Czym jest sztuczna inteligencja? Kompleksowy przewodnik po sztucznej inteligencji

Pomimo całego niedawnego szumu sztuczna inteligencja (AI) nie jest niczym nowym. W rzeczywistości wyprzedza sieć WWW o dziesięciolecia. Chociaż nagłe i szybkie pojawienie się generatywnej sztucznej inteligencji przyciągnęło całą uwagę (i prawdopodobnie dlatego czytasz ten artykuł), z pewnością zetknąłeś się z nią bezpośrednio i pośrednio przez wiele lat.

Ten ogólny przegląd sztucznej inteligencji pokaże różne sposoby jej działania, to, co może, a czego nie, oraz jego konsekwencje dla teraźniejszości i przyszłości biznesu i społeczeństwa. Wskażemy również, jak to się ma do gramatyki — jest to część tego, jak pomagamy ludziom pisać od ponad dekady.

Spis treści

• AI wyjaśniła
• Jak działa sztuczna inteligencja
• Historia sztucznej inteligencji
• Zastosowania AI
• Korzyści ze sztucznej inteligencji
• Ograniczenia AI
• Wniosek

Wyjaśniono sztuczną inteligencję

Sztuczna inteligencja to technologia symulująca sposób, w jaki uczy się i pracuje ludzki umysł.

Sztuczna inteligencja różni się od standardowych programów komputerowych tym, że potrafi rozwiązywać problemy za pomocą algorytmów lub logicznego rozumowania. Ponadto w większości współczesnych aplikacji może się uczyć i dostosowywać bez interwencji człowieka. Główne aspekty dziedziny sztucznej inteligencji obejmują uczenie maszynowe (ML), przetwarzanie języka naturalnego (NLP) i sieci neuronowe.

Jak działa sztuczna inteligencja

Model to konkretny przykład sztucznej inteligencji. Na przykład ChatGPT 3.5 i ChatGPT 4 to dwa modele sztucznej inteligencji. Aby zrozumieć główne elementy składowe sztucznej inteligencji, skupimy się na różnych koncepcyjnych podejściach do tworzenia modelu.

AI oparta na regułach, czyli systemy eksperckie

Prostszą strukturę nazywa się systemami opartymi na regułach lub systemami eksperckimi: ludzie piszą szczegółowe instrukcje w formie logiki zrozumiałej dla algorytmu. Typowe drzewo telefonów obsługi klienta działa w ten sposób: ma dać określoną odpowiedź na dane wejściowe, które odpowiadają określonym parametrom. Podstawowy algorytm Google PageRank to kolejny przykład, ale znacznie bardziej wyrafinowany.

Uczenie maszynowe

Większość dzisiejszej sztucznej inteligencji wykorzystuje podejście zwane uczeniem maszynowym. Zamiast otrzymywać zestaw zakodowanych na stałe instrukcji, model sam uczy się zasad na podstawie dużego (lub ogromnego) asortymentu treści — wzorców, relacji i innych elementów dynamiki. Proces ten jest często nazywany szkoleniem modelu. Możliwe jest także łączenie reguł i uczenia maszynowego, a względne zalety każdego z nich omówimy później.

Istnieją cztery główne kategorie uczenia się maszynowego: uczenie się nadzorowane, bez nadzoru, częściowo nadzorowane i samonadzorowane.

1 Uczenie nadzorowane wykorzystuje dane z adnotacjami lub ustrukturyzowane, aby powiedzieć maszynie, czego ma się nauczyć. Podejście to opiera się na oznakowanych zbiorach danych, w których znany jest już pożądany wynik, co pozwala modelowi poznać relacje między danymi wejściowymi i wyjściowymi.

2 Uczenie się bez nadzoru nie ma wyraźnych instrukcji, więc maszyna sama musi zrozumieć to, co widzi, a następnie dokonać przewidywań. Ten typ uczenia się służy do znajdowania ukrytych wzorców lub wewnętrznych struktur w danych wejściowych.

3 Uczenie się częściowo nadzorowane to podejście hybrydowe, w którym model jest szkolony na małej ilości oznakowanych danych uzupełnionych dużą ilością nieoznaczonych danych. Metoda ta wykorzystuje zalety uczenia się pod nadzorem i bez nadzoru, poprawiając efektywność i dokładność uczenia się, gdy brakuje oznakowanych danych.

4 Uczenie się samonadzorowane to podejście, w którym model generuje własne etykiety na podstawie danych wejściowych. Jest to szczególnie przydatne w scenariuszach, w których oznaczone dane są ograniczone lub niedostępne. Model wykorzystuje część danych wejściowych do przewidywania innych części, skutecznie tworząc własne nadzorowane sygnały.

Nauka nie musi kończyć się na szkoleniu wstępnym. Dzięki uczeniu się przez wzmacnianie model jest stale ulepszany w oparciu o informacje zwrotne na temat jakości wyników. Oceny tej mogą dokonać ludzie, ale istnieje również wiele technik i algorytmów automatycznego uczenia się przez wzmacnianie.

Po przeszkoleniu model jest gotowy do użycia. Dane wejściowe są przepuszczane przez model i dają wynik, niezależnie od tego, czy jest to odpowiedź na pytanie, klasyfikacja obrazu, rysowanie grafiki itp. Niektóre AI (zwłaszcza modele oparte na regułach) są deterministyczne, co oznacza, że ​​dane dane wejściowe zawsze prowadzą do określonego wyniku. Jednak większość nowoczesnych modeli ma charakter probabilistyczny i wprowadza pewien stopień losowości, co wyjaśnia, dlaczego jeśli dwukrotnie wpiszesz to samo pytanie w ChatGPT, jest mało prawdopodobne, że otrzymasz tę samą odpowiedź.

Sieci neuronowe i głębokie uczenie się

OK, ale jak właściwiedziałasztuczna inteligencja? Tutaj sprawy bardzo szybko stają się bardzo techniczne. Skoncentrujemy się na podejściu stojącym za wieloma dzisiejszymi nowatorskimi innowacjami AI, czyli sieciami neuronowymi.

Te uproszczone reprezentacje neuronów mózgu zaczynają się od losowych domysłów, porównywania tych domysłów z prawidłowymi odpowiedziami i ciągłego wprowadzania drobnych poprawek, aby stale zwiększać ich dokładność.

Sieci neuronowe składają się z warstw. „Na dole” znajduje się wejście, na górze wyjście, a pomiędzy nimi znajdują się tak zwane warstwy ukryte. Od dołu do góry możliwości stają się coraz bardziej abstrakcyjne. Na przykład w systemie rozpoznawania obrazu niższe warstwy mogą rozpoznawać kolory lub krawędzie, a wyższe – określone obiekty.

Kiedy sieci neuronowe mają wiele warstw ukrytych, nazywa się to głębokim uczeniem. Dzisiejsze głębokie sieci neuronowe zazwyczaj składają się z wielu warstw i często zawierają podwarstwy o określonych funkcjach. Poprawa mocy obliczeniowej zapoczątkowała eksplozję innowacji.

Przetwarzanie języka naturalnego

Kiedy komputery starają się zrozumieć sposób, w jaki ludzie piszą i mówią, jest to przetwarzanie języka naturalnego. Podczas gdy podstawowe sprawdzanie pisowni po prostu podkreśla słowa, które nie pasują do słownika, Grammarly używa NLP, aby zrozumieć Twój tekst i przedstawić sugestie pasujące do kontekstu.

W ciągu ostatniej dekady NLP przeszło rewolucję, której z pewnością doświadczyłeś w pracy przy tłumaczeniu maszynowym, generowaniu tekstu i automatycznej transkrypcji. Techniki takie jak zwiększanie uwagi (ile model może „zapamiętać” w danym momencie, zamiast tylko przetwarzać słowo po słowie) i wstępnie wyszkolone modele (aby nie musieli na nowo uczyć się, jak działa ludzki język od podstaw) umożliwiły maszynom zarówno rozumienie, jak i brzmienie jak ludzie w wielu kontekstach.

Generatywna sztuczna inteligencja

Generatywna sztuczna inteligencja to podzbiór sztucznej inteligencji, który może tworzyć nową treść, taką jak tekst, obrazy, muzykę, a nawet kod, w oparciu o dane szkoleniowe.

W przeciwieństwie do tradycyjnych systemów sztucznej inteligencji, które są dostosowane do konkretnych zadań lub analizy danych, generatywne modele sztucznej inteligencji są w stanie generować oryginalne wyniki, które często naśladują pracę stworzoną przez człowieka. Modele te — oparte na głębokich sieciach neuronowych — intuicyjnie wykorzystują wzorce, style lub logikę na podstawie obszernych zbiorów danych. Następnie wykorzystują tę wiedzę do tworzenia nowych, unikalnych treści, które wcześniej nie istniały.

Zastosowanie generatywnej sztucznej inteligencji obejmuje różne dziedziny, w tym rozrywkę, sztukę, literaturę i tworzenie oprogramowania. To pokazuje wszechstronność sztucznej inteligencji i jej rosnące możliwości.

Do przeglądu: AI może opierać się na regułach lub ML. Uczenie maszynowe może być nadzorowane lub nienadzorowane i z biegiem czasu staje się coraz lepsze dzięki uczeniu się przez wzmacnianie. Wiele współczesnych modeli sztucznej inteligencji to sieci neuronowe, które korzystają z głębokiego uczenia się na wielu warstwach. Przetwarzanie języka naturalnego to olśniewająca historia sukcesu głębokich sieci neuronowych, a modele tworzące tekst, obrazy, kod i inne elementy nazywane są generatywną sztuczną inteligencją.

Historia sztucznej inteligencji

Tutaj przedstawimy krótki przegląd historii sztucznej inteligencji. Aby zachować zwięzłość i skupić się wyłącznie na harmonogramie rozwoju, nie będziemy wspominać o osobach stojących za tymi innowacjami.

Lata 50. – 80. XX w.: wiosna GOFAI, potem zima

Termin„sztuczna inteligencja”ukuto w 1956 r. W tym samym roku pierwszy działający program oparty na sztucznej inteligencji z powodzeniem udowodnił różne twierdzenia matematyczne, z których jedno było „bardziej eleganckie” niż dowód przedstawiony przez pierwotnego autora.

Pierwszą sieć neuronową zbudowano w 1967 r., ale większość badań nad sztuczną inteligencją w tym czasie przeprowadzono przy użyciu reprezentacji symbolicznej i logiki w celu symulacji racjonalnego umysłu. (Możesz natknąć się na żartobliwy akronim GOFAI, oznaczającydobrą, staromodną sztuczną inteligencję). Jednak połączenie niespełnionych oczekiwań i ograniczonej mocy obliczeniowej doprowadziło do tak zwanejzimy AI, podczas której finansowanie i badania spadły w Lata 70. i później.

W latach 80. systemy ekspertowe – oparte na regułach modele sztucznej inteligencji, o których dowiedzieliśmy się wcześniej – stały się popularne i miały praktyczny wpływ na wiele firm. Równolegle badacze powrócili do sieci neuronowych i opracowali techniki umożliwiające im samodzielne szkolenie.

Lata 90. – 2000: wszechobecne, ale niedoceniane

Dzięki większej mocy obliczeniowej i większym zbiorom danych w latach 90. uczenie maszynowe stało się praktyczne w stosowanej skali, a sztuczna inteligencja osiągnęła wiele kamieni milowych. Poza filmem pierwszym powszechnie znanym sukcesem sztucznej inteligencji był prawdopodobnie moment, w którym Deep Blue pokonał Garry'ego Kasparowa w szachach w 1997 roku. Wkrótce potem dla systemu Windows udostępniono pierwszy konsumencki program do rozpoznawania mowy, Dragon.

Pomimo tego postępu, jeszcze w pierwszej dekadzie tego stulecia wielu badaczy i firm ukrywało swoje produkty i projekty związane ze sztuczną inteligencją w inny sposób, ponieważ nadal niosły one za sobą konotację przesady. Ironią jest to, że te właśnie systemy, obsługujące wszystko, od filtrów antyspamowych po Roombas, faktycznie wniosły praktyczną wartość stosowanej sztucznej inteligencji do codziennego życia.

Lata 2010 – dziś: sztuczna inteligencja wchodzi do głównego nurtu

W 2010 roku sztuczna inteligencja zaczęła się rozwijać, która trwa do dziś. Zamiast jednego przełomu, zbiegło się kilka czynników:

• Procesory graficzne: Pomimo nazwy„procesor graficzny”,chipy te okazują się bardzo wydajne w szkoleniu głębokich sieci neuronowych. Przejście w kierunku wykorzystania procesorów graficznych przyspieszyło zarówno szybkość, jak i praktyczny zakres tworzenia nowych modeli.
• Postęp w badaniach: nowe formy i zastosowania sieci neuronowych doprowadziły do ​​dużego skoku w zdolności komputerów do rozumienia i renderowania tekstu i obrazów.
• Duże zbiory danych: w tym momencie Internet istniał już wystarczająco długo, aby miliardy użytkowników mogły generować niezgłębione ilości treści, z których modele mogły się uczyć.
• Przetwarzanie w chmurze: platformy na żądanie firm Amazon, Google, Microsoft i innych znacznie ułatwiły uzyskanie mocy obliczeniowej potrzebnej do opracowania modeli sztucznej inteligencji.

Innowacje, które zostały w tym czasie nowo utworzone lub radykalnie zmienione, obejmują Tłumacz Google, wirtualnych asystentów, takich jak Siri, oraz silniki rekomendacji w usługach takich jak Netflix i Spotify, nie wspominając o wielu ważnych, ale mniej widocznych wpływach na sektory, w tym opiekę zdrowotną, produkcję, a nawet obronność .

Dlaczego więc szaleństwo na punkcie sztucznej inteligencji wzrosło o kilka stopni, gdy na scenie pojawiła się generatywna sztuczna inteligencja? Duża różnica polega na tym, że modele takie jak ChatGPT i DALL-E mogą interpretować i reagować na niemal dowolne dane wejściowe, zamiast ograniczać się do określonej domeny. Oznacza to, że każdy, kto ma połączenie internetowe, może bezpośrednio wchodzić w interakcję z modelem sztucznej inteligencji bez specjalnego szkolenia, a sztuczną inteligencję można wykorzystać do konkretnych zastosowań znacznie szybciej niż budowanie nowego modelu od zera.

Przyszłość: AGI i ASI

Mimo wszystkich swoich możliwości to, co widzimy dzisiaj, nazywa sięwąskąlubsłabą sztuczną inteligencją.Oznacza to technologię obejmującą część, ale nie cały zakres ludzkiej inteligencji. Maszynę dorównującą możliwościom naszego mózgu można by nazwaćsilną sztuczną inteligencją lubsztuczną inteligencją ogólną (AGI). Gdy sztuczna inteligencja przewyższy ludzką inteligencję, nazywa się to sztuczną superinteligencją (ASI).

Jak daleko jesteśmy od AGI? To tylko domysły. Nawet osoby głęboko zaangażowane w tę dziedzinę wielokrotnie błędnie oceniały tempo innowacji.

Zastosowania i przykłady AI

To tylko kilka z wielu sposobów, w jakie sztuczna inteligencja pojawia się obecnie w rzeczywistych aplikacjach.

Pomaganie ludziom robić rzeczy lepiej.Uważamy, że Grammarly jest tutaj doskonałym przykładem: masz pomysły, wyczucie tego, co chcesz powiedzieć i wiedzę odbiorców. Podpowiadamy, jak uczynić Twój przekaz jaśniejszym i zwiększyć szansę na jego dobre przyjęcie. Dowiedz się więcej o tym, jak Grammarly wykorzystuje generatywną sztuczną inteligencję do poprawy komunikacji.

Pomaganie osobom niepełnosprawnym.Technologie takie jak zamiana mowy na tekst i zamiana tekstu na mowę zmieniają reguły gry dla osób z upośledzeniami sensorycznymi, takimi jak słuch lub wzrok. Pozwalają im na zapoznawanie się z niedostępnymi wcześniej treściami na żywo i nagranymi, dzięki czemu mogą znacznie lepiej zanurzyć się w bogactwie świata, nie polegając na tym, że ktoś pełni rolę ich oczu lub uszu.

Systemy autonomiczne.Sztuczna inteligencja może łączyć percepcję z przewidywaniem, aby wykonywać wiele rzeczy wydajniej i bezpieczniej, od samochodów autonomicznych po systemy tryskaczowe, które nie działają, gdy zbliża się deszcz. Waymo, firma zajmująca się samochodami autonomicznymi założona przez Google, zgłasza o około 85 procent mniej wypadków z obrażeniami, niż gdyby ludzie przejechali tę samą odległość.

Zalecenia.Modele AI analizują zachowania użytkowników i dane demograficzne, aby wyciągać trafne wnioski na temat takich rzeczy, jak następny program telewizyjny lub rodzaj wody gazowanej, której możesz spróbować.

Przetwarzanie audiowizualne.Przykładami są rozpoznawanie głosu przez wirtualnego asystenta, automatyczne pobieranie opłat w oparciu o przetwarzanie zdjęć tablic rejestracyjnych czy filtrowanie szumów wizualnych i dźwiękowych z nagrania lub strumienia.

Krawędziowa sztuczna inteligencja.Dzięki temu moc sztucznej inteligencji trafia bezpośrednio do urządzeń w świecie rzeczywistym, a nie w centrum danych. Zwykle są one skupiane za pomocą lasera na konkretnym zadaniu w celu szybkiego i niskoenergetycznego przetwarzania. Przykładami są Face ID na iPhonie i inteligentne termostaty.

Zalety i korzyści AI

Przetwarzanie na dużą skalę.Wyobraź sobie, że prawdziwa osoba musiałaby oceniać każdą transakcję kartą kredytową pod kątem oszustwa lub wprowadzać każdy numer z każdego formularza podatkowego przesyłanego do urzędu skarbowego. Sztuczna inteligencja może oceniać i klasyfikować znacznie szybciej i często lepiej niż ludzie.

Wykrywanie i przewidywanie wzorców.Sztuczna inteligencja zaczyna przewyższać ludzi w zakresie wykrywania raka; w jednym przypadku pokonał profesjonalistów o 13%. Jest także bardzo dobry w wykrywaniu, kiedy coś odbiega od rozpoznanego wzorca, na przykład w wykrywaniu błędów w bazach danych. Ta umiejętność wyszukiwania wzorców sprawia, że ​​sztuczna inteligencja jest szczególnie przydatna do prognozowania, od prognoz pogody po ruchy na giełdzie.

Nowatorskie spostrzeżenia.Od pierwszego modelu sztuczna inteligencja znalazła odpowiedzi i podejścia do wszelkiego rodzaju problemów, jakich nigdy nie zrobił żaden człowiek. Współczesne przykłady obejmują projektowanie butów po nowe prawo fizyki.

Przyspieszenie medycyny.Od szczepionek na Covid-19 po wykrywanie choroby Alzheimera – sztuczna inteligencja pomaga naukowcom szybciej opracowywać diagnozy i metody leczenia.

Czujność.AI nigdy się nie męczy. Jeśli jest odpowiednio zaprojektowany i ma wystarczającą moc elektryczną i obliczeniową, może stale monitorować duże ilości danych. Jest to główny czynnik przyczyniający się do niższej liczby wypadków pojazdów autonomicznych.

Wady i ograniczenia AI

Halucynacje.Generatywna sztuczna inteligencja może zmyślać. Ponieważ wiele z tego, co mówią te modele, jest wiarygodnych, wiele osób nie zastanawia się, czy to jeszcze raz sprawdzić. Jeden z niedawnych przykładów tej kwestii miał miejsce, gdy były prawnik Michael Cohen przesłał swojemu prawnikowi cytaty dotyczące spraw prawnych, które zostały w całości sfabrykowane przez generatywną sztuczną inteligencję Google, znaną wówczas jako Bard (obecnie Gemini).

Deepfakes.Podczas gdy halucynacje są przypadkowe, deepfakes są zamierzone. Złośliwi aktorzy (lub, bardziej niewinnie, dowcipnisie) mogą wykorzystywać generatywną sztuczną inteligencję do tworzenia obrazów, wideo, audio lub tekstu tak bliskich rzeczywistości, że wiele osób nie widzi różnicy.

Konkurencja z ludzkimi zawodami.Wiele osób na stanowiskach takich jak pisanie i obsługa klienta postrzega generatywną sztuczną inteligencję jako realne zagrożenie. Fortune donosi, że tysiące miejsc pracy utracono z powodu sztucznej inteligencji, co wyraźnie stwierdza, że ​​„z pewnością jest to zaniżone”.

Trudność w zrozumieniu, dlaczego doszło do określonego wniosku.W przypadku sieci neuronowych nie można dokładnie wiedzieć, dlaczego i w jaki sposób dają one określony wynik — na przykład nie można go powiązać bezpośrednio z określoną częścią korpusu szkoleniowego. W branżach podlegających ścisłym regulacjom, takim jak opieka zdrowotna czy finanse, niektóre AI są zbudowane częściowo lub w całości z algorytmów opartych na regułach, które mogą ocenić ludzie.

Zużycie energii.Trudno to zmierzyć bezpośrednio, ale w jednym z badań szacuje się, że wygenerowanie pojedynczego obrazu, na przykład za pomocą DALL-E, zużywa prawie taką samą ilość energii, jak cykl ładowania smartfona, a z czasem ta ilość może znacznie wzrosnąć.

Wniosek

Sztuczna inteligencja jest zarówno stara, jak i bardzo nowa. Chociaż dziedzina ta istnieje od prawie 70 lat, dopiero w ostatniej dekadzie, a zwłaszcza w ciągu ostatnich kilku lat, wielu z nas stało się świadomych jej mocy i potencjału. Dzięki innowacjom, takim jak sieci neuronowe, głębokie uczenie się, przetwarzanie języka naturalnego i generatywna sztuczna inteligencja, narzędzia, które jeszcze niedawno brzmiały jak fantastyka naukowa, są teraz łatwo dostępne i znacząco zmieniają świat. Chcesz teraz spróbować czegoś praktycznego? Zarejestruj się w Grammarly i przekonaj się, jak sztuczna inteligencja może dla Ciebie działać.