Umetna inteligenca ni bližnjica do znanja
Hiter vstop različnih sistemov umetne inteligence v vsakdanje življenje, zlasti v zadnjih dveh letih s pojavom velikih generativnih jezikovnih modelov, čedalje bolj daje občutek, da je vse znanje sveta le klik oddaljeno od nas in da bodo lahko sistemi umetne inteligence marsikatero delo, z znanjem, ki naj bi ga imeli, opravili namesto nas. Hkrati se ob »dosežkih« in zmožnostih umetne inteligence (UI), predstavljenih v javnosti, zdi, da postaja ta skoraj vsemogočna. Pogoste so tudi napovedi o prihodu tako imenovane superinteligence. Ustvarja se občutek, da gre za eno inteligenco, za en um, ki se vedno bolj primerja s človeškim in želi pokazati, da ga prekaša. Pa je umetna inteligenca res ena sama? Gre res za en um?
Velikokrat slišimo tudi, da so bili sistemi umetne inteligence naučeni z uporabo izjemno velikih zbirk podatkov. Še posebej to velja za velike generativne jezikovne modele. Pa so ti res z učenjem pridobili znanje? V Wikipediji najdemo znanje opredeljeno kot skupek urejenih informacij, ki privedejo do razumevanja. V slovarju Britannica Dictionary zasledimo za samostalnik znanje zapis: informacije, razumevanje ali spretnost, ki jo pridobite z izobraževanjem ali izkušnjami. Iz obeh opredelitev je tako mogoče razbrati, da znanje vključuje informacije in sposobnost njihovega razumevanja.
Današnji sistemi UI niso sposobni razumevanja, zato je upravičen dvom, da imajo znanje oziroma da z učenjem pridobijo znanje, ki bi ga bili zmožni uporabljati na način, kot to počne človek. Ker učenje današnjih sistemov UI ne privede do zmožnosti razumevanja, bi bilo primerneje reči, da sistemi UI z učenjem pridobijo zgolj védenje o podatkih, ki jih uporabimo pri izvajanju postopkov njihovega strojnega učenja. S postopki strojnega učenja učinkovito zapišemo informacije o podatkih v strukturo statističnega klasifikatorja. Z ustreznim mehanizmom povrnitve pa jih lahko učinkovito pridobimo, ob tem pa jih s statističnim vrednotenjem verjetnosti sosledja oziroma drugih statistično ovrednotenih relacij med njimi poljubno kombiniramo ob upoštevanju ožjih ali širših kontekstov.
Strojno učenje in statistični klasifikatorji
Danes najpogosteje uporabljeni sistemi UI v veliki večini temeljijo na uporabi tehnologije strojnega učenja.
V zadnjih štiridesetih letih so se na področju strojnega učenja, ki se v osnovi posredno ali neposredno nanaša na klasifikacijo določenih skupin vzorcev, kot klasifikatorji vzorcev uporabljali najrazličnejši postopki. Med njimi so se najbolj uveljavili statistični klasifikatorji, kot so na primer podporni vektorski stroji, odločitvena drevesa, genetski algoritmi, linearni in kvadratični klasifikatorji, prikriti modeli Markova, zadnja leta pa prevladujejo predvsem globoke nevronske mreže.
Tako so rešitve na sprva ločenih področjih s področno specifičnimi pristopi – z razvojem strojnega učenja na podlagi statističnega modeliranja podatkov – v današnjem času privedle do »univerzalne rabe« globokih nevronskih mrež in globokega učenja z uporabo zelo velikih zbirk podatkov.
Globoke nevronske mreže
Jedrno tehnologijo večine današnjih sistemov UI predstavljajo globoke nevronske mreže, ki z večnivojsko strukturo izkazujejo sposobnost klasifikacije vzorcev. Z večanjem števila nevronov in nivojev globokih nevronskih mrež povečujemo zmožnosti klasifikacije več vzorcev. Z večanjem obsega vhodnih podatkov, uporabljenih za njihovo učenje, pa povečujemo uspešnost klasifikacije oziroma razpoznavanja vzorcev. Vzorci so v splošnem lahko katerakoli vrsta vhodnih podatkov (govor, slike, besedila, finančni podatki ...). Z razvojem transformerjev, ki kombinirajo dva tipa nevronskih mrež (konvolucijske in rekurentne) in modele pozornosti, je bila dosežena ključna prednost takšne zasnove, ki se kaže v možnosti velike skalabilnosti in s tem gradnje zelo velikih mrež ter visoke paralelizacije in s tem izvedbe paralelnega izvajanja postopkov, kar omogoča časovno učinkovito delovanje.
Ob tem je smiselno opozoriti, da globoke nevronske mreže – razen dejstva, da gre za sistem velikega števila medsebojno povezanih enot (poimenovanih nevroni) – nimajo z biološkimi nevronskimi sistemi praktično nič skupnega. Zato lahko tudi v tem primeru poimenovanje nevronska mreža razumemo kot neustrezno na podoben način kot poimenovanje sistemi umetne inteligence. Pri slednjih se namreč poraja vprašanje, ali lahko govorimo o inteligenci, če ta ne vključuje razuma ...
Današnji sistemi umetne inteligence niso sposobni razumevanja, zato je upravičen dvom, da imajo znanje. Primerneje je reči, da z učenjem pridobijo zgolj védenje o podatkih, ki jih uporabimo pri izvajanju postopkov njihovega strojnega učenja.
Tudi za marsikoga, ki se ukvarja z umetno inteligenco, je bila dosežena kakovost rezultatov in izkazana zmožnost razvoja velikih generativnih jezikovnih modelov presenečenje. Presenečenje predvsem zato, ker je zelo težko vnaprej predvideti dejanske zmožnosti takšnih sistemov, ko dosežejo red velikosti, ki ga je s chatgptjem izvedlo podjetje OpenAI. Stroški delovanja strojne opreme, na kateri teče chatgpt, znašajo po informacijah, o katerih je 20. aprila 2023 poročal Bussinesinsider, 700.000 ameriških dolarjev na dan oziroma 21 milijonov dolarjev na mesec. Takšne stroške delovanja sistema in še posebej njegovega razvoja zmorejo le največja podjetja. Microsoft je začel sodelovanje s podjetjem OpenAI v letu 2019, ko je v podjetje za nadaljnji razvoj vložil milijardo dolarjev, potem pa, po poročanju Networkworld, januarja 2023 še 10 milijard dolarjev. Tehnologijo velikega generativnega jezikovnega modela pa je vključil tudi v svoj iskalnik bing in druga orodja, ki jih v zadnjem letu intenzivno ponuja uporabnikom.
Strojna oprema, ki omogoča delovanje tako obsežnega sistema, vključuje na tisoče grafičnih procesorskih enot (GPU). Po navedbah v zgoraj omenjenem članku je Microsoft zasnoval strojno platformo na svoji platformi visokozmogljivega računalništva in umetne inteligence Azure, ki po svetu povezuje več kot 60 regij Azure. Zgrajena infrastruktura Azure naj bi omogočala doseganje računske moči velikostnega reda nekaj exaflop/s (exaflop/s je 1018 operacij s plavajočo vejico na sekundo). Trenutno najzmogljivejši superračunalnik na svetu s seznama 500 najzmogljivejših superračunalnikov zmore 1.1 exaflop/s.
Povezovanje sistemov UI
Ker globoke nevronske mreže uporabljamo pri veliki večini današnjih sistemov UI, je njihovo povezovanje pri izvedbi različnih funkcionalnosti (povzemanje, tvorjenje in prevajanje besedil, razpoznavanje in sinteza govora, razpoznavanje elementov v digitalnih slikah in videoposnetkih, sinteza grafičnih vsebin ipd.) znotraj enega orodja v osnovi dokaj preprosto. Kljub temu pa je pri tem nujno razumeti, da vsaka izmed vgrajenih funkcionalnosti temelji na ločenem statističnem klasifikatorju (globokih nevronskih mrežah), naučenem na podlagi statističnega ovrednotenja ustreznih tipov vhodnih učnih podatkov ob upoštevanju različnih, tudi zelo velikih širin kontekstov.
Nekateri od današnjih sistemov UI v določenih zmožnostih, predvsem kvantitativno, že presegajo človeške sposobnosti – tako na primer sistem strojnega prevajanja besedil google translate omogoča prevajanje besedil v 133 jezikov, pri čemer je mogoče vhodne podatke podati v obliki besedil, govornega signala, slik in videa, ki vsebujejo besedila. Tako gre pri tem za funkcionalnosti več različnih sistemov UI, ki pa so medsebojno povezani. Torej ne gre za eno samo umetno inteligenco, temveč za množico neodvisnih sistemov UI, ki so povezani na način, da prek uporabniškega vmesnika omogočajo uporabo različnih tipov vhodnih podatkov. Razmišljanja in/ali celo napovedovanje sistemov superinteligence lahko – ob danes uporabljenih osnovnih principih delovanja sistemov UI – tako razumemo zgolj v smislu kvantitete, ne pa tudi kvalitete, če jo želimo primerjati s človeško inteligenco.
Prav tako pri razmišljanjih o zmožnostih sistemov UI ne smemo pozabiti, da gre pri današnjih sistemih UI za inteligenco brez razuma, ki je zmožna izvajati naloge le na ravni intelektualne rutine. V teh primerih lahko tako govorimo le o uspešnem podajanju boljšega ali slabšega videza inteligence. Zmožnosti razumevanja tudi ni mogoče doseči zgolj z medsebojnim povezovanjem različnih sistemov UI, ki zmorejo obdelovati različne tipe podatkov, pa najsi bodo klasifikacijski vzorci še tako zapleteni in upoštevani kontekst še tako širok.
Vpliv na trg delovne sile
Hiter razvoj in dostop do sistemov UI, ki smo mu priča v zadnjih nekaj letih, bo že v bližnji prihodnosti močno vplival na nekatere poklice, gotovo pa bo povzročil tudi nastanek novih.
Pri Svetovnem gospodarskem forumu (WEF) so izračunali, da bo v prihodnjih petih letih po vsem svetu izginilo 14 milijonov delovnih mest. Znatne spremembe se bodo zgodile pri četrtini vseh delovnih mest. Do leta 2027 naj bi bilo ustvarjenih 69 milijonov novih delovnih mest, vendar jih bo 83 milijonov izginilo. Največje spremembe je pričakovati v medijih in zabavni industriji, najmanjše pa v hotelirstvu in gostinstvu. To pomeni neto zmanjšanje števila delovnih mest za 14 milijonov oz. dva odstotka vseh trenutno zaposlenih, piše v poročilu Svetovnega gospodarskega foruma, ki je bilo objavljeno maja 2023.
Seveda je pri tem pomembno predvsem vprašanje, kakšna znanja so bila potrebna za zasedbo 83 milijonov delovnih mest in kakšna znanja ter spretnosti bodo potrebni za zasedbo 69 milijonov novoustvarjenih? Še bolj pa, koliko izmed 83 milijonov zaposlenih, ki bodo izgubili zaposlitve, bo imelo potrebna znanja za nova oziroma jih bo ta znanja sploh sposobno pridobiti? Pričakovati je, da bodo zahtevana predvsem tista znanja in spretnosti, ki bodo presegali raven intelektualne rutine oziroma bodo to predvsem sposobnosti inovativnega razmišljanja, kreativnega dela in razumevanja kompleksnih problemov. To pa zagotovo postavlja velike izzive pred vse generacije in profile zaposlenih.
Sistemi umetne inteligence in izobraževanje
Vsesplošna dostopnost chatgptja ima velik odmev tudi v izobraževanju. Doslej so v veliko primerih bili izpostavljeni predvsem njegovi negativni vplivi in možnosti zlorabe, kar vse lahko ima negativne posledice na kakovost izobraževanja. Dosežene stopnje razvoja sistemov UI ni mogoče ignorirati, prav tako tudi ne preprečiti njihovega nadaljnjega razvoja in rabe na različnih področjih, zato generativnih orodij UI v izobraževanju ni smiselno prepovedati, temveč nujno razumeti njihovo dodano vrednost in jih vključiti v izobraževanje na način, ki bo omogočal doseganje želenih znanj, kompetenc in spretnosti.
Z razvojem orodij umetne inteligence se proces izobraževanja ne bo poenostavil, temveč postaja zahtevnejši, saj bodo morali študenti pridobiti znanja, veščine in spretnosti, ki bodo presegali raven intelektualne rutine.
V smernicah za uporabo generativnih orodij UI v pedagoškem procesu, ki smo jih maja lani pripravili na Univerzi v Mariboru, smo poudarili, da je nujno krepiti zavedanje o odgovorni rabi teh orodij v pedagoškem procesu in o nujnosti osveščanja vseh udeležencev izobraževanja o tem, da je cilj izobraževanja predvsem pot, in ne samo cilj, ki ga dosežemo na koncu poti. Na poti namreč pridobimo vsa potrebna znanja, spretnosti in kompetence, ki nas pripeljejo do želenega rezultata. Danes bi se bolj kot kdaj prej morali zavedati, da nas uporaba chatgptja in podobnih orodij lahko marsikdaj prikrajša za pot, ki bi jo lahko oziroma morali prehoditi sami. S tem nas prikrajša tudi za potrebna pridobljena znanja, spretnosti in kompetence, ki predstavljajo bistvo izobraževanja. Kako uporabiti omenjena orodja in pri tem še zmeraj prehoditi želeno pot do cilja, pa je ključen izziv, ki je pred nami. Zavedati se namreč moramo, da do znanja ni bližnjic.
Z razvojem orodij UI se proces izobraževanja ne bo poenostavil, temveč postaja zahtevnejši, saj bodo morali študenti pridobiti znanja, veščine in spretnosti, ki bodo presegali raven intelektualne rutine. Ob tem se postavi logično vprašanje, ali so inovativno razmišljanje in kreativno delo ter razumevanje kompleksnih problemov možni tudi brez obvladovanja intelektualne rutine.
Sinergično delovanje različnih tehnologij
Veliki generativni jezikovni modeli in drugi sistemi UI niso edini, ki bodo v prihodnje krojili razvoj sodobne družbe, čeprav so s svojim prihodom verjetno najgloblje zarezali v njeno zavest in močno spodbudili zavedanje, da mora družba, če želi zagotoviti uspešen trajnostni razvoj, nemudoma odreagirati in preprečiti ali vsaj omejiti predvsem zlorabe teh tehnologij.
Izkazane zmožnosti velikih generativnih jezikovnih modelov in iz njih izhajajoče napovedi o možnostih njihove uporabe v prihodnosti so marsikoga presenetile z dejstvom, da omenjeni sistemi »trkajo na vrata« poklicev, za katere je potrebna visoka stopnja izobrazbe, saj je bilo doslej večinoma razumljeno, da bo sodobni razvoj, kot je bilo to v preteklosti, ogrožal najprej delovna mesta, za katera je potrebna nižja stopnja izobrazbe. Vendar pa je pri tem treba upoštevati, da prihodnosti ne bodo krojili samo sistemi UI, temveč bodo ti zelo pogosto uporabljeni v kombinaciji ali vgrajeni v druge tehnologije, ki se še razvijajo.
Ob razvoju sistemov UI je tako nujno upoštevati tudi razvojne perspektive, ki jih prinašajo tehnologije brezžičnih komunikacij 5G, 6G in 7G. Tehnologija 5G, ki se danes že uveljavlja, prinaša bistveno večje kapacitete prenosa podatkov in nižje zakasnitve (pod 5ms) ob večji energetski učinkovitosti, kar bo omogočilo znatno večjo uporabo teh tehnologij tudi pri avtomatizaciji industrijskih procesov in razvoju interneta stvari (IoT). Digitalizacija in ob njej uresničitev koncepta industrija 4.0 (skoraj popolna avtomatizacija proizvodnje – poenostavljeno, tovarne brez delavcev), razvoj avtonomnih naprav in vozil ter humanoidnih robotov, ki bodo vsi v veliki meri vključevali sisteme UI, bodo imeli velik vpliv tudi na vse tiste poklice, za katere je potrebna nižja stopnja izobrazbe in za opravljanje katerih je večinoma potrebna le fizična in/ali intelektualna rutina.
Vse to kliče po nujnem nenehnem vrednotenju vloge človeka v sodobni družbi, njegovih zmožnostih sobivanja z vedno hitreje razvijajočo se tehnologijo in aktivnem, čim prejšnjem reševanju ključnih vprašanj družbe 5.0, da se izognemo nepripravljenosti na izzive novih tehnologij, predvsem njihovim negativnim učinkom, kot smo jim bili priča v bistveno manjšem obsegu ob pojavu družbenih omrežij, ter negativnih posledic, ki se jih bojimo ob prihodu sistemov UI.
Ali se moramo umetne inteligence bati?
Ali se moramo torej v prihodnosti bati sistemov UI? Odgovor na to lahko utemeljimo na citatu, ki ga je v zaključku predavanja na letni konferenci Podonavske strategije Na poti k družbi, ki temelji na znanju, in k poklicem prihodnosti na Brdu pri Kranju lani maja uporabil dr. Janez Potočnik. Citiral je slavnega belgijskega detektiva Hercula Poirota, ki je na vprašanje, zakaj o sebi zmeraj govori v tretji osebi, odgovoril: »Če je nekdo tak genij, kot sem jaz, je zelo pomembno, da do sebe ustvari zdravo razdaljo.« Izhajajoč iz te premise bi lahko razumeli, da se nam je umetne inteligence v prihodnje treba bati toliko, kolikor se moramo kot družba bati sami sebe.
Dr. Zdravko Kačič je rektor Univerze v Mariboru.
