Elokuussa 1955 ryhmä tutkijoita jätti 13 500 dollarin rahoituspyynnön kesäseminaarin pitämiseksi Dartmouth Collegessa New Hampshiressa. Ala, jota he ehdottivat tutkivansa, oli tekoäly (AI). Vaikka rahoituspyyntö oli vaatimaton, tutkijoiden hypoteesi ei ollut: "Jokainen oppimisen puoli tai mikä tahansa muu älykkyyden piirre voidaan periaatteessa kuvata niin tarkasti, että sitä voidaan rakentaa jäljittelemään konetta."
Näistä vaatimattomista aluista lähtien elokuvat ja media ovat romantisoineet tekoälyä tai esittäneet sen konnana. Useimmille ihmisille tekoäly on kuitenkin pysynyt vain keskusteluna eikä osana tietoista elämänkokemusta.
Viime kuun lopussa AI muodossa ChatGPT on murtautunut tieteiskirjallisuuden spekulaatioista ja tutkimuslaboratorioista sekä suuren yleisön pöytäkoneille ja puhelimille. Tämä on niin sanottu "generatiivinen tekoäly" - odottamattoman älykkäästi muotoiltu kehotus voi kirjoittaa esseen tai tehdä reseptin ja ostoslistan tai luoda runon Elvis Presleyn tyyliin.
Vaikka ChatGPT on ollut vaikuttavin osallistuja generatiivisen AI-menestyksen vuoden aikana, tämänkaltaiset järjestelmät ovat osoittaneet entistä suuremman potentiaalin luoda uutta sisältöä, ja tekstistä kuvaksi -kehotteita käytetään luomaan eläviä kuvia, jotka ovat jopa voittaneet taidekilpailuja. Tekoälyllä ei ehkä vielä ole elävää tietoisuutta tai tieteisfiktioelokuvissa ja -romaaneissa suosituksi levitettyä mielen teoriaa, mutta se on tulossa lähemmäksi ainakin sen häiritsemistä, mitä uskomme tekoälyjärjestelmien tekevän.
Näiden järjestelmien kanssa tiiviisti työskentelevät tutkijat pyörtyvät älykkyyden mahdollisuudesta, kuten Googlen LaMDA Large Language Model (LLM) -mallin tapauksessa. LLM on malli, joka on koulutettu käsittelemään ja luomaan luonnollista kieltä.
Generatiivinen tekoäly on myös herättänyt huolta plagioinnista, mallien rakentamiseen käytetyn alkuperäisen sisällön hyväksikäytöstä, tiedon manipuloinnin ja luottamuksen väärinkäytön eettisyydestä ja jopa "ohjelmoinnin päättymisestä".
Mitä AI oikeastaan tarkoittaa?
Kaiken tämän keskiössä on kysymys, jonka merkitys on kasvanut Dartmouthin kesäseminaarista lähtien: eroaako tekoäly ihmisen älykkyydestä? Jotta järjestelmää voidaan pitää tekoälynä, sen on osoitettava tietty oppimisen ja sopeutumisen taso. Tästä syystä päätöksenteko-, automaatio- ja tilastojärjestelmät eivät ole tekoälyä. Yleisesti ottaen tekoäly jaetaan kahteen luokkaan: kapea tekoäly (AI) ja tekoäly (AI). Tällä hetkellä SHI:tä ei ole olemassa. Keskeinen haaste yleisen tekoälyn rakentamisessa on mallintaa maailmaa riittävästi koko tiedon avulla johdonmukaisella ja hyödyllisellä tavalla. Tämä on lievästi sanottuna laajamittainen tehtävä.
Suurin osa siitä, mitä me nykyään tunnemme tekoälynä, on kapeaa älykkyyttä – jossa tietty järjestelmä ratkaisee tietyn ongelman. Toisin kuin ihmisen älykkyys, tällainen kapea tekoäly on tehokas vain alalla, jolla se on koulutettu: kuten petosten havaitseminen, kasvojen tunnistus tai sosiaaliset suositukset. Ja tekoäly toimii samalla tavalla kuin ihminen. Tällä hetkellä näkyvin esimerkki yrityksistä saavuttaa tämä on hermoverkkojen käyttö ja valtaviin tietomääriin koulutettu syväoppiminen.
Neuroverkot ovat saaneet inspiraationsa siitä, miten ihmisen aivot toimivat. Toisin kuin useimmat koneoppimismallit, jotka suorittavat laskelmia harjoitusdatalle, hermoverkot toimivat syöttämällä jokaisen datapisteen vuorotellen toisiinsa yhdistetyn verkon kautta ja säätämällä parametreja joka kerta. Kun verkon kautta syötetään yhä enemmän dataa, parametrit vakiintuvat, mikä johtaa "koulutettuun" hermoverkkoon, joka voi sitten tuottaa halutun lähdön uudelle tiedolle – esimerkiksi tunnistaa, sisältääkö kuva kissan vai koiran.
Merkittävä harppaus tekoälyn kehityksessä nykyään johtuu suurten hermoverkkojen oppimismenetelmien teknologisista parannuksista, jotka mahdollistavat valtavan määrän parametrien säätämisen joka ajon aikana suurten pilvilaskentainfrastruktuurien ominaisuuksien ansiosta. Esimerkiksi GPT-3 (ChatGPT:tä käyttävä AI-järjestelmä) on suuri neuroverkko, jossa on 175 miljardia parametria.
Mitä tarvitaan tekoälyn toimimiseen?
Tekoäly tarvitsee kolme asiaa toimiakseen menestyksekkäästi. Ensinnäkin hän tarvitsee laadukasta, objektiivista tietoa ja paljon sitä. Neuraaliverkkoja rakentavat tutkijat käyttävät suuria joukkoja dataa, jotka ovat ilmaantuneet yhteiskunnan digitalisoitumisen ansiosta.
Ihmisohjelmoijia täydentävä Co-Pilot kerää tietonsa miljardeista GitHubissa isännöidyistä koodiriveistä. ChatGPT ja muut suuret kielimallit käyttävät miljardeja Internetiin tallennettuja verkkosivustoja ja tekstiasiakirjoja.
Tekstin kuvaksi muunnostyökalut, kuten Vakaa diffuusio, DALLE-2 ja Midjourney, käytä kuva-teksti-pareja tietojoukoista, kuten LAION-5B. Tekoälymallit kehittyvät edelleen, kun digitalisoimme enemmän elämäämme ja syötämme heille vaihtoehtoisia tietolähteitä, kuten simulaatiotietoja tai tietoja peliasetuksista, kuten Minecraft.
Tekoäly tarvitsee myös laskentainfrastruktuuria harjoitellakseen tehokkaasti. Tietokoneiden tehostumisen myötä nyt intensiivistä työtä ja mittavia laskelmia vaativia malleja voidaan lähitulevaisuudessa käsitellä paikallisesti. Esimerkiksi Stable Diffusion -mallia voidaan jo käyttää paikallisissa tietokoneissa, ei pilviympäristöissä. Kolmas tekoälyn tarve on parannetut mallit ja algoritmit. Tietoihin perustuvat järjestelmät jatkavat nopeaa kehitystä aloilla, joita pidettiin ennen ihmisen kognition aluetta.
Koska maailma ympärillämme kuitenkin muuttuu jatkuvasti, tekoälyjärjestelmiä on jatkuvasti koulutettava uudelleen käyttämällä uutta tietoa. Ilman tätä tärkeää askelta tekoälyjärjestelmät antavat vastauksia, jotka ovat tosiasiallisesti vääriä tai eivät ota huomioon uutta tietoa, joka on ilmaantunut koulutuksen jälkeen.
Neuroverkot eivät ole ainoa lähestymistapa tekoälyyn. Toinen merkittävä leiri tekoälytutkimuksessa on symbolinen tekoäly – sen sijaan, että sulattaisi valtavia datasarjoja, se luottaa sääntöihin ja tietoon, joka on samankaltainen kuin ihmisen prosessi, jossa muodostuu sisäisiä symbolisia esityksiä tietyistä ilmiöistä.
Mutta viimeisen vuosikymmenen aikana voimatasapaino on kallistunut voimakkaasti kohti datalähtöisiä lähestymistapoja, ja nykyaikaisen syväoppimisen "perustajat" saivat äskettäin Turing-palkinnon, joka vastaa tietojenkäsittelytieteen Nobelin palkintoa.
Tiedot, laskelmat ja algoritmit muodostavat tulevaisuuden tekoälyn perustan. Kaikki indikaattorit viittaavat nopeaan edistymiseen kaikissa kolmessa kategoriassa lähitulevaisuudessa.
Voit auttaa Ukrainaa taistelemaan venäläisiä hyökkääjiä vastaan. Paras tapa tehdä tämä on lahjoittaa varoja Ukrainan asevoimille Pelasta elämä tai virallisen sivun kautta NBU.