By 
У серпні 1955 року група вчених подала запит на фінансування 13 500 доларів США для проведення літнього семінару в Дартмутському коледжі, Нью-Гемпшир. Сферою, яку вони запропонували дослідити, був штучний інтелект (ШІ). Хоча запит на фінансування був скромним, припущення дослідників не було таким : «Кожен аспект навчання або будь-яка інша особливість інтелекту в принципі може бути настільки точно описана, що машину можна симулювати». З тих скромних початків фільми та засоби масової інформації романтизували штучний інтелект або зображали його як лиходія. Проте для більшості людей ШІ залишається предметом обговорення, а не частиною свідомого життєвого досвіду.
ШІ прийшов у наше життя
Наприкінці минулого місяця штучний інтелект у формі ChatGPT вирвався з науково-фантастичних спекуляцій і дослідницьких лабораторій на комп’ютери та телефони широкого загалу. Це те, що називають «генеративним штучним інтелектом» – раптом вміло сформульована підказка може створити есе, або скласти рецепт і список покупок, або створити вірш у стилі Елвіса Преслі.
Незважаючи на те, що ChatGPT був найдраматичнішим учасником за рік успіху генеративного штучного інтелекту, подібні системи продемонстрували ще більший потенціал для створення нового вмісту, завдяки підказкам тексту в зображення, які використовувалися для створення яскравих зображень, які навіть перемагали на художніх конкурсах. Можливо, штучний інтелект ще не має живої свідомості чи теорії розуму, популярної в науково-фантастичних фільмах і романах, але він наближається до того, щоб принаймні порушити те, що, на нашу думку, можуть робити системи штучного інтелекту.
Дослідники, які тісно співпрацюють з цими системами, втратили свідомість перед перспективою чуття, як у випадку з великою мовною моделлю (LLM) Google LaMDA. LLM – це модель, яку навчили обробляти та генерувати природну мову. Генеративний штучний інтелект також викликав занепокоєння щодо плагіату, використання оригінального вмісту для створення моделей, етики маніпулювання інформацією та зловживання довірою та навіть «кінця програмування ». У центрі всього цього питання, яке стає дедалі актуальнішим після літнього семінару в Дартмуті: чи відрізняється ШІ від людського інтелекту?
Що насправді означає «AI»?
Щоб вважатися ШІ, система повинна демонструвати певний рівень навчання та адаптації. З цієї причини системи прийняття рішень, автоматизація та статистика не є ШІ. ШІ поділяється на дві категорії: штучний вузький інтелект (ANI) і штучний загальний інтелект (AGI). На сьогодні AGI не існує. Ключове завдання для створення загального штучного інтелекту полягає в тому, щоб адекватно моделювати світ з усією сукупністю знань у послідовний і корисний спосіб. Це, м’яко кажучи, масштабне підприємство.
Більшість того, що ми сьогодні знаємо як штучний інтелект, має вузький інтелект – де конкретна система розв’яже певну проблему. На відміну від людського інтелекту, такий вузький інтелект штучного інтелекту ефективний лише в тій сфері, в якій він був навчений: виявлення шахрайства, розпізнавання обличчя або соціальні рекомендації, наприклад. Однак AGI функціонував би як люди. Наразі найпомітнішим прикладом спроби досягти цього є використання нейронних мереж і «глибокого навчання», навченого на величезних обсягах даних.
Нейронні мережі створені за принципом роботи людського мозку. На відміну від більшості моделей машинного навчання, які виконують обчислення на основі навчальних даних, нейронні мережі працюють, передає кожну точку даних одну за одною через взаємопов’язану мережу, щоразу коригуючи параметри. У міру того, як все більше і більше даних передається через мережу, параметри стабілізуються; Кінцевим результатом є «навчена» нейронна мережа, яка потім може видавати бажаний результат на нових даних, наприклад, розпізнавати, чи містить зображення кота, чи собаку.
Значний стрибок у розвитку штучного інтелекту сьогодні зумовлений технологічними вдосконаленнями в тому, як ми можемо навчати великі нейронні мережі, переналаштовуючи величезну кількість параметрів під час кожного запуску завдяки можливостям великих інфраструктур хмарних обчислень. Наприклад, GPT-3 (система ШІ, яка підтримує ChatGPT) — це велика нейронна мережа зі 175 мільярдами параметрів.
Що потрібно ШІ для роботи?
Для успіху ШІ потрібні три речі.
По-перше, йому потрібні високоякісні, неупереджені дані, і їх багато. Дослідники, які створюють нейронні мережі, використовують великі набори даних, які з’явилися в міру оцифрування суспільства. Co-Pilot, щоб розширити роботу програмістів-людей, черпає свої дані з мільярдів рядків коду, опублікованих на GitHub. ChatGPT та інші великі мовні моделі використовують мільярди сайтів і текстових документів, що зберігаються в Інтернеті.
Інструменти перетворення тексту в зображення, такі як Stable Diffusion, DALLE-2 і Midjourney, використовують пари зображення-текст із наборів даних, таких як LAION-5B. Моделі штучного інтелекту продовжуватимуть вдосконалюватися та впливати, оскільки ми оцифровуємо все більше нашого життя та надаємо їм альтернативні джерела даних, такі як змодельовані дані або дані з налаштувань гри, як-от Minecraft.
ШІ також потрібна обчислювальна інфраструктура для ефективного навчання. Оскільки комп’ютери стають потужнішими, моделі, які зараз вимагають інтенсивних зусиль і великомасштабних обчислень, у найближчому майбутньому можуть оброблятися локально. Stable Diffusion, наприклад, уже можна запускати на локальних комп’ютерах, а не в хмарних середовищах.
Третя потреба для ШІ — це вдосконалені моделі та алгоритми. Системи, керовані даними, продовжують стрімко розвиватися в області за областю, яка раніше вважалася територією людського пізнання. Однак, оскільки світ навколо нас постійно змінюється, системи штучного інтелекту потрібно постійно перенавчати, використовуючи нові дані. Без цього важливого кроку системи штучного інтелекту дадуть відповіді, які будуть фактично неправильними або не враховуватимуть нову інформацію, яка з’явилася після їх навчання.
Нейронні мережі — не єдиний підхід до ШІ. Іншим відомим табором у дослідженнях штучного інтелекту є символічний ШІ – замість того, щоб перетравлювати величезні набори даних, він покладається на правила та знання, подібні до людського процесу формування внутрішніх символічних представлень конкретних явищ.
Але за останнє десятиліття баланс сил сильно схилився в бік підходів, що керуються даними, а «батьків-засновників» сучасного глибинного навчання нещодавно було нагороджено премією Тюрінга, еквівалентом Нобелівської премії з інформатики. Дані, обчислення та алгоритми складають основу майбутнього ШІ. Усі показники свідчать про те, що в осяжному майбутньому буде досягнутий швидкий прогрес у всіх трьох категоріях.
Comments