In augustus 1955 diende een groep wetenschappers een verzoek in voor financiering van $ 13 om een zomerseminar te houden aan Dartmouth College, New Hampshire. Het gebied dat ze voorstelden te verkennen was kunstmatige intelligentie (AI). Hoewel de financieringsaanvraag bescheiden was, was de hypothese van de onderzoekers niet: "Elk aspect van leren of elk ander kenmerk van intelligentie kan in principe zo nauwkeurig worden beschreven dat een machine kan worden gebouwd om het te imiteren."
Sinds dit bescheiden begin hebben films en media AI geromantiseerd of afgeschilderd als een schurk. Voor de meeste mensen is AI echter slechts een kwestie van discussie gebleven en geen onderdeel van bewuste levenservaring.
Eind vorige maand kwam AI in de vorm van ChatGPT is uitgebroken uit sciencefiction-speculatie- en onderzoekslaboratoria en op de desktops en telefoons van het grote publiek. Dit is de zogenaamde "generatieve AI" - een onverwacht intelligent geformuleerde prompt kan een essay schrijven of een recept en een boodschappenlijstje maken, of een gedicht maken in de stijl van Elvis Presley.
Hoewel ChatGPT is de meest indrukwekkende nieuwkomer in een jaar van generatief AI-succes, systemen zoals deze hebben een nog groter potentieel getoond om nieuwe inhoud te creëren, en tekst-naar-beeld-prompts worden gebruikt om levendige beelden te creëren die zelfs kunstwedstrijden hebben gewonnen. AI heeft misschien nog geen levend bewustzijn of de theorie van de geest die populair is in sciencefictionfilms en romans, maar het komt dichter bij het op zijn minst verstoren van wat we denken dat kunstmatige-intelligentiesystemen kunnen doen.
Onderzoekers die nauw met deze systemen samenwerken, zwijmelen bij het vooruitzicht van intelligentie, zoals in het geval van Google's LaMDA Large Language Model (LLM). LLM is een model dat is getraind om natuurlijke taal te verwerken en te genereren.
Generatieve AI heeft ook zorgen geuit over plagiaat, de exploitatie van originele inhoud die wordt gebruikt om modellen te bouwen, de ethiek van informatiemanipulatie en misbruik van vertrouwen, en zelfs het "einde van programmeren".
Wat betekent AI eigenlijk?
Centraal bij dit alles staat een vraag waarvan de relevantie sinds het zomerseminar in Dartmouth is toegenomen: is AI anders dan menselijke intelligentie? Om als AI te worden beschouwd, moet een systeem blijk geven van een bepaald niveau van leren en aanpassen. Om deze reden zijn besluitvormings-, automatiserings- en statistische systemen geen AI. In grote lijnen is AI verdeeld in twee categorieën: artificial narrow intelligence (AI) en artificial general intelligence (AI). Momenteel bestaat de SHI niet. Een belangrijke uitdaging voor het bouwen van algemene AI is om de wereld adequaat te modelleren met alle kennis, op een consistente en bruikbare manier. Dat is op zijn zachtst gezegd een grootschalige opgave.
Het meeste van wat we tegenwoordig als AI kennen, heeft beperkte intelligentie – waarbij een specifiek systeem een specifiek probleem oplost. In tegenstelling tot menselijke intelligentie is dergelijke beperkte AI-intelligentie alleen effectief in het domein waarin ze is getraind: zoals fraudedetectie, gezichtsherkenning of sociale aanbevelingen. En AI zal op dezelfde manier functioneren als een persoon. Momenteel is het meest prominente voorbeeld van pogingen om dit te bereiken het gebruik van neurale netwerken en diep leren, getraind op enorme hoeveelheden gegevens.
Neurale netwerken zijn geïnspireerd op hoe het menselijk brein werkt. In tegenstelling tot de meeste machine learning-modellen, die berekeningen uitvoeren op trainingsgegevens, werken neurale netwerken door elk gegevenspunt beurtelings door een onderling verbonden netwerk te voeren, waarbij de parameters elke keer worden aangepast. Naarmate er meer en meer gegevens door het netwerk worden gevoerd, stabiliseren de parameters, wat resulteert in een "getraind" neuraal netwerk dat vervolgens de gewenste output kan produceren op basis van nieuwe gegevens, bijvoorbeeld door te herkennen of een afbeelding een kat of een hond bevat.
Een belangrijke sprong voorwaarts in de ontwikkeling van kunstmatige intelligentie vandaag is te danken aan technologische verbeteringen in de methoden voor het leren van grote neurale netwerken, die het mogelijk maken om tijdens elke run een groot aantal parameters aan te passen dankzij de mogelijkheden van grote cloud computing-infrastructuren. Zo is GPT-3 (het AI-systeem dat ChatGPT aandrijft) een groot neuraal netwerk met 175 miljard parameters.
Wat is er nodig om kunstmatige intelligentie te laten werken?
Kunstmatige intelligentie heeft drie dingen nodig om succesvol te werken. Ten eerste heeft hij kwaliteit, objectieve gegevens en heel veel nodig. Onderzoekers die neurale netwerken bouwen, gebruiken grote hoeveelheden data die zijn ontstaan dankzij de digitalisering van de samenleving.
Als aanvulling op menselijke programmeurs haalt Co-Pilot zijn gegevens uit miljarden coderegels die op GitHub worden gehost. ChatGPT en andere grote taalmodellen gebruiken de miljarden websites en tekstdocumenten die op internet zijn opgeslagen.
Hulpprogramma's voor het converteren van tekst naar afbeelding, zoals Stabiele diffusie, SLAB-2 en Midjourney, gebruik afbeelding-tekstparen van datasets zoals LAION-5B. AI-modellen zullen blijven evolueren naarmate we meer van ons leven digitaliseren en ze alternatieve gegevensbronnen geven, zoals simulatiegegevens of gegevens van game-instellingen zoals Minecraft.
AI heeft ook computerinfrastructuur nodig om effectief te kunnen trainen. Naarmate computers krachtiger worden, kunnen modellen die nu intensieve inspanning vergen en grootschalige berekeningen in de nabije toekomst lokaal worden verwerkt. Zo kan het Stable Diffusion-model al draaien op lokale computers en niet in cloudomgevingen. De derde behoefte aan AI zijn verbeterde modellen en algoritmen. Datagestuurde systemen blijven snelle vorderingen maken op gebieden die ooit werden beschouwd als het domein van menselijke cognitie.
Omdat de wereld om ons heen echter voortdurend verandert, moeten AI-systemen voortdurend worden bijgeschoold met behulp van nieuwe gegevens. Zonder deze belangrijke stap zullen AI-systemen antwoorden geven die feitelijk onjuist zijn of geen rekening houden met nieuwe informatie die naar voren is gekomen sinds ze zijn getraind.
Neurale netwerken zijn niet de enige benadering van AI. Een ander opmerkelijk kamp in het onderzoek naar kunstmatige intelligentie is symbolische AI - in plaats van enorme hoeveelheden gegevens te verwerken, vertrouwt het op regels en kennis die vergelijkbaar zijn met het menselijke proces van het vormen van interne symbolische representaties van bepaalde fenomenen.
Maar de afgelopen tien jaar is het machtsevenwicht sterk doorgeslagen in de richting van datagestuurde benaderingen, en de 'grondleggers' van modern deep learning ontvingen onlangs de Turing-prijs, het equivalent van de Nobelprijs voor informatica.
Data, berekeningen en algoritmen vormen de basis van toekomstige AI. Alle indicatoren wijzen op snelle vooruitgang in alle drie de categorieën in de nabije toekomst.
U kunt Oekraïne helpen vechten tegen de Russische indringers. De beste manier om dit te doen is door geld te doneren aan de strijdkrachten van Oekraïne via Red het leven of via de officiële pagina NBU.