Resim kaynağı: Unbounded AI aracı tarafından oluşturulmuştur
Yapay zeka (AI), müzik ve medyadan iş ve üretkenliğe ve hatta flört etmeye kadar modern yaşamın her köşesinde görünüyor. O kadar çok şey var ki yetişmesi zor. Bu makale, AI'daki en son büyük gelişmelerden, bu hızlı hareket eden alandaki son gelişmelerden haberdar olmak için bilmeniz gereken terimler ve şirketlere kadar her şeyi kapsayacaktır.
İlk olarak, yapay zeka nedir?
Makine öğrenimi olarak da bilinen yapay zeka, aslında onlarca yıl önce öncülük edilen ancak son zamanlarda güçlü yeni bilgi işlem kaynakları sayesinde gelişen bir teknik olan sinir ağlarına dayalı bir yazılım sistemidir. Şu anda yapay zeka, etkili konuşma ve görüntü tanımanın yanı sıra sentetik görüntüler ve konuşma üretme becerisi elde etti. Araştırmacılar, web'de gezinme, bilet sipariş etme, tariflerde ince ayar yapma ve daha fazlasını yapabilen yapay zeka yapmak için çalışıyorlar.
Ancak, makinelerin Matrix benzeri bir yükselişinden endişe ediyorsanız - endişelenmeyin. Bunun hakkında daha sonra konuşacağız!
Bu yapay zeka kılavuzu iki ana bölümden oluşur:
Öncelikle anlamanız gereken en temel kavramlar ve en güncel önemli kavramlar.
Ardından, AI'daki ana oyuncuları ve neden önemli olduklarını ana hatlarıyla belirtin.
AI 101
İmaj kredisi: Andrii Shyp/Getty Images
AI ile ilgili çılgınca şeylerden biri, temel kavramları 50 yılı aşkın bir süre öncesine dayansa da, yakın zamana kadar teknolojiden anlayan çok az kişinin bile kavramlarına aşina olmasıdır. Bu yüzden kaybolmuş hissediyorsanız endişelenmeyin - herkes öyledir.
Baştan bir şeyi açıklığa kavuşturalım: Adı "yapay zeka" olsa da, bu terim biraz yanıltıcıdır. Şu anda zekanın birleşik bir tanımı yoktur, ancak bu sistemlerin yaptığı şey kesinlikle bir beyinden çok bir hesap makinesine daha yakındır, tek fark bu hesap makinesinin girdi ve çıktısının daha esnek olmasıdır. AI bir "Yapay Hindistan Cevizi" gibi olabilir - bu taklit zekadır.
Aşağıdakiler, AI ile ilgili herhangi bir tartışmada bulacağınız temel terimlerdir.
Nöral ağlar
Beynimiz büyük ölçüde, görevleri yerine getiren ve bilgi depolayan karmaşık ağlar oluşturmak için birbirine bağlanan nöron adı verilen birbirine bağlı hücrelerden oluşur. İnsanlar 1960'lardan beri yazılımda bu harika sistemi yeniden yaratmaya çalışıyorlar, ancak gereken işlem gücü, GPU'ların sayısal olarak tanımlanmış sinir ağlarının gelişmesine izin verdiği 15-20 yıl öncesine kadar yaygın olarak mevcut değildi.
Temel olarak, bunlar sadece çok sayıda nokta ve çizgidir: noktalar verilerdir ve çizgiler, bu değerler arasındaki istatistiksel ilişkilerdir. Beyinde olduğu gibi, bu, hızla bir girdi alan, bunu ağdan geçiren ve bir çıktı üreten çok işlevli bir sistem yaratabilir. Bu sisteme model denir.
Modeli
Model, girdi alan ve çıktı veren gerçek kod koleksiyonudur. Terminolojideki istatistiksel modellere veya karmaşık doğal süreçleri simüle eden modelleme sistemlerine benzerlik tesadüfi değildir. Yapay zekada bir model, ne yaptığına veya ürettiğine bakılmaksızın ChatGPT gibi eksiksiz bir sisteme veya hemen hemen her yapay zekaya veya makine öğrenimi yapısına atıfta bulunabilir. Modeller çeşitli boyutlarda gelir; bu, ne kadar depolama alanı kapladıkları ve çalıştırmak için ne kadar bilgi işlem gücüne ihtiyaç duydukları anlamına gelir. Ve hepsi modelin nasıl eğitildiğine bağlı.
tren
Bir AI modeli oluşturmak için, sistemin temelini oluşturan sinir ağları, veri seti veya korpus adı verilen bir grup bilgiye maruz kalır. Bunu yaparken, bu geniş ağlar, bu verilerin istatistiksel bir temsilini oluşturur. Bu eğitim süreci, hesaplama açısından en yoğun olanıdır, yani devasa, yüksek güçlü bilgisayarlarda haftalar veya aylar sürer. Bunun nedeni yalnızca ağların karmaşık olması değil, aynı zamanda veri setlerinin çok büyük olabilmesidir: milyarlarca kelime veya görüntünün analiz edilmesi ve devasa istatistiksel modellerde temsil edilmesi gerekir. Öte yandan, bir model bir kez eğitildiğinde, çıkarım adı verilen bir işlemle çok daha küçük ve daha az talepkar olarak kullanılabilir.
İmaj kredisi: Google
Çıkarım
Model gerçekten işe yaradığında buna çıkarım diyoruz ve kelimenin geleneksel anlamı çok fazla: mevcut kanıtlar hakkında akıl yürüterek bir sonuç belirtmek. Tabii ki, bu tam olarak "çıkarım" değildir, ancak aldığı verilerdeki noktaları istatistiksel olarak birleştirir ve aslında bir sonraki noktayı tahmin eder. Örneğin, "şu sırayı tamamla: kırmızı, turuncu, sarı..." deyin, bu kelimelerin aldığı listenin başına, yani gökkuşağının renklerine karşılık geldiğini bulacaktır ve bir sonraki öğeyi tahmin edene kadar tahminde bulunacaktır. liste bölümünün geri kalanını üretti.
Çıkarım genellikle hesaplama açısından eğitimden çok daha ucuzdur: bunu bir araya getirmek yerine bir kart kataloğuna göz atmak gibi düşünün. Büyük modellerin hala süper bilgisayarlarda ve GPU'larda çalışması gerekir, ancak daha küçük modeller akıllı telefonlarda veya daha basit cihazlarda çalışabilir.
Üretken Yapay Zeka
Herkes, resimler veya metin gibi ham çıktılar üreten yapay zeka modellerini ifade eden geniş bir terim olan üretken yapay zekadan bahsediyor. Bazı YZ'ler özetler, bazıları yeniden organize eder, bazıları tanır, vb. Ancak gerçekten bir şey üreten ("yaratıp yaratmadığı" tartışmalı olan) YZ'ler şu anda özellikle popülerdir. Unutmayın, yapay zeka bir şeyi üretti diye onun doğru olduğu, hatta gerçeği yansıttığı anlamına gelmez! Bir hikaye ya da bir resim gibi, sen onu isteyene kadar var olmaz.
Şu anda sıcak sözler
Temel bilgilerin ötesinde, 2023 ortası için en alakalı yapay zeka terimleri burada.
Büyük Dil Modeli (LLM)
Büyük ölçekli dil modelleri, günümüzde yapay zekanın en etkili ve yaygın olarak kullanılan biçimidir.Büyük ölçekli dil modelleri, web'i oluşturan neredeyse tüm metinler ve İngilizce literatürün çoğu üzerinde eğitilir. Tüm bunların alınması, büyük bir temel modelle sonuçlanır (okumaya devam edin). LLM'ler, ChatGPT, Claude ve LLaMa gibi araçların kanıtladığı gibi, doğal dilde sohbet edip soruları yanıtlayabilir ve çeşitli stil ve türlerdeki yazılı belgeleri taklit edebilir.
Bu modeller şüphesiz etkileyici olmakla birlikte, yine de örüntü tanıma motorları olduklarını ve bir soruyu yanıtlarken, örüntü gerçeği yansıtsın ya da yansıtmasın, belirlediği örüntüyü tamamlamaya çalıştıklarını unutmamak gerekir. LLM'ler, kısaca ele alacağımız gibi, genellikle cevaplarında halüsinasyon görürler.
LLM ve ChatGPT hakkında daha fazla bilgi edinmek istiyorsanız, buraya tıklayın.
Temel Modeli
Devasa bir veri setinde sıfırdan devasa bir modeli eğitmek pahalı ve karmaşıktır, dolayısıyla yapmanız gerekenden fazlasını yapmak istemezsiniz. Temel modeller, süper bilgisayarların çalışmasını gerektiren sıfırdan büyük modellerdir, ancak genellikle parametre sayısını azaltarak daha küçük kaplara indirgenebilirler. Bunları, modelin işlemesi gereken, bugünlerde milyonlara, milyarlara ve hatta trilyonlara ulaşabilen toplam nokta sayısı olarak düşünebilirsiniz.
ince ayar
GPT-4 gibi bir temel model akıllıdır, ancak aynı zamanda tasarımı gereği bir genelcidir - Dickens'tan Wittgenstein'a ve Dungeons and Dragons kurallarına kadar her şeyi özümser, ancak Özgeçmişinize dayalı olmasını istiyorsanız bir ön yazı yazın, bunlar kullanışsız. Neyse ki, özel bir veri kümesi kullanarak model üzerinde bazı ek eğitimler yaparak modelde ince ayar yapmak mümkündür. Örneğin, birkaç bin iş başvurusu oluyor. Bu, modele, eğitim verilerinin geri kalanından topladığı genel bilgileri göz ardı etmeden o alanda kullanıcıya nasıl yardım edebileceğini daha iyi anlamasını sağlar.
İnsan Geri Bildiriminden Takviyeli Öğrenim (RLHF), hakkında çok şey duyacağınız özel bir ince ayar türüdür - iletişim becerilerini geliştirmek için LLM'lerle etkileşime giren insanlardan alınan verileri kullanır.
Difüzyon
*Gelişmiş post-difüzyon teknikleriyle ilgili bir makaleden, çok gürültülü verilerden görüntülerin nasıl çoğaltılacağını görebilirsiniz. *
Görüntü oluşturma çeşitli şekillerde yapılabilir, ancak açık ara en başarılı olanı difüzyondur; bu teknik, Stable Diffusion, Midjourney ve diğer popüler üretici yapay zekaların kalbinde yer alan tekniktir. Difüzyon modeli, orijinal görüntüden geriye hiçbir şey kalmayana kadar dijital gürültü eklenerek kademeli olarak bozulan görüntüleri göstererek eğitilir. Bunu gözlemleyerek, difüzyon modeli, keyfi olarak tanımlanmış bir görüntü oluşturmak için saf gürültüye kademeli olarak ayrıntı ekleyerek işlemi tersine gerçekleştirmeyi de öğrenir. Grafikte bunun ötesine geçmeye başladık, ancak teknoloji sağlam ve anlaşılması nispeten kolay, bu yüzden oldukça hızlı bir şekilde yok olacak.
Halüsinasyon
Başlangıçta bu, eğitimdeki bazı görüntülerin alakasız çıktılara kayması sorunuydu, örneğin eğitim setinde köpek görüntülerinin aşırı yaygınlığı nedeniyle binaların köpeklerden yapılmış gibi görünmesi. AI'nın artık halüsinasyon gördüğü söyleniyor çünkü eğitim setinde yeterli veya çelişkili veri yok, sadece bir şeyler uyduruyor.
Orijinal ve hatta türev sanat yaratması istenen bir yapay zeka halüsinasyon görüyor. Örneğin, bir LLM'ye Yogi Berra tarzında bir aşk şiiri yazması söylenebilir ve veri setinde böyle bir şey olmamasına rağmen bunu seve seve yapar. Ancak gerçeklere dayalı bir yanıt gerektiğinde bu bir sorun olabilir; model kendinden emin bir şekilde yarı gerçek, yarı yanılsamalı bir yanıt sunacaktır. Şu anda hangisinin kendiniz kontrol etmekten başka kolay bir yolu yok, çünkü modelin kendisi aslında neyin "doğru" veya "yanlış" olduğunu bilmiyor, sadece bir kalıbı elinden geldiğince tamamlamaya çalışıyor.
AGI veya Güçlü Yapay Zeka
Yapay Genel Zeka (AGI) veya Güçlü Yapay Zeka, gerçekten iyi tanımlanmış bir kavram değildir, ancak en basit açıklama, yalnızca insanların yaptıklarını yapmakla kalmayıp, aynı zamanda bizim gibi olmak için de yeterince güçlü bir zeka olduğudur. kendin. Bazıları, bu öğrenme döngüsünün, bu fikirleri bütünleştirmenin ve ardından öğrenmenin ve daha hızlı büyümenin, kısıtlanamayan veya kontrol edilemeyen bir süper zeki sisteme yol açacak kendi kendini devam ettiren bir döngü olacağından endişe ediyor. Hatta bazıları bu olasılığı önlemek için çalışmaların ertelenmesini veya sınırlandırılmasını önermiştir.
Bu korkunç bir düşünce. Matrix ve Terminatör gibi filmler, yapay zekanın kontrolden çıkıp insanlığı yok etmeye veya köleleştirmeye çalışması durumunda neler olabileceğini araştırdı. Ancak bu hikayeler gerçekliğe dayanmıyor. ChatGPT gibi şeylerde gördüğümüz zeka görünümü etkileyicidir, ancak "gerçek" zekayla ilişkilendirdiğimiz soyut akıl yürütme ve dinamik çok alanlı etkinlikle çok az ortak noktası vardır.
Gelecekteki gelişmeleri tahmin etmek neredeyse imkansız olsa da, AGI'yi yıldızlararası uzay yolculuğu olarak hayal etmek yardımcı olabilir: hepimiz kavramı anlıyoruz ve onun için çalışıyor gibi görünüyoruz, ancak aynı zamanda, başarmak için daha gidilecek çok yol var. BT. Tıpkı AGI gibi, büyük kaynaklar ve gereken temel bilimsel ilerleme nedeniyle hiç kimse bunu tesadüfen yapmaz!
AGI hakkında düşünmek eğlenceli, ancak sorun çıkarmaya gerek yok çünkü yorumcuların işaret ettiği gibi, sınırlamalarına rağmen, yapay zeka bugün zaten gerçek ve önemli bir tehdit oluşturuyor. Kimse Skynet'i istemiyor ama gerçek zarar vermek için nükleer silahlı bir süper zekaya ihtiyacınız yok: İnsanlar bugün işlerini kaybediyor ve dolandırılıyor. Bu sorunları çözemezsek, T-1000'e karşı ne şansımız var?
Yapay Zekada En İyi Oyuncular
Açık AI
İmaj kredisi: Leon Neal/Getty Images
AI'da bir hane adı varsa, bu OpenAI'dir. OpenAI, adından da anlaşılacağı gibi, araştırma yapmayı ve sonuçları az çok kamuya açık hale getirmeyi amaçlayan bir kuruluştur. O zamandan beri, API'ler ve uygulamalar aracılığıyla ChatGPT gibi gelişmiş dil modellerine erişim sağlayan daha geleneksel, kâr amacı gütmeyen bir şirket olarak yeniden yapılandırıldı. Buna rağmen yapay zekanın olası riskleri konusunda alarm veren tekno-milyarder Sam Altman tarafından yönetiliyor. OpenAI, LLM'ler alanında tanınmış bir liderdir, ancak diğer alanlarda da araştırma yapmaktadır.
microsoft
Tahmin edebileceğiniz gibi, Microsoft yapay zeka araştırmasında üzerine düşeni yaptı, ancak diğer şirketler gibi deneylerini büyük ürünlere dönüştürme konusunda az çok başarısız oldu. En akıllı hamlesi, OpenAI'ye yaptığı erken yatırımdı ve bu, şu anda Bing konuşma aracılarına güç veren şirketle uzun vadeli özel bir ortaklığa yol açtı. Kendi katkıları daha küçük ve daha az doğrudan uygulanabilir olsa da, şirketin önemli bir araştırma gücü var.
Google
Ay çekimleriyle tanınan Google, araştırmacıları günümüzün yapay zeka patlamasına doğrudan yol açan teknolojiyi icat etmiş olsa da, bir şekilde yapay zeka fırsatını kaçırdı: Transformers. Şimdi kendi LLM'lerini ve diğer temsilcilerini geliştirmeye çalışıyor, ancak son on yılın çoğunu modası geçmiş yapay zeka "sanal asistanlar" kavramını zorlayarak geçirdikten sonra açıkça arayı kapatıyor. CEO Sundar Pichai, şirketin arama ve üretkenlik konusunda yapay zekanın arkasında olduğunu defalarca söyledi.
antropik
OpenAI'nin açıklıktan ayrılmasının ardından Dario ve Daniela Amodei, açık ve etik açıdan düşünceli bir AI araştırma organizasyonu rolünü doldurma niyetiyle Anthropic'i başlatmak için bıraktılar. Ellerindeki nakit miktarıyla, modelleri (Claude gibi) henüz o kadar popüler veya iyi bilinmese bile, OpenAI için ciddi rakipler.
İmaj kredisi: Bryce Durbin/TechCrunch
İstikrar
Tartışmalı ama kaçınılmaz olan Stability, internetteki her şeyi toplayan ve çalıştıracak donanıma sahip olmanız koşuluyla, eğittiği üretken AI modellerini ücretsiz olarak kullanıma sunan "ne istersen" AI uygulamalarının açık kaynaklı türünü temsil eder. Bu, "bilgi özgür olmak ister" felsefesine çok iyi uyuyor, ancak aynı zamanda pornografik görüntüler oluşturmak ve fikri mülkiyeti izinsiz (bazen aynı anda) kullanmak gibi etik açıdan şüpheli projeleri de hızlandırıyor.
Elon Musk
Musk bir istisna değildi, kontrolden çıkmış yapay zeka hakkındaki endişelerini açıkça dile getirdi ve OpenAI'ye yaptığı erken katkılardan sonra bazı ekşi üzümler hoşlanmadığı yönlere gitti. Musk bu konuda uzman olmasa da, her zamanki gibi, maskaralıkları ve yorumları çok konuşuluyor (yukarıda bahsedilen "AI duraklatma" mektubunun imzacısı) ve kendi araştırma varlığını oluşturmaya çalışıyor.
View Original
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
AI Rehberi: AI'daki temel kavramlara ve en iyi oyunculara bir bakış
Kaynak: Techcrunch
Derleme: Babbitt
Yapay zeka (AI), müzik ve medyadan iş ve üretkenliğe ve hatta flört etmeye kadar modern yaşamın her köşesinde görünüyor. O kadar çok şey var ki yetişmesi zor. Bu makale, AI'daki en son büyük gelişmelerden, bu hızlı hareket eden alandaki son gelişmelerden haberdar olmak için bilmeniz gereken terimler ve şirketlere kadar her şeyi kapsayacaktır.
İlk olarak, yapay zeka nedir?
Makine öğrenimi olarak da bilinen yapay zeka, aslında onlarca yıl önce öncülük edilen ancak son zamanlarda güçlü yeni bilgi işlem kaynakları sayesinde gelişen bir teknik olan sinir ağlarına dayalı bir yazılım sistemidir. Şu anda yapay zeka, etkili konuşma ve görüntü tanımanın yanı sıra sentetik görüntüler ve konuşma üretme becerisi elde etti. Araştırmacılar, web'de gezinme, bilet sipariş etme, tariflerde ince ayar yapma ve daha fazlasını yapabilen yapay zeka yapmak için çalışıyorlar.
Ancak, makinelerin Matrix benzeri bir yükselişinden endişe ediyorsanız - endişelenmeyin. Bunun hakkında daha sonra konuşacağız!
Bu yapay zeka kılavuzu iki ana bölümden oluşur:
AI 101
AI ile ilgili çılgınca şeylerden biri, temel kavramları 50 yılı aşkın bir süre öncesine dayansa da, yakın zamana kadar teknolojiden anlayan çok az kişinin bile kavramlarına aşina olmasıdır. Bu yüzden kaybolmuş hissediyorsanız endişelenmeyin - herkes öyledir.
Baştan bir şeyi açıklığa kavuşturalım: Adı "yapay zeka" olsa da, bu terim biraz yanıltıcıdır. Şu anda zekanın birleşik bir tanımı yoktur, ancak bu sistemlerin yaptığı şey kesinlikle bir beyinden çok bir hesap makinesine daha yakındır, tek fark bu hesap makinesinin girdi ve çıktısının daha esnek olmasıdır. AI bir "Yapay Hindistan Cevizi" gibi olabilir - bu taklit zekadır.
Aşağıdakiler, AI ile ilgili herhangi bir tartışmada bulacağınız temel terimlerdir.
Nöral ağlar
Beynimiz büyük ölçüde, görevleri yerine getiren ve bilgi depolayan karmaşık ağlar oluşturmak için birbirine bağlanan nöron adı verilen birbirine bağlı hücrelerden oluşur. İnsanlar 1960'lardan beri yazılımda bu harika sistemi yeniden yaratmaya çalışıyorlar, ancak gereken işlem gücü, GPU'ların sayısal olarak tanımlanmış sinir ağlarının gelişmesine izin verdiği 15-20 yıl öncesine kadar yaygın olarak mevcut değildi.
Temel olarak, bunlar sadece çok sayıda nokta ve çizgidir: noktalar verilerdir ve çizgiler, bu değerler arasındaki istatistiksel ilişkilerdir. Beyinde olduğu gibi, bu, hızla bir girdi alan, bunu ağdan geçiren ve bir çıktı üreten çok işlevli bir sistem yaratabilir. Bu sisteme model denir.
Modeli
Model, girdi alan ve çıktı veren gerçek kod koleksiyonudur. Terminolojideki istatistiksel modellere veya karmaşık doğal süreçleri simüle eden modelleme sistemlerine benzerlik tesadüfi değildir. Yapay zekada bir model, ne yaptığına veya ürettiğine bakılmaksızın ChatGPT gibi eksiksiz bir sisteme veya hemen hemen her yapay zekaya veya makine öğrenimi yapısına atıfta bulunabilir. Modeller çeşitli boyutlarda gelir; bu, ne kadar depolama alanı kapladıkları ve çalıştırmak için ne kadar bilgi işlem gücüne ihtiyaç duydukları anlamına gelir. Ve hepsi modelin nasıl eğitildiğine bağlı.
tren
Bir AI modeli oluşturmak için, sistemin temelini oluşturan sinir ağları, veri seti veya korpus adı verilen bir grup bilgiye maruz kalır. Bunu yaparken, bu geniş ağlar, bu verilerin istatistiksel bir temsilini oluşturur. Bu eğitim süreci, hesaplama açısından en yoğun olanıdır, yani devasa, yüksek güçlü bilgisayarlarda haftalar veya aylar sürer. Bunun nedeni yalnızca ağların karmaşık olması değil, aynı zamanda veri setlerinin çok büyük olabilmesidir: milyarlarca kelime veya görüntünün analiz edilmesi ve devasa istatistiksel modellerde temsil edilmesi gerekir. Öte yandan, bir model bir kez eğitildiğinde, çıkarım adı verilen bir işlemle çok daha küçük ve daha az talepkar olarak kullanılabilir.
Çıkarım
Model gerçekten işe yaradığında buna çıkarım diyoruz ve kelimenin geleneksel anlamı çok fazla: mevcut kanıtlar hakkında akıl yürüterek bir sonuç belirtmek. Tabii ki, bu tam olarak "çıkarım" değildir, ancak aldığı verilerdeki noktaları istatistiksel olarak birleştirir ve aslında bir sonraki noktayı tahmin eder. Örneğin, "şu sırayı tamamla: kırmızı, turuncu, sarı..." deyin, bu kelimelerin aldığı listenin başına, yani gökkuşağının renklerine karşılık geldiğini bulacaktır ve bir sonraki öğeyi tahmin edene kadar tahminde bulunacaktır. liste bölümünün geri kalanını üretti.
Çıkarım genellikle hesaplama açısından eğitimden çok daha ucuzdur: bunu bir araya getirmek yerine bir kart kataloğuna göz atmak gibi düşünün. Büyük modellerin hala süper bilgisayarlarda ve GPU'larda çalışması gerekir, ancak daha küçük modeller akıllı telefonlarda veya daha basit cihazlarda çalışabilir.
Üretken Yapay Zeka
Herkes, resimler veya metin gibi ham çıktılar üreten yapay zeka modellerini ifade eden geniş bir terim olan üretken yapay zekadan bahsediyor. Bazı YZ'ler özetler, bazıları yeniden organize eder, bazıları tanır, vb. Ancak gerçekten bir şey üreten ("yaratıp yaratmadığı" tartışmalı olan) YZ'ler şu anda özellikle popülerdir. Unutmayın, yapay zeka bir şeyi üretti diye onun doğru olduğu, hatta gerçeği yansıttığı anlamına gelmez! Bir hikaye ya da bir resim gibi, sen onu isteyene kadar var olmaz.
Şu anda sıcak sözler
Temel bilgilerin ötesinde, 2023 ortası için en alakalı yapay zeka terimleri burada.
Büyük Dil Modeli (LLM)
Büyük ölçekli dil modelleri, günümüzde yapay zekanın en etkili ve yaygın olarak kullanılan biçimidir.Büyük ölçekli dil modelleri, web'i oluşturan neredeyse tüm metinler ve İngilizce literatürün çoğu üzerinde eğitilir. Tüm bunların alınması, büyük bir temel modelle sonuçlanır (okumaya devam edin). LLM'ler, ChatGPT, Claude ve LLaMa gibi araçların kanıtladığı gibi, doğal dilde sohbet edip soruları yanıtlayabilir ve çeşitli stil ve türlerdeki yazılı belgeleri taklit edebilir.
Bu modeller şüphesiz etkileyici olmakla birlikte, yine de örüntü tanıma motorları olduklarını ve bir soruyu yanıtlarken, örüntü gerçeği yansıtsın ya da yansıtmasın, belirlediği örüntüyü tamamlamaya çalıştıklarını unutmamak gerekir. LLM'ler, kısaca ele alacağımız gibi, genellikle cevaplarında halüsinasyon görürler.
LLM ve ChatGPT hakkında daha fazla bilgi edinmek istiyorsanız, buraya tıklayın.
Temel Modeli
Devasa bir veri setinde sıfırdan devasa bir modeli eğitmek pahalı ve karmaşıktır, dolayısıyla yapmanız gerekenden fazlasını yapmak istemezsiniz. Temel modeller, süper bilgisayarların çalışmasını gerektiren sıfırdan büyük modellerdir, ancak genellikle parametre sayısını azaltarak daha küçük kaplara indirgenebilirler. Bunları, modelin işlemesi gereken, bugünlerde milyonlara, milyarlara ve hatta trilyonlara ulaşabilen toplam nokta sayısı olarak düşünebilirsiniz.
ince ayar
GPT-4 gibi bir temel model akıllıdır, ancak aynı zamanda tasarımı gereği bir genelcidir - Dickens'tan Wittgenstein'a ve Dungeons and Dragons kurallarına kadar her şeyi özümser, ancak Özgeçmişinize dayalı olmasını istiyorsanız bir ön yazı yazın, bunlar kullanışsız. Neyse ki, özel bir veri kümesi kullanarak model üzerinde bazı ek eğitimler yaparak modelde ince ayar yapmak mümkündür. Örneğin, birkaç bin iş başvurusu oluyor. Bu, modele, eğitim verilerinin geri kalanından topladığı genel bilgileri göz ardı etmeden o alanda kullanıcıya nasıl yardım edebileceğini daha iyi anlamasını sağlar.
İnsan Geri Bildiriminden Takviyeli Öğrenim (RLHF), hakkında çok şey duyacağınız özel bir ince ayar türüdür - iletişim becerilerini geliştirmek için LLM'lerle etkileşime giren insanlardan alınan verileri kullanır.
Difüzyon
Görüntü oluşturma çeşitli şekillerde yapılabilir, ancak açık ara en başarılı olanı difüzyondur; bu teknik, Stable Diffusion, Midjourney ve diğer popüler üretici yapay zekaların kalbinde yer alan tekniktir. Difüzyon modeli, orijinal görüntüden geriye hiçbir şey kalmayana kadar dijital gürültü eklenerek kademeli olarak bozulan görüntüleri göstererek eğitilir. Bunu gözlemleyerek, difüzyon modeli, keyfi olarak tanımlanmış bir görüntü oluşturmak için saf gürültüye kademeli olarak ayrıntı ekleyerek işlemi tersine gerçekleştirmeyi de öğrenir. Grafikte bunun ötesine geçmeye başladık, ancak teknoloji sağlam ve anlaşılması nispeten kolay, bu yüzden oldukça hızlı bir şekilde yok olacak.
Halüsinasyon
Başlangıçta bu, eğitimdeki bazı görüntülerin alakasız çıktılara kayması sorunuydu, örneğin eğitim setinde köpek görüntülerinin aşırı yaygınlığı nedeniyle binaların köpeklerden yapılmış gibi görünmesi. AI'nın artık halüsinasyon gördüğü söyleniyor çünkü eğitim setinde yeterli veya çelişkili veri yok, sadece bir şeyler uyduruyor.
Orijinal ve hatta türev sanat yaratması istenen bir yapay zeka halüsinasyon görüyor. Örneğin, bir LLM'ye Yogi Berra tarzında bir aşk şiiri yazması söylenebilir ve veri setinde böyle bir şey olmamasına rağmen bunu seve seve yapar. Ancak gerçeklere dayalı bir yanıt gerektiğinde bu bir sorun olabilir; model kendinden emin bir şekilde yarı gerçek, yarı yanılsamalı bir yanıt sunacaktır. Şu anda hangisinin kendiniz kontrol etmekten başka kolay bir yolu yok, çünkü modelin kendisi aslında neyin "doğru" veya "yanlış" olduğunu bilmiyor, sadece bir kalıbı elinden geldiğince tamamlamaya çalışıyor.
AGI veya Güçlü Yapay Zeka
Yapay Genel Zeka (AGI) veya Güçlü Yapay Zeka, gerçekten iyi tanımlanmış bir kavram değildir, ancak en basit açıklama, yalnızca insanların yaptıklarını yapmakla kalmayıp, aynı zamanda bizim gibi olmak için de yeterince güçlü bir zeka olduğudur. kendin. Bazıları, bu öğrenme döngüsünün, bu fikirleri bütünleştirmenin ve ardından öğrenmenin ve daha hızlı büyümenin, kısıtlanamayan veya kontrol edilemeyen bir süper zeki sisteme yol açacak kendi kendini devam ettiren bir döngü olacağından endişe ediyor. Hatta bazıları bu olasılığı önlemek için çalışmaların ertelenmesini veya sınırlandırılmasını önermiştir.
Bu korkunç bir düşünce. Matrix ve Terminatör gibi filmler, yapay zekanın kontrolden çıkıp insanlığı yok etmeye veya köleleştirmeye çalışması durumunda neler olabileceğini araştırdı. Ancak bu hikayeler gerçekliğe dayanmıyor. ChatGPT gibi şeylerde gördüğümüz zeka görünümü etkileyicidir, ancak "gerçek" zekayla ilişkilendirdiğimiz soyut akıl yürütme ve dinamik çok alanlı etkinlikle çok az ortak noktası vardır.
Gelecekteki gelişmeleri tahmin etmek neredeyse imkansız olsa da, AGI'yi yıldızlararası uzay yolculuğu olarak hayal etmek yardımcı olabilir: hepimiz kavramı anlıyoruz ve onun için çalışıyor gibi görünüyoruz, ancak aynı zamanda, başarmak için daha gidilecek çok yol var. BT. Tıpkı AGI gibi, büyük kaynaklar ve gereken temel bilimsel ilerleme nedeniyle hiç kimse bunu tesadüfen yapmaz!
AGI hakkında düşünmek eğlenceli, ancak sorun çıkarmaya gerek yok çünkü yorumcuların işaret ettiği gibi, sınırlamalarına rağmen, yapay zeka bugün zaten gerçek ve önemli bir tehdit oluşturuyor. Kimse Skynet'i istemiyor ama gerçek zarar vermek için nükleer silahlı bir süper zekaya ihtiyacınız yok: İnsanlar bugün işlerini kaybediyor ve dolandırılıyor. Bu sorunları çözemezsek, T-1000'e karşı ne şansımız var?
Yapay Zekada En İyi Oyuncular
Açık AI
AI'da bir hane adı varsa, bu OpenAI'dir. OpenAI, adından da anlaşılacağı gibi, araştırma yapmayı ve sonuçları az çok kamuya açık hale getirmeyi amaçlayan bir kuruluştur. O zamandan beri, API'ler ve uygulamalar aracılığıyla ChatGPT gibi gelişmiş dil modellerine erişim sağlayan daha geleneksel, kâr amacı gütmeyen bir şirket olarak yeniden yapılandırıldı. Buna rağmen yapay zekanın olası riskleri konusunda alarm veren tekno-milyarder Sam Altman tarafından yönetiliyor. OpenAI, LLM'ler alanında tanınmış bir liderdir, ancak diğer alanlarda da araştırma yapmaktadır.
microsoft
Tahmin edebileceğiniz gibi, Microsoft yapay zeka araştırmasında üzerine düşeni yaptı, ancak diğer şirketler gibi deneylerini büyük ürünlere dönüştürme konusunda az çok başarısız oldu. En akıllı hamlesi, OpenAI'ye yaptığı erken yatırımdı ve bu, şu anda Bing konuşma aracılarına güç veren şirketle uzun vadeli özel bir ortaklığa yol açtı. Kendi katkıları daha küçük ve daha az doğrudan uygulanabilir olsa da, şirketin önemli bir araştırma gücü var.
Google
Ay çekimleriyle tanınan Google, araştırmacıları günümüzün yapay zeka patlamasına doğrudan yol açan teknolojiyi icat etmiş olsa da, bir şekilde yapay zeka fırsatını kaçırdı: Transformers. Şimdi kendi LLM'lerini ve diğer temsilcilerini geliştirmeye çalışıyor, ancak son on yılın çoğunu modası geçmiş yapay zeka "sanal asistanlar" kavramını zorlayarak geçirdikten sonra açıkça arayı kapatıyor. CEO Sundar Pichai, şirketin arama ve üretkenlik konusunda yapay zekanın arkasında olduğunu defalarca söyledi.
antropik
OpenAI'nin açıklıktan ayrılmasının ardından Dario ve Daniela Amodei, açık ve etik açıdan düşünceli bir AI araştırma organizasyonu rolünü doldurma niyetiyle Anthropic'i başlatmak için bıraktılar. Ellerindeki nakit miktarıyla, modelleri (Claude gibi) henüz o kadar popüler veya iyi bilinmese bile, OpenAI için ciddi rakipler.
İstikrar
Tartışmalı ama kaçınılmaz olan Stability, internetteki her şeyi toplayan ve çalıştıracak donanıma sahip olmanız koşuluyla, eğittiği üretken AI modellerini ücretsiz olarak kullanıma sunan "ne istersen" AI uygulamalarının açık kaynaklı türünü temsil eder. Bu, "bilgi özgür olmak ister" felsefesine çok iyi uyuyor, ancak aynı zamanda pornografik görüntüler oluşturmak ve fikri mülkiyeti izinsiz (bazen aynı anda) kullanmak gibi etik açıdan şüpheli projeleri de hızlandırıyor.
Elon Musk
Musk bir istisna değildi, kontrolden çıkmış yapay zeka hakkındaki endişelerini açıkça dile getirdi ve OpenAI'ye yaptığı erken katkılardan sonra bazı ekşi üzümler hoşlanmadığı yönlere gitti. Musk bu konuda uzman olmasa da, her zamanki gibi, maskaralıkları ve yorumları çok konuşuluyor (yukarıda bahsedilen "AI duraklatma" mektubunun imzacısı) ve kendi araştırma varlığını oluşturmaya çalışıyor.