I august 1955 sendte en gruppe forskere inn en forespørsel om finansiering på $13 500 for å gjennomføre et sommerseminar ved Dartmouth College, New Hampshire. Feltet de foreslo å utforske var kunstig intelligens (AI). Selv om finansieringsforespørselen var beskjeden, var ikke forskernes hypotese: «Hvert aspekt ved læring eller andre trekk ved intelligens kan i prinsippet beskrives så presist at en maskin kan bygges for å etterligne den».
Siden denne spede begynnelsen har filmer og media romantisert AI eller fremstilt det som en skurk. Imidlertid har AI for de fleste bare vært et spørsmål om debatt og ikke en del av bevisst livserfaring.
I slutten av forrige måned ble AI i form av ChatGPT har brutt ut av science fiction-spekulasjons- og forskningslaboratorier og over på stasjonære datamaskiner og telefoner til allmennheten. Dette er den såkalte "generative AI" - en uventet intelligent formulert oppfordring kan skrive et essay eller lage en oppskrift og en handleliste, eller lage et dikt i stil med Elvis Presley.
Selv om ChatGPT har vært den mest imponerende deltakeren i et år med generativ AI-suksess, systemer som dette har vist enda større potensiale for å lage nytt innhold, og tekst-til-bilde-oppfordringer blir brukt til å lage levende bilder som til og med har vunnet kunstkonkurranser. AI har kanskje ennå ikke en levende bevissthet eller teorien om sinnet som er populært i science fiction-filmer og romaner, men det nærmer seg i det minste å forstyrre det vi tror kunstige intelligenssystemer kan gjøre.
Forskere som jobber tett med disse systemene besvimer ved utsiktene til intelligens, som i tilfellet med Googles LaMDA Large Language Model (LLM). LLM er en modell som har blitt opplært til å behandle og generere naturlig språk.
Generativ AI har også reist bekymringer om plagiering, utnyttelse av originalt innhold som brukes til å bygge modeller, etikken rundt informasjonsmanipulering og misbruk av tillit, og til og med "slutten på programmering."
Hva betyr egentlig AI?
I sentrum av alt dette er et spørsmål hvis relevans har vokst helt siden sommerseminaret i Dartmouth: Er AI forskjellig fra menneskelig intelligens? For å bli betraktet som AI, må et system demonstrere et visst nivå av læring og tilpasning. Av denne grunn er ikke beslutningstaking, automatisering og statistiske systemer AI. Grovt sett er AI delt inn i to kategorier: kunstig smal intelligens (AI) og kunstig generell intelligens (AI). Foreløpig eksisterer ikke SHI. En nøkkelutfordring for å bygge generell kunstig intelligens er å modellere verden på en passende måte med hele kunnskapen, på en konsistent og nyttig måte. Dette er mildt sagt en storstilt oppgave.
Det meste av det vi kjenner som AI i dag har smal intelligens – der et spesifikt system løser et spesifikt problem. I motsetning til menneskelig intelligens, er en slik smal AI-intelligens bare effektiv i domenet den har blitt trent i: som svindeloppdagelse, ansiktsgjenkjenning eller sosiale anbefalinger. Og AI vil fungere på samme måte som en person. For tiden er det mest fremtredende eksemplet på forsøk på å oppnå dette bruken av nevrale nettverk og dyp læring trent på enorme mengder data.
Nevrale nettverk er inspirert av hvordan den menneskelige hjernen fungerer. I motsetning til de fleste maskinlæringsmodeller, som utfører beregninger på treningsdata, fungerer nevrale nettverk ved å mate hvert datapunkt etter tur gjennom et sammenkoblet nettverk, og justere parametrene hver gang. Etter hvert som mer og mer data mates gjennom nettverket, stabiliseres parametrene, noe som resulterer i et "trent" nevralt nettverk som deretter kan produsere ønsket utdata på nye data - for eksempel gjenkjenne om et bilde inneholder en katt eller en hund.
Et betydelig sprang i utviklingen av kunstig intelligens i dag skyldes teknologiske forbedringer i metodene for å lære store nevrale nettverk, som gjør det mulig å justere et stort antall parametere under hver kjøring takket være mulighetene til store cloud computing-infrastrukturer. For eksempel er GPT-3 (AI-systemet som driver ChatGPT) et stort nevralt nettverk med 175 milliarder parametere.
Hva kreves for at kunstig intelligens skal fungere?
Kunstig intelligens trenger tre ting for å fungere vellykket. For det første trenger han kvalitet, objektive data og mye av det. Forskere som bygger nevrale nettverk bruker store mengde data som har dukket opp takket være digitaliseringen av samfunnet.
Co-Pilot, som komplementerer menneskelige programmerere, henter dataene sine fra milliarder av linjer med kode som er vert på GitHub. ChatGPT og andre store språkmodeller bruker milliarder av nettsteder og tekstdokumenter som er lagret på Internett.
Tekst til bilde konverteringsverktøy som f.eks Stabil diffusjon, DALLE-2 og Midjourney, bruk bilde-tekst-par fra datasett som LAION-5B. AI-modeller vil fortsette å utvikle seg etter hvert som vi digitaliserer mer av livene våre og gir dem alternative datakilder, for eksempel simuleringsdata eller data fra spillinnstillinger som Minecraft.
AI trenger også datainfrastruktur for å trene effektivt. Etter hvert som datamaskiner blir kraftigere, kan modeller som nå krever intensiv innsats og storskalaberegninger i nær fremtid bli behandlet lokalt. For eksempel kan Stable Diffusion-modellen allerede kjøres på lokale datamaskiner og ikke i skymiljøer. Det tredje behovet for AI er forbedrede modeller og algoritmer. Datadrevne systemer fortsetter å gjøre raske fremskritt på områder som en gang ble ansett som domenet for menneskelig erkjennelse.
Men siden verden rundt oss er i konstant endring, må AI-systemer hele tiden omskoleres ved hjelp av nye data. Uten dette viktige trinnet vil AI-systemer gi svar som er faktisk feil eller ikke tar hensyn til ny informasjon som har dukket opp siden de ble opplært.
Nevrale nettverk er ikke den eneste tilnærmingen til AI. En annen bemerkelsesverdig leir innen forskning på kunstig intelligens er symbolsk AI – i stedet for å fordøye store mengder data, er den avhengig av regler og kunnskap som ligner på den menneskelige prosessen med å danne interne symbolske representasjoner av visse fenomener.
Men i løpet av det siste tiåret har maktbalansen vippet kraftig mot datadrevne tilnærminger, og «grunnleggerne» av moderne dyplæring ble nylig tildelt Turing-prisen, tilsvarende Nobelprisen i informatikk.
Data, beregninger og algoritmer danner grunnlaget for fremtidig AI. Alle indikatorer peker mot rask fremgang i alle tre kategoriene i overskuelig fremtid.
Du kan hjelpe Ukraina med å kjempe mot de russiske inntrengerne. Den beste måten å gjøre dette på er å donere midler til Ukrainas væpnede styrker gjennom Redd livet eller via den offisielle siden NBU.