Від прогнозів до реалізації ідеї Штучного Інтелекту

Поняття "Штучний інтелект" (ШІ) стало мейнстримним ще декілька десятиліть тому, але за останні роки ми стали свідками значного розвитку в цій галузі. Штучний інтелект вже зараз стає невід'ємною частиною нашого повсякденного життя: від віртуальних помічників до безпілотних автомобілів і персоналізованих рекомендацій у соціальних мережах.

Варто зазначити, що напрацювання теорії штучного інтелекту почалися вже давно та існує багато матеріалів щодо різних аспектів даної галузі. Зрештою не все, що описано втілюється в життя, але є певні основоположні ідеї, які були озвучені та написані нами за багато років до їх нещодавньої реалізації розробниками штучного інтелекту Open AI. Деякі наші прогнози, які були втілені в життя, ми зараз і розглянемо.

Основні ідеї щодо того, як відбувається процес мислення людини та варіантів автоматизувати його були викладені нами у відеоролику шестирічної давнини. https://www.youtube.com/watch?v=5TJVatyQcO4&t=77s.

Зокрема, починаючи з 5:43, розповідається щодо реалізації штучного інтелекту за допомогою величезної кількості даних, які накопичило людство у формі тексту. Для прикладу було запропоновано використання однієї з найбільших бібліотек у відкритому онлайн доступі - англомовну вікіпедію.

Того ж року були опубліковані матеріали наукової конференції, що проводилась на базі Національного технічного університету України "Київський політехнічний інститут імені Ігоря Сікорського" під назвою “Теоретичні основи автоматизації генерації абстракцій” . В тезах доповіді висвітлені принципи генерації ідей в процесі мислення на основі великих масивів даних. Також були подані ідеї щодо розробки алгоритмів, які можуть стати основами моделі штучного інтелекту, що саморозвивається.

Багато років тому ми планували побудову штучного інтелекту з затратами меншої кількості ресурсів, ніж це зробили нинішні розробники таких моделей як ChatGPT. Різниця у тому, що в основу нашого підходу був покладений принцип мислення, який використовує розділення вже існуючих ідей для створення нових.

Навчивши модель використовувати ці два базові принципи мислення на відносно невеликій кількості абстракцій, ми пропонували надалі вказувати шлях, в якому б навчався ШІ. Тобто, освоївши принцип самого мислення, далі ШІ записував би у свою базу, у вигляді графів даних, всю необхідну інформацію для подальших побудов абстракцій, що допомогли б у вирішенні прикладних завдань. Цей принцип нагадує навчання людини, яка спочатку освоює методи обробки інформації, наприклад, математичні дії додавання і віднімання на певній кількості яблук, а потім застосовує засвоєні методи для вирішення прикладних задач, наприклад, у сфері фінансів.

Ми вже тоді знали, що спільнота, яка займається проблемами штучного інтелекту зробила ставку не на сам процес мислення, а на відтворення діяльності людського мозку, що на нашу думку є більш громіздким та ресурсозатратним шляхом побудови сильного ШІ. Нейронні мережі розвивались протягом доволі довгого часу, до того поки стали основою для глибокого навчання. За допомогою моделей нейронних мереж у систему були завантажені мільярди параметрів, на яких вона навчилася прогнозувати наступні рядки тексту. А вже на основі цих навчених моделей розробляються надбудови, що можуть виконувати практичні завдання.

Якби людині дали безліч математичних задач одного типу з рішеннями, то рано чи пізно вона б вивела закономірності і в подальшому змогла б вирішувати подібні математичні задачі тим же способом, яким були вирішені всі показані йому приклади. Саме таким є спосіб побудови ШІ від популярних на даний момент розробників машинного інтелекту. І чим більше типів задач з рішеннями було “згодовано” моделі, тим вона краще на практиці зможе вирішити поставлені перед нею задачі. Це стосується всіх сфер діяльності людини. Саме тому, чим більша кількість параметрів, на яких навчалася модель, тим краще вона справляється з завданнями від користувачів. Розвиток генеративних моделей починався з мільйонів параметрів, а зараз ця цифра сягає сотень мільярдів.

Зрештою, на основі навіть такого алгоритму обробки інформації можлива побудова ШІ, який сам розвиватиметься. Адже на даний момент всі моделі це, поки що, інтерактивна збірка баз даних, з якими може вдало взаємодіяти користувач. А от про штучний інтелект який зможе вирішувати практичні завдання, які перед ним ставитиме людина, перш ніж це стало мейнстрімом в сучасній парадигмі розвитку ШІ заговорили знову ж таки ми в лабораторії EON+.

Під вирішенням практичних завдань ми маємо на увазі, що машина отримає комплексну задачу від людини, та за допомогою розкладання загальної задачі на підзадачі, а також формування детального плану дій для досягнення кінцевої мети, зможе запрограмувати себе для реалізації цього плану.

Наразі лабораторія EON+ займається напрацюваннями алгоритмів Штучного Інтелекту, що саморозвивається. На нашу думку, така тенденція є перспективою найближчого майбутнього. Адже неважко від “всезнаючої” машини логічно прийти до “всевміючої”, а від всемвміючої до такої, що саморовивається.

Поки компанії, що займаються розвитком штучного інтелекту зайняті оптимізацією існуючих моделей та розробки надбудов над ними, ми займаємось наступним трендом - саморозвиваючим себе штучним інтелектом.

Втім, наразі існує ще одна тенденція, на яку ми б хотіли звернути увагу. Дедалі частіше лунають заклики про регуляцію штучного інтелекту. І, на нашу думку, протягом цього року або максимум наступного в дію почнуть вступати обмеження щодо розвитку штучного інтелекту. Це може бути пов’язано з негативними інцидентами, що стануться за участі ШІ, які призведуть до підкріплення позиції тих, хто виступає за жорстку регуляцію сектору.

Але як було вказано в наши матеріалах на початку статті, з яких ми почали наш шлях в даній галузі, наша мета - створення штучного інтелекту для вирішення дійсно важливих завдань для всього людства та формування умов для процвітаючого суспільства за допомогою ШІ.І ми продовжуємо надихатися цими ідеями.