คู่มือ AI: สรุปแนวคิดหลักและผู้เล่นชั้นนำใน AI

ที่มา: TechCrunch

เรียบเรียง: Babbitt

แหล่งที่มาของรูปภาพ: สร้างโดยเครื่องมือ Unbounded AI

ปัญญาประดิษฐ์ (AI) ดูเหมือนจะอยู่ในทุกมุมของชีวิตสมัยใหม่ ตั้งแต่ดนตรีและสื่อไปจนถึงธุรกิจและการทำงาน และแม้กระทั่งการหาคู่ มีหลายสิ่งหลายอย่างที่ยากที่จะติดตาม บทความนี้จะครอบคลุมทุกอย่างตั้งแต่การพัฒนาครั้งใหญ่ล่าสุดใน AI ไปจนถึงข้อกำหนดและบริษัทที่คุณต้องรู้เพื่อติดตามสถานการณ์ล่าสุดในสาขาที่เปลี่ยนแปลงอย่างรวดเร็วนี้

ประการแรก ปัญญาประดิษฐ์คืออะไร?

ปัญญาประดิษฐ์หรือที่เรียกว่าแมชชีนเลิร์นนิง เป็นระบบซอฟต์แวร์ที่ใช้โครงข่ายประสาทเทียม ซึ่งเป็นเทคนิคที่ได้รับการบุกเบิกเมื่อหลายสิบปีที่แล้ว แต่เพิ่งเฟื่องฟูได้ไม่นานด้วยทรัพยากรคอมพิวเตอร์ใหม่ที่ทรงพลัง ปัจจุบัน AI ประสบความสำเร็จในการจดจำเสียงพูดและภาพ รวมถึงความสามารถในการสร้างภาพและเสียงสังเคราะห์ นักวิจัยกำลังทำงานเพื่อสร้างปัญญาประดิษฐ์ที่สามารถท่องเว็บ สั่งตั๋ว ปรับแต่งสูตรอาหาร และอื่นๆ อีกมากมาย

แต่ถ้าคุณกังวลเกี่ยวกับการเพิ่มขึ้นของเครื่องจักรในรูปแบบเมทริกซ์ - ไม่ต้องกังวล เราจะพูดถึงเรื่องนี้ในภายหลัง!

คู่มือเกี่ยวกับ AI นี้ประกอบด้วยสองส่วนหลัก:

• อันดับแรก แนวคิดพื้นฐานที่สุดที่คุณต้องเข้าใจและแนวคิดที่สำคัญที่สุดล่าสุด
• จากนั้น ร่างผู้เล่นหลักใน AI และเหตุใดจึงสำคัญ

ไอ101

เครดิตรูปภาพ: Andrii Shyp/Getty Images

หนึ่งในสิ่งที่คลั่งไคล้เกี่ยวกับ AI ก็คือ แม้ว่าแนวคิดหลักของ AI จะย้อนหลังไปกว่า 50 ปี จนกระทั่งเมื่อไม่นานมานี้ มีเพียงไม่กี่คนที่เชี่ยวชาญด้านเทคโนโลยีเท่านั้นที่คุ้นเคยกับแนวคิดนี้ ดังนั้นอย่ากังวลหากคุณรู้สึกหลงทาง ทุกคนก็เช่นกัน

เรามาทำความเข้าใจกันก่อน: แม้ว่าจะเรียกว่า "ปัญญาประดิษฐ์" แต่คำนี้อาจทำให้เข้าใจผิดได้เล็กน้อย ขณะนี้ยังไม่มีคำจำกัดความของหน่วยสืบราชการลับที่เป็นเอกภาพ แต่สิ่งที่ระบบเหล่านี้ทำนั้นใกล้เคียงกับเครื่องคิดเลขมากกว่าสมองอย่างแน่นอน ยกเว้นว่าอินพุตและเอาต์พุตของเครื่องคิดเลขนี้มีความยืดหยุ่นมากกว่า AI อาจเป็นเหมือน "มะพร้าวเทียม" ซึ่งเป็นปัญญาประดิษฐ์

ต่อไปนี้เป็นคำศัพท์พื้นฐานที่คุณจะพบในการอภิปรายเกี่ยวกับ AI

โครงข่ายประสาทเทียม

สมองของเราส่วนใหญ่ประกอบด้วยเซลล์ที่เชื่อมต่อถึงกันเรียกว่าเซลล์ประสาท ซึ่งทำงานร่วมกันเพื่อสร้างเครือข่ายที่ซับซ้อนซึ่งทำหน้าที่และจัดเก็บข้อมูล ผู้คนพยายามสร้างระบบที่น่าทึ่งนี้ขึ้นมาใหม่ในซอฟต์แวร์ตั้งแต่ช่วงปี 1960 แต่พลังในการประมวลผลที่ต้องใช้ยังไม่แพร่หลายจนกระทั่งเมื่อ 15-20 ปีที่แล้ว เมื่อ GPU ปล่อยให้โครงข่ายประสาทเทียมที่กำหนดเป็นตัวเลขเฟื่องฟู

โดยพื้นฐานแล้ว พวกมันเป็นเพียงจุดและเส้นจำนวนมาก: จุดคือข้อมูล และเส้นคือความสัมพันธ์ทางสถิติระหว่างค่าเหล่านั้น เช่นเดียวกับในสมอง สิ่งนี้สามารถสร้างระบบมัลติฟังก์ชั่นที่รับอินพุตอย่างรวดเร็ว ส่งผ่านเครือข่ายและสร้างเอาต์พุต ระบบนี้เรียกว่าแบบจำลอง

แบบอย่าง

โมเดลคือชุดรหัสจริงที่รับอินพุตและส่งคืนเอาต์พุต ความคล้ายคลึงกันในคำศัพท์กับแบบจำลองทางสถิติหรือระบบการสร้างแบบจำลองที่จำลองกระบวนการทางธรรมชาติที่ซับซ้อนนั้นไม่ใช่เรื่องบังเอิญ ใน AI แบบจำลองสามารถอ้างถึงระบบที่สมบูรณ์ เช่น ChatGPT หรือโครงสร้าง AI หรือแมชชีนเลิร์นนิงเกือบทั้งหมด ไม่ว่าจะทำหรือผลิตอะไรก็ตาม โมเดลมีหลายขนาด ซึ่งหมายความว่าใช้พื้นที่เก็บข้อมูลเท่าใดและต้องใช้พลังการประมวลผลเท่าใดจึงจะเรียกใช้ได้ และทั้งหมดขึ้นอยู่กับวิธีการฝึกฝนโมเดล

รถไฟ

ในการสร้างโมเดล AI โครงข่ายประสาทเทียมที่สร้างพื้นฐานของระบบจะสัมผัสกับข้อมูลจำนวนมากที่เรียกว่าชุดข้อมูลหรือคลังข้อมูล ในการทำเช่นนี้ เครือข่ายขนาดใหญ่เหล่านี้จะสร้างการแสดงข้อมูลทางสถิติ กระบวนการฝึกอบรมนี้เป็นกระบวนการที่ต้องใช้การคำนวณอย่างเข้มข้นที่สุด ซึ่งหมายความว่าต้องใช้เวลาหลายสัปดาห์หรือหลายเดือนกับคอมพิวเตอร์พลังสูงขนาดใหญ่ เหตุผลนี้ไม่ใช่แค่เพราะเครือข่ายมีความซับซ้อน แต่ชุดข้อมูลอาจมีขนาดใหญ่มาก คำหรือรูปภาพหลายพันล้านคำต้องได้รับการวิเคราะห์และแสดงในรูปแบบทางสถิติขนาดใหญ่ ในทางกลับกัน เมื่อแบบจำลองได้รับการฝึกฝนแล้ว จะสามารถใช้แบบจำลองที่เล็กกว่าและต้องการน้อยกว่ามาก ซึ่งเป็นกระบวนการที่เรียกว่าการอนุมาน

เครดิตรูปภาพ: Google

###อนุมาน

เมื่อแบบจำลองใช้งานได้จริง เราเรียกว่าการอนุมาน และความหมายดั้งเดิมของคำนี้มีความหมายอย่างมาก: เพื่อระบุข้อสรุปโดยให้เหตุผลเกี่ยวกับหลักฐานที่มีอยู่ แน่นอนว่านี่ไม่ใช่ "การอนุมาน" เสียทีเดียว แต่เชื่อมโยงจุดต่างๆ ในข้อมูลที่นำเข้าทางสถิติ โดยคาดการณ์จุดต่อไป ตัวอย่างเช่น พูดว่า "กรอกลำดับต่อไปนี้: แดง ส้ม เหลือง..." ก็จะพบว่าคำเหล่านี้สอดคล้องกับจุดเริ่มต้นของรายการที่นำเข้ามา เช่น สีของรุ้ง และคาดการณ์รายการถัดไปจนกว่าจะได้ สร้างส่วนที่เหลือของรายการ

การอนุมานมักมีค่าใช้จ่ายทางการคำนวณน้อยกว่าการฝึกอบรมมาก: ให้คิดว่ามันเหมือนกับการเรียกดูแคตตาล็อกการ์ดแทนที่จะประกอบเข้าด้วยกัน รุ่นใหญ่ยังคงต้องทำงานบนซูเปอร์คอมพิวเตอร์และ GPU แต่รุ่นเล็กสามารถทำงานบนสมาร์ทโฟนหรืออุปกรณ์ที่เรียบง่ายกว่าได้

กำเนิดปัญญาประดิษฐ์

ทุกคนกำลังพูดถึง AI เชิงกำเนิด ซึ่งเป็นคำกว้างๆ ที่หมายถึงโมเดล AI ที่สร้างผลลัพธ์ดิบ เช่น รูปภาพหรือข้อความ AI บางตัวสรุป บางตัวจัดระเบียบใหม่ บางตัวจดจำ และอื่นๆ แต่ AI ที่สร้างบางสิ่ง (ไม่ว่าจะ "สร้าง" หรือไม่ก็ตามก็ยังเป็นที่ถกเถียงกันอยู่) เป็นที่นิยมเป็นพิเศษในขณะนี้ โปรดจำไว้ว่า การที่ AI สร้างบางสิ่งขึ้นมา ไม่ได้หมายความว่ามันถูกต้อง หรือแม้แต่ว่ามันสะท้อนความเป็นจริง! เป็นเพียงว่ามันไม่มีอยู่จริงจนกว่าคุณจะร้องขอ เช่น เรื่องราวหรือภาพวาด

##คำฮิตตอนนี้

นอกเหนือจากพื้นฐานแล้ว ต่อไปนี้เป็นคำศัพท์เกี่ยวกับ AI ที่เกี่ยวข้องมากที่สุดในช่วงกลางปี 2023

โมเดลภาษาขนาดใหญ่ (LLM)

แบบจำลองภาษาขนาดใหญ่เป็นรูปแบบของปัญญาประดิษฐ์ที่มีอิทธิพลและใช้กันอย่างแพร่หลายในปัจจุบัน แบบจำลองภาษาขนาดใหญ่ได้รับการฝึกฝนในข้อความเกือบทั้งหมดที่ประกอบขึ้นเป็นเว็บและวรรณกรรมส่วนใหญ่เป็นภาษาอังกฤษ การนำข้อมูลทั้งหมดนี้มาสร้างโมเดลพื้นฐานขนาดใหญ่ (อ่านต่อ) LLM สามารถสนทนาและตอบคำถามในภาษาธรรมชาติและเลียนแบบเอกสารที่เป็นลายลักษณ์อักษรในรูปแบบและประเภทต่างๆ โดยเห็นได้จากเครื่องมือต่างๆ เช่น ChatGPT, Claude และ LLaMa

แม้ว่าโมเดลเหล่านี้จะน่าประทับใจอย่างไม่ต้องสงสัย แต่ก็ต้องระลึกไว้เสมอว่าโมเดลเหล่านี้ยังคงเป็นกลไกการจดจำรูปแบบ และเมื่อพวกเขาตอบคำถาม พวกเขากำลังพยายามสร้างรูปแบบที่ระบุให้สมบูรณ์ ไม่ว่ารูปแบบนั้นจะสะท้อนความเป็นจริงหรือไม่ก็ตาม LLM มักจะเห็นภาพหลอนในคำตอบ ซึ่งเราจะพูดถึงในไม่ช้า

หากคุณต้องการทราบข้อมูลเพิ่มเติมเกี่ยวกับ LLM และ ChatGPT คลิกที่นี่

รุ่นมูลนิธิ

การฝึกโมเดลขนาดใหญ่ตั้งแต่เริ่มต้นบนชุดข้อมูลขนาดใหญ่นั้นมีค่าใช้จ่ายสูงและซับซ้อน คุณจึงไม่ต้องการทำอะไรมากเกินความจำเป็น โมเดลพื้นฐานคือโมเดลขนาดใหญ่ตั้งแต่เริ่มต้นซึ่งต้องใช้ซูเปอร์คอมพิวเตอร์ในการทำงาน แต่บ่อยครั้งโดยการลดจำนวนของพารามิเตอร์ พวกมันสามารถลดขนาดให้เหลือคอนเทนเนอร์ที่เล็กลงได้ คุณสามารถคิดได้ว่าสิ่งเหล่านี้คือจำนวนจุดทั้งหมดที่โมเดลต้องจัดการ ซึ่งอาจรวมกันเป็นล้าน พันล้าน หรือแม้แต่หลายล้านล้านในทุกวันนี้

การปรับจูน

โมเดลพื้นฐานเช่น GPT-4 นั้นฉลาด แต่ก็เป็นแบบทั่วไปด้วยการออกแบบ มันดูดซับทุกอย่างตั้งแต่ Dickens ถึง Wittgenstein ไปจนถึงกฎของ Dungeons and Dragons แต่ถ้าคุณต้องการให้อิงตาม Resume ของคุณ ให้เขียนจดหมายปะหน้า สิ่งเหล่านี้ ไร้ประโยชน์ โชคดีที่เป็นไปได้ที่จะปรับแต่งโมเดลอย่างละเอียดโดยทำการฝึกอบรมเพิ่มเติมเกี่ยวกับโมเดลโดยใช้ชุดข้อมูลเฉพาะ ตัวอย่างเช่น มีการสมัครงานหลายพันครั้ง สิ่งนี้ทำให้โมเดลมีความเข้าใจที่ดีขึ้นเกี่ยวกับวิธีช่วยเหลือผู้ใช้ในโดเมนนั้นโดยไม่ละทิ้งความรู้ทั่วไปที่รวบรวมจากข้อมูลการฝึกอบรมที่เหลือ

Reinforcement Learning from Human Feedback (RLHF) เป็นการปรับแต่งแบบพิเศษที่คุณจะได้ยินมาบ่อยมาก — มันใช้ข้อมูลจากมนุษย์ที่โต้ตอบกับ LLM เพื่อพัฒนาทักษะการสื่อสารของพวกเขา

การแพร่กระจาย

*จากเอกสารเกี่ยวกับเทคนิคขั้นสูงหลังการแพร่กระจาย คุณสามารถดูวิธีการสร้างภาพจากข้อมูลที่มีสัญญาณรบกวนมาก *

การสร้างภาพสามารถทำได้หลายวิธี แต่ที่ประสบความสำเร็จมากที่สุดคือการแพร่กระจาย ซึ่งเป็นเทคนิคที่เป็นหัวใจของการแพร่กระจายแบบเสถียร Midjourney และ AI ที่เป็นที่นิยมอื่นๆ แบบจำลองการแพร่กระจายได้รับการฝึกฝนโดยการแสดงภาพที่ค่อย ๆ ลดลงโดยการเพิ่มสัญญาณรบกวนดิจิทัลจนกว่าจะไม่เหลือภาพต้นฉบับ จากการสังเกตสิ่งนี้ แบบจำลองการแพร่กระจายยังเรียนรู้ที่จะดำเนินการย้อนกลับ โดยค่อยๆ เพิ่มรายละเอียดให้กับสัญญาณรบกวนบริสุทธิ์เพื่อสร้างภาพที่กำหนดโดยพลการ เราเริ่มก้าวไปไกลกว่านั้นในด้านกราฟิก แต่เทคโนโลยีนี้แข็งแกร่งและเข้าใจได้ง่าย ดังนั้นมันกำลังจะตายอย่างรวดเร็ว

###หลอน

ในขั้นต้นนี้เป็นปัญหาของภาพบางส่วนในการฝึกที่เล็ดลอดไปยังเอาต์พุตที่ไม่เกี่ยวข้อง เช่น อาคารที่ดูเหมือนจะสร้างจากสุนัขเนื่องจากมีภาพสุนัขในชุดฝึกมากเกินไป ตอนนี้ AI ถูกกล่าวว่าเป็นภาพหลอนเพราะมันไม่มีข้อมูลเพียงพอหรือขัดแย้งกันในชุดการฝึก มันแค่สร้างสิ่งต่างๆ

AI ที่ขอให้สร้างงานศิลปะต้นฉบับหรือแม้แต่ดัดแปลงเป็นภาพหลอน ตัวอย่างเช่น อาจมีการบอกให้ LLM เขียนกลอนรักในแบบฉบับของ Yogi Berra และยินดีจะทำเช่นนั้น แม้ว่าสิ่งนั้นจะไม่มีอยู่ในชุดข้อมูลก็ตาม แต่นั่นอาจเป็นปัญหาเมื่อต้องการคำตอบที่เป็นความจริง แบบจำลองจะนำเสนอคำตอบครึ่งจริงครึ่งลวงตาอย่างมั่นใจ ขณะนี้ไม่มีวิธีง่าย ๆ ที่จะบอกว่าอันไหนเป็นอย่างอื่นนอกจากการตรวจสอบด้วยตัวคุณเอง เนื่องจากตัวแบบเองไม่รู้ว่าอะไรคือ "จริง" หรือ "เท็จ" มันแค่พยายามสร้างรูปแบบให้สมบูรณ์ที่สุดเท่าที่จะทำได้

AGI หรือปัญญาประดิษฐ์ที่แข็งแกร่ง

ปัญญาประดิษฐ์ทั่วไป (AGI) หรือ Strong Artificial Intelligence ไม่ใช่แนวคิดที่ชัดเจนนัก แต่คำอธิบายที่ง่ายที่สุดก็คือ มันเป็นปัญญาที่มีพลังมากพอที่จะไม่เพียงทำในสิ่งที่ผู้คนทำ แต่ยังเป็นเหมือนเราอีกด้วย เรียนรู้และปรับปรุง ตัวคุณเอง. บางคนกังวลว่าวัฏจักรของการเรียนรู้ การบูรณาการความคิดเหล่านี้ และการเรียนรู้และเติบโตเร็วขึ้นจะเป็นวัฏจักรที่ยืดเยื้อในตัวเองซึ่งจะนำไปสู่ระบบอัจฉริยะที่ไม่สามารถจำกัดหรือควบคุมได้ บางคนเสนอให้ชะลอหรือจำกัดการศึกษาเพื่อป้องกันความเป็นไปได้นี้

มันเป็นความคิดที่แย่มาก และภาพยนตร์อย่าง The Matrix และ The Terminator ได้สำรวจสิ่งที่อาจเกิดขึ้นหากปัญญาประดิษฐ์อยู่เหนือการควบคุมและพยายามกำจัดหรือทำให้มนุษยชาติเป็นทาส แต่เรื่องราวเหล่านี้ไม่มีมูลความเป็นจริง รูปลักษณ์ของหน่วยสืบราชการลับที่เราเห็นในสิ่งต่างๆ เช่น ChatGPT นั้นน่าประทับใจ แต่ก็มีความเหมือนกันเพียงเล็กน้อยกับการใช้เหตุผลเชิงนามธรรมและกิจกรรมหลายโดเมนแบบไดนามิกที่เราเชื่อมโยงกับหน่วยสืบราชการลับ "จริง"

แม้ว่าการทำนายการพัฒนาในอนาคตแทบจะเป็นไปไม่ได้ แต่การจินตนาการว่า AGI เป็นการเดินทางในอวกาศระหว่างดวงดาวอาจเป็นประโยชน์: เราทุกคนเข้าใจแนวคิดและดูเหมือนจะทำงานเพื่อบรรลุผลดังกล่าว แต่ในขณะเดียวกันเรายังมีหนทางอีกยาวไกลที่จะไปให้ถึง มัน. เช่นเดียวกับ AGI ไม่มีใครทำมันได้โดยไม่ตั้งใจ เนื่องจากต้องใช้ทรัพยากรมหาศาลและความก้าวหน้าทางวิทยาศาสตร์ขั้นพื้นฐาน!

เป็นเรื่องสนุกที่จะคิดเกี่ยวกับ AGI แต่ไม่จำเป็นต้องถามถึงปัญหา เพราะตามที่นักวิจารณ์ได้ชี้ให้เห็น แม้ว่าจะมีข้อจำกัด แต่ AI ก็เป็นภัยคุกคามที่แท้จริงและสำคัญอยู่แล้วในปัจจุบัน ไม่มีใครต้องการ Skynet แต่คุณไม่จำเป็นต้องมีหน่วยข่าวกรองติดอาวุธนิวเคลียร์เพื่อสร้างความเสียหายอย่างแท้จริง ผู้คนกำลังตกงานและถูกหลอกลวงในทุกวันนี้ หากเราไม่สามารถแก้ปัญหาเหล่านี้ได้ เราจะมีโอกาสสู้กับ T-1000 ได้อย่างไร?

ผู้เล่นอันดับต้น ๆ ในปัญญาประดิษฐ์

OpenAI

เครดิตภาพ: Leon Neal/Getty Images

หากมีชื่อครัวเรือนหนึ่งชื่อใน AI นั่นคือ OpenAI OpenAI เป็นชื่อที่แนะนำ เป็นองค์กรที่ตั้งใจทำการวิจัยและเผยแพร่ผลลัพธ์ต่อสาธารณะไม่มากก็น้อย ตั้งแต่นั้นมาก็ได้ปรับโครงสร้างใหม่เป็นบริษัทที่แสวงหาผลกำไรแบบดั้งเดิมที่ให้การเข้าถึงโมเดลภาษาขั้นสูง เช่น ChatGPT ผ่าน API และแอพต่างๆ นำโดย Sam Altman มหาเศรษฐีด้านเทคโนโลยีที่ยังคงส่งเสียงเตือนเกี่ยวกับความเสี่ยงที่อาจเกิดขึ้นจากปัญญาประดิษฐ์ OpenAI เป็นผู้นำที่ได้รับการยอมรับในสาขา LLM แต่ดำเนินการวิจัยในด้านอื่นๆ ด้วย

ไมโครซอฟท์

อย่างที่คุณคาดไว้ Microsoft ได้ทำการวิจัยเกี่ยวกับ AI อย่างยุติธรรม แต่ก็เหมือนกับบริษัทอื่นๆ ที่ล้มเหลวไม่มากก็น้อยในการแปลการทดลองให้เป็นผลิตภัณฑ์หลัก การดำเนินการที่ชาญฉลาดที่สุดคือการลงทุนในระยะเริ่มต้นใน OpenAI ซึ่งนำไปสู่การเป็นหุ้นส่วนระยะยาวแต่เพียงผู้เดียวกับบริษัท ซึ่งขณะนี้เป็นผู้ขับเคลื่อนตัวแทนการสนทนา Bing แม้ว่าผลงานของบริษัทเองจะมีจำนวนน้อยกว่าและนำไปใช้โดยตรงได้น้อยกว่า แต่บริษัทก็มีงานวิจัยจำนวนมาก

Google

Google เป็นที่รู้จักในเรื่อง moonshots พลาดโอกาสสำหรับ AI แม้ว่านักวิจัยจะคิดค้นเทคโนโลยีที่นำไปสู่การระเบิดของ AI โดยตรงในปัจจุบัน: Transformers ตอนนี้กำลังพยายามพัฒนา LLM และตัวแทนอื่น ๆ ของตัวเอง แต่เห็นได้ชัดว่ากำลังตามทันหลังจากใช้เวลาส่วนใหญ่ในทศวรรษที่ผ่านมาในการผลักดันแนวคิดที่ล้าสมัยของ AI "ผู้ช่วยเสมือน" Sundar Pichai ซีอีโอได้กล่าวซ้ำๆ ว่าบริษัทอยู่เบื้องหลัง AI ในด้านการค้นหาและประสิทธิภาพการทำงานอย่างมั่นคง

มานุษยวิทยา

หลังจากที่ OpenAI ออกจากการเปิดกว้าง Dario และ Daniela Amodei ก็ออกจากการก่อตั้ง Anthropic โดยตั้งใจที่จะเติมเต็มบทบาทขององค์กรวิจัย AI ที่เปิดกว้างและคำนึงถึงจริยธรรม ด้วยจำนวนเงินที่พวกเขามี พวกเขาจึงเป็นคู่แข่งตัวฉกาจของ OpenAI แม้ว่าโมเดลของพวกเขา (เช่น Claude) จะยังไม่เป็นที่นิยมหรือเป็นที่รู้จักมากนัก

เครดิตรูปภาพ: Bryce Durbin/TechCrunch

ความมั่นคง

ความขัดแย้งแต่หลีกเลี่ยงไม่ได้ Stability แสดงถึงประเภทโอเพ่นซอร์สของการใช้งาน AI แบบ "อะไรก็ได้ที่คุณต้องการ" ที่รวบรวมทุกสิ่งบนอินเทอร์เน็ต และทำให้โมเดล AI กำเนิดที่ฝึกใช้งานได้ฟรี โดยที่คุณเป็นเจ้าของฮาร์ดแวร์เพื่อเรียกใช้ สิ่งนี้เข้ากันได้ดีกับปรัชญา "ข้อมูลต้องการเป็นอิสระ" แต่ยังเร่งโครงการที่น่าสงสัยทางจริยธรรม เช่น การสร้างภาพอนาจารและการใช้ทรัพย์สินทางปัญญาโดยไม่ได้รับความยินยอม (บางครั้งพร้อมกัน)

อีลอน มัสก์

Musk ก็ไม่มีข้อยกเว้น เขาพูดตรงไปตรงมาเกี่ยวกับความกังวลของเขาเกี่ยวกับ AI ที่หลบหนี และผลองุ่นเปรี้ยวบางส่วนหลังจากที่เขามีส่วนร่วมใน OpenAI ในช่วงแรกนั้นกลับไปในทิศทางที่เขาไม่ชอบ แม้ว่า Musk จะไม่ใช่ผู้เชี่ยวชาญในเรื่องนี้ แต่ตามปกติแล้ว การแสดงตลกและความคิดเห็นของเขาจะได้รับเสียงฮือฮาอย่างมาก (เขาเป็นผู้ลงนามในจดหมาย "AI pause" ข้างต้น) และเขากำลังพยายามสร้างผลงานการวิจัยของตัวเอง