Искусственный интеллект — за горами

Если сравнивать современные нейронные сети с человеческим мозгом, можно прийти к выводу: даже самые крупные нейросети на сегодняшний день уступают мозгу человека по числу параметров — как минимум в тысячи раз, а вычислительная мощность для обучения сопоставимого масштаба будет доступна только через десятки лет.

Приближение

Рассмотрим память человека за 20 лет как веса и параметры модели. 

Сведение объёма биологической памяти к эквиваленту текстовых-LLM-токенов (≈ 4 байта ≈ ¾ английского слова). Это очень грубая, но показательная оценка.

Этап оценки	Пояснение
Синапсы	У 20-летнего ≈ 6 × 10¹⁴ синапсов (86 млрд нейронов × 7 тыс. соединений в среднем)
Биты/синапс	Физические модели (Bartol et al., 2015) дают ≈ 4–5 бит на синапс
Ёмкость	6 × 10¹⁴ синапсов × 4.7 бит ≈ 2.8 × 10¹⁵ бит ≈ 3 × 10¹⁴ байт ≈ 300 ТБ (нижняя оценка) до ~2.5 ПБ (верхняя популярная оценка)
Токены	1 токен ≈ 4 байта ⇒ 300 ТБ / 4 байта ≈ 75 трлн токенов (консервативно) 2.5 ПБ / 4 байта ≈ 625 трлн токенов (при «полном» использовании ёмкости)

Приближённо её можно оценить в 50 триллионов параметров — с учётом оптимизации на 90 %. Это уже в 25 раз превышает объём параметров крупнейшей на текущий момент модели ChatGPT (около 1,8 триллиона параметров).

И это — лишь память.

Если же провести линейное сравнение мозга с весами нейросети: ~100-200 миллиардов нейронов, и ~ 0,5 квадриллиона синапсов, кроме того, каждый синапс в мозге — это не просто числовой вес: он представляет собой сложнейший биофизический механизм, чьё поведение до сих пор невозможно полноценно смоделировать.

Таким образом, по своей сложности мозг эквивалентен нейросети, содержащей   10-100 квадриллионов параметров. 

Вывод

Обучение такой модели в современных условиях попросту невозможно. Для этого буквально пришлось бы собрать видеокарты мира уже произведенные и те что будут произведены в следующующие миллион лет — без преувеличений.

Искренне надеюсь, что я ошибаюсь.

Обсуждение

В данном случае мы можем оперировать контраргументом, сводящемуся к тому, что в человеческом геноме, есть такое понятие как «мусорная ДНК«, она не несет никакой функции, буквально. Это след миллионов лет эволюции и он составляет 98%. По аналогии с ДНК, сложность человеческого мозга может быть попросту «избыточной», ведь мозг слона — больше и сложнее человеческого, но интеллект ниже. 

Скорее всего, сознание, лежит на другом слое абстракции, чем простая вычислительная мощность. 

Но даже если мы возьмем эти 1-2%, такой объем видеокарт, с учетом того, что мы будет только наращивать скорость выпуска на 20% в год, мы сможем получить к 2046 году(без прорывов в технологиях вычислений). 

И да, один маленький нюанс, человечеству все еще придется объединился для этой цели.

Просто наращивать мощьность точно не выйдет. Нужны фундаментальные открытия.

Источники

Ссылка (год)	Суть
Beren’s Blog, The Scale of the Brain vs Machine Learning (2022) (beren.io)	Пошагово оценивает 86 млрд нейронов × ≈10³ синапсов ≈ 10¹⁴ параметров; крупнейшие LLM (GPT-3/4) дают лишь ~1–2 % этого масштаба.
Scientific American, Artificial Synapses Could Let Super-computers Mimic the Brain (2016) (Scientific American)	Показывает, что даже специализированный «нейроморфный» железный прототип повторяет только микроскопическую долю 100 трлн синапсов мозга.
PMC review, Energy Challenges of Artificial Super-Intelligence (2023) (PMC)	Сравнение: мозг ≈ 12 Вт, суперкомп с экзафлопс — десятки МВт; имитация мозга потребовала бы ~2,7 ГВт.
Neurozone blog, Energy Efficiency in Artificial and Biological Intelligence (2024) (blog.neurozone.com)	Подчёркивает: мозг расходует энергии в «миллионы раз» меньше на эквивалентную вычислительную задачу, чем ИИ-центры обработки данных.
Cerebras пресс-релиз (2021) (Cerebras)	Заявляет поддержку моделей до 120 трлн параметров (≈0,1 «мозга») на одном CS-2 с дисагрегированным хранилищем весов.
VentureBeat, CS-2 brain-scale chip (2021) (VentureBeat)	Подчёрживает «brain-scale» позиционирование: 120 трлн параметров — в 100 раз больше GPT-3, но всё ещё < 1 % синапсов мозга.
IEEE Spectrum, AI Chip Twice as Energy Efficient as Alternatives (2022) (IEEE Spectrum)	Отмечает переход к вычислениям «в памяти» для снижения энергозатрат, но всё равно далёк от 20-ваттного мозга.
Texas A&M News, AI Uses Less Energy by Mimicking the Brain (2025) (stories.tamu.edu)	Сводит масштаб: дата-центры – ГВт против 20 Вт у мозга; подчёркивает ценность нейроморфных схем.
Wired, Why AI Is Not Like Your Brain — Yet(2017) (WIRED)	Классический обзор различий: нейросети – «миллионы узлов» vs 100 млрд нейронов; опираются на brute-force, а не сложную биофизику синапса.
Medium, Comparing Human Brain Models and AI Parameters (2024) (Medium)	Дает табличку: GPT-3 (1,75 × 10¹¹ параметров) ≈ «карликовый» по сравнению с 10¹⁴ синапсов мозга; подчёркивает спарс-природу связи в биологии.
Blue Brain Project обзор (2023) (PMC)	Симуляция мышиного мозга уже требует экзафлопс-уровня; масштабирование к человеку сдвигается за 2040-е по ресурсным оценкам.