FLASH
Shkruar nga Pamfleti
"How did Artificial Intelligence go from a lost hope to the world's most promising technology?" writes "The Economist".
During the summer of 1956, a small but famous group of scholars gathered at Dartmouth College in New Hampshire.
It included Claude Shannon, the creator of information theory, and Herb Simon, the only person to have won the Nobel Memorial Prize in Economic Sciences from the Royal Swedish Academy of Sciences, and the Turing Award from the Society for Computing Machinery.
They were invited by a young researcher, John McCarthy, who wanted to talk about "how they could make machines use language, form abstractions and concepts" and "solve different kinds of problems like humans."
This was the first academic meeting devoted to what McCarthy called "artificial intelligence". For the next 60 years, in this field, advances would be made that were not on par with the ambitions of researchers.
The meeting at Dartmouth College did not mark the beginning of scientific research into machines that could think like humans. Alan Turing, after whom the Turing Award is named, was skeptical of the idea; so did John von Neumann. Until 1956, there were a number of approaches to this issue.
Historians think that one of the reasons why McCarthy coined the term "artificial intelligence" for his project was that the name was all-encompassing, leaving open the question of what the best approach might be.
Some researchers liked systems that combined facts with axioms about the world, such as those in geometry and symbolic logic, in order to derive the right answers.
Others preferred building systems where the probability of something depended on the updated probabilities of many other things.
In the following decades, there were many intellectual debates and arguments on this topic, but by the 1980s, a general agreement was reached on the way to go: "expert systems" that used symbolic logic to capture and apply the most advanced knowledge. human good.
The Japanese government in particular financially supported such systems, paying for the equipment they might need.
But for the most part, these systems couldn't handle the messiness of the real world. By the late 1980s, the reputation of artificial intelligence had declined. Scholars began to avoid the term.
How today's boom was born
Today's boom was born precisely from those persistent few who were left. After the 1940s gained a deeper understanding of how brain cells worked, scientists began to wonder if machines could be wired in the same way as neurons.
Në një tru njeriu, neuronet janë të lidhur në një mënyrë që lejojnë që veprimtaria në një neuron, të nxisë ose të shtypë veprimtarinë në një tjetër.
Kjo bën që një neuron të varet nga ajo që po bëjnë neuronet e tjera të lidhura me të.
Në përpjekjen e parë për ta rikrijuar këtë model në laborator (nga Marvin Minsky, një pjesëmarrës i mbledhjes në kolegjin Dartmouth), u përdorën pajisje për të imituar rrjetet e neuroneve. Që atëherë, shtresat e neuroneve të ndërlidhura, janë simuluar në softuer.
Këto rrjete nervore artificiale nuk janë programuar duke përdorur rregulla të qarta. Ata në fakt “mësojnë” duke u ekspozuar ndaj shumë shembujve.
Gjatë këtij trajnimi, forca e lidhjeve ndërmjet neuroneve rregullohet herë pas here në mënyrë që një hyrje e caktuar e një të dhëne, të prodhojë një dalje të përshtatshme.
Vetë Minsky e braktisi idenë, por të tjerët e çuan përpara. Në fillim të viteve 1990, rrjetet nervore ishin trajnuar për të ndihmuar me renditjen, duke njohur numrat e shkruar me dorë.
Studiuesit menduan se shtimi i më shumë shtresave të neuroneve, mund të lejonte arritje më të sofistikuara. Por e meta ishte se sistemet funksiononin shumë më ngadalë.
Një lloj i ri i harduerit kompjuterik siguroi një rrugëdalje nga problemi. Potenciali i tij u tregua haptazi në vitin 2009, kur studiuesit në Universitetin Stanford, rritën me 70 herë shpejtësinë me të cilën mund të funksiononte një rrjet nervor artificial, duke përdorur një kompjuter lojërash në dhomën e tyre të konviktit.
Kjo ishte e mundur sepse, ashtu si “njësia qendrore e përpunimit” (CPU) që gjendet në të gjithë kompjuterët, edhe ky rrjet, kishte një “njësi të përpunimit grafik” (GPU) për të krijuar një botë lojërash në ekran. Dhe GPU ishte modeluar në një mënyrë të përshtatshme për të lejuar zbatimin e kodit të rrjetit nervor.
Lidhja e këtij hardueri me algoritme më efikase të trajnimit, nënkuptonte se rrjetet me miliona lidhje, mund të trajnoheshin në një kohë të arsyeshme.
Gjithashtu rrjetet nervore mund të trajtonin inpute më të mëdha dhe më e rëndësishmja, atyre mund t’u jepeshin më shumë shtresa. Këto rrjete “më të thella” dolën shumë më të aftë.
“Të mësuarit e thellë”
Fuqia e kësaj qasjeje të re, e cila u bë e njohur si “të mësuarit e thellë”, u bë e dukshme nga ImageNet në vitin 2012.
Sistemet e njohjes së imazhit u pajisën me një bazë të dhënash me më shumë se një milion skedarë imazhi. Për çdo fjalë të caktuar, si “qen” ose “mace”, baza e të dhënave përmbante disa qindra foto.
Duke përdorur këta shembuj, sistemet e njohjes së imazheve u trajnuan, për të “përkthyer” input-et në formën e imazheve, në output-e në formën e përshkrimeve me një fjalë.
Më pas, sistemet nisën të prodhonin përshkrime të tilla edhe kur ushqeheshin me imazhe të papara më parë.
Në vitin 2012, një ekip i udhëhequr nga Geoff Hinton, atëherë në Universitetin e Torontos, përdori “të mësuarit e thellë” për të arritur një saktësi prej 85%. Ky ishte një përparim i madh.
Deri në vitin 2015, pothuajse të gjithë studiuesit në fushën e njohjes së imazheve, po përdornin “të mësuarit e thellë” dhe saktësia kishte arritur në 96%, më mirë se rezultati mesatar njerëzor.
Kjo metodë po zbatohej gjithashtu për një sërë “problemesh të tjera… të rezervuara për njerëzit”, që kryesisht kishin të bënin me njohjen e tiparit të një subjekti, në një subjekt tjetër: për shembull, njohja e të folurit, njohja e fytyrës dhe përkthimi.
Në të gjitha këto aplikacione, sasia e madhe e të dhënave që mund të merrej përmes internetit, ishte jetike për arritjen e suksesit. Për më tepër, u hap edhe mundësia e tregjeve të mëdha, falë numrit të madh të njerëzve që përdornin internetin.
Dhe sa më të mëdha (dmth., sa më të thella) të bëheshin rrjetet dhe sa më shumë të dhëna trajnimi t’u jepeshin, aq më shumë do të përmirësohej performanca e tyre.
“Të mësuarit e thellë” u zbatua shpejt në të gjitha llojet e produkteve dhe shërbimeve të reja.
U shfaqën pajisje të drejtuara nga zëra, si Alexa e Amazon. Shërbimet e transkriptimit në internet u bënë të dobishme. Browser-ët e internetit mundësonin përkthime automatike. Kështu, inteligjenca artificiale filloi të dukej e dobishme dhe u bë pjesë e jetës së përditshme.
Ndryshimet cilësore
Në vitin 2017, një ndryshim cilësor iu shtua përfitimeve sasiore të mundësuara nga më shumë fuqi kompjuterike dhe më shumë të dhëna: një mënyrë e re e rregullimit të lidhjeve midis neuroneve, e quajtur transformator.
Transformatorët u mundësojnë rrjeteve nervore që të ruajnë gjurmët e modeleve në hyrjen e tyre, edhe nëse elementët e modeleve nuk janë të ngjashme. Kjo i mundëson atyre që t’i kushtojnë “vëmendje” veçorive në të dhëna.
Transformatorët bënë që rrjetet të kuptonin më mirë kontekstin, që i bëri ata të përshtatshëm për një teknikë të re të quajtur “të mësuarit e vetë-mbikëqyrur”.
Sipas kësaj teknike, për ta shpjeguar në vija të trasha, disa fjalë fshihen rastësisht gjatë trajnimit dhe modeli mëson vetë që të plotësojë kandidatin më të mundshëm për të plotësuar boshllëkun.
Për shkak se të dhënat e trajnimit nuk duhet të etiketohen paraprakisht, modele të tilla mund të trajnohen duke përdorur miliarda fjalë nga tekste të papërpunuara, të marra nga interneti.
Revolucioni OpenAI
Modelet e mëdha gjuhësore të mbështetura në transformatorë (LLM), filluan të tërhiqnin vëmendje më të gjerë në vitin 2019, kur një model i quajtur GPT-2 u publikua nga firma startup e inteligjencës artificiale OpenAI.
Këto modele të mëdha gjuhësore ishin të aftë të shpalosnin sjellje për të cilat nuk ishin trajnuar në mënyrë të posaçme.
Përthithja e sasive të mëdha të teksteve gjuhësore, jo vetëm që i bëri ata jashtëzakonisht të aftë në detyrat gjuhësore si përmbledhja ose përkthimi, por edhe në gjëra si aritmetika e thjeshtë dhe shkrimi i softuerit, të cilat ishin aftësi të nënkuptuara dhe jo të drejtpërdrejta në të dhënat e trajnimit. Fatkeqësisht, me këto aftësi të reja, vinte edhe vetia për të bërë paragjykime shoqërore duke u nisur nga të dhënat.
In November 2022, a larger model created by the OpenAI firm, called GPT-3.5, was presented publicly in the form of a chatbot. Anyone with internet access could make a request and receive a response.
No consumer product has become so popular, so quickly. Within weeks, ChatGPT was creating everything from student essays to computer code. Artificial intelligence had taken another big step forward.
Where the first set of AI-powered products relied on cognition, in this case, it relied on creation.
Deep learning models such as Stable Diffusion and DALL-E used a technique called diffusion to convert text queries into images. Other models can produce surprisingly realistic video, speech or music.
Progress is not only technological. The very way of doing things also changed. ChatGPT and rivals such as Gemini (from Google) and Claude (from Anthropic, founded by researchers formerly working at the OpenAI firm), produce results from calculations, as do other systems that have been trained with a "deep learning" approach. ".
But they respond to your requests by creating a new response, which makes them different from software that recognizes faces, takes dictation, or translates menus.
These new systems seem to "use language" and "form abstractions", as McCarthy had hoped in the past./ Monitor
Lini një Përgjigje