Поточна гонка за створенням ще потужніших систем штучного інтелекту базується на припущенні, що більше даних, більше обчислювальної потужності, а отже, більші алгоритми незмінно призведуть до значних покращень у можливостях ШІ. Проте зростаюча кількість досліджень і нові тенденції свідчать про те, що це припущення може бути помилковим, і одержимість масштабуванням може призвести до неочікуваних проблем.
Міф про постійне вдосконалення
Широко поширене переконання, що більші моделі штучного інтелекту постійно забезпечуватимуть кращу продуктивність, походить від спостережуваного успіху масштабування в минулому. Ранні досягнення в таких сферах, як розпізнавання зображень і обробка природної мови, справді були зумовлені можливістю навчання величезних моделей на гігантських наборах даних. Це породило наратив – і бізнес-модель – зосереджену на масштабі.
Однак останні дослідження вказують на зменшення прибутків і несподіване погіршення продуктивності штучного інтелекту в міру його зростання. Це явище, яке іноді називають «мозковою гниллю», підкреслює, що просте збільшення розміру ШІ не гарантує збільшення можливостей. Подача моделям низькоякісного орієнтованого на залучення контенту, такого як той, який часто зустрічається в соціальних мережах, може фактично зменшити їхні когнітивні навички.
Реальність гниття мозку та якість даних
Вплив якості даних є важливим і часто забутим фактором у розробці ШІ. Швидкий розвиток моделей штучного інтелекту, таких як Doubao від ByteDance, демонструє, що зручний дизайн і переконливий досвід користувача часто можуть переважати сиру обчислювальну потужність. У випадку Doubao його доступність і простота використання сприяли його популярності, перевершуючи навіть більш просунуті моделі, такі як DeepSeek. Це підкреслює важливість надання пріоритету користувальницькому досвіду та практичному застосуванню, а не просто погоні за масштабом обчислень.
Крім того, тенденція передавати моделям дані, оптимізовані для взаємодії, а не точність чи глибину, погіршує їх здатність міркувати та вирішувати складні проблеми. Це схоже на те, як люди можуть стати менш розумними, коли постійно стикаються з поверхневим і сенсаційним контентом.
Альтернативні підходи до розробки ШІ
Обмеження простого масштабування моделей ШІ спонукають до пошуку альтернативних підходів.
- Відкрите співробітництво: Визнаючи потенційну прогалину в моделях штучного інтелекту з відкритим кодом у США, стартапи виступають за демократизацію штучного інтелекту, дозволяючи будь-кому запускати навчання з підкріпленням. Це сприяє спільним інноваціям і запобігає контролю над розвитком технологій кількома домінуючими гравцями.
- Зосередьтеся на архітектурних інноваціях: Замість того, щоб сліпо шукати більші моделі, дослідники досліджують нові архітектури, які можуть досягти кращої продуктивності з меншою кількістю параметрів. Extropic, наприклад, розробляє мікросхеми, призначені для ефективної обробки ймовірності, потенційно кидаючи виклик домінуванню традиційних кремнієвих процесорів від таких компаній, як Nvidia, AMD і Intel.
- Перегляд ролі штучного інтелекту: Як показують тести агентів штучного інтелекту, поточні системи штучного інтелекту все ще далекі від можливостей людини автоматизувати економічно важливі завдання. Це вимагає більш реалістичної оцінки потенціалу ШІ та зосередження на сферах, де він може доповнювати, а не замінювати людський інтелект.
Довгострокові наслідки та пастка «еншітифікації».
Зростаючі витрати на навчання та розгортання все більших моделей ШІ викликають занепокоєння щодо довгострокової стійкості та доступності. Крім того, прагнення до прибутку та влади може призвести платформи штучного інтелекту до пастки «еншітифікації», теорії, яка передбачає, що платформи, які спочатку є корисними для користувачів, поступово погіршують свою якість, щоб максимізувати прибуток, що зрештою завдає шкоди як користувачам, так і самій платформі. Потреба в етичних рекомендаціях і надійній нормативно-правовій базі стає все більш важливою для запобігання такому сценарію.
Підсумовуючи, хоча масштабування моделей штучного інтелекту, безсумнівно, призвело до значного прогресу, дані свідчать про те, що невпинна гонитва галузі за розміром сама по собі нежиттєздатна та потенційно контрпродуктивна. Зосередження на якості даних, сприяння співпраці з відкритим кодом і дослідження архітектурних інновацій мають вирішальне значення для розкриття справжнього потенціалу штучного інтелекту та уникнення загрозливих ефектів бульбашки. Настав час перевести розмову за межі «більше — краще» до більш продуманого та сталого підходу до розробки ШІ.
