Tekoälyn filosofiaa niille, jotka vihaavat filosofiaa

Käytännön valinta

Useimmat ihmiset käsittelevät tekoälyn filosofiaa väittelynä siitä, onko roboteilla sielu. Tämä on virhe, joka tuhlaa aikaa ja peittää alleen todelliset riskit. Ammattimaailmassa tämän teknologian filosofia on itse asiassa keskustelua vastuusta, tarkkuudesta ja ihmistyön kustannuksista. Kyse on siitä, kuka on vastuussa, kun malli tekee virheen, joka maksaa yritykselle miljoonia. Kyse on siitä, omistaako luova työntekijä tyylin, jota hän on hionut vuosikymmeniä. Olemme siirtymässä ajasta, jolloin pohdittiin, voivatko koneet ajatella. Olemme nyt ajassa, jolloin päätämme, kuinka paljon luotamme niiden toimivan puolestamme. Alan viimeaikainen muutos on siirtynyt vitsejä kertovista chatboteista agentteihin, jotka voivat varata lentoja ja kirjoittaa koodia. Tämä muutos pakottaa meidät kohtaamaan luottamuksen mekaniikan tietoisuuden mysteerin sijaan. Jos vihaat filosofiaa, tarkastele sitä sarjana sopimusneuvotteluja. Asetat ehdot uudentyyppiselle työntekijälle, joka ei koskaan nuku, mutta hallusinoi usein. Tavoitteena on rakentaa kehys, jossa nopeuden edut eivät ylitä järjestelmän kokonaisvaltaisen kaatumisen riskejä.

Koneellisen logiikan mekaniikka

Ymmärtääksesi alan nykytilaa, sinun on jätettävä markkinointitermit huomiotta. Large language model ei ole aivot. Se on massiivinen tilastollinen kartta ihmiskielestä. Kun kirjoitat kehotteen, järjestelmä ei ajattele kysymystäsi. Se laskee, mikä sana todennäköisimmin seuraa edellistä biljoonien esimerkkien perusteella. Tämän vuoksi järjestelmät ovat niin hyviä runoudessa, mutta niin huonoja perusmatematiikassa. Ne ymmärtävät ihmisten tavan puhua numeroista, mutta ne eivät ymmärrä itse numeroiden logiikkaa. Tämä ero on elintärkeä jokaiselle, joka käyttää näitä työkaluja liiketoiminnassa. Jos käsittelet tuotosta faktapohjaisena tietona, käytät työkalua väärin. Se on luova syntetisaattori, ei tietokanta. Hämmennys johtuu usein siitä, kuinka hyvin nämä mallit matkivat ihmisen empatiaa. Ne voivat kuulostaa ystävällisiltä, turhautuneilta tai avuliailta, mutta ne ovat vain kielellisiä peilejä. Ne heijastavat sen datan sävyä, jolla ne on koulutettu.

Viime aikoina näkemämme muutos liittyy pyrkimykseen ankkuroida nämä mallit todellisen maailman dataan. Sen sijaan, että malli antaisi arvata vastauksen, yritykset yhdistävät ne nyt omiin sisäisiin tiedostoihinsa. Tämä vähentää mallin taipumusta keksiä asioita omasta päästään. Se muuttaa myös keskustelun panoksia. Emme enää kysy, mitä malli tietää. Kysymme, miten malli pääsee käsiksi siihen, mitä me tiedämme. Tämä on siirtymä generatiivisesta taiteesta toiminnalliseen hyötyyn. Filosofia tässä on yksinkertainen. Se on ero tarinankertojan ja arkistonhoitajan välillä. Useimmat käyttäjät haluavat arkistonhoitajan, mutta teknologia on rakennettu olemaan tarinankertoja. Näiden kahden identiteetin yhteensovittaminen on kehittäjien ensisijainen haaste tänään. Sinun on päätettävä, haluatko työkalun, joka on luova vai työkalun, joka on tarkka, sillä tällä hetkellä molempien saaminen maksimitasolla samanaikaisesti on vaikeaa.

Globaalit panokset ja kansalliset edut

Näiden valintojen vaikutus ei rajoitu yksittäisiin toimistoihin. Hallitukset käsittelevät nyt näiden mallien kehittämistä kansallisen turvallisuuden kysymyksenä. Yhdysvalloissa toimeenpanomääräykset keskittyvät tehokkaimpien järjestelmien turvallisuuteen. Euroopassa AI Act on luonut oikeudellisen kehyksen, joka luokittelee järjestelmät riskin mukaan. Tämä luo tilanteen, jossa Kaliforniassa toimivan kehittäjän filosofia voi vaikuttaa tuotteen laillisuuteen Berliinissä. Näemme pirstoutuneen maailman, jossa eri alueilla on hyvin erilaisia käsityksiä siitä, mitä koneen tulisi saada tehdä. Jotkut kansakunnat pitävät teknologiaa keinona lisätä taloudellista tuotantoa hinnalla millä hyvänsä. Toiset näkevät sen uhkana sosiaaliselle rakenteelle ja työmarkkinoille. Tämä luo erilliset säännöt jokaiselle markkina-alueelle, mikä vaikeuttaa pienten yritysten kilpailua jättiläisten kanssa, joilla on varaa suuriin lakitiimeihin.

Tämän teknologian globaali toimitusketju on myös jännitteiden lähde. Näiden mallien ajamiseen tarvittava laitteisto on keskittynyt harvojen käsiin. Tämä luo uudenlaisen valtadynamiikan siruja suunnittelevien maiden, niitä valmistavien maiden ja dataa tarjoavien maiden välille. Tavalliselle käyttäjälle tämä tarkoittaa, että työkalut, joihin luotat, voivat olla kauppasotien tai vientirajoitusten alaisia. Tekoälyn filosofia on nyt sidottu suvereniteetin filosofiaan. Jos maa luottaa terveydenhuollossaan tai oikeusjärjestelmässään ulkomaiseen malliin, se menettää osan kontrollista omaan infrastruktuuriinsa. Siksi näemme pyrkimystä paikallisiin malleihin ja suvereeneihin pilvipalveluihin. Tavoitteena on varmistaa, ettei kansakuntaa hallitseva logiikka ole maapallon toisella puolella sijaitsevan suuryrityksen omistuksessa. Tämä on keskustelun käytännön puoli, joka usein hukkuu tieteiskirjallisuuden skenaarioihin.

Aamu synteettisen älykkyyden parissa

Ajatellaanpa markkinointipäällikkö Sarahin tyypillistä päivää. Hän aloittaa aamunsa pyytämällä avustajaa tiivistämään kolmekymmentäkuusi sähköpostia. Avustaja tekee tämän sekunneissa, mutta Sarahin on tarkistettava, jäikö siitä pois jokin kriittinen yksityiskohta budjettileikkauksesta. Myöhemmin hän käyttää generatiivista työkalua luodakseen kuvia uutta kampanjaa varten. Hän käyttää tunnin kehotteen hienosäätöön, koska kone antaa kuvien ihmisille jatkuvasti kuusi sormea. Iltapäivällä hän käyttää koodausavustajaa korjaamaan virheen yrityksen verkkosivustolla, vaikka hän ei osaa koodata. Hän on pohjimmiltaan digitaalisen orkesterin kapellimestari. Hän ei tee fyysistä työtä, mutta hän on vastuussa lopullisesta esityksestä. Tämä on työn uusi todellisuus. Se on enemmän editointia ja todentamista kuin tyhjästä luomista. Sarah on tuottavampi, mutta hän on myös väsyneempi. Koneen jatkuva virheiden tarkistaminen vaatii erilaista henkistä kuormitusta kuin itse työn tekeminen

Myös Sarahin yrityksen kannustimet ovat muuttuneet. He eivät enää palkkaa aloittelevia kirjoittajia. He palkkaavat yhden kokeneen toimittajan, joka käyttää kolmea eri mallia tuottaakseen saman määrän sisältöä. Tämä säästää rahaa lyhyellä aikavälillä, mutta luo pitkän aikavälin ongelman. Mistä seuraava sukupolvi kokeneita toimittajia tulee, jos kukaan ei tee aloitustason työtä? Tämä on nykyisen tehokkuuslogiikan seuraus. Optimoimme nykyhetkeä samalla kun mahdollisesti ontotamme tulevaisuutta. Sisällöntuottajien panokset ovat vielä korkeammat. Muusikot ja kuvittajat huomaavat työnsä käytettävän niiden mallien kouluttamiseen, jotka nyt kilpailevat heidän kanssaan työpaikoista. Tämä ei ole vain muutos markkinoilla. Se on muutos arvossa, jonka annamme ihmisen vaivannäölle. Meidän on kysyttävä, arvostammeko lopputulosta enemmän kuin prosessia, ja mitä kulttuurillemme tapahtuu, kun prosessi on piilotettu mustan laatikon sisään.

• Yritysjohtajien on päätettävä, arvostavatko he nopeutta enemmän kuin alkuperäistä ajattelua.
• Työntekijöiden on opittava auditoimaan koneen tuotoksia ensisijaisena taitona.
• Lainsäätäjien on tasapainotettava innovaatioiden tarve ja työvoiman suojelu.
• Sisällöntuottajien on löydettävä tapoja todistaa työnsä ihmisen tekemäksi säilyttääkseen sen arvon.
• Kouluttajien on mietittävä uudelleen, miten he arvioivat opiskelijoita, kun vastaukset ovat klikkauksen päässä.

Automaation piilokustannukset

Puhumme usein tämän teknologian eduista mainitsematta laskua. Ensimmäinen kustannus on yksityisyys. Jotta näistä malleista tulisi hyödyllisempiä, meidän on annettava niille enemmän dataa. Meitä kannustetaan syöttämään henkilökohtaiset aikataulumme, yksityiset muistiinpanomme ja yrityssalaisuutemme näihin järjestelmiin parempien tulosten saamiseksi. Mutta minne tuo data menee? Useimmat yritykset väittävät, etteivät ne käytä asiakasdataa malliensa kouluttamiseen, mutta internetin historia viittaa siihen, että käytännöt voivat muuttua. Kun datasi on järjestelmän sisällä, sen poistaminen on lähes mahdotonta. Tämä on pysyvä kauppa: yksityisyys vaihdetaan mukavuuteen. Näemme myös massiivisen energiankulutuksen kasvun. Yhden suuren mallin kouluttaminen vaatii sähköä, joka riittäisi tuhansien kotien virransaantiin vuodeksi. Kun siirrymme monimutkaisempiin järjestelmiin, ympäristökustannukset vain kasvavat. Meidän on kysyttävä, onko kyky generoida hauska kuva kissasta sen hiilijalanjäljen arvoinen.

On myös totuuden hinta. Kun realistisen tekstin ja kuvien generointi helpottuu, todisteiden arvo laskee. Jos mikä tahansa voidaan väärentää, mitään ei voida todistaa. Tämä vaikuttaa jo poliittisiin järjestelmiimme ja tuomioistuimiimme. Astumme ajanjaksoon, jossa oletusarvona on, että se, mitä näemme näytöllä, on valhetta. Tämä luo korkean tason sosiaalista kitkaa. Se vaikeuttaa yhteisymmärrystä perusasioista. Tekoälyn filosofia tässä on jaetun todellisuuden rapautuminen. Jos jokainen katsoo maailman versiota, jota algoritmi on suodattanut ja muokannut, menetämme kykymme kommunikoida tehokkaasti näiden jakolinjojen yli. Vaihdamme vakaan sosiaalisen perustan personoidumpaan ja viihdyttävämpään kokemukseen. Tämä on valinta, jonka teemme joka kerta, kun käytämme näitä työkaluja kyseenalaistamatta niiden lähdettä tai tarkoitusta.

Onko sinulla tekoälytarinaa, -työkalua, -trendiä tai kysymystä, jonka mielestäsi meidän pitäisi käsitellä? Lähetä meille artikkeli-ideasi — kuulisimme sen mielellämme.

Tekniset rajoitteet ja paikalliset järjestelmät

Tehokäyttäjille keskustelu on muutakin kuin etiikkaa. Kyse on laitteiston ja ohjelmiston rajoista. Yksi suurimmista esteistä on context window. Tämä on määrä tietoa, jonka malli voi pitää aktiivisessa muistissaan kerrallaan. Vaikka nämä ikkunat kasvavat, ne ovat silti rajallisia. Jos syötät mallille tuhatsivuisen kirjan, se alkaa lopulta unohtaa alun, kun se saavuttaa lopun. Tämä johtaa epäjohdonmukaisuuksiin pitkissä projekteissa. On myös API-rajojen ja latenssin kysymys. Jos yrityksesi luottaa kolmannen osapuolen malliin, olet heidän uptime-aikansa ja hinnoittelunsa armoilla. Äkillinen muutos käyttöehdoissa voi rikkoa koko työnkulkusi. Siksi monet edistyneet käyttäjät siirtyvät paikalliseen tallennukseen ja paikalliseen suoritukseen. He ajavat pienempiä malleja omalla laitteistollaan säilyttääkseen kontrollin ja nopeuden.

Työnkulun integrointi on seuraava suuri haaste. Ei riitä, että verkkosivustolla on chat-ruutu. Todellinen arvo tulee näiden mallien yhdistämisestä olemassa oleviin työkaluihin, kuten taulukkolaskentaan, tietokantoihin ja projektinhallintaohjelmistoihin. Tämä vaatii syvällistä ymmärrystä siitä, miten data rakennetaan, jotta malli voi ymmärtää sitä. Näemme RAG:n eli Retrieval-Augmented Generationin nousun. Tämä on menetelmä, jossa malli etsii tiettyä tietoa luotettavasta lähteestä ennen vastaamistaan. Se on tapa kuroa umpeen mallin tilastollisen luonteen ja käyttäjän faktuaalisten tarpeiden välinen kuilu. Tämä kuitenkin lisää järjestelmään monimutkaisuutta. Sinun on hallittava hakukonetta, tietokantaa ja mallia samanaikaisesti. Se on ylläpitoa vaativa ratkaisu, joka vaatii tiettyjä taitoja tehokkaaseen hallintaan.

• Quantization mahdollistaa suurten mallien ajamisen kuluttajatason laitteistolla vähentämällä painoarvojen tarkkuutta.
• Fine tuning on muuttumassa vähemmän suosituksi, koska RAG tarjoaa paremman faktuaalisen tarkkuuden vähemmällä vaivalla.
• Tokenization on edelleen piilokustannus, joka voi tehdä tiettyjen kielten käsittelystä kalliimpaa kuin muiden.
• Paikallinen suoritus on ainoa tapa varmistaa 100 prosentin yksityisyys arkaluontoiselle yritysdatalle.
• Model distillation luo pienempiä, nopeampia versioita jättimäisistä malleista mobiilikäyttöön.

Käytännön polku eteenpäin

Tekoälyn filosofia ei ole häiriötekijä työlle. Se on itse työ. Joka kerta kun valitset mallin, teet valinnan siitä, millaisen logiikan haluat hallitsevan elämääsi. Päätät, mitkä riskit ovat hyväksyttäviä ja mitkä kustannukset liian korkeita. Teknologia muuttuu nopeasti, mutta ihmisten tarpeet pysyvät samoina. Haluamme työkaluja, jotka tekevät meistä parempia, emme työkaluja, jotka korvaavat meidät. Haluamme järjestelmiä, jotka ovat läpinäkyviä, emme järjestelmiä, jotka toimivat pimeässä. Tämän aiheen ympärillä oleva hämmennys on usein tahallista. Yritysten on helpompi myydä taikalaatikkoa kuin monimutkaista tilastollista työkalua. Riisumalla hölynpölyn ja keskittymällä kannustimiin voit nähdä teknologian sellaisena kuin se todella on. Se on voimakas, virheellinen ja syvästi inhimillinen luomus. Se heijastaa parhaita ideoitamme ja huonoimpia tapojamme. Tavoitteena on käyttää sitä silmät auki, ymmärtäen jokaisessa vuorovaikutuksessa tekemäsi kompromissit. Voit lukea lisää koneoppimisen uusimmista trendeistä pysyäksesi näiden muutosten edellä. Syvempää tietoa näiden järjestelmien etiikasta tarjoavat esimerkiksi Stanford Institute for Human-Centered AI ja MIT Technology Review. Voit myös seurata oikeudellisia muutoksia New York Timesin teknologiaosiosta.

Toimittajan huomautus: Loimme tämän sivuston monikieliseksi tekoälyuutisten ja -oppaiden keskukseksi ihmisille, jotka eivät ole tietokonenörttejä, mutta haluavat silti ymmärtää tekoälyä, käyttää sitä luottavaisemmin ja seurata jo saapuvaa tulevaisuutta.