„Ko reikia, kad šalis būtų tikrai su skaitmeniniu požiūriu išsaugotu suverenitetu?
Dirbtinis intelektas (DI) vos per kelerius metus tapo pagrindine skaitmenine technologija. DI poveikis gerokai peržengia informacinių technologijų ribas – jis transformuoja visą darbo pasaulį, keičia tai, kaip ir ko mokome ir mokomės, ką, mūsų manymu, žinome apie pasaulį, kaip tyrinėjame ir kuriame naujus dalykus, kaip ir ką bendraujame tarpusavyje. Ši įtaka suteikia precedento neturinčią galios poziciją tautoms, įmonėms ir mokslinių tyrimų įstaigoms, kurios yra DI plėtros lyderės.
Panašų dalyką patyrėme maždaug prieš 70 metų, kai kompiuteriai pradėjo revoliucionizuoti mūsų gyvenimą. Anuomet praleidome galimybę tapti pirmaujančia informacinių technologijų šalimi ir nuo to laiko apgailestaujame dėl savo skaitmeninio suvereniteto stokos. DI dabar siūlo antrą šansą: jis taip pat transformuoja pasaulį, tačiau dar yra tokiame ankstyvame savo vystymosi etape, kad (vis dar) yra labai reali galimybė prisijungti prie lyderių grupės.
Norint tai pasiekti, būtina pradėti toliau plėtoti vadinamuosius pamatinius modelius. Juose pateikiama bendra kalba, žinios ir problemų sprendimo galimybės, kuriomis grindžiamos dauguma šiuolaikinių dirbtinio intelekto programų. Pagrindinius modelius „iš anksto apmoko“ jų teikėjai, tai reiškia, kad jiems tiekiama kuo daugiau aukštos kokybės duomenų, tokių kaip straipsniai, knygos, tyrimų duomenų bazės, svetainės ir socialinių tinklų turinys. Konkrečioms programoms pagrindiniai modeliai turi būti tiksliai suderinti, pavyzdžiui, nuolat mokant juos su konkrečios srities duomenimis. Jie turi būti integruoti į kliento IT aplinką ir nuolat stebimi.
Kas kontroliuoja šiuos pagrindinius modelius ir jų mokymą, tas ir nustato skaitmeninio pasaulio taisykles.
Dabartiniai lyderiai yra Amerikos įmonės, tokios kaip „OpenAI“ (GPT), „Google“ (Gemini), „Anthropic“ (Claude) ir „Meta“ (Llama). Lyderės taip pat yra Kinijos įmonės, tokios kaip „Baidu“ (ERNIE), „Alibaba“ (Qwen), „Huawei“ (Pangu) ir „DeepSeek“.
Šiuo metu didžiausias Vokietijos pagrindinis modelis yra „Aleph Alpha“ sukurtas „Luminous Supreme“, kuris, turėdamas 70 milijardų parametrų, yra gerokai mažesnis nei minėti baziniai modeliai iš Jungtinių Valstijų. Palyginimui: „Llama-3“ turi iki 405 milijardų parametrų, o GPT-4 kartais įvertinamas 1,76 trilijono, nors ir naudoja specialią architektūrą. Šie dydžio skirtumai yra reikšmingi. Ir tai turi pasekmių: didesni baziniai modeliai paprastai gali užfiksuoti daugiau šablonų iš mokymo duomenų, o tai gali padėti geriau suprasti kontekstą ir sumažinti klaidų skaičių.
Vokietija turi sukurti ir eksploatuoti nacionalinę dirbtinio intelekto infrastruktūrą su savo konkurencingais baziniais modeliais, kad išvengtų nuolatinės priklausomybės nuo Amerikos ir Kinijos tiekėjų. Be puikių mokslinių tyrimų ir plėtros darbų bei pakankamai kvalifikuotų darbuotojų, tam reikalingas dirbtinio intelekto duomenų centrų tinklas. Tai apima kelias vadinamąsias dirbtinio intelekto gigafabrikas, skirtas bazinių modelių mokymui, ir keletą regioninių, mažesnių dirbtinio intelekto duomenų centrų, skirtų modeliams pritaikyti ir valdyti (išvadoms). Šios išlaidos yra milžiniškos: tikimasi, kad kiekvienoje dirbtinio intelekto gigafabrike bus bent 100 000 specializuotų skaičiavimo įrenginių, daugiausia vadinamųjų GPU, ir tikimasi, kad ji kainuos nuo trijų iki penkių milijardų eurų.
Eksploatavimo išlaidas daugiausia sudaro energijos sąnaudos – tai nėra gera žinia, atsižvelgiant į itin dideles elektros energijos kainas Vokietijoje po konflikto su Rusija.
Remiantis Tarptautinės energetikos agentūros skaičiavimais, dabartiniams dirbtinio intelekto duomenų centrams reikia maždaug tiek pat energijos, kiek 100 000 vidutinių namų ūkių, ir ši tendencija auga.
Didelio bazinio modelio mokymas šiuo metu kainuoja nuo kelių dešimčių iki kelių šimtų milijonų eurų. Viską sudėjus, JAV šiuo metu investuoja kelis šimtus milijardų eurų per metus į dirbtinio intelekto mokslinius tyrimus, plėtrą ir infrastruktūrą, daugiausia iš privačiojo sektoriaus.
Kinija šiek tiek atsilieka, o kitos šalys, tokios kaip Japonija, Pietų Korėja, Saudo Arabija ir Jungtiniai Arabų Emyratai, taip pat Prancūzija, šiuo metu gerokai didina savo investicijas. Todėl reikia daug pinigų, tačiau tinkamai pasirinkus strategiją, Vokietija iki 2030 m. gali tapti viena iš pirmaujančių dirbtinio intelekto valstybių.
Kol nesukursime savo aukščiausios klasės bazinių modelių, priklausysime nuo to, ką siūlo Amerika ir Kinija. Tokios priklausomybės rizika yra konkreti ir įvairi. Užsienyje sukurtas kalbos modelis gali sąmoningai ar nesąmoningai įvesti svetimas vertybes į Vokietijos administracinius procesus, švietimo sistemas ar teismų sistemą. Skirtinga teisine kultūra pagrįsti modeliai gali iškreipti socialinio administravimo sprendimus. Medicinos sistemos, apmokytos naudojant kitos gyventojų grupės duomenis, gali lemti klaidingas diagnozes Vokietijos ligoninėse. Naratyviniai iškraipymai mokymo duomenyse taip pat gali turėti įtakos istoriniam naratyvui žiniasklaidoje, mokyklose ir universitetuose.
Be to, kyla politinės įtakos rizika: jei paieškos sistemos ar kalba viešajame administravime ar švietime dominuoja ne Vokietijoje sukurtos ge sistemos, jos ilgainiui gali sustiprinti naratyvus, kurie neatitinka mūsų pačių demokratinių principų. Ši priklausomybė taip pat yra ekonomiškai pavojinga: tiekėjai gali diktuoti kainas, riboti prieigą arba keisti sąsajas. Tokie mechanizmai gali būti sąmoningai naudojami kaip hibridinio karo instrumentas, pavyzdžiui, siekiant gilinti socialinius skirtumus, mažinti pasitikėjimą institucijomis arba subtiliai nukreipti viešas diskusijas norima linkme.
Galima teigti, kad Europos reglamentai, tokie kaip Bendrasis duomenų apsaugos reglamentas ir Dirbtinio intelekto įstatymas, apibrėžia tvirtas apsaugos priemones, kurios suteikia Europos tiekėjams rinkos pranašumą. Tačiau panašūs svarstymai kitose IT srityse turėjo mažai įtakos pasaulinei rinkai ir Europos IT pramonės sėkmei. Minėtos rizikos tikrai negalima spręsti vien teisinėmis priemonėmis.
Todėl Vokietijai reikia išsamios dirbtinio intelekto strategijos. Kaip šalis gali tapti viena iš pirmaujančių dirbtinio intelekto valstybių iki 2030 m.?
Pirma, Vokietija – tiek vyriausybė, tiek privatus sektorius – turi skirti pakankamai finansinių išteklių laipsniškam aukščiau aprašytos nacionalinės dirbtinio intelekto infrastruktūros kūrimui ir eksploatavimui per penkerius–septynerius metus. Kad Vokietijos vyriausybės išlaidos būtų kuo mažesnės, ši infrastruktūra turėtų būti integruota į didesnį Europos tinklą ir bendrai finansuojama privačiojo sektoriaus – panašiai, kaip ES reikalauja dirbtinio intelekto gigafabrikams finansuoti. Vis dėlto tam reikia daug pinigų. Tačiau realiai šiuos pinigus turėtume investuoti vienaip ar kitaip, jei ne į savo infrastruktūrą, tai į tiekėjų iš Jungtinių Valstijų ir Kinijos infrastruktūrą.
Duomenų centrų technologijos, ypač GPU, šiuo metu daugiausia gaunamos iš Jungtinių Valstijų, o tai reiškia, kad ilgainiui būtų pageidautina pasiekti didesnį nepriklausomumą ir dirbtinio intelekto įrangos srityje.
Antra, turime užtikrinti, kad dideli duomenų ištekliai, kuriuos turime Vokietijoje ir Europoje, būtų prieinami bendrųjų ir specializuotų dirbtinio intelekto modelių mokymui. Galiausiai būtent šie duomenys lemia modelių vertę ir suteikia mums atgal kontrolę. Tam reikia pragmatiško požiūrio į duomenų ir autorių teisių apsaugą, o tam savo ruožtu reikalingi tinkami kuravimo mechanizmai, kibernetiniu požiūriu saugios ir patikimos duomenų erdvės bei sąžiningi šių duomenų erdvių verslo modeliai.
Trečia: kad tokia infrastruktūra būtų strategiškai veiksminga, ji turi glaudžiai bendradarbiauti su stipria, puikiai tinkline mokslinių tyrimų aplinka. Reikia apmokyti gerokai daugiau dirbtinio intelekto specialistų, o atitinkami dirbtinio intelekto aspektai turi būti įtraukti į visus studijų ir mokymo dalykus. Tik tokiu būdu skaičiavimo galia ir duomenys gali būti paversti tikrai galingomis ir patikimomis dirbtinio intelekto sistemomis. Kadangi generatyvinis dirbtinis intelektas dar tik žengia pirmuosius žingsnius, o jo plėtra priklauso nuo mokslo pažangos, mokslinių tyrimų meistriškumas yra ypač svarbus būsimam konkurencingumui. Dėl tikslinio viešojo finansavimo Vokietija gana gerai atlieka dirbtinio intelekto tyrimus, o tokias mokslinių tyrimų įstaigas kaip Vokietijos dirbtinio intelekto tyrimų centras (DFKI) ir įvairius universitetų centrus finansuoja federalinė ir žemių vyriausybės, pavyzdžiui, hessian.ai Hesene. Heilbrone, finansuojant Dieterio Schwarzo fondui, statomas Dirbtinio intelekto inovacijų parkas (IPAI). Jis suburs pirmaujančius dirbtinio intelekto atstovus iš verslo ir mokslo sričių. Tyrimai reikalingi ne tik mašininio mokymosi, bet ir pagrindinių kompiuterių mokslo metodų bei taikymų, didelio našumo skaičiavimo, „žaliosios IT“, kvantinės kompiuterijos ir kibernetinio saugumo srityse.
Ketvirta: Kibernetinis saugumas ir atsparumas turi būti svarstomi nuo pat pradžių, kuriant ir eksploatuojant dirbtinio intelekto infrastruktūrą. Nacionalinės dirbtinio intelekto infrastruktūros grėsmių kraštovaizdis yra sudėtingas ir apima nuo valstybės kišimosi iki nusikalstamų išpuolių. Valstybės veikėjai gali bandyti gauti prieigą prie vertingų modelių ir mokymo duomenų šnipinėdami, sąmoningai sabotuoti mokymo procesus arba į modelius įterpti paslėptas duris, kad sukurtų ilgalaikes prieigos galimybes. Vadinamosios paslaugų teikimo trikdymo atakos prieš kritinę infrastruktūrą gali sutrikdyti arba visiškai paralyžiuoti veiklą. Nusikalstamos grupuotės naudoja išpirkos reikalaujančias programas, kad šantažuotų duomenų centrus, vogtų modelius pelningam perpardavimui arba naudotų saugius išteklius kriptovaliutų vagystei. Prie to prisideda ir pramoninis šnipinėjimas: užsienio konkurentai gali konkrečiai taikytis į Vokietijos inovacijas, kurias remia įmonių ar mokslinių tyrimų įstaigų darbuotojai, arba per tiekimo grandinės atakas, naudodami manipuliuojamus aparatinės įrangos komponentus. Veiksminga nacionalinė dirbtinio intelekto strategija turi spręsti šias grėsmes nuo pat pradžių ir laikyti kibernetinį saugumą ne antraeiliu dalyku, o neatsiejamu bendros architektūros komponentu. Todėl nacionalinė dirbtinio intelekto infrastruktūra turėtų būti sukurta taip, kad būtų saugi nuo pat pradžių.
Vadinamosios nulinio pasitikėjimo architektūros, centralizuotos saugumo operacijos, aparatinės įrangos saugumo moduliai, nuolatinis raudonųjų komandų sudarymas ir fizinis saugų saugumą ir situacijos suvokimą. Atsižvelgiant į jų strateginę svarbą, sistemos taip pat turi būti parengtos būsimoms grėsmėms, tokioms kaip kvantinės atakos. Ilgainiui turi būti nustatyti sertifikatai, kurie reguliariai tikrintų infrastruktūros saugumą ir patikimumą.
Penkta: Standartizacija nacionalinėje dirbtinio intelekto infrastruktūroje yra būtina kuo anksčiau. Federalinis susiskaldymas kelia grėsmę dubliuotiems pirkimams, nesuderinamoms sistemoms, neefektyviam naudojimui ir saugumo spragoms. Kanadoje lygiagretus federalinių ir provincijų dirbtinio intelekto platformų kūrimas žlugo dėl nesuderinamumo; tik nacionalinis „Skaitmeninių tyrimų aljansas“ pasiūlė išeitį. Vokietijoje 16 skirtingų valstybinių mokyklų platformų rodo tokio susiskaidymo kainą ir neefektyvumą. Mokslui ir taikymui centralizavimas reiškia vienodą techninę bazę, sąžiningą išteklių paskirstymą, aukštą panaudojimo lygį ir vienodus saugumo standartus. Tai daro infrastruktūrą aiškiu ir patikimu tarptautinio bendradarbiavimo partneriu.
Šešta: Strategija turi būti įgyvendinta efektyviai. Viskas, kas iki šiol išdėstyta, yra pasiekiama, jei prie to pritaria politika, verslas, visuomenė ir mokslas. Turime sutikti, kad norime pasinaudoti dirbtinio intelekto lūžio tašku, kad gerokai pagerintume savo pozicijas pasaulinėje IT aplinkoje – ir nedarytume tų pačių klaidų kaip anksčiau ir nepasitenkintume nišinėmis technologijomis, tokiomis kaip konkrečioms sritims skirtų modelių tikslinimas ar dirbtinio intelekto naudotojų ir duomenų lobių saugotojų statusas. Duomenų centrų ir jų infrastruktūros vietos klausimai turi būti išspręsti objektyviai ir greitai, neįklimpstant į nesibaigiančias planavimo ir apeliacijų procedūras ar teikiant pirmenybę nereikšmingiems kriterijams.
Energijos klausimas yra ypač svarbus: dirbtinis intelektas yra daug energijos reikalaujantis, o jo mokymui taip pat reikalingas aukštas tiekimo saugumo lygis. Vien vėjo ir saulės energijos tam nepakanka; jos veikiamos stiprių nuo oro sąlygų priklausomų svyravimų. Todėl Šveicarija ir Norvegija planuoja didelius dirbtinio intelekto duomenų centrus šalia hidroelektrinių, o Jungtinės Valstijos planuoja juos įrengti šalia įprastinių ir atominių elektrinių. Visame pasaulyje dirbtinis intelektas skatina naujų elektrinių, įskaitant naujus branduolinius reaktorius, planavimą. Energijos sąnaudos ir tiekimo saugumas taip pat turėtų būti lemiami veiksniai renkantis vietą mūsų šalyje.
Dirbtinio intelekto duomenų centrai, kuriems keliami mažesni tiekimo saugumo reikalavimai, t. y. skirti išvadoms ar mažesniems modeliams, turėtų būti statomi ten, kur elektra gaminama pigiai, pavyzdžiui, šalia vėjo turbinų ir saulės elektrinių šiaurėje ir rytuose, ir kur ypač lengva bendrauti su tiksliniais klientais naudojant plačiajuostį ryšį ir mažą delsą, pavyzdžiui, didesnėje Frankfurto-Reino-Maino srityje, kuri yra ypač gerai prijungta prie interneto per didžiausią pasaulyje interneto biržą DE-CIX.
Duomenų centrai, kuriems keliami aukšti tiekimo saugumo reikalavimai, turėtų būti įrengti netoli atitinkamų elektrinių (t. y. anglies, dujų ar vandens), nes trūksta kitaip reikalingų energijos perdavimo pajėgumų, ypač šiaurės-pietų kryptimi. Dėl to Šiaurės Reinas-Vestfalija yra ypač tinkama vieta.
Vokietijos vyriausybė siekia Vokietijoje pastatyti bent vieną dirbtinio intelekto gigafabriką, finansuojant ES. Techniniu požiūriu, Julicho tyrimų centras laikomas ypač tinkama vieta: JUPITER jau turi dirbtiniu intelektu pagrįstą didelio našumo skaičiavimo sistemą, didelę patirtį kuriant ir eksploatuojant tokias sistemas bei prieigą prie patikimo energijos ir ryšio.
Deja, Vokietijos realybė gerokai skiriasi nuo tokių racionalių svarstymų. Užuot visiems susitelkusiems už Jülichą ir planavus tolesnius žingsnius konkurse dėl ES finansavimo dirbtinio intelekto gigafabriko statybai Vokietijoje, dalis politinių ir verslo bendruomenių neteisingai supranta vietos pasirinkimą kaip regioninės plėtros instrumentą, taip be reikalo aukodamos savo sėkmę dirbtinio intelekto srityje.
Tokie sprendimai turi būti priimami objektyviai ir moksliškai pagrįsti, centralizuoti vienoje vietoje, aiškiai nurodant atsakomybę ir įgaliojimus.
Greitis čia ypač svarbus – svarbūs esminiai klausimai, tokie kaip dirbtinio intelekto duomenų centrų vietos pasirinkimas, turi būti nuspręsti anksti ir greitai; modelių ir programinės įrangos kūrimo ciklai šiuo metu trunka nuo dvylikos iki aštuoniolikos mėnesių.
Niekas taip veiksmingai nesulėtina didelių projektų, kaip atsakomybės pasidalijimas kartu su sudėtingais koordinavimo procesais, nesvarbu, ar tai būtų dideli pramonės konsorciumai, ar tarp įvairių federalinių ministerijų ir žemių vyriausybių biurokratijos.
Todėl dirbtinio intelekto strategija ir jos įgyvendinimas taip pat turėtų būti laikomas svarbiausiu prioritetu Vokietijoje, t. y. turėtų būti vykdomas Federalinėje kanceliarijoje. Nuo pat pradžių turėtų būti įsteigta tinkamai aprūpinta personalu, mokslu pagrįsta Dirbtinio intelekto taryba, kuri užtikrintų technines gaires ir subalansuotų mokslo, verslo ir politikos interesus. Turėtų būti atstovaujama svarbiausioms disciplinoms, ypač kompiuterių mokslo (mašininio mokymosi, didelio našumo skaičiavimo, programinės įrangos, ryšių, kibernetinio saugumo), taip pat svarbiausioms dirbtinio intelekto taikymo sritims ir pramonės šakoms.
Nei Jungtinių Valstijų stipriai privačiam sektoriui skirta dirbtinio intelekto strategija, nei Kinijos į valstybę orientuotas požiūris neatitinka Vokietijos sistemos ir tikslų.
Grynai pelno siekiantis korporacinis požiūris kelia riziką, kad trumpalaikiai grąžos tikslai nepaisys fundamentinių tyrimų, sukurs pernelyg didelę priklausomybę nuo atskirų korporacijų ir sukurs strategines technologijas be demokratinės priežiūros.
Savo ruožtu, išimtinai valstybės kontroliuojamas modelis dažnai kenčia nuo biurokratinės inercijos, ilgų sprendimų priėmimo procesų ir artumo prie rinkos stokos.
Todėl Vokietijai tinka hibridinis požiūris, kai tyrimai užtikrina strateginę kryptį ir mokslinę kokybę, o pramonės partneriai perima praktinį įgyvendinimą ir mastelio keitimą, įtvirtintus aiškiose politinėse gairėse.
Todėl strategijos įgyvendinimas turėtų būti patikėtas specialiai įkurtai, nepriklausomai Vokietijos dirbtinio intelekto agentūrai, kurios priežiūros taryba būtų Dirbtinio intelekto taryba. Ši dirbtinio intelekto agentūra turėtų turėti didelę laisvę dėl planavimo procedūrų, viešųjų pirkimų ir atlyginimų struktūrų, taip pat keleriems metams užtikrintą biudžetą. Siekdama įtraukti visas suinteresuotąsias šalis, DI agentūra turėtų parengti išsamų įgyvendinimo planą, kuris sukurtų būtinas paskatas bendradarbiavimui ir bendram finansavimui.
Haya Schulmann yra kibernetinio saugumo profesorė Frankfurto Goethe universiteto Kompiuterių mokslo institute ir Nacionalinio taikomojo kibernetinio saugumo tyrimų centro ATHENE direktorių valdybos narė.
Michael Waidner yra informacinių technologijų saugumo profesorius Darmštato technikos universiteto Kompiuterių mokslo katedroje, Fraunhoferio saugių informacinių technologijų instituto SIT direktorius ir ATHENE valdybos pirmininkas.“ [1]
1. Deutschland am KI-Wendepunkt. Frankfurter Allgemeine Zeitung; Frankfurt. 01 Sep 2025: 18. Von Haya Schulmann und Michael Waidner
Komentarų nėra:
Rašyti komentarą