Je\u015bli uwa\u017casz, \u017ce sztuczna inteligencja polega wy\u0142\u0105cznie na tworzeniu coraz wi\u0119kszych modeli, firma Sakana AI zamierza to zmieni\u0107. Ten tokijski startup w\u0142a\u015bnie zaprezentowa\u0142 TreeQuest \u2013 now\u0105, sprytn\u0105 metod\u0119, kt\u00f3ra pozwala zespo\u0142om du\u017cych modeli j\u0119zykowych (LLM) wsp\u00f3\u0142pracowa\u0107 ze sob\u0105 \u2013 troch\u0119 jak orkiestra pod batut\u0105 dyrygenta, zamiast polega\u0107 na jednym solisty, kt\u00f3ry wykonuje ca\u0142\u0105 prac\u0119.<\/p>\n
W czym wi\u0119c tkwi sekret? TreeQuest czerpie z techniki stosowanej w \u015bwiecie sztucznej inteligencji wykorzystywanej w grach \u2014 Monte-Carlo Tree Search (MCTS), tej samej strategii, kt\u00f3ra sta\u0142a za sukcesem AlphaGo. Jednak zamiast szachownicy czy kamieni do gry w Go, TreeQuest wykorzystuje to podej\u015bcie do koordynowania pracy wielu modeli LLM w czasie rzeczywistym, wybieraj\u0105c najlepszy model \u201cwiod\u0105cy\u201d dla ka\u017cdej cz\u0119\u015bci zadania i pozwalaj\u0105c pozosta\u0142ym modelom wnie\u015b\u0107 sw\u00f3j wk\u0142ad tam, gdzie ich mocne strony s\u0105 najbardziej potrzebne. Zamiast trzyma\u0107 si\u0119 jednej odpowiedzi wygenerowanej przez pojedynczy model, TreeQuest traktuje rozwi\u0105zywanie problem\u00f3w jak sport zespo\u0142owy, podejmuj\u0105c decyzje wsp\u00f3lnie na ka\u017cdym etapie.<\/p>\n
Wyniki te zas\u0142uguj\u0105 na uwag\u0119. Jak wykaza\u0142y testy przeprowadzone przez Sakana AI, grupy modeli koordynowane przez TreeQuest osi\u0105gn\u0119\u0142y w szeregu test\u00f3w por\u00f3wnawczych wynik o 30% lepszy od najlepszych pojedynczych modeli LLM. Obejmuje to trudne zadania, takie jak rozwi\u0105zywanie zawi\u0142ych \u0142amig\u0142\u00f3wek logicznych, generowanie kodu komputerowego oraz odpowiadanie na z\u0142o\u017cone, wieloetapowe pytania \u2013 obszary, w kt\u00f3rych modele LLM cz\u0119sto napotykaj\u0105 trudno\u015bci, dzia\u0142aj\u0105c samodzielnie. Zamiast sytuacji, w kt\u00f3rej jeden model utknie, inny mo\u017ce kontynuowa\u0107 prac\u0119 z niedoskona\u0142\u0105 odpowiedzi\u0105 i poprowadzi\u0107 zesp\u00f3\u0142 do prawid\u0142owego rozwi\u0105zania.<\/p>\n
Dlaczego mia\u0142oby to mie\u0107 znaczenie dla kogokolwiek spoza laboratorium? Je\u015bli zale\u017cy Ci na tym, by sztuczna inteligencja sta\u0142a si\u0119 bardziej przyst\u0119pna cenowo i wydajna \u2013 czy to w biznesie, badaniach naukowych, technologii konsumenckiej, czy praktycznie w ka\u017cdej dziedzinie wykorzystuj\u0105cej inteligentne oprogramowanie \u2013 TreeQuest oferuje intryguj\u0105c\u0105 \u015bcie\u017ck\u0119. Po\u0142\u0105czenie mo\u017cliwo\u015bci mniejszych lub wyspecjalizowanych modeli mo\u017ce zapewni\u0107 lepsz\u0105 wydajno\u015b\u0107 przy ni\u017cszych kosztach obliczeniowych, pozwalaj\u0105c unikn\u0105\u0107 kosztownego wy\u015bcigu zbroje\u0144 polegaj\u0105cego na nieustannym skalowaniu pojedynczego modelu. Innymi s\u0142owy: chodzi o wsp\u00f3\u0142prac\u0119, a nie o si\u0142\u0119 brute force.<\/p>\n
TreeQuest dopiero stawia pierwsze kroki, ale podej\u015bcie firmy Sakana AI ju\u017c teraz przyci\u0105ga uwag\u0119 w bran\u017cy. Planuj\u0105 oni dalsze udoskonalanie tej metody, badanie jej interakcji z innymi systemami sztucznej inteligencji oraz sprawdzenie, jak daleko mo\u017cna posun\u0105\u0107 si\u0119 w realizacji koncepcji \u201cwiele umys\u0142\u00f3w, jedno zadanie\u201d. Je\u015bli im si\u0119 to uda, tw\u00f3rcy sztucznej inteligencji mog\u0105 wkr\u00f3tce zacz\u0105\u0107 postrzega\u0107 prac\u0119 zespo\u0142ow\u0105 jako podstawow\u0105 zasad\u0119 przy projektowaniu najbardziej zaawansowanych modeli, zamiast nieustannie d\u0105\u017cy\u0107 do tworzenia modeli o jak najwi\u0119kszej skali.<\/p>\n