Наступне покоління штучного інтелекту: OpenAI та Meta роблять крок до машин, що думають

OpenAI та Meta, піонери в галузі генерації штучного інтелекту, наближаються до запуску наступного покоління штучного інтелекту (ШІ). Ця нова хвиля ШІ має покращити можливості з розуміння та планування, що суттєво просуне розвиток штучного загального інтелекту. Ця стаття досліджує ці майбутні інновації та потенційний майбутній розвиток, який вони передбачають.

Відкриваючи шлях до штучного загального інтелекту

За останні кілька років OpenAI та Meta зробили значні кроки в розвитку моделей штучного інтелекту, які є основними будівельними блоками для застосунків ШІ. Цей прогрес є результатом стратегії навчання генерації ШІ, при якій моделі вчаться передбачати відсутні слова та пікселі. Хоча цей метод дозволив генерації ШІ надавати досить плавні виходи, він не забезпечує глибокого контекстного розуміння чи міцних навичок розв’язування проблем, які потребують здравого сенсу та стратегічного планування. Отже, коли справа доходить до складних завдань або потреби нюансованого розуміння, ці основні моделі ШІ часто не дають точних відповідей. Це обмеження підкреслює необхідність подальших вдосконалень у розвитку штучного загального інтелекту (ШЗІ).

Крім того, пошук ШЗІ спрямований на розвиток систем ШІ, які відповідають ефективності навчання, адаптивності та можливостям застосування, спостережуваним у людей та тваринах. Справжній ШЗІ передбачає системи, які можуть інтуїтивно обробляти мінімальну кількість даних, швидко адаптуватися до нових ситуацій та передавати знання в різних ситуаціях — навички, які походять від вродженого розуміння складності світу. Для ефективності ШЗІ необхідні вдосконалені можливості розуміння та планування, які дозволять йому виконувати взаємопов’язані завдання та передбачати наслідки своїх дій. Цей прогрес у ШІ спрямований на вирішення поточних обмежень шляхом культивування глибшого, контекстного типу інтелекту, здатного керувати складностями реальних завдань.

До міцної моделі розуміння та планування для ШЗІ

Традиційні методи впровадження можливостей розуміння та планування в ШІ, такі як символічні методи та навчання з підкріпленням, зустрічають суттєві труднощі. Символічні методи вимагають перетворення природно виражених проблем у структуровані символічні представлення — процес, який потребує значної експертизи людини та є дуже чутливим до помилок, де навіть незначні неточності можуть привести до великих збоїв. Навчання з підкріпленням (НП), тим часом, часто вимагає великої кількості взаємодій з середовищем для розвитку ефективних стратегій, підхід, який може бути недоцільним або надто дорогим, коли отримання даних відбувається повільно або коштує дорого.

Для подолання цих перешкод останні досягнення зосередилися на вдосконаленні основних моделей ШІ шляхом додавання можливостей розуміння та планування. Це зазвичай досягається шляхом включення прикладів завдань розуміння та планування безпосередньо в контекст вводу моделі під час висновку, використовуючи метод, відомий як навчання в контексті. Хоча цей підхід показав потенціал, він загалом добре працює лише у простих, прямих сценаріях та зустрічає труднощі при передачі цих можливостей у різні області — фундаментальна вимога для досягнення штучного загального інтелекту (ШЗІ). Ці обмеження підкреслюють необхідність розробки основних моделей ШІ, які можуть вирішувати широкий спектр складних і різноманітних реальних завдань, просунувши розвиток ШЗІ.

Нові рубежі Meta та OpenAI у розумінні та плануванні

Ян Лекун, головний науковець ШІ у Meta, послідовно підкреслював, що обмеження можливостей генерації ШІ щодо розуміння та планування в основному викликані простотою поточних методів навчання. Він стверджує, що ці традиційні методи в основному зосереджені на передбаченні наступного слова або пікселя, а не на розвитку стратегічного мислення та планування. Лекун підкреслює необхідність більш просунутих методів навчання, які б заохочували ШІ до оцінки можливих рішень, формування планів дій та розуміння наслідків своїх виборів. Він повідомив, що Meta активно працює над цими просунутими стратегіями, щоб дозволити системам ШІ самостійно керувати складними завданнями, такими як координування кожного елементу поїздки з офісу в Парижі в інший офіс у Нью-Йорку, включаючи поїздку до аеропорту.

Тим часом OpenAI, відомий своїми серіями GPT та ChatGPT, був у центрі уваги через свій секретний проект, відомий як Q-star. Хоча подробиці рідкі, назва проекту натякає на можливе поєднання алгоритмів Q-навчання та A-звезди, важливих інструментів у навчанні з підкріпленням та плануванні. Ця ініціатива збігається з триваючими зусиллями OpenAI щодо вдосконалення можливостей розуміння та планування своїх моделей GPT. Останні повідомлення від Financial Times, засновані на розмовах з виконавцями з обох Meta та OpenAI, підкреслюють спільну відданість цих організацій подальшому розвитку моделей ШІ, які добре працюють у цих критичних когнітивних областях.

Трансформативні ефекти вдосконаленого розуміння в системах ШІ

Когда OpenAI та Meta продовжують вдосконалювати свої основні моделі ШІ шляхом додавання можливостей розуміння та планування, ці розробки готуються суттєво розширити потенціал систем ШІ. Такі вдосконалення можуть привести до великих проривів у сфері штучного інтелекту, з наступними потенційними поліпшеннями:

• Поліпшення розв’язування проблем та прийняття рішень: Системи ШІ, вдосконалені можливостями розуміння та планування, краще підготовлені до виконання складних завдань, які потребують розуміння дій та їх наслідків у часі. Це може привести до прогресу у стратегічних іграх, логістичних планах та автономних системах прийняття рішень, які потребують нюансованого розуміння причини та наслідку.
• Збільшення застосованості у різних галузях: Переборючи обмеження галузевого навчання, ці моделі ШІ можуть застосовувати свої можливості розуміння та планування у різних галузях, таких як охорона здоров’я, фінанси та міське планування. Ця універсальність дозволить ШІ ефективно вирішувати завдання в середовищах, суттєво різних від тих, у яких вони були спочатку навчені.
• Зменшення залежності від великих наборів даних: Перехід до моделей, які можуть розуміти та планувати з мінімальними даними, відображає людську здатність швидко вивчати з небагатьох прикладів. Це зменшення потреби у даних знижує як обчислювальне навантаження, так і вимогливість до ресурсів під час навчання систем ШІ, а також підвищує їх швидкість адаптації до нових завдань.
• Кроки до штучного загального інтелекту (ШЗІ): Ці основні моделі для розуміння та планування наближають нас до досягнення ШЗІ, де машини можуть виконувати будь-яке інтелектуальне завдання, яке може людина. Ця еволюція можливостей ШІ може привести до суттєвих соціальних впливів, викликаючи нові дискусії про етичні та практичні аспекти інтелектуальних машин у нашому житті.

Основний висновок

OpenAI та Meta знаходяться на передовій розробки наступного покоління ШІ, зосередженого на вдосконаленні можливостей розуміння та планування. Ці вдосконалення є ключовими для наближення до штучного загального інтелекту (ШЗІ), спрямованого на забезпечення систем ШІ можливістю виконання складних завдань, які потребують глибокого розуміння ширшого контексту та довгострокових наслідків.

Вдосконалюючи ці можливості, ШІ можна застосувати ширше у різних галузях, таких як охорона здоров’я, фінанси та міське планування, зменшуючи залежність від великих наборів даних та покращуючи адаптивність. Цей прогрес не тільки обіцяє розширити практичне застосування ШІ, але й наближає нас до майбутнього, де ШІ може працювати так само ефективно, як люди, у всіх інтелектуальних завданнях, викликаючи важливі дискусії про інтеграцію ШІ у повсякденне життя.