Lepsza niż ChatGPT. Nowa sztuczna inteligencja odpowiada niemal jak człowiek
Za miesiąc minie rok, odkąd światu udostępniono do eksperymentów ChatGPT. Wówczas ruszyła lawina – powstała trudna do oszacowania liczba mniej lub bardziej wartościowych prognoz i podcastów. Jedni śmiali się z nieporadności modelu, drudzy byli zaniepokojeni długofalowymi skutkami. Na horyzoncie maluje się jednak coś nowego. Coś, co może sprawić, że ChatGPT stanie się przestarzałe.
U progu przełomu
Z artykułu opublikowanego na łamach „Nature” dowiadujemy się, że Brenden M. Lake, z Zakładu Psychologii i Centrum Data Science Uniwestytetu Nowego Jorku oraz Marco Baroni z Katalońskiego Insytutu Badań Zaawansowanych mają być u progu przełomu w tym, jak myślimy o silnikach przetwarzających język naturalny. Pracują oni nad siecią neuronową wykorzystującą proces metauczenia zdolną do generalizacji w taki sposób, jak robią to ludzie.
Twórca legendarnego „Dooma” sądzi, że ogólną sztuczną inteligencję będziemy mieli do końca dekadyMLC, czyli Meta-learning for Compositionality
Przewaga rozwijanego przez nich modelu MLC ma być szczególnie widoczna w konfrontacji z ChatGPT. Na podstawie tego samego zestawu danych i wykorzystaniu tych samych promptów, oprogramowanie wykorzystujące mechanizm MLC ma być daleko bardziej skuteczne w doborze słów i wykorzystaniu ich w różnych kontekstach. Naukowcy stwierdzili nawet, że zdolności MLC w tym zakresie nie odbiegają od kompetencji ludzkich.
Szczególnie skuteczny model MLC ma być w nauce nowych słów i adaptowaniu się w taki sposób, by stosować je w praktyce. Aby to zweryfikować, przeprowadzono test, w którym z siecią neuronową konkurowali ludzie. Najpierw uczono ich nowego słowa, a potem proszono, aby skojarzyli je sobie z kolorem. W wyniku testów 80% osób nauczyło się bezbłędnie kojarzyć nieznane słowo ze wskazaną barwą.
Podobny test przeprowadzono na MLC, jednak tutaj proces uczenia przebiegał inaczej. Sieć uczyła się przede wszystkim na własnych błędach. Dzięki temu udało się w miarę możliwości ograniczyć konieczność stosowania statycznych zestawów danych. Następnie wymuszono powtórzenie podobnych błędów, jakie odnotowano w przypadku procesu uczenia u ludzi. Efekt zachwycił naukowców – interakcja z MLC przebiegała w sposób niemal identyczny, jak w przypadku ludzi. Oprogramowanie odpowiadało w ten sam sposób, co człowiek.
Lepiej i szybciej niż ChatGPT
Prace nad MLC skupiają się przede wszystkim na ograniczeniu konieczności uczenia na dużych zbiorach danych – zamiast tego MLC ma uczyć się przede wszystkim na własnych błędach. Ponadto naukowcy skupili się nie na precyzji uzyskiwanych odpowiedzi, lecz na jakości kontaktu, który możliwie jak najbardziej miał odtwarzać z rozmowę z człowiekiem. A to właśnie ten aspekt sprawił, że ChatGPT okazało się tak gigantycznym sukcesem.
Już dziś nie brakuje komentarzy, że jeśli MLC znajdzie swoje praktyczne implementacje, to silnik opracowany przez OpenAI może zacząć być uważany za anachroniczny.
