Obszar informatyki jest żywy dzięki postępom w dziedzinie sztucznej inteligencji (AI), technologii symulujących aspekty ludzkiej inteligencji. Reprodukując ludzką kognicję, systemy AI poszerzyły swoje horyzonty, obejmując szereg zadań, począwszy od identyfikacji obiektów na obrazie aż po prognozowanie trendów na rynku akcji.
Od momentu narodzin ery komputerów, naukowcy starali się stworzyć AI. Początkowo skupiano się na tworzeniu obszernych baz danych faktów i reguł dla programów podejmujących logiczne decyzje. Jednak w XXI wieku nastąpił przełomowy zwrot, polegający na umożliwieniu maszynom uczenia się i tworzenia własnych zbiorów danych – co zaowocowało znaczącym postępem w branży.
W ciągu ostatniej dekady AI wykazała nadzwyczajne możliwości w różnych dziedzinach. Maszyny identyfikują złośliwe guzy na obrazach medycznych, opanowują złożone gry takie jak szachy i Go, a nawet przewidują strukturę białek. Te postępy zdają się przybliżać do „nadludzkiego” poziomu, podważając ograniczenia ludzkiej zdolności.
Jednym z pionierskich skoków w dziedzinie AI była wprowadzenie agentów konwersacyjnych, takich jak ChatGPT. Co istotne, eksperci jak Sara Hooker, prezes laboratorium badawczego Cohere For AI, podkreślają znaczenie tego postępu, sugerując zbliżenie do tego, co jest znane jako Sztuczna Ogólna Inteligencja (AGI) – AI odzwierciedlającej wszechstronną inteligencję obserwowaną u ludzi.
Jak funkcjonuje AI?
Uczenie maszynowe (ML), podzbiór AI, dominuje dzisiejszy krajobraz, koncentrując się na pozwalaniu komputerom na analizę danych i identyfikowanie wzorców dla dokonywania przewidywań. Algorytmy, pisane przez programistów, kierują tą analizą danych, prowadząc do modelu statystycznego kodującego odkryte wzorce. Te modele mogą następnie generować przewidywania, gdy dostarczy się im nowych danych.
Współczesna dziedzina AI w dużym stopniu wykorzystuje sieci neuronowe – zbiory algorytmów luźno wzorowane na ludzkim mózgu, znane z regulacji siły połączeń wśród „sztucznych neuronów”. Wśród nich głębokie uczenie obejmuje sieci neuronowe posiadające wiele warstw „sztucznych neuronów” i stało się standardem wiodącym w badaniach AI od czasu stwierdzenia, że wysoko wydajne jednostki obliczeniowe, znane jako GPU, przyspieszają procesy głębokiego uczenia.
Sieci neuronowe AI prezentują różne „architektury” w zależności od zadań, dla których zostały zaprojektowane. Sieci neuronowe splotowe, inspirowane korą wzrokową zwierząt, doskonale sprawdzają się w zadaniach wzrokowych, podczas gdy sieci neuronów rekurencyjnych, zdolne do obsługiwania sekwencyjnych danych dzięki swojej pamięci wewnętrznej, specjalizują się w przetwarzaniu sekwencji.
Ponadto, szkolenie algorytmów może różnić się w zależności od zastosowania. Uczenie nadzorowane, gdzie ludzie etykietują każdy kawałek danych, jest powszechne. Natomiast uczenie nienadzorowane pozwala AI na samodzielne odkrywanie wzorców w danych nieoznaczonych, co prowadzi do potencjalnie bogatszych modeli. Uczenie ze wzmocnieniem, które leży u podstaw systemów AI opanowujących gry poprzez próby i błędy, dostosowuje wewnętrzne reguły na podstawie informacji zwrotnej.
Ostatnie postępy w modelach językowych drogą modelowania LLM, takich jak te widziane w ChatGPT, oferują spojrzenie w przyszłość generatywnej AI zdolnej do tworzenia odpowiedzi na podstawie danych wejściowych w formatach tekstowym, obrazowym i wideo. Te modele wykorzystują specjalistyczne architektury głębokiego uczenia „transformer”, doskonałe do uczenia nienadzorowanego na dużych zbiorach danych sekwencyjnych. Zdolność do lepszego zrozumienia kontekstu poprzez rozpoznawanie relacji między odległymi punktami danych stanowi znaczny postęp, sugerując rozwej możliwości w prędko ewoluującej narracji dziedziny AI.