Nadchodząca „ewolucja” sztucznej inteligencji

Dziś, znajdując się na granicy przełomowego momentu technologicznego, obserwujemy podróż od modeli językowych (LLM) do agentów, a ostatecznie do sztucznej inteligencji agentywnej (agentic AI) i ogólnej inteligencji sztucznej (AGI), i nie chodzi tu tylko o większe modele czy szybsze odpowiedzi. Chodzi również o to, że maszyny przechodzą od bycia biernymi asystentami do aktywnych współpracowników, a może nawet, pewnego dnia, niezależnymi myślicielami.

Prześledźmy tę ścieżkę i zbadajmy, co to oznacza dla pracy, ekspertyzy i samej roli ludzi w kształtowaniu inteligencji jutra.

Różnica między LLM, systemami opartymi na agentach i sztuczną inteligencją agentywną

Aby lepiej zrozumieć tę różnicę, oto przykład. Jeśli zapytam model językowy o coś takiego: „Chcę podróżować z Chicago do Austin, nie jeździć więcej niż cztery godziny dziennie i zatrzymywać się w malowniczych miejscach”, zwykły model językowy zwróci statyczną odpowiedź w formacie tekstu, opartą na generowaniu języka. Najprawdopodobniej po prostu odpowie na żądanie, nie wykonując dogłębnej analizy.

Agent najpierw sklasyfikuje żądanie jako związane z podróżami. Następnie określi, jakie dane są potrzebne: trasy za pomocą usług mapowych, informacje o pogodzie, koszty paliwa, hotele, restauracje itp. Po tym agent podzieli żądanie na podzadania i przekaże je do wyspecjalizowanych modułów lub modeli językowych przeszkolonych na odpowiednich źródłach. To jest orchestracja i koordynacja wielu modeli i narzędzi pod wspólną logiką.

Dziś większość głównych systemów, takich jak ChatGPT lub Claude z Anthropic, są w zasadzie już agentami. Chociaż może się wydawać użytkownikowi, że wchodzi w interakcję z pojedynczym modelem, w tle jest złożona architektura obejmująca wiele modeli i systemów. Mogą one już obsługiwać złożone zapytania, ale ich możliwości są w większości ograniczone do udzielania informacji; jeszcze nie podejmują działań.

W pełni autonomiczny agent to system, który gromadzi informacje i może, na przykład, niezależnie zarezerwować hotel, kupić bilet lub zainicjować płatność, pod warunkiem, że ma dostęp do odpowiednich interfejsów API lub danych użytkownika. Tacy agenci są obecnie w wczesnych stadiach rozwoju. Na tym etapie są bardziej jak pół-agenci, zdolni do przetwarzania informacji, ale jeszcze nie wykonujący autonomicznych działań.

Interesującą dziedziną dyskusji w środowisku badawczym jest sztuczna inteligencja agentywna. W przeciwieństwie do zwykłego agenta, którego zachowanie jest skryptowane przez deweloperów, sztuczna inteligencja agentywna to system, który niezależnie decyduje, jakie zadania wykonać, jakie dane potrzebuje i nawet jak kontynuować własne szkolenie. To wykracza poza wykonywanie instrukcji; obejmuje podejmowanie autonomicznych decyzji. Jednak sztuczna inteligencja agentywna pozostaje teoretyczna na tym etapie; nie istnieją jeszcze takie systemy w praktyce.

AGI – nowy horyzont. Czy jest osiągalny?

Meta zainwestowała w Scale AI trzy miesiące temu. Celem było połączenie sił na drodze do budowy AGI, ogólnej inteligencji sztucznej, zdolnej do wykonywania każdego zadania na poziomie ludzkim lub nawet przewyższającej go. Jeśli dzisiejsza sztuczna inteligencja to rewolucja technologiczna, AGI będzie prawdziwą megarewolucją; czasem nazywam to „ewolucją”, co oznacza „exodus” sztucznej inteligencji z cienia. Kto pierwszy ją osiągnie, zyska globalną strategiczną przewagę.

Jeśli chodzi o to, jak blisko jesteśmy do rzeczywistej AGI, to zależy to od tego, jak ją definiujemy. Zgadzam się z punktem widzenia Ilii Sutskevera: AGI to system zdolny do wykonywania każdego intelektualnego zadania, które może wykonać człowiek. Nie tylko odpowiedzi na pytania, ale także rozumowanie, podejmowanie decyzji, uogólnianie i interpretacja w różnych dziedzinach. Prawdziwa AGI jest uniwersalna i nie ograniczona do wąskich granic zadań.

Żaden z obecnych modeli nie osiągnął jeszcze tego poziomu. Poruszamy się w tym kierunku, ale prawdziwa AGI, w teoretycznym sensie, wciąż nie istnieje. I może to jest najlepiej. Nadal jesteśmy w fazie aproksymacji, i prawdopodobnie pozostaniemy tam przez dość długi czas.

Podstawą AGI będzie prawdopodobnie system oparty na agentach. Niekoniecznie będzie opierał się na jednym modelu językowym, ponieważ tak jak żaden człowiek, niezależnie od tego, jak bystry, nie może opanować wszystkich dziedzin wiedzy i umiejętności, żaden model językowy nie może samodzielnie obsłużyć pełnego spektrum zadań AGI. Co nam potrzebne, to rodzaj „zbiorowej inteligencji”: architektura zdolna do koordynowania wielu modeli i komponentów.

AGI prawdopodobnie wyłoni się nie tylko jako system zaprojektowany przez człowieka, ale jako meta-agent. Będzie to system, który jest częściowo rozwijany i ewoluuje z pomocą samej sztucznej inteligencji. To jest ważne, ponieważ systemy zaprojektowane wyłącznie przez ludzi mogą nieść ze sobą wewnętrzne ograniczenia. Włączenie sztucznej inteligencji do procesu projektowania może pomóc w przezwyciężeniu tych ograniczeń i uczynić system bardziej adaptacyjnym.

AGI prawdopodobnie nie przyjdzie z żadnego konkretnego przełomu. Nie tylko większe modele językowe, mądrzejsi agenci czy całkowicie nowe architektury, ale raczej z syntezy wszystkich trzech. Najprawdopodobniej coś fundamentalnie nowego, co wykracza poza kategorie, których obecnie używamy.

„Ostatni egzamin ludzkości” i inne benchmarki AGI

„Ostatni egzamin ludzkości” (HLE) to jeden z bardziej ambitnych benchmarków obecnie dyskutowanych w kontekście modeli językowych, agentów i AGI. Podstawowo jest to test składający się z około 2 500 pytań, obejmujących szeroki zakres dyscyplin akademickich – matematyki, fizyki, biologii, chemii, inżynierii, informatyki i nawet szachów. Pomysł polega na ocenieniu, czy system sztucznej inteligencji może rozwiązywać problemy na poziomie, który odzwierciedla prawdziwe zrozumienie ludzkie.

Obecne modele językowe radzą sobie bardzo słabo w HLE, często uzyskując mniej niż 5% dokładności. To jest w wyraźnym kontraście do innych benchmarków, takich jak MMLU lub GPQA, gdzie modele osiągają znacznie wyższe wyniki. Trudności, z którymi modele mają w HLE, podkreślają, jak bardzo są one jeszcze oddalone od prawdziwej ogólnej inteligencji.

Ważne jest, aby zauważyć, że wysoka wydajność w benchmarkach z znanymi lub wąskimi zestawami danych niekoniecznie wskazuje na obecność prawdziwej ogólnej inteligencji. Model może być dostrajany lub „przeszkolony do testu”, co może nadmiernie podnieść jego pozorną zdolność. Więc nawet idealny wynik w HLE nie oznaczałby, że osiągnęliśmy AGI; oznaczałoby to tylko, że przeszliśmy jeden konkretny test.

Co napędza AGI

Całkowicie zgadzam się, że podstawowymi filarami AGI są dane, obliczenia i talent. Sytuacja z obliczeniami jest jasna. Kluczowi gracze, tacy jak Meta, próbowali wyprodukować własne układy scalone, inwestując miliardy w proces rozwoju układów scalonych. Ale firmy nadal silnie polegają na innych układach scalonych i mocy obliczeniowej innych graczy, takich jak Nvidia, które nie tylko dostarczają niezbędnego sprzętu, ale także rozumieją wagę zwiększania produkcji.

Więcej pytań dotyczy danych i talentów. Internet się skończył – nie ma kawałka tekstu stworzonego przez człowieka z otwartych źródeł, który nie zostałby użyty do szkolenia. Całkowita objętość informacji, jakie ludzkość wytworzyła do tej pory, okazuje się być zaskakująco mała. Dlatego firmy zaczynają aktywnie współpracować z tymi, którzy mogą generować wysokiej jakości dane ludzkie.

Pełna automatyzacja czy pętla z udziałem człowieka?

Inny punkt – spadek popytu na ręczne adnotacje danych. Kilka lat temu branża rosła w pełnym zakresie. Tysiące adnotatorów zostało przyjętych, aby zaspokoić głód rurociągów sztucznej inteligencji. Dziś wiele z tego impetu przeniosło się w kierunku automatyzacji. Modele dojrzały, a także narzędzia wokół nich.

Weźmy rozpoznawanie twarzy. Kiedyś było to jednym z głównych czynników napędzających objętość adnotacji obrazu. Ale ta kategoria jest w dużej mierze rozwiązana. Modele takie jak YOLO, SAM i Samurai szybko absorbują rutynową pracę. Te systemy kompresują tygodnie ręcznej pracy w minuty, często z zadziwiającą dokładnością. Wdrożyliśmy również wiele narzędzi wspomaganych przez ML w naszej platformie Keylabs. To naprawdę pomaga ciąć rutynową pracę.

Wszystkie te modele są jednak ograniczone przez ich uogólnienie i nadają się do automatyzacji standardowych i jednolitych operacji. Złożone lub unikalne przypadki wciąż wymagają uwagi ludzkiej.

Przechodzimy od starego paradygmatu, w którym adnotator był po prostu osobą zwracającą uwagę na szczegóły, która mogła rozpoznać obiekt lub emocję. W nowej rzeczywistości potrzebni są profesjonaliści: lekarze do adnotowania obrazów medycznych, programiści do kodowania, architekci do tworzenia planów, marketerzy do wglądu w klienta, a eksperci wojskowi do scenariuszy obronnych.

Już widzimy prawdziwe przypadki, takie jak piloci myśliwskie adnotujące dane dla sztucznej inteligencji i zarabiające 1 000 dolarów za godzinę za swoją ekspertyzę. Ponieważ tacy specjaliści są rzadcy, a ich wiedza jest krytyczna dla szkolenia sztucznej inteligencji o wysokiej wydajności.

Świat się zmienia: coraz więcej ludzi staje się operatorami i „trenerami” sztucznej inteligencji. Tylko kilka dni temu dostałem wiadomość na LinkedIn, prosząc mnie o sprawdzenie zestawu danych dla aplikacji AI przeznaczonej dla CEO. W przyszłości każdy z nas może dostać ofertę pracy jako adnotator, nie tylko ktoś klikający przyciski, ale ekspert, którego wiedza kształtuje inteligencję jutra.

Already żyjemy w tej nowej rzeczywistości, świecie adnotacji danych i szkolenia sztucznej inteligencji. Ci, którzy to rozpoznają i dostosują się, zyskają znaczną przewagę.