Érdekes időszakot él a mesterséges intelligencia. Az AI fejlődése sokáig egy egyszerű szabályt követett: legyenek nagyobbak a modellek. Több paraméter, több adat, több számítási kapacitás. Ez működött, de komoly problémákat is okozott. A nagy modellek betanítása drága, lassú, és rengeteg energiát fogyaszt.
Az Nvidia nemrég egy másfajta elképzelést mutatott be Mixture of Experts, röviden MOE néven. Ahelyett, hogy minden feladathoz a teljes neurális hálózatot aktiválná, a modell megtanulja kiválasztani, hogy a rendszer mely részeire van valóban szükség. Minden rész egy adott terület szakértőjeként működik. Egy-egy kérdéshez csak a leginkább odaillő szakértőket használja.
Ettől a rendszer hatékonyabbá és rugalmasabbá válik. Hasonlóan működik, mint az emberek. Nem kérsz minden problémához segítséget mindenkitől, akit ismersz. Azokhoz fordulsz, akik az adott helyzetben a leginkább tudnak segíteni. A MOE révén az AI-rendszerek úgy válhatnak okosabbá, hogy közben nem lesznek szükségtelenül nehézkesek.
Sok kutató szerint ez az irány fontos az általános mesterséges intelligencia, vagyis az AGI megvalósításának hosszú távú céljához. Egy sokféle problémát kezelni képes rendszernek önmagában a nagy méret nem elég. Döntéseket is kell hoznia. Tudnia kell, mely képességeit mikor használja.
Ez az elképzelés nem csak kutatási tanulmányokban létezik.
Valójában a Dvina fejlesztésében mi is hasonló megközelítéssel dolgozunk. Kezdettől abból indultunk ki, hogy egyetlen nyelvi modell vagy eszköz sem lehet mindenben jó. Ahelyett, hogy egyetlen modellre támaszkodtunk volna, egy olyan vezérlőréteget építettünk, amely több modell, eszköz és adatforrás fölött működik.
Ez a vezérlőréteg hozza meg a döntéseket. Amikor a felhasználó feltesz egy kérdést, eldönti, melyik modellt vagy erőforrást használja. Néha csak egyet vesz igénybe. Máskor többet kombinál, és összesíti az eredményeket. A cél nem az, hogy megmutassuk a rendszer összetettségét, hanem hogy egy egyszerű felhasználói élmény mögé rejtsük.
Az eredmény egy olyan rendszer, amely alkalmazkodónak érződik. Felteszel egy kérdést, és a rendszer meghatározza, hogyan válaszolhat rá a leghatékonyabban. Ez alapgondolatában nagyon közel áll ahhoz, amit a MOE a modellek szintjén javasol, csak itt a teljes rendszer szintjén alkalmazzuk.
Az AGI még nem érkezett el. De az olyan elképzelések, mint a MOE, azt mutatják, hogy a továbblépés nem csupán a méret növeléséről szól. A felépítés, az összehangolás és az erőforrások okosabb felhasználása is számít.
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.
