Τα «μοντέλα κατανόησης του κόσμου» βρίσκονται στο επίκεντρο νέας έκθεσης του ΔΝΤ για την Τεχνητή Νοημοσύνη, καθώς θεωρούνται πιθανό επόμενο στάδιο μετά τα μεγάλα γλωσσικά μοντέλα.
Σύμφωνα με την έκθεση, το AI περνά από την απλή παραγωγή απαντήσεων σε συστήματα που μπορούν να προσομοιώνουν καταστάσεις, να εξετάζουν συνέπειες και να υποστηρίζουν πιο σύνθετες αποφάσεις.
Μετά από μια δεκαετία κατά την οποία η Τεχνητή Νοημοσύνη στηρίχθηκε κυρίως σε συστήματα που αναγνωρίζουν πρότυπα και προβλέπουν κείμενο, το ενδιαφέρον μετατοπίζεται πλέον σε μοντέλα που προσπαθούν να κατανοήσουν πώς λειτουργεί ο κόσμος.
Τα μεγάλα γλωσσικά μοντέλα, γνωστά ως LLMs, άλλαξαν ριζικά τον τρόπο με τον οποίο οι μηχανές γράφουν, μεταφράζουν, προγραμματίζουν και συνομιλούν.
Από την πρόβλεψη λέξεων στην κατανόηση συνεπειών
Ωστόσο, έχουν έναν βασικό περιορισμό. Μπορούν να προβλέπουν την επόμενη λέξη με μεγάλη ακρίβεια, αλλά δεν διαθέτουν πάντα εσωτερική κατανόηση της πραγματικότητας που περιγράφουν.
Αυτό γίνεται ιδιαίτερα σημαντικό όταν η Τεχνητή Νοημοσύνη καλείται να λειτουργήσει πέρα από το κείμενο. Για παράδειγμα, όταν πρέπει να ελέγξει ρομπότ, να διαχειριστεί εφοδιαστικές αλυσίδες ή να υποστηρίξει κρίσιμες επιχειρησιακές αποφάσεις, η απλή πρόβλεψη δεν αρκεί.
Όπως επισημαίνεται στο κείμενο, η νοημοσύνη σε αυτά τα πεδία απαιτεί κάτι περισσότερο από συσχετισμούς. Απαιτεί ένα εσωτερικό μοντέλο για το πώς λειτουργεί ο κόσμος και για το τι μπορεί να συμβεί μετά από κάθε ενέργεια.
Τα μοντέλα κατανόησης του κόσμου λειτουργούν σαν εσωτερικοί προσομοιωτές. Επιτρέπουν σε ένα σύστημα να θέτει διαρκώς το ερώτημα: «Αν κάνω αυτό, τι θα συμβεί στη συνέχεια;». Με αυτόν τον τρόπο, η Τεχνητή Νοημοσύνη μπορεί να δοκιμάζει ενέργειες πριν τις εφαρμόσει στην πράξη.
Η προσέγγιση αυτή θυμίζει τον τρόπο με τον οποίο σκέφτονται οι άνθρωποι. Πριν σηκώσουμε ένα ποτήρι, προβλέπουμε αν μπορεί να πέσει. Πριν μιλήσουμε σε μια δύσκολη συνάντηση, εκτιμούμε πώς μπορεί να αντιδράσουν οι άλλοι.
Δύο δρόμοι για το AI: Φυσικός κόσμος και ανθρώπινη συμπεριφορά
Σήμερα, η έρευνα κινείται σε δύο βασικές κατευθύνσεις. Η πρώτη αφορά τα μοντέλα φυσικού κόσμου, που μαθαίνουν κανόνες όπως η βαρύτητα, η τριβή, η θερμότητα και η κίνηση. Η δεύτερη αφορά τα μοντέλα κοινωνικού ή εικονικού κόσμου, που προσπαθούν να προσομοιώσουν ανθρώπινες συμπεριφορές, θεσμούς, αγορές και οργανισμούς.
Στον φυσικό κόσμο, τα μοντέλα αυτά μπορούν να βοηθήσουν ρομπότ και αυτόνομα συστήματα να λειτουργούν με μεγαλύτερη ασφάλεια.
Ένα ρομπότ δεν αρκεί να αναγνωρίζει ένα αντικείμενο. Πρέπει να ξέρει πώς να το πιάσει, πόση δύναμη να ασκήσει και τι μπορεί να πάει στραβά.
Αντί να μαθαίνουν αποκλειστικά με δοκιμή και λάθος στον πραγματικό κόσμο, οι μηχανές μπορούν να εκπαιδεύονται μέσα σε προσομοιώσεις.
Εκεί μπορούν να αποτύχουν χιλιάδες φορές χωρίς πραγματικό κόστος, μέχρι να μάθουν πώς να κινούνται, να ισορροπούν ή να χειρίζονται αντικείμενα.
Αυτή η τεχνολογία έχει ήδη εφαρμογές στα logistics, στη βιομηχανία και στα αυτόνομα οχήματα. Ρομπότ αποθηκών κινούνται με μεγαλύτερη ακρίβεια, μηχανές προσαρμόζονται σε άγνωστα αντικείμενα και αυτόνομα οχήματα δοκιμάζουν δύσκολα σενάρια πριν τα συναντήσουν στον δρόμο.
Στον κοινωνικό κόσμο, τα μοντέλα αυτά εξετάζουν πώς αντιδρούν άνθρωποι, ομάδες και θεσμοί. Εδώ οι «δυνάμεις» δεν είναι η βαρύτητα ή η τριβή, αλλά τα κίνητρα, οι κανόνες, η πληροφόρηση και η ισχύς.
Μέσα σε τέτοια ψηφιακά περιβάλλοντα, πολλοί πράκτορες Τεχνητής Νοημοσύνης μπορούν να αλληλεπιδρούν μεταξύ τους. Ο καθένας έχει στόχους, μνήμη και περιορισμούς.
Από αυτές τις αλληλεπιδράσεις προκύπτουν μοτίβα που μπορούν να βοηθήσουν επιχειρήσεις και κυβερνήσεις να κατανοήσουν καλύτερα σύνθετες καταστάσεις.
Προσομοιώσεις για καλύτερες αποφάσεις σε αγορές και κρίσεις
Οι εφαρμογές μπορεί να είναι σημαντικές για τις αγορές, τη στρατηγική επιχειρήσεων, τη διαχείριση κρίσεων και τη χάραξη πολιτικής.
Μια εταιρεία, για παράδειγμα, θα μπορούσε να δοκιμάσει πώς θα αντιδράσουν ανταγωνιστές, πελάτες ή επενδυτές πριν λάβει μια κρίσιμη απόφαση.
Όπως αναφέρεται, το πλεονέκτημα δεν βρίσκεται απλώς στις ταχύτερες απαντήσεις, αλλά στην καλύτερη προετοιμασία μέσω προσομοίωσης.
Τα συστήματα αυτά δεν υπόσχονται να προβλέπουν ένα μοναδικό μέλλον. Μπορούν όμως να δείχνουν πιθανά σενάρια, διαδρομές και κινδύνους.
Η διαφορά ανάμεσα στην πρόβλεψη και την προσομοίωση είναι κρίσιμη. Η πρόβλεψη αναζητά μία σωστή απάντηση. Η προσομοίωση δείχνει πώς μπορεί να εξελιχθεί ένα σύστημα υπό πίεση και πώς μικρές αποφάσεις μπορεί να οδηγήσουν σε μεγάλες συνέπειες.
Αυτός είναι και ο λόγος που τα μοντέλα κατανόησης του κόσμου θεωρούνται σημαντικά για τη λήψη αποφάσεων.
Μπορούν να λειτουργήσουν σαν ένα νέο «λειτουργικό σύστημα» για οργανισμούς, επιχειρήσεις και θεσμούς, βοηθώντας τους να δοκιμάζουν στρατηγικές πριν τις εφαρμόσουν.
Το AI περνά σε νέα φάση με περισσότερες υποδομές
Η συζήτηση δεν αφορά την αντικατάσταση των μεγάλων γλωσσικών μοντέλων. Πιο πιθανό είναι τα μελλοντικά συστήματα Τεχνητής Νοημοσύνης να συνδυάζουν γλωσσικά μοντέλα, φυσικούς προσομοιωτές και μοντέλα κοινωνικής συμπεριφοράς.
Με άλλα λόγια, τα LLMs μπορεί να παραμείνουν η γλωσσική διεπαφή, δηλαδή ο τρόπος με τον οποίο οι άνθρωποι δίνουν εντολές και λαμβάνουν εξηγήσεις.
Τα μοντέλα κατανόησης του κόσμου, όμως, θα μπορούσαν να αναλάβουν τον σχεδιασμό, την προσομοίωση και την εκτίμηση συνεπειών.
Η εξέλιξη αυτή έχει και σημαντικές οικονομικές επιπτώσεις. Αν τα μοντέλα κατανόησης του κόσμου αναπτυχθούν σε μεγάλη κλίμακα, οι ανάγκες για υπολογιστική ισχύ, ενέργεια, chips και εξειδικευμένες υποδομές μπορεί να αυξηθούν πέρα από τις σημερινές προβλέψεις.
Το κόστος της προσομοίωσης και η αξία της εξειδίκευσης
Βραχυπρόθεσμα, οι επενδύσεις σε τέτοια μοντέλα πιθανότατα θα παραμείνουν μικρό μέρος της συνολικής δαπάνης για την Τεχνητή Νοημοσύνη.
Ωστόσο, η πορεία μπορεί να αλλάξει γρήγορα, καθώς οι εφαρμογές τους επεκτείνονται στη ρομποτική, στις προσομοιώσεις, στα αυτόνομα συστήματα και στον στρατηγικό σχεδιασμό.
Το κόστος παραμένει σημαντικό ζήτημα. Οι προσομοιώσεις υψηλής πιστότητας και οι αλληλεπιδράσεις πολλών πρακτόρων απαιτούν μεγάλη υπολογιστική ισχύ.
Ωστόσο, σε τομείς όπου τα λάθη κοστίζουν ακριβά, η αξία της προσομοίωσης μπορεί να είναι μεγαλύτερη από το κόστος της.
Τα μοντέλα αυτά δεν χρειάζεται να προσομοιώνουν ολόκληρο τον κόσμο. Μπορούν να είναι εξειδικευμένα. Ένα ρομπότ αποθήκης δεν χρειάζεται να κατανοεί τη γεωπολιτική.
Μια προσομοίωση κρίσης δεν χρειάζεται να γνωρίζει χημεία. Η αξία βρίσκεται στη σωστή αναπαράσταση του συγκεκριμένου περιβάλλοντος όπου λαμβάνονται αποφάσεις.
Από τις απαντήσεις στην κατανόηση της πραγματικότητας
Οι επιπτώσεις είναι βαθιές. Για χρόνια, η Τεχνητή Νοημοσύνη αντιμετωπιζόταν κυρίως ως ένα σύστημα που παράγει απαντήσεις.
Τα μοντέλα κατανόησης του κόσμου δείχνουν προς κάτι πιο φιλόδοξο: μηχανές που κατανοούν πλαίσιο, περιορισμούς και συνέπειες.
Αν τα μεγάλα γλωσσικά μοντέλα έδωσαν στην Τεχνητή Νοημοσύνη ευχέρεια στη γλώσσα, τα μοντέλα κατανόησης του κόσμου μπορούν να της δώσουν καλύτερη επίγνωση της κατάστασης.
Η νοημοσύνη δεν θα μετριέται μόνο από το πόσο πειστικές απαντήσεις δίνει ένα σύστημα, αλλά από το πόσο καλά μπορεί να κινηθεί μέσα σε σύνθετες πραγματικότητες.
Ακολουθήστε το Business Daily στο Google news
