1955 年 13 月、学者のグループが、ニューハンプシャー州のダートマス カレッジで夏季セミナーを開催するための 500 ドルの資金を要請しました。 彼らが探求することを提案した分野は、人工知能 (AI) でした。 資金提供の要求は控えめなものでしたが、研究者の仮説は、「学習のあらゆる側面やその他の知性の特徴は、原則として非常に正確に記述できるため、それを模倣する機械を構築できる」というものではありませんでした。
これらの謙虚な始まり以来、映画やメディアは AI を美化したり、悪役として描いたりしてきました。 しかし、ほとんどの人にとって、AI は議論の対象に過ぎず、意識的な生活体験の一部ではありません。
先月末、AIの形で AI言語モデルを活用してコードのデバッグからデータの異常検出まで、 SF の推測や研究所から抜け出して、一般の人々のデスクトップや電話に登場しました。 これがいわゆる「ジェネレーティブ AI」です。予想外にインテリジェントな言葉で書かれたプロンプトは、エッセイを書いたり、レシピや買い物リストを作成したり、エルヴィス プレスリーのスタイルで詩を作成したりできます。
けれど AI言語モデルを活用してコードのデバッグからデータの異常検出まで、 は、生成 AI の成功の 年で最も印象的な参加者でした。このようなシステムは、新しいコンテンツを作成するさらに大きな可能性を示しています。テキストから画像へのプロンプトは、アート コンテストで優勝した鮮やかな画像を作成するために使用されています。 AI は、SF 映画や小説で普及した生きた意識や心の理論をまだ持っていないかもしれませんが、少なくとも人工知能システムができると私たちが考えていることを混乱させることに近づいています。
Google の LaMDA 大規模言語モデル (LLM) の場合のように、これらのシステムと緊密に連携している研究者は、インテリジェンスの可能性に気絶しています。 LLM は、自然言語を処理および生成するようにトレーニングされたモデルです。
ジェネレーティブ AI は、剽窃、モデルの構築に使用されるオリジナル コンテンツの悪用、情報操作の倫理と信頼の乱用、さらには「プログラミングの終焉」についても懸念を引き起こしています。
AIの本当の意味とは？
これらすべての中心にあるのは、ダートマスでの夏のセミナー以来、その関連性が高まってきた質問です。AI は人間の知性とは異なりますか? AI と見なされるためには、システムは一定レベルの学習と適応を示さなければなりません。 このため、意思決定、自動化、および統計システムは AI ではありません。 大まかに言えば、AI は つのカテゴリに分類されます。人工狭義知能 (AI) と人工汎用知能 (AI) です。 現在、SHI は存在しません。 一般的な AI を構築するための重要な課題は、一貫した有用な方法で、知識全体を使用して世界を適切にモデル化することです。 これは、控えめに言っても、大規模な作業です。
今日私たちが AI として知っているもののほとんどは、特定のシステムが特定の問題を解決する狭い知性を持っています。 人間の知性とは異なり、このような狭い AI 知性は、不正検出、顔認識、ソーシャル レコメンデーションなど、トレーニングされたドメインでのみ有効です。 そして、AIは人と同じように機能します。 現在、これを達成しようとする試みの最も顕著な例は、膨大な量のデータで訓練されたニューラル ネットワークとディープ ラーニングの使用です。
ニューラル ネットワークは、人間の脳の働きに着想を得ています。 トレーニング データの計算を実行するほとんどの機械学習モデルとは異なり、ニューラル ネットワークは、相互接続されたネットワークを介して各データ ポイントを順番にフィードし、毎回パラメーターを調整することによって機能します。 ネットワークを介してより多くのデータが供給されると、パラメーターが安定し、「トレーニング済み」のニューラル ネットワークが生成され、新しいデータに対して必要な出力を生成できます。たとえば、画像に猫が含まれているか犬が含まれているかを認識します。
今日の人工知能の開発における大きな飛躍は、大規模なクラウド コンピューティング インフラストラクチャの機能のおかげで、実行ごとに膨大な数のパラメーターを調整できる大規模なニューラル ネットワークを学習する方法の技術的改善によるものです。 たとえば、GPT-3 (ChatGPT を強化する AI システム) は、175 億のパラメーターを持つ大規模なニューラル ネットワークです。
人工知能が機能するには何が必要ですか?
人工知能が正常に機能するには、 つのことが必要です。 第一に、彼は質の高い、客観的なデータ、そしてそれを大量に必要としています。 ニューラル ネットワークを構築する研究者は、社会のデジタル化のおかげで出現した大量のデータを使用します。
人間のプログラマーを補完する Co-Pilot は、GitHub でホストされている数十億行のコードからデータを引き出します。 ChatGPT やその他の大規模な言語モデルは、インターネットに保存されている数十億の Web サイトとテキスト ドキュメントを使用します。
などのテキストから画像への変換ツール 安定拡散, フロム-2 および途中で、LAION-5B などのデータセットから画像とテキストのペアを使用します。 AI モデルは、私たちがより多くの生活をデジタル化し、シミュレーション データや Minecraft などのゲーム設定からのデータなどの代替データ ソースを供給するにつれて進化し続けます。
AI を効果的にトレーニングするには、コンピューティング インフラストラクチャも必要です。 コンピュータがより強力になるにつれて、現在集中的な作業と大規模な計算を必要とするモデルが、近い将来ローカルで処理される可能性があります。 たとえば、Stable Diffusion モデルは、クラウド環境ではなく、ローカル コンピューターで既に実行できます。 AI の つ目のニーズは、モデルとアルゴリズムの改善です。 データ駆動型システムは、かつて人間の認知の領域と考えられていた分野で急速な進歩を続けています。
しかし、私たちの周りの世界は常に変化しているため、AI システムは常に新しいデータを使用して再トレーニングする必要があります。 この重要なステップがなければ、AI システムは、事実に反する回答を返したり、トレーニング後に出現した新しい情報を考慮に入れなかったりします。
AI へのアプローチはニューラル ネットワークだけではありません。 人工知能研究におけるもう つの注目すべきキャンプはシンボリック AI です。これは、膨大な量のデータを消化する代わりに、特定の現象の内部シンボリック表現を形成する人間のプロセスと同様のルールと知識に依存しています。
しかし、過去 年間、力の均衡はデータ駆動型のアプローチに大きく傾いており、現代のディープ ラーニングの「創始者」は最近、コンピューター サイエンスのノーベル賞に相当するチューリング賞を受賞しました。
データ、計算、およびアルゴリズムは、将来の AI の基礎を形成します。 すべての指標は、近い将来、 つのカテゴリーすべてで急速な進歩が見られることを示しています。
ウクライナがロシアの侵略者と戦うのを助けることができます。 これを行う最善の方法は、ウクライナ軍に資金を寄付することです。 セーブライフ または公式ページから NBU.