Ang Pilosopiya ng AI para sa mga Taong Ayaw sa Pilosopiya

Ang Praktikal na Pagpili

Itinuturing ng karamihan ang pilosopiya ng artificial intelligence bilang isang debate kung ang mga robot ba ay may kaluluwa. Isang pagkakamali ito na nag-aaksaya ng oras at nagtatakip sa mga tunay na panganib. Sa mundo ng propesyonal, ang pilosopiya ng teknolohiyang ito ay isa talagang diskusyon tungkol sa liability, accuracy, at ang gastos sa lakas-paggawa ng tao. Ito ay tungkol sa kung sino ang responsable kapag ang isang model ay nagkamali na nagkakahalaga ng milyun-milyong dolyar sa isang kumpanya. Ito ay tungkol sa kung pagmamay-ari ba ng isang creative worker ang istilong ginugol niya ng ilang dekada para perpektuhin. Papalayo na tayo sa panahon ng pagtataka kung ang mga makina ay nakakapag-isip. Nasa panahon na tayo ng pagpapasya kung gaano natin sila pagkakatiwalaan na kumilos para sa atin. Ang kamakailang pagbabago sa industriya ay lumipat mula sa mga chat bot na nagpapatawa patungo sa mga agent na kayang mag-book ng flights at magsulat ng code. Ang pagbabagong ito ay pumipilit sa atin na harapin ang mechanics ng tiwala sa halip na ang misteryo ng kamalayan. Kung ayaw mo sa pilosopiya, tingnan mo ito bilang serye ng mga negosasyon sa kontrata. Itinatakda mo ang mga tuntunin para sa isang bagong uri ng empleyado na hindi natutulog pero madalas mag-hallucinate. Ang layunin ay bumuo ng framework kung saan ang mga benepisyo ng bilis ay hindi hihigit sa mga panganib ng kabuuang pagkasira ng system.

Ang Mechanics ng Machine Logic

Para maintindihan ang kasalukuyang estado ng industriya, dapat mong balewalain ang mga marketing terms. Ang isang large language model ay hindi utak. Ito ay isang napakalaking statistical map ng wika ng tao. Kapag nag-type ka ng prompt, ang system ay hindi nag-iisip tungkol sa iyong tanong. Kinakalkula nito kung aling salita ang pinakamalamang na sumunod sa nauna batay sa trilyun-trilyong halimbawa. Ito ang dahilan kung bakit ang mga system na ito ay mahusay sa tula pero mahina sa basic math. Naiintindihan nila ang mga pattern kung paano nagsasalita ang mga tao tungkol sa mga numero, pero hindi nila naiintindihan ang lohika ng mismong mga numero. Ang pagkakaibang ito ay mahalaga para sa sinumang gumagamit ng mga tool na ito sa isang business setting. Kung ituturing mong factual record ang output, maling tool ang ginagamit mo. Ito ay isang creative synthesizer, hindi isang database. Ang kalituhan ay madalas nagmumula sa kung gaano kahusay gayahin ng mga model na ito ang empatiya ng tao. Maaari silang magtunog mabait, frustrated, o matulungin, pero ang mga ito ay mga linguistic mirror lamang. Sinasalamin nila ang tono ng data kung saan sila sinanay.

Ang pagbabagong nakita natin kamakailan ay ang paglipat patungo sa pag-ground ng mga model na ito sa totoong data ng mundo. Sa halip na hayaan ang isang model na manghula ng sagot, ikinokonekta na sila ngayon ng mga kumpanya sa sarili nilang internal files. Binabawasan nito ang tsansa na mag-imbento ang model. Binabago rin nito ang stakes ng usapan. Hindi na natin tinatanong kung ano ang alam ng model. Tinatanong natin kung paano ina-access ng model ang alam natin. Ito ay paglipat mula sa generative art patungo sa functional utility. Ang pilosopiya rito ay simple. Ito ang pagkakaiba ng isang storyteller at isang filing clerk. Gusto ng karamihan ng users ang clerk, pero ang teknolohiya ay binuo para maging storyteller. Ang pag-reconcile sa dalawang pagkakakilanlang iyon ang pangunahing hamon para sa mga developer ngayon. Dapat kang magpasya kung gusto mo ng tool na creative o tool na accurate, dahil sa kasalukuyan, mahirap makuha ang pareho sa maximum level nang sabay.

Global Stakes at National Interests

Ang epekto ng mga pagpiling ito ay hindi limitado sa mga indibidwal na opisina. Itinuturing na ngayon ng mga gobyerno ang pagbuo ng mga model na ito bilang usapin ng national security. Sa United States, ang mga executive order ay nakatuon sa kaligtasan at seguridad ng pinakamakapangyarihang mga system. Sa Europe, ang AI Act ay lumikha ng legal framework na nagkakategorya ng mga system ayon sa panganib. Lumilikha ito ng sitwasyon kung saan ang pilosopiya ng isang developer sa California ay maaaring makaapekto sa legalidad ng isang produkto sa Berlin. Nakakakita tayo ng fragmented na mundo kung saan ang iba’t ibang rehiyon ay may magkakaibang ideya tungkol sa kung ano ang dapat payagang gawin ng isang makina. Ang ilang bansa ay tinitingnan ang teknolohiya bilang paraan para mapataas ang economic output sa anumang halaga. Ang iba naman ay nakikita ito bilang banta sa social fabric at labor markets. Lumilikha ito ng hiwalay na hanay ng mga tuntunin para sa bawat market, na nagpapahirap sa maliliit na kumpanya na makipagkumpitensya sa mga higante na kayang magbayad ng malalaking legal team.

Ang global supply chain para sa teknolohiyang ito ay isa ring punto ng tensyon. Ang hardware na kailangan para patakbuhin ang mga model na ito ay nakatuon sa iilang kamay. Lumilikha ito ng bagong uri ng power dynamic sa pagitan ng mga bansang nagdidisenyo ng chips, mga bansang gumagawa nito, at mga bansang nagbibigay ng data. Para sa average user, nangangahulugan ito na ang mga tool na inaasahan mo ay maaaring sumailalim sa mga trade war o export control. Ang pilosopiya ng AI ay nakatali na ngayon sa pilosopiya ng soberanya. Kung ang isang bansa ay umaasa sa isang foreign model para sa healthcare o legal system nito, nawawalan ito ng kontrol sa sarili nitong imprastraktura. Ito ang dahilan kung bakit nakakakita tayo ng pagtulak para sa mga local model at sovereign cloud. Ang layunin ay tiyakin na ang lohika na namamahala sa isang bansa ay hindi pagmamay-ari ng isang korporasyon sa kabilang panig ng planeta. Ito ang praktikal na bahagi ng debate na madalas nawawala sa usapan tungkol sa mga science fiction scenario.

Isang Umaga kasama ang Synthetic Intelligence

Isaalang-alang ang isang tipikal na araw para sa isang marketing manager na si Sarah. Sinisimulan niya ang kanyang umaga sa pamamagitan ng paghingi sa isang assistant na ibuod ang tatlong dosenang email. Ginagawa ito ng assistant sa loob ng ilang segundo, pero kailangang suriin ni Sarah kung may nakaligtaan itong mahalagang detalye tungkol sa budget cut. Mamaya, gagamit siya ng generative tool para gumawa ng mga imahe para sa isang bagong campaign. Gumugugol siya ng isang oras sa pag-aayos ng prompt dahil patuloy na binibigyan ng makina ang mga tao sa mga imahe ng anim na daliri. Sa hapon, gagamit siya ng coding assistant para ayusin ang bug sa website ng kumpanya, kahit na hindi siya marunong mag-code. Siya ay esensyal na konduktor ng isang digital orchestra. Hindi siya ang gumagawa ng manual labor, pero siya ang responsable sa huling performance. Ito ang bagong realidad ng trabaho. Mas tungkol ito sa pag-edit at pag-verify kaysa sa paglikha mula sa simula. Mas productive si Sarah, pero mas pagod din siya. Ang mental load ng patuloy na pagsuri sa isang makina para sa mga error ay iba sa load ng paggawa mismo ng trabaho

Nagbago na rin ang mga insentibo para sa kumpanya ni Sarah. Hindi na sila kumukuha ng mga entry level writer. Kumukuha na sila ng isang senior editor na gumagamit ng tatlong magkakaibang model para makagawa ng parehong dami ng content. Nakakatipid ito ng pera sa panandalian, pero lumilikha ito ng pangmatagalang problema. Saan manggagaling ang susunod na henerasyon ng mga senior editor kung walang gumagawa ng entry level na trabaho? Ito ay bunga ng kasalukuyang lohika ng efficiency. Nag-o-optimize tayo para sa kasalukuyan habang posibleng inuubos ang hinaharap. Ang stakes para sa mga creator ay mas mataas pa. Ang mga musikero at illustrator ay nakikita ang kanilang gawa na ginagamit para sanayin ang mismong mga model na nakikipagkumpitensya na ngayon sa kanila para sa mga trabaho. Hindi lang ito pagbabago sa market. Ito ay pagbabago sa halaga na ibinibigay natin sa pagsisikap ng tao. Dapat nating itanong kung mas pinapahalagahan ba natin ang resulta kaysa sa proseso, at ano ang mangyayari sa ating kultura kapag ang proseso ay nakatago sa loob ng isang black box.

• Dapat magpasya ang mga lider ng kumpanya kung pinapahalagahan nila ang bilis kaysa sa orihinal na kaisipan.
• Dapat matuto ang mga empleyado na i-audit ang output ng makina bilang pangunahing kasanayan.
• Dapat balansehin ng mga mambabatas ang pangangailangan para sa inobasyon at ang proteksyon ng labor force.
• Dapat humanap ang mga creator ng paraan para patunayan na ang kanilang gawa ay gawa ng tao para mapanatili ang halaga nito.
• Dapat pag-isipan muli ng mga educator kung paano nila bibigyan ng grado ang mga estudyante kapag ang mga sagot ay isang click na lang ang layo.

Ang mga Nakatagong Gastos ng Automation

Madalas nating pag-usapan ang mga benepisyo ng teknolohiyang ito nang hindi binabanggit ang bayarin. Ang unang gastos ay privacy. Para gawing mas kapaki-pakinabang ang mga model na ito, kailangan nating bigyan sila ng mas maraming data. Hinihikayat tayong ibigay ang ating mga personal na schedule, pribadong tala, at mga sikreto ng korporasyon sa mga system na ito para makakuha ng mas magandang resulta. Pero saan napupunta ang data na iyon? Karamihan sa mga kumpanya ay nagsasabing hindi nila ginagamit ang data ng customer para sanayin ang kanilang mga model, pero ang kasaysayan ng internet ay nagmumungkahi na ang mga polisiya ay maaaring magbago. Kapag ang iyong data ay nasa loob na ng system, halos imposible na itong ilabas. Ito ay permanenteng pagpapalit ng privacy para sa convenience. Nakakakita rin tayo ng napakalaking pagtaas sa pagkonsumo ng enerhiya. Ang pagsasanay sa isang solong malaking model ay nangangailangan ng sapat na kuryente para mapagana ang libu-libong tahanan sa loob ng isang taon. Habang lumilipat tayo patungo sa mas kumplikadong mga system, ang environmental cost ay lalaki lamang. Dapat nating itanong kung ang kakayahang gumawa ng nakakatawang larawan ng pusa ay sulit sa carbon footprint na nililikha nito.

Nariyan din ang gastos ng katotohanan. Habang nagiging mas madali ang paggawa ng makatotohanang text at mga imahe, bumababa ang halaga ng ebidensya. Kung ang anumang bagay ay maaaring pekein, wala nang mapapatunayan. Naaapektuhan na nito ang ating mga sistemang politikal at ating mga legal court. Pumapasok tayo sa isang panahon kung saan ang default na pag-aakala ay ang nakikita natin sa screen ay kasinungalingan. Lumilikha ito ng mataas na antas ng social friction. Pinapahirap nito ang pagkasundo sa mga pangunahing katotohanan. Ang pilosopiya ng AI rito ay tungkol sa pagguho ng isang shared reality. Kung ang lahat ay nakatingin sa isang bersyon ng mundo na na-filter at nabago ng isang algorithm, nawawala ang kakayahan nating makipag-usap nang epektibo sa kabila ng mga dibisyong iyon. Ipinagpapalit natin ang isang matatag na pundasyong panlipunan para sa isang mas personalized at nakakaaliw na karanasan. Ito ay isang pagpipili na ginagawa natin sa tuwing ginagamit natin ang mga tool na ito nang hindi kinukwestyon ang kanilang pinagmulan o kanilang layunin.

Mayroon ka bang kuwento, tool, trend, o tanong tungkol sa AI na sa tingin mo ay dapat naming i-cover? Ipadala sa amin ang iyong ideya sa artikulo — gusto naming marinig ito.

Technical Constraints at Local Systems

Para sa mga power user, ang usapan ay higit pa sa etika. Ito ay tungkol sa mga limitasyon ng hardware at software. Isa sa pinakamalaking hadlang ay ang context window. Ito ang dami ng impormasyon na kayang hawakan ng isang model sa active memory nito sa isang pagkakataon. Bagama’t lumalaki ang mga window na ito, limitado pa rin ang mga ito. Kung bibigyan mo ang isang model ng isang libong pahinang libro, kalaunan ay magsisimula na itong makalimot sa simula pagdating nito sa dulo. Humahantong ito sa mga inconsistency sa mahahabang proyekto. Nariyan din ang isyu ng API limit at latency. Kung ang iyong negosyo ay umaasa sa isang third party model, ikaw ay nasa awa ng kanilang uptime at kanilang pagpepresyo. Ang biglaang pagbabago sa kanilang terms of service ay maaaring sumira sa iyong buong workflow. Ito ang dahilan kung bakit maraming advanced user ang lumilipat patungo sa local storage at local execution. Pinapatakbo nila ang mas maliliit na model sa sarili nilang hardware para mapanatili ang kontrol at bilis.

Ang workflow integration ang susunod na malaking hamon. Hindi sapat na may chat box sa isang website. Ang tunay na halaga ay nagmumula sa pagkokonekta ng mga model na ito sa mga umiiral na tool tulad ng spreadsheets, database, at project management software. Nangangailangan ito ng malalim na pag-unawa kung paano i-structure ang data para maintindihan ito ng model. Nakakakita tayo ng pag-usbong ng RAG, o Retrieval-Augmented Generation. Ito ay isang paraan kung saan tinitingnan ng model ang partikular na impormasyon mula sa isang pinagkakatiwalaang source bago ito sumagot. Paraan ito para tulay ang puwang sa pagitan ng statistical nature ng model at ng factual na pangangailangan ng user. Gayunpaman, nagdaragdag ito ng layer ng complexity sa system. Kailangan mong pamahalaan ang search engine, ang database, at ang model nang sabay-sabay. Ito ay isang high maintenance na solusyon na nangangailangan ng partikular na hanay ng mga kasanayan para mapamahalaan nang epektibo.

• Pinapayagan ng quantization ang malalaking model na tumakbo sa consumer grade hardware sa pamamagitan ng pagbabawas ng precision ng mga weight.
• Ang fine tuning ay nagiging hindi na gaanong popular dahil ang RAG ay nagbibigay ng mas mahusay na factual accuracy nang may mas kaunting pagsisikap.
• Ang tokenization ay nananatiling nakatagong gastos na maaaring magpahal sa ilang wika kaysa sa iba pagdating sa pag-process.
• Ang local execution ang tanging paraan para matiyak ang 100 porsyentong privacy para sa sensitibong data ng korporasyon.
• Ang model distillation ay lumilikha ng mas maliliit at mas mabilis na bersyon ng mga higanteng model para sa mobile use.

Ang Praktikal na Landas Pasulong

Ang pilosopiya ng AI ay hindi nakakaabala sa trabaho. Ito ang trabaho. Sa tuwing pumipili ka ng model, gumagawa ka ng pagpili tungkol sa kung anong uri ng lohika ang gusto mong mangibabaw sa iyong buhay. Nagpapasya ka kung aling mga panganib ang katanggap-tanggap at aling mga gastos ang masyadong mataas. Ang teknolohiya ay mabilis na nagbabago, pero ang mga pangangailangan ng tao ay nananatiling pareho. Gusto natin ng mga tool na nagpapahusay sa atin, hindi mga tool na pumapalit sa atin. Gusto natin ng mga system na transparent, hindi mga system na gumagana sa dilim. Ang kalituhan sa paligid ng paksang ito ay madalas na sinasadya. Mas madali para sa mga kumpanya na magbenta ng magic box kaysa magbenta ng kumplikadong statistical tool. Sa pamamagitan ng pag-aalis ng mga palamuti at pagtuon sa mga insentibo, makikita mo ang teknolohiya kung ano talaga ito. Ito ay isang makapangyarihan, may depekto, at malalim na likha ng tao. Sinasalamin nito ang ating pinakamahusay na mga ideya at ating pinakamasamang gawi. Ang layunin ay gamitin ito nang nakadilat ang iyong mga mata, nauunawaan ang mga trade off na ginagawa mo sa bawat interaksyon. Maaari kang makahanap ng higit pa tungkol sa mga pinakabagong trend sa machine learning para manatiling nangunguna sa mga pagbabagong ito. Para sa mas malalim na insight sa etika ng mga system na ito, ang mga resource tulad ng Stanford Institute for Human-Centered AI at ang MIT Technology Review ay nagbibigay ng mahusay na data. Maaari mo ring subaybayan ang mga legal na pagbabago sa tech section ng New York Times.

Paalala ng Editor: Ginawa namin ang site na ito bilang isang multilingual AI news at guides hub para sa mga taong hindi computer geeks, ngunit nais pa ring maunawaan ang artificial intelligence, gamitin ito nang may higit na kumpiyansa, at sundan ang hinaharap na dumarating na.