Tehisintellekti (AI) üks pioneere ja Meta tehisintellekti peateadlane Yann LeCun ütles inimese tasemel tehisintellektist rääkides, et „selline tehisintellekti tase ei ole ainult nurga taga. See võtab kaua aega ja nõuab uusi teaduslikke läbimurdeid, millest me veel ei tea.” Läbimurretest aga puudust ei ole – need toimuvad lihtsalt vaikselt. Muljetavaldavad AI tulemused pälvivad avalikkuse areenil suurema osa tähelepanust, kuid diskussioon keskendub harva sellele, mida teaduslikud avastused võivad järgneda. Mis siis AI teaduses tänapäeval uut on ja kas jõuame lähemale inimese tasemel AI loomisele? Selles blogipostituses vaatame, millised on praegu tehisintellekti läbimurded inimtasemel.
Mis on inimtasemel tehisintellekt?
Inimtasemel tehisintellekt viitab tavaliselt tehisintellektile, mis suudab mõista konteksti, lahendada tundmatuid probleeme, õppida uuest teabest ja rakendada teadmisi erinevate ülesannete täitmisel. See ei tähenda tingimata, et tehisintellekt mõtleb täpselt nagu inimene, vaid et see suudab täita laia valikut kognitiivseid ülesandeid võrreldava paindlikkusega.
Praegused tehisintellekti süsteemid suudavad juba tekste genereerida, keeli tõlkida, küsimustele vastata ja otsuste langetamist toetada, kuid neil on endiselt piirid arutlusvõimes, usaldusväärsuses, konteksti mõistmises ja põhjendamises. Seetõttu keskenduvad tehisintellekti hiljutised läbimurded mitte ainult suurematele mudelitele, vaid ka parematele arutlusmeetoditele, spetsialiseeritud arhitektuuridele ja usaldusväärsematele viisidele tulemuste hindamiseks.
Tehisintellekt õpib arutlema
Üks viimaseid läbimurdeid on nn mõtteahela (inglise keeles chain of thought) mehhanism. Selle olemus ei seisne vastuse koheses „väljatulistamises“, nagu seda tegigi varem tehisintellekt, vaid järjestikuses ülesande lahendamises. Kuidas see näeb välja praktikas?
Kujutage ette: inimene kaalub X kilogrammi ja tahab teada, millist ravimiannust ta peaks võtma. Annotatsioon näitab, et üks kilogramm kehakaalu vajab Y milligrammi ravimit ja arvutatud päevane annus tuleks jagada kolmeks võrdseks osaks ning võtta hommikul, lõunal ja õhtul. Mida teeks inimene? Esmalt arvutaks ta välja kogu päevase annuse, seejärel jagaks selle kolmega. Sama asja teeb praegu ka tehisintellekt – ta ei anna eelnevalt ära õpitud vastust, vaid lahendab ülesande samm-sammult. See on juba arutluskäik.
Seda põhimõtet arendatakse edasi. Välja on töötatud nn mõttepuu tehnika, mille puhul üks mõte võib anda mitu alternatiivi ning tehisintellekt hindab, milline alternatiiv loogiliselt kõige tõenäolisemalt eesmärgini viib. Teisisõnu õpib tehisintellekt mitte ainult vastust andma, vaid ka arutlema: mis on sarnane sellega, mis juhtus koolis matemaatikatundide ajal, kui oli oluline mitte ainult tulemust saada, vaid ka näidata õiget meetodit lahenduse leidmiseks. Arutlemine on üks seni selgemini inimtasemel tehisintellekti läbimurretest. Kui hästi tehisintellekt arutleb, sõltub endiselt tema treeningandmete kvaliteedist, väljakutse, mida uurisime artiklis The LLM-i treeningandmete dilemma.
Arendatav keeleneutraalne tehisintellekt – lootus väikestele keeltele
Väikekeeled ei suuda veel täielikult ära kasutada tehisintellekti potentsiaali, kuid selles suunas tehakse tööd väga aktiivselt – eesmärk on mudelid muuta keeleneutraalseks.
Läbi on viidud uuring, mille käigus kasutati suurt keelemudelit, mida treeniti vaid inglise keelega. Kui mudelile esitati taanikeelsed tekstid, suutis ta edukalt kohaneda. Analüüsides mudeli struktuuri selgus, et enim muutusid sisendi ja väljundiga – ehk keele töötlemisega – seotud parameetrid. See tähendab, et mudelis olevad teadmised ei ole ei inglise ega taani keeles – need on keeleneutraalsed. See meenutab inimese võimet mõelda keelest sõltumatult: kuigi ma omandan infot inglise keeles, saan seda hiljem tõlgendada ja edastada leedu keeles. Tänapäeval ei ole teadus veel täielikult aru saanud, kuidas luua universaalset keelest sõltumatut mudelit, kuid on ilmne, et me jõuame sellele lähemale.
Mida see tähendab meile kui väikese keele esindajatele? Kui see idee edasi areneb, siis pole enam vaja koguda tohutuid tekstikogusid, testida mudeleid ja olla pidevalt suurte keelte sabas. AI mudelitel on juba palju keeleülest teadmist. Jääb üle vaid täiendada neid spetsiifilise leedu sisuga – näiteks sellega, mida teistes keeltes lihtsalt pole – ja meil on AI, mis töötab leedu keelega sama tõhusalt kui inglise keelega. Väiksemate keelte jaoks võib see olla kõige olulisem inimtasemel AI läbimurre. Sellest, kuidas AI mudelid väiksematele keeltele hoiavad tehisintellekti võidujooksus sammu meie eraldi artiklis.
Hajutatud mõtlemisest koostööd tegevate süsteemideni
Veel üks oluline tehisintellekti arengusuund on mudeliarhitektuur. Ühe hiiglasliku, kõiketeadva mudeli asemel kasutatakse üha enam DeepSeeki väljatöötatud „ekspertide segu“ (inglise keeles mixture of experts) põhimõtet. Tänapäeval kasutatakse seda ka täiustatud keelemudelite, näiteks uusimates Groki või Llama versioonides. Idee on lihtne, kuid tõhus: mudeli sees tegutsevad eraldiseisvad „eksperdid“, kellest igaüks on spetsialiseerunud oma valdkonnale. Kui kasutaja esitab küsimuse, valib algoritm välja sobivaimad eksperdid ja aktiveerib nad konkreetse ülesande jaoks. See mitte ainult ei säästa arvutusressursse – sellel toimimispõhimõttel on ilmseid sarnasusi inimmõistuse toimimisega. Meie aju erinevad piirkonnad vastutavad erinevate funktsioonide eest: üks tõlgendab keelt, teine töötleb matemaatilist ja kolmas – emotsionaalset või loomingulist sisu. Tehisintellekti areng tuletab meile veel kord meelde, et intellekt ei ole kõike juhtiv jõud, vaid tal on palju erinevaid võimeid, mis omandavad tähenduse ainult siis, kui töötavad koos.
Sarnast detsentraliseerimise loogikat kasutatakse ka teises tehisintellekti arendamise suunas: agendisüsteemides. Sel juhul ei looda mitte üht kõiketeadvat mudelit, vaid võrgustik, mis koosneb spetsialiseerunud agentidest, kes suudavad iseseisvalt tegutseda: analüüsida, planeerida, eesmärki saavutada, otsuseid hinnata ja vajadusel koostööd teha. Kujutlegem inimekspertide meeskonda: igaüks neist tunneb oma valdkonda, töötab individuaalselt või koordineerib teistega tegevusi ühise eesmärgi saavutamiseks. Seda põhimõtet võtab üle ka agendipõhine tehisintellekt: hajutatud, autonoomne intelligentsus, mis ei ole mitte ainult võimeline tegutsema, vaid ka meie eest otsustama. Ja meie, inimesed, kas oleme selleks valmis? Töökohal on see idee juba praktiline: assistendid nagu Tilde Workplace'i tehisintellekti assistent laske töötajatel esitada küsimusi oma organisatsiooni teadmiste kohta loomulikus keeles.
Mitte võidujooks, vaid peegel: mida tähendavad tegelikult inimtasemel tehisintellekti läbimurded?
Küsimus „millal ületab tehisintellekt inimese?“ on teada aastast 1950, mil Alan Turing tõstatas esimest korda avalikult küsimuse masinate mõtlemisvõime kohta. Sellest ajast alates on tehnoloogilist progressi sageli kujutatud võidujooksuna: millal saabub päev, mil tehisintellekt ületab inimese? Kuid reaalsus on tunduvalt keerulisem. See ei ole sprint, vaid pidev katse jõuda järele oma ootustele, mis muutuvad kiiremini kui tehnoloogiad. Eile olime rahul sellega, et tehisintellekt koostas vastuse e-kirjale. Täna juba ootame, et see planeeriks projekti, täidaks ülesandeid, hindaks oma otsuseid. Homme võime soovida, et see mõistaks mitte ainult meie keelt, vaid ka meie emotsioone. Ja ühel päeval loeks ka meie mõtteid, tunnetaks intuitiivselt isegi seda, mida me ise pole veel täielikult teadvustanud.
Seega ei pruugi inimtaseme tehisintellekt, millest Yann LeCun räägib, olla „kohe ukse ees“, vaid läbimurded, „millest me veel ei tea“, on toimumas. Ja igaüks neist on enamat kui lihtsalt samm tehnoloogilise progressi suunas. See on järjekordne meeldetuletus, et läheneme ebakindlale tulevikule, kus inimesed ise alles otsivad vastuseid: mida me tegelikult tehnoloogialt ja iseendalt tahame?
Kommentaari koostas Jurgita Kapočiūtė-Dzikienė, keeletehnoloogia ettevõtte Tilde keeletehnoloogia vanemteadur ja Vytautas Suure Ülikooli professor.
Tutvu Euroopa keelte jaoks loodud tehisintellektiga
Mida on Tildes uut?
