CC BY
0
ЖУРНАЛИСТИКА I
УДК 316.772.5 ББК 76.002
DOI: 10.31862/1819-463X-2023-4-44-56
ГЕНЕРАТИВНЫЕ ЯЗЫКОВЫЕ МОДЕЛИ
КАК АКТУАЛЬНЫЙ ФЕНОМЕН МЕДИАКУЛЬТУРЫ
В НАЧАЛЕ XXI ВЕКА
Я. В. Солдаткина, А. С. Чернавский
Аннотация. Статья посвящена истории, актуальному состоянию и перспективам развития нейросетей, предназначенных для генерирования разного типа медиатек-стов. Представлен научный обзор основных тенденций развития и использования генеративных сервисов в контексте формирования современной медиасферы в начале 2023 г. Проанализированы ключевые направления медиарецепции взрывной популярности генеративных алгоритмов. Особое внимание уделено траекториям возможных изменений медиакультуры с использованием новейших технологий и алгоритмических решений в сфере продуцирования медиаконтента, в медиаэдьютейнменте. Актуальность исследования обусловлена широким функционалом современных нейросетевых генеративных алгоритмов и сервисов, а также расширением полимодальности медиа-коммуникаций в области современной цифровой медиакультуры. Особое внимание уделяется инновационной языковой модели ChatGPT и ее текущему использованию для решения различных коммуникационных, культурных и образовательных задач.
Ключевые слова: медиакоммуникации, медиакультура, генеративные модели и алгоритмы, GPT, GAN, AI, цифровое искусство, цифровые медиа, нейросети, новые медиа.
Для цитирования: Солдаткина Я. В., Чернавский А. С. Генеративные языковые модели как актуальный феномен медиакультуры в начале XXI века // Наука и школа. 2023. № 4.
С. 44-56. DOI: 10.31862/1819-463X-2023-4-44-56.
© Солдаткина Я. В., Чернавский А. С., 2023
BJS
Контент доступен по лицензии Creative Commons Attribution 4.0 International License The content is licensed under a Creative Commons Attribution 4.0 International License
GENERATIVE LANGUAGE MODELS
AS A CRUCIAL PHENOMENON OF MEDIA CULTURE
AT THE BEGINNING OF THE XXI CENTURY
Ya. V. Soldatkina, A. S. Chernavskij
Abstract. The article is devoted to the history, current state and prospects of development of neural networks for generating different types of media content. It presents an academic overview of the main trends in the development and usage of generative services in the context of the development of the modern media sphere at the beginning of 2023. The key trends in the media reception of the explosive popularity of generative algorithms are analyzed. Particular attention is paid to the paths of possible changes in media culture through the use of new technologies and algorithmic solutions in the production of media content and in media edutainment. The relevance of the research is due to the extensive functionality of modern neural network generative algorithms and services, as well as the expansion of polymodality of media communications in the field of modern digital media culture. Particular attention is paid to the innovative language model ChatGPT and its current use for various communication, cultural and educational tasks.
Keywords: media communication, media culture, generative models and algorithms, GPT, GAN, AI, digital art, digital media, neural networks, new media.
Cite as: Soldatkina Ya. V., Chernavskij A. S. Generative language models as a crucial phenomenon of media culture at the beginning of the XXI century. Nauka i shkola. 2023, No. 4, pp. 44-56. DOI: 10.31862/1819-463X-2023-4-44-56.
Современная цифровая медиасреда находится в постоянном становлении, расширяясь как благодаря развитию технологических возможностей, порождающих обилие коммуникационных каналов и форм обмена электронной информацией, так и за счет дигитали-зации разнообразных доцифровых артефактов, образующих внутри виртуального медиапространства новых массивов медиакультуры. Само понятие «медиакультура» определяется сегодня в довольно широких рамках. Одним из наиболее интересных и актуальных подходов нам представляется соответствующее определение из оксфордского «Словаря медиа и коммуникаций» как «растущей осведомленности о средствах массовой информации или о процессах медиации, отраженных в культурном дискурсе» [1]. Именно такой процессуальный
подход выглядит наиболее современным, отражающим сложность соответствующего явления в современных условиях. При этом в обобщенной виде представляется актуальным и сформулированное научной школой профессора В. А. Славиной определение медиа-культуры как «феномена современного информационного общества, совокупности информационно-коммуникативных средств, объединяющих разные стороны общественной жизни: образование, политику, культуру, искусство и многое другое, ориентированное на распространение этико-эстетических комплексов» [2, с. 292]. При этом именно появление искусственного интеллекта (далее - ИИ) и создание генеративных алгоритмов и генеративных языковых моделей, предназначенных для автоматического производства контента самого широкого спектра, в том числе и потенциально
относящегося к сфере медиакультуры, иллюстрирует тенденцию к объединению двух основных направлений обогащения медиакультуры и ее информационно-коммуникационного потенциала.
На данный момент мы можем констатировать, что в медиакультурном пространстве вчерашнего дня из-за отсутствия нейросетевых алгоритмов современного поколения не хватало доступных широкому кругу пользователей возможностей быстро создавать и распространять уникальный мультимедийный контент, отвечающий индивидуальным потребностям пользователей. Благодаря генеративным моделям теперь стало возможным получать более привлекательные, разнообразные и при этом реалистичные сцены в области визуальных медиа, а также генерировать и анализировать большие объемы данных для исследования. Генеративные алгоритмы уже сейчас позволяют создавать уникальное содержимое, используя машинное обучение и ИИ. Они также способствуют преобразованию любого существующего контента в новый и позволяют порождать бесконечные комбинации для изменения или более глубокого понимания готовых данных разного типа.
Эволюция генеративных моделей: ключевые этапы
Обратим внимание, что история создания генеративных моделей насчитывает уже несколько важных итераций в своем эволюционном развитии с середины XX в. Вероятно, начальной точкой отсчета мы можем полагать публикацию работы «Логическое исчисление идей, относящихся к нервной активности» в 1943 г. У. Маккаллока и У. Питтса. В данной работе были описаны математические модели электронных аналогов биологических нейронов и уже тогда было предсказано, что такая сеть сможет повторять работу мозга: обучаться,
распознавать различные форматы данных и многое другое. Первый этап теоретического развития нейронных сетей как одного из направлений развития ИИ занял около 35-40 лет. Уже к 1958 г. американский ученый Фрэнк Розенблатт разрабатывает принципиально новую математическую модель восприятия информации мозгом - перцептрон (в основании модели было реализовано подобие одному биологическому нейрону). Вскоре ее реализуют на машине «Марк-1». Перцептрон представляется нам сегодня одной из первых нейросетей, а «Марк-1» - едва ли не первым нейрокомпьютером. В 1960-1970-х гг. уже появляются первые новаторские системы обработки изображений, американский инженер Лоуренс Робертс формулирует оригинальную концепцию возможностей машинного построения трехмерных образов любых объектов [3].
К 1980-х гг. реализуется новый этап прогрессивных математических алгоритмических разработок и базовое теоретическое описание основных возможностей и классов нейронных сетей. В первую очередь, идет речь о свер-точных и рекуррентных сетях, данная классификация используется и сегодня: для классификации изображений используются сверточные сети, рекуррентные сети призваны решать задачи анализа текстов и машинного перевода [4].
При этом сравнительно длительное время была невозможна практическая реализация представленных теоретических моделей в силу недостатка требуемых вычислительных мощностей. В конце XX в. ситуация начала меняться, а в начале XXI в. происходит несколько революционных прорывов в области прикладной реализации. Одной из важнейших ключевых точек в истории совершенствования и популяризации нейросетевых алгоритмов представляется знаковая статья о феномене глубокого обучения и нейросети 1тадеЫе1, опубликованная в 2012 г. [5].
Сейчас разработки в области нейро-сетевых алгоритмов испытывают небывалый расцвет, множество теоретических моделей получили прикладную реализацию во множестве сервисов и новых технологических возможностях культуры: «На сегодняшний день основные сферы применения нейро-сетей - это прогнозирование, принятие решений, распознавание образов, оптимизация и анализ данных. Машинное обучение лежит в основе большинства систем распознавания и синтеза речи, а также распознавания и обработки изображений» [6].
Отметим, что современные нейро-сети по своему строению и принципиальным основам своей архитектуры ориентированы на воспроизведение нейронных процессов и механизмов человеческого мозга и работают по тем же принципам. Именно поэтому соответствующие сервисы позволяют анализировать данные, запоминать результаты анализа и реализовывать прогнозы. И хотя сложность биологической основы человеческого мозга превосходит текущие реализации ИИ, за последнее время достигнут ряд впечатляющих достижений в этой области. Особое внимание обращает на себя разработка компании DeepMind, которая представила систему искусственного интеллекта «общего назначения». Исследователи обучили нейросетевую систему под названием Gato выполнять 604 задания, среди которых реализованы возможности добавлять подписи к изображениям, участвовать в текстовых диалогах и даже играть в игры Atari. При этом с архитектурной точки зрения система Gato не сильно отличается от многих других современных систем искусственного интеллекта, но что обращает на себя особое внимание, Gato при этом на несколько порядков меньше, чем отдельные системы. У модели Gato всего 1,2 млрд параметров, тогда как у GPT-3 - более 170 млрд [7].
Технологическое совершенствование механизмов генерирования отражается в поэтапном освоении нейросетями различных типов и классов все новых и более сложных функций, в которых начинают входить не только исключительно служебные коммуникации или простейшие информационные сообщения статистического характера (курсы валют, количество заболевших в период пандемии и проч.), но и создание генеративными языковыми моделями по заданным образцам медиатекстов и медиаявле-ний, относящихся к категории цифрового искусства. Следовательно, у современной гуманитарной науки формируется новый круг целей и задач по изучению медиакультурного функционала генеративных моделей и ИИ, семантических, коммуникативных, социальных и прочих особенностей использования такого рода медиапродуктов, эволюции их роли в медиапространстве, а также многоаспектной медиарецепции этого феномена, составляющей постоянно пополняемый корпус медиаконтента.
Основные медиатенденции в использовании и освещении
генеративных языковых моделей в сфере медиакультуры
Работа ИИ и генеративных моделей над продуцированием словесных медиатекстов имитационно-художественного плана, не только воспроизводящих определенные речевые жанры, паттерны, стилистику, но и строящих на основе аналогий и заданных вводных развернутые нарративы с продуманной смысловой и сюжетно-композиционной структурой, относится к тем аспектам функционирования, которые уже получили первичную отечественную научную рецепцию филологической направленности. Из массива генеративных текстов отбираются примеры, отвечающие хотя бы минимальным критериям художественности, для изучения их
лексико-стилистических и структурных свойств (напр., [8]), что положительно решает вопрос о принадлежности такого рода нарративов к полю медиакультуры и цифрового искусства, несмотря на их несамостоятельный характер. Специфика коммуникативных механизмов генеративных моделей, их способность соответствовать жанровым требованиям и выстраивать грамотный диалог, их прогресс в распознавании дискурсивных практик также представляет собой отдельную исследовательскую проблему (напр., [9]).
Для рядовых сетевых пользователей больший интерес представляют возможности генеративных алгоритмов «дописывать» или «пересочинять» культовые художественные тексты. Сам по себе феномен возникновения продолжения популярных и факультативно не завершенных автором произведений известен еще с доцифровых времен (так, например, знаменитый рыцарский роман в стихах «Ланселот, или Рыцарь телеги» (1176-1181) был создан известным поэтом-клириком своей эпохи Кретьеном де Труа, но последняя примерно тысяча из семи с лишним тысяч строк написана Годфруа де Ланьи, поскольку по неустановленной достоверно причине Кретьен не окончил заказанной ему и востребованной у аудитории истории). Опыт признания и официального распространения «продолжений» классических произведений в ХХ в. («Даль свободного романа» Б. Иванова по «Евгению Онегину» А. С. Пушкина, «Скарлетт» А. Риплей по «Унесенным ветром» М. Митчелл и др.) в цифровую эру существенно обогащается массивом текстов фанфикшна - непрофессионального творчества поклонников-фикрайтеров, развивающих сюжеты знаковых произведений в любительских сочинениях, публикуемых строго в некоммерческих целях на нишевых тематических сетевых ресурсах. В рамках этой медиа-культурной тенденции распространения
пользовательского креатива можно рассматривать и сымитированное нейросе-тью продолжение многотомной саги Дж. Мартина «Песнь льда и огня», которому посвящен материал научно-популярного сетевого портала N+1 [10]. С одной стороны, объем уже существующих книг позволяет настроить алгоритм для генерации продолжения, но, с другой стороны, качество получается не всегда удовлетворительным с лексико-стилистической точки зрения, хотя подобранные нейро-сетью сюжетные развязки близки к фанатским версиям и догадкам. Сам факт появления машинной «развязки» имеет показательное значение для современной медиакультуры: франшиза «Песнь льда и огня» приобрела взрывную популярность после успеха стримингового сериала «Игра престолов», окончание которого предложило свой вариант завершения не дописанного Мартином произведения, вызвавший отторжение и протесты у аудитории, получившей от нейросети более «ожидаемый», стандартный и оттого менее провокационный финал.
Огромен развлекательно-познавательный потенциал генеративных моделей, которые могут быть использованы в рекреационных целях, позволяя при этом пользователям проявить некоторую собственную креативность и, например, поучаствовать в актуальном для медиакультуры процессе визуализации словесного текста. Игровая природа общения с нейросетью подчеркивается в постах шекспироведа В. С. Макарова, автора телеграм-канала о Шекспире, его эпохе и ее современной научной рецепции Pedants motley tongue (https://t.me/motleytongues), поделившегося примером диалога с нейросетью, в которой сгенерирован бот Шекспира, отвечающий на вопросы от его имени [11]. В посте указаны авторы двух версий нейро-Шекспира, проанализированы коммуникационные возможности ботов, высказаны критические соображения
и обозначены перспективы развития технологии, но очевидно, что основной результат затеянного эксперимента - популяризация Шекспира и его творчества у современных сетевых пользователей, для которых нейросеть и в целом ме-диакультура составляет самый естественный, привычный и удобный путь знакомства с шедеврами искусства до-цифровой эры.
Отдельный сюжет в современных отечественных медиа разворачивается вокруг потенциального использования ИИ и подходящих генеративных моделей в процедуре написания и проверки итогового сочинения, необходимого для допуска к выпускному единому государственному экзамену (ЕГЭ), а также части «эссе» самого ЕГЭ, а потому обладающего не только учебно-познавательной, но и очевидной социальной значимостью. С одной стороны, и 1Т-специалисты, и эксперты единодушны в том, что школа может только приветствовать создание ИИ-помощника, который проверял бы грамматические и стилистические ошибки, выделял бы для учителя неудачные конструкции, нарушения логики изложения и другие особенности, которые поддаются алгоритмизированию [12], что помогло бы проверяющим сэкономить время и уделить большее внимание вдумчивому прочтению текстов, в котором ИИ заменить специалиста пока не способен. С другой стороны, повсеместное распространение ИИ, его очевидно прогнозируемая доступность для рядовых пользователей позволяет использовать нейросеть для написания отчетных учебных работ, в частности, декабрьского сочинения. И хотя в нынешних условиях соответствующим образом настроить генеративный алгоритм способен разве что студент выпускного курса [13], но не школьник, функционал нейросети позволяет сгенерировать пусть и не отличное, но зачетное сочинение или удовлетворительную квалификационную
работу, которые будут оценены на положительный балл [14], что порождает целый комплекс медиаобразовательных и технологических проблем, связанных с уместностью и контролем нейросе-тевого продукта. Сходные результаты эксперимента со сдачей учебного экзамена-теста чат-ботом получили преподаватели университета Миннесоты и пришли к сходным выводам о необходимости разработки безопасных для образования путей взаимодействия с ней-росетями [15].
Таким образом, деятельность генеративных моделей рассматривается в современном медиапространстве под различными углами зрения, отражающими основные цели применения получаемого контента, относящегося к сфере медиа-культуры: от рекреационных до познавательно-образовательных и прикладных, осложняемых аксиологическими аспектами производства и тиражирования генерируемых текстов, также активно осмысляемыми в медиа.
Генеративная языковая модель ChatGPT: функциональные свойства, влияние на современный медиатекст
Обратимся к новейшей на сегодняшний день генеративной языковой модели, разработанной компанией ОрепЛ! и совмещающей в себе несколько опциональных режимов: способность к диалогу (виртуальный собеседник), к прототи-пированию и к созданию произведений цифрового искусства (искусственный интеллект). Сервис СЬаЮРТ открыт для пользования с конца ноября 2022 г. и представляет собой улучшенную версию алгоритма ОРТ-3 (успешно сгенерировавшего «декабрьское сочинение» в приведенном выше эксперименте). Более тонкие настройки, способность запоминать собственные вопросы и ответы и вопросы и ответы собеседника, обучение модели с применением человеческой модерации (ручного отбора материала
на предмет исключения оскорбляющего, унижающего, шокирующего контента) позволила медиа образно охарактеризовать ChatGPT как «убийцу Гугла» [16], в будущем способного вытеснить технологического гиганта с рынка. При этом критики бота подчеркивают, что своими достижениями в получении экологичного для пользователя контента алгоритм обязан практически рабскому труду наемных рабочих, травмированных необходимостью прочитывать и оценивать с точки зрения соответствия гуманистическим ценностями множество медиатекстов, содержащих описание сцен насилия [17], что актуализирует вопрос об этичности процесса создания современных технологических новинок посредством калечащей и низкооплачиваемой деятельности представителей беднейших стран.
Ниже мы кратко охарактеризуем основные параметры сервиса ChatGPT. «Модель представляет собой дообучен-ную версию трансформенной архитектуры GPT-3.5 (text-davinci-003), принадлежащей семейству моделей InstructGPT. Для обучения модели из семейства InstructGPT используется подход обучения с подкреплением Reinforcement Learning with Human Feedback (RLHF), который позволяет улучшить базовую модель GPT-3 175B в сторону понимания более сложных пользовательских запросов/инструкций, уменьшения вероятности генерации недостоверной и токсичной информации. Подход RLHF заключается в использовании модели вознаграждения (Reward Model, также называемой моделью предпочтений), откалиброванной в соответствии с экспертной оценкой. Основная цель состоит в том, чтобы получить модель, которая принимает последовательность предложений и возвращает скалярное значение вознаграждения, которое должно численно отражать экспертную оценку» [18]. Более детальный анализ технологических особенностей архитектуры сервиса ChatGPT для целей данной статьи
нам представляется не только избыточным, но и слабореализуемым. В значительной степени потому, что на сегодняшний день информация о сервисе ChatGPT, по сути, ограничена материалами компании Open AI, которая опубликовала в публичном доступе весьма ограниченный объем соответствующей информации. При этом уже сейчас известно, что сам проект будет развиваться в далее в тесном финансовом сотрудничестве с компанией Microsoft.
В отечественном сегменте медиапро-странства на данный момент опробованы и описаны основные функциональные свойства бота, имеющие отношение к сфере медиакультуры и отражающие ключевые медиакоммуникационные траектории, характерные для современного цифрового этапа развития ме-диасферы. Так, медиаобразовательный портал о русской литературе «Полка» проверил способности бота по поддержанию содержательного диалога о русской литературе [19]. В ответах на десять предложенных вопросов ChatGPT продемонстрировал хорошее знание русской литературы, умение имитировать творческую манеру ее авторов, а также готовность признать ограниченность собственных возможностей датой последнего обновления. Публикация «Полки», несомненно, относится к числу рекреационных, но отвечает концепции эдьютейнмента портала и знакомит аудиторию не только с русской литературой, но и с технологическими новинками, способствуя повышению уровня медиаграмотности и медиакультуры.
Уже упомянутый нами шекспировед Владимир Макаров проверил креативные свойства чат-бота, предложив ему сгенерировать пародию-имитацию шекспировских текстов и подробно прокомментировав полученные результаты с точки зрения образности, синтаксиса, ритмики и сценичности [20]. По наблюдениям Макарова, до шекспировского таланта боту пока очень далеко, но ели-
заветинская драма как историко-культурный феномен в принципе поддается стилизации. Автор предполагает в дальнейшем продолжить «попытки переписать концовки и отдельные фрагменты пьес, имитационные сонеты и еще много интересного», что возвращает нас к таким функциям искусственного интеллекта, как дописывание и разработка вариантов культовых сюжетов, очень востребованные в современной сетевой среде и отвечающее чаяниям аудитории фанфикшна.
Гораздо лучше ОЬаЮРТ справляется с генерированием журналистских ме-диатекстов. Портал ТинькоффЖурнал в экспериментальных целях поставил перед искусственным интеллектом задачу создать подробный иллюстрированный самой же нейросетью обзор «нейроинтерфейса в 2222 году» [21]. В статье представлен подробный алгоритм действий, приведены скриншоты запросов к ОЬаЮРТ, пояснены особенности вводных, позволивших обойти встроенный в чат-бот запрет обсуждать события после 2021 г. - времени его создания. Автором материала значится некто Максим Ииванов, персонаж со сгенерированным аватаром, отсылающим к аббревиатуре ИИ. Можно сказать, что искусственный интеллект в данном примере сымитировал текст, близкий к научно-фантастическим произведениям, популярным у массовой аудитории (и на практике приступил к реализации сюжета про литературно-полицейского бота Порфирия, предсказанного в романе В. О. Пелевина «¡РЬиск 10» (2017)).
Этика в использование
генеративных моделей
Аналитический обзор генеративных моделей как феномена современной ме-дикультуры представляется нам неполным без соответствующего обзора некоторых актуальных этических проблем, возникших в данной области. Учитывая
беспрецедентное развитие разнообразных технологий, уже довольно давно возникло такое понятие, как технологическая этика (техноэтика). В общем виде сегодня под этим термином мы понимаем применение этических законов к технологическим новациям. Например, актуальным вопросам этики был посвящен особый раздел в недавнем «Индексе искусственного интеллекта 2022» [22], реализованном Стэнфордским университетом в партнерстве с крупнейшими технологическими компаниями. Основная тема в соответствующем разделе данного отчета - возрастающая роль этического регулирования искусственного интеллекта на современном этапе. Особенно выделим европейские рекомендации по применению ИИ с точки зрения этической регламентации. «Надежные системы ИИ обладают тремя ключевыми характеристиками - законностью, этичностью и надежностью. Этические принципы, которые предлагает Европейский союз, базируются на представлениях об автономности человека, необходимости предотвращения возможного вреда от ИИ, справедливости и принципа объяснимости» [23]. В 2021 году РФ был сформирован важнейший документ - первый «Национальный кодекс этики искусственного интеллекта» [24]. Среди ключевых положений в данном кодексе можно указать следующие: необходимость уважения автономии и свободы воли человека, адекватная оценка рисков, соответствующие предосторожности и не причинении вреда, прозрачность в идентификации ИИ в общении с человеком, особое внимание было уделено информационной безопасности и обеспечению безопасности при работе с данными.
В своей статье мы кратко обобщим две проблемы, которые представляются нам сегодня наиболее фундаментальными и значимыми. Первая из них - это вопрос о потенциале алгоритмической объективности. Сегодня существуют
две противоположные точки зрения, где оптимисты предполагают возможность объективности ИИ при принятии тех или иных решений, поскольку именно прозрачное адекватное алгоритмическое решение является гарантией беспристрастного и всегда «взвешенного» действия соответствующего алгоритма ИИ. С другой стороны, существует позиция ряда авторов, которые отстаивают положение, что именно программирование решений ИИ может способствовать проявлению особого рода субъективности в силу особенности работы этих алгоритмов [25].
Вторая актуальная проблема связана с недавно возникшим общественным движением цифровых художников против контента, произведенного генеративными алгоритмами. Первое такое массовое открытое выступление началось 13 декабря 2022 г. на глобальном медиа портале ArtStation. Сама идея протеста против ИИ-сгенерированного контента быстро стала вирусной, многие художники не только изменяли свои аватарки в социальных сетях и специализированных ресурсов на изображения с перечеркнутыми буквами AI и лозунгами «No to AI generated images» и «Support Human Artists» («Поддержите художников-людей») с сопутствующими хештегами, но и начали производить и размещать в сети тематические арты. Более того, в продолжение инициативы был реализован сервис «Have I Been Trained», позволяющий отследить обучение нейросетей на конкретных артах через LAION-5B (https:// haveibeentrained.com/).
Следовательно, мы можем наблюдать, что представление об этике использования генеративных моделей в медиакультуре формируется непосредственно в наши дни, при этом мы являемся свидетелями довольно противоречивых процессов. Очевидно, что часть положений этического характера должна быть формализована
в официальном законодательстве (которое будет отличаться в разных странах и межгосударственных образованиях), но при этом значительная область технологической/биоэтики может еще долго оставаться в поле неформальных договоренностей и субъективных предпочтений пользователей.
Выводы
Медиарецепция функционала ней-росетевых моделей на примере генеративной языковой модели ОЬаЮРТ затрагивает все основные направления ее актуального применения, делая ее мощным коммуникативным инструментом, способным как вести развернутый диалог, так и переводить и имитировать художественные и самые вариативные медиатексты разного уровня сложности. Как коммуникационный механизм бот уже сейчас оценивается в превосходных значениях, поскольку совмещает релаксационные и познавательно-обучающие функции и уже сегодня готов к выполнению разнообразных социокультурных задач поддержания общения, психологического комфорта и расширения сферы медиаобразования. Перспективы дальнейшего совершенствования генеративных моделей в том числе связаны со сферой цифрового искусства, в котором ИИ способен максимально реализовать свои технологические характеристики в стилизации и имитации вариантов и версий сюжетов известных и популярных франшиз и авторов с достаточно объемной исходной словесно-текстовой базой, привлекаемой в качестве основы для цифрового текста.
Как мы видим по итогам рассмотренных примеров, современные генеративные языковые модели предлагают беспрецедентные возможности в области медиаобразования по самым разнообразным направлениям когнитивной и творческой деятельности. Кратко сформулируем, что прямо сейчас са-
мые разнообразные образовательные институции оказались в совершенно беспрецедентной ситуации новых возможностей и новых вызовов. С одной стороны, ИИ может выступать помощником при обучении, коммуникационным посредником в медиаобразова-тельном процессе. С другой стороны, ведется срочный поиск методических решений и рекомендаций, призванных регулировать и оптимизировать возможности текстовых генеративных алгоритмов (напр. [26]). На текущий
момент глобальная тенденция использования генеративных языковых моделей на примере ОЬаЮРТ заключается в диверсифицированном подходе, который предлагает комплексное осмысление новых возможностей и рисков. Соответствующий многоаспектный, но при этом рационально формализованный способ применения генеративных моделей в сфере образования представляется авторам статьи наиболее адекватным на современном этапе развития медиакультуры.
СПИСОК ЛИТЕРАТУРЫ
1. Media culture // Oxford Reference.com. URL: https://www.oxfordreference.com/display/10.1093/ oi/authority.20110803100146538 (дата обращения: 12.02.2023).
2. Славина В. А., Солдаткина Я. В. Медиакультура как феномен информационной эпохи // Вестн. Российского ун-та дружбы народов. Сер.: Литературоведение, журналистика. 2021. Т. 26, № 2. С. 286-293.
3. Кузнецов С. Смотри внимательно: Как компьютеры видят этот мир // N+1. URL: https://nplus1. ru/material/2022/10/10/computer-vision (дата обращения: 12.02.2023).
4. Алферьев Д. А. Использование искусственных нейронных сетей в современном обществе // Социальное пространство. 2020. Т. 6, № 3. DOI: https://doi.org/10.15838/sa.2020.3.25.6. URL: http://www.socialarea-journal.ru/article/28618 (дата обращения: 12.02.2023).
5. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks // Communications of the ACM, 2017. Vol. 60. № 6. P. 84-90.
6. Кузнецов С. Зоопарк алгоритмов. Что такое нейросети и какими они бывают // N+1 URL: https://nplus1.ru/material/2022/11/25/neural-zoo (дата обращения: 12.02.2023).
7. DeepMind создал систему ИИ, которая способна выполнять более 600 задач // Хабр. URL: https://habr.com/ru/news/t/665668/ (дата обращения: 12.02.2023).
8. Кучина С. А. Электронные генеративные художественные тексты: лексико-стилистический и структурный анализ // Научный диалог. 2017. № 1. С. 84-96.
9. Исследование речевых жанров в задачах по искусственному интеллекту (идентификация познавательно-речевых действий, образующих жанровую форму) / В. А. Салимовский, Д. А. Девяткин, Л. А. Каджая [и др.] // Жанры речи, 2021. № 3. С. 170-180.
10. Уласович К. Нейросеть дописала «Песнь Льда и Пламени» за Джорджа Мартина // N+1. URL: https://nplus1.ru/news/2017/08/29/neural-game-of-thrones (дата обращения: 12.02.2023).
11. И снова рубрика «нейрошекспир»! // Pedants motley tongue. URL: https://t.me/motleytongue/1520 (дата обращения: 12.02.2023).
12. Черкасова Н. ИИ - помощник учителя // Rspectr.com. URL: https://rspectr.com/articles/ii-pomoshhnik-uchitelya (дата обращения: 12.02.2023).
13. Москвич за сутки написал диплом с помощью нейросети ChatGPT // Коммерсантъ FM. URL: https://t.me/kfm936/16169 (дата обращения: 12.02.2023).
14. Герасимова Ю. Сервис решает, Вася сдает. Учителя оценили написанное нейросетью сочинение. URL: https://aif.ru/society/education/servis_reshaet_vasya_sdaet_uchitelya_ocenili_ napisannoe_neyrosetyu_sochinenie (дата обращения 12.02.2023).
15. Лааксо П. «Экзамен сдал, но на троечку»: как чат-бот ChatGPT пытался выпуститься из университетов // Vc.ru. URL: https://vc.ru/future/593264-ekzamen-sdal-no-na-troechku-kak-chat-bot-chatgpt-pytalsya-vypustitsya-iz-universitetov (дата обращения: 12.02.2023).
16. Grant N., Metz C. A New Chat Bot Is a 'Code Red' for Google's Search Business // The New York Times, 21.12.2022. URL: https://www.nytimes.com/2022/12/21/technology/ai-chatgpt-google-search.html (дата обращения: 12.02.2023).
17. Perrigo B. Exclusive: OpenAI Used Kenyan Workers on Less Than $2 Per Hour to Make ChatGPT Less Toxic // Time, 18.01.2023. URL: https://time.com/6247678/openai-chatgpt-kenya-workers/ (дата обращения: 12.02.2023).
18. Кузнецов А. Обзор ChatGPT с примерами использования в различных задачах // Nanonewsnet. ru. URL: https://www.nanonewsnet.ru/news/2023/obzor-chatgpt-s-primerami-ispolzovaniya-v-razlichnykh-zadachakh (дата обращения: 12.02.2023).
19. +10: вопросы ChatGPT о русской литературе // Полка.ру. URL: https://polka.academy/ materials/897 (дата обращения: 12.02.2023).
20. Продолжаем приключения в мире искусственного интеллекта // Pedants motley tongue. URL: https://t.me/motleytongue/1528 (дата обращения: 12.02.2023).
21. Как выбрать подходящий нейроинтерфейс в 2222 году // Тинькофф Журнал. URL: https:// journal.tinkoff.ru/this-article-was-written-by-ai/ (дата обращения 12.02.2023).
22. The AI Index 2022 Annual Report // AI Index Steering Committee, Stanford Institute for Human-Centered AI. URL: https://aiindex.stanford.edu/wp-content/uploads/2022/03/2022-AI-Index-Report_Master.pdf (дата обращения: 18.02.2023).
23. Искусственный интеллект в российских медиа и журналистике: к вопросу об этической кодификации / М. М. Лукина, А. В. Замков, М. А. Крашенинникова, Д. Ю. Кульчицкая // Вопросы теории и практики журналистики. 2022. Т. 11, № 4. С. 680-694.
24. Емельяненко В. В России подписан «Кодекс этики искусственного интеллекта» //Российская газета.ру. URL: https://rg.ru/2021/10/26/v-rossii-podpisan-kodeks-etiki-iskusstvennogo-intellekta. html (дата обращения: 12.02.2023).
25. Kordzadeh N., Ghasemaghaei M. Algorithmic Bias: Review, Synthesis, and Future Research Directions // European Journal of Information Systems. 2021. Vol. 31, No. 3. P. 1-22.
26. ChatGPT and Its Implications for Your Teaching // The Center for Teaching and Learning of University of Pennsylvania. URL: https://ctl.upenn.edu/resources/tech/chatgpt/ (дата обраще-ния:18.02.2023).
REFERENCES
1. Media culture. Available at: https://www.oxfordreference.com/display/10.1093/oi/ authority.20110803100146538 (accessed: 12.02.2023).
2. Slavina V. A. Soldatkina Ya. V. Mediakultura kak fenomen informatsionnoy epokhi. Vestn. Rossiyskogo un-ta druzhby narodov. Ser.: Literaturovedenie, zhurnalistika. 2021, Vol. 26, No. 2, pp. 286-293.
3. Kuznetsov S. Smotri vnimatelno: Kak kompyutery vidyat etot mir. N+1. Available at: https://nplus1. ru/material/2022/10/10/computer-vision (accessed: 12.02.2023).
4. Alferyev D.A. Ispolzovanie iskusstvennykh neyronnykh setey v sovremennom obshchestve. Sotsialnoe prostranstvo. 2020, Vol. 6, No. 3. DOI: https://doi.org/10.15838/sa.2020.3.25.6. Available at: http://www.socialarea-journal.ru/article/28618 (accessed: 12.02.2023).
5. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks. Communications of the ACM. 2017, Vol. 60, No. 6, pp. 84-90.
6. Kuznetsov S. Zoopark algoritmov. Chto takoe neyroseti i kakimi oni byvayut. N+1. Available at: https://nplus1.ru/material/2022/11/25/neural-zoo (accessed: 12.02.2023).
7. DeepMind sozdal sistemu II, kotoraya sposobna vypolnyat bolee 600 zadach. Habr. Available at: https://habr.com/ru/news/t/665668/ (accessed: 12.02.2023).
8. Kuchina S. A. Elektronnye generativnye hudozhestvennye teksty: leksiko-stilisticheskiy i strukturnyy analiz. Nauchnyy dialog. 2017, No. 1, pp. 84-96.
9. Salimovskiy V. A., Devyatkin D. A., Kadzhaya L. A. et al. Issledovanie rechevykh zhanrov v zadachakh po iskusstvennomu intellektu (identifikatsiya poznavatelno-rechevykh deystviy, obrazuyushchikh zhanrovuyu formu). Zhanry rechi. 2021, No. 3, pp. 170-180.
10. Ulasovich K. Neyroset dopisala "Pesn Lda i Plameni" za Dzhordzha Martina. N+1. Available at: https://nplus1.ru/news/2017/08/29/neural-game-of-thrones (accessed: 12.02.2023).
11. I snova rubrika "neyroshekspir"! Pedants motley tongue. Available at: https://t.me/motleytongue/1520 (accessed: 12.02.2023).
12. Cherkasova N. II-pomoshchnik uchitelya. Rspectr.com Available at: https://rspectr.com/articles/ii-pomoshhnik-uchitelya (accessed: 12.02.2023).
13. Moskvich za sutki napisal diplom s pomoshchyu neyroseti. ChatGPT. Kommersant FM. Available at: https://t.me/kfm936/16169 (accessed: 12.02.2023).
14. Gerasimova Yu. Servis reshaet, Vasya sdaet. Uchitelya otsenili napisannoe neyrosetyu sochinenie Available at: https://aif.ru/society/education/servis_reshaet_vasya_sdaet_uchitelya_ocenili_ napisannoe_neyrosetyu_sochinenie (accessed: 12.02.2023).
15. Laakso P. "Ekzamen sdal, no na troechku": kak chat-bot ChatGPT pytalsya vypustitsya iz universitetov. Available at: https://vc.ru/future/593264-ekzamen-sdal-no-na-troechku-kak-chat-bot-chatgpt-pytalsya-vypustitsya-iz-universitetov (accessed: 12.02.2023).
16. Grant N., Metz C. A New Chat Bot Is a 'Code Red' for Google's Search Business. The New York Times, 21.12.2022. Available at: https://www.nytimes.com/2022/12/21/technology/ai-chatgpt-google-search.html (accessed: 12.02.2023).
17. Perrigo Billy Exclusive: OpenAI Used Kenyan Workers on Less Than $2 Per Hour to Make ChatGPT Less Toxic. Time, 18.01.2023. Available at: https://time.com/6247678/openai-chatgpt-kenya-workers/ (accessed: 12.02.2023).
18. Kuznetsov A. Obzor ChatGPT s primerami ispolzovaniya v razlichnykh zadachakh. Available at: https://www.nanonewsnet.ru/news/2023/obzor-chatgpt-s-primerami-ispolzovaniya-v-razlichnykh-zadachakh (accessed: 12.02.2023).
19. +10: voprosy ChatGPT o russkoy literature. Available at: https://polka.academy/materials/897 (accessed: 12.02.2023).
20. Prodolzhaem priklyucheniya v mire iskusstvennogo intellekta. Pedants motley tongue. Available at: https://t.me/motleytongue/1528 (accessed: 12.02.2023).
21. Kak vybrat podkhodyashchiy neyrointerfeys v 2222 godu. Available at: https://journal.tinkoff.ru/ this-article-was-written-by-ai/ (accessed: 12.02.2023).
22. The AI Index 2022 Annual Report. AI Index Steering Committee, Stanford Institute for Human-Centered AI. Available at: https://aiindex.stanford.edu/wp-content/uploads/2022/03/2022-AI-Index-Report_Master.pdf (accessed: 18.02.2023).
23. Lukina M. M., Zamkov A. V., Krasheninnikova M. A., Kulchickaya D. Yu. Iskusstvennyy intellekt v rossiyskikh media i zhurnalistike: k voprosu ob eticheskoy kodifikatsii. Voprosy teorii i praktiki zhurnalistiki. 2022, Vol. 11, No. 4, pp. 680-694.
24. Emelyanenko V. V Rossii podpisan "Kodeks etiki iskusstvennogo intellekta". Rossiyskaya gazeta. ru. Available at: https://rg.ru/2021/10/26/v-rossii-podpisan-kodeks-etiki-iskusstvennogo-intellekta. html (accessed: 12.02.2023).
25. Kordzadeh N., Ghasemaghaei M. Algorithmic Bias: Review, Synthesis, and Future Research Directions. European Journal of Information Systems. 2021, Vol. 31, No. 3, pp. 1-22.
26. ChatGPT and Its Implications for Your Teaching. The Center for Teaching and Learning of University of Pennsylvania. Available at: https://ctl.upenn.edu/resources/tech/chatgpt/ (accessed: 18.02.2023).
Солдаткина Янина Викторовна, доктор филологических наук, профессор, профессор кафедры русской литературы XX-XXI веков Института филологии, Московский педагогический государственный университет e-mail: yav.soldatkina@mpgu.su
Soldatkina Yanina V., ScD in Philology, Full Professor, Professor, Russian Literature of XX-XXI Centuries Department, Institute of Philology, Moscow Pedagogical State University e-mail: yav.soldatkina@mpgu.su
Чернавский Александр Сергеевич, старший преподаватель кафедры политологии Института истории и политики, Московский педагогический государственный университет e-mail: as.chernavskij@mpgu.edu
Chernavskij Alexander S., Senior Lecturer, Political Science Department, Institute of History and Politics, Moscow Pedagogical State University e-mail: as.chernavskij@mpgu.edu
Статья поступила в редакцию 20.02.2023 The article was received on 20.02.2023
