AI generativă: Fiecare problemă este o problemă de informare

Imagine de la https://beta.dreamstudio.ai/dream

„Dar modelul general este clar: de la caz la caz, când un model poate fi creat și testat, acesta tinde să funcționeze la fel de bine, sau mai bine decât experții umani care iau decizii similare. Prea des, continuăm să ne bazăm pe judecata umană atunci când mașinile pot face mai bine.” — Andrew McAfee, Erik Brynjolfsson [1]

Scriitorul David Foster Wallace spune povestea, „This is Water”, a doi tineri pești care nu știu ce este apa. El subliniază că cele mai importante realități sunt adesea complet invizibile pentru noi (și vor rămâne așa dacă le lăsăm). [2] Faimosul matematician și filosof Bertrand Russell a oferit un răspuns, „ceea ce știința nu poate descoperi, omenirea nu poate ști”, dar s-a înșelat. Fritjof Capra și Pier Luigi Luisi oferă un exemplu despre cum a greșit Russell:

„Apariția are ca rezultat crearea de noutate, iar această noutate este adesea diferită calitativ de fenomenele din care a apărut.” [3]

Dacă acest conținut educațional aprofundat vă este util, abonați-vă la lista noastră de corespondență AI pentru a fi avertizați atunci când lansăm material nou. 

O altă dovadă că Russell a greșit este domeniul care evoluează rapid al IA generativă. Restul acestui articol discută această formă de inteligență artificială (AI) și ce înseamnă aceasta pentru viitorul... al omenirii.

În ultimele două săptămâni, trei articole uluitoare au apărut în lectura mea. Primul a fost un articol al renumitei firme de capital de risc, Sequoia Capital, în care anunțau că modelul de afaceri era din nou redefinit de AI. Pentru a cita Sequoia:

„Cele mai bune companii de IA generativă pot genera un avantaj competitiv sustenabil executând fără încetare pe volanul dintre implicarea utilizatorilor/date și performanța modelului.” [4] — Sequoia Capital

Cele patru modele ale BCG, prezentate mai jos, nu mai erau modul de a ne gândi la modelele de afaceri actuale. [5] AI generativ schimba baza concurenței!

Următorul articol a fost de la firma internațională de consultanță McKinsey. Au intervievat profesorul Berkeley și geniul MacArthur Daphne Koller. În articol, Koller vorbește despre modul în care IA generativă le permite cercetătorilor să ducă medicina la un nivel complet nou de știință fundamentală. IA generativă produce rezultate emergente pe care oamenii de știință nu le-au văzut înainte. În mod efectiv, am ajuns la punctul în care mașinile produc perspective creative nedocumentate anterior de oameni. [6][7] Koller spune că această capacitate de a face abstracție de la realitate va schimba înțelegerea și practica medicinei.

A treia scriere a fost de la un grup de economiști academicieni canadieni. În cartea lor, Power and Prediction: The Disruptive Economics of Artificial Intelligence, profesorii Agraval, Gans și Goldfarb își documentează gândirea că „fiecare problemă este o problemă de informare”. Profesorii își ilustrează concluzia examinând abordarea majorității guvernelor față de COVID ca o „problemă de sănătate”. Această abordare a creat un cost uriaș pentru sănătatea mintală și economică. Dacă guvernele ar fi construit devreme noi simulări pentru răspândirea COVID folosind cea mai recentă tehnologie AI, sursele cheie ale bolii ar fi fost identificate mai devreme, izolate, iar răspândirea bolii ar fi fost redusă mai repede. Utilizarea modelelor noi, mai degrabă decât a tehnologiei învechite, ar fi produs mai multe informații și ar fi condus, probabil, la limitarea acasă doar a purtătorilor de boli.

Microsoft explică bine această nouă abordare. [8]

· „Datele care sunt folosite pentru a antrena rețelele neuronale [AI] în sine provin din soluția numerică a ecuațiilor fundamentale ale științei, mai degrabă decât din observația empirică.

· Putem vedea soluțiile numerice ale ecuațiilor științifice ca simulatoare ale lumii naturale care pot fi folosite... pentru a calcula cantități de interes în aplicații.”

Pentru a rezuma, „mașina generează ceva nou mai degrabă decât analizează ceva care există deja”.[9]

Restul acestui articol vorbește despre cum am ajuns la Generative AI, „fiecare problemă este o problemă de informare” și ce înseamnă aceasta pentru viitor. Pentru a înțelege modul în care VC, consultanții și academicienii au ajuns simultan la aceleași realizări despre AI generativă și rezolvarea problemelor, trebuie mai întâi să revizuim o istorie. Mai exact, trebuie să analizăm contribuțiile lui Claude Shannon, John Wheeler și Bryan Arthur.

Claude Shannon a fost probabil cel mai faimos cercetător care a lucrat la Bell Labs. Shannon a dezvoltat teoria informației, care a fost baza matematică, științifică și inginerească pentru era digitală, începând cu sfârșitul anilor 1950. „Teoria informației este studiul științific al cuantificării, stocării și comunicării informațiilor... și implică aplicarea teoriei probabilităților, statisticii, informatică, mecanică statistică, ingineria informației și ingineria electrică.” [10] Shannon a aplicat a doua lege a termodinamicii pentru a arăta relația dintre informație și incertitudine. Știm că universul se îndreaptă către creșterea dezordinei și incertitudinii, pe care le numim entropie. Entropia negativă, reducerea incertitudinii, reprezintă informații atât la nivel microscopic al particulelor subatomice, cât și la nivel macroscopic pe care îl percepem, cum ar fi temperatura, forța sau volumul. Ceea ce înseamnă aceasta este că energia și materia atât la nivel microscopic, cât și la nivel macroscopic pot fi înțelese ca informații. Privind realitatea la toate nivelurile ca informație ne eliberează de constrângerile creșterii noastre culturale organice și face posibilă această epocă actuală a conectivității transdisciplinare, neliniare, în rețea. Această tranziție fundamentală de la o realitate modelată de energie și materie la o realitate explicată în termeni de informație a fost „unicul” principiu fundamental care explică era digitală începând cu anii 2. Mulțumesc, Claude Shannon.

În 1989, celebrul fizician John Wheeler a publicat un scurt eseu intitulat „Informație, fizică, cuantică: căutarea legăturilor”. Scopul eseului a fost de a explica mecanica cuantică, teoria informației și existența — o întreprindere modestă. În eseul Wheeler monedă expresia de acum faimoasă „It from Bit” și explică conceptul că realitatea (It) poate fi explicată prin cadrul binar fundamental al bitului (0,1 sau da/nu) popularizat în informatică și înainte de asta. de Aristotel. Prin urmare, toată realitatea este pur și simplu informație. Eseul lui Wheeler a explicat poate mai înțeles ideea lui Shannon că realitatea ar putea fi înțeleasă în termeni de informații.

Dacă am recunoscut contribuțiile fundamentale ale lui Shannon [1948] și Wheeler [1989], de ce atunci ne-a luat încă 30 de ani pentru a realiza că „toate problemele sunt probleme de informare”. Răspunsul scurt este că timp de cel puțin 40,000 de ani instinctele și cultura noastră au întărit ideea că cunoștințele și rezolvarea problemelor se bazează pe datele noastre empirice sau pe percepția realității. Din fericire, l-am pensionat pe profesorul de economie de la Stanford, Bryan Arthur, pentru a explica de ce au trecut încă 30 de ani de la eseul lui John Wheeler înainte de a schimba epistemologia carteziană datată pe care ne-a oferit-o evoluția.

Bryan Arthur a fost fondatorul Institutului Santa Fe, poate cel mai important institut de cercetare din SUA privind aplicarea complexității în științele fizice, naturale și sociale (inclusiv în economie). Cercetările lui Arthur au arătat că tehnologia pare să rezolve problemele vremurilor sale și, de obicei, este o pereche de mai multe tehnologii într-o paradigmă. Deci, care a fost paradigma tehnologică necesară pentru rezolvarea problemelor într-o realitate definită de informație? Paradigma a fost combinația coincidentă de inteligență artificială, cloud computing și Internet of Things (IoT). Această tehnologie ne-a permis să captăm datele, să le stocăm și să le extragem pentru a le folosi cu AI la o scară de date măsurată inițial în petabytes și acum în exabytes (1+18 zerouri). Dezvoltatorii originali ai AI au crezut că limitarea capacității era puterea de calcul. S-a dovedit că trebuie să captăm mai multe date, să le putem stoca eficient (și în siguranță) și apoi să le procesăm eficient. Această tehnologie a apărut în jurul anilor 2005–2006, probabil odată cu lansarea serviciului cloud AWS și a fost utilizată pe scară largă începând cu aproximativ 2015.

Ceea ce sper că am introdus este că realitatea este un sistem abstract, logic, de procesare a informațiilor și că AI generativă ne-a oferit noi instrumente pentru a înțelege această realitate. Poate că nu vă amintiți că Galileo, Kurt Godel, John von Neumann și, mai recent, fizicianul Max Tegmark, pentru a numi câteva luminate, împărtășesc toți o părere similară. Mă voi abține să spun că IA generativă este baza unei a treia școli de epistemologie, dar sunt tentat.

Filosofia și fizica sunt intrigante, dar niciunul dintre domenii nu este considerat foarte practic. Ar trebui să ne concentrăm pe întrebarea cum AI generativă va modela viitorul și ce abilități vor fi necesare în această lume nouă. Citatul Sequoia de la începutul articolului ne oferă multe îndrumări cu privire la aplicarea acestei IA, indiferent dacă lucrăm în guvern, organizații non-profit, mediul academic sau sectorul privat. Pentru a declara din nou îndrumările de la Sequoia:

„Cele mai bune companii de IA generativă pot genera un avantaj competitiv sustenabil executând fără încetare pe volanul dintre implicarea utilizatorilor/date și performanța modelului.” [11] — Sequoia Capital

Lecțiile pot fi:

First, nu ar trebui să lăsăm tehnologia să ne miște mai departe pentru a pierde din vedere importanța concentrării centrate pe om (implicarea utilizatorului). Inteligența artificială nu este responsabilă pentru consecințele umane ale descoperirilor emergente ale tehnologiei. Noi, oamenii, suntem. Nu da vina pe AI, ci pe oameni. Avem nevoie de mai multe cursuri și instruire în problemele etice legate de AI pe măsură ce modelăm experiența clienților și interacțiunea dintre oameni și AI generativă.

Al doilea, datele ar trebui considerate o resursă precum terenurile agricole sau capitalul. Trebuie să obținem date în mod intenționat și atent, să curățăm și să organizăm datele și să le stocăm în cloud pentru un acces ușor. Seturile de date devin din ce în ce mai valoroase. Unii comentatori spun că Microsoft a cumpărat LinkedIn și Elon Musk a cumpărat Twitter pentru a achiziționa seturi mari de date pentru consumatori. Această strategie se numește „Cloud Capital” pentru a ilustra importanța seturilor mari de date. Fundația Națională pentru Știință (NSF) și Institutul Național de Sănătate (NIH) realizează, de asemenea, valoarea științifică și socială a seturilor mari de date și depun eforturi semnificative pentru a organiza seturi de date open source pentru a sprijini cercetarea și comercializarea (și răspunsul rapid). Pentru a gestiona bine astfel de seturi de date, trebuie ca instruirea să înceapă la aceeași vârstă cu programarea computerelor. De asemenea, avem nevoie ca structurile de date, teoria rețelelor, teoria grafurilor, complexitatea și principiile cloud computingului să fie predate în liceu și să nu fie considerate subiecte ezoterice avansate. Seturile de date ar trebui considerate ca apa, fundamentală pentru viața tuturor.

Al treilea, „performanța modelului” urmărește să îmbunătățească performanța algoritmilor. Această îmbunătățire a algoritmului necesită un studiu aprofundat al matematicii, statisticii și informaticii avansate. Această formare trebuie, de asemenea, să înceapă cu mult înainte de universitate, având în vedere importanța materiei.

Al patrulea, „avantajul competitiv” va veni din alegerea unor probleme (oportunități) mai bune. Ce inseamna asta? AI va oferi o mare parte din „perspectiva” și soluția creativă prin procesul emergent pe care Capra și Luisi l-au descris la începutul articolului. Valoarea va fi și mai mare în selectarea problemei. Descrierea creativității făcută de cercetătorul Neri Oxman include patru domenii - știință, inginerie, design și artă. [12] În primele patru secole ale Revoluției Industriale, crearea de valoare sa bazat pe știință și inginerie. Astăzi, cu inteligența artificială nu mai este limitată de datele empirice disponibile, crearea de valoare va veni din ce în ce mai mult din design și artă. Designul aici este folosit în modul în care Herbert Simon l-a definit, [13] ca rezolvarea problemelor, iar în centrul rezolvării problemelor este alegerea problemei or reîncadrarea problemei. Arta produsă de Generative AI este fantastică, aproape indiscernabilă din munca umană. Nu fi deprimat, folosește doar această artă pentru a-ți spune poveștile și a-ți vinde ideile mai eficient. Firma de capital de risc Lightspeed spune bine:

"Al nostru teză pentru IA generativă începe cu convingerea că povestirea, fie că este vorba despre o persoană, despre o afacere sau despre o idee, este în esență ceea ce ne face oameni... Astăzi, procesul de creare a conținutului rămâne manual și dificil... AI generativ are puterea de a reduce o mare parte din această lucrare „manuală” și să o facă mai accesibilă tuturor.”

Ceea ce fac arta, designul, matematica și acum computerul este să abstragă de la realitate și să o facă mai ușor de înțeles. AI generativ este un instrument puternic de abstractizare nemaivăzut înainte în istoria omenirii. Trebuie să ne schimbăm gândirea, sistemul educațional și valorile pentru a valorifica această tehnologie pentru îmbunătățirea omenirii.

Am spus de câțiva ani că omenirea este în pragul unei a doua Renașteri. AI generativă probabil că această afirmație este adevărată. Pentru a vă ajuta să vă amintiți, a doua Renaștere va fi definită în termeni de — știința datelor — modele computerizate — abstractizare — apariție — design.

[1] Mașină, platformă, mulțime: valorificarea viitorului nostru digital...

[2] Lecții din „This Is Water” a lui David Foster Wallace

[3] Fritjof Capra, Pier Luigi Luisi, The Systems View of Life

[4] AI generativ: O lume nouă creativă (Sequoia Capital)

[5] Momentul potrivit pentru Deep Tech

[6] Va fi o schimbare de paradigmă”: Daphne Koller despre învățarea automată în descoperirea medicamentelor (McKinsey)

[7] Articolul Deep Learning de Yann Le Cunn și Y. Bengio explică conceptele fundamentale ale AI generativă

[8] Va fi o schimbare de paradigmă”: Daphne Koller despre învățarea automată în descoperirea medicamentelor (McKinsey)

[9] AI generativ: O lume nouă creativă (Sequoia Capital)

[10] Reexaminarea conceptelor fundamentale de căldură, muncă, energie, entropie și informații bazate pe NGST

[11] AI generativ: O lume nouă creativă (Sequoia Capital)

[12] Epoca încurcăturii

[13] Știința artificialului

Acest articol a fost publicat inițial Mediu și re-publicat în TOPBOTS cu permisiunea autorului.

Bucurați-vă de acest articol? Înscrieți-vă pentru mai multe actualizări ale cercetării AI.

Vă vom anunța când vom lansa mai multe articole sumare ca acesta.

Legate de