Yann LeCun, viens no mākslīgā intelekta (MI) pionieriem un galvenais MI zinātnieks Metā, runājot par cilvēka līmeņa MI, teica, ka “šāds MI līmenis nav tikai ap stūri. Tas prasīs ilgu laiku un prasīs jaunus zinātniskus atklājumus, par kuriem mēs vēl nezinām.” Tomēr nav izrāvienu trūkumu – tie vienkārši notiek klusi. Iespaidīgiem MI rezultātiem lielākā uzmanība tiek pievērsta publiskajā arēnā, taču diskusijā reti tiek pievērsta uzmanība tam, kādiem zinātniskiem atklājumiem var sekot. Tātad, kas ir jauns AI zinātnē šodien un vai mēs tuvojamies cilvēka līmeņa AI radīšanai? Šajā bloga ierakstā aplūkosim mākslīgā intelekta sasniegumus, kas notiek tieši šobrīd.
Kas ir cilvēka līmeņa mākslīgais intelekts?
Cilvēka līmeņa mākslīgais intelekts parasti attiecas uz mākslīgo intelektu, kas spēj saprast kontekstu, izprast nepazīstamas problēmas, mācīties no jaunas informācijas un pielietot zināšanas dažādos uzdevumos. Tas nenozīmē, ka mākslīgais intelekts domā tieši tāpat kā cilvēks, bet gan to, ka tas var veikt plašu kognitīvo uzdevumu klāstu ar salīdzināmu elastību.
Mūsdienu MI sistēmas jau spēj ģenerēt tekstu, tulkot valodas, atbildēt uz jautājumiem un atbalstīt lēmumu pieņemšanu, taču tām joprojām ir ierobežojumi spriešanā, uzticamībā, pamatojumā un konteksta izpratnē. Tāpēc jaunākie MI sasniegumi koncentrējas ne tikai uz lielākiem modeļiem, bet arī uz labākām spriešanas metodēm, specializētām arhitektūrām un uzticamākiem veidiem, kā novērtēt rezultātus.
Mākslīgais intelekts mācās spriest
Viens no jaunākajiem atklājumiem tiek dēvēts par “domu ķēdes” (angliski — chain of thought) mehānismu. Tā būtība — nesniegt tūlītēju atbildi, kā to agrāk darīja MI, bet secīgi risināt uzdevumu. Kā tas notiek praksē?
Iedomājieties, ka cilvēks sver X kilogramus un vēlas uzzināt, cik liela zāļu deva ir jālieto. Zāļu aprakstā ir norādīts, ka uz vienu ķermeņa masas kilogramu pietiek ar X miligramiem zāļu, bet aprēķinātā diennakts deva ir jāsadala trīs vienādās daļās, kas jālieto no rīta, pusdienās un vakarā. Kā rīkotos cilvēks? Vispirms aprēķinātu kopējo dienas devu, ko pēc tam izdalītu ar trīs. Tagad to pašu dara arī MI — tas nesniedz iepriekš iemācīto atbildi, bet risina uzdevumu soli pa solim. Tā jau ir spriešana.
Šis princips tiek attīstīts tālāk. Ir izstrādāta tā dēvētā “domu koka” tehnika, ar kuras palīdzību viena doma var radīt vairākas alternatīvas, un MI izvērtē, kura alternatīva loģiski visdrīzāk novedīs pie mērķa. Citiem vārdiem sakot, MI mācās ne tikai sniegt atbildi, bet arī pamatot: kas ir līdzīgi tam, kas notika skolā matemātikas stundās, kad bija svarīgi ne tikai iegūt rezultātu, bet arī demonstrēt pareizo metodi, kā nonākt līdz risinājumam. Pamatojums ir viens no līdz šim skaidrākajiem cilvēka līmeņa MI izrāvieniem. Tas, cik labi MI pamato, joprojām ir atkarīgs no tā apmācības datu kvalitātes, izaicinājums, ko mēs izpētījām The LLM apmācības datu dilemma.
Valodneitrāla MI izveide — cerība mazajām valodām
Mazās valodas pašlaik vēl nevar pilnvērtīgi izmantot MI sniegtās iespējas, taču pētnieki aktīvi strādā šajā virzienā, lai iegūtu valodneitrālus modeļus.
Pētījumā, kura laikā izmantoja lielo valodas modeli, tā apmācībai lietoja tikai angļu valodu. Iesniedzot tam tekstu dāņu valodā, modelis spēja sekmīgi adaptēties. Analizējot pašu modeļa struktūru, noskaidrojās, ka visvairāk ir mainījušies tie parametri, kas bija saistīti ar ievadi un izvadi, proti, valodas apstrādi. Tas nozīmē, ka modelī esošās zināšanas nav ne angļu, ne dāņu valodā — tās ir valodneitrālas. Tas atgādina cilvēka spēju domāt neatkarīgi no valodas: lai gan informāciju ieguvu angļu valodā, pēc tam varu to interpretēt un nodot lietuviešu valodā. Pašlaik zinātne vēl nav pilnīgi izpratusi, kā izveidot universālu — no valodas neatkarīgu — modeli. Tomēr ir skaidrs, ka tam tuvojamies.
Ko tas nozīmē mums kā mazas valodas pārstāvjiem? Ja šī ideja tiks attīstīta tālāk, nebūs vajadzības uzkrāt milzīgas tekstu kolekcijas, testēt modeļus un visu laiku vilkties lielo valodu astē. AI modeļos jau būs daudz valodneitrālu zināšanu. Atliks vien tās papildināt ar specializētu latviešu saturu – tādu, kāds citās valodās vienkārši nav pieejams –, un mums būs AI, kas ar latviešu valodu strādā tikpat efektīvi kā ar angļu. Mazākām valodām tas var būt pats svarīgākais no cilvēka līmeņa AI izrāvieniem. Par to, kā Mākslīgā intelekta modeļi mazākām valodām turpina sacensties mākslīgā intelekta sacensībās mūsu atsevišķajā rakstā.
No dalītas domāšanas uz sadarboties spējīgu sistēmu
Vēl viens nozīmīgs MI attīstības virziens ir modeļu arhitektūra. Viena milzīga un visu zinoša modeļa vietā arvien biežāk lieto “dažādu ekspertu” (angliski — mixture of experts) principu, ko attīstīja DeepSeek. Tagad to izmanto arī jaunākajās progresīvo valodas modeļu, piemēram, Grok un Llama, versijās. Ideja ir vienkārša, bet efektīva: modeļos darbojas atsevišķi “eksperti”, kas specializējas katrs savā jomā. Kad lietotājs uzdod jautājumu, algoritms izvēlas piemērotākos ekspertus un aktivizē tos konkrētā uzdevuma izpildei. Tas ļauj ne tikai taupīt datošanas resursus, bet šādam darbības principam ir acīmredzamas līdzības ar to, kā darbojas cilvēka prāts. Mūsu smadzeņu atsevišķas daļas ir atbildīgas par noteiktām funkcijām: viena interpretē valodu, otra apstrādā matemātiskas darbības, bet trešā — emocionālo vai radošo saturu. MI attīstība vēlreiz atgādina, ka intelekts nav viena visu pārvaldoša vara, bet gan daudz dažādu spēju, kas iegūst jēgu, kad tās darbojas kopā.
Līdzīga decentralizācijas loģika tiek izmantota citā MI attīstības virzienā: aģentu sistēmās. Šajā gadījumā netiek radīts viens viszinošs modelis, bet gan tīkls, kas sastāv no specializētiem aģentiem, kuri spēj darboties patstāvīgi: analizēt, plānot, sasniegt mērķi, izvērtēt lēmumus un, ja nepieciešams, sadarboties. Iedomāsimies cilvēku ekspertu komandu: katrs no viņiem pārzina savu jomu, strādā individuāli vai koordinē darbības ar citiem, lai sasniegtu kopīgu mērķi. Šo principu pārņem arī aģentu MI: izkliedēta, autonoma inteliģence, kas ne tikai spēj rīkoties, bet arī lemt mūsu vietā. Un mēs, cilvēki, vai esam tam gatavi? Darba vidē šī ideja jau ir praktiska: asistenti kā Tilde Workplace AI Assistant ļauj darbiniekiem uzdot jautājumus par savas organizācijas zināšanām dabiskā valodā.
Ne sacīkstes, bet spogulis: ko patiesībā nozīmē cilvēka līmeņa mākslīgā intelekta sasniegumi?
Jautājums par to, kad MI pārspēs cilvēku, tiek uzdots jau no 20. gadsimta 50. gadiem, kad Alans Tjūrings pirmo reizi publiski apsprieda, vai mašīnas var domāt. No šī brīža tehnoloģiju attīstība bieži vien tiek iztēlota kā sacensības: kad pienāks tā diena, kurā MI pārspēs cilvēku. Tomēr realitāte ir sarežģītāka. Tas nav sprints, bet gan pastāvīgs mēģinājums sasniegt mūsu pašu gaidas, kas mainās ātrāk nekā tehnoloģijas. Vakar mums pietika ar to, ka MI atbild uz e-pasta ziņojumu. Šodien mēs ceram, ka tas izplānos projektu, izpildīs uzdevumus un izvērtēs savus lēmumus. Varbūt rīt jau gribēsim, lai tas saprastu ne tikai mūsu valodu, bet arī emocijas. Bet kādu dienu — lai tas lasītu mūsu domas un intuitīvi uztvertu pat to, ko paši līdz galam vēl neesam aptvēruši.
Tāpēc cilvēka līmeņa MI, par ko runā Jans Lekans, varbūt nemaz nav “aiz stūra”. Tomēr izrāvieni, “par kuriem vēl nezinām”, jau notiek. Un ikviens no tiem ir ne tikai solis tehnoloģiskā progresa virzienā. Tas ir vēl viens atgādinājums, ka tuvojamies nenoteiktai nākotnei, kurā cilvēks pats vēl tikai meklē atbildi uz jautājumu: “Ko īsti mēs vēlamies no tehnoloģijām un paši no sevis?”
Komentāru sagatavoja valodu tehnoloģiju uzņēmuma Tilde valodas tehnoloģiju vecākā pētniece un VDU profesore Jurgita Kapočūte-Dzikiene.
Izpētiet mākslīgo intelektu, kas izstrādāts Eiropas valodām
Tildes jaunumi
