Najnowsze badanie przeprowadzone wśród ekspertów sztucznej inteligencji ujawnia rosnący sceptycyzm co do możliwości osiągnięcia sztucznej inteligencji ogólnej (AGI) poprzez skalowanie obecnych modeli neuronowych. 84% respondentów wskazuje, że same sieci neuronowe nie wystarczą do replikacji pełnego spektrum ludzkich zdolności poznawczych. Kluczowym wnioskiem jest potrzeba integracji różnych paradygmatów AI, w tym symbolicznego przetwarzania informacji, co może otworzyć nowe ścieżki rozwoju.
Ograniczenia dominującego paradygmatu neuronowego
Obecne modele generatywne oparte na architekturze Transformer, choć imponują w zadaniach specjalistycznych, wykazują fundamentalne braki w rozumieniu przyczynowo-skutkowym i abstrakcyjnym wnioskowaniu. Jak zauważa raport AAAI, sama optymalizacja parametrów (obecnie sięgająca bilionów wartości) nie rozwiązuje problemu głębokiego rozumienia kontekstu. Przykładem jest trudność w obsłudze scenariuszy wymagających wieloetapowego planowania lub adaptacji do nieprzewidzianych okoliczności.
Hybrydyzacja podejść jako klucz do postępu
60% badanych ekspertów postuluje połączenie sieci neuronowych z symbolicznymi systemami AI. Ten kierunek badań, widoczny w pracach nad cognitive architectures, pozwalałby na integrację statystycznego uczenia maszynowego z regułami logicznymi. Przykładem może być projekt DeepMind AlphaGeometry, łączący głębokie uczenie z symbolicznym dowodzeniem twierdzeń matematycznych.
„AI powinno wspierać ludzki rozwój, a nie nas zastępować” – podkreśla Francesca Rossi z IBM, prezes AAAI.
Praktyczne implikacje dla rozwoju technologii
W sektorze finansowym wdrażane są już systemy łączące NLP z symboliczną reprezentacją wiedzy do analizy ryzyk związanych ze zmianami klimatycznymi. W medycynie hybrydowe modele AI są stosowane w terapiach genowych, gdzie sieci neuronowe analizują dane sekwencyjne, a systemy oparte na regułach zapewniają bezpieczeństwo interwencji.
| Podejście | Mocne strony | Słabości |
|---|---|---|
| Sieci neuronowe | Rozpoznawanie wzorców, generowanie treści | Brak rozumienia przyczynowości |
| AI symboliczne | Wnioskowanie logiczne, planowanie | Sztywność w niepewnych warunkach |
Źródła
- How AI can achieve human-level intelligence: researchers call for change in tack
- Achieving Human-Level Intelligence through Integrated Systems
- IBM: Definicja AI
