Ha követted a mesterséges intelligencia körüli felhajtást, valószínűleg hallottál már olyan eszközökről, amelyek látszólag mindent képesek elvégezni a versírástól az összetett kódok programozásáig. Mindezen varázslat mögött egy kulcsfontosságú koncepció rejlik: alapozó modellekAlapvetően olyanok, mint egy autó alváza; egy robusztus, általános szerkezet, amely aztán testreszabható sportkocsivá, teherautóvá vagy haszongépjárművé, attól függően, hogy mire van szükségünk az adott pillanatban.
Ami ezeket a rendszereket annyira diszruptívvá teszi, az az, hogy már nem egyetlen feladatra tervezünk mesterséges intelligenciát, hanem egy… digitális óriás entrenado con cantidades ingentes de datos que luego podemos «moldear». Este cambio de paradigma ha permitido que la IA pase de ser algo muy rígido a convertirse en una herramienta flexible que aprende patrones generales del mundo para luego aplicarlos a problemas concretos, lo que ha acelerado la innovación a un ritmo que, sinceramente, deja fría a cualquiera.
Pontosan mit is jelent az alapmodell?
Egyszerűen fogalmazva, az alapmodell bármely olyan mesterséges intelligenciarendszer, amelyet egy hatalmas mennyiségű adat (általában önmonitorozás révén), és képes alkalmazkodni – egy finomhangolásnak nevezett folyamaton keresztül – a különféle alkalmazásokhoz. Nem teljesen újak, mivel a mélytanulásra és a tudástranszferre támaszkodnak, de a példátlan léptékű Az adat- és számítástechnika olyan képességek megjelenéséhez vezetett, amelyeket senki sem látott előre.
Fontos, hogy ne keverjük össze őket a LLM (nagy nyelvi modellek)Bár gyakran felcserélhetően használják, a kapcsolat a nemzetség és a faj között van: minden LLM alapmodell, de nem minden alapmodell LLM. Míg az LLM-ek a szövegre és a kódra összpontosítanak, az alapmodellek lehetnek kombináltrobotoktól származó képek, hangok, videók vagy akár érzékszervi jelek feldolgozása.
A technikai pillérek: Transformer és képzés
Az építészet, amely mindezt lehetővé tette, a Transzformátor. Este sistema utiliza un mecanismo llamado «autoatención», que permite al modelo entender la importancia de diferentes partes de una secuencia, sin importar que estén lejos unas de otras. Consta habitualmente de un codificador y un decodificador que generan vektoros ábrázolások (beágyazások), amelyek a nyelv vagy a képek mélyebb jelentését ragadják meg.
A létrehozási folyamat általában több szakaszra oszlik:
- Edzés előtt: Es la fase más costosa. El modelo «devora» internet, libros y bases de datos para aprender la estructura general de la información. Aquí es donde se definen el paraméterek száma, a tokenek száma és a kontextus ablak.
- Finomhangolás: Miután a modell generalista lett, specifikus adatokkal képezik ki, és emberek felügyelik, hogy szakértővé váljon egy adott területen, például az orvostudományban vagy a jogban.
- Alkalmazkodás a feladathoz: Ez az utolsó lépés, ahol a modellt egy nagyon specifikus funkcióhoz optimalizálják, például egy joggyakorlat keresőmotor vagy egy műszaki jelentéskészítő.
Kiemelkedő modellek, amelyek formálták a történelmet
2018 óta láttuk, ahogy a modellek jönnek-mennek, felforgatva a dolgokat. BERTI Ő volt az egyik úttörő, akit kétirányú kontextusérzékelési képessége jellemzett. Aztán jött a család. OpenAI GPT, amely a GPT-1-ről a GPT-4-re fejlődött, azt bizonyítva, hogy minél nagyobb a lépték, annál több kibontakozó képesség jelenik meg, például a nullapontos tanulás.
De nincsenek egyedül. Nekünk van Claude de Antropicolyan változatokkal, mint a Sonnet, az Opus és a Haiku, amelyek az intelligencia és a sebesség közötti egyensúlyt keresik. Másrészt, Amazon Nova A multimodális megértéstől a kreatív videógenerálásig terjedő skálát kínál. Nem feledkezhetünk meg arról, hogy Stabil diffúzió, amely az alapvető modellek erejét hozta a képek világába, vagy VIRÁGZÁS, egy többnyelvű és együttműködésen alapuló erőfeszítés, amely bizonyítja, hogy a nyílt forráskódú projekteknek is megvan a maga helye.
Képességek és valós alkalmazások
Ezek a modellek nem csak e-maileket írnak. Hatásuk a kritikus szektorokra is kiterjed:
- Egészség: Segítenek a gyógyszerfelfedezés és az orvosi képek elemzése, bár ezek teljes magyarázhatóságot igényelnek a végzetes hibák elkerülése érdekében.
- Jobb: Megkönnyítik a szerződések felülvizsgálatát és a hosszú jogi narratívák elemzését, csökkentve az igazságszolgáltatáshoz való hozzáférés költségeit.
- oktatás: Megengedik a személyre szabott tanulás és adaptívak, bár kihívást jelentenek a plágium és a technológiai szakadék tekintetében.
- Robotika: A cél olyan generalista robotok létrehozása, amelyeket nem kell minden egyes feladathoz a nulláról programozni, hanem egy alapmodellt használnak. kölcsönhatásba lépnek a környezettel fizikai.
A sötét oldal: kockázatok, etika és környezet
Nem csupa móka és rózsák. A homogenizáció komoly kockázatot jelent: ha mindenki ugyanazt az alapmodellt használja, bármelyik torzítás vagy belső hiba se propagará por todas las aplicaciones derivadas, creando un «monocultivo algorítmico». Además, están las alucinaciones, esos momentos en los que la IA inventa datos con una seguridad pasmosa, lo que obliga a una állandó emberi ellenőrzés.
Etikai és jogi szempontból nyílt csata folyik azért, hogy szellemi tulajdonEz azért van, mert sok modellt adatokkal képeznek ki a létrehozóik kifejezett beleegyezése nélkül. Ehhez jön még a környezeti terhelés; ezeknek az óriásoknak a betanítása sok energiát emészt fel. hatalmas mennyiségű energia és a víz, ami hatékonyabb architektúrák és fenntartható adatközpontok keresését teszi szükségessé.
A mesterséges intelligencia jövője és irányítása
Az előrevezető út átvezet a a hozzáférés demokratizálásaJelenleg a legerősebb mesterséges intelligencia modellek betanítása néhány vállalatnál központosított a hardver (GPU-k) költségei miatt. Létfontosságú, hogy az egyetemek és a kormányok befektessenek a nyilvános infrastruktúrába, hogy megakadályozzák a mesterséges intelligencia erejének kevesek kezébe kerülését. technológiai oligopólium.
A kulcs az átláthatóság és a független auditok lesznek. Nem elég, ha egy vállalat azt mondja, hogy a modellje biztonságos; szükségünk van rá... szabályozási keretek (mint például az EU mesterséges intelligencia törvénye) és szakmai szabványok, amelyek biztosítják, hogy ezeket az eszközöket a társadalom fejlesztésére használják, és nem a tömeges megfigyelés vagy a dezinformáció fokozására.
A mesterséges intelligencia ökoszisztéma egy olyan struktúra felé tolódott el, ahol néhány alapvető modell több ezer speciális alkalmazást támogat, ötvözve a tömeges feldolgozás erejét az emberi szintű finomhangolás pontosságával. Ez a fejlődés, miközben mély etikai dilemmákat vet fel és az energiafogyasztással kapcsolatos kérdéseket vet fel, újraértelmezi az emberek és a gépek közötti kapcsolatot azáltal, hogy a mesterséges intelligenciát egy általános célú infrastruktúrává alakítja, amely képes egyszerre több területen is gondolkodni, alkotni és tanulni.
