Το MOE της Nvidia και η πορεία προς το AGI & πώς το Dvina σάς φέρνει σήμερα την τεχνητή νοημοσύνη του αύριο

Ömer Odabaş
3 λεπ. ανάγνωσης • 
Πολλοί ερευνητές πιστεύουν ότι αυτή η κατεύθυνση είναι σημαντική για τον μακροπρόθεσμο στόχο της Τεχνητής Γενικής Νοημοσύνης, ή AGI. Ένα σύστημα που μπορεί να αντιμετωπίζει πολλά διαφορετικά είδη προβλημάτων χρειάζεται κάτι περισσότερο από μεγάλο μέγεθος. Χρειάζεται να λαμβάνει αποφάσεις. Να ξέρει ποιες δυνατότητες να χρησιμοποιεί και πότε.

Διανύουμε μια ενδιαφέρουσα περίοδο για την τεχνητή νοημοσύνη. Για πολύ καιρό, η πρόοδος στην τεχνητή νοημοσύνη ακολουθούσε έναν απλό κανόνα: μεγαλύτερα μοντέλα. Περισσότερες παράμετροι, περισσότερα δεδομένα, περισσότερη υπολογιστική ισχύς. Αυτό λειτούργησε, αλλά δημιούργησε και σοβαρά προβλήματα. Η εκπαίδευση μεγάλων μοντέλων είναι ακριβή, αργή και καταναλώνει τεράστιες ποσότητες ενέργειας.

Πρόσφατα, η Nvidia παρουσίασε μια διαφορετική ιδέα που ονομάζεται Mixture of Experts, ή MOE. Αντί να ενεργοποιείται ολόκληρο το νευρωνικό δίκτυο για κάθε εργασία, το μοντέλο μαθαίνει να επιλέγει ποια μέρη του συστήματος χρειάζονται πραγματικά. Κάθε μέρος λειτουργεί σαν ειδικός σε έναν συγκεκριμένο τομέα. Για κάθε ερώτηση, χρησιμοποιούνται μόνο οι ειδικοί που είναι πιο σχετικοί με το θέμα της.

Αυτό κάνει το σύστημα πιο αποδοτικό και πιο ευέλικτο. Μοιάζει με τον τρόπο που λειτουργούν οι άνθρωποι. Δεν ζητάτε βοήθεια από όλους όσοι γνωρίζετε για κάθε πρόβλημα. Απευθύνεστε σε εκείνους που είναι οι πιο κατάλληλοι για τη συγκεκριμένη περίπτωση. Με το MOE, τα συστήματα τεχνητής νοημοσύνης μπορούν να γίνονται πιο έξυπνα χωρίς να γίνονται άσκοπα βαριά.

Πολλοί ερευνητές πιστεύουν ότι αυτή η κατεύθυνση είναι σημαντική για τον μακροπρόθεσμο στόχο της Τεχνητής Γενικής Νοημοσύνης, ή AGI. Ένα σύστημα που μπορεί να αντιμετωπίζει πολλά διαφορετικά είδη προβλημάτων χρειάζεται κάτι περισσότερο από μεγάλο μέγεθος. Χρειάζεται να λαμβάνει αποφάσεις. Να ξέρει ποιες δυνατότητες να χρησιμοποιεί και πότε.

Αυτή η ιδέα δεν περιορίζεται στις ερευνητικές δημοσιεύσεις.

Στην πράξη, δουλεύουμε ήδη με μια παρόμοια προσέγγιση στο Dvina. Από την αρχή, θεωρήσαμε ότι κανένα γλωσσικό μοντέλο ή εργαλείο από μόνο του δεν θα ήταν καλό σε όλα. Αντί να βασιστούμε σε ένα μοντέλο, δημιουργήσαμε ένα επίπεδο ενορχήστρωσης που λειτουργεί πάνω από πολλά μοντέλα, εργαλεία και πηγές δεδομένων.

Αυτός ο ενορχηστρωτής λειτουργεί ως επίπεδο λήψης αποφάσεων. Όταν ένας χρήστης κάνει μια ερώτηση, αποφασίζει ποιο μοντέλο ή ποιος πόρος πρέπει να χρησιμοποιηθεί. Μερικές φορές χρησιμοποιεί μόνο ένα μοντέλο ή έναν πόρο. Άλλες φορές συνδυάζει περισσότερα μοντέλα ή πόρους και ενοποιεί τα αποτελέσματα. Ο στόχος δεν είναι να αναδείξει την πολυπλοκότητα, αλλά να την κρύψει πίσω από μια απλή εμπειρία χρήσης.

Το αποτέλεσμα είναι ένα σύστημα που δίνει την αίσθηση ότι προσαρμόζεται. Κάνετε μια ερώτηση και το σύστημα βρίσκει πώς να απαντήσει με τον πιο αποδοτικό τρόπο. Η λογική αυτή είναι πολύ κοντά σε όσα προτείνει το MOE σε επίπεδο μοντέλου, αλλά εφαρμόζεται σε επίπεδο συστήματος.

Το AGI δεν έχει φτάσει ακόμη. Όμως ιδέες όπως το MOE δείχνουν ότι η πορεία προς τα εμπρός δεν είναι μόνο ζήτημα κλίμακας. Είναι ζήτημα δομής, συντονισμού και εξυπνότερης χρήσης των πόρων.

Αν θέλετε να δείτε πώς λειτουργεί μια τέτοια προσέγγιση στην πράξη, μπορείτε να δοκιμάσετε το Dvina δωρεάν στο https://dvina.ai. Δεν είναι AGI, αλλά προσφέρει μια μικρή γεύση από το πώς μπορεί να σκέφτονται και να λειτουργούν τα μελλοντικά συστήματα τεχνητής νοημοσύνης.

Ελάτε στο Dvina

Εγγραφείτε δωρεάν και συγκεντρώστε όλα τα εργαλεία σας σε έναν απλό χώρο εργασίας.

Ανακαλύψτε περισσότερα