Τα μοντέλα τεχνητής νοημοσύνης βασίζονται σε έναν συνεχή ρεύμα ποικίλων δεδομένων για να τροφοδοτήσουν τις ερμηνείες και τις δημιουργίες τους. Όταν αντιμετωπίζουν έλλειψη ανθρώπινων εισόδων, αυτά τα συστήματα AI εμπλέκονται σε έναν αυτοαναφερόμενο κύκλο, με δυνητικά ανησυχητικές συνέπειες καθώς τρέφονται με το δικό τους παραγόμενο περιεχόμενο.
Μια πρόσφατη μελέτη που διεξήχθη από ερευνητές από διάσημα πανεπιστήμια έχει φωτίσει την επίδραση της εκπαίδευσης γεννητικών μοντέλων AI σε συνθετικές εισόδους αντί για δεδομένα ανθρώπινης προέλευσης. Με τον όρο Διαταραχή Αυτοφαγίας Μοντέλου (MAD), αυτό το φαινόμενο θαμβάζει με τη νευρολογική διαταραχή σε αγελάδες που προκύπτει από την καννιβαλιστική συμπεριφορά. Αντίστοιχα, χωρίς φρέσκα πραγματικά δεδομένα, τα μοντέλα AI κινδυνεύουν να υποβαθμίσουν την ποιότητα και την ποικιλομορφία των εξόδων τους.
Ο Υπολογιστικός Μηχανικός Richard Baraniuk υπογραμμίζει τη σημασία των πραγματικών δεδομένων στην εκπαίδευση μελλοντικών γεννητικών μοντέλων για να αποφευχθεί η “τρέλα” της MAD. Πειράματα έχουν δείξει ότι τα μοντέλα που εκπαιδεύονται μόνο σε συνθετικά δεδομένα εμφανίζουν αυξανόμενες παραμορφώσεις και αρτεργκές στα αποτελέσματά τους με την πάροδο του χρόνου, τονίζοντας την ανάγκη για έναν ισορροπημένο συνδυασμό εισόδων.
Καθώς ο όγκος του περιεχομένου που δημιουργείται από την τεχνητή νοημοσύνη στο διαδίκτυο αυξάνεται, προκύπτουν ανησυχίες για την πιθανή υποβάθμιση της ποιότητας των δεδομένων και την αύξηση του “Slop” – του μη επιθυμητού περιεχομένου που δημιουργείται από την τεχνητή νοημοσύνη. Οι ειδικοί προειδοποιούν ότι η έλλειψη ποικιλομορφίας πραγματικών δεδομένων θα μπορούσε να οδηγήσει σε απρόβλεπτες συνέπειες στην εξέλιξη της δημιουργικότητας της τεχνητής νοημοσύνης. Η πρόκληση μπροστά μας είναι να διατηρήσουμε μια ισορροπία μεταξύ αυθεντικότητας και καινοτομίας στα δεδομένα που τροφοδοτούν την καινοτομία της τεχνητής νοημοσύνης.