U avgustu 1955. grupa naučnika je zatražila 13.500 američkih dolara za održavanje letnje radionice na Dartmouth koledžu u Nju Hempširu. Oblast koju su predložili da istraže bila je veštačka inteligencija (AI).
Iako je zahtev za finansiranje bio skroman, pretpostavka istraživača nije bila: „Svaki aspekt učenja ili bilo koja druga karakteristika inteligencije može se, u principu, tako precizno opisati da se može napraviti mašina da ga simulira“.
Od ovih skromnih početaka, filmovi i mediji su romantizovali veštačku inteligenciju ili su je prikazali kao negativca. Ipak, za većinu ljudi, veštačka inteligencija je ostala kao tačka diskusije, a ne deo svesnog proživljenog iskustva.
Krajem prošlog meseca, veštačka inteligencija, u obliku ChatGPT-a, izašla je iz naučno-fantastičnih spekulacija i istraživačkih laboratorija i na desktope i telefone široke javnosti.
To je ono što je poznato kao „generativna veštačka inteligencija“ – odjednom, pametno sročena poruka može da proizvede esej ili sastavi recept i listu za kupovinu, ili da stvori pesmu u stilu Elvisa Prislija.
Dok je ChatGPT bio najdramatičniji učesnik u godini generativnog uspeha veštačke inteligencije, slični sistemi su pokazali još širi potencijal za kreiranje novog sadržaja, sa uputstvima za pretvaranje teksta u sliku koji se koriste za kreiranje živopisnih slika koje su čak pobedile na umetničkim takmičenjima.
AI možda još nema živu svest ili teoriju uma popularnu u naučnofantastičnim filmovima i romanima, ali sve je bliže tome da barem poremeti ono što mislimo da sistemi veštačke inteligencije mogu da urade.
Istraživači koji blisko sarađuju sa ovim sistemima su pali u nesvest zbog mogućnosti osećaja, kao u slučaju sa Guglovim velikim jezičkim modelom (LLM) LaMDA. LLM je model koji je obučen da obrađuje i generiše prirodni jezik.
Generativna AI je takođe izazvala zabrinutost zbog plagijata, eksploatacije originalnog sadržaja koji se koristi za kreiranje modela, etike manipulacije informacijama i zloupotrebe poverenja, pa čak i „kraja programiranja“.
U središtu svega ovoga je pitanje koje postaje sve hitnije od letnje radionice u Dartmutu: da li se AI razlikuje od ljudske inteligencije?
Da bi se kvalifikovao kao AI, sistem mora da pokaže određeni nivo učenja i prilagođavanja. Iz tog razloga, sistemi donošenja odluka, automatizacija i statistika nisu AI.
AI je široko definisan u dve kategorije: veštačka uska inteligencija (ANI) i veštačka opšta inteligencija (AGI). Do danas, AGI ne postoji.
Ključni izazov za stvaranje opšte veštačke inteligencije je adekvatno modelovanje sveta sa celokupnim znanjem, na dosledan i koristan način. To je, u najmanju ruku, ogroman poduhvat.
Većina onoga što danas poznajemo kao AI ima usku inteligenciju – gde se određeni sistem bavi određenim problemom. Za razliku od ljudske inteligencije, takva uska AI inteligencija je efikasna samo u oblasti u kojoj je obučena: na primer, otkrivanje prevare, prepoznavanje lica ili društvene preporuke.
AGI bi, međutim, funkcionisao kao i ljudi. Za sada, najistaknutiji primer pokušaja da se to postigne je upotreba neuronskih mreža i „duboko učenje“ obučeno na ogromnim količinama podataka.
Neuronske mreže su inspirisane načinom na koji ljudski mozak funkcioniše. Za razliku od većine modela mašinskog učenja koji pokreću proračune na podacima o obuci, neuronske mreže rade tako što unose svaku tačku podataka jednu po jednu kroz međusobno povezanu mrežu, svaki put prilagođavajući parametre.
Kako se sve više podataka prenosi kroz mrežu, parametri se stabilizuju; krajnji ishod je „obučena“ neuronska mreža, koja onda može da proizvede željeni izlaz na novim podacima – na primer, prepoznajući da li slika sadrži mačku ili psa.
Značajan iskorak u AI danas je vođen tehnološkim poboljšanjima u načinu na koji možemo da obučavamo velike neuronske mreže, prilagođavajući ogroman broj parametara u svakom pokretanju zahvaljujući mogućnostima velikih računarskih infrastruktura u oblaku. Na primer, GPT-3 (AI sistem koji pokreće ChatGPT) je velika neuronska mreža sa 175 milijardi parametara.
AI su potrebne tri stvari da bi bila uspešna.
Prvo, potrebni su mu visokokvalitetni, nepristrasni podaci i mnogo toga. Istraživači koji grade neuronske mreže koriste velike skupove podataka koji su nastali tokom digitalizacije društva.
Co-Pilot, za proširenje ljudskih programera, crpi svoje podatke iz milijardi linija koda koji se dele na GitHub-u. ChatGPT i drugi veliki jezički modeli koriste milijarde veb lokacija i tekstualnih dokumenata koji se čuvaju na mreži.
Alati za pretvaranje teksta u sliku, kao što su Stable Diffusion, DALLE-2 i Midjournei, koriste parove slika-tekst iz skupova podataka kao što je LAION-5B. AI modeli će nastaviti da se razvijaju u sofisticiranosti i uticaju kako digitalizujemo sve više naših života i pružamo im alternativne izvore podataka, kao što su simulirani podaci ili podaci iz podešavanja igre kao što je Minecraft.
AI je takođe potrebna računarska infrastruktura za efikasnu obuku. Kako računari postaju moćniji, modeli koji sada zahtevaju intenzivne napore i računarstvo velikih razmera mogu se, u bliskoj budućnosti, rukovati lokalno. Stable Diffusion, na primer, već može da se pokreće na lokalnim računarima, a ne na okruženjima u oblaku.
Treća potreba za AI su poboljšani modeli i algoritmi. Sistemi vođeni podacima nastavljaju da brzo napreduju u domenu za domenom koji se nekada smatrao teritorijom ljudske spoznaje.
Međutim, kako se svet oko nas stalno menja, sistemi veštačke inteligencije moraju da se stalno obučavaju koristeći nove podatke. Bez ovog ključnog koraka, sistemi veštačke inteligencije će proizvesti odgovore koji su faktički netačni ili ne uzimaju u obzir nove informacije koje su se pojavile otkako su obučeni.
Neuronske mreže nisu jedini pristup AI. Još jedan istaknuti kamp u istraživanju veštačke inteligencije je simbolička veštačka inteligencija – umesto da probavlja ogromne skupove podataka, ona se oslanja na pravila i znanje slično ljudskom procesu formiranja unutrašnjih simboličkih reprezentacija određenih pojava.
Ali odnos snaga se u poslednjoj deceniji u velikoj meri nagnuo ka pristupima zasnovanim na podacima, a „očevima osnivačima“ modernog dubokog učenja nedavno je dodeljena Tjuringova nagrada, što je ekvivalent Nobelovoj nagradi za kompjuterske nauke.
Podaci, računanje i algoritmi čine osnovu budućnosti AI. Svi pokazatelji govore da će u doglednoj budućnosti biti ostvaren brz napredak u sve tri kategorije.
