УДК 004.8

К. В. Тюменцев, В. Ю. Легейда

Искусственный интеллект, строго говоря, не является интеллектом в антропологическом или когнитивном смысле этого понятия. На эту тему представлено большое количество исследований [2; 4; 3; 6; 7]. Он представляет собой совокупность математически формализованных процедур, реализованных посредством сложных нелинейных алгоритмов. Эти алгоритмы, в частности в рамках глубинного машинного обучения, функционируют на основе статистических закономерностей и вероятностных зависимостей, а не логико-понятийных операций, характерных для человеческого мышления.

Актуальность данной темы оправдана тем, что развитие аппаратного и программного оснащения предоставляет новые средства, которые не только изменяют творческую практику, но и создают совокупность мифов вокруг этих средств. Целью статьи является рассмотрение того, как современные технологии применяются в творческой практике кино и анимации. Из этой цели следует ряд задач: рассмотреть механизмы работы искусственных нейронных сетей, их отличия от человеческого мышления, очертить пределы их применимости в художественной практике киноиндустрии и художественной анимации, а также рассмотреть репрезентацию искусственного интеллекта в обыденном сознании.

Принципиальное отличие искусственного интеллекта от естественного, человеческого интеллекта заключается в отсутствии у первого атрибута субъектности мышления. Искусственный интеллект не является актором – т.е. носителем внутренней активности мышления, наделённым автономным целеполаганием. В то время как человек инициирует мыслительный акт изнутри, исходя из потребности в понимании, переосмыслении или решении задач, деятельность ИИ представляет собой реакцию на внешнюю задачу, заданную извне, и активируется исключительно по команде или в рамках предопределённой архитектуры.

В отличие от простого алгоритма, ключевая особенность искусственного интеллекта заключается в способности оперировать неполными, «шумным» и неточными данными. Такая толерантность к неопределённости не только ускоряет обработку информации за счёт отказа от строгой детерминированности, но и формирует пространство возможных решений, внутри которого система способна осуществлять выбор наиболее релевантного варианта. Это делает поведение ИИ адаптивным и приближенным к вариативности естественного интеллекта, хотя и без подлинной интенциональности или осознанности.

Модель извлекает структуру из неразмеченных данных, формируя обучающие сигналы самостоятельно. В отличие от классического обучения с учителем (supervised learning), где модель опирается на заранее размеченные данные (пары «вход – правильный ответ»), самообучающиеся модели формируют промежуточные цели, решение которых требует апробации промежуточных результатов. Примеры таких промежуточных целей включают предсказание замаскированных фрагментов текста (как в модели BERT) или предсказание пространственного расположения фрагментов изображения. Данный подход позволяет эффективно использовать большие массивы неразмеченной информации и значительно снижает зависимость от трудоёмкой ручной разметки данных. Эволюция искусственного интеллекта тесно связана с экспоненциальным ростом вычислительных мощностей. Увеличение производительности центральных (CPU) и графических (GPU) процессоров, а также появление специализированных ускорителей – таких как тензорные ядра (TPU), нейроморфные чипы и ASIC (Application-Specific Integrated Circuits) – сделало возможным обучение моделей с миллиардными параметрами. Рост мощности «железа» обеспечил переход от простых моделей к глубинным нейронным сетям с высокой вычислительной сложностью, а также ускорил процессы обучения и инференса (применения модели), что критически важно в задачах, требующих реального времени и высокой точности.

Соревновательность в контексте ИИ наиболее ярко реализована в генеративно-состязательных сетях (Generative Adversarial Networks, GANs), где две нейросети – генератор и дискриминатор – обучаются в конкурентной среде: генератор стремится создать правдоподобные данные, тогда как дискриминатор пытается отличить их от реальных. Такой соревновательный механизм способствует более точному и реалистичному обучению генератора.

01 Июн 2025 в 14:00. В рубриках: Теория и история культуры, искусства. Автор: kris

Вы можете оставить свой отзыв или трекбек со своего сайта.