infa.lt

Iš 475 apklaustų pirmaujančių dirbtinio intelekto ekspertų 76% mano, kad didinant kalbos modelių dydį vargu ar pavyks sukurti bendrąjį dirbtinį intelektą (AGI), gebantį mokytis žmogaus lygiu, rašo „Live Science“ leidinys.

Tai verčia abejoti optimistinėmis technologijų bendrovių prognozėmis, kurios po sėkmingo generatyvinio dirbtinio intelekto kūrimo 2022 m. tikėjosi, kad žmogaus lygio intelektą pavyks pasiekti tiesiog didinant duomenų kiekį ir skaičiavimo galią.

Dabar, kai naujų modelių išleidimas sustojo, tyrėjai mano, kad dirbtinio intelekto pramonė atsidūrė aklavietėje, o papildomos investicijos vargu ar ką nors pakeis.

Pastaraisiais metais didelių kalbos modelių (DKM) pažangą daugiausia lėmė „transformatoriaus“ architektūra. Tai specialaus tipo neuroninis tinklas, sukurtas 2017 m. „Google“, kuris yra apmokytas naudojant didelius kiekius žmonių pateiktų tekstinių duomenų.

Naudodami šią architektūrą, modeliai gali sukurti tikėtinus atsakymus į užklausas naudodami savo neuroninius tinklus – algoritmų rinkinius, imituojančius žmogaus smegenų veikimą.

Kuo daugiau informacijos modelis gauna, tuo tikslesni tampa jo atsakymai.

Tačiau norint nuolat didinti šių modelių dydį, reikia labai daug lėšų ir energijos. Vien 2024 m. generatyvinio dirbtinio intelekto bendrovės visame pasaulyje pritraukė 56 mlrd. dolerių investicijų.

Šie pinigai daugiausia skiriami duomenų centrams statyti, dėl kurių nuo 2018 m. išmetamo anglies dioksido kiekis patrigubėjo.

Prognozuojama, kad iki šio dešimtmečio pabaigos baigsis žmonių sukurtų duomenų, reikalingų dirbtiniam intelektui mokyti, kiekis.

Po to bus dvi galimybės: arba rinkti asmeninius naudotojų duomenis, arba mokyti modelius pagal paties dirbtinio intelekto sukurtus „sintetinius“ duomenis. Tačiau tai gali lemti DKM „žlugimą“, nes jis mokysis iš savo paties klaidų.

Dabartinių modelių trūkumai, pasak apklaustų ekspertų, kyla ne tik dėl didelio jų išteklių imlumo, bet ir dėl esminių jų architektūros trūkumų.

Visos šios problemos trukdo bendrovėms gerinti dirbtinio intelekto našumą. Pavyzdžiui, žadėtasis „OpenAI“ modelis „GPT-5“ taip ir nepasirodė.

Taip pat buvo paneigta idėja, kad dirbtinį intelektą visada galima patobulinti tiesiog didinant jo duomenų apimtis ir galią.

Pavyzdžiui, Kinijos bendrovė „DeepSeek“ šiemet parodė, kad įmanoma sukurti tokį dirbtinį intelektą, kuris veikia taip pat gerai kaip brangūs Silicio slėnio modeliai, tačiau naudoja daug mažiau lėšų ir energijos.

Per pastaruosius metus atsirado keletas „samprotavimo“ modelių, kurie analizuodami užklausas sugaišta daugiau laiko ir išteklių, tačiau pateikia tikslesnius atsakymus nei įprasti modeliai.

Ekspertai mano, kad tokių modelių derinimas su kitomis mašininio mokymosi sistemomis, ypač juos optimizavus, yra perspektyvi kryptis.

Ekspertai taip pat mano, kad tikimybinis programavimas gali padėti sukurti dirbtinį intelektą, kuris būtų panašesnis į žmogaus intelektą nei esami modeliai.