1955 წლის აგვისტოში, მეცნიერთა ჯგუფმა წარმოადგინა მოთხოვნა 13 აშშ დოლარის დაფინანსებაზე, რათა ჩაეტარებინა საზაფხულო სემინარი დარტმუთის კოლეჯში, ნიუ ჰემფშირი. სფერო, რომელიც მათ შესთავაზეს შესწავლა იყო ხელოვნური ინტელექტი (AI). მიუხედავად იმისა, რომ დაფინანსების მოთხოვნა მოკრძალებული იყო, მკვლევარების ჰიპოთეზა არ იყო: „სწავლის ყველა ასპექტი ან ინტელექტის სხვა მახასიათებელი, პრინციპში, შეიძლება აღწერილი იყოს ისე ზუსტად, რომ მანქანა აშენდეს მის მიბაძვისთვის“.
ამ თავმდაბალი დასაწყისიდან მოყოლებული, ფილმებმა და მედიამ ხელოვნური ხელოვნური ინტელექტის რომანტიზირება მოახდინა ან ბოროტმოქმედად წარმოაჩინა. თუმცა, ადამიანების უმეტესობისთვის ხელოვნური ინტელექტი მხოლოდ დებატების საგანი დარჩა და არა ცნობიერი ცხოვრებისეული გამოცდილების ნაწილი.
გასული თვის ბოლოს AI სახით ჩატი GPT გამოვიდა სამეცნიერო ფანტასტიკის სპეკულაციებისა და კვლევითი ლაბორატორიებიდან და ფართო საზოგადოების დესკტოპებსა და ტელეფონებზე. ეს არის ეგრეთ წოდებული "გენერაციული AI" - მოულოდნელად ჭკვიანურად ჩამოყალიბებულ მოთხოვნას შეუძლია დაწეროს ესსე ან გააკეთოს რეცეპტი და სავაჭრო სია, ან შექმნას ლექსი ელვის პრესლის სტილში.
თუმცა ჩატი GPT იყო ყველაზე შთამბეჭდავი აბიტურიენტი გენერაციული ხელოვნური ინტელექტის წარმატებული წლის განმავლობაში, მსგავსმა სისტემებმა კიდევ უფრო დიდი პოტენციალი აჩვენეს ახალი კონტენტის შესაქმნელად და ტექსტიდან სურათზე მითითებები გამოიყენება ნათელი სურათების შესაქმნელად, რომლებმაც გაიმარჯვეს ხელოვნების კონკურსებშიც კი. შესაძლოა, ხელოვნურ ინტელექტს ჯერ არ ჰქონდეს ცოცხალი ცნობიერება ან გონების თეორია, რომელიც პოპულარობით სარგებლობს სამეცნიერო ფანტასტიკურ ფილმებსა და რომანებში, მაგრამ ის სულ უფრო უახლოვდება ჩაშლას, რაც, ჩვენი აზრით, ხელოვნური ინტელექტის სისტემებს შეუძლიათ.
მკვლევარები, რომლებიც მჭიდროდ თანამშრომლობენ ამ სისტემებთან, დაზიანებულნი არიან დაზვერვის პერსპექტივით, როგორც Google-ის LaMDA Large Language Model (LLM) შემთხვევაში. LLM არის მოდელი, რომელსაც გაწვრთნილი აქვს ბუნებრივი ენის დამუშავება და გენერირება.
Generative AI-მ ასევე გააჩინა შეშფოთება პლაგიატის, მოდელების შესაქმნელად გამოყენებული ორიგინალური კონტენტის ექსპლუატაციის, ინფორმაციის მანიპულირებისა და ნდობის ბოროტად გამოყენების ეთიკის, და თუნდაც „პროგრამირების დასასრულის“ შესახებ.
რას ნიშნავს AI სინამდვილეში?
ამ ყველაფრის ცენტრში არის კითხვა, რომლის აქტუალობა იზრდებოდა დარტმუთის საზაფხულო სემინარის შემდეგ: განსხვავდება თუ არა ხელოვნური ინტელექტი ადამიანის ინტელექტისგან? იმისათვის, რომ ჩაითვალოს AI, სისტემამ უნდა აჩვენოს სწავლისა და ადაპტაციის გარკვეული დონე. ამ მიზეზით, გადაწყვეტილების მიღება, ავტომატიზაცია და სტატისტიკური სისტემები არ არის AI. ზოგადად, AI იყოფა ორ კატეგორიად: ხელოვნური ვიწრო ინტელექტი (AI) და ხელოვნური ზოგადი ინტელექტი (AI). ამჟამად SHI არ არსებობს. ზოგადი ხელოვნური ინტელექტის შექმნის მთავარი გამოწვევაა სამყაროს ადეკვატურად მოდელირება მთელი ცოდნით, თანმიმდევრული და სასარგებლო გზით. ეს, რბილად რომ ვთქვათ, ფართომასშტაბიანი ამოცანაა.
უმეტესობას, რასაც დღეს AI-ს სახელით ვიცნობთ, აქვს ვიწრო ინტელექტი – სადაც კონკრეტული სისტემა წყვეტს კონკრეტულ პრობლემას. ადამიანის დაზვერვისგან განსხვავებით, ასეთი ვიწრო AI ინტელექტი ეფექტურია მხოლოდ იმ დომენში, სადაც ის გაწვრთნილი იყო: როგორიცაა თაღლითობის გამოვლენა, სახის ამოცნობა ან სოციალური რეკომენდაციები. და AI იმოქმედებს ისევე, როგორც ადამიანი. ამჟამად, ამის მიღწევის მცდელობის ყველაზე თვალსაჩინო მაგალითია ნერვული ქსელების გამოყენება და ღრმა სწავლება, რომელიც მომზადებულია დიდი რაოდენობით მონაცემებზე.
ნერვული ქსელები შთაგონებულია იმით, თუ როგორ მუშაობს ადამიანის ტვინი. მანქანათმცოდნეობის მოდელების უმეტესობისგან განსხვავებით, რომლებიც ასრულებენ გამოთვლებს სასწავლო მონაცემებზე, ნერვული ქსელები მუშაობენ თითოეული მონაცემთა წერტილის მიწოდებით ურთიერთდაკავშირებულ ქსელში, ყოველ ჯერზე არეგულირებენ პარამეტრებს. რაც უფრო მეტი მონაცემი იკვებება ქსელის საშუალებით, პარამეტრები სტაბილიზდება, რის შედეგადაც წარმოიქმნება "გაწვრთნილი" ნერვული ქსელი, რომელიც შემდეგ ახალ მონაცემებზე სასურველ გამომავალს გამოიმუშავებს - მაგალითად, იმის გარკვევას, არის თუ არა სურათი კატას თუ ძაღლს.
დღეს ხელოვნური ინტელექტის განვითარებაში მნიშვნელოვანი ნახტომი განპირობებულია დიდი ნერვული ქსელების სწავლის მეთოდების ტექნოლოგიური გაუმჯობესებით, რაც საშუალებას იძლევა დიდი რაოდენობით პარამეტრების რეგულირება ყოველი გაშვების დროს დიდი ღრუბლოვანი გამოთვლითი ინფრასტრუქტურის შესაძლებლობების წყალობით. მაგალითად, GPT-3 (AI სისტემა, რომელიც კვებავს ChatGPT-ს) არის დიდი ნერვული ქსელი 175 მილიარდი პარამეტრით.
რა არის საჭირო ხელოვნური ინტელექტის მუშაობისთვის?
ხელოვნური ინტელექტის წარმატებით მუშაობისთვის საჭიროა სამი რამ. პირველ რიგში, მას სჭირდება ხარისხიანი, ობიექტური მონაცემები და ბევრი რამ. მკვლევარები, რომლებიც ქმნიან ნერვულ ქსელებს, იყენებენ მონაცემთა დიდ მასივს, რომელიც გამოჩნდა საზოგადოების დიგიტალიზაციის წყალობით.
ადამიანური პროგრამისტების შემავსებელი, Co-Pilot იღებს თავის მონაცემებს GitHub-ზე განთავსებული კოდების მილიარდობით ხაზიდან. ChatGPT და სხვა დიდი ენობრივი მოდელები იყენებენ ინტერნეტში შენახულ მილიარდობით ვებსაიტს და ტექსტურ დოკუმენტს.
ტექსტის სურათზე გადაყვანის ხელსაწყოები, როგორიცაა სტაბილური დიფუზია, დალე-2 და Midjourney, გამოიყენეთ სურათი-ტექსტის წყვილები მონაცემთა ნაკრებიდან, როგორიცაა LAION-5B. ხელოვნური ინტელექტის მოდელები განაგრძობენ განვითარებას, რადგან ჩვენ გავაციფრებთ ჩვენს ცხოვრებას და ვაძლევთ მათ მონაცემთა ალტერნატიულ წყაროებს, როგორიცაა სიმულაციური მონაცემები ან მონაცემები თამაშის პარამეტრებიდან, როგორიცაა Minecraft.
AI-ს ასევე სჭირდება გამოთვლითი ინფრასტრუქტურა ეფექტური ვარჯიშისთვის. როგორც კომპიუტერები უფრო მძლავრი ხდება, მოდელები, რომლებიც ახლა მოითხოვს ინტენსიურ ძალისხმევას და ფართომასშტაბიან გამოთვლებს, შესაძლოა უახლოეს მომავალში ადგილობრივად დამუშავდეს. მაგალითად, Stable Diffusion მოდელის გაშვება უკვე შესაძლებელია ადგილობრივ კომპიუტერებზე და არა ღრუბლოვან გარემოში. ხელოვნური ინტელექტის მესამე საჭიროება არის გაუმჯობესებული მოდელები და ალგორითმები. მონაცემებზე ორიენტირებული სისტემები აგრძელებენ სწრაფ წინსვლას იმ სფეროებში, რომლებიც ოდესღაც ადამიანის შემეცნების სფეროდ ითვლებოდა.
თუმცა, იმის გამო, რომ ჩვენს ირგვლივ სამყარო მუდმივად იცვლება, ხელოვნური ინტელექტის სისტემების მუდმივად გადამზადება საჭიროა ახალი მონაცემების გამოყენებით. ამ მნიშვნელოვანი ნაბიჯის გარეშე, ხელოვნური ინტელექტის სისტემები გასცემენ პასუხებს, რომლებიც ფაქტობრივად არასწორია ან არ ითვალისწინებენ ახალ ინფორმაციას, რომელიც გაჩნდა მათი მომზადების შემდეგ.
ნერვული ქსელები არ არის ერთადერთი მიდგომა ხელოვნური ინტელექტის მიმართ. ხელოვნური ინტელექტის კვლევის კიდევ ერთი თვალსაჩინო ბანაკი არის სიმბოლური ხელოვნური ინტელექტი - იმის ნაცვლად, რომ შეისწავლოს მონაცემების დიდი მასივი, ის ეყრდნობა წესებს და ცოდნას, როგორც ადამიანის პროცესის ფორმირების შინაგანი სიმბოლური წარმოდგენები გარკვეული ფენომენების შესახებ.
მაგრამ გასული ათწლეულის განმავლობაში ძალთა ბალანსი მკვეთრად გადაიხარა მონაცემთა ბაზაზე ორიენტირებული მიდგომებისკენ და თანამედროვე ღრმა სწავლის „დამფუძნებელ მამებს“ ახლახან მიენიჭათ ტურინგის პრემია, ნობელის პრემიის ექვივალენტი კომპიუტერულ მეცნიერებაში.
მონაცემები, გამოთვლები და ალგორითმები ქმნიან სამომავლო AI-ს საფუძველს. ყველა ინდიკატორი მიუთითებს სწრაფ პროგრესზე სამივე კატეგორიაში უახლოეს მომავალში.
თქვენ შეგიძლიათ დაეხმაროთ უკრაინას რუსი დამპყრობლების წინააღმდეგ ბრძოლაში. ამის საუკეთესო გზაა უკრაინის შეიარაღებული ძალებისთვის თანხების შემოწირულობა Savelife ან ოფიციალური გვერდის საშუალებით NBU.