Nvidias MOE og vejen til AGI – sådan hjælper Dvina dig med at opleve morgendagens AI i dag

Ömer Odabaş
3 min. læsetid • 
Mange forskere mener, at denne retning er vigtig for det langsigtede mål om generel kunstig intelligens, eller AGI. Et system, der kan håndtere mange forskellige slags problemer, har brug for mere end blot størrelse. Det skal kunne træffe beslutninger. Det skal vide, hvilke evner det skal bruge, og hvornår.

Det er en interessant tid for kunstig intelligens. I lang tid fulgte udviklingen inden for AI en enkel regel: Gør modellerne større. Flere parametre, flere data, mere regnekraft. Det virkede, men skabte også alvorlige problemer. Det er dyrt og langsomt at træne store modeller, og det kræver enorme mængder energi.

For nylig introducerede Nvidia en anden idé kaldet Mixture of Experts, eller MOE. I stedet for at aktivere hele det neurale netværk ved hver opgave lærer modellen at vælge, hvilke dele af systemet der faktisk er brug for. Hver del fungerer som en ekspert inden for et bestemt område. Til hvert spørgsmål bruges kun de mest relevante eksperter.

Det gør systemet mere effektivt og fleksibelt. Det minder om den måde, mennesker arbejder på. Du beder ikke alle, du kender, om hjælp til hvert eneste problem. Du spørger dem, der er bedst rustet til den konkrete situation. Med MOE kan AI-systemer blive klogere uden at blive unødigt tunge.

Mange forskere mener, at denne retning er vigtig for det langsigtede mål om generel kunstig intelligens, eller AGI. Et system, der kan håndtere mange forskellige slags problemer, har brug for mere end blot størrelse. Det skal kunne træffe beslutninger. Det skal vide, hvilke evner det skal bruge, og hvornår.

Denne idé findes ikke kun i forskningsartikler.

Faktisk har vi arbejdet med en lignende tilgang i Dvina. Fra begyndelsen gik vi ud fra, at ingen enkelt sprogmodel og intet enkelt værktøj ville være godt til alt. I stedet for at basere os på én model byggede vi et orkestreringslag oven på flere modeller, værktøjer og datakilder.

Dette orkestreringslag fungerer som et beslutningslag. Når en bruger stiller et spørgsmål, afgør det, hvilken model eller ressource der skal bruges. Nogle gange bruger det én. Andre gange kombinerer det flere og samler resultaterne. Målet er ikke at vise kompleksiteten frem, men at skjule den bag en enkel oplevelse.

Resultatet er et system, der føles, som om det tilpasser sig. Du stiller et spørgsmål, og systemet finder ud af, hvordan det bedst kan svare. Det ligger meget tæt på grundtanken i det, MOE foreslår på modelniveau, men her anvendt på systemniveau.

AGI er her ikke endnu. Men idéer som MOE viser, at vejen frem ikke kun handler om størrelse. Den handler om struktur, koordinering og smartere brug af ressourcer.

Hvis du er nysgerrig efter, hvordan denne tilgang opleves i praksis, kan du prøve Dvina gratis på https://dvina.ai. Det er ikke AGI, men det giver et lille indblik i, hvordan fremtidens AI-systemer kan tænke og fungere.

Bliv en del af Dvina

Tilmeld dig gratis, og saml alle dine værktøjer i ét enkelt arbejdsområde.

Udforsk mere