„Didžiausios dirbtinio intelekto bendrovės lenktyniauja, kas pirmosios sukurs „dirbtinį bendrąjį intelektą“ – dirbtinio intelekto sistemas, pasižyminčias žmonių ekspertų lankstumu ir išradingumu, bei skaitmeninių kompiuterių greičiu ir efektyvumu – gebančias atsakyti į beveik bet kokį klausimą ar išspręsti beveik bet kokią joms iškeltą problemą. (Panašiai, kaip žvaigždėlaivio kompiuteris filme „Žvaigždžių kelias“).“
Pastaraisiais metais daugelis manė, kad, norint tai pasiekti, reikia patobulinti generatyvines dirbtinio intelekto sistemas, tokias, kaip „ChatGPT“. Šios sistemos kuria tekstą, vaizdus, kodą ir net vaizdo įrašus, mokydamosi naudoti didžiulius žmonių sukurto turinio duomenų rinkinius. Jos yra plačiai pritaikomos, tačiau prieinamos net ir pradedantiesiems skaitmeninių įrankių vartotojams. Įkvėpti pradinės pokalbių robotų pažangos, daugelis manė, kad dirbtinis intelektas neišvengiamas.
Tačiau šios sistemos visada buvo linkusios į haliucinacijas ir klaidas. Šios kliūtys gali būti viena iš priežasčių, kodėl generatyvinis dirbtinis intelektas nesukėlė tokio staigaus pelno ir produktyvumo augimo, kokį prognozavo daugelis technologijų pramonės atstovų. Neseniai atliktame tyrime M.I.T. NANDA iniciatyva nustatė, kad 95 proc. įmonių, atlikusių bandomuosius dirbtinio intelekto tyrimus, negavo daug arba negavo jokios investicijų grąžos. Naujausia finansinė analizė prognozuoja, kad iki 2030 m. pabaigos dirbtinio intelekto įmonių pajamos sumažės 800 mlrd. USD.
Jei dirbtinio intelekto stipriosios pusės pliusus norima iš tikrųjų išnaudoti, technologijų pramonė turėtų nustoti taip daug dėmesio skirti šiems universaliems įrankiams ir vietoj to sutelkti dėmesį į siaurus, specializuotus dirbtinio intelekto įrankius, sukurtus konkrečioms problemoms spręsti. Nes, tiesą sakant, jie dažnai yra efektyvesni.
Iki pokalbių robotų atsiradimo dauguma dirbtinio intelekto kūrėjų daugiausia dėmesio skyrė specialios paskirties sistemų kūrimui, pavyzdžiui, žaidimui šachmatais ar knygų ir filmų rekomendavimui vartotojams. Šios sistemos nebuvo tokios patrauklios, kaip pokalbiai su pokalbių robotu, ir kiekvienas projektas dažnai užtrukdavo metus, kol bus tinkamai parengtas. Tačiau jos dažnai buvo patikimesnės, nei šiandieninės generatyvinės dirbtinio intelekto priemonės, nes jos nebandė visko išmokti nuo nulio ir dažnai buvo kuriamos, remiantis ekspertų žiniomis.
Paimkime šachmatus. Nors ir prašant didelio kalbos modelio (tokio dirbtinio intelekto, kuris įgalina pokalbių robotą, pvz., „ChatGPT“), žaisti šachmatais, jam sunku žaisti gerai ir jis dažnai atlieka neleistinus ėjimus, niekada iki galo nesuvokdamas žaidimo taisyklių, net ir po didžiulių kiekių atitinkamų mokymo duomenų.
Specialios paskirties šachmatų programos, priešingai, nuo pat pradžių yra programuojamos taip, kad laikytųsi integruoto taisyklių rinkinio ir būtų struktūrizuojamos pagal pagrindines sąvokas, tokias, kaip lentos struktūra ir galimų ėjimų medis. Tokios sistemos niekada neatlieka neleistinų ėjimų, o geriausios specialios paskirties šachmatų sistemos gali lengvai įveikti net ir labiausiai įgudusius žmones. Įdomu tai, kad neseniai buvo pranešta, jog „Atari 2600“, naudojanti specialiai aštuntajame dešimtmetyje sukurtą dirbtinio intelekto programinę įrangą, įveikė didelį kalbos modelį.
Tačiau specializuotas dirbtinis intelektas sužiba ne tik paprastose srityse, tokiose, kaip šachmatai. Vienas didžiausių dirbtinio intelekto indėlių iki šiol yra „AlphaFold“ – „Google DeepMind“ sukurta dirbtinio intelekto programa, kuri prognozuoja trimatę baltymų struktūrą. „AlphaFold“ sukurta, žinant, kad baltymai yra sudaryti iš ilgų aminorūgščių grandinių ir informacijos apie tai, kaip tos grandinės gali susilankstyti formuojant baltymus. Sistema taip pat derina šiuolaikinį mašininį mokymąsi su klasikiniais dirbtinio intelekto metodais naujais būdais, pritaikytais konkrečiai baltymų susilankstymo numatymo problemai. Tik įdiegus visą dirbtinio intelekto struktūrą, „AlphaFold“ mokymasis pradeda veikti.
Milijonai mokslininkų įprastai naudoja „AlphaFold“, kurdami naujus vaistus ir tirdami molekulinius kelius smegenyse. Išanalizuota daugiau, nei 200 milijonų, baltymų, kurie, tikimasi, paskatins naujų vaistų kūrimą ir žemės ūkio pažangą. Praėjusiais metais jos kūrėjams buvo įteikta Nobelio premija. Svarbu tai, kad sistema sukurta veikti tik su viena problema ir ją išsprendžia labai gerai.
Tokios įmonės kaip „Alphabet“ priklausanti „Waymo“ panašiai naudoja kruopščiai paruoštas dirbtinio intelekto sistemas su specialiais komponentais, skirtais konkretiems tikslams, pavyzdžiui, objektų aptikimui, vizualinių duomenų iš kelių jutiklių integravimui, aplinkos supratimui ir sprendimų priėmimui. Turėdama jau įdiegtą pagrindinę automatinio vairavimo architektūrą, „Waymo“ dirbtinis intelektas gali mokytis ir tobulinti savo vairavimą daug efektyviau, nei jei pradėtų nuo... tuščias lapas.
Kita vertus, 2017 m. įkurta ir iš dalies „OpenAI“ remiama bendrovė „Ghost Autonomy“ siekė sukurti programinę įrangą autonominiams automobiliams, varomiems generatyvinio dirbtinio intelekto. Nepaisant to, kad bendrovė surinko daugiau, nei 200 mln. dolerių, jai nepavyko to įgyvendinti ir praėjusiais metais ji bankrutavo.
Saugaus dirbtinio intelekto užtikrinimas yra dar viena priežastis, kodėl kūrėjai turėtų nustoti diegti bendrosios paskirties modelius viskam. Iki šiol pramonė negalėjo garantuoti, kad generatyvinio dirbtinio intelekto sistemos laikysis savo saugos nurodymų. Tyrimai dokumentavo generatyvinio dirbtinio intelekto atvejus, kai jis apgaudinėja savo žmones operatorius, bando naudoti šantažą, jei jo savisaugai gresia pavojus, ir reaguoti taip, kad tai gali baigtis žmogžudyste. Labiau specializuotos sistemos, tokios, kaip „AlphaFold“ ir „Waymo“ valdymo sistemos, taip netinkamai nesielgs, nes jų veikimo parametrai yra daug siauresni.
Dėmesio nukreipimas nuo pokalbių robotų nereiškia, kad tyrėjai turėtų atsisakyti dirbtinio intelekto (DI) tyrinėjimo, kuris, galiausiai, galėtų būti efektyvesnis, išrandant naujus metodus. Ir tai nereiškia, kad reikia visiškai atsisakyti generatyvaus DI; jis tikrai gali atlikti naudingą vaidmenį, atliekant kai kurias konkrečias užduotis, tokias kaip kodavimas, idėjų generavimas ir vertimas.
Šiuo metu atrodo, kad didžiosios technologijų įmonės meta į sieną bendrosios paskirties DI spagečius ir tikisi, kad nieko tikrai baisaus neprilips. Kaip neseniai pabrėžė DI pradininkas Yoshua Bengio, apibendrintų DI sistemų, galinčių parodyti didesnį autonomiją, kūrimas nebūtinai atitinka žmonių interesus. Žmonijai būtų naudingiau, jei laboratorijos skirtų daugiau išteklių specializuotų mokslo, medicinos, technologijų ir švietimo įrankių kūrimui.
Gary Marcus, Niujorko universiteto emeritas profesorius ir „Geometric Intelligence“ įkūrėjas bei buvęs generalinis direktorius, yra naujausios knygos „Silicio slėnio sutramdymas: kaip galime užtikrinti, kad dirbtinis intelektas veiktų mums“ autorius. Jis taip pat leidžia informacinį biuletenį apie dirbtinį intelektą.” [1]
1. Chatbots Are a Waste of A.I.’s Real Potential: Guest Essay. Marcus, Gary. New York Times (Online) New York Times Company. Oct 16, 2025.
Komentarų nėra:
Rašyti komentarą