Прогрес штучного інтелекту сповільнюється через надлишок безкорисних даних — їх занадто багато

Ключовий висновок: щоб перейти від ChatGPT до «живих» роботів, потрібні не просто великі набори даних, а якісна та релевантна інформація.

Fortune підкреслює, що індустрія ШІ стоїть на порозі нової ери – фізичного інтелекту і моделей навколишнього світу. Такі системи мають вміти орієнтуватися у реальному просторі: рухатися по дорозі, прати білизну або допомагати при складних хірургічних втручаннях. Для цього їм потрібні не просто «завантажувані» дані, а багатогранні, насичені набори інформації.

Чому якість даних критична
1. Надлишковість і безпомічність

У умовах ажіотажу навколо ШІ з’явилося багато стартапів (Scale AI, Surge AI, Mercor), що прагнуть збирати якомога більше даних. Це призводить до накопичення величезної кількості «порожніх» файлів, які не сприяють навчанням моделей. Якщо дослідники не зможуть їх відфільтрувати, потенціал фізичного ШІ залишиться недоиспользованим.

2. Складність багатовимірних задач

Розуміння складного світу вимагає ще більших обсягів даних, але вони надзвичайно важкодоступні. Тому інженери звертаються до моделювання: створюють віртуальні реконструкції реальних сценаріїв, щоб генерувати навчальні приклади для роботів і автономних транспортних засобів.

3. Ризики низькоякісних наборів

Некачеційні дані можуть призвести до непередбачуваних результатів. Прикладом служить припинення підтримки OpenAI відеоприложення Sora: модель не справлялася з фізикою, що заважало реалістичним прогнозам.

Як вирішувати проблему
- Інструменти очищення

Спеціалісти зі штучного інтелекту потребують технологій, які автоматично видаляють зайві дані, аналізують, нормалізують і коригують набори. Це дозволить виділити цінну інформацію з «шуму».

- Фокус на якості

Наразі обмежуючим фактором є нестача якісних даних. Компанії, що першими зрозуміють це й почнуть інвестувати в їх збір і обробку, стануть лідерами у створенні дійсно працюючих ШІ‑систем.

Таким чином, переход від текстових моделей до роботів, здатних діяти у реальному світі, неможливий без системного підходу до якості навчальних даних. Fortune підкреслює, що саме цей фактор стане вирішальним для майбутнього фізичного інтелекту.