировая пикоэлектроника. Прошлое, настоящее, будущее. Проектирование Метаразвития. Том 1. Lag.ru. 2026. Авторская концепция генеральной технологии META, её субтехнологий PICO и NOO, проекта International NooMachines и перспективной эволюции от персонального компьютера к ноомашине.
********
От IBM PC к первым ноокомпьютерам INM
© Copyright: Вадимир Петросян, 2026
Свидетельство о публикации №226102400732
Свидетельство о публикации №226102400732
Рецензии