Huszár Ferenc megfogalmazása szerint elérkezik majd az a kulcsfontosságú pillanat, amikor a mesterséges intelligenciába vetett bizalmunk felülmúlja az emberi kapcsolatokban rejlő elégedettséget.
Ha már előfizetőnk vagy, jelentkezz be! Ha még nem, válassz a csomagjaink közül!
Szeptember közepén tartottuk meg a 12. Qubit Live eseményünket, ahol neves előadóinkkal együtt a mesterséges intelligencia (AI) legfontosabb kutatási irányait, kihívásait és társadalmi kockázatait tárgyaltuk. Hamarosan megosztjuk a rendezvényen elhangzott előadásokat, a kerekasztal-beszélgetést, valamint a nézők által feltett kérdésekre adott válaszokat is. Így azok is hozzáférhetnek a tartalomhoz, akik nem tudtak részt venni a Qubit+ előfizetőink számára szervezett eseményünkön.
Huszár Ferenc, a Cambridge-i Egyetem mérnökinformatika tanára és a magyar mesterséges intelligencia kutatás kiemelkedő alakja, előadásában lényegre törően vázolta fel a gépi intelligencia fejlődésének utolsó harminc évét. Kiemelte, hogy az egyik legjelentősebb mérföldkő a történelemben az volt, amikor az IBM Deep Blue 1997-ben legyőzte Garri Kaszparovot, a sakk akkori világbajnokát egy hatjátszmás összecsapás során. Huszár Ferenc szerint ez az esemény nem csupán egy okos algoritmus megvalósulása volt, hanem inkább a számítástechnika fejlődésének eredménye, amely lehetővé tette, hogy olyan számítógép készüljön, amely jelentős memóriával és számítási teljesítménnyel rendelkezik, így képes volt számos lépést kipróbálni és szimulálni a győztes stratégia kidolgozásához.
Bár ez a pillanat mérföldkőnek számított a gépi intelligencia fejlődésének történetében, az AI valódi fellendülésére még hosszú évek várakozása volt szükség. 2010-ben például a sakkban már verhetetlennek bizonyult, de olyan, a mai szemmel egyszerűnek tűnő feladatokat, mint a bábuk azonosítása és mozgatása, még nem tudott megoldani. A bonyolultabb játékok, mint például a gó, szintén nem álltak a gépek fölött, hiszen az emberek még mindig jobban teljesítettek. Azonban a 2010-es évek közepére, a gépi látás, a robotika és az AI általános fejlődésének köszönhetően ezek a problémák is megoldódtak. A Google DeepMind 2015-ös AlphaGo rendszere újabb mérföldkövet jelentett, és a róla szóló történetünket nemrégiben, a tízéves évforduló alkalmából írtuk meg.
Újabb kihívások merültek fel: az emberi szintű gépi nyelvhasználat és a matematikai problémák megoldása 2015-ben még távolinak tűnt, de mára ezeket a célokat már elértük. Ennek főként a nagy nyelvi modelleknek (LLM) köszönhetjük. 2020 előtt a gépi intelligencia rendkívül specializált volt, vagyis csupán a konkrét feladatokra volt képes, amelyekre betanították. Azóta azonban az AI képes "érteni" a nyelvet, ami lehetővé tette, hogy egyszerre szövegeket, képeket, hangokat dolgozzon fel, valamint játékokban és tudományos feladatokban is alkalmazható legyen. Ennek következtében a gépi intelligencia egyre inkább hasonlít az emberi intelligenciára.
A mesterséges általános intelligencia (AGI) megjelenése gyakran a folyamat végső állomásaként kerül említésre, azonban Huszár véleménye szerint az AGI definíciója nemcsak félreérthető, hanem ennél jóval összetettebb kérdéseket is felvet. A kutató hangsúlyozza, hogy nem az a lényeg, mikor lépi túl a gép az emberi intelligencia határait minden kognitív feladatban. Hiszen léteznek olyan feladatok, mint a jogi döntéshozatal, a háborús stratégiák kidolgozása vagy a klímaváltozás kezelése, melyek nehezen mérhetők és definiálhatók, így a sikerek értékelésére sincs egyértelmű módszer. Sokkal inkább az a kérdés, hogy az egyszerűbb, mérhetőbb feladatokban mutatott teljesítmények alapján mikor kezdjük el előnyben részesíteni a gépek döntéseit az emberi döntésekkel szemben, különösen a komplexebb, fontosabb ügyekben.
Az előadás mind videó, mind podcast formátumban hozzáférhető. Fedezd fel itt:
