Svaki dan čujete za nju. U vijestima, na poslu, od djece, od prijatelja. Umjetna inteligencija, AI, ChatGPT, modeli, algoritmi. Svi govore, malo tko razumije. I to nije vaša greška — jer AI nije ono što većina medijskih objava sugerira. Nije robot koji razmišlja kao čovjek, ali nije ni obični kalkulator. Negdje je između, i upravo ta sredina je i fascinantna i pomalo uznemirujuća.
Ovaj tekst pokušava objasniti što AI zapravo jest — bez žargona, bez marketinga, bez pretjeranog straha ni pretjeranog oduševljenja.
Zašto AI nije obični program
Počnimo od razlike koja je ključna i koja se rijetko objašnjava jasno.
Klasični računalni program radi ovako: programer napiše pravila. “Ako korisnik klikne ovdje, otvori ovo.” “Ako je temperatura viša od 30 stupnjeva, uključi klimu.” Program ne zna ništa što mu programer nije eksplicitno rekao. Svaka situacija mora biti predviđena i upisana u kod. Takvi programi su savršeno predvidljivi, pouzdani i — ograničeni. Ne mogu riješiti problem koji programer nije predvidio.
AI radi potpuno drugačije. AI se ne programira pravilima. AI se uči primjerima.
Umjesto da mu netko napiše “ovo je mačka, ovo je pas”, AI dobiva milijune fotografija mačaka i pasa — i sam, kroz proces koji ćemo objasniti, uči prepoznati razliku. Nitko mu nije rekao po čemu se razlikuju. Sam je otkrio da mačke imaju određeni oblik ušiju, određenu strukturu krzna, određenu proporciju tijela. I može prepoznati mačku na fotografiji koju nikad nije vidio — baš kao što to možete i vi.
Neuralna mreža: mozak koji smo sami izgradili
Srce modernog AI-a je neuralna mreža — i nije slučajno što nosi to ime.
Ljudski mozak sastoji se od oko 86 milijardi neurona koji su međusobno povezani. Kada vidite nešto, električni signal prolazi kroz lance neurona — jedan aktivira drugog, ovaj treći, i na kraju, negdje duboko u vašem mozgu, nastaje misao: “to je mačka.” Veza između neurona jača se ponavljanjem. Zato se stvari pamte — jer ste ih mnogo puta doživjeli, i veze su postale jače.
Neuralna mreža u računalu oponaša taj princip. Ima matematičke “neurone” — zapravo samo brojeve — koji su međusobno povezani. Svaka veza ima svoju “težinu” — broj koji govori koliko je ta veza jaka. Kada podatak uđe u mrežu, putuje kroz slojeve neurona, svaki malo modificira signal, i na kraju izlazi rezultat.
Razlika u odnosu na klasični program: te “težine” nije postavio programer. Mreža ih je sama pronašla kroz treniranje.
Kako se AI trenira: lekcija iz ponavljanja
Zamislite da učite dijete prepoznavati slova. Pokazujete mu slovo A. “Ovo je A.” Dijete pokuša pogoditi — možda kaže “B.” Kažete: “Nije, ovo je A.” Dijete zapamti. Sljedeći put, kada vidi A, malo je sigurnije. Nakon tisuću primjera, prepoznaje A sa sigurnošću.
Treniranje AI radi na identičnom principu, samo u nevjerojatno većoj razmjeri.
Mreža dobiva podatak — recimo, rečenicu. Pokuša predvidjeti sljedeću riječ. Uspoređuje se s točnim odgovorom. Izračunava se “greška” — koliko je bila daleko od točnog odgovora. Ta greška se šalje “unazad” kroz mrežu (proces koji se zove backpropagation) i svaka veza između neurona malo se prilagodi — jača ako je pomogla točnom odgovoru, slabi ako je smetala.
Ovo se ponavlja milijardama puta. Kroz milijarde primjera.
Modeli poput onih koji stoje iza ChatGPTa ili Claudea trenirani su na stotinama milijardi stranica teksta — knjigama, člancima, web stranicama, razgovorima, kodovima. Svaki put kad je model napravio grešku, malo se ispravio. Nakon dovoljno ponavljanja, nastaje nešto što može pisati, razgovarati, prevoditi, programirati i objašnjavati pojmove – AI.
Koliko je velik moderni AI model?
GPT-4, model koji stoji iza ChatGPTa, ima prema procjenama između jednog i dva bilijuna parametara — to su upravo one “težine” veza između neurona o kojima smo govorili. Jedan bilijun je tisuću milijardi. Za usporedbu, ljudski mozak ima oko 100 bilijuna sinapsi, dakle veza između neurona — ali neuroni komuniciraju kemijskim putem, što je bitno sporije od matematičkih operacija u računalu.
Moderna GPU kartica može izvesti tisuće milijardi operacija u sekundi. Treniranje jednog velikog modela traje tjednima ili mjesecima, na tisuće takvih kartica koje rade paralelno. Trošak treniranja GPT-4 procjenjuje se na između 50 i 100 milijuna dolara samo za računalnu snagu — bez troška skupljanja podataka, inženjera i infrastrukture.
Što model zapravo “zna”?
Ovo je pitanje koje filozofe i inženjere jednako muči, i nema jednoznačnog odgovora.
Model nije pohranio znanje kao enciklopedija — “u ladici broj 7 je informacija o Napoleonu.” Model je kroz treniranje naučio statistiku odnosa između pojmova. Napoleon i Waterloo pojavljuju se zajedno toliko često da je njihova veza utkana u strukturu modela. Isto vrijedi za bezbroj drugih odnosa — uzroke i posljedice, pravila gramatike, kemijske formule, stil pojedinih pisaca.
Kada pitate model što je fotosinteza, on ne “pronalazi” odgovor. On predviđa koji bi niz riječi, statistički gledano, bio najvjerojatniji odgovor na to pitanje — na temelju svega što je vidio za vrijeme treniranja. I taj predviđeni niz riječi je, začuđujuće često, točan i razuman.
Je li to razumijevanje? Ili samo vrlo sofisticirana statistika? Na to pitanje ni sami inženjeri ne znaju odgovoriti.
Crna kutija: problem koji nitko nije riješio
Ovo je možda najvažniji i najmanje javno shvaćeni aspekt modernog AI-a: nitko — doslovno nitko, uključujući ljude koji su model stvorili — ne zna točno zašto model donosi određene zaključke.
Kada model odgovori na pitanje, taj odgovor nastao je kao rezultat aktivacije milijardi neurona i višestrukih bilijuna matematičkih operacija. Možete gledati koji su neuroni bili aktivni, ali interpretirati što to znači — to je kao pokušavati razumjeti vaše misli gledanjem MRI snimke mozga. Tehnički, vidite aktivnosti. Smisao iza njega — to je druga priča.
Ovaj fenomen zove se “crna kutija” — ulaziš s pitanjem, izlaziš s odgovorom, ali što se događa unutra ostaje misterija. Čitava disciplina istraživanja zvana “interpretability” pokušava to promijeniti — Anthropic, kompanija koja stoji iza Claudea, uložila je značajna sredstva u ovo istraživanje i postigla neke rezultate — ali do potpune slike još je daleko.
Halucinacije: kad AI počne izmišljati
Jedna od najvažnijih stvari koje treba razumjeti o AI modelima jest da mogu — samouvjereno i uvjerljivo — iznijeti potpuno netočne informacije.
Zašto? Jer model ne provjerava činjenice. On predviđa vjerojatni nastavak teksta. Ako ga pitate o nepostojećoj knjizi, on može odgovoriti s navedenim poglavljima, godinom izdanja i citiranim odlomcima — jer statistički, takav odgovor izgleda kao pravi odgovor na takvo pitanje. Samo što je u potpunosti izmišljen.
Ovo se zove “halucinacija” i ostaje jedan od ključnih neriješenih problema. Noviji modeli haluciniraju rjeđe, posebno kad imaju pristup internetu za provjeru, ali problem nije eliminiran. Svaki odgovor AI-a koji se tiče konkretnih činjenica vrijedi provjeriti — posebno datume, ime osoba, naslove, statistike i citate.
Zašto se neki boje a neki oduševljavaju?
Oduševljenje je razumljivo: AI je već sada koristan alat koji može prevesti tekst, napisati kod, sažeti dokument, objasniti koncept, generirati ideju, analizirati podatke — i sve to brže i jeftinije nego ikad. Tko to dobro koristi, ima realnu prednost.
Strah je isto tako razumljiv. Tehnologija koja sama donosi zaključke, čije razmišljanje nitko u potpunosti ne razumije, koja raste eksponencijalnom brzinom i koja može biti korištena za dezinformacije, nadzor ili autonomno donošenje odluka — to nije trivijalna stvar.
Ni oduševljenje ni strah, sami po sebi, nisu dobar vodič. Korisno je razumjeti što AI jest — ni čarobnjak ni kalkulator, nego nešto posve novo u povijesti čovječanstva: sustav koji je naučio iz primjera, koji može generalizirati na situacije koje nije vidio, čije se unutarnje funkcioniranje tek počinje razumijevati, i koji raste brže nego što društvo stigne promisliti o njegovim implikacijama.
To je dovoljno razloga i za pažnju i za znatiželju. A ne za paniku.
Ostavite komentar