Kako smo stigli dovde: Kratka istorija AI buma

Trenutni nalet veštačke inteligencije nije počeo sa viralnim chatbotom krajem 2022. godine. Sve je počelo sa specifičnim istraživačkim radom koji su 2017. godine objavili Google inženjeri pod nazivom „Attention Is All You Need“. Ovaj dokument je predstavio Transformer arhitekturu, koja je promenila način na koji mašine obrađuju ljudski jezik. Pre ovoga, kompjuteri su se mučili da održe kontekst duže rečenice. Često bi zaboravili početak pasusa dok bi stigli do kraja. Transformer je to rešio omogućavajući modelu da istovremeno meri važnost različitih reči. Ova jedna tehnička promena je glavni razlog zašto moderni alati deluju koherentno, a ne robotski. Trenutno živimo kroz skalirane posledice te jedne odluke da se odustane od sekvencijalne obrade. Ova istorija nije samo o boljem kodu. Radi se o fundamentalnoj promeni u tome kako komuniciramo sa informacijama na globalnom nivou. Prelazak sa traženja odgovora na njihovo generisanje promenio je osnovna očekivanja svakog korisnika interneta danas.

Statističko predviđanje iznad logike

Da biste razumeli trenutno stanje tehnologije, morate odbaciti ideju da ovi sistemi razmišljaju. Oni to ne rade. Oni su masivni statistički motori koji predviđaju sledeći deo niza. Kada ukucate prompt, sistem gleda svoje podatke za obuku kako bi utvrdio koja reč najverovatnije sledi nakon vašeg unosa. Ovo je odstupanje od logičkog programiranja iz prošlosti. U ranijim decenijama, softver je pratio stroga if-then pravila. Ako korisnik klikne na dugme, softver izvršava određenu radnju. Danas je izlaz verovatan. To znači da isti unos može rezultirati različitim izlazima u zavisnosti od podešavanja modela. Ova promena je stvorila novu vrstu softvera koji je fleksibilan, ali i sklon greškama koje tradicionalni kalkulator nikada ne bi napravio.

Razmera ove obuke je ono što čini da rezultati deluju kao inteligencija. Kompanije su pretražile skoro ceo javni internet kako bi nahranile ove modele. To uključuje knjige, članke, repozitorijume koda i postove na forumima. Analizirajući milijarde parametara, modeli uče strukturu ljudske misli bez ikakvog razumevanja značenja reči. Ovaj nedostatak razumevanja je razlog zašto model može napisati savršen pravni podnesak, ali pasti na jednostavnom matematičkom problemu. On ne računa. On oponaša obrasce ljudi koji su ranije radili matematiku. Razumevanje ove razlike je ključno za svakoga ko koristi ove alate u profesionalnom kapacitetu. To pojašnjava zašto su sistemi toliko samouvereni čak i kada su potpuno u krivu.

Globalna trka u naoružanju za silicijum

Uticaj ove tehnološke promene seže daleko izvan softvera. To je izazvalo masovnu geopolitičku borbu za hardver. Konkretno, svet je sada zavisan od grafičkih procesorskih jedinica visokih performansi ili GPU-ova. Ovi čipovi su prvobitno dizajnirani za video igre, ali njihova sposobnost da obavljaju mnogo malih proračuna odjednom čini ih savršenim za AI. Jedna kompanija, NVIDIA, sada ima centralnu ulogu u globalnoj ekonomiji jer proizvodi čipove potrebne za obuku ovih modela. Nacije sada tretiraju ove čipove kao naftu ili zlato. Oni su strateška imovina koja određuje koje će zemlje predvoditi u narednoj deceniji ekonomskog rasta.

Ova zavisnost je stvorila jaz između onih koji mogu priuštiti masivnu računarsku snagu i onih koji ne mogu. Obuka vrhunskog modela sada košta stotine miliona dolara u struji i hardveru. Ova visoka barijera za ulazak znači da nekoliko velikih korporacija u Sjedinjenim Državama i Kini drži većinu moći. Ova centralizacija uticaja je velika briga za regulatore širom sveta. To utiče na sve, od toga kako se podaci čuvaju do toga koliko startup mora da plati za pristup osnovnim alatima. Ekonomska gravitacija industrije se pomerila ka vlasnicima data centara. Ovo je značajna promena u odnosu na ranu eru interneta, gde je mali tim mogao da izgradi proizvod svetske klase sa minimalnim budžetom. U 2027, trošak ulaska je veći nego ikada pre.

Kada apstraktno postaje popodnevni posao

Za većinu ljudi, istorija ove tehnologije je manje važna od njene svakodnevne korisnosti. Zamislite menadžerku marketinga po imenu Sara. Pre nekoliko godina, njen dan je uključivao sate ručnog istraživanja i pisanja. Tražila bi trendove, čitala desetine članaka, a zatim ih sintetizovala u izveštaj. Danas je njen radni proces drugačiji. Ona koristi model da sumira glavne trendove i napravi početni nacrt. Ona više nije pisac. Ona je urednik sadržaja generisanog mašinom. Ova promena se dešava u svakoj industriji koja uključuje tastaturu. Ne radi se samo o brzini. Radi se o uklanjanju prazne stranice. Mašina pruža prvi nacrt, a čovek pruža smernice.

Ova promena ima praktične uloge za sigurnost posla i razvoj veština. Ako junior analitičar sada može da uradi posao tri osobe koristeći ove alate, šta se dešava sa tržištem poslova za početnike? Vidimo pomeranje ka modelu „super-korisnika“ gde jedna osoba upravlja više AI agenata kako bi završila složene zadatke. Ovo je vidljivo u softverskom inženjeringu, gde alati kao što je GitHub Copilot sugerišu cele blokove koda. Programer provodi manje vremena kucajući, a više vremena proveravajući. Ova nova realnost zahteva drugačiji skup veština. Više ne morate da pamtite svako pravilo sintakse. Morate znati kako da postavite prava pitanja i kako da uočite suptilnu grešku u moru teksta koji izgleda savršeno. Dan u životu profesionalca u 2027 je sada konstantan ciklus promptovanja i verifikacije. Evo kako to izgleda u praksi:

• Softverski developeri koriste modele za pisanje ponavljajućih unit testova i boilerplate koda.
• Pravni asistenti ih koriste za skeniranje hiljada stranica dokumenata za specifične ključne reči.
• Medicinski istraživači ih koriste za predviđanje kako bi različite proteinske strukture mogle da interaguju.
• Timovi za korisničku podršku ih koriste za rešavanje rutinskih upita bez ljudske intervencije.

Tihi troškovi crne kutije

Kako se sve više oslanjamo na ove sisteme, moramo postavljati teška pitanja o njihovim skrivenim troškovima. Prvi je uticaj na životnu sredinu. Jedan upit velikom jezičkom modelu zahteva znatno više električne energije od standardne Google pretrage. Kada se pomnoži sa milionima korisnika, ugljenični otisak postaje značajan. Tu je i pitanje potrošnje vode. Data centri zahtevaju ogromne količine vode za hlađenje servera koji pokreću ove modele. Da li smo spremni da zamenimo lokalnu sigurnost vode za brže pisanje e-mailova? Ovo je pitanje koje mnoge zajednice u blizini data centara počinju da postavljaju. Takođe moramo pogledati same podatke. Većina modela je obučena na materijalu zaštićenom autorskim pravima bez pristanka kreatora. To je dovelo do talasa tužbi umetnika i pisaca koji tvrde da je njihov rad ukraden da bi se izgradio proizvod koji bi ih na kraju mogao zameniti.

Tu je i problem crne kutije. Čak ni inženjeri koji grade ove modele ne razumeju u potpunosti zašto donose određene odluke. Ovaj nedostatak transparentnosti je opasan kada se AI koristi za osetljive zadatke kao što su zapošljavanje ili odobravanje kredita. Ako model razvije pristrasnost prema određenoj grupi, može biti teško pronaći i popraviti osnovni uzrok. Mi u suštini autsorsujemo važne društvene odluke sistemu koji ne može objasniti sopstveno rezonovanje. Kako da pozovemo mašinu na odgovornost? Kako da osiguramo da podaci koji se koriste za obuku ovih sistema ne pojačavaju stare predrasude? Ovo nisu teorijski problemi. To su aktivna pitanja koja najnovija AI dostignuća pokušavaju da reše sa različitim nivoima uspeha.

Имате причу о вештачкој интелигенцији, алат, тренд или питање које мислите да бисмо требали да покријемо? Пошаљите нам своју идеју за чланак — волели бисмо да је чујемо.

Latencija i token ekonomija

Za one koji žele da integrišu ove alate u profesionalne radne procese, tehnički detalji su važni. Većina interakcije sa ovim modelima se odvija kroz Application Programming Interface ili API. Ovde se susrećete sa konceptom tokena. Token je otprilike četiri karaktera engleskog teksta. Modeli ne čitaju reči. Oni čitaju tokene. Ovo je važno jer većina provajdera naplaćuje na osnovu broja obrađenih tokena. Ako gradite alat koji analizira dugačke dokumente, vaši troškovi mogu brzo rasti. Takođe morate upravljati kontekstualnim prozorom. To je količina informacija koju model može da „zapamti“ u jednom trenutku. Rani modeli su imali male prozore, ali novije verzije mogu obraditi cele knjige u jednom promptu. Međutim, veći prozori često dovode do veće latencije i povećane šanse da model izgubi trag o specifičnim detaljima u sredini teksta.

Još jedna kritična oblast je proces lokalnog skladištenja i privatnosti. Mnoge kompanije oklevaju da šalju osetljive podatke na server treće strane. To je dovelo do uspona lokalnih modela kao što je Llama 3 koji mogu raditi na internom hardveru. Pokretanje modela lokalno zahteva značajan VRAM na vašem GPU-u. Na primer, model sa 70 milijardi parametara obično zahteva dve kartice visokih performansi da bi radio prihvatljivom brzinom. Ovde na scenu stupa kvantizacija. To je tehnika koja smanjuje veličinu modela smanjujući preciznost brojeva koji se koriste u proračunima. Ovo omogućava moćnom modelu da radi na potrošačkom hardveru uz samo blagi pad tačnosti. Developeri moraju balansirati ove faktore:

• API troškovi naspram hardverskih troškova pokretanja modela lokalno.
• Brzina manjeg modela naspram sposobnosti rezonovanja većeg.
• Sigurnost držanja podataka on-premise naspram praktičnosti cloud-a.
• Ograničenja rate-throttling-a na javnim API-jima tokom sati najvećeg opterećenja.

Put napred

Istorija AI buma je priča o skaliranju jedne dobre ideje. Uzimajući Transformer arhitekturu i bacajući ogromne količine podataka i računarske snage na nju, stvorili smo nešto što deluje kao nova era računarstva. Ali još uvek smo u ranim fazama. Zbunjenost koju mnogi osećaju danas dolazi iz jaza između onoga što tehnologija može da uradi i onoga što očekujemo da uradi. To je alat za augmentaciju, a ne zamena za ljudsku procenu. Najuspešniji ljudi u narednim godinama biće oni koji razumeju statističku prirodu ovih sistema. Znaće kada da veruju mašini, a kada da verifikuju njen rad. Krećemo se ka budućnosti u kojoj će sposobnost upravljanja AI biti fundamentalna kao i sposobnost korišćenja procesora teksta.

Napomena urednika: Kreirali smo ovaj sajt kao višejezični centar za vesti i vodiče o veštačkoj inteligenciji za ljude koji nisu kompjuterski genijalci, ali ipak žele da razumeju veštačku inteligenciju, koriste je sa više samopouzdanja i prate budućnost koja već stiže.