1955 թվականի օգոստոսին մի խումբ գիտնականներ 13 ԱՄՆ դոլարի ֆինանսավորման խնդրանք ներկայացրեցին՝ Նյու Հեմփշիր նահանգի Դարթմութ քոլեջում ամառային սեմինար անցկացնելու համար: Ոլորտը, որը նրանք առաջարկում էին ուսումնասիրել, արհեստական ինտելեկտն էր (AI): Թեև ֆինանսավորման խնդրանքը համեստ էր, հետազոտողների վարկածը չէր. «Ուսուցման յուրաքանչյուր ասպեկտ կամ ինտելեկտի որևէ այլ հատկանիշ, սկզբունքորեն, կարելի է նկարագրել այնքան ճշգրիտ, որ կարող է մեքենա կառուցվել այն ընդօրինակելու համար»:
Այս խոնարհ սկզբից ի վեր, ֆիլմերն ու լրատվամիջոցները ռոմանտիկացրել են արհեստական ինտելեկտը կամ պատկերել այն որպես չարագործ: Այնուամենայնիվ, մարդկանց մեծամասնության համար AI-ն մնացել է միայն բանավեճի առարկա և ոչ գիտակցված կյանքի փորձի մաս:
Անցյալ ամսվա վերջին AI-ն տեսքով Զրուցարան GPT դուրս է եկել գիտաֆանտաստիկ սպեկուլյացիաների և հետազոտական լաբորատորիաներից և հայտնվել լայն հասարակության աշխատասեղանների և հեռախոսների վրա: Սա այսպես կոչված «գեներատիվ AI»-ն է՝ անսպասելիորեն խելացի ձևակերպված հուշումը կարող է գրել շարադրություն կամ պատրաստել բաղադրատոմս և գնումների ցուցակ, կամ ստեղծել բանաստեղծություն Էլվիս Փրեսլիի ոճով:
Չնայած Զրուցարան GPT եղել է ամենատպավորիչ մասնակիցը գեներացնող AI-ի հաջողության մեկ տարվա ընթացքում, նման համակարգերը ցույց են տվել ավելի մեծ ներուժ նոր բովանդակություն ստեղծելու համար, և տեքստից պատկերի հուշումներն օգտագործվում են վառ պատկերներ ստեղծելու համար, որոնք նույնիսկ հաղթել են արվեստի մրցույթներում: Արհեստական ինտելեկտը դեռևս չունի կենդանի գիտակցություն կամ գիտաֆանտաստիկ ֆիլմերում և վեպերում տարածված մտքի տեսությունը, բայց այն գնալով ավելի է մոտենում գոնե խանգարելու այն, ինչ մենք կարծում ենք, որ արհեստական ինտելեկտի համակարգերը կարող են անել:
Հետազոտողները, ովքեր սերտորեն աշխատում են այս համակարգերի հետ, հուսահատվում են հետախուզության հեռանկարից, ինչպես Google-ի LaMDA Large Language Model-ի (LLM) դեպքում: LLM-ը մոդել է, որը վերապատրաստվել է բնական լեզու մշակելու և առաջացնելու համար:
Generative AI-ն նաև մտահոգություններ է առաջացրել գրագողության, մոդելների ստեղծման համար օգտագործվող բնօրինակ բովանդակության շահագործման, տեղեկատվության մանիպուլյացիայի և վստահության չարաշահման էթիկայի և նույնիսկ «ծրագրավորման ավարտի» վերաբերյալ:
Ի՞նչ է իրականում նշանակում AI:
Այս ամենի կենտրոնում մի հարց է, որի արդիականությունն աճում է Դարտմութում ամառային սեմինարից հետո. Արդյո՞ք AI-ն տարբերվում է մարդկային բանականությունից: AI համարվելու համար համակարգը պետք է դրսևորի ուսուցման և հարմարվողականության որոշակի մակարդակ: Այդ պատճառով որոշումների կայացման, ավտոմատացման և վիճակագրական համակարգերը AI չեն: Ընդհանուր առմամբ, AI-ն բաժանվում է երկու կատեգորիայի՝ արհեստական նեղ ինտելեկտ (AI) և արհեստական ընդհանուր ինտելեկտ (AI): Ներկայումս SHI-ը գոյություն չունի։ Ընդհանուր արհեստական ինտելեկտի կառուցման հիմնական մարտահրավերն է համարժեք մոդելավորել աշխարհը գիտելիքների ողջ զանգվածով, հետևողական և օգտակար ձևով: Սա, մեղմ ասած, լայնածավալ խնդիր է։
Այն, ինչ մենք այսօր գիտենք որպես AI, ունի նեղ ինտելեկտ, որտեղ կոնկրետ համակարգը լուծում է որոշակի խնդիր: Ի տարբերություն մարդկային ինտելեկտի՝ նման նեղ արհեստական ինտելեկտը արդյունավետ է միայն այն ոլորտում, որտեղ այն վերապատրաստվել է. օրինակ՝ խարդախության հայտնաբերում, դեմքի ճանաչում կամ սոցիալական առաջարկություններ: Իսկ AI-ն կգործի այնպես, ինչպես մարդը։ Ներկայումս դրան հասնելու փորձերի ամենաակնառու օրինակը նեյրոնային ցանցերի և խորը ուսուցման օգտագործումն է, որը վերապատրաստվել է հսկայական քանակությամբ տվյալների վրա:
Նյարդային ցանցերը ներշնչված են նրանից, թե ինչպես է աշխատում մարդու ուղեղը: Ի տարբերություն մեքենայական ուսուցման մոդելների մեծ մասի, որոնք հաշվարկներ են կատարում վերապատրաստման տվյալների վրա, նեյրոնային ցանցերն աշխատում են յուրաքանչյուր տվյալների կետը հերթափոխով սնելով փոխկապակցված ցանցի միջոցով՝ ամեն անգամ կարգավորելով պարամետրերը: Քանի որ ավելի ու ավելի շատ տվյալներ են սնվում ցանցի միջոցով, պարամետրերը կայունանում են, ինչը հանգեցնում է «վարժեցված» նեյրոնային ցանցի, որն այնուհետև կարող է ստանալ ցանկալի արդյունքը նոր տվյալների վրա, օրինակ՝ ճանաչելով պատկերը պարունակում է կատու, թե շուն:
Արհեստական ինտելեկտի զարգացման զգալի թռիչքն այսօր պայմանավորված է խոշոր նեյրոնային ցանցերի ուսուցման մեթոդների տեխնոլոգիական բարելավմամբ, որը թույլ է տալիս կարգավորել մեծ թվով պարամետրեր յուրաքանչյուր գործարկման ընթացքում՝ ամպային հաշվողական մեծ ենթակառուցվածքների հնարավորությունների շնորհիվ: Օրինակ, GPT-3-ը (AI-ի համակարգը, որը սնուցում է ChatGPT-ն) մեծ նեյրոնային ցանց է՝ 175 միլիարդ պարամետրով:
Ի՞նչ է անհրաժեշտ արհեստական ինտելեկտի աշխատանքի համար:
Արհեստական ինտելեկտին հաջողությամբ աշխատելու համար անհրաժեշտ է երեք բան. Նախ՝ նրան որակյալ, օբյեկտիվ տվյալներ են պետք և շատ բան։ Նեյրոնային ցանցեր կառուցող հետազոտողները օգտագործում են տվյալների մեծ զանգված, որոնք հայտնվել են հասարակության թվայնացման շնորհիվ:
Լրացնելով մարդկային ծրագրավորողներին՝ Co-Pilot-ն իր տվյալները վերցնում է GitHub-ում տեղակայված կոդերի միլիարդավոր տողերից: ChatGPT-ը և այլ խոշոր լեզուների մոդելներն օգտագործում են ինտերնետում պահվող միլիարդավոր կայքերն ու տեքստային փաստաթղթերը:
Տեքստից պատկեր փոխակերպման գործիքներ, ինչպիսիք են Կայուն դիֆուզիոն, ԴԱԼԼ-2 և Midjourney, օգտագործեք պատկեր-տեքստ զույգեր տվյալների հավաքածուներից, ինչպիսիք են LAION-5B: AI մոդելները կշարունակեն զարգանալ, քանի որ մենք թվայնացնում ենք մեր կյանքի մեծ մասը և սնուցում նրանց տվյալների այլընտրանքային աղբյուրներով, ինչպիսիք են մոդելավորման տվյալները կամ խաղերի կարգավորումներից ստացված տվյալները, ինչպիսին է Minecraft-ը:
Արդյունավետ մարզվելու համար AI-ն նաև հաշվողական ենթակառուցվածքի կարիք ունի: Քանի որ համակարգիչները դառնում են ավելի հզոր, մոդելները, որոնք այժմ պահանջում են ինտենսիվ ջանքեր և լայնածավալ հաշվարկներ, մոտ ապագայում կարող են մշակվել տեղական մակարդակում: Օրինակ, Stable Diffusion մոդելն արդեն կարող է գործարկվել տեղական համակարգիչների վրա, այլ ոչ թե ամպային միջավայրում: AI-ի երրորդ անհրաժեշտությունը կատարելագործված մոդելներն ու ալգորիթմներն են: Տվյալների վրա հիմնված համակարգերը շարունակում են արագ առաջընթաց գրանցել այն ոլորտներում, որոնք ժամանակին համարվում էին մարդկային ճանաչողության տիրույթ:
Այնուամենայնիվ, քանի որ մեզ շրջապատող աշխարհը անընդհատ փոխվում է, AI համակարգերը պետք է մշտապես վերապատրաստվեն՝ օգտագործելով նոր տվյալներ: Առանց այս կարևոր քայլի, AI համակարգերը կտան պատասխաններ, որոնք փաստացիորեն սխալ են կամ հաշվի չեն առնի նոր տեղեկությունները, որոնք ի հայտ են եկել իրենց վերապատրաստումից հետո:
Նյարդային ցանցերը AI-ի միակ մոտեցումը չեն: Արհեստական ինտելեկտի հետազոտության մեկ այլ նշանավոր ճամբարը խորհրդանշական AI-ն է՝ տվյալների հսկայական զանգվածը մարսելու փոխարեն, այն հիմնվում է որոշ երևույթների ներքին խորհրդանշական ներկայացումներ ձևավորելու մարդկային գործընթացի նման կանոնների և գիտելիքների վրա:
Սակայն վերջին տասնամյակի ընթացքում ուժերի հավասարակշռությունը մեծապես թեքվել է դեպի տվյալների վրա հիմնված մոտեցումներ, և ժամանակակից խորը ուսուցման «հիմնադիր հայրերը» վերջերս արժանացան Թյուրինգի մրցանակին, որը համարժեք է համակարգչային գիտության Նոբելյան մրցանակին:
Տվյալները, հաշվարկները և ալգորիթմները կազմում են ապագա AI-ի հիմքը: Բոլոր ցուցանիշները մատնանշում են տեսանելի ապագայի բոլոր երեք կատեգորիաների արագ առաջընթացը:
Դուք կարող եք օգնել Ուկրաինային պայքարել ռուս զավթիչների դեմ։ Դա անելու լավագույն միջոցը Ուկրաինայի զինված ուժերին միջոցների նվիրաբերումն է Savelife կամ պաշտոնական էջի միջոցով NBU.