Érdekes pillanat ez a mesterséges intelligencia számára. Hosszú ideig az AI fejlődése egy egyszerű szabályt követett: tegyük nagyobbá a modelleket. Több paraméter, több adat, több számítási kapacitás. Ez működött, de komoly problémákat is okozott. A nagy modellek betanítása drága, lassú, és hatalmas mennyiségű energiát fogyaszt.
A közelmúltban az Nvidia egy másik elképzelést mutatott be, amelynek neve Mixture of Experts, vagyis MOE. Ahelyett, hogy minden feladathoz a teljes neurális hálózatot aktiválná, a modell megtanulja kiválasztani, hogy a rendszer mely részeire van ténylegesen szükség. Minden rész egy adott terület szakértőjeként működik. Egy adott kérdésnél csak a legrelevánsabb szakértőket használja.
Ez hatékonyabbá és rugalmasabbá teszi a rendszert. Hasonló ahhoz, ahogyan az emberek dolgoznak. Nem minden problémánál kérsz segítséget mindenkitől, akit ismersz. Azokat kérdezed meg, akik az adott helyzethez a leginkább illenek. A MOE-val az AI-rendszerek úgy válhatnak okosabbá, hogy közben nem lesznek szükségtelenül nehézkesek.
Sok kutató úgy véli, hogy ez az irány fontos a mesterséges általános intelligencia, vagyis az AGI hosszú távú célja szempontjából. Egy olyan rendszernek, amely sokféle problémát képes kezelni, többre van szüksége puszta méretnél. Döntéshozatalra van szüksége. Tudnia kell, mely képességeket mikor használja.
Ez az elképzelés nem korlátozódik kutatási tanulmányokra.
Valójában mi is hasonló megközelítéssel dolgozunk a Dvina esetében. Kezdettől fogva abból indultunk ki, hogy nincs egyetlen nyelvi modell vagy eszköz, amely mindenben jó lenne. Ahelyett, hogy egyetlen modellre támaszkodtunk volna, létrehoztunk egy vezénylőréteget, amely több modell, eszköz és adatforrás fölött helyezkedik el.
Ez a vezénylőréteg döntési rétegként működik. Amikor egy felhasználó feltesz egy kérdést, eldönti, melyik modellt vagy erőforrást kell használni. Néha egyet használ. Néha többet kombinál, és összevonja az eredményeket. A cél nem a komplexitás megmutatása, hanem az, hogy azt egy egyszerű élmény mögé rejtse.
Az eredmény egy olyan rendszer, amely alkalmazkodónak hat. Felteszel egy kérdést, és a rendszer kitalálja, hogyan válaszoljon rá a leghatékonyabban. Szellemiségében ez nagyon közel áll ahhoz, amit a MOE a modell szintjén javasol, csak itt rendszerszinten alkalmazva.
Az AGI még nem érkezett meg. De az olyan elképzelések, mint a MOE, azt mutatják, hogy az előrelépés útja nem csupán a méretről szól. Hanem a struktúráról, az összehangolásról és az erőforrások okosabb felhasználásáról.
Ha kíváncsi vagy, milyen ez a fajta megközelítés a gyakorlatban, ingyen kipróbálhatod a Dvina-t itt: https://dvina.ai. Ez még nem AGI, de egy kis bepillantást ad abba, hogyan gondolkodhatnak és működhetnek a jövő AI-rendszerei.
