Μεταφράζει η Volunteer Team
Η τεχνητή νοημοσύνη εμφανίζεται φαινομενικά σε κάθε γωνιά της σύγχρονης ζωής, από τη μουσική και τα μέσα μαζικής ενημέρωσης μέχρι τις επιχειρήσεις και την παραγωγικότητα, ακόμη και τα ραντεβού. Υπάρχουν τόσα πολλά που μπορεί να είναι δύσκολο να τα παρακολουθήσει κανείς – αρκεί λοιπόν να διαβάσει τα παρακάτω για να μάθει τα πάντα, από τις τελευταίες μεγάλες εξελίξεις μέχρι τους όρους και τις εταιρείες που πρέπει να γνωρίζει κανείς για να παραμείνει ενήμερος σε αυτόν τον ταχέως εξελισσόμενο τομέα.
Tι είναι η τεχνητή νοημοσύνη;
Η τεχνητή νοημοσύνη, που ονομάζεται επίσης μηχανική μάθηση, είναι ένα είδος λογισμικού συστήματος που βασίζεται στα νευρωνικά δίκτυα, μια τεχνική που στην πραγματικότητα πρωτοεμφανίστηκε πριν από δεκαετίες, αλλά πολύ πρόσφατα γνώρισε άνθηση χάρη στους νέους ισχυρούς υπολογιστικούς πόρους. Η τεχνητή νοημοσύνη έχει καταστήσει δυνατή την αποτελεσματική αναγνώριση φωνής και εικόνας, καθώς και τη δυνατότητα παραγωγής συνθετικών εικόνων και ομιλίας. Οι ερευνητές εργάζονται σκληρά, για να καταστήσουν δυνατή την περιήγηση μιας τεχνητής νοημοσύνης στο διαδίκτυο, την κράτηση εισιτηρίων, τη διόρθωση συνταγών και πολλά άλλα.
Θεμελιώδεις Έννοιες-Τεχνητή Νοημοσύνη 101
Ένα από τα πιο παράξενα πράγματα σχετικά με την τεχνητή νοημοσύνη είναι ότι, παρόλο που οι βασικές έννοιες χρονολογούνται εδώ και περισσότερα από 50 χρόνια, λίγες από αυτές ήταν γνωστές ακόμη και στους τεχνολογικά έμπειρους μέχρι πρόσφατα. Έτσι, αν κάποιος νιώθει ότι έχει χαθεί μ’ όλη αυτήν την πληροφορία, δε χρειάζεται να ανησυχεί – όλοι έχουν χαθεί.
Ένα πράγμα που καλό είναι να ξεκαθαριστεί εκ των προτέρων: Αν και ονομάζεται “τεχνητή νοημοσύνη”, ο όρος αυτός είναι λίγο παραπλανητικός. Δεν υπάρχει ένας και μοναδικός ορισμός της νοημοσύνης εκεί έξω, αλλά αυτό που κάνουν αυτά τα συστήματα είναι σίγουρα πιο κοντά σε αριθμομηχανές παρά σε μυαλά. Η εισροή και η εκροή των δεδομένων αυτής της αριθμομηχανής είναι απλώς πολύ πιο ευέλικτη. Θα μπορούσατε να σκεφτείτε την τεχνητή νοημοσύνη ως μια νοημοσύνη απομίμησης.
Με αυτά τα δεδομένα, ακολουθούν οι βασικοί όροι κάθε συζήτησης για την τεχνητή νοημοσύνη.
1. Νευρωνικό δίκτυο
Ο ανθρώπινος εγκέφαλος αποτελείται σε μεγάλο βαθμό από διασυνδεδεμένα κύτταρα που ονομάζονται νευρώνες, τα οποία συνδέονται μεταξύ τους, για να σχηματίσουν πολύπλοκα δίκτυα, που εκτελούν εργασίες και αποθηκεύουν πληροφορίες. Η αναδημιουργία αυτού του καταπληκτικού συστήματος σε λογισμικό επιχειρείται από τη δεκαετία του ’60, αλλά η απαιτούμενη επεξεργαστική ισχύς δεν ήταν ευρέως διαθέσιμη μέχρι πριν από 15-20 χρόνια, όταν οι GPU επέτρεψαν την άνθηση των ψηφιακά καθορισμένων νευρωνικών δικτύων. Στην καρδιά τους είναι απλώς πολλά σημεία και γραμμές: τα σημεία είναι δεδομένα και οι γραμμές είναι στατιστικές σχέσεις μεταξύ αυτών των τιμών. Όπως και στον εγκέφαλο, αυτό μπορεί να δημιουργήσει ένα ευέλικτο σύστημα που δέχεται γρήγορα μια εισαγωγή, την περνάει μέσα από το δίκτυο και παράγει μια εξαγωγή (αποτέλεσμα). Αυτό το σύστημα ονομάζεται μοντέλο.
2. Μοντέλο
Το μοντέλο είναι η πραγματική συγκέντρωση κώδικα, που δέχεται εισροές και επιστρέφει εκροές. Η ομοιότητα της ορολογίας με ένα στατιστικό μοντέλο ή ένα σύστημα μοντελοποίησης, που προσομοιώνει μια σύνθετη φυσική διαδικασία δεν είναι τυχαία. Στην τεχνητή νοημοσύνη, το μοντέλο μπορεί να αναφέρεται σε ένα πλήρες σύστημα όπως το ChatGPT, ή λίγο πολύ σε οποιοδήποτε κατασκεύασμα τεχνητής νοημοσύνης ή μηχανικής μάθησης, ανεξάρτητα από το τι κάνει ή παράγει. Τα μοντέλα κυκλοφορούν σε διάφορα μεγέθη, εννοώντας τόσο τον αποθηκευτικό χώρο, που καταλαμβάνουν, όσο και την υπολογιστική ισχύ που απαιτείται για την εκτέλεσή τους. Όλα αυτά εξαρτώνται από τον τρόπο εκπαίδευσης του μοντέλου.
3. Εκπαίδευση
Για τη δημιουργία ενός μοντέλου τεχνητής νοημοσύνης, τα νευρωνικά δίκτυα, που αποτελούν τη βάση του συστήματος, εκτίθενται σε μια πληθώρα πληροφοριών σε αυτό που ονομάζεται σύνολο δεδομένων ή corpus. Με τον τρόπο αυτό, αυτά τα γιγαντιαία δίκτυα δημιουργούν μια στατιστική αναπαράσταση αυτών των δεδομένων. Αυτή η διαδικασία εκπαίδευσης είναι το πιο εντατικό σε υπολογισμούς μέρος, που σημαίνει ότι διαρκεί εβδομάδες ή μήνες (μπορείτε να διαρκέσει όσο θέλει ο προγραμματιστής) πάνω σε τεράστιες τράπεζες υπολογιστών μεγάλης ισχύος. Ο λόγος για αυτό είναι ότι όχι μόνο τα δίκτυα είναι πολύπλοκα, αλλά και τα σύνολα δεδομένων μπορεί να είναι εξαιρετικά μεγάλα: δισεκατομμύρια λέξεις ή εικόνες, οι οποίες πρέπει να αναλυθούν και να αναπαρασταθούν στο γιγαντιαίο στατιστικό μοντέλο. Από την άλλη πλευρά, όταν το μοντέλο έχει τελειώσει την εκπαίδευσή του, μπορεί να είναι πολύ μικρότερο και λιγότερο απαιτητικό κατά τη χρήση του, μια διαδικασία που ονομάζεται συμπέρασμα.
4. Συμπεράσματα
Όταν το μοντέλο κάνει πραγματικά τη δουλειά του, αυτό ονομάζεται συμπέρασμα, με την παραδοσιακή έννοια της λέξης: διατύπωση ενός συμπεράσματος με βάση τα διαθέσιμα αποδεικτικά στοιχεία. Πρόκειται για τη στατιστική σύνδεση των νοημάτων στα δεδομένα που έχει προσλάβει και, στην πραγματικότητα, για πρόβλεψη του επόμενου νοήματος. Για παράδειγμα, λέγοντας ” Συμπλήρωσε την ακόλουθη σειρά: κόκκινο, πορτοκαλί, κίτρινο…” θα διαπιστώσει ότι οι λέξεις αυτές αντιστοιχούν στην αρχή μιας λίστας που έχει αφομοιώσει, τα χρώματα του ουράνιου τόξου, και θα συμπεράνει το επόμενο στοιχείο, μέχρι να παράγει το υπόλοιπο της λίστας αυτής. Η εξαγωγή συμπερασμάτων είναι γενικά, πολύ λιγότερο υπολογιστικά δαπανηρή, από την εκπαίδευση: Σκεφτείτε το σαν να κοιτάτε έναν κατάλογο καρτών αντί να τον συναρμολογείτε. Τα μεγάλα μοντέλα εξακολουθούν να τρέχουν σε υπερυπολογιστές και GPU, αλλά τα μικρότερα μπορούν να τρέξουν σε ένα smartphone ή σε κάτι ακόμη πιο απλό.
5. Παραγωγική Τεχνητή Νοημοσύνη
Όλοι μιλούν για παραγωγική τεχνητή νοημοσύνη και αυτός ο ευρύς όρος σημαίνει απλώς ένα μοντέλο τεχνητής νοημοσύνης που παράγει μια αρχική έξοδο, όπως μια εικόνα ή ένα κείμενο. Κάποια μοντέλα τεχνητής νοημοσύνης συνοψίζουν, κάποια αναδιοργανώνουν, κάποια ταυτοποιούν κ.ο.κ. – αλλά μια τεχνητή νοημοσύνη, που παράγει πραγματικά κάτι (το αν “δημιουργεί” ή όχι είναι αμφισβητήσιμο) είναι ιδιαίτερα δημοφιλής αυτή τη στιγμή. Απλά καλό είναι να θυμάται κανείς ότι μόνο και μόνο επειδή μια τεχνητή νοημοσύνη δημιούργησε κάτι, αυτό δεν σημαίνει ότι είναι σωστό, ή ακόμη και ότι εκφράζει καθόλου την πραγματικότητα.
Οι σημερινοί κορυφαίοι όροι
Πέρα από τους βασικούς όρους, ακολουθούν οι όροι για την τεχνητή νοημοσύνη που είναι πλέον σημαντικοί στα μέσα του 2023.
1. Μεγάλο Γλωσσικό Μοντέλο (Large Language Model, LLM)
Η πιο επιδραστική και ευέλικτη μορφή τεχνητής νοημοσύνης, που είναι διαθέσιμη σήμερα. Τα μεγάλα γλωσσικά μοντέλα εκπαιδεύονται σχεδόν σε όλα τα κείμενα που απαρτίζουν τον ιστό και σε μεγάλο μέρος της αγγλικής λογοτεχνίας. Η πρόσληψη όλων αυτών έχει ως αποτέλεσμα ένα μοντέλο θεμελίωσης τεράστιου μεγέθους. Τα LLM είναι σε θέση να συνομιλούν και να απαντούν σε ερωτήσεις σε φυσική γλώσσα και να μιμούνται μια ποικιλία στυλ και τύπων γραπτών εγγράφων, όπως αποδεικνύεται από τα μοντέλα ChatGPT, Claude και LLaMa. Ενώ αυτά τα μοντέλα είναι αναμφισβήτητα εντυπωσιακά, πρέπει να ληφθεί υπόψη ότι δεν παύουν να είναι μηχανές αναγνώρισης προτύπων και όταν απαντούν, αυτό αποτελεί μια προσπάθεια ολοκλήρωσης ενός προτύπου που έχουν εντοπίσει, ανεξάρτητα από το αν αυτό το πρότυπο αντικατοπτρίζει ή όχι την πραγματικότητα. Τα LLM συχνά δίνουν συγκεχυμένες απαντήσεις.
2. Θεμελιώδες Μοντέλο
Η εκπαίδευση ενός τεράστιου μοντέλου από το μηδέν σε τεράστια σύνολα δεδομένων είναι δαπανηρή και πολύπλοκη, και γι’ αυτό δεν είναι επιθυμητό να γίνεται περισσότερο από όσο χρειάζεται. Τα θεμελιώδη μοντέλα είναι τα μεγάλα μοντέλα, που χρειάζονται υπερυπολογιστές για να τρέξουν, αλλά μπορούν να περιοριστούν ώστε να χωρέσουν σε μικρότερα συστήματα, συνήθως με τη μείωση του αριθμού των παραμέτρων. Μπορούν να θεωρηθούν ως τα συνολικά σημεία με τα οποία πρέπει να δουλέψει το μοντέλο, και αυτά σήμερα μπορεί να είναι εκατομμύρια, δισεκατομμύρια ή ακόμη και τρισεκατομμύρια.
3. Λεπτομερής ρύθμιση
Ένα θεμελιώδες μοντέλο όπως το GPT-4 είναι έξυπνο, αλλά είναι επίσης γενικευμένο από τη φύση του – έχει απορροφήσει τα πάντα, από τον Ντίκενς μέχρι τον Βιτγκενστάιν και τους κανόνες του Dungeons & Dragons, αλλά τίποτα από αυτά δεν είναι χρήσιμο αν κάποιος θέλει να τον βοηθήσει να γράψει μια συνοδευτική επιστολή για το βιογραφικό του. Ευτυχώς, τα μοντέλα μπορούν να βελτιωθούν με το να τους δοθεί λίγη επιπλέον εκπαίδευση χρησιμοποιώντας ένα εξειδικευμένο σύνολο δεδομένων, για παράδειγμα μερικές χιλιάδες αιτήσεις για εργασία. Αυτό δίνει στο μοντέλο μια πολύ καλύτερη αίσθηση του πώς να βοηθήσει σε αυτόν τον τομέα, χωρίς να πετάξει τη γενική γνώση που έχει συλλέξει από τα υπόλοιπα δεδομένα εκπαίδευσής του.
Η ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση (Reinforcement learning from human feedback, ή RLHF) είναι ένα ιδιαίτερο είδος τελειοποίησης- χρησιμοποιεί δεδομένα από ανθρώπους που αλληλεπιδρούν με το LLM για να βελτιώσει τις επικοινωνιακές του δεξιότητες.
4. Διάχυση
Η δημιουργία εικόνων μπορεί να γίνει με πολλούς τρόπους, αλλά ο μακράν πιο επιτυχημένος μέχρι σήμερα είναι η διάχυση, η οποία είναι η τεχνική που βρίσκεται στο επίκεντρο των Stable Diffusion, Midjourney και άλλων δημοφιλών γεννητικών συστημάτων τεχνητής νοημοσύνης. Τα μοντέλα διάχυσης εκπαιδεύονται δείχνοντάς τους εικόνες που υποβαθμίζονται σταδιακά με την προσθήκη ψηφιακού θορύβου μέχρι να μην απομείνει τίποτα από το πρωτότυπο. Παρατηρώντας αυτό, τα μοντέλα διάχυσης μαθαίνουν να κάνουν τη διαδικασία και αντίστροφα, προσθέτοντας σταδιακά λεπτομέρειες στον καθαρό θόρυβο, ώστε να σχηματίσουν μια αυθαίρετα καθορισμένη εικόνα.
5. Παραισθήσεις/Συγκεχυμένες απαντήσεις
Αρχικά, αυτό ήταν ένα πρόβλημα που προέκυπτε όταν ορισμένες εικόνες κατά την εκπαίδευση μεταφέρονταν σε άσχετη με το αντικείμενο εκροή, όπως κτίρια που έμοιαζαν να είναι φτιαγμένα από σκύλους λόγω της υπερβολικής συχνότητας εμφάνισης σκύλων στο σύνολο εκπαίδευσης. Τώρα λέγεται ότι μια τεχνητή νοημοσύνη έχει παραισθήσεις όταν, επειδή δεν έχει επαρκή ή αντικρουόμενα δεδομένα στο σύνολο εκπαίδευσής της, απλώς επινοεί κάτι.
Αυτό μπορεί να είναι είτε ένα πλεονέκτημα είτε ένα μειονέκτημα- μια τεχνητή νοημοσύνη από την οποία ζητείται να δημιουργήσει μια πρωτότυπη ή ακόμη και μια τέχνη που είναι παράγωγο άλλων πρωτότυπων, έχει παραισθήσεις στην έξοδό της. Μπορεί, επίσης, να ζητηθεί από ένα LLM να γράψει ένα ερωτικό ποίημα στο ύφος του Yogi Berra, και θα το κάνει ευχαρίστως – παρά το γεγονός ότι κάτι τέτοιο δεν υπάρχει πουθενά στο σύνολο δεδομένων της. Μπορεί όμως να αποτελέσει πρόβλημα όταν επιθυμείται μια πραγματική απάντηση- τα μοντέλα θα παρουσιάσουν με αυτοπεποίθηση μια απάντηση που είναι μισή πραγματική, μισή παραίσθηση. Προς το παρόν δεν υπάρχει εύκολος τρόπος να καταλάβει κανείς ποιο είναι ποιο, εκτός από το να το ελέγξει μόνος του, επειδή το ίδιο το μοντέλο δεν γνωρίζει στην πραγματικότητα τι είναι “αληθινό” ή “ψευδές”, προσπαθεί απλώς να συμπληρώσει ένα μοτίβο όσο καλύτερα μπορεί.
6. AGI ή Ισχυρή Τεχνητή Νοημοσύνη
Η Τεχνητή Γενική Νοημοσύνη ή ισχυρή τεχνητή νοημοσύνη δεν είναι πραγματικά μια καλά καθορισμένη έννοια, αλλά η απλούστερη εξήγηση είναι ότι πρόκειται για μια νοημοσύνη, που είναι αρκετά ισχυρή όχι μόνο για να κάνει ό,τι και οι άνθρωποι, αλλά και για να μαθαίνει και να βελτιώνεται όπως οι άνθρωποι. Ορισμένοι ανησυχούν ότι αυτός ο κύκλος μάθησης, ενσωμάτωσης αυτών των ιδεών και στη συνέχεια μάθησης και ταχύτερης ανάπτυξης θα είναι ένας αυτοτροφοδοτούμενος κύκλος που θα οδηγήσει σε ένα υπερ-ευφυές σύστημα, το οποίο είναι αδύνατο να περιοριστεί ή να ελεγχθεί. Ορισμένοι έχουν προτείνει ακόμη και την καθυστέρηση ή τον περιορισμό της έρευνας για να προλάβουν αυτό το ενδεχόμενο.
Είναι σίγουρα μια τρομακτική ιδέα και ταινίες όπως το “Matrix” και ο “Εξολοθρευτής” έχουν διερευνήσει τι μπορεί να συμβεί αν η τεχνητή νοημοσύνη ξεφύγει από τον έλεγχο και προσπαθήσει να εξαλείψει ή να υποδουλώσει την ανθρωπότητα. Αλλά αυτές οι ιστορίες δεν βασίζονται στην πραγματικότητα. Η εμφάνιση νοημοσύνης, που βλέπουμε σε πράγματα, όπως το ChatGPT, είναι μια εντυπωσιακή ενέργεια, αλλά έχει ελάχιστα κοινά με την αφηρημένη συλλογιστική και τη δυναμική δραστηριότητα πολλαπλών τομέων που συνδέουμε με την “πραγματική” νοημοσύνη. Αν και είναι σχεδόν αδύνατο να προβλεφθεί πώς θα εξελιχθούν τα πράγματα, ίσως είναι χρήσιμο η AGI να θεαθεί ως κάτι παρόμοιο με τα διαστρικά διαστημικά ταξίδια: Όλοι κατανοούν την ιδέα και φαινομενικά εργάζονται προς αυτή την κατεύθυνση, αλλά την ίδια στιγμή υπάρχει πολύ μεγάλη απόσταση από το να επιτευχθεί οτιδήποτε παρόμοιο. Και λόγω των τεράστιων πόρων και των θεμελιωδών επιστημονικών εξελίξεων που απαιτούνται, κανείς δεν πρόκειται να το πετύχει ξαφνικά και τυχαία.
Η AGI είναι ενδιαφέρουσα σκέψη για προβληματισμό, αλλά δεν υπάρχει λόγος να επιφορτίζεται κανείς με πρόσθετα προβλήματα, όταν η τεχνητή νοημοσύνη, παρουσιάζει ήδη σήμερα πραγματικές και συνεπακόλουθες απειλές, παρά τους περιορισμούς της, και μάλιστα σε μεγάλο βαθμό εξαιτίας αυτών. Κανείς δεν θέλει το Skynet, αλλά δεν χρειάζεται μια υπερ-νοημοσύνη οπλισμένη με πυρηνικά για να προκαλέσει πραγματική ζημιά: οι άνθρωποι χάνουν τις δουλειές τους και πέφτουν θύματα απάτης σήμερα.
Βασικοί Πρωταγωνιστές στην Τεχνητή Νοημοσύνη
Open AI
Αν υπάρχει ένα οικείο όνομα στην τεχνητή νοημοσύνη, είναι αυτό. Το OpenAI ξεκίνησε, όπως υποδηλώνει το όνομά του, ως ένας οργανισμός που σκόπευε να διεξάγει έρευνα και να παρέχει τα αποτελέσματα κατά κύριο λόγο ανοιχτά. Έκτοτε έχει αναδιαρθρωθεί ως μια πιο παραδοσιακή κερδοσκοπική εταιρεία, που παρέχει πρόσβαση στις προόδους της στα γλωσσικά μοντέλα, όπως το ChatGPT μέσω API και εφαρμογών. Επικεφαλής της είναι ο Σαμ Άλτμαν, ένας δισεκατομμυριούχος, ο οποίος ,ωστόσο, έχει προειδοποιήσει για τους κινδύνους, που μπορεί να παρουσιάσει η τεχνητή νοημοσύνη. Η OpenAI είναι ο αναγνωρισμένος ηγέτης στα LLM, αλλά διεξάγει, επίσης, έρευνα και σε άλλους τομείς.
Microsoft
Όπως είναι αναμενόμενο, η Microsoft έχει κάνει αρκετή δουλειά στην έρευνα για την τεχνητή νοημοσύνη, αλλά όπως και άλλες εταιρείες έχει λίγο πολύ αποτύχει να μετατρέψει τα πειράματά της σε σημαντικά προϊόντα.Η πιο έξυπνη κίνησή της ήταν να επενδύσει νωρίς στην OpenAI, γεγονός που της εξασφάλισε μια αποκλειστική μακροπρόθεσμη συνεργασία με την εταιρεία, η οποία τροφοδοτεί τώρα τον συνομιλιακό μηχανισμό Bing. Αν και οι δικές της συνεισφορές είναι μικρότερες και λιγότερο άμεσα εφαρμόσιμες, η εταιρεία έχει σημαντική ερευνητική παρουσία.
Η Google έχασε κατά κάποιο τρόπο το πλεονέκτημα στην τεχνητή νοημοσύνη, παρά το γεγονός ότι οι ερευνητές της εφηύραν κυριολεκτικά την τεχνική που οδήγησε άμεσα στη σημερινή έκρηξη της τεχνητής νοημοσύνης: τον μετασχηματιστή. Τώρα εργάζεται σκληρά πάνω σε δικά της LLMs και άλλους μηχανισμούς, αλλά είναι σαφές ότι παίζει το παιχνίδι του catch-up αφού ξόδεψε το μεγαλύτερο μέρος του χρόνου και των χρημάτων της την τελευταία δεκαετία για να ενισχύσει την ξεπερασμένη έννοια του “εικονικού βοηθού” της AI. Ο διευθύνων σύμβουλος Sundar Pichai έχει επανειλημμένα δηλώσει ότι η εταιρεία ευθυγραμμίζεται σταθερά πίσω από την AI στην αναζήτηση και την παραγωγικότητα.
Anthropic
Αφού το OpenAI απομακρύνθηκε από την διαφάνεια, τα αδέλφια Dario και Daniela Amodei το εγκατέλειψαν για να ιδρύσουν το Anthropic, σκοπεύοντας να καλύψουν το ρόλο ενός ανοιχτού και ηθικά προσεκτικού ερευνητικού οργανισμού για την τεχνητή νοημοσύνη. Με το ποσό των μετρητών που διαθέτουν, αποτελούν σοβαρό αντίπαλο του OpenAI, ακόμη και αν τα μοντέλα τους, όπως το Claude, δεν είναι ακόμη τόσο δημοφιλή ή γνωστά.
Stability
Αμφιλεγόμενη αλλά αναπόφευκτη, η Stability αντιπροσωπεύει τη σχολή “κάνε ό,τι θέλεις” του ανοιχτού κώδικα για την υλοποίηση της τεχνητής νοημοσύνης, απορροφώντας τα πάντα στο διαδίκτυο και καθιστώντας τα παραγωγικά μοντέλα τεχνητής νοημοσύνης, τα οποία εκπαιδεύει, ελεύθερα διαθέσιμα, αν οι χρήστες έχουν το υλικό για να τα τρέξουν. Αυτό είναι συμβατό με τη φιλοσοφία “η πληροφορία θέλει να είναι ελεύθερη”, αλλά έχει επίσης επιταχύνει ηθικά αμφίβολα έργα, όπως η παραγωγή πορνογραφικών εικόνων και η χρήση πνευματικής ιδιοκτησίας χωρίς συγκατάθεση (μερικές φορές ταυτόχρονα).
Elon Musk
Ο Musk έχει μιλήσει ανοιχτά για τους φόβους του σχετικά με την ανεξέλεγκτη τεχνητή νοημοσύνη, καθώς και για κάποια δυσάρεστα συναισθήματα, αφού συνεισέφερε στο OpenAI από νωρίς και αυτό πήρε μια κατεύθυνση, που δεν του άρεσε. Παρόλο που ο Musk δεν είναι ειδικός στο θέμα αυτό, ως συνήθως η συμπεριφορά και τα σχόλιά του προκαλούν ευρείες αντιδράσεις (είχε υπογράψει την προαναφερθείσα επιστολή για την παύση ανάπτυξης της τεχνητής νοημοσύνης “AI pause”) και προσπαθεί να ξεκινήσει μια δική του ερευνητική μονάδα.
Πηγή:
Volunteer Team
Latest posts by Volunteer Team (see all)
- Αντίο, ρομποτική Alexa. Η φωνητική βοηθός της Amazon γίνεται όλο και πιο ανθρώπινη με την δημιουργική τεχνητή νοημοσύνη - 04/10/2023
- “Δεν μπορούσα να σταματήσω τον εαυτό μου”: μέσα από το πρόγραμμα 12 βημάτων για τον εθισμό στο διαδίκτυο - 03/10/2023
- Cyberstalking: Όταν η ιδέα του “μεγάλου αδελφού” ξεφεύγει από τα όρια της φαντασίας - 02/10/2023