Wyobraź sobie, że uczysz kogoś obcego języka. Czy zacząłbyś od wyjaśniania zasad gramatyki? Pewnie tak, ewentualnie mieszając gramatykę z prostymi zdaniami. Tymczasem dzieci uczą się języka w inny sposób – naturalnie, zanurzając się w środowisku językowym. Przyswajają słownictwo i wymowę, po prostu wchodząc w interakcje w codziennych sytuacjach: na początku powoli, powtarzając za rodzicami proste wyrazy, a następnie zaczynają budować proste zdania. Innymi słowy, uczą się języka z konkretnych przykładów, nie będąc świadome ani zasad gramatyki, ani innych reguł używania języka. Podobnie wygląda sytuacja z AI oraz uczeniem maszynowym i jego odmianą, uczeniem głębokim.
„Uczenie” się świata z internetu przez AI
Modele uczenia maszynowego, takie jak współczesne chatboty, np. ChatGPT, Gemini czy Copilot, nie zaczynają swojego treningu od zasad myślenia, logiki ani reguł używania języka. Zamiast być zaprogramowane z góry ustalonymi zasadami i algorytmami, te modele uczą się z… internetu. Analizując dzieła literatury, czerpią nie tylko wiedzę na temat „Makbeta” czy „Konrada Wallenroda”, ale także uczą się, jak poprawnie używać języka angielskiego czy polskiego. Analizując rozwiązania problemów matematycznych, przyswajają zasady matematyki. Innymi słowy, są wystawione na rzeczywiste przykłady – teksty, obrazy czy dźwięki – i identyfikują wzorce, relacje oraz ukryte zasady. To przypomina dziecko uczące się języka poprzez słuchanie rozmów i naśladowanie dźwięków, a nie studiowanie podręczników gramatyki.
Modele uczenia maszynowego uczą się z doświadczenia, podobnie jak dziecko. Nie otrzymują wyraźnych instrukcji, ale mają możliwość eksploracji i odkrywania wzorców oraz zasad w danych. Dzięki temu mogą dostosowywać się do nowych sytuacji, radzić sobie z nieoczekiwanymi danymi wejściowymi, a nawet opracowywać kreatywne rozwiązania.
Uczenie maszynowe vs. głębokie uczenie: Bliższe spojrzenie
Uczenie maszynowe to szeroka dziedzina, a głębokie uczenie to jej specyficzny podzbiór, który zyskał dużą popularność w ostatnich latach. W kontekście naszego przykładu oba podejścia polegają na trenowaniu modeli na danych z internetu, a nie na dostarczaniu algorytmom gotowych zasad.
Budowanie głównych modeli AI: Podejście oparte na danych
Wiele z dzisiejszych najbardziej zaawansowanych modeli AI, takich jak te używane do tłumaczenia języków, generowania obrazów i odpowiadania na pytania, powstaje przy użyciu technik głębokiego uczenia. Te modele są trenowane na ogromnych ilościach danych, co pozwala im uczyć się skomplikowanych wzorców i relacji. Na przykład model językowy może być trenowany na miliardach słów tekstu, aby zrozumieć niuanse ludzkiego języka.
Modele AI jako odzwierciedlenie ludzkiej kultury
Modele AI są trenowane na treściach dostępnych w internecie, czyli informacjach generowanych przez nas, ludzi. W rezultacie można powiedzieć, że te modele odzwierciedlają ludzkość i nasz dorobek intelektualny, a także nasz sposób myślenia. W pewnym sensie, modele AI są „wychowankami” ludzkości – jakby „dziećmi ludzkości”. Gdyby nasz dorobek intelektualny, praktycznie cały dostępny w internecie – w tym literatura piękna, dzieła filozoficzne itp. – zawierał inne zasady moralne, np. że kłamstwo jest moralnie akceptowalne, lub że 2 + 2 równa się 5, to modele trenowane na takim materiale przyswoiłyby takie myślenie i zasady. Tymczasem modele AI uczące się z internetu zdają się być logiczne i moralne – może więc z ludzkością nie jest aż tak źle ?
