Līdztekus progresam mākslīgais intelekts (AI) arvien vairāk virzās uz priekšu, un tā sauktās “inbreeding” risks ģeneratīvajās AI sistēmās kļūst par apdraudējumu, kas jau sen ir izplatīts cilvēku un pieradināto dzīvnieku populācijās.
Šajā rakstā tiks izskaidrots radniecības jēdziens, ņemot vērā ģeneratīvo AI, un to, kā radniecība var kļūt saistīta ar AI radītā satura nākotni.
Izpratne par ģeneratīvo AI radniecību Ģeneratīvās AI sistēmas, piemēram, lielo valodu modeļi (LLM), galvenokārt tiek apmācītas, izmantojot visaptverošas datu kopās no tīmeklī pieejamā teksta, vizuālā un audio satura. Sākotnēji datu kopa lielā mērā ietvēra cilvēku izgatavotus priekšmetus, piemēram, literatūru, rakstus un mākslas darbus. Tomēr līdz ar ģeneratīvo AI rīku pieaugumu arvien vairāk satura internetā raksta pats AI.
Šī maiņa rada bažas par datu kopu kvalitāti un daudzveidību, ko izmanto, lai apmācītu nākotnes AI sistēmas. Attīstoties mākslīgā intelekta radītajam saturam, sagaidāms, ka daudzas nākamās AI modeļu paaudzes mācīsies no datu kopām, kas neatspoguļo cilvēku saturu, bet gan AI radītu materiālu.
Ģeneratīvās AI radniecības sekas ir daudzšķautņainas.
Gluži pretēji, mākslīgā intelekta sistēmas mācīšanās turpināšana no arvien lielāka viendabīgu datu kopu skaita var novest pie AI ģenerētās produkcijas radošuma un oriģinalitātes samazināšanās.
Ja šis process tiek atkārtots — tas ir, kopēšana no kopijas — secīgi paaudžu garumā, produkcijas kvalitāte tiek vājināta, un pastāv risks, ka rezultāti būs mazāk saistoši un, iespējams, mazāk atspoguļos to, ko mēs uzskatām par cilvēka radošo produkciju. . Pieaugot mākslīgā intelekta radītajam saturam, kas apmācīts uz inbred datu kopām, šādas problēmas var saasināt.
Ja apmācības datu kopas nav pietiekami daudzveidīgas, izstrādātās AI sistēmas tikai stiprinātu un palielinātu AI radītā satura novirzes, tādējādi vēl vairāk mazinot AI radītā satura uzticamu izmantošanu kā informācijas avotu. Turklāt apmācības datu daudzveidības trūkums var ierobežot iespēju izstrādāt AI sistēmas, kas varētu pareizi saprast un atspoguļot plašo cilvēku pieredzes un perspektīvu klāstu. Tas var ierobežot progresu dažādās AI lietojumu jomās, piemēram, dabiskās valodas apstrādē, satura ģenerēšanā un lēmumu pieņemšanas sistēmās.
Ģeneratīvās mākslīgā intelekta radniecības problēmas risināšana
Pats galvenais, tas ir patiess risks, jo īpaši ģeneratīvo AI tehnoloģiju radniecīgums. Tomēr tas uzliek pētnieku, izstrādātāju un pat politikas veidotāju pienākumu rīkoties proaktīvi, nodrošinot, ka AI sistēmas apmācībā kā galvenā prioritāte tiek izmantotas dažādas un reprezentatīvas datu kopas, integrējot mehānismus, kas spēj atklāt un samazināt. AI radītā satura novirzes un efektīvas starpdisciplināras sadarbības nodrošināšana, vienlaikus risinot un nodrošinot AI veidošanas ētiskās un sociālās sekas.
Tiem būtu vēl vairāk jāatvieglo nepieciešamība pēc atklātības un pārskatatbildības AI sistēmu ieviešanā un jāpieprasa, lai AI radītā satura lietotāji apzinātos ierobežojumus un novirzes. Tādējādi visas ieinteresētās puses var aktīvi censties sadarboties, lai izmantotu ģeneratīvā AI jaudu, vienlaikus mazinot riskus, kas saistīti ar radniecīgu AI attīstību.
Inbreeding jēdziens ģeneratīvajā AI ir liels nākotnes izaicinājums AI sistēmu izstrādei un ieviešanai. Tas viņiem palīdzēs nodrošināt, ka atbildīgā un ētiskā attīstība tehnoloģiju uzlabošanai sabiedrībai tiek īstenota, izprotot sekas un veidus, kā efektīvi uzlabot ģeneratīvo AI radniecīgo izplatību.
Avots: https://www.cryptopolitan.com/generative-ai-growing-in-ai-development/