• Tweet

Nu mai puțin de 76% de oameni de știință dintr-un grup de 475 de experți în domeniul IA au declarat că extinderea actualilor algoritmi de inteligență artificială pentru procesarea limbajului natural (LLM) este „improbabilă" sau „foarte improbabilă" pentru a atinge AGI (inteligența artificială generală), relatează TechFinitive.

Pe scurt, este puțin probabil ca abordările actuale ale inteligenței artificiale (IA) să creeze modele care să egaleze inteligența umană, cu atât mai puțin să atingă atât de vehiculatul nivel de super inteligență artificială (ASI).

Studiul, realizat de Asociația Internațională pentru Avansul Inteligenței Artificiale, reprezintă o respingere notabilă a predicțiilor industriei tehnologice care, de la boom-ul IA din 2022, a susținut că modelele actuale de vârf în IA au nevoie doar de mai multe date, hardware, energie și bani pentru a depăși inteligența umană.

Acum, pe măsură ce lansările recente de modele par să stagneze, majoritatea cercetătorilor intervievați consideră că mai toate companiile tehnologice au ajuns la un capăt de drum - și banii nu le vor ajuta să iasă din impas.

„Companiile de AI au investit deja prea mult și nu își pot permite să admită că au făcut o greșeală și să fie în afara pieței timp de câțiva ani, când trebuie să ramburseze bani investitorilor care au investit sute de miliarde de dolari. Așa că tot ce pot face este să își dubleze eforturile. Investițiile masive în extindere, fără eforturi comparabile pentru a înțelege cu adevărat procesul, mi s-au părut întotdeauna greșite", a declarat Stuart Russell, cercetător în cadrul Universității din California, Berkeley.

Îmbunătățirile aduse LLM-urilor în ultimii ani se datorează parțial arhitecturii lor de bază. Aceasta este un tip de arhitectură de învățare profundă, creată prima dată în 2017 de oamenii de știință de la Google, care crește și învață în timp ce asimilează datele oferite de contribuțiile umane.

Ea permite modelelor să genereze tipare probabilistice din rețelele lor neuronale (colecții de algoritmi de învățare automată aranjați pentru a imita modul în care învață creierul uman).

Proiecțiile arată însă că datele finite generate de oameni, esențiale pentru creșterea ulterioară, cel mai probabil vor fi epuizate până la sfârșitul acestui deceniu. Odată ce acest lucru se va întâmpla, alternativele vor fi să se înceapă colectarea de date private de la utilizatori sau să se alimenteze modele cu date „sintetice" generate de AI, ceea ce le-ar putea pune în pericol de a colapsa din cauza erorilor proprii.

Spre exemplu, unele programe IA le-au recomandat utilizatorilor să adauge adeziv în mâncare sau să consume pietre zilnice pentru o sănătate mai bună.

Dar limitările modelelor actuale nu sunt probabil doar din cauza resurselor necesare, spun experții din sondaj, ci și din cauza limitărilor fundamentale ale arhitecturii lor.

„Circuitele au limitări fundamentale ca modalitate de a reprezenta concepte. Acest lucru implică faptul că circuitele trebuie să fie uriașe pentru a reprezenta astfel de concepte chiar și aproximativ, ceea ce duce la cerințe vaste de date și la o reprezentare fragmentată, cu lacune. Acesta este motivul pentru care, de exemplu, jucători umani obișnuiți pot învinge cu ușurință programele de Go controlate de IA", a adăugat Stuart Russell.

Modelele de învățare artificială devin mai performante pe măsură ce se extind, dar continuă să întâmpine obstacole precum:

• Lipsa memoriei pe termen lung și a capacității de planificare.
• Dificultăți în generalizarea informațiilor dincolo de datele de antrenament
• Înțelegerea limitată a realității fizice

Mai mult, 77% dintre experți sugerează că industria ar trebui să se concentreze pe crearea de IA cu un „profil acceptabil de risc-beneficiu" în loc să vizeze direct AGI. De asemenea, 82% consideră că AGI ar trebui să fie un bun public, iar majoritatea sunt de părere că cercetarea în acest domeniu ar trebui să continue, dar cu măsuri de siguranță.

Problemele legate de inexactitate - cum ar fi „halucinațiile" (unde modelele inventează informații) rămân o barieră. Îmbunătățirea acurateței necesită dezvoltări în arhitectura rețelelor neuronale, instrumente externe de verificare a informațiilor și o mai bună calitate a datelor de instruire, potrivit respondenților.

Astfel de blocaje au reprezentat provocări majore pentru companiile care încearcă să îmbunătățească performanța AI.

Presupunerile că îmbunătățirile pot fi realizate doar prin scalare au fost, de asemenea, contrazise de compania chineză DeepSeek, care a egalat performanța modelelor scumpe din Silicon Valley la costuri și un consum de energie cu mult mai reduse. Din aceste motive, 79% dintre respondenți au declarat că percepțiile asupra capacităților AI nu corespund realității.

„Există mulți experți care cred că IA este doar o bulă speculativă," a subliniat Stuart Russell. „Mai ales când modele cu performanțe rezonabile sunt oferite gratuit."

Evoluția IA nu se termină însă, neapărat, o fundătură tehnologică. Există soluții, însă este nevoie de o cu totul altă abordare.

Succesul companiei DeepSeek evidențiază un potențial ridicat pentru inovație în proiectarea sistemelor IA. Totodată, programarea probabilistică este considerată o alternativă promițătoare pentru a aduce tehnologia mai aproape de AGI decât modelele actuale bazate pe circuite.

„Industria tehnologică pariază masiv pe aplicațiile de IA generativă," a declarat Thomas Dietterich, profesor emerit în științe computaționale din cadrul Universității din Oregon. „În trecut, marile avansuri tehnologice au avut nevoie de 10 până la 20 de ani pentru a genera randamente semnificative."

Dietterich a mai adăugat că multe dintre startup-urile IA din prezent se vor confrunta cu eșecuri. „Cele mai multe vor eșua. Este adevărat că unele vor reuși, însă mi-aș dori să pot ști care vor fi acestea", a subliniat specialistul american.