The story of generative artificial intelligence (AI) models begins mid-20th century when trailblazing engineers hypothesized a dash of the illogical might be just what machines needed to replicate human thought. This intriguing slice of AI’s history is now the focus of MIT’s Assistant Professor, Benjamin Lindquist, who delves deep into the roots of these models to reveal how the early concepts continue to shape AI today.
The initial intention of diversifying AI’s capabilities was to make it mirror the human tendency for creative thinking. To achieve this, pioneers of this discipline introduced a bit of randomness into algorithms. These algorithms, previously designed for deterministic problem-solving, thus underwent a paradigm shift for creativity’s sake. A delightful offshoot – and the spotlight of Lindquist’s recent paper in the academic journal, Przeszłość i teraźniejszość – is the origin of what we now know as AI hallucinations. In his study, Lindquist proposes an interesting conjecture: there’s a constant toss-up between creativity and predictability when designing AI that mimics humans.
W latach 50. XX wieku wpływowe postaci, takie jak John Pierce z Bell Labs, były zdania, że wpływy matematyki mogą stanowić klucz do wprowadzenia chaosu do sztuki, co z kolei pobudza kreatywność. Przekonanie to podzielało wielu pionierów informatyki, którzy zakładali, że nieoczekiwane wyniki mogą utorować drogę do nowatorskich spostrzeżeń. To właśnie w tej epoce powstały pierwsze sieci neuronowe, tworzone zazwyczaj przez psychologów, mające na celu odzwierciedlenie złożoności mózgu, tak aby można było obserwować i zrozumieć nieprzewidywalne, ale owocne ‘błędy’ mózgu.
Nie była to jednak opinia jednogłośna. Niektórzy gorąco wierzyli, że myślenie twórcze to nic innego jak ‘zwykłe’ myślenie, tyle że realizowane w bardziej efektywny sposób. Debata skupiała się na tajemnicy ludzkiej pomysłowości i próbach odtworzenia jej w sztucznych odpowiednikach.
Fast forward to the present day, AI systems like ChatGPT are highly sought after, primarily for their accuracy. But, it’s worth noting that early supporters of AI also placed value on systems that would, on occasion, churn out unforeseen results. Alas, the unpredictability that once lent character to these systems has been subdued, largely due to the profound implications of AI inaccuracies in real-world scenarios.
Droga sztucznej inteligencji od tamtych czasów do dziś obfitowała w różne zwroty akcji. Na początku w centrum uwagi znajdowała się sztuczna inteligencja symboliczna, skupiająca się na metodach opartych na regułach. Sieci neuronowe, wykorzystujące losowość jako narzędzie do rozwiązywania problemów, zyskały popularność w latach 50., ale straciły na znaczeniu po przedwczesnej śmierci ich głównego propagatora, Franka Rosenblatta. Dopiero pojawienie się internetu i wynikający z tego gwałtowny wzrost dostępności danych sprawiły, że w latach 2010. sieci neuronowe ponownie znalazły się w czołówce uczenia maszynowego.
The timeline of AI is packed with insights. As we continue to work on curbing AI hallucinations, the lessons from the past serve a word of caution. Perhaps it’s important to remember that creativity and error often go hand in hand, and the pursuit of one usually means conceding the other. It’s this delicate balance that dances in the heart of AI’s development.
Whether you’re planning to integrate the marvel of AI into your company operations or simply exploring its potential, visit implementi.ai aby przekonać się, w jaki sposób sztuczna inteligencja może zrewolucjonizować Twoje środowisko biznesowe.
Aby zapoznać się z wyczerpującym omówieniem tego interesującego tematu, przeczytaj oryginalny artykuł prasowy tutaj.
Ta strona używa plików cookie.