На старте проекта нейросеть кажется едва ли не всемогущим демиургом. Однако это упоение быстро и безвозвратно проходит. Представляю вам математическую аргументацию того, почему искусственному интеллекту не суждено вытеснить человека из сферы программирования.
У меня есть для вас две новости: разочаровывающая и обнадеживающая.
Сперва о грустном: создание сильного ИИ (AGI) на базе существующих архитектур больших языковых моделей (LLM) — задача невыполнимая.
Теперь о хорошем: если вы обладаете глубокой экспертизой в областях, требующих развитых когнитивных способностей, риск остаться без работы минимален. Разумеется, если ваш руководитель еще не поддался на красноречивые пророчества Сэма Альтмана или Демиса Хассабиса о том, что алгоритмы вскоре заменят каждого сотрудника.
Небольшая ремарка: я не только исследователь в области ИИ, но и практикующий веб-разработчик с многолетним опытом в аутсорс-индустрии. Этот текст — квинтэссенция моих личных наблюдений и профессионального опыта.
Вокруг постоянно звучит один и тот же тезис: современные модели творят магию. Стоит лишь попросить систему создать приложение, нажать «Enter» и отойти за чашкой кофе, как по возвращении вас будет ждать безупречно работающий продукт.
Как это часто бывает, подобные утверждения — сильное преувеличение, а иногда и чистая мистификация.
Более того, для архитектуры GPT подобный результат недостижим в принципе — если мы ведем речь о серьезном коммерческом продукте, а не о примитивном демо-образце в эффектной обертке.
Я неоднократно обосновывал эту позицию, но позвольте подкрепить её конкретными фактами.
Безусловно, я интегрирую ИИ в свои рабочие процессы. В моем арсенале побывали: Copilot, Cursor, Gemini Code Assist, Codex и Kilo. Тестировал я и Antigravity от Google, но он показался мне излишне перегруженным — наладить с ним конструктивный диалог оказалось непростой задачей.
К слову, поиск идеального ассистента — процесс трудоемкий. Чтобы найти ту самую модель, которая действительно оптимизирует труд, а не крадет время, критически важно иметь под рукой разные инструменты.
Сервисы вроде BotHub предоставляют возможность экспериментировать с передовыми нейросетями (включая флагманские модели для кодинга и аналитики) в рамках одного интерфейса.
Для использования не требуется VPN, а оплата доступна картами российских банков.
По этой ссылке вы получите 300 000 бонусных токенов для решения первых задач. Начните работу с нейросетями нового поколения уже сегодня!
Но давайте смотреть правде в глаза.
Безусловно, если бы ИИ выдавал только ошибки и галлюцинации, он бы не нашел применения. В ряде сценариев он феноменально полезен, и я это признаю. Я искренне восхищаюсь тем, как инженеры LLM смогли преодолеть сложнейшие технологические барьеры.
Однако.
Этого все еще недостаточно. В профессиональной среде нам важны не впечатляющие фокусы, а системы, обладающие высокой надежностью, эффективностью и предсказуемостью.
И именно здесь генеративный ИИ сталкивается с непреодолимыми препятствиями фундаментального характера.
На текущий момент моим фаворитом остается Gemini Code Assist. Впервые столкнувшись с ним, я был поражен. На ранних этапах нового проекта его работа кажется волшебством: он мгновенно генерирует код и дает логичные, стройные пояснения. Возникает полное ощущение взаимодействия с высококлассным коллегой.
Означает ли это, что эра программистов-людей близится к закату, а сильный ИИ уже на пороге?
Отнюдь. И это понимание приходит довольно быстро.
Как только масштаб проекта выходит за рамки учебного примера, «магия» испаряется. Вы задаете элементарный вопрос, и система уходит в глубокие «раздумья». Сначала это задержка в несколько секунд, затем в десятки. По мере роста объема кодовой базы время ожидания увеличивается экспоненциально. В итоге вы тратите минуты на ожидание ответа, который опытный разработчик сформулировал бы мгновенно.
Ошибочно полагать, что это временный сбой или проблема серверов. Это структурный лимит технологии, подтверждающий, что AGI на базе LLM — лишь маркетинговый миф.
Математический барьер против маркетингового шума
В чем причина столь резкого замедления ИИ? Ответ кроется в архитектуре трансформеров, а именно в механизме внимания (Attention Mechanism).
На старте контекст минимален. Но в процессе работы объем передаваемых данных растет. Нейросеть не обладает человеческой памятью; при каждом новом запросе она вынуждена заново анализировать колоссальный объем информации:
-
Предыдущий диалог;
-
Весь массив файлов проекта;
-
Системные вводные;
-
Индексацию структуры кода.
Это порождает огромный массив данных. Здесь вступает в силу закон вычислительной сложности: нагрузка растет квадратично (O(n²)) относительно длины контекста. Двукратное увеличение контекста требует в четыре раза больше ресурсов GPU. При десятикратном росте система начинает потреблять ресурсы с невероятной скоростью.
ИИ-помощник не анализирует архитектуру — он пытается обработать триллионы математических операций для предсказания очередного токена, находясь в своеобразной когнитивной ловушке.
Отличие человеческого разума от статистического предиктора
Существует концептуальный разрыв между мышлением человека и работой LLM, который сторонники ИИ предпочитают игнорировать.
-
Программист оперирует не текстом, а смыслами. Он осознает архитектурный замысел и логические связи. Для алгоритма же любой проект — лишь плоский набор символов.
-
Человеческий мозг мастерски фильтрует шум. ИИ же обязан перерабатывать каждый бит информации, поданный в контекст.
-
Человек накапливает опыт в динамике, тогда как модель статична. Она не эволюционирует в процессе рефакторинга вашего кода, она лишь сжигает электроэнергию.
Парадокс селекции: от лошади к автомобилю
Апологеты нейросетей уверяют: «Нужно лишь дождаться следующей версии модели, и проблемы исчезнут».
Это фундаментальное заблуждение. Можно бесконечно совершенствовать породу скаковых лошадей, делая их быстрее и выносливее, но из лошади никогда не получится автомобиль.
Развитие LLM — это путь количественного улучшения статистики. Но истинный разум (AGI) требует качественно иных механизмов:
-
Понимания причинно-следственных связей;
-
Способности к автономному целеполаганию;
-
Долгосрочной памяти, не требующей колоссальных энергозатрат при каждом обращении.
Суровая реальность
На первых порах ИИ может придать вам ускорение. Но как только сложность системы достигает критической массы, продуктивность человека начинает превосходить возможности алгоритма, застрявшего в собственных вычислениях. В итоге вы тратите больше времени на филигранное составление промптов и ожидание генерации, чем на само программирование.
Мы пытаемся строить цифровую экономику на базе инструментов, которые физически не способны масштабироваться соразмерно сложности реальных задач. Современные ИИ-ассистенты — это лишь зеркала, отражающие наш собственный интеллект. Не стоит путать отражение с реальностью.
Скептически относитесь к обещаниям Сэма Альтмана о появлении AGI к 2028 году.
Хотя, если вам так спокойнее, можете верить.
Но этого не случится в указанные сроки, а полноценный сильный интеллект, когда бы он ни появился, будет базироваться на принципиально иных технологических принципах. Каких именно — покажет время.
