Γιατί η κατανόηση του κόσμου είναι το νέο «ιερό δισκοπότηρο» της τεχνολογίας.

Η Τεχνητή Νοημοσύνη, όπως τη γνωρίσαμε τα τελευταία χρόνια, έμαθε να γράφει, να μεταφράζει, να προγραμματίζει και να συνομιλεί με εντυπωσιακή ευχέρεια. Όμως το επόμενο όριό της δεν βρίσκεται απαραίτητα σε ακόμη μεγαλύτερα γλωσσικά μοντέλα. Βρίσκεται, σύμφωνα με ανάλυση του Goldman Sachs Global Institute, σε κάτι βαθύτερο: σε μοντέλα που δεν περιορίζονται στην αναγνώριση προτύπων, αλλά επιχειρούν να κατανοήσουν πώς λειτουργεί ο κόσμος.

Τα λεγόμενα «μοντέλα κατανόησης του κόσμου» λειτουργούν σαν εσωτερικοί προσομοιωτές. Επιτρέπουν σε ένα σύστημα να θέτει διαρκώς το ερώτημα: «Αν κάνω αυτό, τι θα συμβεί μετά;». Πρόκειται για μια ικανότητα που οι άνθρωποι χρησιμοποιούν αυτονόητα, όταν φαντάζονται ένα ποτήρι να πέφτει πριν πέσει ή όταν προβλέπουν την εξέλιξη μιας δύσκολης συζήτησης πριν επιλέξουν τις λέξεις τους.

Από την απάντηση στην επίγνωση των συνεπειών

Τα μεγάλα γλωσσικά μοντέλα παραμένουν μετασχηματιστικά. Είναι εξαιρετικά στην επεξεργασία κειμένου και στην ολοκλήρωση προτύπων. Μπορούν, για παράδειγμα, να εξάγουν όρους από δανειακές συμβάσεις ή να συντάξουν σημείωμα για επενδυτική επιτροπή. Ωστόσο στερούνται, όπως επισημαίνεται στην ανάλυση, μιας εσωτερικής αίσθησης του κόσμου που περιγράφουν.

Αυτός ο περιορισμός γίνεται κρίσιμος όταν η ΤΝ καλείται να κινηθεί πέρα από το κείμενο: να ελέγξει ρομπότ, να διαχειριστεί εφοδιαστικές αλυσίδες ή να συντονίσει σύνθετες επιχειρησιακές αποφάσεις. Εκεί η πρόβλεψη της επόμενης λέξης δεν αρκεί. Χρειάζεται κατανόηση περιορισμών, αιτιότητας και συνεπειών.

Οι δύο κόσμοι που μαθαίνει η ΤΝ

Η Goldman Sachs διακρίνει δύο μεγάλες κατηγορίες. Η πρώτη αφορά τον φυσικό κόσμο: βαρύτητα, τριβή, θερμότητα, κίνηση, υλικά. Σε αυτό το πεδίο, τα μοντέλα επιτρέπουν σε ρομπότ και αυτόνομα συστήματα να «εξασκούνται» μέσα σε προσομοιώσεις πριν δράσουν στην πραγματικότητα. Ένα ρομπότ μπορεί να μάθει να περπατά, να πιάνει αντικείμενα ή να ισορροπεί αποτυγχάνοντας χιλιάδες φορές σε ένα ψηφιακό περιβάλλον, όπου η αποτυχία δεν έχει κόστος.

Η δεύτερη αφορά τον κοινωνικό ή εικονικό κόσμο: ανθρώπους, θεσμούς, αγορές, κίνητρα, κανόνες και ισχύ. Εδώ, η ΤΝ δεν προσομοιώνει τη φυσική, αλλά τη συμπεριφορά. Ψηφιακοί πράκτορες με στόχους, μνήμη και περιορισμούς αλληλεπιδρούν μεταξύ τους, επιτρέποντας σε επιχειρήσεις και κυβερνήσεις να δοκιμάζουν σενάρια πριν λάβουν αποφάσεις.

Ένα νέο λειτουργικό σύστημα για αποφάσεις

Η αξία αυτών των μοντέλων δεν είναι ότι προβλέπουν ένα και μοναδικό μέλλον. Είναι ότι αποκαλύπτουν πιθανά μέλλοντα. Δείχνουν πώς μπορεί να εξελιχθεί μια κρίση, πώς διαχέεται ένα πολιτικό σοκ στις αγορές, πώς αντιδρούν ανταγωνιστές, διοικητικά συμβούλια ή κοινωνικές ομάδες υπό πίεση.

Με αυτή την έννοια, τα μοντέλα κατανόησης του κόσμου λειτουργούν ως ένα νέο λειτουργικό σύστημα για τη λήψη αποφάσεων. Δεν προσφέρουν απλώς ταχύτερες απαντήσεις. Προσφέρουν καλύτερη προετοιμασία.

Το κόστος και η επόμενη επενδυτική φάση

Η μετάβαση αυτή, βεβαίως, δεν είναι φθηνή. Οι προσομοιώσεις υψηλής πιστότητας, οι πολυπρακτορικές αλληλεπιδράσεις και ο συνεχής σχεδιασμός απαιτούν μεγάλη υπολογιστική ισχύ. Ωστόσο, η Goldman Sachs υπογραμμίζει ότι το κόστος δεν είναι το μόνο μέτρο. Σε πεδία όπου τα λάθη είναι ακριβά και η πρόβλεψη δίνει στρατηγικό πλεονέκτημα, η αξία της προσομοίωσης μπορεί να ξεπεράσει τον υπολογιστικό της λογαριασμό.

Οι επενδύσεις στα μοντέλα κατανόησης του κόσμου πιθανότατα θα παραμείνουν βραχυπρόθεσμα μικρό μέρος της συνολικής δαπάνης για την ΤΝ. Όμως η κατεύθυνση είναι σαφής: καθώς οι εφαρμογές επεκτείνονται στη ρομποτική, στα αυτόνομα συστήματα, στη στρατηγική και στις υποδομές, οι ανάγκες σε υπολογιστική ισχύ, ενέργεια και εξειδικευμένα συστήματα ενδέχεται να ξεπεράσουν τις σημερινές προβλέψεις.

Το επόμενο όριο

Για μεγάλο μέρος της πρόσφατης ιστορίας της, η Τεχνητή Νοημοσύνη αντιμετωπιζόταν ως μηχανή παραγωγής απαντήσεων. Τα μοντέλα κατανόησης του κόσμου δείχνουν προς κάτι πιο φιλόδοξο: μηχανές που αντιλαμβάνονται πλαίσιο, περιορισμούς και συνέπειες.

Αν τα γλωσσικά μοντέλα έδωσαν στην ΤΝ ευχέρεια, τα world models φιλοδοξούν να της δώσουν επίγνωση. Και αυτό μπορεί να αποδειχθεί η πραγματική αλλαγή παραδείγματος: όχι απλώς μεγαλύτερα μοντέλα, αλλά βαθύτερα συστήματα, ικανά να συλλογίζονται μέσα σε κόσμους και όχι απλώς να τους περιγράφουν.

Πηγή: naftemporiki.gr

ΔΙΑΒΑΣΤΕ ΑΚΟΜΑ

Data centers: Τεράστια ζήτηση σε ρεύμα και νερό φέρνει πιέσεις από Ιαπωνία έως Νέα Υόρκη