Ma sokan még ott tartanak, hogy kipróbálják a ChatGPT-t egy e-mailhez, prezentációhoz vagy gyors ötleteléshez. Közben a kutatólaborok már azt vizsgálják, mi történhet akkor, ha a mesterséges intelligencia nemcsak egy-egy feladatban lesz erős, hanem általánosan eléri az emberi szintet. A Google DeepMind új tanulmánya erről ad térképet, nem pedig jóslatot.
Állítsd be a mivagyunk.hu-t kedvenc forrásként a Google-benMit jelent az AGI és az ASI?
Az AGI az általános mesterséges intelligenciát jelenti. Olyan MI-rendszerre utal, amely sokféle gondolkodási, problémamegoldási és döntés-előkészítési feladatban nagyjából emberi szinten teljesít.
Az ASI ennél tovább megy. A mesterséges szuperintelligencia olyan rendszer lenne, amely nemcsak néhány szűk területen jobb az embernél, hanem széles körben meghaladja az emberi képességeket. A DeepMind tanulmánya különösen magasra teszi ezt a mércét: az ASI már nem egyetlen emberhez, hanem nagy, jól szervezett szakértői csoportokhoz képest is erősebb lenne.
Ez elsőre távolinak hangzik, de a kérdés nagyon gyakorlati. Ha egy MI-rendszer egy ember szintjén dolgozik, az már önmagában is átírhat munkafolyamatokat. Ha sok ilyen rendszer együtt, gyorsabban, párhuzamosan és összehangoltan működik, akkor már nem egy új irodai eszközről beszélünk, hanem másfajta digitális munkaszervezésről.
Az AGI azért fontos, mert az emberi szintű digitális munka általa másolhatóvá, gyorsíthatóvá és szervezhetővé válik.
Miért nem biztos, hogy az MI megáll az emberi szintnél?
A közbeszéd sokszor úgy képzeli el az MI következő szakaszát, mintha lenne egy nagy pillanat, amikor megérkezik az emberi szintű gépi intelligencia. A DeepMind anyaga ennél óvatosabb képet ad. A szerzők szerint az AGI inkább egy küszöb lehet, amely után több fejlődési út is tovább viheti a rendszereket.
A digitális intelligencia máshogy skálázódik, mint az emberi munka. Egy ember képzése évekbe telik. Egy szakember figyelme korlátozott. Pihenni kell, hibázik, fárad, és egyszerre csak bizonyos mennyiségű információt tud kezelni.
Egy MI-rendszer sem hibátlan, de más szabályok szerint működik. Másolható, több példányban futtatható, hardveren gyorsabban dolgozhat, nagyobb memóriával működhet és több rendszer tapasztalata is összekapcsolható. Ez nem teszi automatikusan jobbá minden emberi helyzetben, de megváltoztatja a munkaszervezés logikáját.
Egy magyar cégnél ez már ma sem elvont kérdés. Amikor egy munkatárs MI-vel ír ügyfélválaszt, egy vezető MI-vel készít döntési anyagot, egy marketinges kampányvázlatot generál, vagy egy fejlesztő gyorsítja a kódolást, akkor ennek az átalakulásnak az elejét látjuk. A következő szint az, amikor ezek nem külön próbálkozások, hanem összehangolt belső folyamatok lesznek.
Négy út az emberi szintű MI után
A tanulmány négy fő utat ír le az AGI-tól az ASI felé. Ezek nem zárják ki egymást, és könnyen lehet, hogy részben egyszerre jelennek meg.
Az első út a skálázás. Több számítási kapacitás, több adat, jobb hardver és hatékonyabb algoritmusok növelhetik a rendszerek képességeit. Az elmúlt évek MI-fejlődésének jelentős része már most is ebből jött.
A második út az új módszerek megjelenése. Nem biztos, hogy elég mindenből nagyobbat építeni. Szükség lehet jobb memóriára, folyamatos tanulásra, megbízhatóbb tervezésre és hatékonyabb eszközhasználatra.
A harmadik út a rekurzív önfejlesztés. Ez azt jelenti, hogy az MI maga is gyorsíthatja az MI-kutatást. Segíthet szakirodalmat feldolgozni, kódot írni, kísérleteket tervezni, adatokat válogatni vagy új megoldásokat keresni. Ha a jobb MI gyorsítja a kutatást, a gyorsabb kutatás pedig még jobb MI-t eredményez, visszacsatolási kör alakulhat ki.
A negyedik út a sok MI-ügynökből álló rendszer. Itt nem egyetlen óriási modell válik mindennél erősebbé, hanem sok részfeladatra szervezett MI-rendszer dolgozik együtt. Ez hasonlít egy jól működő céghez vagy kutatóintézethez, ahol nem egy ember tud mindent, hanem a szervezet képes többre, mint az egyes tagjai külön-külön.
Ami lassíthatja a folyamatot
A DeepMind tanulmánya nem pánikkeltő anyag. Több féket és bizonytalanságot is bemutat.
Az egyik az adatkorlát. A mai nagy modellek rengeteg ember által létrehozott szövegből, képből, hangból, videóból és kódból tanulnak. Nem egyértelmű, meddig lesz elegendő jó minőségű új adat, és mennyire használható a gépek által generált tartalom újabb rendszerek tanítására.
A másik korlát az infrastruktúra. A nagy modellekhez chipek, adatközpontok, áram, hűtés, víz, ellátási lánc és pénz kell. Ezek nem elvont digitális erőforrások, hanem nagyon is fizikai feltételek.
A harmadik fék maga a kutatás nehezedése. Egy terület elején könnyebb látványos eredményeket elérni. Később ugyanakkora előrelépéshez több kísérlet, több számítás és több szakértelem kellhet.
Végül ott van a társadalmi és szabályozási fék is. Balesetek, visszaélések, katonai felhasználás, munkaerőpiaci feszültségek vagy politikai döntések mind lassíthatják, hogy milyen gyorsan engedjük be ezeket a rendszereket a kritikus területekre.
Mit érdemes ebből most megérteni?
Az AGI és ASI témája könnyen távolinak tűnhet. A mögötte lévő logika viszont már most is hat. A mesterséges intelligencia nemcsak okosabb eszköz lehet, hanem egyre inkább munkafolyamatokba épülő rendszer.
Ezért nem elég azt kérdezni, melyik chatbot ír jobb szöveget. A fontosabb kérdések ezek lesznek: ki használhat MI-t, mire használhatja, milyen adatokkal dolgozhat, ki ellenőrzi az eredményt, és ki felel a döntésért.
Egy magyar vállalkozásnak, iskolának, könyvelőirodának, jogi csapatnak vagy marketingesnek nem a távoli szuperintelligenciára kell napi szinten készülnie. Arra viszont igen, hogy a következő években az MI-használat szervezeti kérdéssé válik.
Aki ezt időben megérti, nem fog pánikolni. Jobb kérdéseket tesz fel, pontosabb szabályokat alakít ki és az MI-re nem pusztán ügyes szövegíróeszközként tekint.
Rövid GYIK
Mit jelent az AGI?
Az AGI általános mesterséges intelligencia, amely sokféle kognitív feladatban nagyjából emberi szinten teljesít.
Mit jelent az ASI?
Az ASI mesterséges szuperintelligencia, amely széles körben meghaladná az emberi képességeket, akár nagy szakértői csoportok teljesítményét is.
A DeepMind szerint biztosan jön a szuperintelligencia?
Nem. A tanulmány lehetséges fejlődési utakat és fékező tényezőket mutat be, nem biztos előrejelzést ad.
