Moore'o įstatymas buvo auksinis standartas, numatantis technologinę pažangą metų metus. 1965 m. Pristatė Gordonas Moore'as, „Intel“ įkūrėjas, jis pareiškė, kad tranzistorių skaičius luste kas dvigubai padidės kas dvejus metus, laikui bėgant kompiuteriai padaro kompiuterius greitesnius, mažesnius ir pigesnius. Šis nuolatinis tobulėjimas paskatino viską, pradedant asmeniniais kompiuteriais ir išmaniaisiais telefonais, baigiant interneto kilimu.
Bet ta era baigiasi. Tranzistoriai dabar pasiekia atominio masto ribas, o jų susitraukimas dar labiau tapo nepaprastai brangus ir sudėtingas. Tuo tarpu AI skaičiavimo galia sparčiai didėja, žymiai aplenkdama Moore'o įstatymą. Skirtingai nuo tradicinio skaičiavimo, AI remiasi tvirta, specializuota aparatine įranga ir lygiagretus apdorojimas, kad galėtų tvarkyti masinius duomenis. AI išskiria sugebėjimą nuolat mokytis ir patobulinti jo algoritmus, todėl efektyvumas ir našumas pagerina greitą efektyvumą ir našumą.
Šis greitas pagreitis priartina mus prie pagrindinio momento, žinomo kaip AI išskirtinumas-taškas, kuriame AI pralenkia žmogaus intelektą ir pradeda nesustabdomą savęs tobulinimo ciklą. Tokios kompanijos kaip „Tesla“, „NVIDIA“, „Google Deepmind“ ir „Openai“ veda šią transformaciją su galingais GPU, pasirinktiniais AI mikroschemomis ir didelio masto nervų tinklais. Kai AI sistemos tampa vis labiau pajėgios, kai kurie ekspertai mano, kad 2027 m. Galėtume pasiekti dirbtinę supervilimą (ASI) – etapą, kuris galėtų pakeisti pasaulį amžiams.
Kai AI sistemos tampa vis savarankiškesnės ir pajėgios optimizuoti save, ekspertai prognozuoja, kad mes galime pasiekti dirbtinį priežiūrą (ASI) jau 2027 m. Kyla klausimas, ar AI pasieks šį etapą, kada ir ar esame pasirengę.
Kaip AI mastelio keitimo ir savarankiško mokymosi sistemos keičiasi skaičiavimu
Kai Moore'o įstatymas praranda pagreitį, iššūkiai, kad tranzistoriai mažesni, tampa vis akivaizdesni. Šilumos kaupimasis, galios apribojimai ir kylančios lustų gamybos išlaidos dar labiau pakeitė tradicinį skaičiavimą. Tačiau AI įveikia šiuos apribojimus ne darydamas mažesnius tranzistorius, bet keičiant skaičiavimo veikimą.
Užuot pasikliaudami susitraukusiais tranzistoriais, AI naudoja lygiagrečią apdorojimą, mašininį mokymąsi ir specializuotą aparatinę įrangą, kad padidintų našumą. Gilus mokymasis ir neuroniniai tinklai tobulėja, kai jie vienu metu gali apdoroti didžiulį duomenų kiekį, skirtingai nuo tradicinių kompiuterių, kurie užduotis apdoroja nuosekliai. Ši transformacija paskatino plačiai naudoti GPU, TPU ir AI greitintuvus, aiškiai suprojektuotus AI darbo krūviams, o tai užtikrina žymiai didesnį efektyvumą.
AI sistemos tampa tobulesnės, didesnės skaičiavimo galios paklausa ir toliau didėja. Šis spartus augimas padidino AI skaičiavimo galią 5x per metus, o tai žymiai pralenkia tradicinį Moore'o įstatymų 2x augimą kas dvejus metus. Šios plėtros poveikis labiausiai išryškėja didelių kalbų modeliuose (LLMS), tokiuose kaip GPT-4, Dvyniai ir „Deepseek“, kuriems reikalingos didžiulės apdorojimo galimybės, norint analizuoti ir interpretuoti milžiniškus duomenų rinkinius, skatinant kitą AI varomo skaičiavimo bangą. Tokios kompanijos kaip „NVIDIA“ kuria labai specializuotus AI procesorius, kurios užtikrina neįtikėtiną greitį ir efektyvumą, kad patenkintų šiuos reikalavimus.
PG mastelio keitimą lemia moderniausia aparatūra ir savaime tobulinantys algoritmai, leidžiantys mašinoms efektyviau nei bet kada apdoroti didžiulį duomenų kiekį. Tarp reikšmingiausių patobulinimų yra „Tesla“ „Dojo“ superkompiuteris, AI optimizuoto skaičiavimo proveržis, aiškiai skirtas mokyti giluminio mokymosi modelius.
Skirtingai nuo įprastų duomenų centrų, sukurtų bendrosios paskirties užduotims, „Dojo“ yra sukurtas taip, kad galėtų tvarkyti didelius AI darbo krūvius, ypač „Tesla“ savarankiško vairavimo technologijai. Tai, kas išskiria Dojo, yra jo pritaikyta AI orientuota architektūra, optimizuota giliam mokymosi, o ne tradiciniam skaičiavimui. Tai lėmė precedento neturintį treniruočių greitį ir leido „Tesla“ sumažinti AI treniruočių laiką nuo mėnesių iki savaičių, tuo pačiu sumažinant energijos suvartojimą efektyviai valdant energiją. „Tesla“ įgalindamas mokyti didesnius ir sudėtingesnius modelius, turinčius mažiau energijos, Dojo vaidina gyvybiškai svarbų vaidmenį pagreitindamas AI varomą automatizavimą.
Tačiau „Tesla“ šiose lenktynėse nėra viena. Visoje pramonėje AI modeliai tampa vis labiau pajėgūs tobulinti savo mokymosi procesus. Pvz. Tuo tarpu pažangių „Google Deepmind“ mokymosi modelių mokomi realaus pasaulio duomenys, leidžiantys jiems dinamiškai pritaikyti ir patobulinti sprendimų priėmimo procesus su minimalia žmogaus intervencija.
Dar svarbiau, kad AI dabar gali sustiprinti save per rekursyvų savęs tobulinimą-procesą, kai AI sistemos patikslina savo mokymosi algoritmus ir padidina efektyvumą su minimalia žmogaus intervencija. Šis savarankiško mokymosi sugebėjimas spartina AI plėtrą precedento neturinčiu greičiu, priartinant pramonę ASI. AI sistemoms nuolat tobulinant, optimizuojant ir tobulinant save, pasaulis patenka į naują intelektualaus skaičiavimo erą, kuri nuolat vystosi savarankiškai.
Kelias į supervilimą: ar mes artėjame prie išskirtinumo?
AI išskirtinumas nurodo tašką, kai dirbtinis intelektas pranoksta žmogaus intelektą ir tobulėja be žmogaus indėlio. Šiame etape AI galėtų sukurti sudėtingesnes versijas ištisiniame savęs tobulinimo cikle, dėl kurio greitas pažanga, ne tik suprantama, ne tik žmonių supratimu. Ši idėja priklauso nuo dirbtinio bendrojo intelekto (AGI) raidos, kuri gali atlikti bet kokią intelektualinę užduotį, kurią žmogus gali ir galiausiai pereiti į ASI.
Ekspertai turi skirtingas nuomones apie tai, kada tai gali įvykti. Ray Kurzweil, futuristas ir AI tyrėjas „Google“, prognozuoja, kad AGI atvyks iki 2029 m., Atidžiai seka ASI. Kita vertus, Elonas Muskas mano, kad ASI gali atsirasti jau 2027 m., Reikalaudamas sparčiai padidėjusią AI skaičiavimo galią ir jos sugebėjimą padidinti mastelį greičiau, nei tikėtasi.
AI skaičiavimo galia dabar padvigubėja kas šešis mėnesius, kur kas dvejus metus peržengia Moore'o įstatymą, kuris prognozavo, kad tranzistoriaus tankis padvigubėjo. Šis pagreitis yra įmanomas dėl pažangų lygiagrečiai apdorojant, specializuota techninė įranga, tokia kaip GPU ir TPU, ir optimizavimo metodai, tokie kaip modelio kiekybinis įvertinimas ir rašingumas.
PG sistemos taip pat tampa savarankiškesnės. Kai kurie dabar gali optimizuoti savo architektūrą ir pagerinti mokymosi algoritmus be žmogaus įsitraukimo. Vienas iš pavyzdžių yra nervų architektūros paieška (NAS), kai AI kuria neuroninius tinklus, kad pagerintų efektyvumą ir našumą. Šie pasiekimai lemia AI modelių plėtrą nuolat tobulinti save, o tai yra esminis žingsnis link superintelligence.
Kadangi AI gali taip greitai žengti į priekį, „Openai“, „Deepmind“ ir kitų organizacijų tyrėjai dirba saugos priemonėmis, siekdami užtikrinti, kad AI sistemos liktų suderintos su žmogaus vertybėmis. Tokie metodai kaip sustiprinimo mokymasis iš žmonių atsiliepimų (RLHF) ir priežiūros mechanizmai, siekiant sumažinti riziką, susijusią su AI sprendimų priėmimu. Šios pastangos yra kritiškos atsakingai vadovaujant AI plėtrai. Jei AI ir toliau progresuos tokiu tempu, išskirtinumas gali atsirasti greičiau nei tikėtasi.
Supertelligent AI pažadas ir rizika
ASI potencialas pertvarkyti įvairias pramonės šakas yra milžiniškas, ypač medicinoje, ekonomikoje ir aplinkos tvarumuose.
- Sveikatos priežiūros srityje ASI galėtų pagreitinti narkotikų atradimą, pagerinti ligos diagnozę ir atrasti naujų senėjimo ir kitų sudėtingų ligų gydymo būdų.
- Ekonomikoje ji galėtų automatizuoti pasikartojančius darbus, leisdama žmonėms sutelkti dėmesį į kūrybiškumą, inovacijas ir problemų sprendimą.
- Didesniu mastu AI taip pat galėtų atlikti pagrindinį vaidmenį sprendžiant klimato iššūkius optimizuodama energijos vartojimą, gerindamas išteklių valdymą ir ieškant taršos mažinimo sprendimų.
Tačiau šie pasiekimai kyla su didele rizika. Jei ASI nėra teisingai suderinta su žmogiškomis vertybėmis ir tikslais, tai galėtų priimti sprendimus, kurie prieštarauja žmogaus interesams, ir tai lemia nenuspėjamus ar pavojingus rezultatus. ASI gebėjimas greitai tobulėti kelia susirūpinimą dėl kontrolės, nes AI sistemos vystosi ir tampa labiau pažengusios, užtikrinant, kad jie išliks vis sunkesni.
Tarp reikšmingiausių rizikų yra:
Žmogaus kontrolės praradimas: Kai AI viršija žmogaus intelektą, ji gali pradėti veikti ne tik mūsų sugebėjime jį reguliuoti. Jei suderinimo strategijos nėra įgyvendintos, AI galėtų imtis veiksmų, kuriuos žmonės nebegali daryti.
Egzistencinės grėsmės: Jei ASI teikia pirmenybę savo optimizavimui be žmogaus vertybių, tai galėtų priimti sprendimus, kurie kelia grėsmę žmonijai išgyventi.
Reguliavimo iššūkiai: Vyriausybės ir organizacijos stengiasi neatsilikti nuo greito AI vystymosi, todėl sunku laiku nustatyti tinkamas apsaugos priemones ir politiką.
Tokios organizacijos kaip „Openai“ ir „DeepMind“ aktyviai dirba su AI saugos priemonėmis, įskaitant tokius metodus kaip RLHF, kad AI būtų suderinta su etinėmis gairėmis. Tačiau AI saugos pažanga neatsilieka nuo greito AI pasiekimų, todėl kelia susirūpinimą dėl to, ar bus vykdomos būtinos atsargumo priemonės, kol AI pasieks lygį, viršijantį žmonių kontrolę.
Nors „Supeintelligent“ AI turi didelį pažadą, negalima ignoruoti jo rizikos. Šiandien priimti sprendimai apibrėžs AI plėtros ateitį. Siekdami užtikrinti, kad PG būtų naudinga žmonijai, o ne taps grėsme, tyrėjai, politikos formuotojai ir visuomenė kartu turi dirbti kartu, kad būtų teikiama pirmenybė etikai, saugumui ir atsakingoms naujovėms.
Esmė
Spartus AI mastelio pagreitis priartina mus prie ateities, kurioje dirbtinis intelektas pranoksta žmogaus intelektą. Nors AI jau pakeitė pramonės šakas, ASI atsiradimas galėtų iš naujo apibrėžti, kaip mes dirbame, diegiame naujoves ir išspręsime sudėtingus iššūkius. Tačiau šis technologinis šuolis kyla su didele rizika, įskaitant galimą žmonių priežiūros ir nenuspėjamų padarinių praradimą.
AI užtikrinimas išlieka suderintas su žmogiškomis vertybėmis yra vienas kritiškiausių mūsų laikų iššūkių. Tyrėjai, politikos formuotojai ir pramonės lyderiai turi bendradarbiauti siekdami sukurti etines apsaugos priemones ir reguliavimo sistemas, kurios nukreipia AI link ateities, kuri naudinga žmonijai. Artėjant prie išskirtinumo, mūsų sprendimai šiandien suformuos, kaip AI egzistuoja kartu su mumis ateinančiais metais.
Source link
