באוגוסט 1955, קבוצת חוקרים הגישה בקשה למימון בסך 13 דולר לניהול סמינר קיץ בדארטמות' קולג', ניו המפשייר. התחום שהם הציעו לחקור היה בינה מלאכותית (AI). למרות שבקשת המימון הייתה צנועה, השערת החוקרים לא הייתה: "כל היבט של למידה או כל תכונה אחרת של אינטליגנציה ניתן, באופן עקרוני, להיות מתואר בצורה כה מדויקת עד שניתן לבנות מכונה לחקות אותה".
מאז ההתחלות הצנועות הללו, סרטים ותקשורת עשו רומנטיזציה לבינה מלאכותית או הציגו אותה כנבל. עם זאת, עבור רוב האנשים, AI נשאר רק עניין של ויכוח ולא חלק מניסיון חיים מודע.
בסוף החודש שעבר, AI בצורה של ChatGPT פרצה ממעבדות מדע בדיוני ספקולציות ומחקר אל המחשבים הנייחים והטלפונים של הציבור הרחב. זהו מה שנקרא "בינה מלאכותית מחוללת" - הנחיה מנוסחת בצורה בלתי צפויה יכולה לכתוב חיבור או להכין מתכון ורשימת קניות, או ליצור שיר בסגנון של אלביס פרסלי.
אמנם ChatGPT היה המשתתף המרשים ביותר בשנה של הצלחה בינה מלאכותית, מערכות כמו זו הראו פוטנציאל גדול עוד יותר ליצור תוכן חדש, והנחיות טקסט לתמונה משמשות ליצירת תמונות חיות שאף זכו בתחרויות אמנות. ל-AI אולי אין עדיין תודעה חיה או תורת התודעה שהפכה לפופולרית בסרטי מדע בדיוני ורומנים, אבל היא מתקרבת לפחות לשבש את מה שאנו חושבים שמערכות בינה מלאכותית יכולות לעשות.
חוקרים שעובדים בשיתוף פעולה הדוק עם מערכות אלה מתעלפים מהסיכוי למודיעין, כמו במקרה של מודל השפה הגדולה של גוגל (LLM) של גוגל. LLM הוא מודל שעבר הכשרה לעיבוד ויצירת שפה טבעית.
בינה מלאכותית גנרטיבית העלתה גם חששות לגבי גניבת דעת, ניצול של תוכן מקורי המשמש לבניית מודלים, האתיקה של מניפולציות מידע וניצול לרעה של אמון, ואפילו "סוף התכנות".
מה המשמעות של AI באמת?
במרכז כל זה עומדת שאלה שהרלוונטיות שלה הולכת וגדלה מאז סמינר הקיץ בדארטמות': האם AI שונה מהאינטליגנציה האנושית? על מנת להיחשב בינה מלאכותית, מערכת חייבת להפגין רמה מסוימת של למידה והתאמה. מסיבה זו, מערכות קבלת החלטות, אוטומציה וסטטיסטיות אינן בינה מלאכותית. בגדול, בינה מלאכותית מחולקת לשתי קטגוריות: בינה צרה מלאכותית (AI) ובינה כללית מלאכותית (AI). נכון לעכשיו, ה-SHI לא קיים. אתגר מרכזי לבניית בינה מלאכותית כללית הוא מודל הולם של העולם עם כל גוף הידע, בצורה עקבית ושימושית. מדובר, בלשון המעטה, במשימה רחבת היקף.
לרוב מה שאנו מכירים כ-AI כיום יש אינטליגנציה צרה - כאשר מערכת ספציפית פותרת בעיה ספציפית. שלא כמו אינטליגנציה אנושית, אינטליגנציה בינה מלאכותית צרה כזו יעילה רק בתחום שבו היא הוכשרה: כמו זיהוי הונאה, זיהוי פנים או המלצות חברתיות. ובינה מלאכותית תתפקד באותו אופן כמו אדם. נכון לעכשיו, הדוגמה הבולטת ביותר לניסיונות להשיג זאת היא השימוש ברשתות עצביות ולמידה עמוקה המאומנים על כמויות אדירות של נתונים.
רשתות עצביות שואבות השראה מהאופן שבו המוח האנושי פועל. בניגוד לרוב המודלים של למידת מכונה, המבצעים חישובים על נתוני אימון, רשתות עצביות פועלות על ידי הזנה של כל נקודת נתונים בתורה דרך רשת מחוברת, תוך התאמת הפרמטרים בכל פעם. ככל שיותר ויותר נתונים מוזנים דרך הרשת, הפרמטרים מתייצבים, וכתוצאה מכך נוצרת רשת עצבית "מאומנת" שיכולה להפיק את הפלט הרצוי על נתונים חדשים - למשל, לזהות אם תמונה מכילה חתול או כלב.
קפיצת מדרגה משמעותית בפיתוח הבינה המלאכותית כיום נובעת משיפורים טכנולוגיים בשיטות לימוד רשתות עצביות גדולות, המאפשרות התאמת מספר עצום של פרמטרים במהלך כל ריצה הודות ליכולות של תשתיות מחשוב ענן גדולות. לדוגמה, GPT-3 (מערכת הבינה המלאכותית שמפעילה את ChatGPT) היא רשת עצבית גדולה עם 175 מיליארד פרמטרים.
מה נדרש כדי שהבינה המלאכותית תעבוד?
בינה מלאכותית צריכה שלושה דברים כדי לעבוד בהצלחה. ראשית, הוא צריך נתונים איכותיים ואובייקטיביים, והרבה מהם. חוקרים הבונים רשתות עצביות משתמשים במערכים גדולים של נתונים שהופיעו הודות לדיגיטציה של החברה.
משלימה למתכנתים אנושיים, Co-Pilot שואבת את הנתונים שלה ממיליארדי שורות קוד המתארחות ב-GitHub. ChatGPT ודגמי שפות גדולים אחרים משתמשים במיליארדי אתרים ומסמכי טקסט המאוחסנים באינטרנט.
כלי המרת טקסט לתמונה כגון דיפוזיה יציבה, DALLE-2 ו-Midjourney, השתמשו בצמדי תמונה-טקסט ממערכי נתונים כגון LAION-5B. מודלים של בינה מלאכותית ימשיכו להתפתח ככל שנעשה דיגיטציה של יותר מחיינו ונזין אותם במקורות נתונים חלופיים, כגון נתוני סימולציה או נתונים מהגדרות משחק כמו Minecraft.
AI גם זקוק לתשתית מחשוב כדי להתאמן ביעילות. ככל שהמחשבים הופכים חזקים יותר, מודלים הדורשים כעת מאמץ אינטנסיבי וחישובים בקנה מידה גדול עשויים לעבור עיבוד מקומי בעתיד הקרוב. לדוגמה, ניתן להפעיל את מודל Stable Diffusion כבר על מחשבים מקומיים ולא בסביבות ענן. הצורך השלישי ב-AI הוא מודלים ואלגוריתמים משופרים. מערכות מונעות נתונים ממשיכות להתקדם במהירות בתחומים שנחשבו בעבר לתחום הקוגניציה האנושית.
עם זאת, מכיוון שהעולם סביבנו משתנה כל הזמן, מערכות בינה מלאכותית צריכות לעבור הכשרה מתמדת באמצעות נתונים חדשים. ללא הצעד החשוב הזה, מערכות בינה מלאכותית יתנו תשובות שאינן נכונות עובדתית או שאינן לוקחות בחשבון מידע חדש שצץ מאז שהוכשרו.
רשתות עצביות אינן הגישה היחידה לבינה מלאכותית. מחנה בולט נוסף בחקר הבינה המלאכותית הוא AI סימבולי - במקום לעכל מערכים עצומים של נתונים, הוא מסתמך על כללים וידע הדומים לתהליך האנושי של יצירת ייצוגים סמליים פנימיים של תופעות מסוימות.
אבל בעשור האחרון, מאזן הכוחות נוטה מאוד לכיוון גישות מונעות נתונים, ו"האבות המייסדים" של הלמידה העמוקה המודרנית זכו לאחרונה בפרס טיורינג, המקבילה לפרס נובל במדעי המחשב.
נתונים, חישובים ואלגוריתמים מהווים את הבסיס לבינה מלאכותית עתידית. כל האינדיקטורים מצביעים על התקדמות מהירה בכל שלוש הקטגוריות לעתיד הנראה לעין.
אתה יכול לעזור לאוקראינה להילחם נגד הפולשים הרוסים. הדרך הטובה ביותר לעשות זאת היא לתרום כספים לכוחות המזוינים של אוקראינה באמצעות הצלת חיים או דרך העמוד הרשמי NBU.