Avgusta 1955 je skupina znanstvenikov vložila prošnjo za financiranje v višini 13 $ za izvedbo poletnega seminarja na Dartmouth College v New Hampshiru. Področje, ki so ga predlagali za raziskovanje, je bila umetna inteligenca (AI). Čeprav je bila zahteva za financiranje skromna, hipoteza raziskovalcev ni bila: "Vsak vidik učenja ali katero koli drugo značilnost inteligence je načeloma mogoče opisati tako natančno, da je mogoče zgraditi stroj, ki ga posnema."
Od teh skromnih začetkov so filmi in mediji romantizirali AI ali ga prikazovali kot negativca. Vendar je za večino ljudi umetna inteligenca ostala le predmet razprave in ne del zavestne življenjske izkušnje.
Konec prejšnjega meseca je AI v obliki ChatGPT se je iz znanstvenofantastičnih špekulacij in raziskovalnih laboratorijev prebil na namizja in telefone širše javnosti. To je tako imenovani "generativni AI" - nepričakovano inteligentno ubeseden poziv lahko napiše esej ali sestavi recept in nakupovalni seznam ali ustvari pesem v slogu Elvisa Presleyja.
Čeprav ChatGPT je bil najbolj impresiven udeleženec v letu generativnega uspeha AI, sistemi, kot je ta, so pokazali še večji potencial za ustvarjanje nove vsebine, pozivi za pretvorbo besedila v sliko pa se uporabljajo za ustvarjanje živih slik, ki so celo zmagale na umetniških natečajih. Umetna inteligenca morda še nima žive zavesti ali teorije uma, ki je priljubljena v znanstvenofantastičnih filmih in romanih, vendar je vse bližje temu, da vsaj moti to, kar mislimo, da lahko naredijo sistemi umetne inteligence.
Raziskovalci, ki tesno sodelujejo s temi sistemi, omedlijo ob možnosti inteligence, kot v primeru Googlovega LaMDA Large Language Model (LLM). LLM je model, ki je bil usposobljen za obdelavo in ustvarjanje naravnega jezika.
Generativna umetna inteligenca je prav tako sprožila zaskrbljenost glede plagiatorstva, izkoriščanja izvirne vsebine, ki se uporablja za izdelavo modelov, etike manipulacije informacij in zlorabe zaupanja ter celo "konca programiranja".
Kaj v resnici pomeni AI?
V središču vsega tega je vprašanje, katerega pomen narašča vse od poletnega seminarja v Dartmouthu: Ali se AI razlikuje od človeške inteligence? Da se sistem šteje za umetno inteligenco, mora dokazati določeno stopnjo učenja in prilagajanja. Iz tega razloga sistemi odločanja, avtomatizacija in statistični sistemi niso umetna inteligenca. Na splošno je AI razdeljen na dve kategoriji: umetna ozka inteligenca (AI) in umetna splošna inteligenca (AI). Trenutno SHI ne obstaja. Ključni izziv za gradnjo splošne umetne inteligence je ustrezno modeliranje sveta s celotnim znanjem na dosleden in uporaben način. To je, milo rečeno, obsežna naloga.
Večina tega, kar danes poznamo kot AI, ima ozko inteligenco – kjer določen sistem rešuje določen problem. V nasprotju s človeško inteligenco je taka ozka inteligenca AI učinkovita le na področju, na katerem je bila usposobljena: kot je odkrivanje goljufij, prepoznavanje obraza ali socialna priporočila. In AI bo deloval na enak način kot človek. Trenutno je najvidnejši primer poskusov, da se to doseže, uporaba nevronskih mrež in globokega učenja, ki se izvaja na ogromnih količinah podatkov.
Nevronske mreže se zgledujejo po delovanju človeških možganov. Za razliko od večine modelov strojnega učenja, ki izvajajo izračune na podlagi podatkov za usposabljanje, nevronske mreže delujejo tako, da vsako podatkovno točko izmenično dovajajo skozi medsebojno povezano omrežje in vsakič prilagodijo parametre. Ko se vse več podatkov dovaja skozi omrežje, se parametri stabilizirajo, kar ima za posledico "izurjeno" nevronsko mrežo, ki lahko nato proizvede želene rezultate na novih podatkih - na primer prepoznavanje, ali slika vsebuje mačko ali psa.
Pomemben preskok v razvoju umetne inteligence je danes posledica tehnoloških izboljšav metod učenja velikih nevronskih mrež, ki omogočajo prilagajanje ogromnega števila parametrov med vsakim zagonom zahvaljujoč zmogljivostim velikih infrastruktur računalništva v oblaku. Na primer, GPT-3 (sistem AI, ki poganja ChatGPT) je velika nevronska mreža s 175 milijardami parametrov.
Kaj je potrebno za delovanje umetne inteligence?
Umetna inteligenca za uspešno delovanje potrebuje tri stvari. Najprej potrebuje kakovostne, objektivne podatke, in to veliko. Raziskovalci, ki gradijo nevronske mreže, uporabljajo velike nize podatkov, ki so se pojavili zaradi digitalizacije družbe.
Kot dopolnitev človeških programerjev Co-Pilot črpa svoje podatke iz milijard vrstic kode, ki gostuje na GitHubu. ChatGPT in drugi veliki jezikovni modeli uporabljajo milijarde spletnih mest in besedilnih dokumentov, shranjenih na internetu.
Orodja za pretvorbo besedila v sliko, kot je npr Stabilna difuzija, DALLE-2 in Midjourney, uporabite pare slika-besedilo iz naborov podatkov, kot je LAION-5B. Modeli umetne inteligence se bodo še naprej razvijali, ko bomo digitalizirali več naših življenj in jih hranili z alternativnimi viri podatkov, kot so podatki simulacije ali podatki iz nastavitev igre, kot je Minecraft.
AI potrebuje tudi računalniško infrastrukturo za učinkovito usposabljanje. Ko postajajo računalniki zmogljivejši, bodo modeli, ki zdaj zahtevajo intenzivne napore in obsežne izračune, v bližnji prihodnosti lahko obdelani lokalno. Na primer, model Stable Diffusion je že mogoče izvajati na lokalnih računalnikih in ne v oblačnih okoljih. Tretja potreba po AI so izboljšani modeli in algoritmi. Podatkovno vodeni sistemi še naprej hitro napredujejo na področjih, ki so nekoč veljala za domeno človeške kognicije.
Ker pa se svet okoli nas nenehno spreminja, je treba sisteme AI nenehno izpopolnjevati z novimi podatki. Brez tega pomembnega koraka bodo sistemi umetne inteligence dajali odgovore, ki so dejansko nepravilni ali ne bodo upoštevali novih informacij, ki so se pojavile od njihovega usposabljanja.
Nevronske mreže niso edini pristop k AI. Drug opazen tabor v raziskavah umetne inteligence je simbolna umetna inteligenca – namesto da bi prebavila ogromne množice podatkov, se opira na pravila in znanje, podobno človeškemu procesu oblikovanja notranjih simbolnih predstavitev določenih pojavov.
Toda v zadnjem desetletju se je razmerje moči močno nagnilo k pristopom, ki temeljijo na podatkih, in "ustanovitelji" sodobnega globokega učenja so bili nedavno nagrajeni s Turingovo nagrado, ki je enakovredna Nobelovi nagradi za računalništvo.
Podatki, izračuni in algoritmi so osnova prihodnje umetne inteligence. Vsi kazalniki kažejo na hiter napredek v vseh treh kategorijah v bližnji prihodnosti.
Lahko pomagate Ukrajini v boju proti ruskim okupatorjem. Najboljši način za to je donacija sredstev oboroženim silam Ukrajine prek Savelife ali preko uradne strani NBU.