Przyszłość sztucznej inteligencji: od bezpieczniejszych odpowiedzi do szybszego myślenia

W dzisiejszym hiperpołączonym świecie upowszechnianie się innowacyjnych narzędzi i technologii często zależy od tego, jak użytkownicy postrzegają ich niezawodność i wartość w porównaniu z istniejącymi rozwiązaniami. Dotyczy to w szczególności sztucznej inteligencji (AI), gdzie jej akceptacja może stanowić ogromną przeszkodę. Mając to na uwadze, pięciu przełomowych doktorantów z pierwszej edycji letniego programu MIT-IBM Watson AI Lab wytycza nowe kierunki rozwoju technologii AI. Pracują oni niestrudzenie nad tym, by sztuczna inteligencja stała się bardziej godna zaufania, wydajna i użyteczna w różnych dziedzinach.

Budowanie zaufania do sztucznej inteligencji i nie tylko

Powiedzenie “ufaj, ale weryfikuj” nigdy nie miało większego zastosowania niż w kontekście sztucznej inteligencji. Andrey Bryutkin, doktorant z MIT, dogłębnie zbadał kwestię wiarygodności dużych modeli uczenia się (LLM). Pod kierunkiem Veroniki Thost z IBM Research oraz Marzyeh Ghassemi z MIT jego badania koncentrują się na wykorzystaniu nieodłącznych struktur, takich jak złożone równania i prawa zachowania, w celu tworzenia modeli, które są solidne i niezawodne.

Zespół Bryutkina zajmuje się istotnym problemem – “niepewnością niepewności” w modelach LLM, gdzie tradycyjne metody wykorzystujące małe sieci neuronowe (sondy) często nie są w stanie wykryć niewiarygodnych wyników. Jego celem jest zaradzenie tej sytuacji poprzez analizę ukrytych aspektów, takich jak wektory aktywacji i końcowe tokeny modeli LLM, z wykorzystaniem par „prompt-etykieta”, co nie tylko pomaga zidentyfikować problematyczne obszary danych, ale także ujawnia niespójności w etykietowaniu, wzmacniając w ten sposób budowę niezawodnych systemów sztucznej inteligencji.

Przekraczanie granic: od marzeń do praktycznego zastosowania sztucznej inteligencji

Jednak wiarygodność sztucznej inteligencji nie jest jedyną przeszkodą, z którą się zmagamy. Doktorant fizyki Jinyeop Song zajmuje się problemem “halucynacji” w modelach LLM. Dzięki wykorzystaniu wiarygodnych zewnętrznych źródeł wiedzy, takich jak Freebase i Wikidata, Song dąży do tego, by pomóc modelom LLM w bardziej efektywnym pozyskiwaniu dokładnych informacji. W tym celu współpracuje z Yada Zhu z IBM Research oraz Julianem Shunem z MIT nad opracowaniem platformy uczenia się przez wzmocnienie, która usprawnia tradycyjne, wymagające dużych zasobów procesy wieloagentowe dzięki wykorzystaniu pojedynczego, inteligentnego agenta.

Tymczasem Songlin Yang, doktorant na wydziale EECS, dąży do harmonizacji świata sztucznej inteligencji poprzez opracowywanie nowej architektury modeli językowych, które w ekonomiczny sposób radzą sobie z długimi, zmieniającymi się sekwencjami danych wejściowych. Równolegle Jovana Kondic z MIT rewolucjonizuje sposób, w jaki sztuczna inteligencja rozumie dane wizualne, zwłaszcza skomplikowane elementy, takie jak wykresy, które wymagają zarówno optycznego rozpoznawania znaków, jak i wnioskowania.

Nie można też zapomnieć o Leonardo Hernandezie Cano, który bada zastosowania sztucznej inteligencji w projektowaniu cyfrowym. W szczególności uczy on sztuczną inteligencję generowania realistycznych tekstur na podstawie obrazów zdefiniowanych przez użytkownika na potrzeby aplikacji CAD, torując drogę do niespotykanych dotąd możliwości w zakresie tworzenia materiałów cyfrowych o określonych właściwościach wizualnych.

Sztuczna inteligencja: od laboratorium do świata rzeczywistego

Wspólne wysiłki tych początkujących naukowców stanowią spójny krok w kierunku stworzenia sztucznej inteligencji, która będzie potężna, a jednocześnie praktyczna i niezawodna. Zajmując się kluczowymi wyzwaniami w zakresie zaufania, wydajności i zrozumienia, wraz ze swoimi mentorami kładą solidne fundamenty pod praktyczne zastosowania sztucznej inteligencji – od badań naukowych po oprogramowanie dla przedsiębiorstw. Ich nieustanna determinacja przenosi technologię sztucznej inteligencji z laboratoriów na rzeczywiste platformy, kształtując naszą przyszłość w sposób, którego jeszcze nie jesteśmy w stanie sobie wyobrazić.

Dowiedz się więcej o ich przełomowych badaniach w oryginalnym artykule na stronie MIT News.