Selepas kemunculan besar model besar, sains komputer akhirnya menjadi "sains semula jadi"

​Kecerdasan buatan (AI) semasa berada dalam era yang indah, dan pengetahuan tersirat yang menakjubkan sering muncul (Polanyi’s Revenge and the new romance and tacitness of artificial intelligence) Pengetahuan, https:/ /bit.ly/3qYrAOY), tetapi sudah pasti komputer tidak akan dapat menyelesaikan tugas ini untuk masa yang lama pada masa hadapan. Penyelidikan menarik yang muncul baru-baru ini adalah mengenai sistem pembelajaran berskala besar berdasarkan seni bina Transformer, berdasarkan korpora multi-modal berskala rangkaian besar dan berbilion parameter untuk latihan. Contoh biasa ialah model bahasa besar, GPT3 dan PALM yang bertindak balas kepada gesaan teks sewenang-wenangnya, model bahasa/imej DALL-E dan Imagen yang menukar teks kepada imej (malah model dengan tingkah laku umum seperti GATO).

Kemunculan model pembelajaran berskala besar secara asasnya telah mengubah sifat penyelidikan kecerdasan buatan. Apabila penyelidik baru-baru ini menggunakan DALL-E, mereka percaya bahawa ia seolah-olah telah membangunkan bahasa uniknya sendiri Jika manusia dapat menguasainya, mereka mungkin dapat berinteraksi dengan DALL-E dengan lebih baik. Sesetengah penyelidik juga mendapati bahawa prestasi GPT3 mengenai masalah penaakulan boleh dipertingkatkan dengan menambahkan mantera ajaib tertentu (seperti "Mari kita fikir langkah demi langkah") dalam gesaan. Kini model pembelajaran besar seperti GPT3 dan DALL-E adalah seperti "spesies asing" dan kita perlu cuba menyahkod tingkah laku mereka.

Ini sememangnya titik perubahan yang pelik untuk kecerdasan buatan. Sejak kemunculannya, kecerdasan buatan telah menjadi "tanah tiada manusia" antara kejuruteraan (sistem dengan fungsi tertentu) dan sains (menemui undang-undang fenomena alam). Bahagian saintifik AI berpunca daripada dakwaan asalnya, iaitu cerapan tentang sifat kecerdasan manusia, manakala bahagian kejuruteraan berpunca daripada fokus pada keupayaan pintar (membolehkan komputer mempamerkan tingkah laku pintar) dan bukannya cerapan tentang kecerdasan manusia.

Situasi semasa berubah dengan pantas, terutamanya kerana kecerdasan buatan telah menjadi sinonim dengan model pembelajaran berskala besar. Status quo semasa ialah tiada siapa yang tahu apa-apa tentang cara model terlatih mempunyai fungsi tertentu, atau fungsi lain yang mungkin mereka miliki (seperti kebolehan PALM untuk "menjelaskan jenaka"). Malah pencipta mereka sering tidak tahu apa yang boleh dilakukan oleh sistem ini. Meneroka sistem ini untuk memahami skop "berfungsi" mereka telah menjadi trend terkini dalam penyelidikan kecerdasan buatan.

Adalah semakin jelas bahawa beberapa bahagian kecerdasan buatan tersasar dari akar kejuruteraan mereka. Hari ini sukar untuk memikirkan sistem pembelajaran yang besar sebagai reka bentuk kejuruteraan dengan matlamat khusus dalam pengertian tradisional. Lagipun, seseorang tidak boleh mengatakan bahawa anak-anaknya "direka." Bidang kejuruteraan biasanya tidak meraikan sifat baharu sistem yang tidak dijangka yang direka bentuknya (sama seperti jurutera awam tidak meraikan dengan teruja apabila jambatan yang mereka reka untuk menahan taufan Kategori 5 didapati bergoyang).

Terdapat bukti yang semakin meningkat bahawa kajian sistem besar yang terlatih (tetapi tidak direka) ini ditakdirkan untuk menjadi sains semula jadi: memerhati kefungsian sistem; menjalankan analisis kualitatif amalan terbaik;

Memandangkan fakta bahawa penampilan sedang dikaji dan bukannya apa yang ada di dalam, ini adalah serupa dengan matlamat bercita-cita tinggi untuk "memikirkannya" tanpa bukti sebenar dalam biologi. Pembelajaran mesin ialah usaha penyelidikan yang lebih memfokuskan kepada sebab sistem melakukan apa yang dilakukannya (anggap seperti melakukan kajian "MRI" tentang sistem pembelajaran yang besar) dan bukannya membuktikan bahawa sistem itu direka bentuk untuk berbuat demikian. Pengetahuan yang diperoleh daripada kajian ini boleh meningkatkan keupayaan untuk memperhalusi sistem (sama seperti dalam bidang perubatan). Sudah tentu kajian tetapan permukaan membolehkan campur tangan yang lebih disasarkan daripada tetapan dalaman.

Kecerdasan buatan menjadi sains semula jadi dan juga akan memberi kesan kepada keseluruhan sains komputer, memandangkan kecerdasan buatan akan memberi impak yang besar kepada hampir semua bidang pengkomputeran. Perkataan "sains" dalam sains komputer juga telah dipersoalkan dan dipersendakan. Tetapi itu telah berubah sekarang, kerana kecerdasan buatan telah menjadi sains semula jadi yang mengkaji sistem pembelajaran buatan berskala besar. Sudah tentu, mungkin terdapat banyak tentangan dan pendapat terhadap peralihan ini, kerana sains komputer telah lama menjadi cawan suci "betul dengan pembinaan". Ia adalah betul seperti anjing yang terlatih, sama seperti manusia.

Kembali pada tahun 2003, pemenang Anugerah Turing Leslie Lamport membunyikan penggera tentang kemungkinan bahawa masa depan pengkomputeran adalah biologi dan bukannya logik, mengatakan sains komputer akan membolehkan kita hidup dalam dunia homeopati dan penyembuhan iman. Pada masa itu, kebimbangannya terutamanya mengenai sistem perisian kompleks yang diprogramkan oleh manusia, dan bukannya model pembelajaran berskala besar yang lebih misteri hari ini.

Apabila beralih daripada bidang yang terutama berkaitan dengan reka bentuk yang disengajakan dan "ketepatan dengan pembinaan" kepada cuba meneroka atau memahami artifak sedia ada (tidak direka bentuk), anjakan metodologi yang akan dibawanya patut difikirkan. Tidak seperti kajian biologi tentang makhluk liar, kecerdasan buatan mengkaji artifak buatan manusia yang tidak mempunyai "rasa reka bentuk." Isu etika pasti akan timbul apabila ia datang untuk mencipta dan menggunakan artifak buatan yang tidak difahami. Model pembelajaran yang besar tidak mungkin dijamin untuk menyokong keupayaan yang boleh dibuktikan, sama ada berkaitan dengan ketepatan, ketelusan atau keadilan, namun ini adalah isu kritikal dalam menggunakan dan mempraktikkan sistem ini. Walaupun manusia juga tidak dapat memberikan bukti tentang ketepatan keputusan dan tindakan mereka sendiri, terdapat sistem undang-undang yang membolehkan manusia mematuhi hukuman seperti denda, kecaman, dan juga penjara. Untuk sistem pembelajaran berskala besar, apakah sistem yang setara?

Estetika penyelidikan pengiraan juga akan berubah. Penyelidik semasa boleh menilai kertas mengikut perkadaran mereka yang mengandungi teorem dan definisi. Tetapi apabila matlamat sains komputer menjadi lebih dan lebih seperti matlamat sains semula jadi seperti biologi, terdapat keperluan untuk membangunkan metodologi estetik pengiraan baharu (kerana teorem sifar dan nisbah takrifan sifar tidak akan sangat berbeza). Terdapat tanda-tanda bahawa analisis kerumitan pengiraan telah mengambil tempat belakang dalam penyelidikan AI.

Atas ialah kandungan terperinci Selepas kemunculan besar model besar, sains komputer akhirnya menjadi "sains semula jadi". Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!