Учёные из Johns Hopkins опровергают миф о необходимости больших данных в ИИ

Вопрос зависимости ИИ от больших данных под сомнением

Исследователи из Университета Джонса Хопкинса опубликовали новое исследование, в котором доказывают, что развитие искусственного интеллекта не требует исключительно больших объёмов обучающих данных и вычислительных мощностей. Они показали, что ИИ-системы могут имитировать работу мозга без предварительного обучения.

Сравнение трёх ключевых архитектур нейросетей

В работе сравнивались три основных типа нейронных сетей: трансформеры, полностью связанные сети и сверточные нейронные сети. Результаты показали, что сверточные сети демонстрируют поведение, наиболее близкое к работе человеческого мозга, и способны эффективно функционировать без обучения, на уровне традиционных ИИ-систем.

Архитектура как ключевой фактор в развитии ИИ

Микаэл Боннер, ассистент-профессор когнитивных наук Университета Джонса Хопкинса, критикует высокие затраты на большие данные и вычисления: «Эволюция не случайно привела к такой архитектуре». По его словам, «архитектуры, похожие на мозг, дают ИИ преимущество». Это означает, что если бы большие данные были главным фактором, то невозможно было бы добиться подобных результатов, изменяя архитектуру.

Биологически вдохновленные методы обучения — будущее ИИ

Учёные исследуют простые методы обучения, вдохновлённые биологией, которые могут сделать ИИ более быстрым, эффективным и менее зависимым от больших наборов данных. Такой подход открывает новые перспективы в развитии искусственного интеллекта.

Влияние на жизнь и перспективы развития

Данное исследование способствует созданию более доступных, энергоэффективных и быстроразвивающихся ИИ-технологий. Снижение требований к ресурсам позволит шире применять ИИ в повседневной жизни, что усилит его социальное и экономическое воздействие.

Исследование Университета Джонса Хопкинса опубликовано в журнале Nature Machine Intelligence (2025, том 7, № 11, с. 1834) и стало доступно общественности в январе 2026 года.