Dirbtinis intelektas šiandien yra vienas iš tų terminų, kurį girdi kone kiekvieną dieną – naujienose, reklamose, pokalbiuose su kolegomis darbe. Bet jei paklausi dešimt žmonių, kas tai iš tikrųjų yra, gausi dešimt skirtingų atsakymų. Vieniems tai robotai iš mokslinės fantastikos filmų, kitiems – ChatGPT tipo programa, treti mano, kad tai kažkokia magiška sistema, kuri viską žino ir viską gali. Tiesa, kaip visada, yra kur kas prozaiškesnė ir tuo pačiu įdomesnė.
Iš esmės dirbtinis intelektas – tai kompiuterinių sistemų sritis, kurios tikslas priversti mašinas atlikti užduotis, reikalaujančias žmogiško mąstymo: atpažinti vaizdus, suprasti kalbą, priimti sprendimus remiantis duomenimis, mokytis iš patirties. Nėra čia jokios sąmonės ar savivokos – bent jau kol kas. Yra matematika, statistika ir labai daug duomenų.
Nuo ko viskas prasidėjo
Dirbtinio intelekto sąvoka atsirado dar 1956 metais Dartmuto konferencijoje, kur mokslininkai pirmą kartą oficialiai suformulavo idėją – ar galima sukurti mašiną, kuri mąstytų panašiai kaip žmogus. Tuo metu entuziazmas buvo milžiniškas, žadėta, kad per kelis dešimtmečius kompiuteriai prilygs žmogaus intelektui. Realybė pasirodė kur kas sudėtingesnė.
Sekė keli vadinamieji „DI žiemos“ periodai, kai finansavimas ir susidomėjimas krito, nes lūkesčiai gerokai lenkė tuometines technines galimybes. Situacija pradėjo keistis rimčiau tik apie 2010-uosius, kai susijungė trys dalykai: milžiniškas duomenų kiekis internete, pigesnė ir galingesnė skaičiavimo galia (ypač grafikos procesoriai) bei patobulinti mašininio mokymosi algoritmai. Būtent tada gilusis mokymasis pradėjo demonstruoti rezultatus, kurių anksčiau niekas nesitikėjo.
Kaip iš tikrųjų veikia šitas „mąstymas“
Čia dažnai kyla painiava. Dirbtinis intelektas nemąsto taip, kaip mąsto žmogus. Jis neturi supratimo, sąmoningumo ar intencijos. Tai, ką jis daro – randa statistinius dėsningumus milžiniškuose duomenų masyvuose ir remiantis jais priima sprendimus arba generuoja atsakymus.
Paimkime paprastą pavyzdį – vaizdo atpažinimo sistemą, kuri turi atskirti katę nuo šuns. Sistemai parodomi tūkstančiai, dažnai milijonai, katių ir šunų nuotraukų su pažymėjimais, kas yra kas. Algoritmas per daugybę iteracijų koreguoja savo vidinius parametrus, kol pradeda vis tiksliau atskirti šiuos gyvūnus pagal vizualius požymius – formą, tekstūrą, proporcijas. Tai vadinama mašininiu mokymusi, o konkrečiai – prižiūrimu mokymusi, nes duomenys buvo pažymėti iš anksto.
Sudėtingesnės sistemos, tokios kaip didieji kalbos modeliai, veikia panašiu principu, tik vietoj vaizdų analizuoja tekstą. Jie mokosi numatyti, koks žodis (tiksliau – token) turėtų sekti po ankstesnių žodžių, remdamiesi milžiniškais teksto kiekiais iš interneto, knygų, straipsnių. Rezultatas atrodo stebėtinai panašus į supratimą, bet iš esmės tai labai sudėtinga tikimybinė prognozė.
Siauras ir bendrasis DI – svarbus skirtumas
Praktiškai visas šiandien naudojamas dirbtinis intelektas priklauso vadinamajai siauro DI (angl. narrow AI) kategorijai. Tai reiškia, kad sistema puikiai atlieka vieną konkrečią užduotį – atpažįsta veidus, verčia tekstą, rekomenduoja filmus, žaidžia šachmatais – bet už tos srities ribų yra visiškai bejėgė. Šachmatų varikliukas, sumušantis pasaulio čempioną, nesugebės net elementariai suprasti, kad reikia pereiti gatvę.
Antra kategorija – bendrasis dirbtinis intelektas (AGI), gebantis mąstyti universaliai, kaip žmogus, ir prisitaikyti prie bet kokios naujos užduoties be papildomo mokymo. Tokio dalyko dar nėra sukurta, ir nuomonės, kada (ar ar apskritai) jis atsiras, labai skiriasi – nuo optimistiškų prognozių, minimų dešimtmečio ribose, iki skeptiškų teiginių, kad tai gali niekada neįvykti dabartinėmis technologijomis.
Yra ir trečia, hipotetinė kategorija – super intelektas, pranokstantis žmogaus protą visose srityse. Tai jau grynai teorinis, futuristinis lygmuo, apie kurį daugiau diskutuoja filosofai ir mokslinės fantastikos autoriai nei inžinieriai.
Neuroniniai tinklai paprastais žodžiais
Didžioji dalis šiuolaikinio DI proveržio remiasi dirbtiniais neuroniniais tinklais – matematiniais modeliais, iš tolo primenančiais smegenų neuronų sąveiką. Kiekvienas „neuronas“ gauna informaciją, ją apdoroja pagal tam tikrą svorį ir perduoda tolimesniam sluoksniui. Kai tokių sluoksnių yra daug – kalbame apie gilųjį mokymąsi (deep learning).
Įsivaizduokite tai kaip labai sudėtingą filtravimo sistemą. Pirmasis sluoksnis gal atpažįsta paprasčiausius elementus – kraštus, linijas nuotraukoje. Kitas sluoksnis iš tų elementų sudėlioja formas. Trečiasis – objektus. Kuo daugiau sluoksnių, tuo abstraktesnius dalykus sistema gali atpažinti. Būtent toks principas leido sukurti sistemas, atpažįstančias vėžio ląsteles medicininėse nuotraukose tiksliau nei patyrę gydytojai, arba generuojančias visiškai realistiškus veidus, kurie niekada realiai neegzistavo.
Transformerių architektūra, kuria remiasi dauguma šiuolaikinių kalbos modelių, prideda dar vieną svarbų elementą – dėmesio mechanizmą (attention). Jis leidžia modeliui „suprasti“, kurie sakinio žodžiai yra svarbiausi konteksto prasme, net jei jie nutolę vienas nuo kito. Būtent tai lėmė kokybinį šuolį tekstų generavime nuo 2017–2018 metų.
Kur tai jau veikia šiandien, o ne fantastikoje
Dirbtinis intelektas seniai nebėra ateities technologija – jis integruotas į daugybę kasdienių įrankių, dažnai net nepastebimai:
- Rekomendacijų sistemos – Netflix, Spotify ar internetinės parduotuvės siūlymai remiasi jūsų elgesio analize.
- Kalbos apdorojimas – balso asistentai, vertimo paslaugos, teksto autokorekcija telefone.
- Sukčiavimo aptikimas – bankai analizuoja transakcijų šablonus realiu laiku, ieškodami anomalijų.
- Medicina – diagnostikos sistemos, padedančios analizuoti rentgeno ar MRT vaizdus.
- Autonominiai transporto sprendimai – nuo pilnai autonominių automobilių iki pažangių pagalbos vairuotojui sistemų.
- Turinio generavimas – tekstų, vaizdų, kodo kūrimas naudojant generatyvinius modelius.
Įdomu tai, kad daugelis šių sistemų veikia „už scenos“ – žmogus net nesuvokia, kad su jomis sąveikauja. Kai ieškote informacijos „Google“ paieškoje, DI algoritmai jau seniai dalyvauja nustatant, kokie rezultatai jums bus rodomi pirmiausia.
Klaidingi įsitikinimai, kurie tik trukdo suprasti esmę
Vienas dažniausių mitų – kad DI „supranta“ tai, ką sako ar rašo. Iš tikrųjų kalbos modeliai neturi jokio suvokimo apie pasaulį tokia prasme, kaip žmogus. Jie gali suklysti labai įtikinamai – šis reiškinys vadinamas haliucinacija, kai sistema sugeneruoja informaciją, skambančią patikimai, bet neatitinkančią tiesos.
Kitas paplitęs klaidingas įsitikinimas – kad DI yra objektyvus ir neutralus, nes „tai tik matematika“. Realybėje algoritmai atspindi tuos duomenis, kuriais buvo mokomi. Jei duomenyse yra šališkumo – pavyzdžiui, istoriniai priėmimo į darbą sprendimai diskriminavo tam tikrą grupę – modelis tą šališkumą gali perimti ir net sustiprinti. Tai realus, jau ne vieną kartą dokumentuotas reiškinys, ir kaip tik dėl to DI etika tapo atskira, sparčiai auganti disciplina.
Trečias mitas – kad DI netrukus pakeis visas profesijas. Tikroji tendencija atrodo kitaip: DI dažniau pakeičia užduotis, o ne ištisas profesijas. Žmogus, mokantis efektyviai naudotis DI įrankiais, dažnai tampa produktyvesnis nei tas, kuris jų vengia, nepriklausomai nuo srities.
Praktiniai patarimai tiems, kas nori pradėti gilintis
Jei norite pradėti suprasti šią sritį rimčiau, o ne tik paviršutiniškai, štai kelios rekomendacijos, kurios realiai padeda:
- Pradėkite naudotis viešai prieinamais įrankiais praktiškai – ChatGPT, Claude, Gemini, vaizdų generatoriais. Praktinė patirtis duoda daugiau supratimo nei teorija be konteksto.
- Nesitikėkite tobulumo. Suvokite ribas – ypač generuojant faktinę informaciją, visada tikrinkite šaltinius.
- Jei domitės technine puse, pradėkite nuo Python kalbos ir bibliotekų, tokių kaip scikit-learn, prieš pereinant prie sudėtingesnių gilaus mokymosi karkasų kaip PyTorch.
- Sekite ne tik technologines naujienas, bet ir diskusijas apie DI reguliavimą – pvz., ES dirbtinio intelekto aktą, nes tai keis, kaip DI galės būti naudojamas versle.
- Vertindami DI generuotą darbą – tekstą, kodą, analizę – visada taikykite kritinį mąstymą. Įrankis yra tik toks geras, koks geras yra jį naudojantis žmogus.
Vietoj taško – kur tai mus veda toliau
Dirbtinis intelektas nėra nei stebuklas, nei grėsmė savaime – tai įrankis, kaip elektra ar internetas savo laiku. Jo poveikis priklausys nuo to, kaip žmonės nuspręs jį naudoti, kokias taisykles nustatys ir kiek atsakingai jį integruos į kasdienį gyvenimą bei verslą. Technologija, keičianti duomenų statistiką į sprendimus, gali atrodyti bauginanti, bet suprantant jos mechaniką – ne magiją, o algoritmus, mokymąsi iš duomenų ir tikimybines prognozes – dingsta didžioji dalis mistikos.
Ateinantys metai tikrai atneš dar daugiau pokyčių – modeliai taps galingesni, prieinamesni, integruoti dar giliau į kasdienius įrankius. Bet vienas dalykas nesikeis: kritinis mąstymas ir supratimas, kaip ši technologija veikia iš tikrųjų, liks vertingesni už bet kokį naują modelio pavadinimą ar versijos numerį. Kas šiandien skamba kaip ateities technologija, po metų bus tiesiog dar vienas mygtukas naršyklėje – todėl verta suprasti esmę dabar, kol dar galima ramiai apmąstyti, o ne tik reaguoti į pokyčius.
