Штучний інтелект пройшов через багато циклів захоплення і розчарування. Сьогодні ми перебуваємо на висхідній фазі завдяки розробці великих мовних моделей (LLM) на основі архітектури Transformer. Ця архітектура особливо добре підходить для графічних процесорів, дозволяючи використовувати величезні обсяги даних і обчислювальну потужність для навчання моделей з мільярдами параметрів. Найважливішим наслідком є створення нового інтерфейсу користувача для комп'ютерів: людської мови.
Так само, як графічний інтерфейс користувача зробив персональний комп'ютер доступним для мільйонів користувачів у 1980-х роках, нові інтерфейси природної мови зробили ШІ доступним для сотень мільйонів користувачів по всьому світу за останній рік.
Незважаючи на цю очевидну доступність, "демократизація", яку обіцяють рішення SaaS, залишається недосконалою і частковою, створюючи нові форми нерівності.
ШІ все ще вимагає специфічних навичок:
- ШІ-грамотність і розуміння обмежень систем
- Здатність критично оцінювати результати
- Навички інтеграції в бізнес-процеси
Джон Маккарті ввів термін "штучний інтелект" у 1950-х роках, але сам він скаржився: "Як тільки він запрацював, ніхто більше не називає його штучним інтелектом". Це явище, відоме як "ефект ШІ", продовжує впливати на нас і сьогодні.
Історія ШІ рясніє успіхами, які, ставши достатньо надійними, вже не вважаються достатньо "розумними", щоб заслуговувати на цей багатообіцяючий епітет.
Приклади технологій, які колись вважалися передовим ШІ, а тепер сприймаються як належне:
- Машинний зір тепер вбудований у кожен смартфон
- Розпізнавання голосу, тепер просто "диктування
- Мовний переклад та аналіз настроївРекомендаційні системи (Netflix, Amazon) та оптимізація маршрутів (Google Maps)
Це частина ширшого явища, яке ми можемо назвати "парадоксом кордону".
Оскільки ми приписуємо людині межу за межами нашої технологічної майстерності, ця межа завжди буде нечітко визначеною. Інтелект - це не те, що ми можемо схопити, а горизонт, що постійно наближається, який ми перетворюємо на корисні інструменти.
Поширення генеративного ШІ різко знизило витрати на виробництво і передачу інформації, що має парадоксальні наслідки для цілей громадянської участі.
Поєднання генеративного ШІ та соціальних мереж створило:
- Когнітивне перевантаження та посилення вже існуючих упереджень
- Більша соціальна поляризація
- Легкість маніпулювання громадською думкою
- Поширення фальсифікованого контенту
Спрощені інтерфейси приховують роботу ШІ:Погане розуміння автоматизованих процесів прийняття рішеньТруднощі в ідентифікації алгоритмічних упереджень
Обмежена кастомізація базових моделейВажливість автоматизованого інтелекту, керованого людиною ШІ може пройти лише 90% шляху.
Машини чудово справляються з аналізом великих обсягів даних, але мають проблеми з граничними випадками. Алгоритми можна навчити обробляти більше винятків, але після певного моменту необхідні ресурси переважують переваги. Люди - це точні мислителі, які застосовують принципи до прикордонних випадків, тоді як машини - це апроксиматори, які приймають рішення на основі попередніх
Як описує Gartner цикли технологічного хайпу, за диким ентузіазмом завжди слідує розчарування - "долина розчарувань".
Алан Кей, піонер комп'ютерних наук і лауреат премії Тюрінга, сказав: "Технологія є технологією лише для тих, хто народився до того, як її винайшли". Фахівці з машинного навчання - це науковці та інженери, але їхні зусилля завжди здаються магічними - доки одного дня вони не стають такими.
Гомогенізація та втрата конкурентних перевагШироке впровадження однакових готових SaaS-рішень призводить до:Конвергенції до схожих бізнес-процесівТруднощів диференціації за допомогою AIIнновацій, обмежених можливостями платформиПерсистентність даних та пов'язані з нею ризики
Завдяки доступності генеративних платформ ШІ:Дані зберігаються з часом в цифрових інфраструктурахТочки даних можуть бути повторно використані в різних контекстах
Створюється небезпечне коло, коли майбутні покоління ШІ навчаються на синтетичному контенті.
Ринок АІ поділяється на:
- Товарний ШІ: стандартизовані рішення, доступні для багатьох
- Просунутий власний ШІ: найсучасніші можливості, розроблені кількома великими організаціями
Частково проблема полягає в самому визначенні "штучного інтелекту".
Якщо ми рекурсивно розберемо цей термін, то виявимо, що кожна гілка визначення стосується "людини" або "людей". Отже, за визначенням, ми думаємо про ШІ як про імітацію людини, але як тільки здатність міцно входить у сферу машин, ми втрачаємо людський орієнтир і перестаємо вважати її ШІ.
Корисніше зосередитися на конкретних технологіях, які можна застосувати на практиці, таких як трансформатори для мовних моделей або дифузія для генерації зображень. Це робить нашу здатність оцінювати підприємство набагато чіткішою, відчутнішою та реальнішою.
Парадокс кордону означає, що ШІ розвивається так швидко, що незабаром він стане просто технологією, а новою межею стане ШІ. Становлення "технологією" слід розглядати як визнання ідеї, яка раніше була на межі можливого. Ця стаття була частково натхненна роздумами Sequoia Capital про парадокс штучного інтелекту.
Для отримання додаткової інформації: https://www.sequoiacap.com/article/ai-paradox-perspective/
Реальна перспектива доступного ШІ полягає не просто в тому, щоб зробити технологію доступною, а в тому, щоб створити екосистему, в якій інновації, контроль і вигоди будуть по-справжньому розподілені.
Ми повинні визнати напруженість між доступом до інформації та ризиками перевантаження і маніпуляцій.
Лише підтримуючи сильний людський фактор у штучному інтелекті та використовуючи більш точну мову, ми зможемо реалізувати його потенціал як сили для справді розподіленої інклюзії та інновацій.
.svg)
.svg)
.svg)
.jpeg)
.png)
.jpeg)
