AGI-ის მოლოდინი და ტექნოლოგიური გიგანტების მიტოვების ტენდენცია
ხელოვნური ინტელექტის სფეროში ამჟამად უცნაური პარადოქსი შეიმჩნევა. ერთი მხრივ, Nvidia-ს აღმასრულებელი დირექტორი ჯენსენ ჰუანგი და OpenAI-ის ხელმძღვანელობა საჯაროდ აცხადებენ, რომ „ხელოვნური ზოგადი ინტელექტის“ (AGI - ხელოვნური ინტელექტი, რომელსაც ადამიანის მსგავსად ნებისმიერი ინტელექტუალური დავალების შესრულება შეუძლია) ეპოქა უკვე დამდგარია. მეორე მხრივ, ინდუსტრიის ყველაზე ნათელი გონებები — ადამიანები, რომლებმაც თანამედროვე მოდელების საფუძვლები შექმნეს — მასობრივად ტოვებენ Google DeepMind-ს, OpenAI-სა და Meta-ს, რათა საკუთარი „ნეოლაბორატორიები“ დააფუძნონ.
რატომ ტოვებენ ექსპერტები ლიდერ კომპანიებს?
სპეციალისტების გადინება არ არის მხოლოდ კარიერული ცვლილება. ისეთი ფიგურები, როგორებიც არიან ილია სუტსკევერი (OpenAI-ის თანადამფუძნებელი), ჯერი ტვორეკი (რომელმაც OpenAI-ის მსჯელობის უნარის მქონე მოდელები შექმნა) თუ დევიდ სილვერი (AlphaGo-ს შემქმნელი), ახალი სტარტაპებისკენ მიემართებიან. მიუხედავად იმისა, რომ მათ მიერ დაფუძნებულ ბევრ კომპანიას ჯერ არც ერთი მოდელი ან სამეცნიერო ნაშრომი არ წარუდგენია, ინვესტორები მათ მილიარდობით დოლარს უხდიან. მაგალითად, სუტსკევერის Safe Superintelligence-მა (SSI) დაფინანსების სახით უკვე მილიარდები მოიზიდა, ხოლო Flapping Airplanes-მა, რომელსაც საჯარო პროდუქტი არ გააჩნია, ოქტომბერში ერთი მილიარდი დოლარის ინვესტიცია მიიღო.
ამ ფენომენის უკან დგას ეჭვი, რომ დღევანდელი „რეცეპტი“ — გიგანტური ენობრივი მოდელების უზარმაზარი მონაცემებით გაწვრთნა — AGI-ს მისაღწევად საკმარისი არ არის. ბევრი მკვლევარი თვლის, რომ არსებული სისტემები ვერ სწავლობენ უწყვეტად და ეფექტურად. ისინი ხაფანგში არიან მოქცეულნი: დიდი კორპორაციები, როგორიცაა Google ან OpenAI, ორიენტირებულნი არიან პროდუქტის სწრაფ გამოშვებაზე, რაც კვლევითი რისკების აღების საშუალებას არ იძლევა. ამას მენეჯმენტის თეორიაში „ინოვატორის დილემას“ უწოდებენ.
კვლევითი მიზნები და ტექნოლოგიური გამოწვევები
ახალი სტარტაპები ყურადღებას ამახვილებენ იმ ხარვეზებზე, რომლებსაც გიგანტები ან ვერ ამჩნევენ, ან არ ალაგებენ რესურსებს მათ აღმოსაფხვრელად. ერთ-ერთი მთავარი გამოწვევა არის „უწყვეტი სწავლა“ (continual learning). დღევანდელი მოდელები გაწვრთნის შემდეგ სტატიკურები რჩებიან; მათ არ შეუძლიათ ახალი გამოცდილების მუდმივ მეხსიერებად გარდაქმნა. სტარტაპები, როგორებიცაა Core Automation და Adaption, ცდილობენ შექმნან არქიტექტურები, რომლებიც მონაცემთა მცირე რაოდენობით შეძლებენ ადაპტირებასა და განვითარებას.
ასევე, აქტუალურია ეფექტურობის საკითხი. მკვლევარი სარა ჰუკერი აღნიშნავს, რომ „მასშტაბირების ეპოქა“ ნელ-ნელა კვდება. მხოლოდ მეტი გამოთვლითი სიმძლავრისა და მონაცემების გამოყენება აღარ იძლევა ისეთ შედეგებს, როგორც ადრე. შესაბამისად, ახალი ლაბორატორიები ეძებენ გზებს, რათა მოდელები გახდნენ უფრო კომპაქტური, სწრაფი და ნაკლებად ენერგომოხმარებადი.
რა ელის ინდუსტრიას?
მიუხედავად იმისა, რომ სტარტაპების გზა რთულია, მათი არსებობა აუცილებელია ეკოსისტემისთვის. ხშირად, მცირე გუნდების მიერ გაკეთებული აღმოჩენები სწრაფად ხდება ინდუსტრიული სტანდარტი. გიგანტები, როგორიცაა Microsoft ან Google, მუდმივად აკვირდებიან ამ ახალ მოთამაშეებს და ხშირად მათ შთანთქმას ცდილობენ, რათა არ ჩამორჩნენ ტექნოლოგიურ რბოლას.
ქართველი მომხმარებლებისთვის ეს ნიშნავს, რომ ხელოვნური ინტელექტის განვითარება არ შეჩერდება მხოლოდ რამდენიმე კორპორაციის ფარგლებში. ინოვაციების დეცენტრალიზაცია შესაძლოა მალე გვაძლევდეს უფრო პერსონალიზებულ და ჭკვიან ხელსაწყოებს, რომლებიც არა მხოლოდ კითხვებზე პასუხის გაცემას, არამედ რეალურ, უწყვეტ სწავლასა და პრობლემების გადაჭრას შეძლებენ.