1955. gada augustā zinātnieku grupa iesniedza lūgumu piešķirt finansējumu 13 500 USD apmērā, lai vadītu vasaras semināru Dartmutas koledžā, Ņūhempšīrā. Joma, ko viņi ierosināja izpētīt, bija mākslīgais intelekts (AI). Lai gan finansējuma pieprasījums bija pieticīgs, pētnieku hipotēze nebija tāda: "Katrs mācīšanās aspekts vai jebkura cita intelekta iezīme principā var tikt aprakstīta tik precīzi, ka var uzbūvēt mašīnu, kas to atdarinātu."
Kopš šiem pazemīgajiem pirmsākumiem filmas un plašsaziņas līdzekļi ir romantizējuši AI vai attēlojuši to kā ļaundari. Tomēr lielākajai daļai cilvēku mākslīgais intelekts ir bijis tikai diskusiju jautājums, nevis apzinātas dzīves pieredzes sastāvdaļa.
Pagājušā mēneša beigās AI formā ChatGPT ir izlauzies no zinātniskās fantastikas spekulāciju un pētniecības laboratorijām, kā arī plašas sabiedrības galddatoros un tālruņos. Tas ir tā sauktais "ģeneratīvais AI" – negaidīti inteliģenti formulēts pamudinājums var uzrakstīt eseju vai izveidot recepti un iepirkumu sarakstu, vai izveidot dzejoli Elvisa Preslija stilā.
Lai gan ChatGPT ir bijis iespaidīgākais dalībnieks ģeneratīvo AI panākumu gadā, tādas sistēmas kā šī ir parādījušas vēl lielāku potenciālu jauna satura radīšanai, un teksta pārveidošanas uzvednes tiek izmantotas, lai radītu spilgtus attēlus, kas pat ir uzvarējuši mākslas konkursos. AI, iespējams, vēl nav dzīvas apziņas vai prāta teorijas, kas popularizēta zinātniskās fantastikas filmās un romānos, taču tas tuvojas vismaz tam, lai izjauktu to, ko, mūsuprāt, mākslīgā intelekta sistēmas var darīt.
Pētnieki, kas cieši sadarbojas ar šīm sistēmām, krīt no izlūkošanas perspektīvām, piemēram, Google LaMDA lielās valodas modeļa (LLM) gadījumā. LLM ir modelis, kas ir apmācīts apstrādāt un ģenerēt dabisko valodu.
Ģeneratīvais AI ir radījis bažas arī par plaģiātu, oriģinālā satura izmantošanu, ko izmanto modeļu veidošanā, informācijas manipulācijas ētiku un uzticības ļaunprātīgu izmantošanu un pat "programmēšanas beigām".
Ko īsti nozīmē AI?
Tā visa centrā ir jautājums, kura aktualitāte ir pieaugusi kopš vasaras semināra Dartmutā: vai AI atšķiras no cilvēka intelekta? Lai sistēma tiktu uzskatīta par AI, tai ir jāpierāda noteikts mācīšanās un pielāgošanās līmenis. Šī iemesla dēļ lēmumu pieņemšanas, automatizācijas un statistikas sistēmas nav AI. Vispārīgi runājot, mākslīgais intelekts ir sadalīts divās kategorijās: mākslīgais šaurais intelekts (AI) un mākslīgais vispārējais intelekts (AI). Pašlaik SHI nepastāv. Galvenais izaicinājums vispārēja AI veidošanai ir konsekventi un lietderīgi adekvāti modelēt pasauli, izmantojot visu zināšanu kopumu. Tas ir, maigi izsakoties, liela mēroga uzdevums.
Lielākajai daļai no tā, ko mēs šodien pazīstam kā AI, ir šaurs intelekts — kur konkrēta sistēma atrisina konkrētu problēmu. Atšķirībā no cilvēka intelekta, šāds šaurs AI izlūkdati ir efektīvs tikai tajā jomā, kurā tas ir apmācīts: piemēram, krāpšanas atklāšana, sejas atpazīšana vai sociālie ieteikumi. Un AI darbosies tāpat kā cilvēks. Pašlaik visievērojamākais mēģinājumu to panākt piemērs ir neironu tīklu izmantošana un padziļināta mācīšanās, kas apmācīta ar milzīgu datu apjomu.
Neironu tīklus iedvesmo tas, kā darbojas cilvēka smadzenes. Atšķirībā no vairuma mašīnmācīšanās modeļu, kas veic apmācības datu aprēķinus, neironu tīkli darbojas, katru datu punktu pēc kārtas padodot caur savstarpēji savienotu tīklu, katru reizi pielāgojot parametrus. Tā kā tīklā tiek ievadīts arvien vairāk datu, parametri stabilizējas, kā rezultātā tiek izveidots “apmācīts” neironu tīkls, kas pēc tam var radīt vēlamo izvadi no jauniem datiem, piemēram, atpazīt, vai attēlā ir kaķis vai suns.
Būtisks lēciens mākslīgā intelekta attīstībā mūsdienās ir saistīts ar tehnoloģiskajiem uzlabojumiem lielo neironu tīklu apguves metodēs, kas ļauj pielāgot milzīgu skaitu parametru katras darbības laikā, pateicoties lielo mākoņdatošanas infrastruktūru iespējām. Piemēram, GPT-3 (AI sistēma, kas darbina ChatGPT) ir liels neironu tīkls ar 175 miljardiem parametru.
Kas nepieciešams, lai mākslīgais intelekts darbotos?
Lai mākslīgais intelekts veiksmīgi darbotos, ir vajadzīgas trīs lietas. Pirmkārt, viņam ir vajadzīgi kvalitatīvi, objektīvi dati un daudz to. Pētnieki, kas veido neironu tīklus, izmanto lielus datu masīvus, kas parādījušies, pateicoties sabiedrības digitalizācijai.
Papildinot cilvēku programmētājus, Co-Pilot iegūst datus no miljardiem koda rindu, kas mitinātas vietnē GitHub. ChatGPT un citos lielos valodu modeļos tiek izmantoti miljardiem internetā glabāto vietņu un teksta dokumentu.
Teksta uz attēlu konvertēšanas rīki, piemēram, Stabila difūzija, DALLE-2 un Midjourney, izmantojiet attēla un teksta pārus no datu kopām, piemēram, LAION-5B. AI modeļi turpinās attīstīties, jo mēs digitalizēsim vairāk savas dzīves un nodrošināsim tiem alternatīvus datu avotus, piemēram, simulācijas datus vai datus no spēļu iestatījumiem, piemēram, Minecraft.
AI ir nepieciešama arī skaitļošanas infrastruktūra, lai efektīvi apmācītu. Tā kā datori kļūst arvien jaudīgāki, modeļi, kuriem tagad ir vajadzīgas intensīvas pūles un liela mēroga aprēķini, tuvākajā nākotnē var tikt apstrādāti lokāli. Piemēram, Stable Diffusion modeli jau var palaist lokālajos datoros, nevis mākoņa vidē. Trešā AI nepieciešamība ir uzlaboti modeļi un algoritmi. Uz datiem balstītas sistēmas turpina strauji attīstīties jomās, kas kādreiz tika uzskatītas par cilvēka izziņas jomu.
Tomēr, tā kā pasaule ap mums pastāvīgi mainās, mākslīgā intelekta sistēmas ir nepārtraukti jāpārkvalificē, izmantojot jaunus datus. Bez šī svarīgā soļa AI sistēmas sniegs atbildes, kas faktiski ir nepareizas vai neņem vērā jauno informāciju, kas parādījusies kopš to apmācības.
Neironu tīkli nav vienīgā pieeja AI. Vēl viena ievērojama mākslīgā intelekta pētījumu nometne ir simboliskais AI — tā vietā, lai sagremotu milzīgus datu masīvus, tas paļaujas uz noteikumiem un zināšanām, kas ir līdzīgas cilvēka procesam, veidojot noteiktu parādību iekšēju simbolisku priekšstatu.
Taču pēdējo desmit gadu laikā spēku līdzsvars ir stipri sasvēries uz datiem balstītām pieejām, un mūsdienu dziļās mācīšanās "dibinātājiem" nesen tika piešķirta Tjūringa balva, kas ir līdzvērtīga Nobela prēmijai datorzinātnēs.
Dati, aprēķini un algoritmi veido nākotnes AI pamatu. Visi rādītāji liecina par strauju progresu visās trīs kategorijās tuvākajā nākotnē.
Jūs varat palīdzēt Ukrainai cīnīties pret krievu iebrucējiem. Labākais veids, kā to izdarīt, ir ziedot līdzekļus Ukrainas bruņotajiem spēkiem Savelife vai izmantojot oficiālo lapu NBU.