Megdöbbentő igazság derült ki a ChatGPT-ről: még egy apró rágcsáló szintjét sem éri el az intelligenciája?

LeCun szerint a mai nagy nyelvi modellek (LLM-ek) bizonyos feladatokban – például a kódolásban, a matematikai problémák megoldásában vagy a szöveggenerálásban – kimondottan jól teljesítenek, ezek azonban jól körülhatárolt, kiszámítható problémák. Az LLM-ek lényegében csak tudást halmoznak fel, és gépiesen ismétlik a megtanultakat, ám valójában nincs mögöttes megértésük a valóságról. A szakember megjegyezte, hogy egyelőre nincsenek olyan robotjaink, amelyek akár csak megközelítőleg is olyan jól értenék a fizikai világot, mint egy patkány - tudósított a BBC.

A különbséget egy egyszerű példával szemlélteti. Ha egy tollat a hegyére állítva elengedünk, még egy kisgyermek is tudja, hogy az el fog dőlni, de senki sem próbálja megjósolni, hogy pontosan melyik irányba. Egy nyelvi modell ezzel szemben a tanítóadatok statisztikai mintázatai alapján egyetlen konkrét tippet adna, amely szinte biztosan hibás lenne, mivel a rendszer nem a fizikai valóságról gondolkodik, csupán egy statisztikailag valószínűnek tűnő választ generál.

EZ IS ÉRDEKELHET

Nem várt lépésre készül az Apple: teljesen megújul az iPhone, de nagy ára lehet a döntésnek

Az Apple nagyszabású termékbevezetési stratégiát tervez a következő évekre.

Az AMI Labs által fejlesztett rendszer, a JEPA (Joint Embedding Predictive Architecture, azaz Közös Beágyazásos Prediktív Architektúra) éppen az ilyen helyzetek kezelésére készül. A technológia absztrakciókat hoz létre a valóságról, amelyek kiszűrik a felesleges információkat, és csak a hasznos összefüggéseket hagyják meg, így téve felmérhetővé a cselekvések következményeit. A toll esetében a rendszer előre tudná, hogy nincs értelme megtippelni a dőlés irányát.

A rugalmasabb mesterséges intelligencia a robotikai iparág egyik kulcskérdése. Bár a humanoid robotokba dollármilliárdokat fektettek be, a háztartási feladatok – mint a vasalás vagy a mosogatógép bepakolása – biztonságos betanítása továbbra is rendkívül nehéz és költséges feladat. LeCun szerint a nagy nyelvi modellek alkalmazása erre a célra gyakorlatilag reménytelen, és az az elképzelés, hogy pusztán a rendszerek méretének növelésével elérhetjük az emberfeletti intelligenciát, egyszerűen nem fog megvalósulni.

Sokan osztják ezt a nézetet a szakmában. Ingmar Posner, az Oxfordi Egyetem professzora úgynevezett világmodelleken dolgozik, amelyek célja, hogy a rendszerek megértsék az ok-okozati összefüggéseket, és azt, hogy mi történne egy alternatív döntés esetén. Hasonló kutatásokat folytat a Google DeepMind a Genie projekttel, a londoni Wayve a Gaia modellel, valamint Fej-fej Li World Labs nevű cége is. LeCun elmondása szerint az AMI Labs az idei évet a modell finomításával tölti, jövőre pedig szeretnék azt elsőként ipari környezetben is bevetni.

A jövőt illetően LeCun optimista az emberi szerep megőrzésével kapcsolatban. Véleménye szerint továbbra is szükség lesz az emberekre ahhoz, hogy eldöntsék, milyen kérdéseket érdemes feltenni, és mit érdemes megalkotni. A jövőbeli mesterségesintelligencia-rendszerekkel való kapcsolatunkat egy vállalatvezető és az asszisztensei közötti viszonyhoz hasonlítja, még akkor is, ha ezek az asszisztensek esetenként okosabbak lesznek a főnöküknél.