Тъй като компаниите продължават да полагат все повече усилия за подобряване на технологията, учените може би са създали откритие, което може да надхвърли възможностите на генеративния изкуствен интелект.

Според доклад в Nature учените наричат техниката Meta-learning for Compositionality (MLC). Те посочват още, че тя има способността да прави обобщения за езика. Нещо повече, учените твърдят, че тя може да бъде също толкова добра, колкото и хората, особено когато сгъва нови думи и ги прилага в различни условия и контексти, като в крайна сметка представя преживяване, подобно на живота.

Когато са подложени на тест и сравнени с ChatGPT (която използва технология на невронни мрежи, за да разбира и генерира текст въз основа на подкани от потребителя), учените стигат до заключението, че техниката и хората се представят по-добре. Това се случва въпреки факта, че чатботове като ChatGPT и Bing Chat са в състояние да взаимодействат по начин, подобен на човешкия, и да служат като асистенти, задвижвани от изкуствен интелект.

Според доклада на Nature има огромна вероятност новият дизайн да надделее над чатботовете, задвижвани от ИИ, в дългосрочен план, тъй като може да взаимодейства с хората по-естествено в сравнение със съществуващите системи. Поглеждайки назад, Bing Chat на Microsoft беше забелязан да халюцинира в първите дни от пускането му, въпреки че проблемът беше отстранен.

Пол Смоленски, учен, специализирал в областта на езика в университета "Джон Хопкинс" в Балтимор, Мериленд, заявява, че техниката е "пробив в способността да се обучават мрежи, за да бъдат систематични".

Как работи невронната мрежа?

Както беше подчертано по-горе, невронната мрежа е вид изкуствен интелект, който има способността да сгъва нови думи и да ги използва в различни условия като хората. Единствената разлика е, че технологията първо трябва да премине през усилено обучение, за да усвои думата и как да я използва в различни условия.

За да определят възможностите на технологията, учените провеждат няколко теста върху хора, като ги излагат на нови думи и измерват разбирането им за това колко добре могат да използват думите в различни контексти. Те също така провериха способността им да свързват новонаучените думи с определени цветове. Според споделените критерии 80% от хората, участвали в упражнението, са се справили отлично и са могли да свържат думите с цветовете.

Ученият използвал същата предпоставка, за да обучи невронна мрежа. Те обаче я настроили така, че да се учи от собствените си грешки. Целта е била да се позволи на системата да се учи от всяка изпълнена задача, а не да използва статични данни. За да се уверят, че невронната мрежа изобразява характеристики, подобни на човешките, учените обучили модела да възпроизвежда грешки, подобни на тези, допуснати от явилите се на подобен тест. В крайна сметка това позволило на невронната мрежа да отговаря на нова порция въпроси почти (ако не и напълно) като хората.

От друга страна, GPT-4 се нуждаеше от доста време, за да се справи с поставените му задачи. Дори и тогава резултатите бяха плачевни в сравнение с хората и невронната мрежа, където средната стойност на резултатите беше между 42 и 86% в зависимост от представените задачи. Невероятно просто казано, проблемът с GPT и други подобни системи е, че те просто имитират изключително сложен синтаксис, а не демонстрират истинско разбиране на контекста. Именно това води GPT и подобни модели до халюциногенни заешки дупки - хората са по-способни да се самокоригират при подобни аномалии, а невронните мрежи може би също са по-способни да го правят.

Въпреки че това потенциално доказва, че невронната мрежа може да бъде следващото най-добро решение след генеративния ИИ, трябва да се направят много тестове и проучвания, за да се твърди това напълно. Ще бъде интересно да се види как ще се развие това и как ще се промени систематичното обобщаване.

Снимка: Unsplash

Виж още: AI на Google може да се изплъзне от контрол с катастрофални последици