Наступне покоління штучного інтелекту: OpenAI і Meta роблять стрибок до машин, здатних до розумових операцій

OpenAI і Meta, піонери в галузі генеративного штучного інтелекту, наближаються до запуску свого наступного покоління штучного інтелекту (ШІ). Ця нова хвиля ШІ має покращити можливості щодо розумових операцій та планування, що означатиме суттєвий крок вперед у розвитку штучного загального інтелекту. Ця стаття досліджує ці майбутні інновації та потенційне майбутнє, яке вони оголошують.

Створення шляху для штучного загального інтелекту

За останні кілька років OpenAI та Meta зробили суттєвий прогрес у розвитку моделей фундаментальної штучної інтелекту, які є основними будівельними блоками для застосунків ШІ. Цей прогрес є результатом стратегії навчання генеративного ШІ, при якій моделі вчаться передбачати відсутні слова та пікселі. Хоча цей метод дозволив генераційному ШІ надавати вражаюче плавні виходи, він не може забезпечити глибоке контекстне розуміння чи міцні навички вирішення проблем, які вимагають здорового глузду та стратегічного планування. Тому, коли справа доходить до складних завдань або потреби нюансированого розуміння, ці фундаментальні моделі ШІ часто не можуть надати точні відповіді. Ця обмеженість підкреслює необхідність подальших досягнень у розвитку штучного загального інтелекту (ШЗІ).

Крім того, пошук ШЗІ спрямований на розвиток систем ШІ, які можуть зрівнятися з ефективністю навчання, адаптивністю та можливостями застосування, спостережуваними у людей та тварин. Справжній ШЗІ передбачав би системи, які можуть інтуїтивно обробляти мінімальні дані, швидко адаптуватися до нових сценаріїв та передавати знання через різні ситуації – навички, які походять від вродженого розуміння складностей світу. Для ефективності ШЗІ необхідні розширені можливості розумових операцій та планування, які дозволять йому виконувати взаємопов’язані завдання та передбачати результати своїх дій. Цей прогрес у ШІ спрямований на подолання поточних обмежень, культивуючи глибше, більш контекстне форму інтелекту, здатного керувати складностями реальних викликів.

До потужної моделі розумових операцій та планування для ШЗІ

Традиційні методи впровадження можливостей розумових операцій 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 людської експертизи 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 непрактичним або заборонним, коли отримання даних є повільним або дорогим.

Щоб подолати ці перешкоди, останні досягнення зосередилися на покращенні фундаментальних моделей ШІ з розширеними можливостями розумових операцій та планування. Це зазвичай досягається шляхом включення прикладів завдань розумових операцій та планування безпосередньо в контекст вводу моделі під час висновку, використовуючи метод, відомий як навчання в контексті. Хоча цей підхід показав потенціал, він一般но працює добре лише в простих, прямих сценаріях і зустрічає труднощі в передачі цих можливостей через різні області – фундаментальне вимога для досягнення штучного загального інтелекту (ШЗІ). Ці обмеження підкреслюють необхідність розробки фундаментальних моделей ШІ, які можуть звернутися до ширшого ряду складних та різноманітних реальних викликів, тим самим просунувши пошук ШЗІ.

Нові рубежі Meta та OpenAI у сфері розумових операцій та планування

Ян Лекун, головний вчений ШІ у Meta, послідовно підкреслював, що обмеження можливостей генераційного ШІ щодо розумових операцій 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 спонукали ШІ оцінювати можливі рішення, формувати плани дій та розуміти наслідки своїх виборів. Він розкрив, що Meta активно працює над цими складними 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 проєкт, відомий як Q-star. Хоча подробиці рідкі, назва проєкту натякає на можливе поєднання алгоритмів Q-навчання та A-звезди, важливих інструментів у навчанні з підкріпленням та плануванні. Ця ініціатива збігається з тривалими зусиллями OpenAI щодо покращення можливостей розумових операцій та планування своїх моделей GPT. Останні повідомлення від Financial Times, засновані на дискусіях з виконавцями обидвох Meta та OpenAI, підкреслюють спільну відданість цих організацій подальшому розвитку моделей ШІ, які добре працюють у цих важливих когнітивних областях.

Трансформувальні ефекти покращеного розуміння в системах ШІ

Когда OpenAI та Meta продовжують покращувати свої фундаментальні моделі ШІ з можливостями розумових операцій та планування, ці розробки готуються суттєво розширити потенціал систем ШІ. Такі досягнення можуть привести до великих проривів у штучному інтелекті, з наступними потенційними поліпшеннями:

• Покращення вирішення проблем та прийняття рішень: Системи ШІ, покращені можливостями розумових операцій та планування, краще підготовлені до обробки складних завдань, які вимагають розуміння дій та їх наслідків з плином часу. Це може привести до прогресу в стратегічних іграх, плануванні логістики та автономних системах прийняття рішень, які вимагають нюансированого розуміння причини та наслідку.
• Збільшення застосовності через домени: Подолавши обмеження домен-специфічного навчання, ці моделі ШІ можуть застосовувати свої можливості розумових операцій та планування через різні галузі, такі як охорона здоров’я, фінанси та міське планування. Ця універсальність дозволить ШІ ефективно звертатися до викликів у 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 декількох прикладів. Це зменшення потреби в даних знижує як обчислювальне навантаження, так і вимоги до ресурсів систем ШІ, а також підвищує їх швидкість адаптації до нових завдань.
• Кроки до штучного загального інтелекту (ШЗІ): Ці фундаментальні моделі для розумових операцій та планування наближають нас до досягнення ШЗІ, де машини можуть колись виконувати будь-яке інтелектуальне завдання, яке може виконати людина. Ця еволюція можливостей ШІ може привести до суттєвих соціальних впливів, спонукаючи нові дискусії про етичні та практичні розгляди інтелектуальних машин у нашому житті.

Основне

OpenAI та Meta знаходяться на передовій розробці наступного покоління ШІ, зосередженого на покращенні можливостей розумових операцій та планування. Ці поліпшення є ключовими для наближення до штучного загального інтелекту (ШЗІ), спрямованого на те, щоб системи ШІ могли обробляти складні завдання, які вимагають складного розуміння ширшого контексту та довгострокових наслідків.

Покращуючи ці можливості, ШІ можна застосувати ширше через різні галузі, такі як охорона здоров’я, фінанси та міське планування, зменшуючи залежність від великих наборів даних та покращуючи адаптивність. Цей прогрес не тільки обіцяє розширити практичну застосовність ШІ, але також наближається до майбутнього, де ШІ може виконувати завдання так же ефективно, як люди, у всіх інтелектуальних завданнях, спонукаючи важливі розмови про інтеграцію ШІ у повсякденне життя.