Daugeliui žiniatinklio vartotojų generatyvinis AI yra DI. Dideli kalbų modeliai (LLM), tokie kaip GPT ir Claude iš tikrųjų vartai į dirbtinį intelektą ir begalines jo teikiamas galimybes. Įvaldę mūsų sintaksę ir permaišę memus, LLM patraukė visuomenės vaizduotę.
Juos lengva naudoti ir smagu. Ir – atmetus keistas haliucinacijas – jie protingi. Tačiau kol visuomenė žaidžia su savo mėgstamu LLM skoniu, tie, kurie gyvena, kvėpuoja ir miega AI – tyrėjai, technologijų vadovai, kūrėjai – susitelkia ties didesniais dalykais. Taip yra todėl, kad pagrindinis AI maksimalų naudotojų tikslas yra dirbtinis bendrasis intelektas (AGI). Štai ir baigiasi.
Profesionalams LLM yra šalutinis vaizdas. Linksmas ir nepaprastai naudingas, bet galiausiai „siauras dirbtinis intelektas“. Jie puikiai išmano tai, ką daro, nes buvo išmokyti naudoti konkrečius duomenų rinkinius, tačiau negali išklysti iš savo kelio ir bandyti išspręsti didesnių problemų.
Mažėjanti grąža ir būdingi gilaus mokymosi modelių apribojimai skatina ieškoti protingesnių sprendimų, galinčių realiai pažinti. Modeliai, esantys kažkur tarp LLM ir AGI. Viena sistema, kuri patenka į šį skliaustą – išmanesnė už LLM ir ateities dirbtinio intelekto nuojautą – yra OpenCog Hyperon, atvirojo kodo sistema, kurią sukūrė SingularityNET.
„Hyperon“ yra sukurtas siekiant užpildyti atotrūkį tarp statistinio modelio suderinimo ir loginio samprotavimo, taikant „neuroninį-simbolinį“ metodą, siūlant planą, kuris sujungia taškus tarp šiandieninių pokalbių robotų ir rytojaus begalinių mąstymo mašinų.
AGI hibridinė architektūra
SingularityNET nustatė, kad OpenCog Hyperon yra naujos kartos AGI tyrimų platforma, integruojanti kelis AI modelius į vieningą pažinimo architektūrą. Skirtingai nei į LLM orientuotos sistemos, „Hyperon“ yra sukurta remiantis neuronine-simboline integracija, kurios metu AI gali mokytis iš duomenų ir samprotauti apie žinias.
Taip yra todėl, kad neuroninis-simbolinis AI, neuroninio mokymosi komponentai ir simboliniai samprotavimo mechanizmai yra susipynę, kad vienas galėtų informuoti ir sustiprinti kitą. Tai įveikia vieną iš pagrindinių grynai statistinių modelių apribojimų, įtraukiant struktūrizuotus, interpretuojamus samprotavimo procesus.
„OpenCog Hyperon“ esmė sujungia tikimybinę logiką ir simbolinį samprotavimą su evoliucine programų sinteze ir mokymusi iš kelių agentų. Tai yra daug terminų, todėl pabandykime išsiaiškinti, kaip visa tai veikia praktiškai. Kad suprastume „OpenCog Hyperon“ – ir būtent kodėl neuroninis-simbolinis AI yra toks svarbus dalykas – turime suprasti, kaip veikia LLM ir kur jie atsiranda.
LLM ribos
Generatyvusis AI pirmiausia veikia tikimybinėmis asociacijomis. Kai LLM atsako į klausimą, jis „nežino“ atsakymo taip, kaip instinktyviai tai daro žmogus. Vietoj to, remiantis mokymo duomenimis, jis apskaičiuoja labiausiai tikėtiną žodžių seką, kad būtų laikomasi raginimo. Dažniausiai toks „apsimetinimas asmeniu“ pasirodo labai įtikinamai, vartotojui suteikiant ne tik tai, ko jie tikisi, bet ir teisingą.
LLM specializuojasi modelių atpažinimo pramoniniu mastu ir jiems tai puikiai sekasi. Tačiau šių modelių apribojimai yra gerai dokumentuoti. Žinoma, yra haliucinacijų, kurias jau palietėme, kai pateikiama patikimai skambanti, bet faktiškai neteisinga informacija. Niekas dega labiau nei LLM, trokštantis įtikti savo šeimininkui.
Tačiau didesnė problema, ypač kai pradedate sudėtingesnį problemų sprendimą, yra motyvacijos trūkumas. LLM nemoka logiškai išvesti naujų tiesų iš nusistovėjusių faktų, jei tų specifinių modelių nėra mokymo rinkinyje. Jei jie anksčiau matė modelį, jie gali vėl numatyti jo išvaizdą. Jei to nepadarė, jie atsitrenks į sieną.
Palyginimui, AGI apibūdina dirbtinį intelektą, kuris gali tikrai suprasti ir pritaikyti žinias. Jis ne tik labai tiksliai atspėja teisingą atsakymą – jis tai žino ir turi dirbti, kad jį patvirtintų. Žinoma, šis gebėjimas reikalauja aiškių samprotavimo įgūdžių ir atminties valdymo – jau nekalbant apie gebėjimą apibendrinti, kai pateikiami riboti duomenys. Štai kodėl AGI vis dar yra toli – kiek toli, priklauso nuo to, kurio žmogaus (ar LLM) klausiate.
Tačiau kol kas, nesvarbu, ar AGI liko mėnesiai, metai ar dešimtmečiai, mes turime neuroninį-simbolinį AI, kuris gali palikti jūsų LLM šešėlyje.
Dinamiškos žinios pagal poreikį
Norėdami suprasti, kaip veikia neuroninis-simbolinis AI, grįžkime prie OpenCog Hyperon. Jo esmė yra „Atomspace Metagraph“ – lanksti grafinė struktūra, vaizduojanti įvairias žinias, įskaitant deklaratyvias, procedūrines, jutimines ir nukreiptas į tikslą, visa tai yra viename substrate. Metagrafas gali užkoduoti ryšius ir struktūras taip, kad būtų galima daryti ne tik išvadas, bet ir loginį išvedimą bei kontekstinį samprotavimą.
Jei tai skamba panašiai kaip AGI, tai todėl, kad taip yra. „Dieta AGI“, jei norite, parodo, kur toliau krypsta dirbtinis intelektas. Kad kūrėjai galėtų kurti naudodami „Atomspace Metagraph“ ir panaudoti jo išraiškingą galią, „Hyperon“ sukūrė „MeTTa“ („Meta Type Talk“) – naują programavimo kalbą, sukurtą specialiai AGI plėtrai.
Skirtingai nuo bendrosios paskirties kalbų, tokių kaip Python, MeTTa yra pažintinis substratas, sujungiantis logikos ir tikimybinio programavimo elementus. MeTTa programos veikia tiesiogiai su metagrafu, užklausa ir perrašo žinių struktūras bei palaiko savaime besikeičiantį kodą, kuris yra būtinas sistemoms, kurios mokosi tobulėti.
Tvirtas samprotavimas kaip vartai į AGI
Neuroninis-simbolinis požiūris, esantis Hyperon centre, sprendžia pagrindinį grynai statistinio AI apribojimą, ty siauri modeliai kovoja su užduotimis, kurioms reikia kelių žingsnių samprotavimo. Abstrakčios problemos sukrečia LLM dėl gryno modelio atpažinimo. Tačiau įtraukite neuroninį mokymąsi į mišinį, ir samprotavimai tampa protingesni ir žmogiškesni. Jei siaurasis AI gerai apsimetinėja asmeniu, neuroninis-simbolinis AI daro keistą.
Atsižvelgiant į tai, svarbu kontekstualizuoti neuroninį-simbolinį AI. Hyperon hibridinis dizainas nereiškia, kad AGI proveržis yra neišvengiamas. Tačiau tai yra perspektyvi tyrimų kryptis, kuri aiškiai sprendžia kognityvinį vaizdavimą ir savarankišką mokymąsi, nesiremiant vien tik statistinių modelių atitikimu. O čia ir dabar ši koncepcija nėra suvaržyta į kokį nors didelį smegenų baltąjį dokumentą – ji yra laukinėje gamtoje ir aktyviai naudojama kuriant galingus sprendimus.
LLM nėra miręs – siauras AI ir toliau tobulės, tačiau jo dienos suskaičiuotos, o senėjimas neišvengiamas. Tai tik laiko klausimas. Pirmasis neuroninis-simbolinis AI. Tada, tikiuosi, AGI – galutinis dirbtinio intelekto bosas.
Vaizdo šaltinis: Depositphotos
