29. március 2024., péntek

asztali v4.2.1

Root NationНовиниinformatikai újságNem minden, amit AI-nak nevezünk, valójában mesterséges intelligencia. Íme, amit tudnod kell

Nem minden, amit AI-nak nevezünk, valójában mesterséges intelligencia. Íme, amit tudnod kell

-

1955 augusztusában tudósok egy csoportja 13 500 dolláros finanszírozás iránti kérelmet nyújtott be egy nyári szeminárium megtartására a New Hampshire-i Dartmouth College-ban. A kutatási terület a mesterséges intelligencia (AI) volt. Bár a finanszírozási igény szerény volt, a kutatók hipotézise nem: "A tanulás minden aspektusa vagy az intelligencia bármely más jellemzője elvileg olyan pontosan leírható, hogy egy gépet lehet építeni annak utánzására."

E szerény kezdetek óta a filmek és a média romantizálja a mesterséges intelligenciát, vagy gonosztevőként ábrázolja. A legtöbb ember számára azonban az AI csak vita tárgya maradt, és nem a tudatos élettapasztalat része.

Nem minden, amit AI-nak nevezünk, valójában mesterséges intelligencia

A múlt hónap végén az AI formájában ChatGPT kitört a tudományos-fantasztikus spekulációs és kutatólaboratóriumokból, valamint a nagyközönség asztali számítógépeire és telefonjaira. Ez az úgynevezett "generatív mesterséges intelligencia" – egy váratlanul intelligensen megfogalmazott felszólítás írhat esszét, készíthet receptet és bevásárlólistát, vagy verset alkothat Elvis Presley stílusában.

Bár ChatGPT A generatív mesterségesintelligencia sikerének egy évében a leglenyűgözőbb jelentkező volt, az ehhez hasonló rendszerek még nagyobb lehetőséget mutattak új tartalom létrehozására, és a szövegből képbe váltást használják élénk képek létrehozására, amelyek még művészeti versenyeket is nyertek. Lehet, hogy a mesterséges intelligencia még nem rendelkezik élő tudattal vagy a sci-fi filmekben és regényekben népszerűsített elmeelméletekkel, de egyre közelebb kerül ahhoz, hogy legalább megzavarja azt, amit a mesterséges intelligencia rendszerekről úgy gondolunk, hogy képesek.

Az ezekkel a rendszerekkel szorosan együttműködő kutatók elájulnak az intelligencia lehetőségétől, mint például a Google LaMDA Large Language Model (LLM) esetében. Az LLM egy olyan modell, amelyet természetes nyelv feldolgozására és generálására képeztek ki.

A generatív mesterséges intelligencia aggodalmakat is felvetett a plágium, a modellek felépítéséhez használt eredeti tartalom kiaknázása, az információmanipuláció és a bizalommal való visszaélés etikája, sőt a "programozás vége" miatt is.

Mit jelent valójában az AI?

Mindezek középpontjában egy olyan kérdés áll, amelynek jelentősége a nyári dartmouthi szeminárium óta növekszik: különbözik-e az AI az emberi intelligenciától? Ahhoz, hogy mesterséges intelligenciának lehessen tekinteni, egy rendszernek bizonyos szintű tanulást és alkalmazkodást kell mutatnia. Emiatt a döntéshozatali, automatizálási és statisztikai rendszerek nem mesterséges intelligencia. Általánosságban elmondható, hogy az AI két kategóriába sorolható: szűk mesterséges intelligencia (AI) és mesterséges általános intelligencia (AI). Jelenleg az SHI nem létezik. Az általános mesterséges intelligencia felépítésének kulcsfontosságú kihívása a világ megfelelő modellezése a teljes tudásanyaggal, következetes és hasznos módon. Ez finoman szólva is nagyszabású feladat.

A legtöbb, amit ma mesterséges intelligenciaként ismerünk, szűk intelligenciával rendelkezik – ahol egy adott rendszer egy adott problémát old meg. Ellentétben az emberi intelligenciával, az ilyen szűk AI-intelligencia csak azon a területen hatékony, ahol képzett: például a csalások felderítésében, az arcfelismerésben vagy a társadalmi ajánlásokban. És az AI ugyanúgy fog működni, mint egy személy. Jelenleg az erre irányuló kísérletek legszembetűnőbb példája a neurális hálózatok használata és a hatalmas mennyiségű adatra kiképzett mély tanulás.

Nem minden, amit AI-nak nevezünk, valójában mesterséges intelligencia

A neurális hálózatokat az emberi agy működése ihlette. A legtöbb gépi tanulási modelltől eltérően, amelyek számításokat végeznek a betanítási adatokon, a neurális hálózatok úgy működnek, hogy az egyes adatpontokat egymás után egy összekapcsolt hálózaton keresztül táplálják, és minden alkalommal módosítják a paramétereket. Ahogy egyre több adatot táplálnak át a hálózaton, a paraméterek stabilizálódnak, ami egy „kiképzett” neurális hálózatot eredményez, amely azután képes a kívánt kimenetet előállítani az új adatokon – például felismerve, hogy egy kép macskát vagy kutyát tartalmaz-e.

A mesterséges intelligencia fejlődésében napjainkban bekövetkezett jelentős ugrás a nagy neurális hálózatok tanulási módszereinek technológiai fejlesztéseinek köszönhető, amelyek a nagy számítási felhő infrastruktúrák képességeinek köszönhetően hatalmas számú paraméter beállítását teszik lehetővé minden egyes futtatás során. Például a GPT-3 (a ChatGPT-t működtető AI-rendszer) egy nagy neurális hálózat 175 milliárd paraméterrel.

Mi kell a mesterséges intelligencia működéséhez?

A mesterséges intelligenciának három dologra van szüksége a sikeres működéshez. Először is minőségi, objektív adatokra van szüksége, és sokra. A neurális hálózatokat építő kutatók nagy mennyiségű adatot használnak fel, amelyek a társadalom digitalizálásának köszönhetően jelentek meg.

Az emberi programozókat kiegészítve a Co-Pilot adatait a GitHubon tárolt több milliárd kódsorból meríti. A ChatGPT és más nagy nyelvi modellek az interneten tárolt több milliárd webhelyet és szöveges dokumentumot használják.

Szöveg képpé konvertáló eszközök, mint pl Stabil diffúzió, DALLE-2 és Midjourney, használjon kép-szöveg párokat olyan adatkészletekből, mint például a LAION-5B. Az AI-modellek tovább fognak fejlődni, ahogy életünk nagyobb részét digitalizáljuk, és alternatív adatforrásokkal tápláljuk őket, például szimulációs adatokat vagy olyan játékbeállításokból származó adatokat, mint a Minecraft.

Nem minden, amit AI-nak nevezünk, valójában mesterséges intelligencia

A mesterséges intelligencia hatékony képzéséhez számítástechnikai infrastruktúrára is szüksége van. Ahogy a számítógépek egyre erősebbek, a mostani intenzív erőfeszítést és nagyszabású számításokat igénylő modellek a közeljövőben helyben is feldolgozhatók lesznek. Például a Stable Diffusion modell már futtatható helyi számítógépeken, és nem felhőkörnyezetben. A mesterséges intelligencia harmadik igénye a továbbfejlesztett modellek és algoritmusok. Az adatvezérelt rendszerek továbbra is gyorsan fejlődnek azokon a területeken, amelyeket valaha az emberi megismerés tartományának tekintettek.

Mivel azonban a körülöttünk lévő világ folyamatosan változik, az AI-rendszereket folyamatosan át kell képezni az új adatok felhasználásával. E fontos lépés nélkül az AI-rendszerek tényszerűen helytelen válaszokat adnak, vagy nem veszik figyelembe a betanításuk óta megjelent új információkat.

A neurális hálózatok nem az egyetlen megközelítés az MI-hez. A mesterséges intelligencia kutatásának másik figyelemre méltó tábora a szimbolikus mesterséges intelligencia – ahelyett, hogy hatalmas adattömböket emészt fel, olyan szabályokra és ismeretekre támaszkodik, amelyek hasonlóak ahhoz az emberi folyamathoz, amely bizonyos jelenségek belső szimbolikus reprezentációit alkotja.

Ám az elmúlt évtizedben az erőviszonyok erősen az adatvezérelt megközelítések felé billentek, és a modern mély tanulás „alapító atyáit” nemrégiben ítélték oda a számítástechnikai Nobel-díjjal egyenértékű Turing-díjjal.

Nem minden, amit AI-nak nevezünk, valójában mesterséges intelligencia

Az adatok, számítások és algoritmusok képezik a jövő mesterséges intelligenciájának alapját. Valamennyi mutató gyors előrelépést jelez mindhárom kategóriában a belátható jövőben.

Segíthet Ukrajnának az orosz megszállók elleni küzdelemben. Ennek legjobb módja, ha adományokat adományoz az ukrán fegyveres erőknek ezen keresztül Savelife vagy a hivatalos oldalon keresztül NBU.

Regisztrálj
Értesítés arról
vendég

0 Hozzászólások
Beágyazott vélemények
Az összes megjegyzés megtekintése
Egyéb cikkek
Iratkozz fel a frissítésekre

Legutóbbi hozzászólások

Most népszerű
0
Imádjuk a gondolataidat, kérlek kommenteld.x