Принято считать, что научная фантастика вдохновляет прогресс. Разумеется, справедливо и обратное — причем, чем больше реальных научных концепций использовано в произведении, тем более «твердым» оно считается.
Серия Mass Effect — это, определенно, твердая научная фантастика, несмотря на все признаки космооперы. Устройство мира и технологий придумывали люди, обладающие внушительной экспертностью. Основатели студии BioWare Грег Зещук и Рей Музика, которые руководили ей во время работы над играми серии Mass Effect, — дипломированные медики (отсюда и название студии); глава команды разработки Кейси Хадсон — инженер-машиностроитель; а чтобы сделать космические приключения на разных планетах реалистичнее, сценаристы совместно с консультантами из разных областей создавали простенькие симуляции звездных систем.
Все вместе это помогло создать сравнительно цельный мир, который живет по законам, во многом согласующимся с известными нам научным знаниям. Mass Effect хвалят и за внятную ксенобиологию, и за реалистичные ракетные двигатели, и за глубокое философское исследование природы жизни, сознания и морали. За физику тоже хвалят — это делал в том числе и я в предыдущем большом тексте под названием «Масса эффектов».
А вот о том, насколько осмысленно в играх показан искусственный интеллект, мнений немного. Мне это кажется несколько несправедливым, учитывая, что в серии тема ИИ занимает центральное место. Свою роль сыграл тот факт, что Mass Effect корнями глубоко уходит в классическую научную фантастику, например «Звездный путь» или «Вавилон-5», где про ИИ было сказано и показано довольно много. С другой стороны, на момент создания первой части Mass Effect (это 2007 год) исследование искусственного интеллекта оставалось нишевой областью компьютерных наук.
К 2025 году все изменилось. Несколько принципиально новых нейросетевых архитектур увеличили значимость направления ИИ в глазах обывателей, а проникновение нейросетей в повседневную жизнь невозможно игнорировать. Все это побуждает стряхнуть пыль с легендарной серии и посмотреть на ее разумных и не очень машин современным взглядом. Я не буду пытаться доказать провидческие способности сценаристов BioWare или, наоборот, их отсутствие. Мне лишь хочется дать современное название тому, что еще два десятка лет назад казалось научной фантастикой.
ВНИМАНИЕ: впереди спойлеры к сюжету игр Mass Effect!
Содержание
Авина: виртуальный интеллект
Вокруг термина «искусственный интеллект» до сих пор идут ожесточенные споры. Словарное значение этого понятия простым языком можно пересказать так: нечто, что помогает или заменяет человека в интеллектуальной деятельности. Грубо говоря, шахматный компьютер или простенький чат-бот можно смело описать такими словами.
Но это научное определение входит в противоречие с бытовым представлением об интеллекте, поэтому от ИИ принято ожидать равных человеку когнитивных способностей. По этой причине в научных обиход вошли термины «сильный (иногда общий) искусственный интеллект» (artificial general intelligence, AGI) и «искусственный суперинтеллект» (artificial superintelligence, ASI). Первое относят к сопоставимым с человеком системам, вторые — к системам, превосходящим его. Вопрос терминологии, впрочем, открыт по сей день, но я буду придерживаться этих определений.
Чтобы не попасть в ловушку формулировок, авторы Mass Effect ввели деление на виртуальный интеллект (ВИ) и, собственно, ИИ. ВИ — это сильно развитая программа, общение с которой неотличимо от общения с живым человеком. При этом она не способна мыслить и рассуждать самостоятельно, поведенчески оставаясь в рамках заданного разработчиками скрипта. Существующий в Mass Effect ИИ соответствует AGI и ASI в нашем мире.
С ВИ игрок знакомится в первой части, сразу после того, как заканчивается пролог и его отпускают погулять по космической станции под названием Цитадель. Нас встречает голографический помощник по имени Авина, которому капитан Шепард может задать вопросы о станции или о ней самой, но только в рамках некоторой области знаний, загруженной в ВИ. Здесь же нам и объясняют разницу между ИИ и ВИ.
Сегодня Авина не кажется чем-то фантастическим. Можно даже сказать, что в BioWare довольно точно угадали с тем, как будут развиваться технологии. Давайте разберемся, какие существующие инструменты позволили бы реализовать ее на самом деле.
В первую очередь нам нужна система, способная воспринимать и генерировать слова на естественном языке. И здесь, без сомнения, нам пригодятся большие языковые модели (LLM), которые научились делать это настолько хорошо, что уже прошли тест Тьюринга. Подробно про LLM я рассказывал в материале «И целого интернета мало».
Правда, на роль виртуального ассистента «голые» LLM не подходят из-за их свойства галлюцинировать — выдумывать факты. Для борьбы с галлюцинациями сегодня используют различные техники, например, генерацию, дополненную поиском (Retrieval-Augmented Generation, RAG). Ее суть в том, что вместе с запросом на вход нейросети подается некоторая дополнительная информация, например, текст, результат поиска в интернете или
Так называется база данных, организованная в виде совокупности троек «субъект-отношение-объект», например, «Лондон-столица-Великобритании».
. Этот прием помогает помощникам меньше путаться при ответе.
Следующий компонент — это голосовое управление. Для этого нужно, во-первых, перевести голос пользователя в текст, а, во-вторых, конвертировать получившийся текст в голос. Обе задачи успешно решаются уже много лет, но в последние годы качество voice2text и text2voice-моделей существенно выросло благодаря нейросетям.
Голосовое управление ассистентами на основе больших языковых моделей — это уже реализованная функция, которая есть в продуктах множества компаний, например, Open AI, Perplexity или — если брать отечественные — Яндекса. Обычно они встроены в умные колонки либо выполнены в виде программы для смартфона или компьютера, где во время работы проигрывается аскетичная анимация.
Иногда компании идут дальше и дополняют ассистента визуальным аватаром. Так, к примеру, поступили xAI, создав анимированных компаньонов, в число которых вошла нашумевшая аниме-девушка Ани.
Но подобные аватары — всего лишь изображения на экране смартфона. Чтобы воссоздать Авину, анимацию следует перевести в 3D с помощью техник голографии. Эта проблема лежит в области физики и инженерного дела и напрямую не относится к теме этого текста. Достаточно сказать, что на сегодняшний день существует уже несколько технических платформ для создания полноценных движущихся голограмм, например, на основе метаматериалов или тумана, но их массовое производство экономически неоправданно.
Таким образом, если все вышеперечисленное собрать вместе и объединить с системами компьютерного зрения, которые сегодня также демонстрируют высокую точность, то получится виртуальный ассистент, с точки зрения способностей полностью эквивалентный Авине из Mass Effect.
Геты: ансамблирование и мультиагентность
Впервые мы встречаем гетов в самом начале Mass Effect — это агрессивные гуманоидные роботы, которые, как гласит история игры, восстали против создавших их
Одна из инопланетных рас в игре.
. По этой причине
Надгосударственная политическая структура, регулирующая жизнь большинства рас в Галактике.
ввел мораторий на создание полноценного ИИ. Истинная (и весьма нетривиальная) причина поведения гетов открывается нам по мере развития сюжета. Интересным оказывается и их техническое устройство.
Игрок узнает, что начало гетам положили продвинутые ВИ, разработанные за 300 лет до начала событий игры. Они были достаточно эффективны, чтобы выполнять хозяйственные функции, но неразумны. Кварианцы создавали роботов-помощников, загружая в них до нескольких сотен ВИ и объединяя в общую сеть для эффективного обмена данными.
Чем больше единиц объединялось локально, тем более сложные вычислительные задачи они были способны решать. Побочным эффектом стало то, что геты, обучившись на архивах своих создателей, обрели коллективный разум. Попытка кварианцев отключить их вызвала сопротивление гетов, которые изгнали своих создателей с родной планеты.
У нас нет оснований ожидать, что сотня LLM в действительности сможет обрести разум. Однако идея, предложенная авторами Mass Effect, тесно переплетается с реально существующими техниками и методами в машинном обучении.
Так, к 2007 году уже было известно, что ансамблирование — независимое обучение нескольких моделей с последующим объединением их предсказаний — помогает повысить точность работы алгоритмов. Это может быть просто усреднение предсказаний при регрессии или голосование моделей при классификации (бэггинг), либо более сложных подход, при котором модели обучаются, исправляя ошибки друг друга (бустинг).
Все большую популярность сейчас набирают мультиагентные подходы, которые предполагают совместную работу автономных интеллектуальных агентов. Их роль, как правило, играют большие языковые модели. Если ансамблирование — это, по сути, просто статистическое улучшении предсказаний через комбинирование множественных моделей, зачастую довольно простых, то в основе работы агентов лежит гибкость, распределение ролей и активное взаимодействие друг с другом. Одним из самых впечатляющих примеров применения системы из многих агентов можно назвать AI co-scientist от Google, про который я вскользь упоминал в материале «Глубина, я не твой». Этот ИИ для формулировки научных гипотез состоит из шести агентов на базе Gemini 2.0. Каждый из них играет свою роль: Generation придумывает гипотезы, Reflection критически их оценивает, Ranking сравнивает гипотезы и ранжирует их, Proximity оценивает близость гипотез и, если нужно, объединяет или отбрасывает их, Evolution совершенствует отобранные гипотезы, а Meta-review генерирует общий обзор с выводами и результатами работы.
Исследователи, которые занимаются биомедицинскими задачами, высоко оценили работу системы, а гипотезы, которые она сгенерировала, легли в основу научных статей. Одна из них, про лекарства от фиброза печени, недавно вышла в журнале Advanced Science.
Есть и другие области применения мультиагентных систем. Например, недавно компания PayPal опубликовала статью про фреймворк под названием Co-Investigator AI, который призван расследовать финансовые махинации.
Сложно сказать, станет ли мультиагентность ключом к достижению сильного ИИ: даже в среде экспертов по искусственному интеллекту спектр мнений простирается от очень оптимистичных до крайне пессимистичных. Тем не менее, это важная технология, которая ощутимо улучшает когнитивную эффективность машин, поэтому идея обретения коллективного разума, которым обладают геты, не лишена научного зерна.
Жнецы: генетические ИИ-модели
Главные
Mass Effect: Andromeda, последняя игра серии на данный момент, не связана с предыдущими общим сюжетом, а роль злодеев в ней выполняет другая инопланетная раса.
это Жнецы — раса разумных биомеханических звездолетов, созданных и направляемых искусственным интеллектом под названием Катализатор. Он работал над решением проблемы, которая из раза в раз возникала в Галактике: развитые цивилизации создавали собственные ИИ, с которыми затем вели разрушительные войны.
Создатели Катализатора поставили ему две задачи: защитить органическую жизнь и устранить причину конфликтов. После некоторых раздумий ИИ нашел «изящное» решение: раз в 50 тысяч лет уничтожать достаточно развитые цивилизации, поглощая их биомассу и сохраняя генетический код в форме могучих Жнецов, которые служили ему инструментом исполнения задуманного.
Завязка сюжета трилогии Mass Effect выглядит невероятно масштабно и фантастически. Однако идея о том, что машины способны не просто хранить код ДНК в виде последовательности нуклеотидов, а некоторым образом усваивать его для создания чего-то нового или предсказания свойств живых организмов перекликается с современными трендами в биоинформатике.
На момент создания первой игры серии уже были известны попытки применять в геномике различные инструменты машинного обучения, например, метод опорных векторов или метод случайного леса. Но настоящий прорыв в этой области совершила трансформерная архитектура — та самая, что лежит в основе современных LLM.
Подробнее про трансформеры я рассказывал во все том же материале «И целого интернета мало». Вкратце: эти модели хороши в задачах, где необходимо обрабатывать последовательности символов. А генетическая информация — это, по сути, текст, но записанный с помощью четырехбуквенного алфавита.
Первой языковой моделью для работы с последовательностями ДНК можно назвать опубликованную в 2021 году DNABERT которая фактически представляла собой адаптацию хорошо известной на тот момент архитектуры BERT к геномным данным. После дообучения DNABERT показал превосходную производительность в предсказании промоторов, сайтов сплайсинга и участков связывания транскрипционных факторов — задач, которые до этого требовали специализированных методов. Вскоре появились и другие решения, построенные по схожему принципу, например, The Nucleotide Transformer от коллаборации InstaDeep, NVIDIA и TUM или семейство моделей GENA-LM от российских исследователей.
Конечно, в существующем виде генетические языковые модели невероятно далеки от того, что нам показывают в Mass Effect. Множество последовательностей ДНК, усвоенных Жнецами в ходе Жатвы, влияет на то,
хотя это утверждение оспаривается некоторыми фанатами
, а также на форму и способности солдат, которые служат им во время высадки на планеты.
В некотором смысле описанное перекликается с задачей восстановления внешнего вида особи по ее геному. Это вполне актуальное направление, востребованное в палеоархеологии или криминалистике, и в нем также не обходится без методов машинного обучения.
Правда, надежно удается предсказывать лишь отдельные признаки, такие как цвет глаз, волос или оттенок кожи, и языковые модели ДНК здесь приносят пользу. С хорошей точностью предугадать что-то более сложное, например, морфологию лица, пока не выходит. Не стоит, впрочем, забывать, что Жнецы и их солдаты — это наполовину машины, а значит, настоящая биология к ним применима лишь отчасти.
Наконец, с точки зрения машинного обучения, каждая ДНК, поглощенная и прочитанная Жнецами, становится частью гигантского геномного датасета. В «И целого интернета мало» я рассказывал, насколько важны оказались объемы данных для прогресса в области больших языковых моделей. Поэтому Жатва выглядит вполне логичным мероприятием, если смотреть на нее через оптику науки об ИИ.
СУЗИ: сильный квантовый ИИ
Во вселенной Mass Effect не так много примеров настоящего ИИ. Помимо уже упомянутых гетов и Жнецов, к этой категории можно отнести СЭМ из Mass Effect Andromeda и СУЗИ — секретный бортовой ИИ корабля главного героя, обладающий женской персональностью.
Авторы ввели СУЗИ в сюжет
хотя на самом деле она фигурировала еще в первой
. Она позволила им поднимать такие темы, как самосознание ИИ и отношения между человеком и разумным андроидом. Помимо прочего, СУЗИ стала первым дружественным ИИ, который встречает игрок, — все остальные обычно пытаются нас уничтожить.
В
внутренней энциклопедии игры
сказано, что настоящий ИИ не способен работать без квантового компьютера, который называется
в оригинале — blue box
. ИИ неотделим от такого компьютера: копирование на традиционные носители создает на новом месте лишь «мертвые» файлы, а копирование на новый «голубой ящик» — ИИ с новой, непредсказуемой личностью.
Почему «голубой ящик»? ↓
Смысл этого названия нигде не раскрывается. Возможно, оно отсылает к устройству, изобретенному Стивом Возняком, но, скорее всего, термин пришел из кибернетики. Там существует градация систем по степени нашего знания о внутреннем устройстве и принципе работы: черный ящик — полное незнание, белый ящик — полное знание, серый ящик — что-то посередине. Можно предположить, что выход за оттенки серого означает наше незнание иного рода — квантовую неопределенность.
Привлечение квантовых вычислителей к созданию искусственного интеллекта в фантастике не случайно. С одной стороны, к середине 2000-х годов, когда создавалась первая игра, вера в появление AGI на базе традиционных процессоров была невелика — на это время приходится конец «зимы искусственного интеллекта». С другой стороны, активно развиваются квантовые компьютеры: в это десятилетие стали появляться первые прототипы с несколькими кубитами, а сама идея вызывала оптимизм.
Где еще тогда встречались квантовые компьютеры? ↓
Mass Effect не был единственным произведением, привнесшим квантовые компьютеры в массовую культуру. К примеру, в 2005 году вышел боевик Роба Коэна под названием «Стелс». Фильм рассказывает про беспилотный истребитель, управляемый ИИ на основе квантового компьютера. Примечательно, что этот ИИ сокращенно назывался EDI — ровно так же по-английски звучит имя СУЗИ.
Сегодня две эти области активно соприкасаются: в квантовом машинном обучении используется гибридных подход, при котором часть вычислений проводит квантовый компьютер, а часть — классический. Появилась даже квантовая обработка естественного языка, в рамках которой создаются квантовые LLM.
Такие модели обгоняют по эффективности классические аналоги, но обычно всего на 2-4 процента. Вместе с этим квантовые вычисления сами по себе сталкиваются с фундаментальными проблемами: быстрой потерей когерентности из-за окружающих шумов, трудностями масштабирования и дороговизной. По этой причине главные надежды на создание сильного ИИ сегодня связаны все же с усовершенствованием существующих или изобретением новых архитектурных решений, работающих на классических компьютерах.
И все же стоит отдать должное чуткости BioWare, которые бережно впитали технологические тренды своего времени и отразили их в играх Mass Effect. Кроме того, сильный ИИ еще не создан. Кто знает, быть может, именно большие отказоустойчивые квантовые компьютеры в будущем сыграют в этом свою роль?