Iako je zahtjev za financiranjem bio skroman, pretpostavka istraživača nije bila: "Svaki aspekt učenja ili bilo koje drugo svojstvo inteligencije može se, u principu, tako precizno opisati da se može napraviti mašina da ga simulira".

Od ovih skromnih početaka, filmovi i mediji su romantizirali umjetnu inteligenciju ili je postavili kao negativca. Ipak, za većinu ljudi, AI je ostala kao tema rasprave, a ne dio svjesnog proživljenog iskustva.

AI je stigla u naše živote

Krajem prošlog mjeseca, AI u obliku ChatGPT-a, oslobodio se naučno-fantastičnih spekulacija i istraživačkih laboratorija i postao dostupan cijelom svijetu.

To je ono što je poznato kao "generativna AI" - odjednom, pametno sročena poruka može proizvesti esej ili sastaviti recept i listu za kupovinu, ili stvoriti pjesmu u stilu Elvisa Prisleya.

Dok je ChatGPT bio najdramatičniji učesnik u godini generativnog AI uspjeha, slični sistemi su pokazali još širi potencijal za kreiranje novog sadržaja, s uputama za pretvaranje teksta u sliku koji se koriste za kreiranje živopisnih slika koje su čak pobjeđivale na umjetničkim takmičenjima.

AI možda još nema živu svijest ili teoriju uma popularnu u naučnofantastičnim filmovima i romanima, ali sve je bliže tome da barem poremeti ono što mislimo da sistemi umjetne inteligencije mogu učiniti.

Istraživači koji blisko sarađuju sa ovim sistemima su pali u nesvijest zbog mogućnosti osjećaja, kao u slučaju Googleovog modela velikog jezika (LLM) LaMDA. LLM je model koji je obučen za obradu i generiranje prirodnog jezika.

Generativna AI je također izazvala zabrinutost zbog plagijata, eksploatacije originalnog sadržaja koji se koristi za kreiranje modela, etike manipulacije informacijama i zloupotrebe povjerenja, pa čak i "kraja programiranja".

U središtu svega je pitanje koje postaje sve češće, a to je: Da li se AI razlikuje od ljudske inteligencije?

Šta zapravo znači 'AI'?

Da bi se kvalifikovao kao AI, sistem mora pokazati određeni nivo učenja i prilagođavanja. Iz tog razloga, sistemi donošenja odluka, automatizacija i statistika nisu AI.

AI je široko definisan u dvije kategorije: umjetna uska inteligencija (ANI) i umjetna opća inteligencija (AGI). Do danas, AGI ne postoji.

Ključni izazov za stvaranje opće umjetne inteligencije je adekvatno modeliranje svijeta sa cjelokupnim znanjem, na dosljedan i koristan način. To je, u najmanju ruku, ogroman poduhvat.

Većina onoga što danas poznajemo kao AI ima usku inteligenciju – gdje određeni sistem rješava određeni problem. Za razliku od ljudske inteligencije, takva uska AI inteligencija je efikasna samo u oblasti u kojoj je obučena: npr. otkrivanje prijevara, prepoznavanje lica ili društvene preporuke.

AGI bi, međutim, funkcionirao kao i ljudi. Za sada, najistaknutiji primjer pokušaja da se to postigne je korištenje neuronskih mreža i "dubinskog učenja" obučenog na ogromnim količinama podataka.

Neuronske mreže su inspirisane načinom na koji ljudski mozak funkcioniše. Za razliku od većine modela mašinskog učenja koji pokreću kalkulacije na podacima obuke, neuronske mreže rade tako što unose svaku tačku podataka jednu po jednu kroz međusobno povezanu mrežu, svaki put prilagođavajući parametre.

Kako se sve više podataka prenosi kroz mrežu, parametri se stabilizuju; konačni ishod je "uvježbana" neuronska mreža, koja onda može proizvesti željeni izlaz na novim podacima – npr. prepoznati da li slika sadrži mačku ili psa.

Značajan iskorak u AI danas potaknut je tehnološkim poboljšanjima u načinu na koji možemo trenirati velike neuronske mreže, prilagođavajući ogroman broj parametara u svakom pokretanju zahvaljujući mogućnostima velikih infrastruktura za računarstvo u oblaku. Naprimjer, GPT-3 (AI sistem koji pokreće ChatGPT) je velika neuronska mreža sa 175 milijardi parametara.

Šta je AI potrebno za rad?

AI trebaju tri stvari da bi bio uspješan.

Prvo, potrebni su mu visokokvalitetni, nepristrasni podaci i puno toga. Istraživači koji grade neuronske mreže koriste velike skupove podataka koji su nastali kako se društvo digitaliziralo.

Co-Pilot, za proširenje ljudskih programera, crpi svoje podatke iz milijardi linija koda koji se dijele na GitHubu. ChatGPT i drugi veliki jezički modeli koriste milijarde web stranica i tekstualnih dokumenata pohranjenih na mreži.

Alati za pretvaranje teksta u sliku, kao što su Stable Diffusion, DALLE-2 i Midjourney, koriste parove slika-tekst iz skupova podataka kao što je LAION-5B. AI je također potrebna računarska infrastruktura za efikasnu obuku. Kako računari postaju moćniji, modeli koji sada zahtijevaju intenzivne napore i računanje velikih razmjera mogu se, u bliskoj budućnosti, rukovati lokalno. 

Treća potreba za AI su poboljšani modeli i algoritmi. Sistemi vođeni podacima nastavljaju da brzo napreduju u domenu koji se nekada smatrao teritorijom ljudske spoznaje. Međutim, kako se svijet oko nas stalno mijenja, AI sistemi moraju biti stalno obučavani koristeći nove podatke. Bez ovog ključnog koraka, AI sistemi će proizvesti odgovore koji su činjenično netačni ili ne uzimaju u obzir nove informacije koje su se pojavile otkako su obučeni.

Podaci, računanje i algoritmi čine temelj budućnosti AI. Svi pokazatelji govore da će u dogledno vrijeme biti postignut brz napredak u sve tri kategorije.