Почему нынешний подход к обучению ИИ «замораживает» пользователей
Большинство современных моделей ИИ обучаются в нескольких крупнейших центрах, после чего их параметры «замораживаются». Такой процесс создаёт барьер между тем, кто разрабатывает модель, и тем, кто её использует. Пользователи получают готовый инструмент, но без возможности подстроить его под свои задачи, а значит — без реального контроля над тем, как ИИ принимает решения.
Что предлагает Thinking Machines Lab?
Исследователи лаборатории предлагают четыре технических направления, которые делают ИИ более гибким и ориентированным на конечного пользователя.
- Мульти‑модальная и настраиваемая модель. Создание мощных моделей, способных работать с текстом, изображениями, звуком и другими типами данных, а также с возможностью дообучения под конкретные сценарии.
- Инструменты для самостоятельного дообучения. Открытый набор утилит, позволяющих пользователям менять веса модели без необходимости обращения к крупным дата‑центрам.
- Расширенные интерфейсы взаимодействия. Новые способы ввода и обратной связи, которые делают общение с ИИ более естественным и продуктивным.
- Публикация исследований и открытый код. Прозрачность процесса создания моделей, чтобы каждый инженер мог понять и повторить методики обучения.
Практический план внедрения человеческо‑центричного ИИ
Для тех, кто уже работает над проектами ИИ, ниже – пошаговое руководство, как перейти от «замороженной» модели к распределённой и кастомизируемой.
- Шаг 1 – оценка текущей архитектуры. Проверьте, где хранятся веса вашей модели и насколько легко их можно выгрузить. Если модель полностью «запакована», понадобится её переобучение.
- Шаг 2 – выбор открытого фреймворка. Популярные решения – 🤗 Transformers, Open‑CLIP и AutoGPTQ. Они поддерживают дообучение на пользовательских датасетах.
- Шаг 3 – подготовка данных. Соберите небольшие, но репрезентативные наборы примеров, отражающие специфику вашей предметной области. Обязательно анонимизируйте чувствительные данные.
- Шаг 4 – дообучение (fine‑tuning). Запустите процесс дообучения на локальном GPU или в облаке с помощью команд:
python run_lora.py \ --model_name_or_path base-model \ --dataset_name your-dataset \ --output_dir ./lora-adapted(пример использует Lora‑адаптер из Microsoft/LoRA).
- Шаг 5 – интеграция новых интерфейсов. Добавьте поддержку голосовых запросов, визуального ввода или контекстных подсказок. Для этого можно использовать Whisper для транскрипции и CLIP для обработки изображений.
- Шаг 6 – тестирование и обратная связь. Внедрите цикл «пользователь → модель → пользователь», где каждый запрос фиксируется, а результат используется для дальнейшего дообучения.
Ключевые преимущества распределённого ИИ
- Больше контроля. Пользователи сами решают, какие данные влияют на модель.
- Скорость адаптации. Обновления весов занимают часы, а не недели, что критично в динамичных отраслях.
- Этика и конфиденциальность. Данные остаются в пределах организации, уменьшая риски утечки.
- Снижение стоимости. Возможность использовать небольшие локальные GPU вместо дорогостоящих облачных кластеров.
Где искать дополнительные материалы
Для более глубокого погружения в идеи Thinking Machines Lab обратитесь к оригинальному докладу:
- Thinking Machines Lab – Human‑Centred AI Report (PDF)
- GitHub-репозиторий с экспериментальными инструментами: github.com/thinkingmachines/human‑centric‑ai
Следуя этим рекомендациям, вы сможете построить ИИ‑систему, которая не просто «слушает» ваших пользователей, а действительно расширяет их волю и суждения.
