ერთ-ერთ უნივერსიტეტში ექსპერიმენტული არქეოლოგიის პროფესორმა სტუდენტს საინტერესო დავალება მისცა: ქვიშაქვის ფილაში კარის ურდულისთვის ხვრელი უნდა ამოეთხარა, თანაც ისე, რომ მხოლოდ მომრგვალებული ქვა გამოეყენებინა. კვირების შემდეგ სტუდენტმა აღიარა, რომ ქვას 10 000-ჯერ დაარტყა, რის შემდეგაც ის უბრალოდ გატყდა. ეს ინდივიდუალური სწავლების კლასიკური მაგალითია, რომელიც ცდისა და შეცდომის მეთოდს ეფუძნება. სწორედ ასე – ე.წ. განმტკიცებითი სწავლებით – ითვისებენ სიახლეებს ბავშვები და ხშირად, ხელოვნური ინტელექტიც.
თუმცა, ამ მეთოდს თავისი ლიმიტი აქვს. რამდენიც არ უნდა ივარჯიშოს ადამიანმა, პროგრესი საბოლოოდ მაინც აღწევს ზღვარს. მაგალითად, შუბის ტყორცნაში ოლიმპიური რეკორდები თითქმის აღარ უმჯობესდება, ხოლო სტრატეგიულ თამაშ „გო“-ში ექსპერტების დონე ათწლეულების განმავლობაში უცვლელი იყო, სანამ პროცესში AI არ ჩაერთო.
კაცობრიობის ისტორიაში ეს ფიზიკური თუ ინტელექტუალური შეზღუდვები ტექნოლოგიებზე არასდროს გავრცელებულა. მას შემდეგ, რაც 1997 წელს სუპერკომპიუტერმა გარი კასპაროვი დაამარცხა, გამოთვლითი სისტემები მილიონჯერ უფრო სწრაფები გახდნენ. ჩნდება ლოგიკური კითხვა: რატომ ვითარდება ტექნოლოგია ასე შეუფერხებლად? პასუხი კომბინაციასა და თანამშრომლობაშია. ინოვაცია პირდაპირპროპორციულია იმ ადამიანებისა და იდეების რაოდენობისა, რომლებიც ერთმანეთს უკავშირდებიან. მეცნიერები ამ ფენომენს ოთხი კომპონენტით ხსნიან: ტრადიცია, ექსპერტიზა, თანამშრომლობა და ჰუმანურობა (აბრევიატურა TECH).
ტექნოლოგიური პროგრესი ყოველთვის ექსპერტების ვიწრო ცოდნაზე იდგა. პრეისტორიული ქვის იარაღების დამზადება თუ უძველესი მედიცინა თაობიდან თაობას ტრადიციის სახით გადაეცემოდა. მაგრამ მხოლოდ ექსპერტიზა საკმარისი არ არის – პროგრესი იწყება მაშინ, როცა სხვადასხვა სფეროს ექსპერტები ერთიანდებიან. მაგალითად, ბორბლის შექმნა სხვადასხვა პროფესიის ადამიანების, სპილენძის მომპოვებლების, მჭედლებისა და ვაჭრების საერთო შრომის შედეგი იყო. ძველ ეგვიპტეშიც კი, მუმიფიცირების პროცესი კონტინენტთაშორის მიწოდების ქსელსა და მრავალი სპეციალისტის ცოდნას მოითხოვდა. დღეს, მასშტაბები შეიცვალა, მაგრამ პრინციპი იგივეა – თანამედროვე სმარტფონებიც ექსპერტიზისა და რესურსების გლობალური თანამშრომლობის ქსელით იქმნება.
ხელოვნურმა ინტელექტმა შესაძლოა ეს ათასწლოვანი ტექნოლოგიური პროგრესი შეაფერხოს. დიდი ენობრივი მოდელების უმეტესობა ძირითადად სტატისტიკურად ყველაზე გავრცელებულ პასუხებს აგენერირებს, რამაც შეიძლება კულტურა გააბრტყელოს, ხოლო ორიგინალურობა გააუფასუროს. რაც უფრო იშვიათი ხდება მაღალი ხარისხის, ადამიანური ექსპერტიზით შექმნილი მონაცემები, მით უფრო იზრდება რისკი, რომ მოდელები ერთმანეთის მიერ დაწერილ, ბანალურ ტექსტებზე ისწავლიან. მეცნიერები ამას „ტვინის ლპობას“ უწოდებენ. ყველაზე კრიტიკულ სცენარში კი, როცა ტექნოლოგია ექსპერტიზას კარგავს და საკუთარ გამომუშავებულ კონტენტზე იწვრთნება, სისტემა სრული აბსურდის გენერირებას იწყებს – რასაც მოდელის კოლაფსი ეწოდება.
ამ საფრთხის თავიდან ასაცილებლად, AI მოდელების მუდმივი გაუმჯობესების გასაღები პროცესში ადამიანური ექსპერტიზის შენარჩუნებაა. დიდი ენობრივი მოდელები, ადამიანების მსგავსად, სოციალური შემსწავლელები არიან და ეს პროცესი ორმხრივი უნდა იყოს. ზუსტად ისე, როგორც საცობები საგრძნობლად მცირდება გზაზე თუნდაც 5% ავტონომიური მანქანის არსებობისას, მოდელებმაც საუკეთესო ადამიანური ექსპერტიზისგან უნდა ისწავლონ.
საუკეთესო მაგალითია თამაში „გო“, სადაც AI-მ ჯერ ადამიანებისგან ისწავლა საუკუნოვანი სტრატეგიები, შემდეგ ახალი სვლები შეიმუშავა, საბოლოოდ კი ადამიანმა ოსტატებმა ხელოვნური ინტელექტისგან მიღებული ცოდნით საკუთარი თამაში გააუმჯობესეს. იმისათვის, რომ ხელოვნური ინტელექტი კაცობრიობის ისტორიაში შემდეგი უდიდესი ტექნოლოგია გახდეს, მან ადამიანური ექსპერტიზა კი არ უნდა ჩაანაცვლოს, არამედ უნდა იპოვოს ის, ენდოს და მასთან ითანამშრომლოს.
წყარო: Fastcompany; www.marketer.ge
