Tuleva “evoluutio” tekoälyssä

Tänään, ollessamme teknologisen murtumalinjan reunalla, havainnoimme matkaa LLM:stä agenteihin ja lopulta agenteista tekoälyyn ja AGI:hin, eikä se ole vain suurempia malleja tai nopeampia vastauksia. Se on myös koneiden siirtymistä passiivisista avustajista aktiivisiksi yhteistyökumppaneiksi ja ehkäpä jonain päivänä itsenäisiksi ajattelijoiksi.

Jäljitetään tämä polku ja tutkitaan, mitä se merkitsee työlle, asiantuntemukselle ja ihmisen roolille tulevaisuuden älymystön muokkaamisessa.

LLMien, agenttipohjaisten järjestelmien ja agenteisen tekoälyn välinen ero

Jotta voisimme ymmärtää eroa paremmin, esitetään tässä esimerkki. Jos kysyn LLM:ltä jotain tällaista: “Haluan matkustaa Chicagosta Austinin kautta, ajaa enintään neljä tuntia päivässä ja pysähtyä maisemapaikoissa”, säännöllinen LLM vastaa staattisella tekstivastauksella, joka perustuu kielen generointiin. Se vastaa todennäköisesti vain pyynnölle ilman perusteellista analyysiä.

Agentti luokittelisi pyynnön matkailuun liittyväksi. Sitten se määrittäisi, mitä tietoja tarvitaan: reitit karttapalvelujen avulla, säätila, polttoainekustannukset, hotellit, ravintolat jne. Sen jälkeen agentti jakaisi pyynnön alitehtäviin ja ohjaisi ne erikoistuneille malleille tai LLM:ille, jotka on koulutettu asiaankuuluvilla lähteillä. Tämä on orkestraatio ja useiden mallien ja työkalujen koordinointi yhdenmukaisen logiikan alla.

Tänään useimmat suuret järjestelmät, kuten ChatGPT tai Anthropicin Claude, ovat käytännössä jo agenteja. Vaikka käyttäjälle näyttäisi siltä, että he ovat vuorovaikutuksessa yhden mallin kanssa, taustalla on monimutkainen arkkitehtuuri, joka käsittää useita malleja ja järjestelmiä. Ne voivat käsitellä monimutkaisia kysymyksiä, mutta heidän kykynsä rajoittuu pääasiassa tietojen tarjoamiseen; he eivät tee toimintoja vielä.

Täysin autonominen agentti on järjestelmä, joka kerää tietoja ja voi esimerkiksi itsenäisesti varata hotellihuoneen, ostaa lipun tai aloittaa maksamisen, jos sillä on pääsy asiaankuuluvien API:iden tai käyttäjätietojen avulla. Tällaisia agenteja kehitetään parhaillaan varhaisessa kehitysvaiheessa. Tällä hetkellä ne ovat enemmän kuin puoliautonominen agenteja, jotka voivat käsitellä tietoja mutta eivät vielä tee itsenäisiä toimintoja.

Mielenkiintoinen keskustelun aihe tutkimusyhteisössä on agenteinen tekoäly. Toisin kuin tavallinen agentti, jonka käyttäytyminen on ohjelmoitu kehittäjien toimesta, agenteinen tekoäly on järjestelmä, joka päättää itsenäisesti, mitä tehtäviä se suorittaa, mitä tietoja se tarvitsee ja jopa, miten se jatkaa omaa koulutustaan. Tämä ylittää ohjeiden noudattamisen; se vaatii itsenäisiä päätöksiä. Agenteinen tekoäly on kuitenkin teoreettinen tällä hetkellä; tällaisia järjestelmiä ei ole vielä käytännössä.

AGI – uusi horisontti. Onko se saavutettavissa?

Meta on investoinut Scale AI:hin kolme kuukautta sitten. Tavoitteena oli liittoutua AGI:n, tekoälyn yleisen älymystön, rakentamisessa, joka pystyy suorittamaan mitä tahansa tehtävää ihmisen tasolla tai jopa ylittämään sen. Jos nykyinen tekoäly on teknologinen vallankumous, AGI on todellinen megavallankumous; joskus kutsun sitä “evoluutioksi”, mikä tarkoittaa “tekoälyn siirtymistä varjoista”. Se, joka saavuttaa sen ensin, saa maailmanlaajuisen strategisen edun.

Siitä, kuinka lähellä olemme todellista AGI:ä, riippuu paljon siitä, miten määrittelemme sen. Olen samaa mieltä Ilya Sutskeverin kanssa: AGI on järjestelmä, joka pystyy suorittamaan mitä tahansa älyllistä tehtävää, jonka ihminen voi. Ei vain vastata kysymyksiin, vaan myös päättää, tehdä yleistyksiä ja tulkita asioita eri aloilla. Todellinen AGI on universaali eikä rajoitu kapeisiin tehtävänrajoituksiin.

Kukaan nykyisistä malleista ei ole saavuttanut tätä tasoa. Liikumme siihen suuntaan, mutta todellinen AGI, teoreettisessa mielessä, ei vielä ole olemassa. Ja ehkä se on parasta. Olemme yhä approksimaation vaiheessa, ja todennäköisesti pysymme siinä vielä pitkään.

AGI:n perusta tulee todennäköisesti olemaan agenttipohjainen järjestelmä. Se ei välttämättä riipu yhdestä LLM:stä, koska kuten ei yksikään ihminen, olkoon kuinka nerokas, voi hallita kaikkia tietojen ja taitojen aloja, ei myöskään yksikään LLM voi käsitellä koko AGI-tehtävien spektriä yksin. Mitä tarvitsemme, on “kollektiivinen äly”: arkkitehtuuri, joka pystyy koordinoimaan useita malleja ja komponentteja.

AGI todennäköisesti tulee kehittymään ei pelkästään ihmisten suunnittelemaksi agentiksi, vaan meta-agentiksi. Se tulee olemaan järjestelmä, joka on osittain kehitetty ja kehittyy itse tekoälyn avulla. Tämä on tärkeää, koska ihmisten suunnittelemat järjestelmät voivat kantaa sisäänrakennettuja rajoituksia. Tekoälyn osallistaminen suunnitteluprosessiin voi auttaa ylittämään nämä rajoitukset ja tehdä järjestelmästä sopeutuvamman.

AGI:ä ei todennäköisesti tule yhdestä tietystä läpimurrosta. Ei erityisesti suuremmista LLM:istä, älymmistä agenteista tai täysin uusista arkkitehtuureista, vaan ennemminkin näiden kaikkien yhdistelmästä. Todennäköisesti jostakin täysin uudesta, joka ylittää kategoriat, joita käytämme tällä hetkellä.

“Ihmiskunnan viimeinen tentti” ja muut AGI-benchmarkit

“Ihmiskunnan viimeinen tentti” (HLE) on yksi kunnianhimoisimmista benchmarkkeista, jotka parhaillaan keskustellaan LLM:ien, agenttien ja AGI:n yhteydessä. Se on periaatteessa testi, joka koostuu noin 2 500 kysymyksestä, jotka kattavat laajan valikoiman akateemisia aloja – matematiikkaa, fysiikkaa, biologiaa, kemiaa, insinööritieteitä, tietojenkäsittelytiedettä ja jopa shakkia. Ideana on arvioida, pystyykö tekoälyjärjestelmä ratkaisemaan ongelmia tasolla, joka heijastaa aidosti inhimillistä ymmärrystä.

Nykyiset kielen mallit suoriutuvat erittäin huonosti HLE:stä, usein saavuttaen alle 5 prosentin tarkin. Tämä on vastakohtana muihin benchmarkkeihin, kuten MMLU:hen tai GPQA:han, joissa mallit saavuttavat huomattavasti korkeampia pisteytyksiä. Mallien vaikeudet HLE:hen korostavat, kuinka kaukana ne ovat edelleen todellisesta yleisestä älymystystä.

On tärkeää muistaa, että korkea suorituskyky benchmarkkeissa, joissa on tunnettuja tai kapeita tietoja, ei välttämättä osoita oikean yleisen älymystyn läsnäoloa. Malli voidaan hienosäätää tai “kouluttaa testiin”, mikä voi paisuttaa sen näennäisiä kykyjä. Joten vaikka täydellinen pisteytys HLE:stä ei merkitse, että olemme saavuttaneet AGI:n; se merkitsee vain, että olemme läpäisseet yhden tietyn testin.

Mikä liikuttaa AGI:ä

Olen täysin samaa mieltä siitä, että AGI:n peruspilareita ovat data, laskenta ja kyvyt. Tilanne laskennassa on selvä. Avainpelaajat, kuten Meta, ovat yrittäneet tuottaa omia piirejä ja investoineet miljardeja omiin piirien kehitysprosessiin. Mutta yritykset riippuvat edelleen muiden piirien ja muiden pelaajien, kuten Nvidian, laskentatehosta, jotka eivät ainoastaan toimittaa tarvittavaa laitteistoa vaan myös ymmärtävät skaalautuvuuden kasvavan tuotannon merkitystä.

Lisää kysymyksiä liittyy dataan ja taitoihin. Internet on loppunut – ei ole enää yhtään inhimillisen tekemää tekstiä avoimista lähteistä, jota ei olisi käytetty koulutuksessa. Kaiken tietämyksen, jonka ihmiset ovat tuottaneet tähän asti, määrä osoittautuu yllättävän pieneksi. Siksi yritykset alkavat aktiivisesti yhteistyöhön niiden kanssa, jotka voivat tuottaa laadukkaita inhimillisiä tietoja.

Täysi automaatio vai ihmisten osallistuminen?

Toinen pointti – manuaalisen datamerkinnän kysynnän lasku. Muutama vuosi sitten teollisuus laajeni täydellä teholla. Tuuhannet annotaattoreita otettiin käyttöön ruokkimaan tekoälyputkien nälkää. Nykyään suurin osa tästä liikkeestä on siirtynyt automaatioon. Mallit ovat kypsiä, ja työkalut niiden ympärillä ovat kehittyneet.

Otetaan esimerkki kasvojen tunnistamisesta. Se oli aikaisemmin yksi pääasiallisista syistä kuvien annotoinnin tilauksille. Mutta tämä kategoria on jo suurelta osin ratkaistu. Mallit, kuten YOLO, SAM ja Samurai, imevät nopeasti jokapäiväisen työn. Nämä järjestelmät pakkaavat viikkojen manuaalisen työn muutamaksi minuutiksi, usein hämmästyttävällä tarkkuudella. Olemme myös toteuttaneet useita ML-tukea työkaluja omassa Keylabs-alustassamme Keylabs. Se todella auttaa leikkaamaan jokapäiväisen työnkulun.

Ne kaikki mallit ovat kuitenkin rajoittuneita yleistettävyydellään ja soveltuvat ainoastaan automatisoimaan standardin ja yhdenmukaisen toiminnan. Monimutkaiset tai yksilölliset tapaukset edellyttävät edelleen inhimillistä huomiota.

Siirrymme vanhasta paradigman jäljiltä, jossa annotaattori oli yksinkertaisesti yksityiskohtainen henkilö, joka pystyi tunnistamaan esineen tai tunteen. Uudessa todellisuudessa tarvitaan ammattilaisia: lääkäreitä annotoimaan lääketieteellisiä kuvia, ohjelmoijia koodaamaan, arkkitehteja luomaan piirustuksia, markkinoijia asiakastietämykseen ja sotilasasiantuntijoita puolustusskenaarioihin.

Jo nyt näemme todellisia tapauksia, kuten hävittäjälentäjiä, jotka annotoivat tietoja tekoälylle ja ansaitsevat 1 000 dollaria tunnilta asiantuntemuksestaan. Koska tällaiset asiantuntijat ovat harvinaisia, ja heidän tietämys on kriittistä korkean suorituskyvyn tekoälyn kouluttamiseksi.

Maailma muuttuu: yhä useammat ihmiset tulevat toimimaan tekoälyn operoinneissa ja “kouluttajina”. Juuri eilen sain LinkedIn-viestin, jossa pyydettiin tarkistamaan tietojoukko tekoälysovellukselle, joka on suunnattu toimitusjohtajille. Tulevaisuudessa kuka tahansa meistä saattaa saada tarjouksen työskennellä annotoijana, ei pelkästään painikkeita painavana, vaan asiantuntijana, jonka tietämys muokkaa huomisen älymystön älykkyyttä.

Jo elämme tässä uudessa todellisuudessa, maailmassa, jossa data-merkintä ja tekoälyn koulutus ovat arkipäivää. Ne, jotka tunnustavat sen ja sopeutuvat, saavat merkittävän edun.