Potrebe po obsežnih podatkih in veliki računski moči potrebni za optimalno delovanje AI klepetalnih robotov poudarjajo nenehno evolucijo na področju umetne inteligence. Krepitev učenja, pomemben proces za izboljšanje delovanja AI, se v glavnem zanaša na povratne informacije ljudi za določanje kakovosti odziva AI. Posledično več podatkov, ki jih vnesemo v te modele, bolj natančni in zanesljivi postanejo ter zmanjšujejo pogostost »halucinacij« ali napačnih izhodov.
Vgrajena želja po »gigantizmu« zahteva osupljivo računske moči med učnim procesom in pozneje, da bi zadostila milijonom uporabnikov. Na primer, ChatGPT je marca pohvalil aktivno uporabniško bazo 200 milijonov posameznikov. Zagotavljanje takšnih računskih zmogljivosti predpostavlja neprecedenčno razpoložljivost strojne opreme, programske opreme in energije, kar napoveduje novo obdobje v zgodovini računalništva.
Ustvarjanje in vzdrževanje teh obsežnih jezikovnih sistemov zahteva finančne obveznosti, ki si jih lahko privoščijo le izbrani velikani. Tehnološki velikani – Meta, Microsoft, Google in Amazon – naj bi v samo prvih štirih mesecih leta 2004 v svojo tehnološko infrastrukturo vložili vrtoglavih 32 milijard dolarjev za podporo pridruženim funkcionalnostim napredne umetne inteligence.
To postavlja nepremostljivo oviro pri vstopu na trgu, ki naj bi do leta 2031 narasel na ocenjeno tržno vrednost 1 bilijon dolarjev. Zmanjševanje te ovire za vstop je postala osrednja točka, pri čemer se koraki usmerjajo v nove učne modele, ki bistveno zmanjšujejo potrebo po človeškem posredovanju pri prilagajanju podatkov. Te inovativne modele, kot jih vidimo v rešitvah evropskega zagonskega podjetja Mistral in zagonskih podjetjih, kot sta Claude podjetja Anthropic ali prihajajoče Llama 3 podjetja Meta, naj bi po mnenju napovedovali do sedemkrat bolj energetsko učinkoviti kot tisti, ki jih uporabljata OpenAI in Google Gemini.
Nedavno so raziskovalci pri Amazonu predstavili metodo (model disgorgement), ki omogoča odstranjevanje nepotrebnih podatkov in napak iz modelov umetne inteligence brez ponovnega zagona od začetka.
Vendar pa najbolj prelomno inovacijo predstavlja razvoj manjših, specializiranih in stroškovno učinkovitih sistemov umetne inteligence. Te pomanjšane modele je mogoče uporabljati v pametnih telefonih, kamerah in senzorjih, s čimer postanejo napredne zmogljivosti umetne inteligence dostopne manjšim podjetjem in strokovnjakom brez potrebe po oblaku ali internetni povezavi, kar bolj učinkovito naslavlja zasebnost in zaščito podatkov.
Ta teden je bil objavljen Microsoftov Phi-3 in Appleov OpenELM, družine jezikovnih modelov, ki delujejo z manj računskimi viri in so javno dostopni. Microsoftova serija Phi-3, po besedah Sébastiena Bubecka, podpredsednika za raziskave generativne umetne inteligence pri Microsoftu, odstopa od industrijskih trendov z osredotočanjem na obvladljive modele, kot je Phi-3 mini, kot zamenjava za večje sisteme v sodelovanju s podjetjem OpenAI. Robustno delovanje Phi-3, podobno brezplačni različici 3.5 znamke ChatGPT, pripisujejo skrbni kuraciji učnih podatkov, ki zagotavlja kakovost in natančnost.
Apple, ki ima podobno filozofijo, je zasnoval OpenELM, da bi se dobro obnesel na iPhonu in drugih napravah z usklajevanjem delovanja z zahtevami sistema, kar omogoča lokalno delovanje neposredno na uporabnikovi napravi.
Pomembnost in izzivi naprednih klepetalnih robotov AI
Nenehno napredovanje klepetalnih robotov AI vodi do pomembnih razvojev na področju obdelave naravnega jezika in interakcije z uporabniki. Eno od kritičnih vprašanj je zagotavljanje, da lahko klepetalni roboti zagotavljajo natančne in ustrezne informacije ter hkrati vzdržujejo koherentne in kontekstno ozaveščene pogovore. To zahteva obsežne podatke in napredne algoritme, ki pogosto zahtevajo veliko računskih moči in finančnih virov.
Ključna vprašanja in odgovori:
1. Zakaj je računska moč pomembna za klepetalne robote AI?
Računska moč je ključna za usposabljanje AI modelov na obsežnih podatkovnih nizih in za obdelavo več uporabniških zahtev hkrati, kar je potrebno za zagotavljanje hitrih in natančnih odzivov.
2. Kaj pomeni ‘gigantizem’ v AI?
‘Gigantizem’ se nanaša na trend ustvarjanja vedno večjih AI modelov, ki za dosego boljše zmogljivosti in sposobnosti interakcije, podobne človeškim, zahtevajo več podatkov in računskih virov.
3. Kako vplivajo vlaganja tehnoloških velikanov na trg umetne inteligence?
Velika vlaganja velikih korporacij postavljajo ovire za vstop manjšim podjetjem zaradi visokih stroškov razvoja in vzdrževanja naprednih sistemov umetne inteligence.
4. Kaj so “halucinacije” v kontekstu AI?
‘Halucinacije’ se nanašajo na primere, ko AI zagotavlja napačne ali nesmiselne informacije zaradi neustreznega usposabljanja ali omejitev razumevanja konteksta.
5. Kakšne koristi imajo manjši, specializirani modeli AI?
Manjši modeli lahko delujejo na napravah z manj računsko močjo, kar omogoča napredne zmogljivosti AI širši javnosti, hkrati pa naslavlja pomisleke glede zasebnosti in varstva podatkov.
Ključne izzive in kontroverze:
Dostop do podatkov: Napredni sistem AI zahteva obsežne podatkovne nize za usposabljanje, kar dviguje pomisleke o zasebnosti uporabnikov in etični uporabi podatkov.
Računske in energetske stroške: Računski viri, potrebni za te AI sisteme, imajo okoljske posledice zaradi potrebne energije, kar poudarja potrebo po bolj energetsko učinkovitih modelih.
Tržno prevlado: Visoki stroški vstopa krepijo prevlado tehnoloških velikanov, kar lahko duši inovacije in konkurenco na področju umetne inteligence.
Zasebnost in varnost: Z integracijo AI v vsakdanje življenje se povečujejo tveganja za osebno zasebnost in skrbi za varnost AI sistemov pred zlonamerno uporabo.
Prednosti in slabosti naprednih AI klepetalnih robotov:
Prednosti
– Učinkovitejše storitve za stranke: AI klepetalni roboti lahko opravljajo veliko interakcij s strankami hkrati in zagotavljajo hitre in natančne odzive.
– Dostopnost: Manjši AI sistemi se lahko uporabljajo na osebnih napravah, kar širi njihovo dostopnost.
– Zasebnost: Delovanje AI sistemov lokalno na napravi lahko izboljša zasebnost uporabnika in varnost podatkov.
Slabosti
– Visoki stroški: Razvoj in vzdrževanje naprednih AI sistemov zahtevata pomembne finančne naložbe, ki si jih ne morejo privoščiti vsa podjetja.
– Računska zahtevnost: Intenzivne računske zahteve lahko prispevajo k okoljskim posledicam in zahtevajo znatno energijo.
– Nadzor kakovosti: Zagotavljanje, da AI sistem generira natančne in zanesljive informacije, ostaja izziv, še posebej pri modelih manjšega obsega.
Vsem, ki jih zanima več o tehnoloških velikanih, ki se poglobljeno ukvarjajo z AI, spodaj so povezave do njihovih glavnih domen:
– Microsoft
– Apple
– Google
– Amazon
– Meta
Prosimo, upoštevajte, da vas te povezave usmerjajo na osnovne strani teh korporacij, ki ponujajo pregled njihovih različnih tehnologij, vključno s klepetalnimi roboti AI in drugimi inovacijami.
[vključi]https://www.youtube.com/embed/kO7yA8-PkdQ[/vključi]