Noong Agosto 1955, isang grupo ng mga iskolar ang nagsumite ng kahilingan para sa pagpopondo ng $13 para magsagawa ng summer seminar sa Dartmouth College, New Hampshire. Ang larangang iminungkahi nilang tuklasin ay artificial intelligence (AI). Kahit na ang kahilingan sa pagpopondo ay katamtaman, ang hypothesis ng mga mananaliksik ay hindi: "Ang bawat aspeto ng pag-aaral o anumang iba pang tampok ng katalinuhan ay maaaring, sa prinsipyo, ay inilarawan nang tumpak na ang isang makina ay maaaring itayo upang gayahin ito."
Mula sa mga simpleng simulang ito, ginawang romantiko ng mga pelikula at media ang AI o inilalarawan ito bilang isang kontrabida. Gayunpaman, para sa karamihan ng mga tao, ang AI ay nanatiling debate lamang at hindi bahagi ng karanasan sa buhay.
Sa pagtatapos ng nakaraang buwan, ang AI sa anyo ng Chat GPT ay lumabas sa science fiction speculation at research laboratories at sa mga desktop at telepono ng pangkalahatang publiko. Ito ang tinatawag na "generative AI" - isang hindi inaasahang intelligently worded prompt ay maaaring magsulat ng isang sanaysay o gumawa ng isang recipe at isang shopping list, o lumikha ng isang tula sa estilo ni Elvis Presley.
Kahit na Chat GPT ay ang pinakakahanga-hangang kalahok sa isang taon ng pagbuo ng tagumpay ng AI, ang mga system na tulad nito ay nagpakita ng mas malaking potensyal na lumikha ng bagong nilalaman, at ang mga text-to-image na prompt ay ginagamit upang lumikha ng mga matitingkad na larawan na nanalo pa sa mga kumpetisyon sa sining. Maaaring wala pang buhay na kamalayan ang AI o ang teorya ng pag-iisip na pinasikat sa mga pelikula at nobela ng science fiction, ngunit papalapit na ito sa hindi bababa sa pagkagambala sa kung ano ang sa tingin namin ay maaaring gawin ng mga artificial intelligence system.
Ang mga mananaliksik na nagtatrabaho nang malapit sa mga system na ito ay nahihilo sa pag-asa ng katalinuhan, tulad ng kaso ng LaMDA Large Language Model (LLM) ng Google. Ang LLM ay isang modelo na sinanay upang iproseso at bumuo ng natural na wika.
Ang Generative AI ay nagtaas din ng mga alalahanin tungkol sa plagiarism, ang pagsasamantala sa orihinal na nilalaman na ginamit upang bumuo ng mga modelo, ang etika ng pagmamanipula ng impormasyon at pag-abuso sa tiwala, at maging ang "pagtatapos ng programming."
Ano ba talaga ang ibig sabihin ng AI?
Sa gitna ng lahat ng ito ay isang tanong na ang kaugnayan ay lumalaki mula pa noong summer seminar sa Dartmouth: Ang AI ba ay naiiba sa katalinuhan ng tao? Upang maituring na AI, ang isang sistema ay dapat magpakita ng isang tiyak na antas ng pag-aaral at pagbagay. Para sa kadahilanang ito, ang paggawa ng desisyon, automation, at mga statistical system ay hindi AI. Sa pangkalahatan, nahahati ang AI sa dalawang kategorya: artificial narrow intelligence (AI) at artificial general intelligence (AI). Sa kasalukuyan, wala ang SHI. Ang isang pangunahing hamon para sa pagbuo ng pangkalahatang AI ay ang sapat na modelo ng mundo sa buong katawan ng kaalaman, sa isang pare-pareho at kapaki-pakinabang na paraan. Ito ay, upang ilagay ito nang mahinahon, isang malakihang gawain.
Karamihan sa kilala natin bilang AI ngayon ay may makitid na katalinuhan - kung saan nalulutas ng isang partikular na sistema ang isang partikular na problema. Hindi tulad ng katalinuhan ng tao, ang ganitong makitid na AI intelligence ay epektibo lamang sa domain kung saan ito sinanay: gaya ng pagtuklas ng panloloko, pagkilala sa mukha, o mga rekomendasyong panlipunan. At ang AI ay gagana sa parehong paraan bilang isang tao. Sa kasalukuyan, ang pinakatanyag na halimbawa ng mga pagtatangka na makamit ito ay ang paggamit ng mga neural network at malalim na pag-aaral na sinanay sa napakalaking dami ng data.
Ang mga neural network ay inspirasyon ng kung paano gumagana ang utak ng tao. Hindi tulad ng karamihan sa mga modelo ng machine learning, na nagsasagawa ng mga kalkulasyon sa data ng pagsasanay, gumagana ang mga neural network sa pamamagitan ng pagpapakain sa bawat punto ng data sa pamamagitan ng magkakaugnay na network, na nagsasaayos ng mga parameter sa bawat pagkakataon. Habang parami nang parami ang data na pinapakain sa pamamagitan ng network, ang mga parameter ay nagpapatatag, na nagreresulta sa isang "sinanay" na neural network na maaaring makagawa ng nais na output sa bagong data - halimbawa, pagkilala kung ang isang imahe ay naglalaman ng isang pusa o isang aso.
Ang isang makabuluhang hakbang sa pagbuo ng artificial intelligence ngayon ay dahil sa mga teknolohikal na pagpapabuti sa mga pamamaraan ng pag-aaral ng malalaking neural network, na nagpapahintulot sa pagsasaayos ng isang malaking bilang ng mga parameter sa bawat pagtakbo salamat sa mga kakayahan ng malalaking cloud computing infrastructure. Halimbawa, ang GPT-3 (ang AI system na nagpapagana sa ChatGPT) ay isang malaking neural network na may 175 bilyong mga parameter.
Ano ang kinakailangan para gumana ang artificial intelligence?
Ang artificial intelligence ay nangangailangan ng tatlong bagay upang matagumpay na gumana. Una, kailangan niya ng kalidad, layunin ng data, at marami nito. Ang mga mananaliksik na bumuo ng mga neural network ay gumagamit ng malalaking array ng data na lumitaw salamat sa digitization ng lipunan.
Bilang pandagdag sa mga programmer ng tao, kinukuha ng Co-Pilot ang data nito mula sa bilyun-bilyong linya ng code na naka-host sa GitHub. Ginagamit ng ChatGPT at iba pang malalaking modelo ng wika ang bilyun-bilyong mga website at mga tekstong dokumento na nakaimbak sa Internet.
Text to image conversion tool gaya ng Matatag na Pagsasabog, DALLE-2 at Midjourney, gumamit ng mga pares ng image-text mula sa mga dataset gaya ng LAION-5B. Ang mga modelo ng AI ay patuloy na mag-e-evolve habang ini-digitize natin ang higit pa sa ating buhay at pinapakain sila ng mga alternatibong mapagkukunan ng data, gaya ng data ng simulation o data mula sa mga setting ng laro tulad ng Minecraft.
Kailangan din ng AI ang imprastraktura ng computing upang mabisang magsanay. Habang nagiging mas makapangyarihan ang mga computer, ang mga modelo na ngayon ay nangangailangan ng masinsinang pagsisikap at malakihang kalkulasyon ay maaaring maproseso nang lokal sa malapit na hinaharap. Halimbawa, ang modelo ng Stable Diffusion ay maaari nang patakbuhin sa mga lokal na computer at hindi sa cloud environment. Ang ikatlong pangangailangan para sa AI ay pinahusay na mga modelo at algorithm. Ang mga system na hinimok ng data ay patuloy na gumagawa ng mabilis na pag-unlad sa mga lugar na dating itinuturing na domain ng katalinuhan ng tao.
Gayunpaman, dahil ang mundo sa paligid natin ay patuloy na nagbabago, ang mga AI system ay kailangang patuloy na sanayin gamit ang bagong data. Kung wala ang mahalagang hakbang na ito, ang mga AI system ay magbibigay ng mga sagot na hindi tama o hindi isinasaalang-alang ang bagong impormasyon na lumitaw mula noong sila ay sinanay.
Ang mga neural network ay hindi lamang ang diskarte sa AI. Ang isa pang kapansin-pansing kampo sa pagsasaliksik ng artificial intelligence ay simbolikong AI - sa halip na tumunaw ng malawak na hanay ng data, umaasa ito sa mga panuntunan at kaalaman na katulad ng proseso ng tao sa pagbuo ng mga panloob na simbolikong representasyon ng ilang partikular na phenomena.
Ngunit sa nakalipas na dekada, ang balanse ng kapangyarihan ay tumagilid nang husto patungo sa data-driven approaches, at ang "founding fathers" ng modernong malalim na pag-aaral ay ginawaran kamakailan ng Turing Prize, ang katumbas ng Nobel Prize sa computer science.
Ang data, mga kalkulasyon at mga algorithm ay bumubuo ng batayan ng hinaharap na AI. Ang lahat ng mga tagapagpahiwatig ay tumutukoy sa mabilis na pag-unlad sa lahat ng tatlong kategorya para sa nakikinita na hinaharap.
Matutulungan mo ang Ukraine na labanan ang mga mananakop na Ruso. Ang pinakamahusay na paraan upang gawin ito ay ang mag-abuloy ng mga pondo sa Armed Forces of Ukraine sa pamamagitan ng Savelife o sa pamamagitan ng opisyal na pahina NBU.