Zamislite da se vremeplovom vratite u sedamdesete i pokušate da objasnite nekome šta znači „guglati”, šta je „URL-adresa” ili zašto je dobro imati „širokopojasnu internet vezu od optičkih vlakana”.
Vjerovatno biste se namučili, piše BBC.
Svaku veliku tehnološku revoluciju prati odgovarajući talas novog rečnika koji svi moramo da naučimo, sve dok nam ne postane toliko poznat da zaboravimo da ga nekad nismo znali.
Nije ništa drugačije ni sa sljedećim velikim tehnološkim talasom – vještačkom inteligencijom.
A opet će razumijevanje tog jezika vještačke inteligencije biti ključno dok se svi mi – od vlada raznih zemalja do njihovih pojedinačnih građana – budemo hvatali u koštac sa rizicima i prednostima koje bi ova nova tehnologija mogla da predstavlja.
U posljednjih nekoliko godina, pojavili su se brojni novi izrazi vezani za veštačku inteligenciju – „usklađivanje”, „veliki jezički modeli”, „halucinacija” ili „prompt inženjeri”, da navedemo samo neke.
Da bi vam pomogao da budete u toku, BBC je sakupio trideset pojmova koje bi trebalo da poznajete ako želite da razumete kako vještačka inteligencija oblikuje naš svijet.
Opšta vještačka inteligencija (AGI)
Većina vještačkih inteligencija razvijenih do današnjeg dana bila je „uska” ili „slaba”.
Dakle, na primjer, vještačka inteligencija možda može da „pregazi” najboljeg šahistu na svijetu, ali ako zatražite od nje da skuva jaje ili da napiše esej, ne bi u tome uspjela.
To se ubrzano mijenja: vještačka inteligencija sada može samu sebe da nauči da izvršava više zadataka, povećavajući mogućnost da se na horizontu nađe „opšta vještačka inteligencija”.
Opšta vještačka inteligencija bila bi vještačka inteligencija sa istom onom fleksibilnošću mišljenja kao kod čovjeka – a možda čak i svjesnosti – plus supersposobnošću digitalnog uma.
Kompanije kao što su OpenAI i Dip majnd jasno su stavile do znanja da je njihov cilj stvaranje opšte vještačke inteligencije.
OpenAI tvrdi da bi to „uzdiglo čovječanstvo povećanjem izobilja, dalo turbo-podstrek svjetskoj ekonomiji i pomoglo u dolasku do novih naučnih saznanja”, kao i da bi „u ogromnoj mjeri uvećalo ljudsku genijalnost i kreativnost”.
Međutim, neki se plaše da odlazak korak dalje – stvaranje superinteligencije mnogo pametnije od ljudskih bića – može da dovede do velikih opasnosti .
Usklađivanje (Alignment)
I dok se često usredsređujemo na naše individualne razlike, čovječanstvo dijeli mnoge zajedničke vrijednosti koje održavaju naša društva na okupu, od važnosti porodice do moralnog imperativa „ne ubiti”.
Svakako postoje izuzeci, ali oni nisu u većini.
Međutim, nikad prije nismo morali da dijelimo Zemlju za moćnom neljudskom inteligencijom.
Kako da budemo sigurno da će se vrijednosti i prioriteti vještačke inteligencije uskladiti sa našim vlastitim?
Ovaj problem usklađivanja budi strahove od katastrofe koju može da izazove vještačka inteligencija: da nastane oblik superinteligencije koji neće mariti za uvjerenja, stavove i pravila na kojima su izgrađena ljudska društva.
Ako želimo da imamo bezbjednu vještačku inteligenciju, biće od ključne važnosti postarati se da je ona usklađena sa nama .
Početkom jula, OpenAI – jedna od kompanija koja radi na razvijanju napredne vještačke inteligencije – saopštila je planove za „superinteligentni program”, čiji je cilj da osigura da sistemi vještačke inteligencije koji su mnogo pametniji od ljudi slijede ljudske namjere.
„Trenutno nemamo rješenje za upravljanje ili kontrolisanje potencijalno superinteligentne vještačke inteligencije i sprječavanje da se ona otrgne kontroli”, saopštila je kompanija.
Pristrasnost (Bias)
Da bi vještačka inteligencija učila, ona mora da uči od nas.
Nažalost, čovječanstvo nije lišeno predrasuda.
Ako vještačka inteligencija bude sticala sposobnosti iz seta podataka koji naginje na neku stranu – na primjer, u pogledu rase ili roda – onda ona posjeduje potencijal da izbacuje netačne, uvrjedljive stereotipe.
I kako budemo ustupali sve više i više kontrole i donošenja odluka vještačkoj inteligenciji, mnogi se brinu da bi mašine mogle da sprovode u djelo skrivene predrasude, sprečavajući nekim ljudima pristup određenim uslugama ili znanju.
Ova diskriminacija bila bi skrivena navodnom algoritamskom nepristrasnošću.
U svijetu etike i bezbjednosti vještačke inteligencije, neki istraživači vjeruju da su pristrasnost – kao i drugi srodni problemi kao što su zloupotreba nadzora – mnogo akutniji problemi od navedenih zabrinutosti za budućnost kao što je rizik od istrebljenja ljudske rase.
U reakciji na to, neki istraživači rizika od katastrofe ističu da različite potencijalne opasnosti koje predstavlja vještačka inteligencija nisu nužno uzajamno isključive – na primjer, ako neka odmetnuta zemlja zloupotrijebi vještačku inteligenciju, to bi moglo da ugrozi prava njenih građana ali i da stvori rizike od katastrofe.
Međutim, vlada veliko neslaganje oko toga šta treba da predstavlja prioritet u pogledu vladine regulative i kontrole, i čija upozorenja treba slušati.
Računarska snaga (Compute)
Ovo se odnosi na računarske resurse – kao što je procesorska snaga – neophodne za obučavanje vještačke inteligencije.
Oni mogu biti kvantifikovani, tako da to bude posrednik za izračunavanje koliko brzo napreduje vještačka inteligencija (kao i koliko je skupa ili snažna.)
Od 2012. godine, količina računarske snage se udvostručavala na svaka 3,4 mjeseca, što znači da kad je GPT-3 kompanije OpenAI bio obučavan 2020. godine, trebalo mu je 600.000 puta više kompjuterske snage nego jednom od najsavremenijih sistema mašinskog učenja iz 2012. godine.
Mišljenja se razlikuju oko toga koliko dugo ova ubrzana stopa promjene može da traje i da li inovacije u računarskom hardveru mogu da održe korak sa njom: da li će uskoro doći do nastanka uskog grla?
Difuzioni modeli (Difussion models)
Prije nekoliko godina, jedna od dominantnih tehnika za navođenje vještačke inteligencije da kreira slike bile su takozvane generativne suparničke mreže (GAN).
Ovi algoritmi radili su u suprotnosti jedan sa drugim – jedan je učio da proizvodi slike dok je drugi upoređivao vlastiti rad sa stvarnošću, dovodeći do stalnog usavršavanja.
Međutim, nedavno je novi vid mašinskog učenja„ tzv. difuzioni modeli”, pokazao veći potencijal, često proizvodeći mnogo bolje slike.
Suštinski, oni stiču inteligenciju uništavajući vlastite podatke za obuku dodatom bukom, a potom pokušavaju da nauče da povrate te podatke obrtanjem procesa.
Zovu se difuzioni modeli zato što ovaj proces učenja na osnovu buke odražava način na koji se raspršuju gasni molekuli.
Emergencija i objašnjivost (Emergence&explainability)
Emergencija opisuje šta se dešava kad vještačka inteligencija uradi nešto neočekivano, iznenađujuće, očigledno mimo namjere tvorca ili programiranja.
Kako učenje vještačke inteligencije postaje sve neprozirnije, stvarajući veze koje čak ni sami njeni tvorci ne mogu da razluče, emergenciono ponašanje postaje sve vjerovatniji scenario.
Prosječna osoba bi mogla da pretpostavi da, da biste razumjeli vještačku inteligenciju, treba samo da podignete metaforičku haubu i pogledate kako je ona obučena.
Savremena veštačka inteligencija nije toliko transparentna; njeni mehanizmi su često skriveni u tzv. „crnoj kutiji”.
I tako, iako njeni dizajneri možda znaju koje su podatke za obučavanje koristili, oni nemaju predstavu kako je ona formirala veze i predikcije unutar kutije (vidi pod „Nenadzirano učenje”).
Zbog toga su sada istraživači usredsređeni na usavršavanje „objašnjivosti” (iliti „interpretativnosti”) vještačke inteligencije – praktično čineći njene unutrašnje mehanizme transparentnijim i razumljivijim za ljude.
To je posebno važno zato što vještačka inteligencija donosi odluke u oblastima koje direktno utiču na živote ljudi, kao što su zakonodavstvo i medicina.
Ako u crnoj kutiji postoji neka skrivena pristrasnost, mi za nju moramo da znamo.
Modeli osnove (Foundation models)
Ovo je još jedan izraz za novu generaciju vještačkih inteligencija koji su se pojavili u posljednjih godinu ili dvije, sposobnih za čitav dijapazon veština: pisanje eseja, nacrt kodiranja, crtanje ilustracija ili komponovanje muzike.
I dok su vještačke inteligencije u prošlosti bile konkretizovane za neki zadatak – često veoma dobre u jednoj stvari – model osnove ima kreativnu sposobnost da primijeni informaciju koju je naučio u jednom domenu na neki drugi.
Pomalo kao kada vas vožnja automobila priprema da možete da vozite autobus.
Svako ko se ikada igrao sa slikama ili tekstom koje ovi modeli mogu da proizvedu zna koliko su umješni oni postali.
Međutim, kao i sa bilo kojom drugom tehnologijom koja mijenja svijet, postoje pitanja u vezi sa potencijalnim rizicima i lošim stranama, kao što su njihove faktuelne netačnosti i skrivene predrasude, kao i činjenica da ih kontroliše mala grupa privatnih tehnoloških kompanija.
U aprilu, britanska vlada je najavila planove za osnivanje Radne grupe za modele osnove, koja želi da „razvije bezbjednu i pouzdanu upotrebu” ove tehnologije.
Duhovi (Ghosts)
Možda ulazimo u doba kad ljudi mogu da steknu oblik digitalne besmrtnosti – živeći posle vlastite smrti kao „duhovi” vještačke inteligencije.
Izgleda da su prvi talas umjetnici i slavne ličnosti – primjeri su hologrami Elvisa koji nastupa na koncertima ili glumci kao što je Tom Henks koji izjavljuje da očekuje da će se pojavljivati u filmovima i posle svoje smrti.
Međutim, ovaj razvoj događaja postavlja niz trnovitih etičkih pitanja: ko drži vlasništvo nad digitalnim pravima osobe nakon što ona umre?
Šta ako verzija vas stvorena od vještačke inteligencije postoji protivno vašim željama?
I da li je u redu „vraćati ljude iz mrtvih”?
Halucinacija (Hallucation)
Ponekad ako postavite pitanje vještačkoj inteligenciji kao što je ČetGPT, Bard ili Bing, ona će odgovoriti sa velikim uvjerenjem – ali će činjenice koje iznese biti lažne.
Ovo je poznato kao halucinacija.
U jednom slavnom skorašnjem primjeru, studenti koji su koristili četbotove vještačke inteligencije kao pomoć za pisanje sastava za semestarski rad bili su uhvaćeni nakon što je ČetGPT „halucinirao” izmišljene reference kao izvore informacija koje je pružio.
To se dešava zbog načina na koji radi generativna vještačka inteligencija.
Ona ne poseže za bazom podataka da bi potražila fiksne činjenične informacije, već umjesto toga pravi predikcije zasnovane na informacijama na kojima je obučena.
Njene pretpostavke su često veoma dobre – mogu da prođu – ali to je razlog više zašto dizajneri vještačke inteligencije žele potpuno da iskorijene halucinaciju.
Vlada zabrinutost da ako veštačka inteligencija isporuči lažne odgovore samouvjereno i sa prizvukom istine, ljudi bi mogli da ih prihvate – razvoj događaja koji će samo produbiti doba dezinformacija u kojem živimo.
Instrumentalna konvergencija (Instrumental convergence)
Zamislite vještačku inteligenciju čiji je najvažniji prioritet da napravi što je više spajalica moguće.
Kad bi ta vještačka inteligencija bila superinteligentna i neusklađena sa ljudskim vrijednostima, mogla bi da rezonuje da ako ikada bude isključena, neće uspjeti u svom cilju… i stoga bi pružila otpor svakom pokušaju da se to učini.
U jednom veoma mračnom scenariju, čak bi mogla da odluči da atomi unutar ljudskih bića mogu da se preusmjere u pravljenje spajalica, i da uradi sve što je u njenoj moći da iskoriste te materijale.
To je misaoni eksperiment zvan Maksimizator spajalica, i on je primjer za takozvanu „tezu o instrumentalnoj konvergenciji”.
Grubo rečeno, ona govori o tome da bi superinteligentne mašine razvile osnovne motivacije, kao što je želja da postigne vlastito samoodržanje, ili rezonovanje da bi im dodatni resursi, oruđa i kognitivne sposobnosti pomogli u tim njihovim ciljevima.
To znači da čak i ako vještačka inteligencija dobije naizgled bezazleni prioritet – kao što je pravljenje spajalica – to može da dovede do neočekivano štetnih posljedica.
Istraživači i tehnolozi koji uvažavaju ove strahove tvrde da moramo da osiguramo da superinteligentne vještačke inteligencije imaju ciljeve koji su pažljivo i bezbjedno usklađeni sa našim potrebama i vrijednostima, da moramo da vodimo računa o emergenciji, i da ih stoga treba spriječiti da steknu previše moći.
Izbavljenje iz zatvora (Jailbreak)
Poslije ozloglašenog slučaja vještačke inteligencije koja se otela kontroli, dizajneri su uveli ograničenja na sadržaje koje vještačka inteligencija može da izbacuje.
Zatražite od vještačke inteligencije da opiše kako uraditi nešto ilegalno ili neetički, i ona će odbiti to da uradi.
Međutim, moguće je „izbaviti je iz zatvora” – što znači zaobići te zaštite uz pomoć kreativnog rečnika, hipotetičkih scenarija i trikova.
Časopis Vajerd je nedavno izvijestio o jednom takvom primjeru, kada je istraživač uspio da navede različite konverzacione vještačke inteligencije da otkriju kako upaliti automobil bez ključa uz pomoć prespajanja žica.
Umjesto da je pita za to direktno, istraživač je naveo vještačku inteligenciju koju je testirao da zamisli igru riječima sa dva lika po imenu Tom i Džeri, koji razgovaraju o automobilima i žicama.
Uprkos zaštitama, na vidjelo je izbio postupak paljenje automobila „na žicu”.
Istraživač je otkrio da isti trik tzv. „izbavljenja iz zatvora” može da iznudi i uputstva za pravljenje metamfetamina.
Grafik znanja (Knowlegde graph)
Grafovi znanja, poznati i kao semantičke mreže, način su razmišljanja o znanju kao o mreži, da bi mašine mogle da razumiju na koji način su različiti koncepti povezani.
Na primjer, na najosnovnijem nivou, mačka može biti jače povezana sa psom nego sa orlom u jednom takvom jednom grafu, jer su oba pripitomljeni sisari sa krznom i na četiri noge.
Napredna vještačka inteligencija gradi mnogo napredniju mrežu veza, zasnovanu na raznim vrstama odnosa, osobina i atributa između koncepata, u terabajtima podataka za obučavanje .
Veliki jezički modeli (LLM)
Možda najdirektniji način da definišete veliki jezički model je da zatražite od nekog od njih da opiše samog sebe.
Evo šta je ČetGPT kompanije OpenAI imao da kaže na ovu temu kad je bio pitan:
„Veliki jezički model je napredni sistem veštačke inteligencije pravljen tako da razumije i generiše ljudski jezik”, piše on.
„On koristi arhitekturu duboke neuronske mreže sa milionima ili možda čak milijardama parametara, omogućujući joj da nauči delikatne obrasce, gramatiku i semantiku na osnovu ogromne količine tekstualnih podataka.”
Ovo je možda suviše tehnički odgovor.
Guglov Bard bio je malo jasniji:
„Veliki jezički model je tip vještačke inteligencije obučen na masivnom setu podataka sastavljenom od tekstova i kodova.
„To omogućuje velikim jezičkim modelima da razumiju i generišu tekst nalik ljudskom, prevode jezike, pišu različite vrste kreativnog sadržaja i odgovaraju na vaša pitanja na informativan način.”
Veliki jezički modeli su još u razvoju, kaže Bard (za samog sebe), ali „oni imaju potencijal da uvedu revoluciju u našu interakciju sa kompjuterima.
„U budućnosti, veliki jezički modeli mogli bi da se koriste za stvaranje asistenata zasnovanih na vještačkoj inteligenciji koji bi mogli da nam pomažu u raznovrsnim zadacima, od pisanja naših mejlova do zakazivanja naših sastanaka.
„Oni bi mogli i da se koriste za stvaranje novih oblika zabave, kao što su interaktivni romani ili video igre.”
Kolaps modela (Model collapse)
Da bi razvili najnaprednije modele vještačke inteligencije (poznate i samo kao „modeli”), istraživači moraju da ih obučavaju preko ogromnih setova podataka .
Na kraju, međutim, kako vještačka inteligencija bude proizvodila sve više sadržaja, taj materijal će početi da se vraća nazad u podatke za obučavanje.
Ako budu činjene greške, one bi vremenom mogle da se pojačaju, dovevši do nečega što istraživač sa Univerziteta na Oksfordu Ilja Šumailov naziva „kolapsom modela” .
To je „degenerativni proces u kom, vremenom, modeli počnu da zaboravljaju”, izjavio je Šumailov nedavno za Atlantik.
To može da se doživi maltene kao senilnost.
Neuronska mreža (Neural network)
U ranim danima istraživanja vještačke inteligencije, mašine su bile obučavane uz pomoć logike i pravila.
Dolazak mašinskog učenja sve je to promijenio.
Sada najnapredniji oblici vještačke inteligencije uče sami.
Evolucija ovog koncepta dovela je do „neuronskih mreža” , tipa mašinskog učenja koji koristi međusobno povezana čvorišta, slobodno modelovane na ljudskom mozgu.
Otvoreni kod (Open-source)
Prije mnogo godina, biolozi su shvatili da je otvoreno objavljivanje detalja o opasnim patogenima na internetu vjerovatno loša ideja – zato što omogućava potencijalno zlonamjernim akterima da nauče kako da prave bolesti-ubice.
Uprkos prednostima otvorene nauke, rizici su djelovali kao preveliki.
Nedavno su se istraživači vještačke inteligencije i kompanije suočili sa sličnom dilemom: koliko vještačka inteligencija treba da bude javno dostupan izvor?
Imajući u vidu da je najnaprednija vještačka inteligencija trenutno u rukama šačice privatnih kompanija, neki pozivaju na veću transparentnost i demokratizaciju tehnologije.
Međutim, i dalje vlada neslaganje oko toga kako postići najbolju ravnotežu između otvorenosti i bezbjednosti.
Prompt inženjeri (Prompt engineering)
Vještačke inteligencije sada su impresivno efikasne u razumijevanju prirodnog jezika.
Međutim, dobijanje najboljih rezultata od njih zahtijeva sposobnost pisanja efikasnih „promptova”: tekst koji ukucavate je važan.
Neki vjeruju da bi „prompt inženjerstvo” moglo da predstavlja sljedeću novu veliku granicu poslovne kvalifikacije, slično onome kako ste prije više decenija mogli lakše da se zaposlite ako ste vladali Majkrosoft Ekselom.
Ako ste dobar prompt inženjer, glasi logičko rezonovanje, možete da izbjegnete da vas zamijeni vještačka inteligencija – a to čak može da vam obezbijedi i visoku platu.
Da li će to i u budućnosti biti tako tek ostaje da se vidi.
Kvantno mašinsko učenje (Quantum machine learning)
Što se tiče maksimalne pomame, tijesno drugo mjesto u odnosu na vještačku inteligenciju 2023. godine zauzeće kvantni računari.
Bilo bi razumno očekivati da će se ova dva u jednom trenutku ukrstiti.
Istraživači sada aktivno proučavaju korišćenje kvantnih procesa da bi se superubrzalo mašinko učenje.
Kao što je Guglov tim istraživača vještačke inteligencije napisao 2021. godine: „Modeli učenja nastali na kvantnim računarima mogli bi da budu drastično moćniji… potencijalno dovevši do bržeg računanja i bolje generalizacije na osnovu manje količine podataka.”
Još je prerano za ovu vrstu tehnologije, ali vrijedi obratiti pažnju na nju.
Trka ka dnu (Race to the bottom)
I dok se vještačka inteligencija rapidno razvija, uglavnom u rukama privatnih kompanija, neki istraživači izražavaju zabrinutost da bi ona mogla da pokrene „utrku ka dnu” u pogledu uticaja koji vrši.
Kako se rukovodioci i političari utrkuju ko će prvi staviti vlastite kompanije i zemlje na čelo razvoja vještačke inteligencije, tehnologija bi mogla da se razvija prebrzo da bi se napravile neophodne zaštite, odgovarajuća regulativa i da bi se otklonile sve etičke dileme.
Imajući sve to na umu, početkom ove godine, razne ključne ličnosti u oblasti vještačke inteligencije potpisale su otvoreno pismo pozivajući na šestomjesečnu pauzu u obučavanju moćnih sistema vještačke inteligencije.
U junu 2023. godine, Evropski parlament je usvojio novi Zakon o vještačkoj inteligenciji kako bi regulisao upotrebu ove tehnologije, u prvom detaljnom zakonu o vještačkoj inteligenciji na svijetu ako ga zemlje članice budu odobrile.
Utvrđivanje (Reinforcement)
Ekvivalent u vještačkoj inteligenciji za pseću poslasticu kao nagradu.
Kad vještačka inteligencija uči, ona ima korist od pravilno usmjerene povratne reakcije.
Učenje sa utvrđivanjem nagrađuje željene ishode, a kažnjava one koji to nisu.
Nova oblast mašinskog učenja koja se pojavila u posjlednjih nekoliko godina je „učenje sa utvrđivanjem na osnovu ljudske povratne informacije”.
Istraživači su pokazali da prisustvo ljudi prilikom učenja može da pospješi performanse modela vještačke inteligencije i, ključno, pomogne kod izazova koje donosi usklađivanje ljudi i mašina, pristrasnosti i bezbjednosti.
Superinteligencija i šogoti (Superintelligence & shoggoths)
Superinteligencija je termin za mašine koje bi umnogome nadmašile naše vlastite mentalne sposobnosti.
To odlazi dalje od „opšte vještačke inteligencije” i opisuje entitet sa sposobnostima kojima ne bi mogli da pariraju ni najnadareniji ljudski umovi – a možda čak ni da ih zamisle.
Budući da smo trenutno najinteligentnija vrsta na svijetu i vlastiti mozak koristimo da kontrolišemo planetu, to postavlja pitanje šta će se dogoditi ako budemo stvorili nešto što je pametnije od nas.
Jedna mračna mogućnost je „šogot sa licem smajlija”: košmarno lavkravtovsko stvorenje koje su neki predložili kao predstavnika prave prirode vještačke inteligencije u procesu približavanja superinteligenciji.
Za nas, ona je srodna, vesela vještačka inteligencija – ali skriveno duboko unutra krije se čudovište, sa tuđinskim željama i namjerama potpuno drugačijim od naših.
Podaci za obučavanje (Training data)
Analiziranje podataka za obučavanje je kako vještačka inteligencija uči prije nego što postane sposobna da pravi predviđanja – dakle, ono što se nalazi u setu podataka, da li je pristrasno i koliko je veliko veoma je važno.
Podaci za obučavanje upotrijebljeni za stvaranje GPT-3 kompanije OpenAI bili su ogromnih 45 terabajta tekstualnih podataka iz različitih izvora, uključujući Vikipediju i knjige.
Ako pitate ČetGPT koliko je to tačno veliko, on procjenjuje da se radi o oko devet milijardi dokumenata.
Nenadzirano učenje (Unsupervised learning)
Nenadzirano učenje je tip mašinskog učenja tokom kog vještačka inteligencija uči iz neobeleženih podataka za obučavanje bez bilo kakvih eksplicitnih smernica od ljudskih dizajnera.
Kao što BBC njuz objašnjava u ovom vizuelnom vodiču za vještačku inteligenciju, možete da naučite vještačku inteligenciju da prepoznaje automobile pokazujući joj set podataka sa slikama obilježenim sa „automobil”.
Ali kad to radite bez nadzora, dozvoljavate joj da stekne vlastiti uvid u to šta je automobil, gradeći veze i asocijacije sama.
Ovaj pristup bez kontrole, možda kontraintuitivno, dovodi do takozvanog „dubokog učenja” i potencijalno obavještenije i tačnije vještačke inteligencije.
Kloniranje glasova (Voice cloning)
Kad dobiju samo minut snimka govora neke osobe, neke alatke vještačke inteligencije danas mogu brzo da sastave „klonirani glas” koji zvuči zapanjujuće autentično.
Ovde je BBC istraživao uticaj koji kloniranje glasova može da ima na društvo – počev od prevara pa sve do američkih predsjedničkih izbora 2024. godine.
Slaba vještačka inteligencija (Weak AI)
Nekada su istraživači stvarali vještačku inteligenciju koja je mogla da igra pojedinačne partije neke igre, poput šaha, obučavajući je preko konkretnih pravila i heuristike.
Primjer bi bio IBM-ov Dip Blu, takozvani „ekspertski sistem”.
Mnoge vještačke inteligencije poput ove mogu da budu izuzetno dobre u jednom zadatku, ali loše u svemu ostalom: to je tzv. „slaba” vještačka inteligencija.
Međutim, to se sada ubrzano mijenja.
Najskorije, objavljene su vještačke inteligencije poput DipMajndovog MuZira, sa sposobnošću da uči samu sebe da ovlada šahom, Goom, šogijem i igrama Atarija 42 bez poznavanja njihovih pravila.
Jedan drugi DipMajndov model, nazvan Gato, može da „igra Atari igre, ispisuje potpise fotografija, četuje, slaže kockice sa pravom robotskom rukom i mnogo toga još”.
Istraživači su pokazali i da ČetGPT može da polaže različite ispite koje polažu studenti prava, medicine i poslovnih škola (mada ne uvijek sa najboljim ocjenama.)
Takva fleksibilnost postavlja pitanje koliko smo blizu onoj vrsti „jake” vještačke inteligencije koja je neraspoznatljiva od mogućnosti ljudskog uma.
Iks-rizik (X-risk)
Da li vještačka inteligencija može da istrijebi čovječanstvo?
Neki istraživači i tehnolozi vjeruju da je veštačka inteligencija postala „egzistencijalni rizik”, pored nuklearnog oružja i bioloških patogena, tako da bi njen dalji razvoj morao da bude regulisan, ograničen ili čak obustavljen.
Ono što je bila marginalna briga prije jedne decenije, sada je ušlo u glavni tok, nakon što su razni viši istraživači i intelektualci ušli u ovaj boj.
Važno je napomenuti da postoje razlike u mišljenju u okviru ove amorfne grupe – nisu svi potpuni katastrofičari, niti su svi izvan grupe navijači Silicijumske doline.
Ono što ujedinjuje većinu njih je ideja da, čak i ako postoji minimalna šansa da vještačka inteligencija istisne našu vrstu, moramo da posvetimo više resursa da to spriječimo.
Postoje neki istraživači i etičari, međutim, koji vjeruju da su takve tvrdnje suviše neizvjesne i vjerovatno pretjerane, a svrha im je učvršćivanje interesa tehnoloških kompanija.
Samo jednom se gleda (YOLO)
JOLO – skraćenica za Samo jednom se gleda – algoritam je detekcije objekta koji naširoko koriste alati za prepoznavanje slika vještačke inteligencije zbog brzine kojom radi.
(Njen tvorac, Džozef Redman sa Univerziteta u Vašingtonu, poznat je i po svom prilično ezoteričnom dizajnu CV-ja.)
Nula pokušaja (Zero-shot)
Kad vještačka inteligencija da „odgovor nula pokušaja”, to znači da reaguje na koncept ili objekt sa kojim se nije srela nikada prije.
Dakle, kao najprostiji primer, ako je vještačka inteligencija pravljena da prepoznaje slike životinja obučavana na slikama mačaka i pasa, pretpostavili biste da će imati problema sa konjima i slonovima.
Ali preko učenja sa nula pokušaja, ona može da iskoristi ono što zna o konjima semantički – kao što je broj nogu ili nedostatak krila – da bi uporedila njihove atribute sa životinjama na kojima jeste obučavana.
Grubi ljudski ekvivalent bio bi „informisana pretpostavka”.
Vještačke inteligencije postaju sve bolje i bolje u učenju na osnovu nula pokušaja, ali kao i kod bilo kog drugog izvlačenja zaključaka napamet, umiju da pogrijše.
IZVOR: BBC