Το μέλλον της Τεχνητής Νοημοσύνης: Συνεργασία ακαδημαϊκής κοινότητας και βιομηχανίας

«Είναι πιθανό να έχουμε υπερευφυΐα σε λίγες χιλιάδες μέρες (!). μπορεί να πάρει περισσότερο χρόνο, αλλά είμαι βέβαιος ότι θα φτάσουμε εκεί».

Έτσι έγραψε ο Sam Altman, ο διευθύνων σύμβουλος της OpenAI, μιας εταιρείας τεχνολογίας με έδρα το Σαν Φρανσίσκο της Καλιφόρνια, στις 23 Σεπτεμβρίου. Αυτό ήταν λιγότερο από δύο εβδομάδες αφότου η εταιρεία πίσω από το ChatGPT κυκλοφόρησε το o1, το πιο προηγμένο μοντέλο μεγάλης γλώσσας (LLM) μέχρι σήμερα. Μόλις περιοριζόταν στις σφαίρες της επιστημονικής φαντασίας, η άνοδος των LLMs τα τελευταία χρόνια έχει ανανεώσει τη συνάφεια του ερωτήματος για το πότε θα μπορούσαμε να δημιουργήσουμε τεχνητή γενική νοημοσύνη (AGI). Αν και στερείται ακριβούς ορισμού, το AGI αναφέρεται γενικά σε ένα σύστημα τεχνητής νοημοσύνης ικανό για συλλογισμό, γενίκευση, σχεδιασμό και αυτονομία σε ανθρώπινο επίπεδο.

Πόσο κοντά είναι η τεχνητή νοημοσύνη στη νοημοσύνη σε ανθρώπινο επίπεδο;

Οι υπεύθυνοι χάραξης πολιτικής παντού έχουν ερωτήσεις σχετικά με το AGI, συμπεριλαμβανομένων των πλεονεκτημάτων και των κινδύνων του. Δεν είναι εύκολο να απαντηθούν αυτά τα ερωτήματα, ειδικά δεδομένου ότι μεγάλο μέρος της δουλειάς γίνεται στον ιδιωτικό τομέα, στον οποίο οι μελέτες δεν δημοσιεύονται πάντα ανοιχτά. Αλλά αυτό που είναι ξεκάθαρο είναι ότι οι εταιρείες τεχνητής νοημοσύνης επικεντρώνονται στο λέιζερ στο να προσφέρουν στα συστήματά τους όλο το φάσμα των γνωστικών ικανοτήτων που απολαμβάνουν οι άνθρωποι. Οι εταιρείες που αναπτύσσουν μοντέλα τεχνητής νοημοσύνης έχουν ισχυρό κίνητρο να διατηρήσουν την ιδέα ότι το AGI είναι κοντά, να προσελκύσουν ενδιαφέρον και επομένως επενδύσεις.

Υπήρξε συναίνεση μεταξύ των ερευνητών που μίλησαν Φύση για μια Εφημερίδα που δημοσιεύτηκε αυτήν την εβδομάδα (βλ Φύση 63622–25; 2024) ότι μεγάλα γλωσσικά μοντέλα (LLM), όπως o1, Gemini και Claude της Google, που κατασκευάστηκαν από την Anthropic, με έδρα το Σαν Φρανσίσκο, δεν έχουν ακόμη παραδώσει το AGI. Και, σύμφωνα με πληροφορίες από τη νευροεπιστήμη, πολλοί λένε ότι υπάρχουν καλοί λόγοι να πιστεύουμε ότι τα LLM δεν θα το κάνουν ποτέ και ότι θα χρειαστεί άλλη τεχνολογία για την τεχνητή νοημοσύνη για την επίτευξη νοημοσύνης σε ανθρώπινο επίπεδο.

Παρά το εύρος των δυνατοτήτων τους – από τη δημιουργία κώδικα υπολογιστή έως τη σύνοψη ακαδημαϊκών άρθρων και την απάντηση σε ερωτήσεις μαθηματικών – υπάρχουν θεμελιώδεις περιορισμοί στον τρόπο λειτουργίας των πιο ισχυρών LLM, που ουσιαστικά περιλαμβάνει την καταβρόχθιση μιας μάζας δεδομένων και τη χρήση τους για την πρόβλεψη του επόμενου «κουπόνι». σε μια σειρά. Αυτό παράγει εύλογες απαντήσεις σε ένα πρόβλημα, αντί να το λύνει πραγματικά.

AI και επιστήμη: τι σκέφτονται 1.600 ερευνητές

Ο François Chollet, μηχανικός λογισμικού πρώην στην Google, με έδρα το Mountain View της Καλιφόρνια, και ο Subbarao Kambhampati, επιστήμονας υπολογιστών στο κρατικό πανεπιστήμιο της Αριζόνα στο Tempe, δοκίμασαν την απόδοση του o1 σε εργασίες που απαιτούν αφηρημένο συλλογισμό και σχεδιασμό και διαπίστωσαν ότι προκύπτει κοντός του AGI. Εάν πρόκειται να συμβεί το AGI, ορισμένοι ερευνητές πιστεύουν ότι τα συστήματα τεχνητής νοημοσύνης θα χρειάζονταν συνεκτικά «κοσμικά μοντέλα» ή αναπαραστάσεις του περιβάλλοντός τους που μπορούν να χρησιμοποιήσουν για να δοκιμάσουν υποθέσεις, να αιτιολογήσουν, να σχεδιάσουν και να γενικεύσουν τη γνώση που έχουν μάθει σε έναν τομέα σε δυνητικά απεριόριστες άλλες καταστάσεις.

Εδώ είναι που ιδέες από τη νευροεπιστήμη και τη γνωστική επιστήμη θα μπορούσαν να προωθήσουν τις επόμενες ανακαλύψεις. Η ομάδα του Yoshua Bengio στο Πανεπιστήμιο του Μόντρεαλ στον Καναδά, για παράδειγμα, διερευνά εναλλακτικές αρχιτεκτονικές τεχνητής νοημοσύνης που θα υποστήριζαν καλύτερα τη δημιουργία συνεκτικών παγκόσμιων μοντέλων και την ικανότητα συλλογισμού χρησιμοποιώντας τέτοια μοντέλα.

Μερικοί ερευνητές υποστηρίζουν ότι οι επόμενες ανακαλύψεις στην τεχνητή νοημοσύνη μπορεί να προέρχονται όχι από τα μεγαλύτερα συστήματα, αλλά από μικρότερες, πιο ενεργειακά αποδοτικές τεχνητές νοημοσύνης. Τα πιο έξυπνα συστήματα στο μέλλον θα μπορούσαν επίσης να απαιτούν λιγότερα δεδομένα για εκπαίδευση, εάν είχαν τη δυνατότητα να αποφασίσουν ποιες πτυχές του περιβάλλοντός τους να δειγματίσουν, αντί να καταναλώνουν απλώς ό,τι τρέφονται, λέει ο Karl Friston, θεωρητικός νευροεπιστήμονας στο University College του Λονδίνου.

Τέτοιες εργασίες καταδεικνύουν ότι ερευνητές από μια σειρά πεδίων πρέπει να συμμετέχουν στην ανάπτυξη της τεχνητής νοημοσύνης. Αυτό θα είναι απαραίτητο για να επαληθευτεί ποια συστήματα είναι πραγματικά ικανά, να διασφαλιστεί ότι ανταποκρίνονται στους ισχυρισμούς των εταιρειών τεχνολογίας και να εντοπιστούν τα επιτεύγματα που απαιτούνται για την ανάπτυξη. Ωστόσο, αυτή τη στιγμή, η πρόσβαση στα κορυφαία συστήματα τεχνητής νοημοσύνης μπορεί να είναι δύσκολη για ερευνητές που δεν εργάζονται σε εταιρείες που μπορούν να αντέξουν οικονομικά την τεράστια ποσότητα γραφικών μονάδων επεξεργασίας (GPU) που απαιτούνται για την εκπαίδευση των συστημάτων (A. Khandelwal et al. Προεκτύπωση στο arXiv https://doi.org/nt67; 2024).

Το ChatGPT έσπασε το τεστ Turing — ο αγώνας είναι σε εξέλιξη για νέους τρόπους αξιολόγησης της τεχνητής νοημοσύνης

Για να δώσουμε μια αίσθηση της κλίμακας της δραστηριότητας, το 2021, οι κυβερνητικές υπηρεσίες των ΗΠΑ (εκτός του Υπουργείου Άμυνας) διέθεσαν 1,5 δισεκατομμύρια δολάρια ΗΠΑ για έρευνα και ανάπτυξη τεχνητής νοημοσύνης και η Ευρωπαϊκή Επιτροπή ξοδεύει περίπου 1 δισεκατομμύριο ευρώ (1,05 δισεκατομμύρια δολάρια) ετησίως. Αντίθετα, εταιρείες σε όλο τον κόσμο ξόδεψαν περισσότερα από 340 δισεκατομμύρια δολάρια για έρευνα τεχνητής νοημοσύνης το 2021 (Ν. Αχμέτ et al. Επιστήμη 379884–886; 2023). Υπάρχουν τρόποι με τους οποίους οι κυβερνήσεις θα μπορούσαν να χρηματοδοτήσουν έρευνα τεχνητής νοημοσύνης σε μεγαλύτερη κλίμακα, για παράδειγμα με τη συγκέντρωση πόρων. Η Συνομοσπονδία Εργαστηρίων για την Έρευνα Τεχνητής Νοημοσύνης στην Ευρώπη, ένας μη κερδοσκοπικός οργανισμός με έδρα τη Χάγη της Ολλανδίας, πρότεινε τη δημιουργία ενός «CERN για την Τεχνητή Νοημοσύνη» που μπορεί να προσελκύσει το ίδιο επίπεδο ταλέντων με τις εταιρείες τεχνητής νοημοσύνης και έτσι να δημιουργήσει μια περικοπή -περιβάλλον έρευνας αιχμής.

Είναι δύσκολο να προβλεφθεί πότε μπορεί να φτάσει το AGI — οι εκτιμήσεις κυμαίνονται από μερικά χρόνια από τώρα έως μια δεκαετία ή και περισσότερο. Αλλά σίγουρα θα συμβούν περισσότερες τεράστιες προόδους στην τεχνητή νοημοσύνη, και πολλές από αυτές πιθανότατα θα προέρχονται από τη βιομηχανία, λαμβάνοντας υπόψη την κλίμακα των επενδύσεων. Για να διασφαλιστεί ότι αυτές οι εξελίξεις είναι επωφελείς, η έρευνα από εταιρείες τεχνολογίας πρέπει να επαληθευτεί χρησιμοποιώντας την καλύτερη τρέχουσα κατανόηση του τι συνιστά ανθρώπινη νοημοσύνη, σύμφωνα με τις νευροεπιστήμες, τη γνωστική επιστήμη, τις κοινωνικές επιστήμες και άλλους σχετικούς τομείς. Αυτή η δημόσια χρηματοδοτούμενη έρευνα πρέπει να διαδραματίσει βασικό ρόλο στην ανάπτυξη του AGI.

Η ανθρωπότητα πρέπει να φέρει σε εφαρμογή όλη τη γνώση, ώστε οι εφαρμογές της έρευνας της τεχνητής νοημοσύνης να είναι ισχυρές και οι κίνδυνοι της να μετριάζονται όσο το δυνατόν περισσότερο. Οι κυβερνήσεις, οι εταιρείες, οι χρηματοδότες έρευνας και οι ερευνητές πρέπει να αναγνωρίσουν τις συμπληρωματικές δυνάμεις τους. Εάν δεν το κάνουν, τότε οι πληροφορίες που θα μπορούσαν να βοηθήσουν στη βελτίωση της τεχνητής νοημοσύνης θα χαθούν – και τα συστήματα που προκύπτουν κινδυνεύουν να είναι απρόβλεπτα και επομένως μη ασφαλή.