Рассуждая про ИИ сегодня, мы почти всегда подразумеваем большие языковые модели с трансформенной архитектурой, которые хорошо обрабатывают естественный язык и с которыми так удобно общаться через чат.
Этот подход — самый хайповый, но не единственный, и возможно не самый лучший в перспективе.
А как по-другому?
Я не специалист в теме, поэтому сейчас читаю книгу, которая была написана еще в 1991 году.
Становится понятно, что изначально к созданию искусственного интеллекта подходили через попытку понять и воспроизвести естественный интеллект. Но получалось это слабо, а вычислительные мощности развивались так быстро, что этот подход заменили на разработку ИИ на основе его самого — за счет возможностей компьютеров и обучения на множестве данных.
И в чем разница?
Это отстранение от естественного интеллекта легко представить себе на примере классической для исследований по искусственному интеллекту задачи машинного перевода.
Раньше считалось, что задача машинного перевода будет решена, если мы поймем, как устроен и функционирует язык, как люди переводят с одного языка на другой, затем опишем это наше понимание в алгоритмах — вот вам и машинный перевод у нас готов.
Однако дело с пониманием естественных языков и перевода шло не так чтобы очень быстро, да и проблема алгоритмизации уже накопленных знаний была почти не решена. И тогда решили, что машинный перевод можно сделать на основе возросшего быстродействия компьютеров т.е, скорости перебора вариантов, каковых (благодаря необъятной памяти компьютеров) можно накопить бесчисленное количество.
Каждый читатель знает (а если не знает, то может убедиться), что сейчас компьютерный перевод выполняется именно таким образом: накапливается множество переводов каждой фразы, и из этого множества переводов просто выбирается наиболее часто встречающийся.
Это примерно то же самое, как если бы, желая узнать, сколько будет дважды два, опросили бы миллион человек, и выбрали самый частый ответ. Хочется думать, что это был бы ответ «четыре». однако, если мы попробуем таким же образом решить задачу о месте постановки запятой в известной фразе «казнить нельзя помиловать», то результат, каким бы он ни был, вряд ли нас устроит, и уж совсем очевидно, что действовать — Казнить или миловать — на основе ответа, полученного таким способом, — никакой человек в здравом уме не решится.
Получается, ChatGPT бесполезен?
Еще как полезен. Но в тех задачах, для которых его архитектура подходит лучше всего — например, таких, которые связаны с обработкой естественных языков и переводами в широком смысле [наконец-то бизнес и ИТ смогут понять безопасников 🤩].
Ваня Новиков записал хорошие видео как раз на тему таких возможностей и ограничений.
Буквально вчера мы с владельцем одного из наших продуктов с помощью ChatGPT за 15 минут и пару запросов разобрали обратную связь от ключевого клиента и получили такие инсайты, которые не замечали весь прошлый год.
А что насчет интуиции?
Интуиция — это способность понимать и проникать в смысл событий и ситуаций посредством единомоментного бессознательного вывода.
От больших языковых моделей такого ждать не стоит — как бы складно ни отвечал вам любимый GPT, в его архитектуре просто нет того, что может обеспечить понимание смыслов.
Лично мне интересна тема профессиональной интуиции. Я хочу, чтобы у нас с коллегами получилось продвинуть индустрию искусственного интеллекта в эту сторону.
А для этого писать красивые промпты в GPT недостаточно.
Нужны другие подходы, и я рад, что могу почитать о них в книге тридцатилетней давности от наших великих соотечественников.
@startwithease