Falsafah AI untuk Mereka yang Benci Falsafah

Pilihan Praktikal

Kebanyakan orang menganggap falsafah kecerdasan buatan sebagai perdebatan sama ada robot mempunyai jiwa. Ini adalah kesilapan yang membuang masa dan mengaburkan risiko sebenar. Dalam dunia profesional, falsafah teknologi ini sebenarnya adalah perbincangan mengenai liabiliti, ketepatan, dan kos tenaga kerja manusia. Ia mengenai siapa yang bertanggungjawab apabila model melakukan kesilapan yang merugikan syarikat berjuta-juta dolar. Ia mengenai sama ada pekerja kreatif memiliki gaya yang mereka ambil masa berdekad-dekad untuk sempurnakan. Kita sedang beralih daripada era tertanya-tanya sama ada mesin boleh berfikir. Kita kini berada dalam era menentukan sejauh mana kita mempercayai mereka untuk bertindak bagi pihak kita. Peralihan baru-baru ini dalam industri telah beralih daripada chat bot yang melawak kepada ejen yang boleh menempah penerbangan dan menulis kod. Perubahan ini memaksa kita berhadapan dengan mekanik kepercayaan dan bukannya misteri kesedaran. Jika anda benci falsafah, anggaplah ia sebagai satu siri rundingan kontrak. Anda sedang menetapkan syarat untuk jenis pekerja baharu yang tidak pernah tidur tetapi sering berhalusinasi. Matlamatnya adalah untuk membina rangka kerja di mana faedah kelajuan tidak mengatasi risiko kegagalan sistem sepenuhnya.

Mekanik Logik Mesin

Untuk memahami keadaan semasa industri, anda mesti mengabaikan istilah pemasaran. Large language model bukanlah otak. Ia adalah peta statistik bahasa manusia yang sangat besar. Apabila anda menaip prompt, sistem tidak memikirkan soalan anda. Ia mengira perkataan yang paling mungkin untuk mengikuti yang sebelumnya berdasarkan trilion contoh. Inilah sebabnya sistem ini sangat bagus dalam puisi tetapi sangat teruk dalam matematik asas. Mereka memahami corak bagaimana orang bercakap tentang nombor, tetapi mereka tidak memahami logik nombor itu sendiri. Perbezaan ini penting bagi sesiapa yang menggunakan alat ini dalam suasana perniagaan. Jika anda menganggap output sebagai rekod fakta, anda menggunakan alat itu dengan salah. Ia adalah synthesizer kreatif, bukan pangkalan data. Kekeliruan sering datang daripada betapa baiknya model ini meniru empati manusia. Mereka boleh kedengaran baik, kecewa, atau membantu, tetapi ini hanyalah cermin linguistik. Mereka mencerminkan nada data yang mereka dilatih.

Peralihan yang kita lihat baru-baru ini melibatkan langkah ke arah membumikan model ini dalam data dunia sebenar. Daripada membiarkan model meneka jawapan, syarikat kini menghubungkan mereka kepada fail dalaman mereka sendiri. Ini mengurangkan kemungkinan model mereka-reka perkara. Ia juga mengubah kepentingan perbualan. Kita tidak lagi bertanya apa yang model tahu. Kita bertanya bagaimana model mengakses apa yang kita tahu. Ini adalah peralihan daripada seni generatif kepada utiliti berfungsi. Falsafah di sini mudah. Ia adalah perbezaan antara pencerita dan kerani fail. Kebanyakan pengguna mahukan kerani, tetapi teknologi itu dibina untuk menjadi pencerita. Mendamaikan kedua-dua identiti itu adalah cabaran utama bagi pembangun hari ini. Anda mesti memutuskan sama ada anda mahukan alat yang kreatif atau alat yang tepat, kerana pada masa ini, sukar untuk mendapatkan kedua-duanya pada tahap maksimum secara serentak.

Kepentingan Global dan Kepentingan Negara

Kesan pilihan ini tidak terhad kepada pejabat individu. Kerajaan kini menganggap pembangunan model ini sebagai perkara keselamatan negara. Di Amerika Syarikat, perintah eksekutif tertumpu kepada keselamatan sistem yang paling berkuasa. Di Eropah, AI Act telah mencipta rangka kerja undang-undang yang mengkategorikan sistem mengikut risiko. Ini mewujudkan situasi di mana falsafah pembangun di California boleh menjejaskan kesahihan produk di Berlin. Kita melihat dunia yang berpecah di mana wilayah yang berbeza mempunyai idea yang sangat berbeza tentang apa yang mesin harus dibenarkan lakukan. Sesetengah negara melihat teknologi sebagai cara untuk meningkatkan output ekonomi pada sebarang kos. Yang lain melihatnya sebagai ancaman kepada fabrik sosial dan pasaran buruh. Ini mewujudkan set peraturan yang berasingan untuk setiap pasaran, menjadikannya lebih sukar bagi syarikat kecil untuk bersaing dengan gergasi yang mampu membayar pasukan undang-undang yang besar.

Rantaian bekalan global untuk teknologi ini juga merupakan titik ketegangan. Perkakasan yang diperlukan untuk menjalankan model ini tertumpu di tangan segelintir pihak. Ini mewujudkan jenis dinamik kuasa baharu antara negara yang mereka bentuk cip, negara yang mengeluarkannya, dan negara yang menyediakan data. Bagi pengguna biasa, ini bermakna alat yang anda harapkan boleh tertakluk kepada perang perdagangan atau kawalan eksport. Falsafah AI kini terikat dengan falsafah kedaulatan. Jika sesebuah negara bergantung kepada model asing untuk sistem penjagaan kesihatan atau undang-undangnya, ia kehilangan tahap kawalan ke atas infrastrukturnya sendiri. Inilah sebabnya kita melihat dorongan untuk model tempatan dan sovereign cloud. Matlamatnya adalah untuk memastikan logik yang mentadbir negara tidak dimiliki oleh syarikat di seberang planet. Ini adalah sisi praktikal perdebatan yang sering hilang dalam perbincangan tentang senario fiksyen sains.

Pagi dengan Kecerdasan Sintetik

Pertimbangkan hari biasa untuk pengurus pemasaran bernama Sarah. Dia memulakan paginya dengan meminta pembantu meringkaskan tiga dozen e-mel. Pembantu melakukan ini dalam beberapa saat, tetapi Sarah perlu menyemak sama ada ia terlepas butiran penting tentang pemotongan bajet. Kemudian, dia menggunakan alat generatif untuk mencipta imej bagi kempen baharu. Dia menghabiskan masa sejam mengubah suai prompt kerana mesin terus memberikan orang dalam imej itu enam jari. Pada sebelah petang, dia menggunakan pembantu pengekodan untuk membaiki pepijat pada laman web syarikat, walaupun dia tidak tahu cara mengekod. Dia pada asasnya adalah konduktor orkestra digital. Dia tidak melakukan kerja manual, tetapi dia bertanggungjawab untuk persembahan akhir. Ini adalah realiti kerja baharu. Ia lebih kepada penyuntingan dan pengesahan daripada penciptaan dari awal. Sarah lebih produktif, tetapi dia juga lebih letih. Beban mental untuk sentiasa menyemak mesin untuk ralat adalah berbeza daripada beban melakukan kerja itu sendiri

Insentif untuk syarikat Sarah juga telah berubah. Mereka tidak lagi mengambil penulis peringkat permulaan. Mereka mengambil seorang editor kanan yang menggunakan tiga model berbeza untuk menghasilkan jumlah kandungan yang sama. Ini menjimatkan wang dalam jangka pendek, tetapi ia mewujudkan masalah jangka panjang. Di manakah generasi editor kanan seterusnya akan datang jika tiada siapa yang melakukan kerja peringkat permulaan? Ini adalah akibat daripada logik kecekapan semasa. Kita sedang mengoptimumkan untuk masa kini sambil berpotensi mengosongkan masa depan. Kepentingan bagi pencipta adalah lebih tinggi. Pemuzik dan ilustrator mendapati kerja mereka digunakan untuk melatih model yang kini bersaing dengan mereka untuk mendapatkan pekerjaan. Ini bukan sekadar perubahan dalam pasaran. Ia adalah perubahan dalam nilai yang kita letakkan pada usaha manusia. Kita mesti bertanya sama ada kita menghargai hasil lebih daripada proses, dan apa yang berlaku kepada budaya kita apabila proses itu disembunyikan di dalam kotak hitam.

• Pemimpin syarikat mesti memutuskan sama ada mereka menghargai kelajuan berbanding pemikiran asal.
• Pekerja mesti belajar untuk mengaudit output mesin sebagai kemahiran utama.
• Penggubal undang-undang mesti mengimbangi keperluan untuk inovasi dengan perlindungan tenaga kerja.
• Pencipta mesti mencari cara untuk membuktikan kerja mereka adalah manusia untuk mengekalkan nilainya.
• Pendidik mesti memikirkan semula cara mereka menggred pelajar apabila jawapan hanya dengan satu klik sahaja.

Kos Tersembunyi Automasi

Kita sering bercakap tentang faedah teknologi ini tanpa menyebut bilnya. Kos pertama ialah privasi. Untuk menjadikan model ini lebih berguna, kita perlu memberi mereka lebih banyak data. Kita digalakkan untuk memasukkan jadual peribadi, nota peribadi, dan rahsia korporat kita ke dalam sistem ini untuk mendapatkan hasil yang lebih baik. Tetapi ke mana perginya data itu? Kebanyakan syarikat mendakwa mereka tidak menggunakan data pelanggan untuk melatih model mereka, tetapi sejarah internet menunjukkan bahawa dasar boleh berubah. Sebaik sahaja data anda berada di dalam sistem, hampir mustahil untuk mengeluarkannya. Ini adalah pertukaran kekal privasi untuk kemudahan. Kita juga melihat peningkatan besar dalam penggunaan tenaga. Melatih satu model besar memerlukan elektrik yang cukup untuk memberi kuasa kepada beribu-ribu rumah selama setahun. Apabila kita bergerak ke arah sistem yang lebih kompleks, kos alam sekitar hanya akan meningkat. Kita mesti bertanya sama ada keupayaan untuk menjana gambar kucing yang lucu berbaloi dengan jejak karbon yang dihasilkannya.

Terdapat juga kos kebenaran. Apabila ia menjadi lebih mudah untuk menjana teks dan imej yang realistik, nilai bukti menurun. Jika apa-apa boleh dipalsukan, maka tiada apa yang boleh dibuktikan. Ini sudah menjejaskan sistem politik dan mahkamah undang-undang kita. Kita sedang memasuki tempoh di mana andaian lalai ialah apa yang kita lihat pada skrin adalah pembohongan. Ini mewujudkan tahap geseran sosial yang tinggi. Ia menjadikannya lebih sukar untuk bersetuju dengan fakta asas. Falsafah AI di sini adalah mengenai hakisan realiti yang dikongsi. Jika semua orang melihat versi dunia yang telah ditapis dan diubah oleh algoritma, kita kehilangan keupayaan untuk berkomunikasi dengan berkesan merentasi jurang tersebut. Kita menukar asas sosial yang stabil untuk pengalaman yang lebih diperibadikan dan menghiburkan. Ini adalah pilihan yang kita buat setiap kali kita menggunakan alat ini tanpa mempersoalkan sumber atau niatnya.

Ada cerita, alat, trend, atau soalan AI yang anda fikir kami patut liputi? Hantar idea artikel anda kepada kami — kami ingin mendengarnya.

Kekangan Teknikal dan Sistem Tempatan

Bagi pengguna kuasa, perbualan adalah lebih daripada sekadar etika. Ia mengenai had perkakasan dan perisian. Salah satu halangan terbesar ialah tetingkap konteks. Ini adalah jumlah maklumat yang boleh disimpan oleh model dalam memori aktifnya pada satu masa. Walaupun tetingkap ini semakin berkembang, ia masih terhad. Jika anda memberi model buku seribu halaman, ia akhirnya akan mula melupakan permulaan apabila ia sampai ke penghujung. Ini membawa kepada ketidakkonsistenan dalam projek yang panjang. Terdapat juga isu had API dan kependaman. Jika perniagaan anda bergantung pada model pihak ketiga, anda berada di bawah belas kasihan uptime dan harga mereka. Perubahan mendadak dalam syarat perkhidmatan mereka boleh memecahkan keseluruhan aliran kerja anda. Inilah sebabnya ramai pengguna lanjutan beralih ke arah storan tempatan dan pelaksanaan tempatan. Mereka menjalankan model yang lebih kecil pada perkakasan mereka sendiri untuk mengekalkan kawalan dan kelajuan.

Integrasi aliran kerja adalah cabaran besar seterusnya. Tidak cukup dengan hanya mempunyai kotak sembang di laman web. Nilai sebenar datang daripada menghubungkan model ini kepada alat sedia ada seperti spreadsheet, pangkalan data, dan perisian pengurusan projek. Ini memerlukan pemahaman mendalam tentang cara menyusun data supaya model boleh memahaminya. Kita melihat kebangkitan RAG, atau Retrieval-Augmented Generation. Ini adalah kaedah di mana model mencari maklumat khusus daripada sumber yang dipercayai sebelum ia menjawab. Ia adalah cara untuk merapatkan jurang antara sifat statistik model dan keperluan fakta pengguna. Walau bagaimanapun, ini menambah lapisan kerumitan kepada sistem. Anda perlu mengurus enjin carian, pangkalan data, dan model secara serentak. Ia adalah penyelesaian penyelenggaraan tinggi yang memerlukan set kemahiran khusus untuk diurus dengan berkesan.

• Quantization membolehkan model besar berjalan pada perkakasan gred pengguna dengan mengurangkan ketepatan berat.
• Fine tuning menjadi kurang popular kerana RAG memberikan ketepatan fakta yang lebih baik dengan usaha yang kurang.
• Tokenization kekal sebagai kos tersembunyi yang boleh menjadikan bahasa tertentu lebih mahal untuk diproses daripada yang lain.
• Pelaksanaan tempatan adalah satu-satunya cara untuk memastikan privasi 100 peratus untuk data korporat sensitif.
• Model distillation mencipta versi model gergasi yang lebih kecil dan lebih pantas untuk kegunaan mudah alih.

Laluan Praktikal ke Hadapan

Falsafah AI bukanlah gangguan daripada kerja. Ia adalah kerja itu sendiri. Setiap kali anda memilih model, anda membuat pilihan tentang jenis logik yang anda mahu menguasai hidup anda. Anda memutuskan risiko mana yang boleh diterima dan kos mana yang terlalu tinggi. Teknologi berubah dengan cepat, tetapi keperluan manusia tetap sama. Kita mahukan alat yang menjadikan kita lebih baik, bukan alat yang menggantikan kita. Kita mahukan sistem yang telus, bukan sistem yang beroperasi dalam gelap. Kekeliruan di sekitar subjek ini sering disengajakan. Lebih mudah bagi syarikat untuk menjual kotak ajaib daripada menjual alat statistik yang kompleks. Dengan menanggalkan kekaburan dan memfokuskan pada insentif, anda boleh melihat teknologi itu untuk apa sebenarnya. Ia adalah ciptaan yang berkuasa, cacat, dan sangat manusiawi. Ia mencerminkan idea terbaik dan tabiat terburuk kita. Matlamatnya adalah untuk menggunakannya dengan mata terbuka, memahami pertukaran yang anda buat dalam setiap interaksi. Anda boleh mengetahui lebih lanjut tentang trend terkini dalam machine learning untuk terus mendahului perubahan ini. Untuk pandangan yang lebih mendalam tentang etika sistem ini, sumber seperti Stanford Institute for Human-Centered AI dan MIT Technology Review menyediakan data yang sangat baik. Anda juga boleh menjejaki perubahan undang-undang dalam bahagian teknologi New York Times.

Nota editor: Kami mencipta laman web ini sebagai hab berita dan panduan AI berbilang bahasa untuk orang yang bukan pakar komputer, tetapi masih ingin memahami kecerdasan buatan, menggunakannya dengan lebih yakin, dan mengikuti masa depan yang sudah tiba.