„DI įmonės nori suteikti mašinoms žmogaus lygio intelektą arba ADI. Saugiausi ir geriausi rezultatai bus gauti, kai akademiniai ir pramonės mokslininkai bendradarbiaus, kad vadovautų jo plėtrai.
„Gali būti, kad superintelektą turėsime po kelių tūkstančių dienų (!); tai gali užtrukti ilgiau, bet esu įsitikinęs, kad tai pasieksime.“
Taip neseniai rašė Samas Altmanas, San Franciske, Kalifornijoje, įsikūrusios technologijų įmonės „OpenAI“ generalinis direktorius.
Kadaise apsiribojęs mokslinės fantastikos sritimis, teisės magistro (LLM) iškilimas pastaraisiais metais vėl išryškino klausimo, kada galėtume sukurti dirbtinį bendrąjį intelektą (DGI), aktualumą.
Nors trūksta tikslaus apibrėžimo, DGI plačiai reiškia DI sistemą, gebančią mąstyti, apibendrinti, planuoti ir savarankiškai veikti žmogaus lygio intelektu.
Kiek artima DI yra žmogaus lygio intelektui?
Visų pasaulio šalių politikos formuotojai turi klausimų apie DGI, įskaitant jo naudą ir riziką. Į šiuos klausimus nėra lengva atsakyti, ypač turint omenyje, kad didelė dalis darbo atliekama privačiame sektoriuje, kuriame tyrimai ne visada skelbiami viešai. Tačiau akivaizdu, kad DI įmonės yra sutelkusios dėmesį į tai, kad jų sistemos turėtų visą spektrą kognityvinių gebėjimų, kuriais naudojasi žmonės.
DI modelius kuriančios įmonės yra stipriai suinteresuotos išlaikyti idėją, kad DGI artėja, kad pritrauktų susidomėjimą ir atitinkamai investicijas.
Tarp tyrėjų, kurie kalbėjosi su „Nature“ neseniai paskelbtame naujienų straipsnyje (žr. „Nature“), buvo sutarimas. 636, 22–25; 2024), kad dideli kalbos modeliai (LLM), tokie kaip „o1“, „Google“ „Gemini“ ir „Claude“, kuriuos sukūrė San Franciske įsikūrusi „Anthropic“, dar nepateikė dirbtinio intelekto (AGI). Ir, remdamiesi neuromokslo įžvalgomis, daugelis teigia, kad yra pagrįstų priežasčių manyti, jog LLM niekada to nepadarys ir kad dirbtiniam intelektui pasiekti žmogaus lygio intelektą reikės kitos technologijos.
Nepaisant plačių jų galimybių – nuo kompiuterio kodo generavimo iki akademinių straipsnių santraukų rengimo ir atsakymų į matematikos klausimus – galingiausių LLM veikimo būdas turi esminių apribojimų, nes iš esmės tai reiškia duomenų masės sunaudojimą ir jų panaudojimą kitam „žetonui“ serijoje numatyti. Tai sukuria tikėtinus atsakymus į problemą, o ne ją iš tikrųjų sprendžia.
François Chollet, programinės įrangos inžinierius, anksčiau dirbęs „Google“, įsikūrusioje Mountain View, Kalifornijoje, ir Subbarao Kambhampati, kompiuterių mokslininkas Arizonos valstijos universitete Tempe, išbandė „o1“ našumą atliekant užduotis, kurioms reikalingas abstraktus mąstymas ir planavimas, ir nustatė, kad jis pasiekiamas. be dirbtinio intelekto (DGI). Jei DGI bus įgyvendinta, kai kurie tyrėjai mano, kad dirbtinio intelekto sistemoms reikėtų nuoseklių „pasaulio modelių“ arba savo aplinkos atvaizdų, kuriuos jos galėtų naudoti hipotezėms tikrinti, samprotauti, planuoti ir apibendrinti vienoje srityje įgytas žinias potencialiai neribotose kitose situacijose.
Būtent čia neuromokslo ir kognityvinio mokslo idėjos galėtų paskatinti kitus proveržius. Pavyzdžiui, Yoshua Bengio komanda Monrealio universitete, Kanadoje, tyrinėja alternatyvias dirbtinio intelekto architektūras, kurios geriau palaikytų nuoseklių pasaulio modelių kūrimą ir gebėjimą samprotauti naudojant tokius modelius.
Kai kurie tyrėjai teigia, kad kiti dirbtinio intelekto proveržiai gali kilti ne iš didžiausių sistemų, o iš mažesnių, energiją taupančių dirbtinio intelekto. Pažangesnėms ateities sistemoms taip pat gali reikėti mažiau duomenų mokymui, jei jos galėtų nuspręsti, kuriuos savo aplinkos aspektus imti, o ne tiesiog suvartoti viską, kuo jos yra maitinamos, sako Karlas Fristonas, Londono universiteto koledžo neurologas teoretikas.
Toks darbas rodo, kad dirbtinio intelekto kūrime turi dalyvauti įvairių sričių tyrėjai. Tai bus būtina norint patikrinti, ką sistemos iš tikrųjų sugeba, užtikrinti, kad jie pateisina technologijų bendrovių teiginius ir nustato proveržius, reikalingus plėtrai. Tačiau šiuo metu tyrėjams, kurie nedirba įmonėse, galinčioms sau leisti įsigyti didžiulį kiekį grafinių procesorių (GPU), reikalingų sistemoms apmokyti (A. Khandelwal ir kt. Preprint at arXiv https://doi.org/nt67; 2024), gali būti sunku pasiekti pirmaujančias dirbtinio intelekto sistemas (A. Khandelwal ir kt. Preprint at arXiv https://doi.org/nt67; 2024).
Siekiant susidaryti vaizdą apie veiklos mastą, 2021 m. JAV vyriausybinės agentūros (išskyrus Gynybos departamentą) skyrė 1,5 mlrd. JAV dolerių dirbtinio intelekto tyrimams ir plėtrai, o Europos Komisija kasmet išleidžia apie 1 mlrd. eurų (1,05 mlrd. JAV dolerių). Tuo tarpu įmonės visame pasaulyje 2021 m. dirbtinio intelekto tyrimams išleido daugiau nei 340 mlrd. JAV dolerių (N. Ahmed ir kt. Science 379, 884–886; 2023). Yra būdų, kaip vyriausybės galėtų finansuoti dirbtinio intelekto tyrimus didesniu mastu, pavyzdžiui, sutelkdamos išteklius. Europos dirbtinio intelekto tyrimų laboratorijų konfederacija, ne pelno siekianti organizacija, įsikūrusi Haga (Nyderlandai) pasiūlė sukurti „CERN dirbtiniam intelektui“, kuris galėtų pritraukti tiek pat talentingų specialistų, kiek ir dirbtinio intelekto įmonės, ir taip sukurti pažangiausią mokslinių tyrimų aplinką.
Sunku numatyti, kada dirbtinis intelektas (DI) galėtų atsirasti – skaičiavimai svyruoja nuo kelerių metų nuo dabar iki dešimtmečio ar ilgiau. Tačiau didesnės dirbtinio intelekto pažangos tikrai bus, ir daugelis jų tikriausiai bus pasiektos pramonės, atsižvelgiant į investicijų mastą. Siekiant užtikrinti, kad ši pažanga būtų naudinga, technologijų įmonių atliekami tyrimai turi būti patikrinti naudojant geriausią dabartinį supratimą apie tai, kas yra žmogaus intelektas, remiantis neurologijos, kognityvinio mokslo, socialinių mokslų ir kitų susijusių sričių duomenimis. Šie viešai finansuojami tyrimai turi atlikti pagrindinį vaidmenį DI vystyme.
Žmonija turi panaudoti visas žinias, kad DI tyrimų taikymas būtų patikimas, o jų rizika būtų kuo labiau sumažinta. Vyriausybės, įmonės, tyrimų finansuotojai ir tyrėjai turi pripažinti vienas kitą papildančius stipriuosius. Jei jie to nepadarys, bus praleistos įžvalgos, kurios galėtų padėti tobulinti DI, o susidariusios sistemos rizikuoja būti nenuspėjamos ir todėl nesaugios.“ [1]
1. Nature 636, 273 (2024)
Komentarų nėra:
Rašyti komentarą