Например, беспилотным автомобилям или роботам-помощникам нужно не просто «видеть» окружающий мир, но и понимать, что происходит между людьми: вот двое разговаривают, а вот пешеход вот-вот шагнет на дорогу. Но современные ИИ-модели с этим не справляются.

Ученые из Университета Джонса Хопкинса провели эксперимент: они показывали людям и нейросетям короткие видео с разными сценариями — общение, параллельные действия, одиночные занятия.

Люди легко улавливали контекст и предсказывали поведение, а вот ИИ, даже самые продвинутые, действовали наугад.

• Видеомодели плохо описывали происходящее.
• Модели для изображений не понимали, общаются люди или нет.
• Языковые модели справлялись лучше, но все равно уступали человеку.

ИИ отлично распознает статичные объекты — лица, предметы, — говорит Лейла Исик, руководитель исследования.

Но жизнь не стоит на месте. Чтобы робот или беспилотник работал безопасно, он должен «чувствовать» динамику: куда повернется человек, шутит он или сердится. Сейчас ИИ этого не умеет.

Почему так? Вероятно, дело в архитектуре нейросетей — их «учили» на обработке отдельных кадров, а не живых сцен. Как заметила соавтор исследования Кэти Гарсия, „в социальных взаимодействиях слишком много нюансов, и ИИ их пока не схватывает“.

Этот эксперимент важен не только для разработчиков ИИ. Он показывает:

• Где проваливаются технологии — например, беспилотник может не заметить, что пешеход смотрит на телефон и вот-вот шагнет под колеса.
• Как улучшить обучение нейросетей — возможно, нужно менять архитектуру, добавляя «социальный интеллект».
• Почему человеческий мозг пока вне конкуренции — он обрабатывает динамичные сцены иначе, чем ИИ, и это стоит изучать.

Ранее ученые заметили, что со временем люди могут настолько доверять ИИ, что проворонят момент, когда он начнет манипулировать.