От Принстона до профессуры в США: путь казахстанца в мировую науку об ИИ
У казахстанской молодежи колоссальный потенциал, чтобы менять мир к лучшему, считает Абулкаир Сапаров
Искусственный интеллект (ИИ) стал одним из самых влиятельных технологических направлений современности. В глобальную технологическую гонку включились не только сверхдержавы и ИТ-гиганты, но и ведущие университеты и научно-исследовательские центры. В эпоху этих стремительных перемен на международной научной арене все чаще звучат имена молодых казахстанцев.
Один из них – Абулкаир Сапаров, профессор факультета искусственного интеллекта Университета Пердью (Purdue University) и главный научный сотрудник (Chief Scientist) компании Nace.AI.
Он считается первым казахом, ставшим профессором в США в области глубокого машинного обучения. Получив степень бакалавра в Принстонском университете (Princeton University) и защитив докторскую диссертацию (PhD) по направлению Deep Learning в Университете Карнеги — Меллона (Carnegie Mellon University), сегодня ученый сфокусирован на исследованиях в области машинного обучения, искусственного интеллекта и научной инженерии.
В интервью корреспонденту центра деловой информации Kapital.kz Абулкаир Сапаров подробно рассказал о будущем ИИ, развитии науки в Казахстане, пути к признанию на мировом уровне, ключевых проблемах индустрии и типичных ошибках молодых ученых.
О жизненном пути и переезде в США
– Абилкаир, расскажите для начала о вашей биографии и о том, чем вы занимались.
– Примерно в 1994 году, вскоре после распада Советского Союза, мы с родителями и сестрой переехали в США. Первые семь лет жили на юге, в штате Алабама, там же я пошел в государственную школу. Позже перебрались в Нью-Джерси, это регион, расположенный близко к Нью-Йорку и Филадельфии. Там и прошла основная часть моего детства.
Затем я поступил в Принстонский университет на бакалавриат, где изучал компьютерные науки. Именно тогда у меня проснулся интерес к исследовательской деятельности, и я понял, что хочу связать свою жизнь с наукой в сфере ИИ и машинного обучения.
Для продолжения академического пути я решил поступать в аспирантуру на программу PhD. Выбор пал на Университет Карнеги – Меллона в Питтсбурге. Там я несколько лет изучал машинное обучение, учился писать академические статьи и в итоге защитил докторскую диссертацию.
После этого я прошел двухлетнюю программу постдокторантуры (Postdoc) в Нью-Йоркском университете. Это укрепило мой научный бэкграунд и повысило конкурентоспособность при подаче заявок на профессорские позиции. В итоге, пройдя отбор в несколько вузов, я остановился на Университете Пердью, где сейчас и работаю.
– Расскажите о ваших родителях. Почему они решили переехать в США и чем там занимались?
– Мой отец тоже ученый-исследователь, его сфера – биомедицина и смежные дисциплины. Мама работала бухгалтером. Сейчас оба на пенсии.
Интересно, что, когда я учился в старших классах, отец вернулся в Казахстан. Он начал работать в Астане, участвуя в создании новой системы больниц и университетских проектов. Позже он стал профессором в одном из столичных вузов и буквально недавно вышел на заслуженный отдых.
Мама оставалась со мной и сестрой в США, пока мы не поступили в колледж. Затем она тоже переехала в Астану, где устроилась бухгалтером в посольство США, для нее это стало очень удачным совпадением. Сейчас они на пенсии и много путешествуют.
– Что вы думаете о молодых казахстанцах, которые, получив образование на родине, уезжают работать в крупные технологические компании или запускают стартапы?
– Я считаю это прекрасной тенденцией. Например, один из моих друзей, с которым мы вместе учились в Принстоне, позже вернулся в Алматы и открыл стартап-инкубатор. Знаю, что сейчас он довольно известная фигура в вашей ИТ-среде. Это очень сильный специалист, вносящий огромный вклад в развитие стартап-экосистемы Казахстана, особенно в продвижение Computer Science, машинного обучения и ИИ.
На мой взгляд, в Казахстане сейчас прилагаются большие усилия для синергии науки и предпринимательства, и это радует. Инвестиции в такие образовательные проекты, как Назарбаев Университет, имеют критическое значение. Для государства огромный плюс, когда студенты могут осваивать такие фундаментальные направления, как инженерия и машинное обучение, у себя в стране.
Искусственный интеллект: временный хайп или реальное будущее?
– Сейчас тема ИИ на слуху во всем мире. Такие страны, как Казахстан, пока не создают собственные базовые технологии ИИ, а скорее изучают и адаптируют зарубежный опыт. По вашему мнению, ИИ-стартапы действительно создают ценный продукт или это временный тренд?
– Отличный вопрос. Сейчас в сферу ИИ вливаются колоссальные инвестиции. Сложилась интересная цепочка: производители графических процессоров (GPU) инвестируют в ИИ-стартапы, а те, в свою очередь, на эти же деньги закупают у них процессоры. Из-за этого на рынке действительно наблюдаются определенные признаки «пузыря».
Однако я не думаю, что нас ждет кризис масштаба доткомов начала 2000-х. Нынешние ИИ-технологии имеют гораздо более осязаемую практическую ценность и широкую сферу применения. Возьмем разработку ПО: за последние пару лет индустрия программирования изменилась в корне. Большинство разработчиков используют ИИ-инструменты для повышения продуктивности, особенно при написании кода малого и среднего объема.
Конечно, в масштабных архитектурных проектах возможности ИИ пока ограничены – там задачи приходится дробить. Но в целом искусственный интеллект уже стал реальным драйвером в самых разных секторах экономики.
Сегодня ИИ активно применяется в генерации изображений, создании рекламного визуала и синтезе речи. Из-за этого профессиональные дикторы и актеры озвучивания начинают всерьез беспокоиться за свои рабочие места, ведь бизнесу выгоднее использовать сгенерированный голос.
То же самое происходит в видеопроизводстве. Например, часть недавних рекламных роликов Coca-Cola была создана с помощью ИИ, а не отрисована аниматорами вручную, как раньше. В киноиндустрии тоже есть опасения, что в будущем цифровые актеры смогут заменить реальных. И все же я не верю в тотальное вытеснение людей. Да, некоторые профессии под угрозой, но во многих сферах человеческий интеллект и эмпатия незаменимы. Полная автоматизация маловероятна.
– В чем разница между ученым, классическим инженером и ИИ-инженером?
– В США существует четкая градация. Например, инженер-программист (software engineer) в основном сфокусирован на написании кода. Компания дает ему конкретное ТЗ – создать программу или функцию. Инженер принимает технические решения: какой алгоритм применить, какая структура данных будет эффективнее. Как правило, язык программирования определен заранее. Его задача – решить проблему кодом и выдать готовый продукт.
Научные исследования (research) – это совершенно иной уровень. Здесь главная цель – поиск ответов на вопросы, на которые до тебя никто не отвечал. Ученые не просто используют готовый инструментарий, они создают принципиально новые алгоритмы и подходы. Порой изначально даже неизвестно, существует ли решение задачи в принципе. Это выясняется только опытным путем.
Инженер-исследователь (research engineer) находится на стыке этих двух миров. С одной стороны, он вовлечен в научный поиск, с другой – пишет код для проведения экспериментов и развертывания систем, проверяя теоретические гипотезы на практике. Это прикладная наука в действии.
Чего не хватает специалистам по ИИ?
– Специалистов по ИИ сегодня много, но людей с глубокими фундаментальными знаниями не хватает. Почему так происходит?
– Думаю, это прямое следствие хайпа вокруг индустрии. Из-за огромного спроса и притока денег компании готовы нанимать людей без глубокой теоретической базы. При этом экспертов с академической подготовкой уровня PhD по-прежнему дефицит – их подготовка требует штучной работы и многих лет. Со временем баланс восстановится, но это долгий процесс.
– Какое ключевое технологическое знание отличает исследователя от инженера-практика?
– Разница в типе мышления. В докторантуре (PhD) человек сужает фокус до максимума. Вы обязаны стать одним из лучших специалистов в мире в конкретной узкой нише. Ваша экспертиза в этой точке глубже, чем у кого бы то ни было.
Когда возникает проблема, обычный инженер обращается к готовым инструментам, языкам программирования и структурам данных, чтобы эффективно и быстро закрыть задачу. Это отличный подход, но он ограничен рамками существующих технологий.
Ученый-исследователь действует иначе. Прежде чем решать задачу, он изучает весь массив мировой научной литературы: последние статьи, новые алгоритмы, еще не внедренные методы. Он ищет слабые места в существующих подходах и пытается заглянуть на 2–5 лет вперед, чтобы понять, куда движется индустрия. Работа исследователя обязана обладать научной новизной, поэтому мы всегда находимся на передовой науки.
Три главные ошибки молодых исследователей и студентов
– Какие университеты в США считаются сильнейшими в области машинного обучения и научных исследований?
– Выделить кого-то одного сложно, но Университет Карнеги – Меллона традиционно на вершине. Также в топ-листе всегда находятся MIT, Stanford, UC Berkeley и Princeton. Если говорить строго о Machine Learning, то Carnegie Mellon и MIT чаще всего делят лидерство.
– Какие ошибки чаще всего совершают молодые исследователи?
– Первая ошибка – чрезмерная концентрация на оценках. На бакалавриате высокий GPA действительно важен. Но в магистратуре и особенно в докторантуре (PhD) оценки отходят на второй план. Намного важнее становится исследовательский опыт.
Если ваша цель – степень PhD, вы должны тратить основное время на научные проекты, оформлять их в виде статей и публиковаться на авторитетных конференциях и в научных журналах.
Вторая ошибка – потеря масштаба, когда молодые исследователи продолжают мыслить категориями инженеров. Цель науки – не просто сделать систему чуть лучше существующей, а открыть новое знание.
– Как вы определяете научный потенциал человека? Что важнее – талант или дисциплина и труд?
– Я работал в приемной комиссии PhD-программ на факультете компьютерных наук в Университете Пердью. По опыту скажу: если у студента бакалавриата уже есть публикация на авторитетной международной конференции, где он указан первым автором, – это сильнейший сигнал. Это доказывает, что он способен вести самостоятельную научную работу.
Лучший путь для студента начать этот путь – проявить себя на занятиях. Если профессор видит глубокий интерес к предмету, он может пригласить студента в свой исследовательский проект. Кроме того, профессора, с которыми студент работал вместе, пишут рекомендательные письма – а это один из решающих факторов при поступлении на PhD.
Три нерешенные проблемы в области ИИ и машинного обучения
– Есть ли направления в сфере ИИ, которые сегодня недооценены?
– Последнее десятилетие все сфокусированы на глубоком обучении (Deep Learning) и больших языковых моделях (LLM). Там огромная конкуренция. На мой взгляд, незаслуженно мало внимания уделяется нейросимволическим методам. Это подход, сочетающий в себе преимущества нейросетей и символьного ИИ.
Символьные методы обладают логической строгостью, которой не хватает нейросетям. Их правильная интеграция позволит создать более стабильный ИИ, менее склонный, например, к галлюцинациям (выдумыванию фактов).
– С какими еще фундаментальными вызовами сталкивается индустрия?
– Первое – это способность к длинным цепочкам рассуждений (long-chain reasoning). Речь идет о последовательном решении сложных многошаговых задач, что критически важно для программирования, медицины и юриспруденции.
Второе – робототехника и долгосрочное планирование. Современные ИИ-модели пока плохо справляются с планированием последовательности действий робота на долгую перспективу.
Третье – построение модели мира (world model). Это способность ИИ формировать внутреннее представление об окружающей среде, прогнозировать последствия своих действий и моделировать будущее в виртуальном пространстве – точно так же, как это делает человеческий мозг перед принятием решений. Сейчас над созданием таких сильных моделей мира бьются ведущие лаборатории.
Почему фундаментальная наука – это прерогатива государства
– Возможно ли появление мыслящего ИИ, как в фильмах «Терминатор» или «Железный человек»?
– Теоретически это возможно. Но в ближайшей перспективе – скажем, в следующие пять лет – мы до этого точно не дойдем. Через 10–20 лет вероятность возрастет, но даже тогда я бы не оценил ее выше 50%. Индустрия развивается настолько стремительно, что прогнозировать горизонт далее десяти лет становится практически невозможно.
– Нынешний ИИ – это все еще инженерия или уже полноценная наука?
– ИИ сам стал активным инструментом науки. Сегодня ученые используют ИИ в качестве ассистента для написания статей, планирования экспериментов и анализа данных. Это применимо не только в ИТ, но и в медицине, материаловедении, физике. Пока этот тренд только набирает обороты, но технология постепенно становится массовой.
– Почему в Казахстане мало кто идет в фундаментальную науку? Это проблема образования, культуры или мотивации?
– Причины две. Первая – недостаточное финансирование. Фундаментальные исследования не дают мгновенной коммерческой отдачи, это долгосрочные инвестиции. В прикладной инженерии результаты видны быстрее, бизнес охотнее вкладывает туда деньги. Поэтому развитие фундаментальной науки должно брать на себя государство – оно способно мыслить стратегическими категориями.
Вторая причина – дефицит кадров. Нужны не только деньги, но и талантливые студенты, сильные профессора, способные обучать научной работе. В Казахстане наметились позитивные сдвиги: инвестиции растут, Назарбаев университет стал вузом нового формата, привлекающим сильные кадры.
– Верите ли вы, что сможете стать ученым мирового уровня родом из Казахстана?
– Я искренне надеюсь на это. Мне хочется популяризировать науку в Казахстане, вдохновлять молодежь. Повторюсь: потенциал наших ребят огромен. Со своей стороны я буду делать все возможное — проводить качественные исследования, консультировать стартапы, участвовать в казахстанских проектах и помогать молодым талантам расти. Я верю, что в Казахстане будет сильное сообщество ученых и инженеров.
– Спасибо за содержательную беседу!
При работе с материалами Центра деловой информации Kapital.kz разрешено использование лишь 30% текста с обязательной гиперссылкой на источник. При использовании полного материала необходимо разрешение редакции.
Читайте Kapital.kz в
