Szeptember közepén rendeztük meg 12. Qubit Live estünket, amelyen meghívott előadóinkkal a mesterséges intelligencia (AI) főbb kutatási irányaival, korlátaival és társadalmi kockázataival foglalkoztunk. A napokban megosztjuk az eseményen elhangzott előadásokat, a kerekasztal-beszélgetést és a nézői kérdésekre adott válaszokat is, hogy az is megnézhesse őket, aki nem tudott részt venni a Qubit+ előfizetőinek meghirdetett rendezvényünkön.

Huszár Ferenc mérnökinformatikus, a Cambridge-i Egyetem tanára és az egyik legidézettebb magyar AI-kutató előadásában gyorsan végigszaladt a gépi intelligencia elmúlt szűk három évtizedén: a legfontosabb korai eredménynek azt tartja, amikor az IBM Deep Blue számítógépe 1997-ben legyőzte az akkori sakkvilágbajnokot, Garri Kaszparovot egy hatjászmás mérkőzésen. „Ez még nem volt egy különösebben érdekes meg okos algoritmus”, inkább arról szólt, hogy ekkor tudtak elég nagy számítógépet építeni ahhoz, hogy a memóriája és számítási kapacitása révén végig tudjon próbálgatni és szimulálni elegendő lépést a nyerő taktika megtervezéséhez.

Bár ez fontos pillanat volt a gépi intelligencia fejlődéstörténetében, az AI valódi berobbanásáig még hosszú éveket kellett várni. 2010-ben például ugyan sakkban már verhetetlen volt, de olyan, ma már egyszerűnek tűnő feladatokat nem tudott megoldani, mint a bábuk felismerése és mozgatása, ahogy bonyolultabb játékokban, például góban sem tudott még kifogni az embereken. Ezek azonban a 2010-es évek közepére megoldódtak a gépi látás, a robotika és általában az AI fejlődésével – utóbbi új mérföldköve a Google DeepMind 2015-ös AlphaGo rendszere volt, amelynek történetéről a tízéves évfordulóra írtunk cikket nemrég.

Jöttek azonban újabb kihívások: az emberi szintű gépi nyelvhasználat vagy matematikai feladatmegoldás 2015-ben még mindig távoli célnak tűnt, de mára ezeket is megugrottuk. Ezt elsősorban a nagy nyelvi modelleknek (LLM) köszönhetjük, ugyanis 2020 előtt a gépi intelligencia nagyon specializált volt (tehát csak arra a szűk feladatra volt jó, amire betanították), viszont amióta az AI „érti” a nyelvet, egyszerre lehet szövegek, képek, hangok feldolgozására, játékokra vagy tudományos feladatokra használni – így egyre inkább hasonul a szintén emberi intelligenciához.

Általában ennek a folyamatnak a végkifejleteként emlegetik a mesterséges általános intelligencia (AGI) megjelenését, ám Huszár szerint az AGI elég rosszul megfogalmazott definíciója miatt ez ennél bonyolultabb. A kutató szerint ugyanis nem az a kérdés, hogy a gép mikor szárnyalja túl az emberi képességeket minden kognitív feladatban, hiszen a nem vagy nehezen mérhető és definiálható feladatokban (jog, háború, klímaváltozás) a sikert sem lehet mérni. Sokkal fontosabb az, hogy az egyszerűbb, mérhetőbb feladatokban elért sikerek láttán mikor döntünk úgy, hogy fontosabb kérdésekben is jobban megbízunk a gép döntésében, mint egy emberében.

Az előadás videó és podcast formájában is elérhető. Nézd meg itt:

Forrás