Η Apple μόλις δημοσίευσε ένα έγγραφο που αναγνωρίζει διακριτικά αυτό που πολλοί στην κοινότητα της τεχνητής νοημοσύνης (AI) υπαινίσσονται εδώ και αρκετό καιρό: τα μεγάλα γλωσσικά μοντέλα (LLM) πλησιάζουν τα όριά τους. Αυτά τα συστήματα, όπως το GPT-4 του OpenAI, έχουν εκπλήξει τον κόσμο με την ικανότητά τους να δημιουργούν κείμενο που μοιάζει με άνθρωπο, να απαντούν σε σύνθετες ερωτήσεις και να βοηθούν στην επίλυση προβλημάτων σε διάφορους κλάδους. Όμως, στα παρασκήνια του ενθουσιασμού, γίνεται σαφές ότι μπορεί να φτάνουμε σε ένα πλάτωμα. Αυτή δεν είναι μόνο η άποψη της Apple. Οι ειδικοί της τεχνητής νοημοσύνης όπως ο Gary Marcus κρούουν τον κώδωνα του κινδύνου εδώ και χρόνια, προειδοποιώντας ότι τα μεταπτυχιακά προγράμματα, παρά τη λαμπρότητά τους, αντιμετωπίζουν σημαντικούς περιορισμούς.
Ωστόσο, παρά αυτές τις προειδοποιήσεις, οι επενδυτές επιχειρηματικών κεφαλαίων (VC) ρίχνουν δισεκατομμύρια σε νεοφυείς επιχειρήσεις LLM, όπως τα λέμινγκ που πετούν στον γκρεμό. Το δέλεαρ των μεταπτυχιακών προγραμμάτων, που τροφοδοτείται από τον φόβο της απώλειας του επόμενου χρυσού της τεχνητής νοημοσύνης, έχει οδηγήσει σε μια επενδυτική φρενίτιδα. Οι επιχειρηματίες επιχειρηματικών κεφαλαίων κυνηγούν τη διαφημιστική εκστρατεία χωρίς να κατανοούν πλήρως το γεγονός ότι τα LLM μπορεί να έχουν ήδη φτάσει στο αποκορύφωμά τους. Και όπως τα λέμινγκ, οι περισσότεροι από αυτούς τους επενδυτές θα βρεθούν σύντομα στα πρόθυρα της κατάρρευσης, χάνοντας τις επενδύσεις τους καθώς η τεχνολογία φτάνει στα φυσικά της όρια.
Τα LLM, αν και είναι επαναστατικά, έχουν σημαντικά μειονεκτήματα. Ουσιαστικά, πρόκειται για μηχανές αναγνώρισης μοτίβων που μπορούν να προβλέψουν ποιο κείμενο θα ακολουθήσει με βάση τεράστιες ποσότητες δεδομένων εκπαίδευσης. Αλλά στην πραγματικότητα δεν καταλαβαίνουν το κείμενο που δημιουργούν. Αυτό οδηγεί σε καλά τεκμηριωμένα προβλήματα, όπως οι παραισθήσεις, όπου οι φοιτητές του μεταπτυχιακού δίπλωσης παράγουν με αυτοπεποίθηση εντελώς ψευδείς πληροφορίες. Μπορεί να υπερέχουν στη μίμηση της ανθρώπινης συνομιλίας, αλλά δεν έχουν πραγματικές δεξιότητες συλλογισμού. Παρά τον ενθουσιασμό για τις δυνατότητές τους, οι LLM δεν μπορούν να σκεφτούν κριτικά ή να λύσουν σύνθετα προβλήματα με τον τρόπο που μπορεί ένας άνθρωπος.
Επιπλέον, οι απαιτήσεις πόρων για την εκτέλεση αυτών των μοντέλων είναι αστρονομικές. Η εκπαίδευση LLM απαιτεί τεράστιο όγκο δεδομένων και υπολογιστική ισχύ, καθιστώντας τα αναποτελεσματικά και δαπανηρά στην κλίμακα. Η απλή αύξηση του μεγέθους αυτών των μοντέλων ή η εκπαίδευσή τους σε περισσότερα δεδομένα δεν θα λύσει τα υποκείμενα προβλήματα. Όπως προτείνει το άρθρο της Apple και άλλων, η τρέχουσα προσέγγιση στο LLM έχει σημαντικούς περιορισμούς που δεν μπορούν να ξεπεραστούν με ωμή βία.
Αυτός είναι ο λόγος που οι ειδικοί της τεχνητής νοημοσύνης όπως ο Gary Marcus αποκαλούν τα μεταπτυχιακά “εξαιρετικά ανόητα”. Μπορούν να δημιουργήσουν εντυπωσιακά αποτελέσματα, αλλά είναι βασικά ανίκανοι να κατανοήσουν και να συλλογιστούν που θα τους έκαναν πραγματικά έξυπνους. Οι φθίνουσες αποδόσεις που βλέπουμε με κάθε νέα επανάληψη του LLM καθιστούν σαφές ότι πλησιάζουμε στην κορυφή της καμπύλης S για τη συγκεκριμένη τεχνολογία.
Αλλά αυτό δεν σημαίνει ότι η τεχνητή νοημοσύνη είναι νεκρή – ούτε καν κοντά. Το γεγονός ότι τα LLM φτάνουν στα όριά τους είναι φυσικό μέρος της εκθετικής ανάπτυξης της τεχνολογίας. Κάθε σημαντική τεχνολογική ανακάλυψη ακολουθεί ένα προβλέψιμο μοτίβο, που συχνά ονομάζεται καμπύλη S της καινοτομίας. Η πρόοδος είναι αργή στην αρχή και γεμάτη με λανθασμένες εκκινήσεις και αποτυχίες. Έπειτα έρχεται μια περίοδος ταχείας επιτάχυνσης, όταν οι καινοτομίες γίνονται γρήγορα και οι τεχνολογίες αρχίζουν να αλλάζουν κλάδους. Αλλά τελικά κάθε τεχνολογία φτάνει σε ένα οροπέδιο, αγγίζοντας τα φυσικά της όρια.
Έχουμε ήδη δει αυτό το μοτίβο να παίζει σε αμέτρητες τεχνολογίες. Ας πάρουμε για παράδειγμα το Διαδίκτυο. Στην αρχή, οι σκεπτικιστές το απέρριψαν ως εργαλείο για επιστήμονες και χομπίστες. Η ανάπτυξη ήταν αργή και η υιοθέτηση ήταν περιορισμένη. Στη συνέχεια, όμως, υπήρξε μια ταχεία επιτάχυνση λόγω της βελτιωμένης υποδομής και των φιλικών προς τον χρήστη διεπαφών, και το Διαδίκτυο έγινε η παγκόσμια δύναμη που είναι σήμερα. Το ίδιο συνέβη και με τα smartphones. Οι πρώτες εκδόσεις ήταν αδυσώπητες και καθόλου εντυπωσιακές και πολλοί αμφέβαλλαν για τις μακροπρόθεσμες δυνατότητές τους. Αλλά με την έλευση του iPhone, ξεκίνησε η επανάσταση των smartphone, αλλάζοντας σχεδόν κάθε πτυχή της σύγχρονης ζωής.
Ένας από τους πιο πολλά υποσχόμενους τομείς ανάπτυξης της τεχνητής νοημοσύνης είναι η νευροσυμβολική τεχνητή νοημοσύνη. Αυτή η υβριδική προσέγγιση συνδυάζει τις δυνατότητες αναγνώρισης προτύπων των νευρωνικών δικτύων με τη λογική συλλογιστική της συμβολικής τεχνητής νοημοσύνης. Σε αντίθεση με τα LLM, τα οποία δημιουργούν κείμενο με βάση στατιστικές πιθανότητες, τα νευροσυμβολικά συστήματα τεχνητής νοημοσύνης έχουν σχεδιαστεί για να κατανοούν πραγματικά και να επιλύουν πολύπλοκα προβλήματα. Αυτό θα μπορούσε να επιτρέψει στην τεχνητή νοημοσύνη να προχωρήσει πέρα από την απλή μίμηση της ανθρώπινης γλώσσας και στη σφαίρα της αληθινής επίλυσης προβλημάτων και της κριτικής σκέψης.
Ένας άλλος βασικός τομέας έρευνας επικεντρώνεται στο να γίνουν τα μοντέλα τεχνητής νοημοσύνης μικρότερα, πιο αποτελεσματικά και πιο επεκτάσιμα. Τα LLM απαιτούν απίστευτα πόρους, αλλά το μέλλον της τεχνητής νοημοσύνης μπορεί να βρίσκεται στη δημιουργία μοντέλων που είναι πιο ισχυρά, λιγότερο δαπανηρά και ευκολότερα στην ανάπτυξη. Αντί να μεγαλώσει τα μοντέλα, το επόμενο κύμα καινοτομίας τεχνητής νοημοσύνης θα μπορούσε να επικεντρωθεί στο να τα κάνει πιο έξυπνα και αποτελεσματικά, ανοίγοντας ένα ευρύτερο φάσμα εφαρμογών και βιομηχανιών.
Η τεχνητή νοημοσύνη με επίγνωση του περιβάλλοντος βρίσκεται επίσης στο επίκεντρο. Οι σημερινοί φοιτητές LLM συχνά χάνουν την εικόνα του πλαισίου στις συνομιλίες, με αποτέλεσμα αντιφάσεις ή ανούσιες απαντήσεις. Τα μελλοντικά μοντέλα θα μπορούν να υποστηρίζουν πιο αποτελεσματικά το πλαίσιο, επιτρέποντας βαθύτερες, πιο ουσιαστικές αλληλεπιδράσεις.
Τα ηθικά ζητήματα που μαστίζουν το LLM, όπως η μεροληψία, η παραπληροφόρηση και η πιθανότητα κακής χρήσης, θα αντιμετωπιστούν επίσης στο επόμενο κύμα έρευνας για την τεχνητή νοημοσύνη. Το μέλλον της τεχνητής νοημοσύνης θα εξαρτηθεί από το πόσο καλά μπορούμε να ευθυγραμμίσουμε αυτά τα συστήματα με τις ανθρώπινες αξίες και να παρέχουμε ακριβή, δίκαια και αμερόληπτα αποτελέσματα. Η αντιμετώπιση αυτών των προκλήσεων θα είναι κρίσιμη για την ευρεία υιοθέτηση της τεχνητής νοημοσύνης σε σημαντικούς κλάδους όπως η υγειονομική περίθαλψη, η νομοθεσία και η εκπαίδευση.
Κάθε μεγάλο τεχνολογικό άλμα προηγείται μιας περιόδου απογοητεύσεων και λανθασμένων εκκινήσεων, αλλά όταν φτάνει σε ένα σημείο καμπής, οδηγεί σε ανακαλύψεις που αλλάζουν τα πάντα. Εδώ οδεύουμε με την AI. Όταν εμφανιστεί η επόμενη καμπύλη S, η σημερινή τεχνολογία θα φαίνεται πρωτόγονη σε σύγκριση. Οι Lemmings μπορεί να απέτυχαν με τις επενδύσεις τους, αλλά για όσους προσέχουν, η πραγματική επανάσταση της τεχνητής νοημοσύνης μόλις ξεκινά.
Άλλο ένα σχόλιο που πρέπει να διαβάσετε που δημοσιεύτηκε από Τύχη:
Οι απόψεις που εκφράζονται στα σχόλια του Fortune.com είναι αποκλειστικά οι απόψεις των συγγραφέων και δεν αντικατοπτρίζουν απαραίτητα τις απόψεις και τις πεποιθήσεις Τύχη.
