1955 m. rugpjūčio mėn. grupė mokslininkų pateikė prašymą skirti 13 500 USD finansavimą vasaros seminarui Dartmuto koledže, Naujajame Hampšyre, pravesti. Jų pasiūlyta tyrinėti sritis buvo dirbtinis intelektas (AI). Nors finansavimo prašymas buvo kuklus, tyrėjų hipotezė nebuvo tokia: „Kiekvienas mokymosi aspektas ar bet kuri kita intelekto ypatybė iš principo gali būti apibūdinta taip tiksliai, kad galima sukurti mašiną, kuri ją imituotų“.
Nuo šių kuklių pradžios filmai ir žiniasklaida romantizuoja dirbtinį intelektą arba vaizdavo jį kaip piktadarį. Tačiau daugumai žmonių AI liko tik diskusijų, o ne sąmoningos gyvenimo patirties dalis.
Praėjusio mėnesio pabaigoje AI forma ChatGPT Išsiveržė iš mokslinės fantastikos spekuliacijų ir tyrimų laboratorijų ir į plačiosios visuomenės stalinius kompiuterius bei telefonus. Tai vadinamasis „generatyvinis AI“ – netikėtai protingai suformuluotas raginimas gali parašyti esė arba sudaryti receptą ir pirkinių sąrašą, arba sukurti eilėraštį Elvio Presley stiliumi.
Nors ChatGPT buvo įspūdingiausias dalyvis per generatyvios AI sėkmės metus, tokios sistemos parodė dar didesnį potencialą kurti naują turinį, o teksto į vaizdą raginimai yra naudojami kuriant ryškius vaizdus, kurie netgi laimėjo meno konkursus. Gali būti, kad dirbtinis intelektas dar neturi gyvos sąmonės ar mokslinės fantastikos filmuose ir romanuose populiarios proto teorijos, tačiau ji artėja prie to, kad bent jau sužlugdys tai, ką, mūsų nuomone, gali padaryti dirbtinio intelekto sistemos.
Tyrėjai, glaudžiai bendradarbiaujantys su šiomis sistemomis, alpsta nuo žvalgybos perspektyvos, pavyzdžiui, Google LaMDA Large Language Model (LLM) atveju. LLM yra modelis, kuris buvo išmokytas apdoroti ir generuoti natūralią kalbą.
„Generative AI“ taip pat sukėlė susirūpinimą dėl plagiato, originalaus turinio, naudojamo modeliams kurti, išnaudojimo, manipuliavimo informacija ir piktnaudžiavimo pasitikėjimu etikos ir netgi „programavimo pabaigos“.
Ką iš tikrųjų reiškia AI?
Viso to centre yra klausimas, kurio aktualumas auga nuo vasaros seminaro Dartmute: ar DI skiriasi nuo žmogaus intelekto? Kad sistema būtų laikoma DI, ji turi parodyti tam tikrą mokymosi ir prisitaikymo lygį. Dėl šios priežasties sprendimų priėmimo, automatizavimo ir statistikos sistemos nėra DI. Apskritai AI skirstoma į dvi kategorijas: dirbtinį siaurąjį intelektą (AI) ir dirbtinį bendrąjį intelektą (DI). Šiuo metu SHI nėra. Pagrindinis iššūkis kuriant bendrą AI yra tinkamai modeliuoti pasaulį naudojant visas žinias, nuosekliai ir naudingai. Tai, švelniai tariant, didelio masto užduotis.
Dauguma to, ką šiandien žinome kaip AI, turi siaurą intelektą – kai konkreti sistema išsprendžia konkrečią problemą. Skirtingai nuo žmogaus intelekto, toks siauras AI intelektas yra veiksmingas tik toje srityje, kurioje jis buvo apmokytas: pavyzdžiui, apgaulės aptikimas, veido atpažinimas ar socialinės rekomendacijos. Ir AI veiks taip pat, kaip ir žmogus. Šiuo metu ryškiausias bandymų tai pasiekti pavyzdys yra neuroninių tinklų ir gilaus mokymosi, parengto naudojant didžiulius duomenų kiekius, naudojimas.
Neuroniniai tinklai yra įkvėpti žmogaus smegenų veikimo. Skirtingai nuo daugelio mašininio mokymosi modelių, kuriuose atliekami mokymo duomenų skaičiavimai, neuroniniai tinklai veikia paeiliui tiekdami kiekvieną duomenų tašką per sujungtą tinklą, kiekvieną kartą koreguodami parametrus. Kadangi tinkle tiekiama vis daugiau duomenų, parametrai stabilizuojasi, todėl susidaro „apmokytas“ neuroninis tinklas, kuris gali sukurti norimą išvestį iš naujų duomenų, pavyzdžiui, atpažinti, ar vaizde yra katė ar šuo.
Didelį šuolį dirbtinio intelekto vystyme šiandien lemia technologiniai didelių neuroninių tinklų mokymosi metodų patobulinimai, kurie dėl didelių debesų kompiuterijos infrastruktūrų galimybių leidžia koreguoti daugybę parametrų kiekvieno važiavimo metu. Pavyzdžiui, GPT-3 (DI sistema, kuri maitina ChatGPT) yra didelis neuroninis tinklas, turintis 175 milijardus parametrų.
Ko reikia, kad dirbtinis intelektas veiktų?
Kad dirbtinis intelektas sėkmingai veiktų, reikia trijų dalykų. Pirma, jam reikia kokybiškų, objektyvių duomenų ir jų daug. Neuroninius tinklus kuriantys mokslininkai naudoja didelius duomenų masyvus, kurie atsirado dėl visuomenės skaitmeninimo.
Papildydamas žmonių programuotojus, „Co-Pilot“ renka duomenis iš milijardų „GitHub“ priglobtų kodo eilučių. „ChatGPT“ ir kiti dideli kalbų modeliai naudoja milijardus internete saugomų svetainių ir tekstinių dokumentų.
Teksto į vaizdą konvertavimo įrankiai, pvz Stabili difuzija, PLOKŠTĖ-2 ir Midjourney, naudokite vaizdo ir teksto poras iš duomenų rinkinių, tokių kaip LAION-5B. Dirbtinio intelekto modeliai ir toliau tobulės, nes vis daugiau savo gyvenimo suskaitmeninsime ir pateiksime jiems alternatyvius duomenų šaltinius, pvz., modeliavimo duomenis arba duomenis iš žaidimų nustatymų, pvz., „Minecraft“.
AI taip pat reikia kompiuterinės infrastruktūros, kad būtų galima efektyviai treniruotis. Kadangi kompiuteriai tampa galingesni, modeliai, kuriems dabar reikia daug pastangų ir didelio masto skaičiavimų, artimiausiu metu gali būti apdorojami vietoje. Pavyzdžiui, Stable Diffusion modelis jau gali būti paleistas vietiniuose kompiuteriuose, o ne debesų aplinkoje. Trečias AI poreikis – patobulinti modeliai ir algoritmai. Duomenimis pagrįstos sistemos ir toliau sparčiai tobulėja srityse, kurios kažkada buvo laikomos žmogaus pažinimo sritimi.
Tačiau kadangi mus supantis pasaulis nuolat keičiasi, dirbtinio intelekto sistemas reikia nuolat perkvalifikuoti naudojant naujus duomenis. Be šio svarbaus žingsnio dirbtinio intelekto sistemos pateiks atsakymus, kurie iš tikrųjų yra neteisingi arba neatsižvelgia į naują informaciją, kuri atsirado po jų mokymo.
Neuroniniai tinklai nėra vienintelis požiūris į AI. Dar viena žymi dirbtinio intelekto tyrimų stovykla yra simbolinis AI – užuot suvirškinęs didžiulius duomenų masyvus, jis remiasi taisyklėmis ir žiniomis, panašiomis į žmogaus procesą formuojant tam tikrų reiškinių vidinius simbolinius vaizdus.
Tačiau per pastarąjį dešimtmetį jėgų pusiausvyra smarkiai pakrypo į duomenimis pagrįstą metodą, o šiuolaikinio gilaus mokymosi „tėvai įkūrėjai“ neseniai buvo apdovanoti Turingo premija, atitinkančia Nobelio kompiuterių mokslo premiją.
Duomenys, skaičiavimai ir algoritmai sudaro ateities AI pagrindą. Visi rodikliai rodo greitą pažangą visose trijose kategorijose artimiausioje ateityje.
Jūs galite padėti Ukrainai kovoti su Rusijos įsibrovėliais. Geriausias būdas tai padaryti – aukoti lėšas Ukrainos ginkluotosioms pajėgoms per Išgelbėk gyvybę arba per oficialų puslapį NBU.