Η Ερχόμενη «Εξέλιξη» του AI

Σήμερα, βρίσκοντας ourselves στο χείλος μιας τεχνολογικής ρήγματος, παρατηρούμε το ταξίδι από τα LLMs στα agents και τελικά στο agentic AI και AGI, και δεν είναι μόνο για μεγαλύτερα μοντέλα ή ταχύτερες απαντήσεις. Είναι επίσης για τις μηχανές που κινούνται από παθητικά βοηθά đến ενεργά συνεργάτες, και vielleicht, μια μέρα, ανεξάρτητους σκεπτόμενους.

Ας ακολουθήσουμε αυτό το μονοπάτι και εξερευνήσουμε τι σημαίνει αυτό για την εργασία, την εξειδίκευση και τον ρόλο των ανθρώπων στη διαμόρφωση της νοημοσύνης του αύριο.

Η διαφορά μεταξύ LLMs, agent-based συστημάτων και agentic AI

Για να κατανοήσουμε καλύτερα τη διαφορά, υπάρχει ένα παράδειγμα. Αν σας ρωτήσω ένα LLM κάτι σαν: «Θέλω να ταξιδέψω από το Σικάγο στο Όστιν, να οδηγήσω όχι περισσότερο από τέσσερις ώρες την ημέρα και να σταματήσω σε γραφικά μέρη», ένα κανονικό LLM θα επιστρέψει μια στατική απάντηση σε μορφή κειμένου βασισμένη στη γενετική γλώσσα. Πιθανότατα θα απαντήσει μόνο στο αίτημα χωρίς να thựcείσει μια tỉκα ανάλυση.

Ένας agent θα ταξινομήσει πρώτα το αίτημα ως σχετικό με τα ταξίδια. Στη συνέχεια, θα καθορίσει ποια δεδομένα χρειάζονται: διαδρομές χρησιμοποιώντας υπηρεσίες χαρτογράφησης, καιρικές συνθήκες, κόστος καυσίμων, ξενοδοχεία, εστιατόρια, κ.λπ. Μετά από αυτό, ο agent θα σπάσει το αίτημα σε υπο-εργασίες και θα τις στείλει σε εξειδικευμένα μοντέλα ή LLMs εκπαιδευμένα στα σχετικά δεδομένα. Αυτό είναι η ορχήστρα και η συντονισμός πολλών μοντέλων και εργαλείων υπό μια ενοποιημένη λογική.

Σήμερα, τα περισσότερα μεγάλα συστήματα όπως το ChatGPT ή το Claude από την Anthropic είναι ουσιαστικά ήδη agents. Αν και μπορεί να φαίνεται στον χρήστη ότι αλληλεπιδρούν με ένα μοντέλο, πίσω από τις σκηνές υπάρχει μια σύνθετη αρχιτεκτονική που εμπλέκει πολλά μοντέλα και συστήματα. Μπορούν ήδη να χειριστούν σύνθετα ερωτήματα, αλλά οι ικανότητές τους είναι κυρίως περιορισμένες στην παροχή πληροφοριών· δεν thựcείουν ακόμη δράσεις.

Ένας πλήρως αυτόνομος agent είναι ένα σύστημα που συλλέγει πληροφορίες και μπορεί, για παράδειγμα, να κλείσει ένα ξενοδοχείο, να αγοράσει ένα εισιτήριο ή να ξεκινήσει μια πληρωμή, εφόσον έχει πρόσβαση στα σχετικά API ή δεδομένα χρήστη. Τέτοιες agents βρίσκονται ακόμη στις πρώτες φάσεις ανάπτυξης. Σε αυτό το σημείο, είναι περισσότερο σαν ημι-πράκτορες, ικανοί να επεξεργάζονται πληροφορίες αλλά όχι ακόμη να thựcείουν αυτόνομες δράσεις.

Ένα ενδιαφέρον πεδίο συζήτησης στην ερευνητική κοινότητα είναι η agentic AI. Αντιθέτως με έναν κανονικό agent, του οποίου η συμπεριφορά προγραμματίζεται από τους développers, η agentic AI είναι ένα σύστημα που αποφασίζει ανεξάρτητα ποια εργασίες να thựcεί, ποια δεδομένα χρειάζεται και ακόμη και πώς να συνεχίσει την δική του εκπαίδευση. Αυτό ξεπερνά την εκτέλεση εντολών· εμπλέκει την λήψη αυτόνομων αποφάσεων. Ωστόσο, η agentic AI παραμένει θεωρητική σε αυτό το στάδιο· δεν υπάρχουν τέτοια συστήματα στην πράξη ακόμη.

AGI – το νέο ορίζοντα. Αλλά είναι εφικτό;

Η Meta έχει επενδύσει στην Scale AI πριν από τρεις μήνες. Το στόχος ήταν να ενωθούν οι δυνάμεις τους στον δρόμο για την κατασκευή του AGI, του Artificial General Intelligence, ικανού να thựcεί οποιαδήποτε εργασία σε επίπεδο ανθρώπινης νοημοσύνης ή ακόμη και να την ξεπεράσει. Αν η σημερινή AI είναι μια τεχνολογική επανάσταση, το AGI θα είναι μια αληθινή mega-επανάσταση· μερικές φορές το ονομάζω «εξέλιξη», που σημαίνει την «έξοδο» της AI από τις σκιές. Όποιος το επιτύχει πρώτος θα κερδίσει einen παγκόσμιο στρατηγικό πλεονέκτημα.

Όσον αφορά το πόσο κοντά είμαστε στο πραγματικό AGI, αυτό εξαρτάται σε μεγάλο βαθμό από το πώς το ορίζουμε. Συμφωνώ πλήρως με την άποψη του Ilya Sutskever· το AGI είναι ένα σύστημα ικανό να thựcεί οποιαδήποτε πνευματική εργασία που μπορεί ένας άνθρωπος. Όχι μόνο να απαντά σε ερωτήσεις, αλλά να συλλογίζεται, να λαμβάνει αποφάσεις, να γενικεύει και να ερμηνεύει σε διάφορους τομείς. Το αληθινό AGI είναι καθολικό και δεν περιορίζεται σε στενά όρια εργασιών.

Κανένα από τα τρέχοντα μοντέλα δεν έχει φτάσει σε αυτό το επίπεδο. Κινηθούμε προς αυτή τη κατεύθυνση, αλλά το αληθινό AGI, σε θεωρητικό sentido, δεν υπάρχει ακόμη. Και vielleicht αυτό είναι το καλύτερο. Βρισκόμαστε ακόμη σε μια φάση προσέγγισης, και είναι πιθανό να παραμείνουμε εκεί για khá πολύ καιρό.

Η βάση του AGI θα είναι πιθανότατα ένα agent-based σύστημα. Δεν θα βασίζεται απαραίτητα σε ένα μόνο LLM, γιατί όπως δεν υπάρχει κανένας άνθρωπος, όσο έξυπνος κι αν είναι, που μπορεί να εξειδικευτεί σε όλα τα πεδία της γνώσης και των ικανοτήτων, δεν υπάρχει κανένα LLM που μπορεί να χειριστεί το πλήρες φάσμα των εργασιών του AGI από μόνο του. Τι χρειαζόμαστε είναι ένα είδος «συλλογικής νοημοσύνης»· μια αρχιτεκτονική ικανή να συντονίζει πολλά μοντέλα και συστατικά.

Το AGI είναι πιθανό να εμφανιστεί όχι απλώς ως ένα ανθρώπινο-σχεδιασμένο agent, αλλά ως ένα meta-agent. Θα είναι ένα σύστημα που αναπτύσσεται μερικώς και εξελίσσεται με τη βοήθεια της AI. Αυτό είναι σημαντικό γιατί τα συστήματα που σχεδιάζονται εξ ολοκλήρου από ανθρώπους μπορεί να φέρουν εγγενείς περιορισμούς. Η συμμετοχή της AI στη διαδικασία σχεδιασμού μπορεί να βοηθήσει να υπερβεί αυτούς τους περιορισμούς και να κάνει το σύστημα πιο προσαρμοστικό.

Το AGI πιθανότατα δεν θα έρθει από κάποια συγκεκριμένη επέκταση. Όχι ιδιαίτερα μεγαλύτερα LLMs, έξυπνα agents ή εντελώς νέες αρχιτεκτονικές, αλλά από μια σύνθεση όλων αυτών. Πιθανότατα, κάτι θεμελιωδώς νέο που ξεπερνά τις κατηγορίες που χρησιμοποιούμε σήμερα.

«Η Τελευταία Εξέταση της Ανθρωπότητας» και άλλα AGI benchmarks

«Η Τελευταία Εξέταση της Ανθρωπότητας» (HLE) είναι ένα από τα πιο φιλόδοξα benchmarks που συζητούνται στο контέκστ των LLMs, Agents και AGI. Ουσιαστικά, είναι ένα τεστ που αποτελείται από περίπου 2.500 ερωτήσεις που καλύπτουν ένα ευρύ φάσμα ακαδημαϊκών disciplinών – μαθηματικά, φυσική, βιολογία, χημεία, μηχανική, επιστήμη υπολογιστών και ακόμη και σκάκι. Η ιδέα είναι να αξιολογήσουμε αν ένα σύστημα AI μπορεί να λύσει προβλήματα σε επίπεδο που αντανακλά αληθινή ανθρώπινη κατανόηση.

Τα τρέχοντα μοντέλα γλώσσας εκτελούν πολύ κακώς στο HLE, συχνά σκοράροντας λιγότερο από 5% ακρίβεια. Αυτό είναι σε diametrical αντίθεση με άλλα benchmarks όπως MMLU ή GPQA, όπου τα μοντέλα επιτύγχαναν σημαντικά υψηλότερα σκορ. Η δυσκολία που έχουν τα μοντέλα με το HLE υπογραμμίζει πόσο μακριά είναι ακόμη από την αληθινή γενική νοημοσύνη.

Είναι σημαντικό να σημειωθεί ότι η υψηλή απόδοση σε benchmarks με γνωστά ή στενά δεδομένα δεν σημαίνει απαραίτητα την παρουσία αληθινής γενικής νοημοσύνης. Ένα μοντέλο μπορεί να είναι fine-tuned ή «εκπαιδευμένο στο τεστ», το οποίο μπορεί να φουσκώσει τις φαινομενικές ικανότητές του. Έτσι, ακόμη και ένα τέλειο σκορ στο HLE δεν θα σήμαινε ότι έχουμε φτάσει στο AGI· θα σήμαινε μόνο ότι έχουμε περάσει ένα συγκεκριμένο τεστ.

Τι κινεί το AGI

Συμφωνώ πλήρως ότι οι πυλώνες του AGI είναι τα δεδομένα, η υπολογιστική ισχύς και το ταλέντο. Η κατάσταση με την υπολογιστική ισχύ είναι σαφής. Κύριοι παίκτες όπως η Meta προσπάθησαν να παράγουν τους δικούς τους chips, επενδύοντας δισεκατομμύρια στη διαδικασία ανάπτυξης chip. Αλλά οι εταιρείες εξακολουθούν να βασίζονται σε άλλους chips και υπολογιστική ισχύ άλλων παικτών όπως η Nvidia, η οποία όχι μόνο προμηθεύει την απαραίτητη υλική υποδομή αλλά και κατανοεί τη σημασία της αύξησης της παραγωγής.

Περισσότερα ερωτήματα υπάρχουν για τα δεδομένα και τα ταλέντα. Το διαδίκτυο έχει εξαντληθεί — δεν υπάρχει κανένα κομμάτι ανθρώπινου κειμένου από ανοιχτές πηγές που δεν χρησιμοποιήθηκε για εκπαίδευση αυτή τη στιγμή. Ο συνολικός όγκος πληροφοριών που έχει παραγάγει η ανθρωπότητα μέχρι τώρα αποδεικνύεται ότι είναι आश्चρηστά μικρός. Για αυτό, οι εταιρείες αρχίζουν να συνεργάζονται ενεργά με εκείνους που μπορούν να παράγουν υψηλής ποιότητας ανθρώπινα δεδομένα.

Πλήρης αυτοματοποίηση ή ανθρώπινο-στο-βρόχο;

Ένα άλλο σημείο – η μείωση της ζήτησης για χειροκίνητη σήμανση δεδομένων. Λίγα χρόνια πριν, η βιομηχανία ήταν σε πλήρη ταχύτητα. Χιλιάδες annotators είχαν προσληφθεί για να τροφοδοτήσουν την πείνα των πιπελινών AI. Σήμερα, μεγάλο μέρος αυτής της ορμής έχει μετατοπιστεί προς την αυτοματοποίηση. Τα μοντέλα έχουν ωριμάσει, και έτσι και τα εργαλεία γύρω από αυτά.

Πάρτε την αναγνώριση προσώπου. Ήταν ένα από τα κύρια οδηγούμενα της όγκου σήμανσης εικόνων. Αλλά η κατηγορία είναι σε μεγάλο βαθμό λυμένη τώρα. Μοντέλα όπως το YOLO, SAM και Samurai απορροφούν γρήγορα την καθημερινή εργασία. Αυτά τα συστήματα συμπιέζουν εβδομάδες χειροκίνητης εργασίας σε λεπτά, συχνά με εκπληκτική ακρίβεια. Επίσης, υλοποιήσαμε πολλά εργαλεία ML-βοηθούμενα στη δική μας πλατφόρμα Keylabs. Αυτό πραγματικά βοηθά να μειώσει την καθημερινή ροή εργασίας.

Αλλά όλα αυτά τα μοντέλα είναι περιορισμένα από την γενίκευσή τους και είναι κατάλληλα για την αυτοματοποίηση τυποποιημένων και ομοιόμορφων λειτουργιών. Συμπλέγματα ή μοναδικά περιπτώσεις vẫn απαιτούν ανθρώπινη προσοχή.

Κινηθούμε μακριά από το παλιό парадίγμα όπου ένας annotator ήταν απλώς ένας προσεκτικός άνθρωπος που μπορούσε να αναγνωρίσει ένα αντικείμενο ή συναισθήμα. Στη νέα πραγματικότητα, χρειάζονται επαγγελματίες· γιατροί για να σημάνουν ιατρικές εικόνες, προγραμματιστές για να κωδικοποιήσουν, αρχιτέκτονες για να δημιουργήσουν蓝prints, marketeers για πελάτες-εισichten και στρατιωτικοί εμπειρογνώμονες για αμυντικά σενάρια.

Βλέπουμε ήδη πραγματικές περιπτώσεις, όπως πιλότοι μαχητικών που σημάνουν δεδομένα για AI και κερδίζουν 1.000 δολάρια την ώρα για την εξειδίκευσή τους. Διότι τέτοιοι ειδικοί είναι σπάνιοι, και η γνώση τους είναι κρίσιμη για την εκπαίδευση υψηλής απόδοσης AI.

Ο κόσμος αλλάζει· όλο και περισσότεροι άνθρωποι γίνονται операторы και «εκπαιδευτές» της τεχνητής νοημοσύνης. Μόλις χθες, έλαβα ένα μήνυμα στο LinkedIn να ελέγξω ένα σύνολο δεδομένων για μια εφαρμογή AI σχεδιασμένη για CEOs. Στο μέλλον, οποιοσδήποτε από εμάς μπορεί να λάβει μια προσφορά να εργαστεί ως annotator, όχι απλώς κάποιος που πατάει κουμπιά, αλλά ένας εμπειρογνώμονας της οποίας η γνώση διαμορφώνει την νοημοσύνη του αύριο.

Ηδη ζούμε σε αυτή τη νέα πραγματικότητα, έναν κόσμο σήμανσης δεδομένων και εκπαίδευσης AI. Όσοι αναγνωρίζουν και προσαρμόζονται θα κερδίσουν einen σημαντικό πλεονέκτημα.