Οι μηχανές μπορούν να έχουν επαγωγική και παραγωγική λογική σε κάποιο βαθμό, αλλά όχι απαγωγική λογική ή σημειωτική σκέψη (όπου να παράγεται αυτοτελές νόημα) – θεμελιώδεις ανθρώπινες ικανότητες - Αυτά είναι μη προγραμματίσιμα και κάνουν τη βασική διάκριση ανθρώπινου εγκεφάλου και μηχανής
Ποια είναι η τελευταία σημαντική εξέλιξη στην τεχνητή νοημοσύνη (AI);
Η απάντηση μπορεί να σας εκπλήξει.
Όλοι γνωρίζουμε την άνθηση στις μετοχές που σχετίζονται με την AI, την τεχνολογία AI και την αδιάκοπη κάλυψη στα ΜΜΕ.
Δεν μπορείς να ανοίξεις τον browser σου χωρίς να διαβάσεις κάτι για την AI και δεν μπορείς να ρίξεις μια ματιά στον πίνακα τιμών των αγορών χωρίς να δεις πόσο έχουν επηρεαστεί οι τιμές των μετοχών από τις αποτιμήσεις εταιρειών AI.
Αυτή η άνθηση μπορεί να είναι μια «φούσκα», αλλά αυτό δεν σημαίνει ότι θα σκάσει σύντομα.
Οι «φούσκες» μετοχών έχουν τη δική τους δυναμική και δεν καταρρέουν μόνο και μόνο επειδή οι επενδυτές ξέρουν ότι είναι «φούσκα».
Δεν υπάρχει, όμως, αμφιβολία για τη δύναμη της AI.
Είναι παντού: στον πίνακα του αυτοκινήτου, στις οικιακές συσκευές σου και στο χέρι σου με τη μορφή εφαρμογών AI.
Κάθε πάροχος διαδικτυακών υπηρεσιών έχει από μία – από τη Microsoft, τη Google, τη Facebook, την Apple και την OpenAI.
Όταν ανοίγεις το ψυγείο σου και εμφανίζεται ένδειξη να αλλάξεις το φίλτρο νερού, αυτό είναι AI σε λειτουργία.
Φυσικά, η AI υπάρχει από τη δεκαετία του 1950.
Μιμείται τον ανθρώπινο εγκέφαλο μέσω νευρωνικών δικτύων.
Αυτά τα δίκτυα έχουν κόμβους συνδεδεμένους με «ακμές» (edges).
Οι κόμβοι περιέχουν μαθηματικούς τύπους που επεξεργάζονται εισερχόμενα δεδομένα και παράγουν εξερχόμενα, τα οποία κατευθύνονται σε άλλους κόμβους. Οι ακμές μπορεί να έχουν βάρη, έτσι ώστε ορισμένες εισροές να είναι ισχυρότερες από άλλες.
Η έξοδος μπορεί να ιεραρχείται σε επίπεδα, ώστε τα χαμηλότερα επίπεδα να τροφοδοτούν ανώτερα, όπου γίνεται πιο σύνθετη επεξεργασία. Σήμερα, τα δίκτυα αυτά είναι ασύλληπτα πολύπλοκα, με δισεκατομμύρια κόμβους να επεξεργάζονται εκατοντάδες δισεκατομμύρια δεδομένα.
Πρόοδοι στην AI
Η επιστήμη της AI έφτασε σε αδιέξοδο στις αρχές της δεκαετίας του 1980 λόγω περιορισμένης υπολογιστικής ισχύος και πρωτόγονων καναλιών επεξεργασίας – η εποχή αυτή έμεινε γνωστή ως χειμώνας της τεχνητής νοημοσύνης («AI winter»).
Η στασιμότητα συνεχίστηκε τη δεκαετία του 1990 και στις αρχές του 2000.
Οι 3 παράγοντες που προκάλεσαν επανάσταση
Από το 2005 και μετά, τρεις μεγάλες εξελίξεις έφεραν την επανάσταση που βλέπουμε σήμερα:
1. Απότομη αύξηση επεξεργαστικής ισχύος – ταχύτερα τσιπ της NVIDIA και της AMD, σχεδιασμένα για gaming, χρησιμοποιήθηκαν με επιτυχία στην AI.
2. Εφεύρεση των Large Language Models (LLMs) – αλγόριθμοι που σαρώνουν δισεκατομμύρια σελίδες, κωδικοποιούν λέξεις/φράσεις/εικόνες και τα οργανώνουν σε «σύννεφα» για συγγραφή και δημιουργία εικόνων.
3. Generative Pre-trained Transformers (GPT) – που επιτρέπουν επεξεργασία σε παράλληλα νήματα αντί διαδοχικά. Η παράλληλη προσέγγιση οδηγεί σε πιο εκλεπτυσμένα αποτελέσματα και λειτουργεί ως «τούρμπο» στους γρήγορους επεξεργαστές.
Τον Νοέμβριο του 2022, με την κυκλοφορία του Chat GPT-4 από την OpenAI (που απέκτησε 100 εκατομμύρια χρήστες σε λιγότερο από 30 ημέρες), οι εξελίξεις αυτές συνδυάστηκαν και εκτόξευσαν τον ενθουσιασμό γύρω από την AI.
Η «υπερνοημοσύνη» παραμένει άπιαστο όνειρο
Το πρόβλημα είναι ότι οι πρόσφατες πρόοδοι έχουν υπερεκτιμηθεί.
Συζητήσεις για «superintelligence» ή «general intelligence» όπου οι υπολογιστές θα ξεπερνούσαν τον άνθρωπο, είναι ανυπόστατες.
Οι υπολογιστές μπορεί να γίνονται ταχύτεροι και τα ρομπότ κοινής χρήσης, αλλά δεν θα δούμε ποτέ πραγματική υπερνοημοσύνη.
Ο λόγος είναι ότι οι μηχανές μπορούν να έχουν επαγωγική και παραγωγική λογική σε κάποιο βαθμό, αλλά όχι απαγωγική λογική ή σημειωτική σκέψη (όπου να παράγεται αυτοτελές νόημα) – θεμελιώδεις ανθρώπινες ικανότητες.
Αυτά είναι μη προγραμματίσιμα και κάνουν τη βασική διάκριση ανθρώπινου εγκεφάλου και μηχανής.
Υπάρχουν και πρακτικοί περιορισμοί: ο νόμος των φθινουσών αποδόσεων σημαίνει ότι τεράστιες αυξήσεις σε ενέργεια και ισχύ δίνουν μικρά μόνο κέρδη.
Οι μεγάλες εταιρείες (Microsoft, Meta, Google, OpenAI, Apple, Oracle) ξόδεψαν πάνω από 400 δισ. δολάρια κατά το τελευταίο έτος σε υποδομές AI.
Ωστόσο, τα κέρδη παραμένουν ασαφή.
Νέες εκδόσεις όπως το GPT-5 απογοήτευσαν.
Άλλος περιορισμός είναι ο νόμος διατήρησης της πληροφορίας σε διαδικασίες αναζήτησης, που απέδειξε μαθηματικά ο William A. Dembski: Σύμφωνα με αυτόν, καμία αναζήτηση, όσο εξελιγμένη κι αν είναι, δεν μπορεί να παράγει νέα πληροφορία – μόνο να ανακαλύπτει υπάρχουσα.
Η AI δεν είναι δημιουργική, είναι απλά γρήγορη.
Ένα απλό πείραμα το δείχνει: ένα supercomputer και παιδιά πρώτης δημοτικού κλήθηκαν να σχεδιάσουν έναν κύκλο χρησιμοποιώντας χάρακα, τσαγιέρα και μάτι κουζίνας. Ο υπολογιστής προσπάθησε να φτιάξει κύκλο με τον χάρακα και απέτυχε. Τα παιδιά είδαν το στρογγυλό κάτω μέρος της τσαγιέρας και το χρησιμοποίησαν για να σχεδιάσουν τέλειους κύκλους.
Αυτό είναι απαγωγική λογική – κάτι που οι άνθρωποι έχουν και οι μηχανές όχι.\
Μικρότερα μοντέλα, μεγαλύτερη αξία;
Υπάρχουν ελπιδοφόρες κατευθύνσεις, όπως τα Small Language Models (SLMs) αντί των LLMs.
Τα SLMs περιέχουν λιγότερα δεδομένα, επιμελημένα από ειδικούς, για συγκεκριμένες εργασίες.
Δεν χρειάζεται το chatbot HR μιας εταιρείας να γνωρίζει προχωρημένη φυσική, όπως είπε πρόσφατα ο David Cox της IBM.
Τα SLMs έχουν λιγότερες παραμέτρους (έως και 40 δισ.), καταναλώνουν λιγότερη ενέργεια και είναι πιο κατάλληλα για smartphones, αυτοκίνητα και οικιακές συσκευές. Εμφανίζουν λιγότερα «παραληρήματα» από τα LLMs, επειδή τα δεδομένα της εκπαίδευσης είναι πιο συγκεκριμένα και αυστηρά.
Επιπλέον, τα SLMs τρέχουν σε φθηνότερους επεξεργαστές, πράγμα που ίσως απειλήσει εταιρείες όπως η NVIDIA.
Επίσης, μπορεί να κάνουν περιττά τα τεράστια data centers που χτίζονται σήμερα. Αυτό είναι καλό νέο για χρήστες και developers, αλλά κακό για επενδυτές που ποντάρουν στις μεγάλες υποδομές.
Όλες οι φούσκες κάποτε σπάνε.
Ενδεχομένως, η αντίστροφη μέτρηση για τη φούσκα της AI να έχει ήδη ξεκινήσει.
www.bankingnews.gr
Η απάντηση μπορεί να σας εκπλήξει.
Όλοι γνωρίζουμε την άνθηση στις μετοχές που σχετίζονται με την AI, την τεχνολογία AI και την αδιάκοπη κάλυψη στα ΜΜΕ.
Δεν μπορείς να ανοίξεις τον browser σου χωρίς να διαβάσεις κάτι για την AI και δεν μπορείς να ρίξεις μια ματιά στον πίνακα τιμών των αγορών χωρίς να δεις πόσο έχουν επηρεαστεί οι τιμές των μετοχών από τις αποτιμήσεις εταιρειών AI.
Αυτή η άνθηση μπορεί να είναι μια «φούσκα», αλλά αυτό δεν σημαίνει ότι θα σκάσει σύντομα.
Οι «φούσκες» μετοχών έχουν τη δική τους δυναμική και δεν καταρρέουν μόνο και μόνο επειδή οι επενδυτές ξέρουν ότι είναι «φούσκα».
Δεν υπάρχει, όμως, αμφιβολία για τη δύναμη της AI.
Είναι παντού: στον πίνακα του αυτοκινήτου, στις οικιακές συσκευές σου και στο χέρι σου με τη μορφή εφαρμογών AI.
Κάθε πάροχος διαδικτυακών υπηρεσιών έχει από μία – από τη Microsoft, τη Google, τη Facebook, την Apple και την OpenAI.
Όταν ανοίγεις το ψυγείο σου και εμφανίζεται ένδειξη να αλλάξεις το φίλτρο νερού, αυτό είναι AI σε λειτουργία.
Φυσικά, η AI υπάρχει από τη δεκαετία του 1950.
Μιμείται τον ανθρώπινο εγκέφαλο μέσω νευρωνικών δικτύων.
Αυτά τα δίκτυα έχουν κόμβους συνδεδεμένους με «ακμές» (edges).
Οι κόμβοι περιέχουν μαθηματικούς τύπους που επεξεργάζονται εισερχόμενα δεδομένα και παράγουν εξερχόμενα, τα οποία κατευθύνονται σε άλλους κόμβους. Οι ακμές μπορεί να έχουν βάρη, έτσι ώστε ορισμένες εισροές να είναι ισχυρότερες από άλλες.
Η έξοδος μπορεί να ιεραρχείται σε επίπεδα, ώστε τα χαμηλότερα επίπεδα να τροφοδοτούν ανώτερα, όπου γίνεται πιο σύνθετη επεξεργασία. Σήμερα, τα δίκτυα αυτά είναι ασύλληπτα πολύπλοκα, με δισεκατομμύρια κόμβους να επεξεργάζονται εκατοντάδες δισεκατομμύρια δεδομένα.
Πρόοδοι στην AI
Η επιστήμη της AI έφτασε σε αδιέξοδο στις αρχές της δεκαετίας του 1980 λόγω περιορισμένης υπολογιστικής ισχύος και πρωτόγονων καναλιών επεξεργασίας – η εποχή αυτή έμεινε γνωστή ως χειμώνας της τεχνητής νοημοσύνης («AI winter»).
Η στασιμότητα συνεχίστηκε τη δεκαετία του 1990 και στις αρχές του 2000.
Οι 3 παράγοντες που προκάλεσαν επανάσταση
Από το 2005 και μετά, τρεις μεγάλες εξελίξεις έφεραν την επανάσταση που βλέπουμε σήμερα:
1. Απότομη αύξηση επεξεργαστικής ισχύος – ταχύτερα τσιπ της NVIDIA και της AMD, σχεδιασμένα για gaming, χρησιμοποιήθηκαν με επιτυχία στην AI.
2. Εφεύρεση των Large Language Models (LLMs) – αλγόριθμοι που σαρώνουν δισεκατομμύρια σελίδες, κωδικοποιούν λέξεις/φράσεις/εικόνες και τα οργανώνουν σε «σύννεφα» για συγγραφή και δημιουργία εικόνων.
3. Generative Pre-trained Transformers (GPT) – που επιτρέπουν επεξεργασία σε παράλληλα νήματα αντί διαδοχικά. Η παράλληλη προσέγγιση οδηγεί σε πιο εκλεπτυσμένα αποτελέσματα και λειτουργεί ως «τούρμπο» στους γρήγορους επεξεργαστές.
Τον Νοέμβριο του 2022, με την κυκλοφορία του Chat GPT-4 από την OpenAI (που απέκτησε 100 εκατομμύρια χρήστες σε λιγότερο από 30 ημέρες), οι εξελίξεις αυτές συνδυάστηκαν και εκτόξευσαν τον ενθουσιασμό γύρω από την AI.
Η «υπερνοημοσύνη» παραμένει άπιαστο όνειρο
Το πρόβλημα είναι ότι οι πρόσφατες πρόοδοι έχουν υπερεκτιμηθεί.
Συζητήσεις για «superintelligence» ή «general intelligence» όπου οι υπολογιστές θα ξεπερνούσαν τον άνθρωπο, είναι ανυπόστατες.
Οι υπολογιστές μπορεί να γίνονται ταχύτεροι και τα ρομπότ κοινής χρήσης, αλλά δεν θα δούμε ποτέ πραγματική υπερνοημοσύνη.
Ο λόγος είναι ότι οι μηχανές μπορούν να έχουν επαγωγική και παραγωγική λογική σε κάποιο βαθμό, αλλά όχι απαγωγική λογική ή σημειωτική σκέψη (όπου να παράγεται αυτοτελές νόημα) – θεμελιώδεις ανθρώπινες ικανότητες.
Αυτά είναι μη προγραμματίσιμα και κάνουν τη βασική διάκριση ανθρώπινου εγκεφάλου και μηχανής.
Υπάρχουν και πρακτικοί περιορισμοί: ο νόμος των φθινουσών αποδόσεων σημαίνει ότι τεράστιες αυξήσεις σε ενέργεια και ισχύ δίνουν μικρά μόνο κέρδη.
Οι μεγάλες εταιρείες (Microsoft, Meta, Google, OpenAI, Apple, Oracle) ξόδεψαν πάνω από 400 δισ. δολάρια κατά το τελευταίο έτος σε υποδομές AI.
Ωστόσο, τα κέρδη παραμένουν ασαφή.
Νέες εκδόσεις όπως το GPT-5 απογοήτευσαν.
Άλλος περιορισμός είναι ο νόμος διατήρησης της πληροφορίας σε διαδικασίες αναζήτησης, που απέδειξε μαθηματικά ο William A. Dembski: Σύμφωνα με αυτόν, καμία αναζήτηση, όσο εξελιγμένη κι αν είναι, δεν μπορεί να παράγει νέα πληροφορία – μόνο να ανακαλύπτει υπάρχουσα.
Η AI δεν είναι δημιουργική, είναι απλά γρήγορη.
Ένα απλό πείραμα το δείχνει: ένα supercomputer και παιδιά πρώτης δημοτικού κλήθηκαν να σχεδιάσουν έναν κύκλο χρησιμοποιώντας χάρακα, τσαγιέρα και μάτι κουζίνας. Ο υπολογιστής προσπάθησε να φτιάξει κύκλο με τον χάρακα και απέτυχε. Τα παιδιά είδαν το στρογγυλό κάτω μέρος της τσαγιέρας και το χρησιμοποίησαν για να σχεδιάσουν τέλειους κύκλους.
Αυτό είναι απαγωγική λογική – κάτι που οι άνθρωποι έχουν και οι μηχανές όχι.\
Μικρότερα μοντέλα, μεγαλύτερη αξία;
Υπάρχουν ελπιδοφόρες κατευθύνσεις, όπως τα Small Language Models (SLMs) αντί των LLMs.
Τα SLMs περιέχουν λιγότερα δεδομένα, επιμελημένα από ειδικούς, για συγκεκριμένες εργασίες.
Δεν χρειάζεται το chatbot HR μιας εταιρείας να γνωρίζει προχωρημένη φυσική, όπως είπε πρόσφατα ο David Cox της IBM.
Τα SLMs έχουν λιγότερες παραμέτρους (έως και 40 δισ.), καταναλώνουν λιγότερη ενέργεια και είναι πιο κατάλληλα για smartphones, αυτοκίνητα και οικιακές συσκευές. Εμφανίζουν λιγότερα «παραληρήματα» από τα LLMs, επειδή τα δεδομένα της εκπαίδευσης είναι πιο συγκεκριμένα και αυστηρά.
Επιπλέον, τα SLMs τρέχουν σε φθηνότερους επεξεργαστές, πράγμα που ίσως απειλήσει εταιρείες όπως η NVIDIA.
Επίσης, μπορεί να κάνουν περιττά τα τεράστια data centers που χτίζονται σήμερα. Αυτό είναι καλό νέο για χρήστες και developers, αλλά κακό για επενδυτές που ποντάρουν στις μεγάλες υποδομές.
Όλες οι φούσκες κάποτε σπάνε.
Ενδεχομένως, η αντίστροφη μέτρηση για τη φούσκα της AI να έχει ήδη ξεκινήσει.
www.bankingnews.gr
Σχόλια αναγνωστών