Keičiant AI, tai tampa rizikingesnė

Nuomonę pateikė: Mohammedas Marikaras, „Neem Capital“ įkūrėjas

Dirbtinis intelektas iki šiol buvo nuosekliai apibrėžiamas mastu – didesni modeliai, greitesnis apdorojimas, plečiami duomenų centrai. Prielaida, pagrįsta tradiciniais technologijų ciklais, buvo ta, kad mastas ir toliau gerės našumas, o laikui bėgant išlaidos mažės, o prieiga plėsis.

Ši prielaida dabar žlunga. AI nekeičiamas kaip kitos programinės įrangos. Vietoj to, jis reikalauja daug kapitalo, ribojamas fizinių apribojimų ir pasiekia mažėjančią grąžą daug anksčiau nei tikėtasi.

Skaičiai tai aiškiai parodo. Iki 2030 m. elektros energijos poreikis pasauliniuose duomenų centruose padidės daugiau nei dvigubai – toks lygis, kuris anksčiau buvo siejamas su visais pramonės sektoriais. Prognozuojama, kad vien JAV duomenų centrų energijos poreikis iki dešimtmečio pabaigos padidės gerokai daugiau nei 100 procentų. Ši plėtra reikalauja trilijonų dolerių naujų investicijų kartu su dideliu tinklo pajėgumų išplėtimu.

Tuo tarpu šios sistemos yra įtrauktos į teisę, finansus, atitikties užtikrinimą, prekybą ir rizikos valdymą, kur klaidos greitai plinta, bet patikimumas yra nediskutuotinas. 2025 m. birželio mėn. JK Aukščiausiasis Teismas įspėjo teisininkus nedelsiant nustoti teikti paraiškas, kuriose buvo cituojama išgalvota teismų praktika, sukurta naudojant dirbtinio intelekto priemones.

Diskusija apie DI

Kai dirbtinio intelekto sistema gali sugalvoti precedentą, kurio niekada nebuvo, o profesionalas juo pasikliauja, diskusijos apie mastelį pradeda tapti rimtais visuomenės pasitikėjimo klausimais. Mastelio keitimas sustiprina AI trūkumus, o ne jas išsprendžia.

Dalis problemos slypi tame, koks mastas iš tikrųjų pagerėja. Didieji kalbų modeliai (LLM) vystosi, kad taptų vis sklandesni, nes kalba yra pagrįsta modeliu. Kuo daugiau LLM mato pavyzdžių, kaip tikri žmonės rašo, apibendrina ir verčia, tuo greičiau jis tobulėja.

Gilesnis intelektas – samprotavimai – nesikeičia taip pat. Naujos kartos AI turi suprasti priežastis ir pasekmes bei žinoti, kada atsakymas yra neaiškus arba neišsamus. Reikės paaiškinti, kodėl daroma išvada, o ne tiesiog pateikti patikimą atsakymą. Tai patikimai nepagerėja naudojant daugiau parametrų ar daugiau skaičiavimų.

To pasekmė – didėjanti tikrinimo našta. Žmonės turi praleisti daugiau laiko tikrindami mašinos išvestį, o ne ją veikdami, o ši našta didėja, kai sistemos diegiamos plačiau.

AI modelių mokymo kaina

Pažangių AI modelių mokymas jau tapo nepaprastai brangus, o patikimas stebėjimas rodo, kad išlaidos kiekvienais metais daugėjo, o prognozės, kad pavienių treniruočių kaina netrukus gali viršyti 1 mlrd. Mokymai yra tik įėjimo kaina.

Didesnės išlaidos yra išvados: šių modelių eksploatavimas nuolat, dideliu mastu, laikantis realių delsos, veikimo laiko ir patvirtinimo reikalavimų. Kiekviena užklausa sunaudoja energijos. Kiekvienam diegimui reikalinga infrastruktūra. Augant naudojimui, energijos suvartojimas ir sąnaudos didėja.

Kalbant apie rinkas ir kriptovaliutą, dirbtinio intelekto sistemos vis dažniau naudojamos stebėti aktyvumą grandinėje, analizuoti nuotaikas, generuoti išmaniųjų sutarčių kodus, pažymėti įtartinus sandorius ir automatizuoti sprendimus.

Tokioje greitai besikeičiančioje konkurencinėje aplinkoje sklandus, bet nepatikimas AI greitai skleidžia klaidas; klaidingi signalai judina kapitalą, o išgalvoti paaiškinimai ir haliucinacijos pakerta pasitikėjimą. Vienas iš pavyzdžių yra klaidingi teigiami duomenys, gaunami automatizuojant kovos su pinigų plovimu (AML) žymėjimą – dažna problema, dėl kurios gaištamas laikas ir ištekliai nekaltos prekybos veiklos tyrimui.

Laikas tobulinti samprotavimą

Dirbtinio intelekto sistemų mastelio keitimas nepatobulinus jų samprotavimų padidina riziką, ypač tais atvejais, kai automatizavimas ir patikimumas yra gyvybiškai svarbūs ir glaudžiai susiję.

Užtikrinti, kad dirbtinis intelektas būtų ekonomiškai perspektyvus ir socialiai vertingas, negalime pasikliauti mastelio keitimu. Šiuo metu dominuojantis požiūris teikia pirmenybę skaičiavimo ir duomenų didinimui, o pagrindinės samprotavimo mašinos iš esmės nepakeistos – strategija tampa vis brangesnė ir proporcingai saugesnė.

Susiję: „Crypto dev“ atidaro svetainę, skirtą agentiniam AI, skirtą „išnuomoti žmogų“

Alternatyva yra architektūrinė. Sistemoms reikia daugiau nei numatyti kitą žodį. Jie turi reprezentuoti santykius, taikyti taisykles, patikrinti savo žingsnius ir leisti matyti, kaip buvo padarytos išvados.

Čia atsiranda kognityvinės arba neurosimbolinės sistemos. Suskirstydamos žinias į tarpusavyje susijusias sąvokas, o ne pasikliaudamos vien brutalios jėgos modelių derinimu, šios sistemos gali užtikrinti aukštus argumentavimo gebėjimus su daug mažesniais energijos ir infrastruktūros poreikiais.

Naujos „kognityvinės dirbtinio intelekto“ platformos demonstruoja, kaip struktūrizuotos samprotavimo sistemos gali veikti vietiniuose serveriuose ar kraštutiniuose įrenginiuose, leidžiančios vartotojams kontroliuoti savo žinias, o ne perduoti pažinimą tolimoje infrastruktūroje.

Kognityvines AI sistemas sunkiau suprojektuoti ir jos gali prasčiau veikti atliekant atviras užduotis, tačiau kai samprotavimas gali būti naudojamas pakartotinai tokiu būdu, o ne perimamas nuo nulio atliekant didžiulius skaičiavimus, išlaidos mažėja, o patikrinimas tampa sudėtingas.

AI kuriamo kontrolė yra svarbi tiek pat, kiek priežastis. Bendruomenėms reikia sistemų, kurias jos galėtų formuoti, tikrinti ir įdiegti nelaukdamos centralizuotų platformų savininkų leidimo.

Kai kurios platformos tiria šią ribą naudodamos blokų grandinę, kad tiek asmenys, tiek įmonės galėtų teikti duomenis, modelius ir skaičiavimo išteklius. Decentralizuodami patį AI kūrimą, šie metodai sumažina koncentracijos riziką ir suderina diegimą su vietiniais, o ne pasauliniais poreikiais.

AI susiduria su vingio tašku. Kai samprotavimus galima panaudoti pakartotinai, o ne atrasti iš naujo taikant didžiulį modelių derinimą, sistemoms reikia mažiau apskaičiuoti kiekvieną sprendimą ir žmonėms tenka mažesnė tikrinimo našta. Tai keičia ekonomiką. Eksperimentavimas tampa pigesnis, išvados tampa labiau nuspėjamos. Mastelio keitimas nebepriklauso nuo eksponentinio infrastruktūros padidėjimo.

Mastelio keitimas jau padarė tai, ką galėjo. Tai, ką ji atskleidė, taip pat aiškiai yra riba, priklausanti vien nuo dydžio. Dabar kyla klausimas, ar pramonė ir toliau didina mastą, ar pradeda investuoti į architektūras, kurios daro žvalgybą patikimą prieš ją didindamos.

Nuomonę pateikė: Mohammedas Marikaras, „Neem Capital“ įkūrėjas.