Zrobili ze sztucznej inteligencji produkt na sprzedaż. To już koniec SI, jako przedmiotu nauki

Jeszcze jakiś czas temu, gdybym miała napisać tekst o sztucznej inteligencji, prawdopodobnie sięgnęłabym do repozytoriów uniwersyteckich lub przeszukała Google Scholar w poszukiwaniu publikacji, które opisują zagadnienie, które chciałabym podjąć. Dzięki ostatnim, naprawdę gwałtownie postępującym wydarzeniom w dziedzinie przetwarzania języka naturalnego, uczenia maszynowego i sztucznej inteligencji jako takiej, SI zeszła do mainstreamu.

Żeby przeczytać o nowinkach, nie muszę zakupić prenumeraty amerykańskiego Scientific American, mogę po prostu otworzyć Gazetę Wyborczą. Samo hasło "sztuczna inteligencja" stało się modne, bo gdybym rzuciła je w rozmowie jeszcze 10 lat temu, pierwsze skojarzenia z nim byłyby gdzieś pomiędzy "modyfikowaniem ludzkiego mózgu" a "robotami zabójcami". Teraz każdy mniej lub bardziej skojarzy SI z "czymś, co odpowie na każde pytanie".

Takie uproszczenie SI i sprowadzenie jej z wyżyn instytucji badawczych do ekranów naszych laptopów i telefonów, a wkrótce uczynienie ich pełnoprawnymi produktami na sprzedaż czy słupami reklamowymi, to proces, który w końcu musiał nastąpić.

Śledząc nowinki ze świata SI można zauważyć stałe przewijanie się jednostek badawczych powiązanych z różnymi koncernami - Meta AI, Google AI, Amazon Web Services AI, OpenAI (które korzysta z mocy obliczeniowej chmury Microsoftu). Dlaczego?

Pierwszym oczywistym powodem są pieniądze i moc obliczeniowa. Największe koncerny i firmy po prostu mają środki na rozwój sztucznej inteligencji. Drugi powód to fakt, że amerykański rynek technologiczny jest połączony z nauką.

Jeżeli ktoś myślał, że "koncern posiadający własne laboratorium badawcze" to tani chwyt marketingowy, był w błędzie. Amerykańscy giganci od końca drugiej wojny światowej - czyli momentu, w którym sytuacja geopolityczna się uspokoiła i możliwe było inwestowanie w naukę - połączeni są z różnymi instytucjami badawczymi. Własne laboratoria założyły Xerox, IBM czy AT&T i oprócz świadczenia dobrze znanych nam usług i rozwijania biznesu, prowadziły także prace nad wynalazkami, które zmieniały świat. Xerox przyniósł nam graficzny interfejs użytkownika (GUI), IBM magnetyczne dyski twarde, a AT&T tranzystor czy język programowania C.

Oczywiste jest, że do takich dokonań wymagane jest zatrudnianie naukowców z różnych dziedzin. Połączenie charakteru naukowego instytucji z pracownikami, którzy lata spędzili w świecie akademickim sprawiło, że postęp prac nad wynalazkami był udokumentowany licznymi pełnoprawnymi publikacjami naukowymi.

Z identyczną sytuacją mamy do czynienia teraz. Weźmy za przykład dowolną korporację, która w ciągu ostatniej dekady (a zwykle i wcześniej) zdecydowała się na pójście w rozwój SI. Aby w ogóle stworzyć podwaliny pod rozwój działów zajmujących się uczeniem maszynowym, głębokim uczeniem, konstruowaniem sieci neuronowych czy uczeniem przez wzmacnianie trzeba zrozumieć, od czego zacząć. Lata temu nie istniały w środowiskach akademickich specjalizacje nastawione na tworzenie SI, dlatego nagle wzrosło zainteresowanie niezwykle wąską grupą specjalistów, która potrafiła pokazać gdzie, co i jak.

Kiedy na rynku pracy popyt przewyższa podaż, oznacza to jedno: pracownicy będą tam na własnych zasadach. A skoro zatrudniani są utytułowani badacze akademiccy (np. profesor Jia Li została zatrudniona przez Google i współprzewodniczyła założeniu Google Cloud AI/ML, z kolei Meta AI nadal szefuje profesor Yann LeCun), to badania i publikacje dotyczące SI mają być jak najbliższe realiom akademickim. Czyli maksymalnie przejrzyste i zgodne z zasadami etycznymi.

Teraz jednak gdy owe instytucje badawcze osiągnęły pierwsze z zakładanych celów: zbadały i opracowały rozwiązania z zakresu sztucznej inteligencji, pora na drugą część. Rozwój i wdrażanie.

Na tym etapie każda firma potrzebuje bardziej inżynierów oprogramowania, którzy wdrożą produkt i będą nadzorować jego działanie. Nie potrzeba już naukowców, którzy opracują innowacyjną, przełomową technologię, a i grono specjalistów znacznie się poszerzyło. Teraz koncerny mają już produkt, gotowy produkt nie potrzebuje dalszych badań i dowodów naukowych, potrzebuje klientów.

I właśnie to się teraz dzieje. OpenAI nie pokazuje otwarcie szczegółów dotyczących GPT-4 w trosce o zachowanie tajemnicy przedsiębiorstwa. Przy okazji warto wspomnieć, że w warunkach korzystania z modeli OpenAI wspomniano, że wygenerowanych przez nie treści nie wolno używać "do tworzenia modeli konkurencyjnych wobec OpenAI". Nowy Bing będzie miał reklamy, a Microsoft przez biegło miesiąc nie zdradził, że za Prometeuszem stoi GPT-4.

Poprzednie doświadczenia również pokazują, że na publikacji prac naukowych można się sparzyć. Duża część najbardziej znanych obecnie modeli korzysta z modelu Transformer zaproponowanego w przełomowej - z perspektywy dorobku przetwarzania języka naturalnego - pracy "Attention Is All You Need" opracowanej przez uczonych z Google.

W pracy opisano architekturę sieci neuronowych opartą w całości na mechanizmach autouwagi. Zaproponowano także nowy sposób rozwiązywania problemów typu sequence-to-sequence za pomocą sieci neuronowych, które przewyższały poprzednie modele w kilku zadaniach. Nie zagłębiając się dalej w techniczne szczegóły, model Transformer stał się od tego czasu standardową architekturą dla zadań przetwarzania języka naturalnego. Z dorobku Google, zarabiając krocie, korzysta właśnie choćby OpenAI czy Microsoft - i każda inna firma posiadająca własny model językowy sztucznej inteligencji.

Sztuczna inteligencja nie jest już innowacyjnym bytem, o którego wpływie na przyszłość ludzkości rozwodzą się retorzy podczas konferencji TED. Jest produktem obecnym wśród nas, dlatego koncerny coraz bardziej będą odchodzić od publikowania prac naukowych i wypracowanego przez lata charakteru SI na rzecz zysku i chronienia tajemnicy przedsiębiorstwa. Bowiem nikt nie chciałby, aby skopiowano jego produkt i utworzono jeszcze lepszy. A większość osób potraktuje SI niczym telefon komórkowy, zapominając, że do przełomu doprowadziły dekady przełomowych badań i dorobku naukowego.