ໃກ້
ຈາກການຄົ້ນຄວ້າທາງວິຊາການຈົນເຖິງສາຍການຜະລິດ: ວິວັດທະນາການ, ຈຸດປ່ຽນ, ຂໍ້ຈຳກັດ ແລະ ການນຳໃຊ້ AI ຢ່າງເປັນຮູບປະທຳໃນການຜະລິດຮ່ວມສະໄໝ ເຊັ່ນດຽວກັນກັບໃນວິສາຫະກິດຂະໜາດນ້ອຍ ແລະ ຂະໜາດກາງ
ເມື່ອຢູ່ໃນບໍລິສັດທີ່ພວກເຮົາລົມກັນກ່ຽວກັບ ປັນຍາປະດິດທີ່ນຳໃຊ້ກັບການບຳລຸງຮັກສາພືດແບບຄາດເດົາຢູ່ ການຄວບຄຸມຄຸນນະພາບອັດຕະໂນມັດຂອງຂະບວນການຜະລິດ ຫຼືການວິເຄາະຂໍ້ມູນການຜະລິດ, ມັນມັກຈະເກີດຂຶ້ນວ່າພວກເຮົາຮູ້ວ່າພວກເຮົາຮູ້ໜ້ອຍແທ້ໆກ່ຽວກັບປະຫວັດສາດຂອງມັນ. ຄວາມປະທັບໃຈນີ້, ເຊິ່ງໄດ້ຮັບແຮງກະຕຸ້ນຈາກການແຜ່ກະຈາຍຢ່າງໄວວາຂອງ ເຄື່ອງມືສ້າງ ໃນຊຸມປີມໍ່ໆມານີ້, ບາງຄັ້ງ AI ໄດ້ປະກົດຕົວຂຶ້ນຢ່າງກະທັນຫັນ, ເປັນຜົນສະທ້ອນໂດຍກົງຂອງ ຮູບແບບພາສາສາດທີ່ຍິ່ງໃຫຍ່ ແລະເວທີທີ່ສາມາດເຂົ້າເຖິງໄດ້ໂດຍສາທາລະນະຊົນທົ່ວໄປ.
ໃນຄວາມເປັນຈິງ, ສິ່ງທີ່ພວກເຮົາເອີ້ນໃນມື້ນີ້ “AI” ມັນເປັນຜົນມາຈາກການເດີນທາງທີ່ຍາວນານກວ່າ, ເຊິ່ງໝາຍເຖິງ ຄວາມເຂົ້າໃຈທາງທິດສະດີ, ຄວາມກະຕືລືລົ້ນ, ຄວາມລົ້ມເຫຼວ, ຂໍ້ຈຳກັດທາງດ້ານເຕັກໂນໂລຊີ, ສະຖາປັດຕະຍະກຳຄອມພິວເຕີແບບໃໝ່ ແລະ ການເພີ່ມຂຶ້ນເທື່ອລະກ້າວໃນຄວາມສາມາດໃນການປະມວນຜົນ. ຢູ່ເບື້ອງຫຼັງລະບົບທີ່ມີຄວາມສາມາດ ຮັບຮູ້ຂໍ້ບົກຜ່ອງຂອງອົງປະກອບການຄາດຄະເນຄວາມຜິດປົກກະຕິໃນເຄື່ອງຈັກ ຫຼື ການຊ່ວຍເຫຼືອບໍລິສັດໃນການຄຸ້ມຄອງຂໍ້ມູນ, ມີການຄົ້ນຄວ້າວິທະຍາສາດຄະນິດສາດ ແລະ ຄອມພິວເຕີຫຼາຍທົດສະວັດ, ແຕ່ຍັງມີນະວັດຕະກໍາທີ່ເກີດຂຶ້ນໃນຂົງເຂດທີ່ເບິ່ງຄືວ່າຢູ່ໄກ, ເຊັ່ນ ກຣາບຟິກດິຈິຕອນ ແລະໄດ້ອຸດສາຫະກຳວິດີໂອເກມ.
ທັດສະນະທາງປະຫວັດສາດນີ້ແມ່ນມີຄວາມສຳຄັນເປັນພິເສດເມື່ອ AI ເຂົ້າສູ່ໂຮງງານການແຍກສິ່ງທີ່ເປັນໄປໄດ້ທາງດ້ານເຕັກນິກອອກຈາກສິ່ງທີ່ຍັງເປັນຂອງຄວາມຄາດຫວັງ ຫຼື ການເລົ່າເລື່ອງທາງການຄ້າຊ່ວຍໃຫ້ພວກເຮົາສາມາດເລືອກເຄື່ອງມືທີ່ເໝາະສົມ, ເຂົ້າໃຈຂໍ້ຈຳກັດຂອງພວກມັນ ແລະ ປະເມີນພວກມັນໄດ້ຢ່າງຊັດເຈນຍິ່ງຂຶ້ນ. ຄ່າໃຊ້ຈ່າຍ, ຜົນປະໂຫຍດ, ຄວາມສ່ຽງ ແລະ ຄວາມຮັບຜິດຊອບ.
ເຖິງຢ່າງໃດກໍ່ຕາມ, ການເຂົ້າໃຈວ່າປັນຍາປະດິດມາຈາກໃສນັ້ນຊ່ວຍໃຫ້ເຂົ້າໃຈໄດ້ດີກວ່າ ສິ່ງທີ່ມັນສາມາດເຮັດໄດ້ຢ່າງແທ້ຈິງໃນມື້ນີ້, ແລະສິ່ງທີ່ມັນບໍ່ສາມາດເຮັດໄດ້, ເຖິງແມ່ນວ່າໃນຂະແໜງການທີ່ເປັນຮູບປະທຳເຊັ່ນ: ການຜະລິດ. ດັ່ງນັ້ນ, ການຮູ້ຕົ້ນກຳເນີດຂອງມັນໝາຍເຖິງບໍ່ພຽງແຕ່ການສ້າງປະຫວັດສາດດ້ານເຕັກໂນໂລຢີຄືນໃໝ່ເທົ່ານັ້ນ, ແຕ່ຍັງລວມທັງການໄດ້ຮັບເຄື່ອງມືທີ່ດີກວ່າເພື່ອຕັດສິນໃຈວ່າຈະນຳສະເໜີມັນແນວໃດ ຂະບວນການຜະລິດ ໂດຍບໍ່ຕ້ອງປ່ຽນເທັກໂນໂລຢີທີ່ມີພະລັງໃຫ້ກາຍເປັນຄຳສັນຍາທີ່ບໍ່ຊັດເຈນ.
ອາລັນ ທູຣິງ ແລະ ດາດເມົາ: ຄຳຖາມທີ່ກະຕຸ້ນວິໄນ
ທັງໝົດເລີ່ມຕົ້ນໃນປີ 1950, ເມື່ອນັກຄະນິດສາດຊາວອັງກິດ Alan Turing ໄດ້ເຜີຍແຜ່ບົດຄວາມ "Computing Machinery and Intelligence," ເຊິ່ງລາວໄດ້ກ່າວເຖິງຄຳຖາມທີ່ວ່າເຄື່ອງຈັກສາມາດຄິດໄດ້ຫຼືບໍ່. ໃນນັ້ນ, ລາວໄດ້ສະເໜີສິ່ງທີ່ຈະກາຍເປັນທີ່ຮູ້ຈັກກັນໃນນາມ ທົດສອບ Turing, ໂດຍອີງໃສ່ແນວຄວາມຄິດຂອງການປະເມີນເຄື່ອງຈັກຜ່ານຄວາມສາມາດໃນການຮັກສາການພົວພັນທາງພາສາທີ່ບໍ່ສາມາດແຍກອອກຈາກກັນໄດ້, ສຳລັບຜູ້ສົນທະນາທີ່ເປັນມະນຸດ, ຈາກສິ່ງນັ້ນກັບບຸກຄົນອື່ນ.
ການເກີດຂອງປັນຍາປະດິດທີ່ແທ້ຈິງໃນຖານະເປັນສາຂາວິຊາໜຶ່ງໄດ້ເກີດຂຶ້ນຫົກປີຕໍ່ມາ. ໃນລະດູຮ້ອນປີ 1956, ທີ່ວິທະຍາໄລ Dartmouth, John McCarthy, ພ້ອມກັບ Marvin Minsky, Nathaniel Rochester ຈາກ IBM, ແລະ Claude Shannon ຈາກ Bell Labs, ໄດ້ຈັດໂຄງການຄົ້ນຄວ້າທີ່ຈະກາຍເປັນຈຸດສຳຄັນໃນປະຫວັດສາດຂອງວິທະຍາສາດຄອມພິວເຕີ. ມັນແມ່ນຢູ່ໃນຂໍ້ສະເໜີທີ່ກະກຽມໄວ້ສຳລັບການລິເລີ່ມດັ່ງກ່າວທີ່ McCarthy ໄດ້ໃຊ້ຄຳວ່າ "ປັນຍາປະດິດ":
"ໂດຍຫຼັກການແລ້ວ, ລັກສະນະໃດໆຂອງການຮຽນຮູ້ ຫຼື ລັກສະນະອື່ນໆຂອງສະຕິປັນຍາສາມາດອະທິບາຍໄດ້ຢ່າງແມ່ນຍຳ ຈົນເຄື່ອງຈັກສາມາດຈຳລອງມັນໄດ້."
ຄຳໝັ້ນສັນຍາໃນເບື້ອງຕົ້ນ, ການຫຼຸດຜ່ອນເງິນທຶນ, ຄວາມສົງໄສທີ່ເພີ່ມຂຶ້ນ
ຄວາມກະຕືລືລົ້ນໃນເບື້ອງຕົ້ນໄດ້ປະທະກັບຂໍ້ຈຳກັດດ້ານເຕັກໂນໂລຊີຂອງເວລາ ແລະ ຄວາມຄາດຫວັງທີ່ຄວາມສາມາດທີ່ມີຢູ່ບໍ່ສາມາດຕອບສະໜອງໄດ້. ໃນປີ 1969, Marvin Minsky ແລະ Seymour Papert ໄດ້ເຜີຍແຜ່ "Perceptrons," ຜົນງານທີ່ເນັ້ນໃຫ້ເຫັນເຖິງຂໍ້ຈຳກັດທີ່ສຳຄັນຂອງເຄືອຂ່າຍປະສາດຊັ້ນດຽວ ແລະ ປະກອບສ່ວນເຮັດໃຫ້ຄວາມສົນໃຈໃນການຄົ້ນຄວ້ານີ້ຫຼຸດລົງ.
ເຖິງຢ່າງໃດກໍ່ຕາມ, ມັນບໍ່ແມ່ນປຶ້ມຫົວດຽວທີ່ກະຕຸ້ນໃຫ້ເກີດ "ລະດູໜາວ AI" ຄັ້ງທຳອິດ. ໃນຊ່ວງຊຸມປີ 1970, ພະລັງງານຄອມພິວເຕີທີ່ບໍ່ພຽງພໍ, ຄວາມຫຍຸ້ງຍາກໃນການແກ້ໄຂບັນຫາທີ່ສັບສົນ, ຜົນໄດ້ຮັບຕໍ່າກວ່າຄວາມຄາດຫວັງ, ແລະ ຄວາມສົງໄສທີ່ເພີ່ມຂຶ້ນຈາກຜູ້ໃຫ້ທຶນໄດ້ລວມເຂົ້າກັນ. ໃນສະຫະລາຊະອານາຈັກ, ບົດລາຍງານ Lighthill ຂອງປີ 1973 ສະແດງຄວາມຄິດເຫັນທີ່ວິພາກວິຈານຢ່າງແຂງແຮງກ່ຽວກັບຄວາມຄືບໜ້າຂອງສາຂາວິຊາດັ່ງກ່າວ ແລະ ປະກອບສ່ວນເຮັດໃຫ້ການສະໜັບສະໜູນຈາກສາທາລະນະຊົນຕໍ່ການຄົ້ນຄວ້າຫຼຸດລົງ.
ໃນຊຸມປີ 1980, ຄວາມສົນໃຈໄດ້ເລີ່ມເພີ່ມຂຶ້ນອີກຄັ້ງ, ໂດຍສະເພາະແມ່ນຍ້ອນ ລະບົບຜູ້ຊ່ຽວຊານ, ໂຄງການທີ່ຖືກອອກແບບມາເພື່ອສ້າງຂະບວນການຕັດສິນໃຈພິເສດຄືນໃໝ່ຜ່ານພື້ນຖານຄວາມຮູ້ ແລະ ກົດລະບຽບທີ່ໄດ້ກຳນົດໄວ້. ເຄື່ອງມືເຫຼົ່ານີ້ຍັງພົບເຫັນການນຳໃຊ້ໃນອຸດສາຫະກຳ, ແຕ່ຄ່າໃຊ້ຈ່າຍສູງ, ຄວາມແຂງກະດ້າງ, ຄວາມຫຍຸ້ງຍາກໃນການອັບເດດ, ແລະ ຄວາມຄາດຫວັງທີ່ເກີນຂອບເຂດອີກຄັ້ງໜຶ່ງໄດ້ນຳໄປສູ່ໄລຍະທີສອງຂອງຄວາມຜິດຫວັງ, ລະຫວ່າງທ້າຍທົດສະວັດ ແລະ ຕົ້ນຊຸມປີ 1990.
ເກມວີດີໂອ, GPU, ແມັດຕຣິກຂະໜານ: ນີ້ແມ່ນຈຸດປ່ຽນໃນການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ.
ການເລັ່ງລັດທີ່ຍິ່ງໃຫຍ່ຂອງທົດສະວັດທີ່ຜ່ານມາຍັງເກີດຂື້ນຈາກວິວັດທະນາການທີ່ໄດ້ເຕີບໃຫຍ່ຂະຫຍາຍຕົວໃນອຸດສາຫະກໍາກຣາບຟິກດິຈິຕອນ ແລະ ເກມວີດີໂອ. ເພື່ອສ້າງສະຖານະການສາມມິຕິທີ່ສັບສົນເພີ່ມຂຶ້ນໃນເວລາຈິງ, ຜູ້ຜະລິດຮາດແວພັດທະນາ GPUໜ່ວຍປະມວນຜົນກຣາບຟິກ, ໂປເຊດເຊີທີ່ຊ່ຽວຊານໃນການປະຕິບັດແບບຂະໜານຂອງການດຳເນີນງານທາງຄະນິດສາດຈຳນວນຫຼວງຫຼາຍ, ຮອງຮັບໂດຍໜ່ວຍຄວາມຈຳຄວາມໄວສູງສະເພາະ.
ສະຖາປັດຕະຍະກຳນີ້ແຕກຕ່າງຈາກ CPU ແບບດັ້ງເດີມ. CPU ລຸ້ນສຸດທ້າຍໄດ້ຖືກອອກແບບມາເພື່ອຈັດການກັບລຳດັບຄຳສັ່ງທີ່ແຕກຕ່າງກັນຫຼາຍດ້ວຍຄວາມຍືດຫຍຸ່ນສູງ; ໃນທາງກົງກັນຂ້າມ, GPU ສາມາດປະຕິບັດການຄິດໄລ່ທີ່ຄ້າຍຄືກັນຈຳນວນຫຼວງຫຼາຍໄດ້ພ້ອມໆກັນ. ຄຸນສົມບັດນີ້ເໝາະສົມໂດຍສະເພາະກັບການຄູນແມັດຕຣິກ ແລະ ການດຳເນີນງານທາງຕົວເລກອື່ນໆທີ່ຕ້ອງການສຳລັບການຝຶກອົບຮົມເຄືອຂ່າຍປະສາດ.
ການແຜ່ກະຈາຍຂອງ GPU ກຳລັງຄ່ອຍໆມາພ້ອມກັບເຄື່ອງມືທີ່ຊ່ວຍໃຫ້ພວກມັນຖືກນໍາໃຊ້ສໍາລັບການຄິດໄລ່ທີ່ບໍ່ແມ່ນຮູບພາບເທົ່ານັ້ນ, ພ້ອມກັບການເຕີບໂຕຂອງຊຸດຂໍ້ມູນທີ່ມີຢູ່, ການເພີ່ມຄວາມຈຸຂອງຫນ່ວຍຄວາມຈໍາ ແລະ ການປັບປຸງລະບົບການຮຽນຮູ້.
ໃນບັນດາສິ່ງເຫຼົ່ານີ້, ຕໍ່ໄປນີ້ແມ່ນຄວາມສຳຄັນພື້ນຖານ: ຄວາມຜິດພາດໃນການແຜ່ກະຈາຍຄືນ, ຫຼື ການແຜ່ກະຈາຍກັບຄືນ. ເຕັກນິກດັ່ງກ່າວມີຫຼັກຖານທາງຄະນິດສາດທີ່ສືບທອດມາຕັ້ງແຕ່ຊຸມປີ 1980, ແຕ່ຜົນງານທີ່ຈັດພິມໃນປີ 1986 ໂດຍ David Rumelhart, Geoffrey Hinton, ແລະ Ronald Williams ໄດ້ປະກອບສ່ວນຢ່າງສຳຄັນຕໍ່ການນຳໃຊ້ທີ່ມີອິດທິພົນຂອງມັນສຳລັບການຝຶກອົບຮົມເຄືອຂ່າຍປະສາດຫຼາຍຊັ້ນ.
ຈຸດປ່ຽນທີ່ເປັນສັນຍະລັກແມ່ນເກີດຂຶ້ນໃນປີ 2012 ດ້ວຍ AlexNetໂດຍໄດ້ຮັບການຝຶກອົບຮົມໂດຍໃຊ້ GPU, ເຄືອຂ່າຍປະສາດມີປະສິດທິພາບດີກ່ວາວິທີການແຂ່ງຂັນຫຼາຍຢ່າງໃນການແຂ່ງຂັນ ImageNet, ໂດຍສະແດງໃຫ້ເຫັນວ່າການລວມກັນຂອງການປະມວນຜົນແບບຂະໜານ, ຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍ, ແລະ ເຄືອຂ່າຍເລິກສາມາດປ່ຽນແປງວິໄສທັດຄອມພິວເຕີໄດ້ຢ່າງຮາກຖານ. ນັບຕັ້ງແຕ່ນັ້ນມາ GPU ໄດ້ກາຍເປັນອົງປະກອບຫຼັກຂອງໂຄງສ້າງພື້ນຖານການຮຽນຮູ້ເລິກ.
ໃນປີ 2017, ກຸ່ມນັກຄົ້ນຄວ້າໄດ້ເຜີຍແຜ່ “ຄວາມສົນໃຈຄືສິ່ງທີ່ທ່ານຕ້ອງການ", ແນະນຳສະຖາປັດຕະຍະກຳ ການຫັນເປັນກົນໄກການເອົາໃຈໃສ່ຂອງມັນຊ່ວຍໃຫ້ຮູບແບບສາມາດເຊື່ອມໂຍງສ່ວນຕ່າງໆຂອງລໍາດັບໄດ້ໂດຍບໍ່ຈໍາເປັນຕ້ອງປະມວນຜົນພວກມັນຕໍ່ກັນຕາມການຕັ້ງຄ່າຂອງເຄືອຂ່າຍທີ່ເກີດຂຶ້ນຊ້ຳໆແບບດັ້ງເດີມ.
ສະຖາປັດຕະຍະກຳນີ້ຈະກາຍເປັນໜຶ່ງໃນພື້ນຖານດ້ານວິຊາການຂອງຮູບແບບພາສາຂະໜາດໃຫຍ່ ແລະ ຫ້າປີຕໍ່ມາກໍ່ເປັນຂອງ ChatGPT ເຊັ່ນກັນ, ຊ່ວຍນຳເອົາ AI ທີ່ສ້າງສັນເຂົ້າມາໃນພາສາປະຈຳວັນຂອງຜູ້ຄົນຫຼາຍລ້ານຄົນ.
ການອະນຸມານຄວາມເປັນໄປໄດ້ນອກເໜືອໄປຈາກນິຍາມຂອງວິທະຍາສາດຄອມພິວເຕີແບບຄລາສສິກ
ອີກດ້ານໜຶ່ງທີ່ມັກເຂົ້າໃຈຜິດແມ່ນວິທີທີ່ລະບົບເຫຼົ່ານີ້ "ໃຊ້ເຫດຜົນ". ຄອມພິວເຕີແບບດັ້ງເດີມປະຕິບັດຄຳສັ່ງທີ່ກຳນົດໄວ້ຢ່າງເປັນທາງການ ແລະ ເມື່ອທຸກສິ່ງທຸກຢ່າງເທົ່າທຽມກັນ, ກໍ່ຈະສ້າງຜົນໄດ້ຮັບທີ່ເຮັດຊ້ຳໄດ້. ໃນທາງກົງກັນຂ້າມ, ຮູບແບບພາສາຂະໜາດໃຫຍ່ທີ່ທັນສະໄໝເຮັດວຽກຜ່ານກົນໄກທາງສະຖິຕິໂດຍອີງໃສ່ຕົວກຳນົດທີ່ໄດ້ຮຽນຮູ້ໃນລະຫວ່າງການຝຶກອົບຮົມ, ຄາດຄະເນວ່າອົງປະກອບໃດມີແນວໂນ້ມທີ່ຈະເກີດຂຶ້ນຫຼາຍທີ່ສຸດໃນສະພາບການທີ່ກຳລັງປະມວນຜົນ.
ດ້ວຍເຫດຜົນນີ້, ພວກມັນສາມາດຖືກອະທິບາຍດ້ວຍຄວາມງ່າຍດາຍບາງຢ່າງວ່າ ເຄື່ອງຈັກອະນຸມານຄວາມເປັນໄປໄດ້ເມື່ອສ້າງຂໍ້ຄວາມ, ຮູບແບບພາສາຈະປະເມີນການແຈກຢາຍຄວາມເປັນໄປໄດ້ທີ່ກ່ຽວຂ້ອງກັບອົງປະກອບທີ່ອາດຈະເກີດຂຶ້ນຕໍ່ມາ ແລະ ສ້າງຜົນຜະລິດເທື່ອລະກ້າວ.
ດັ່ງນັ້ນ, ຈຶ່ງບໍ່ມີຄຳຕອບທີ່ຄິດໄລ່ລ່ວງໜ້າພຽງຄຳຕອບດຽວ. ຜົນໄດ້ຮັບສາມາດແຕກຕ່າງກັນໄປຕາມສະພາບການ, ຄຳແນະນຳທີ່ໄດ້ຮັບ, ຂໍ້ມູນທີ່ສະໜອງໃຫ້, ແລະ ພາລາມິເຕີທີ່ໃຊ້ໃນການສ້າງ. ນີ້ແມ່ນການປ່ຽນແປງທີ່ສຳຄັນຈາກຊອບແວກຳນົດແບບດັ້ງເດີມ ແລະ ຊ່ວຍອະທິບາຍທັງຄວາມຍືດຫຍຸ່ນທີ່ພິເສດ ແລະ ຄວາມຜິດພາດພາຍໃນຂອງລະບົບເຫຼົ່ານີ້.
ຕົວຢ່າງທີ່ສຳຄັນຂອງການແຜ່ກະຈາຍຂອງຮູບແບບພາສາຂະໜາດໃຫຍ່ແມ່ນ ໂທ, ຮູບແບບພາສາຂະໜາດໃຫຍ່ Meta AI, ເຊິ່ງເປັນຄອບຄົວທີ່ພັດທະນາໂດຍ Meta ຕັ້ງແຕ່ປີ 2023. Meta ໄດ້ເຮັດໃຫ້ນ້ຳໜັກຂອງຫຼາຍຮູບແບບມີໃຫ້ໃຊ້ຜ່ານໃບອະນຸຍາດຂອງຕົນເອງ, ເຊິ່ງຂະຫຍາຍຄວາມເປັນໄປໄດ້ຢ່າງຫຼວງຫຼາຍສຳລັບນັກຄົ້ນຄວ້າ, ນັກພັດທະນາ ແລະ ບໍລິສັດຕ່າງໆໃນການນຳໃຊ້ ແລະ ຊ່ຽວຊານລະບົບເຫຼົ່ານີ້.
ການນິຍາມ LLaMA ງ່າຍໆວ່າເປັນ "ແຫຼ່ງເປີດ" ຕ້ອງມີຄວາມລະມັດລະວັງ, ແນວໃດກໍ່ຕາມ: ໃບອະນຸຍາດທີ່ກ່ຽວຂ້ອງລວມມີເງື່ອນໄຂ ແລະ ຂໍ້ຈຳກັດທີ່ບໍ່ສອດຄ່ອງກັບຄຳນິຍາມຂອງຊອບແວແຫຼ່ງເປີດທີ່ນຳໃຊ້ໂດຍ Open Source Initiative. ດັ່ງນັ້ນ, ມັນຈຶ່ງຖືກຕ້ອງກວ່າທີ່ຈະເວົ້າເຖິງຮູບແບບຕ່າງໆ ນ້ຳໜັກເປີດ, ນັ້ນຄື, ດ້ວຍນ້ຳໜັກທີ່ມີຢູ່, ເຊິ່ງໃນກໍລະນີໃດກໍ່ຕາມໄດ້ສະໜັບສະໜູນການທົດລອງຢ່າງກວ້າງຂວາງກ່ຽວກັບລະບົບທີ່ສາມາດປັບແຕ່ງໄດ້ ເຊິ່ງອາດຈະໜ້າສົນໃຈເຖິງແມ່ນວ່າສຳລັບບໍລິສັດຜະລິດຂະໜາດນ້ອຍກໍຕາມ.
ANI, AGI, ASI: ຂອບເຂດລະຫວ່າງເຄື່ອງມືໃນປະຈຸບັນ ແລະ ສະຖານະການທາງທິດສະດີໃນອະນາຄົດ
ເພື່ອວາງທິດທາງຕົນເອງໃນການໂຕ້ວາທີ, ມັນເປັນປະໂຫຍດທີ່ຈະແຍກແຍະສາມປະເພດແບບດັ້ງເດີມ.ປັນຍາປະດິດແຄບ (ANI), ເຊິ່ງເອີ້ນອີກຊື່ໜຶ່ງວ່າ "ອ່ອນແອ", ປະກອບມີລະບົບທີ່ຖືກອອກແບບມາເພື່ອປະຕິບັດໜ້າວຽກສະເພາະ ຫຼື ໝວດໝູ່ຂອງໜ້າວຽກຕ່າງໆ ເຊັ່ນ: ການຮັບຮູ້ສຽງເວົ້າ, ວິໄສທັດຄອມພິວເຕີ, ການວິເຄາະຂໍ້ມູນ, ການເພີ່ມປະສິດທິພາບຂອງຂະບວນການ ແລະ ການສ້າງເນື້ອຫາ.
ເຖິງແມ່ນວ່າລະບົບທີ່ຊັບຊ້ອນທີ່ສຸດກໍ່ສາມາດຕົກຢູ່ໃນໝວດໝູ່ນີ້ໄດ້ເມື່ອພວກມັນບໍ່ມີຄວາມສາມາດທົ່ວໄປ ແລະ ເປັນເອກະລາດໃນການໂອນທັກສະຂອງພວກເຂົາໄປສູ່ຂົງເຂດໃດໆທີ່ເປັນໄປໄດ້.
ການປັນຍາປະດິດທົ່ວໄປ, AGI, ແທນທີ່ຈະໝາຍເຖິງເຄື່ອງຈັກທີ່ມີຄວາມສາມາດໃນການຮຽນຮູ້, ເຂົ້າໃຈ ແລະ ນຳໃຊ້ຄວາມສາມາດຂອງມັນກັບບັນຫາທີ່ຫຼາກຫຼາຍ, ໂດຍມີສະພາບທົ່ວໄປທີ່ທຽບເທົ່າກັບມະນຸດ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ບໍ່ມີຄຳນິຍາມຮ່ວມກັນທົ່ວໄປຂອງ AGI ຫຼື ລະບົບທີ່ຊຸມຊົນວິທະຍາສາດຮັບຮູ້ຮ່ວມກັນວ່າເປັນຂອງໝວດໝູ່ນີ້.
ສຸດທ້າຍ, ປັນຍາປະດິດຊັ້ນສູງ, ASI (ປັນຍາປະດິດຊັ້ນສູງ), ອະທິບາຍຮູບແບບສົມມຸດຕິຖານຂອງປັນຍາປະດິດທີ່ມີຄວາມສາມາດເກີນຄວາມສາມາດຂອງມະນຸດຢ່າງຫຼວງຫຼາຍໃນຫຼາຍໆຂົງເຂດການຮັບຮູ້. ໃນປະຈຸບັນ, ມັນຍັງຄົງເປັນສະຖານະການທາງທິດສະດີ.
ຄວາມປອດໄພທາງໄຊເບີ, ການຄຸ້ມຄອງ ແລະ ຄວາມຮັບຜິດຊອບໃນການປະເຊີນກັບຄວາມສ່ຽງຕ່າງໆ
ການເພີ່ມຂຶ້ນຂອງປັນຍາປະດິດ (AI) ໄດ້ນຳສະເໜີໜ້າດິນໂຈມຕີແບບໃໝ່. ຮູບແບບສາມາດຮັບຄຳແນະນຳຜ່ານເອກະສານ, ຂໍ້ຄວາມ, ຖານຂໍ້ມູນ, ເວັບໄຊທ໌ ແລະ ແຫຼ່ງພາຍນອກອື່ນໆ, ສ້າງໂອກາດໃຫ້ແກ່ການຫຼອກລວງທີ່ບໍ່ເຄີຍມີມາກ່ອນໃນລັກສະນະດຽວກັນກັບລະບົບຄອມພິວເຕີແບບດັ້ງເດີມ.
ໃນປີ 2024, ນັກຄົ້ນຄວ້າບາງຄົນໄດ້ສະແດງໃຫ້ເຫັນການທົດລອງກ່ຽວກັບຄວາມເປັນໄປໄດ້ຂອງການຮັບຮູ້ ກະຕຸ້ນຄູ່ແຂ່ງທີ່ເຮັດຊ້ຳຕົວເອງໄດ້ຢ່າງວ່ອງໄວ ສາມາດແຜ່ຂະຫຍາຍລະຫວ່າງແອັບພລິເຄຊັນທີ່ອີງໃສ່ AI ສ້າງສັນທີ່ເຊື່ອມຕໍ່ກັນໄດ້. ຫຼັກຖານຂອງແນວຄວາມຄິດ, ເອີ້ນວ່າ Morris II, ໄດ້ສະແດງໃຫ້ເຫັນວ່າເຕັກນິກການສັກຢາກະຕຸ້ນທາງອ້ອມສາມາດເຮັດໃຫ້ເກີດການຂະຫຍາຍຕົວຄ້າຍຄືໜອນ ແລະ ໃນສະຖາປັດຕະຍະກຳການທົດລອງບາງຢ່າງ, ເຮັດໃຫ້ເກີດການກະທຳທີ່ບໍ່ຕ້ອງການ ຫຼື ການກັ່ນຕອງຂໍ້ມູນທີ່ບໍ່ຕ້ອງການ.
ນີ້ບໍ່ໄດ້ໝາຍຄວາມວ່າໜອນປະເພດນີ້ໄດ້ແຜ່ລາມຢ່າງເປັນລະບົບໄປທົ່ວລະບົບຂອງບໍລິສັດແລ້ວ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ມັນໝາຍຄວາມວ່າມີລະດັບຄວາມສ່ຽງທີ່ຄວນພິຈາລະນາຢ່າງຈິງຈັງເມື່ອອົງປະກອບທີ່ອີງໃສ່ AI ທີ່ແຕກຕ່າງກັນເຊື່ອມຕໍ່ກັນ ແລະ ໄດ້ຮັບອະນຸຍາດໃຫ້ເຂົ້າເຖິງຂໍ້ມູນ ຫຼື ເຄື່ອງມືພາຍນອກ.
ສຳລັບວິສາຫະກິດຂະໜາດນ້ອຍ ແລະ ຂະໜາດກາງ (SMEs) ທີ່ປະສົມປະສານຮູບແບບການຜະລິດເຂົ້າໃນລະບົບການຄຸ້ມຄອງ ແລະ ການຜະລິດຂອງເຂົາເຈົ້າ, ຄວາມປອດໄພ, ການແຍກຂໍ້ມູນ, ການຄວບຄຸມການປ້ອນຂໍ້ມູນ, ການຄຸ້ມຄອງການອະນຸຍາດ, ແລະ ການຊີ້ນຳຜົນຜະລິດຕ້ອງໄດ້ຮັບການພິຈາລະນາເປັນອົງປະກອບດ້ານສະຖາປັດຕະຍະກຳຕັ້ງແຕ່ຂັ້ນຕອນການອອກແບບ.
ດົນນານກ່ອນການປະຕິວັດດິຈິຕອນໃນປະຈຸບັນ, Isaac Asimov ໄດ້ນຳເອົາບັນຫາຄວາມສຳພັນລະຫວ່າງຄວາມເປັນເອກະລາດຂອງເຄື່ອງຈັກ, ຄວາມຮັບຜິດຊອບ ແລະ ການປົກປ້ອງມະນຸດຜ່ານສິ່ງທີ່ມີຊື່ສຽງມາສູ່ນິຍາຍແລ້ວ. ກົດໝາຍສາມຢ່າງຂອງຫຸ່ນຍົນ.
ສູດກຳເນີດເຫຼົ່ານັ້ນເປັນຂອງນິຍາຍວິທະຍາສາດ, ແຕ່ຄຳຖາມທີ່ຕິດພັນໄດ້ກາຍເປັນຮູບປະທຳແລ້ວ: ໃຜເປັນຜູ້ກຳນົດຂອບເຂດຂອງລະບົບ, ໃຜເປັນຜູ້ຮັບຜິດຊອບຕໍ່ຄວາມຜິດພາດຂອງມັນ, ການຕັດສິນໃຈໃດທີ່ສາມາດມອບໝາຍໄດ້, ແລະ ການຮັບປະກັນໃດທີ່ຕ້ອງມາພ້ອມກັບການນຳໃຊ້ອັລກໍຣິທຶມທີ່ສາມາດສົ່ງຜົນກະທົບຕໍ່ຜູ້ຄົນ?
ມັນແມ່ນກ່ຽວກັບບັນຫາປະເພດນີ້ທີ່ກົດລະບຽບ ແລະ ການຄຸ້ມຄອງ AI ພວມພັດທະນາໃນປະຈຸບັນ, ຕັ້ງແຕ່ກົດລະບຽບຂອງເອີຣົບກ່ຽວກັບປັນຍາປະດິດ ຈົນເຖິງການລິເລີ່ມສາກົນທີ່ອຸທິດຕົນເພື່ອຄວາມປອດໄພ, ຄວາມໂປ່ງໃສ ແລະ ຄວາມໜ້າເຊື່ອຖືຂອງຮູບແບບຕ່າງໆ.
ການຜະລິດ, ວິສາຫະກິດຂະໜາດນ້ອຍ ແລະ ຂະໜາດກາງ, ໂຮງງານດິຈິຕອນ: ການນຳໃຊ້ທີ່ບໍ່ມີຄວາມເຂົ້າໃຈຜິດກ່ຽວກັບການທົດແທນ
ໃນຖານະຜູ້ຈັດການ SME, ບົດຮຽນແມ່ນງ່າຍດາຍ: AI ທີ່ສາມາດນຳໃຊ້ໄດ້ຢ່າງມີປະສິດທິພາບໃນປະຈຸບັນສ່ວນໃຫຍ່ແມ່ນປະກອບດ້ວຍເຄື່ອງມືພິເສດ. ມັນສາມາດຊ່ວຍພັດທະນາຂໍ້ສະເໜີການຂາຍທີ່ໄວຂຶ້ນ ແລະ ເປົ້າໝາຍຫຼາຍຂຶ້ນ, ສະໜັບສະໜູນກິດຈະກຳ CRM, ຄາດຄະເນຄວາມລົ້ມເຫຼວຜ່ານການບຳລຸງຮັກສາແບບຄາດເດົາ, ເພີ່ມປະສິດທິພາບຂອງວົງຈອນການຜະລິດ, ວິເຄາະຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍ, ແລະ ເຮັດໃຫ້ສ່ວນຕ່າງໆຂອງການຄວບຄຸມຄຸນນະພາບເປັນອັດຕະໂນມັດ.
ລະບົບວິໄສທັດຄອມພິວເຕີສາມາດລະບຸຂໍ້ບົກຜ່ອງໃນການຜະລິດ; ຮູບແບບການຄາດຄະເນສາມາດກວດພົບຄວາມຜິດປົກກະຕິໃນຕົວກໍານົດການຂອງໂຮງງານກ່ອນທີ່ມັນຈະເຮັດໃຫ້ເກີດຄວາມລົ້ມເຫຼວ; ເຄື່ອງມືສ້າງສາມາດຊ່ວຍໃນການກະກຽມເອກະສານ, ໃບສະເໜີລາຄາ ແລະ ການສື່ສານການຂາຍ; ອັລກໍຣິທຶມການເພີ່ມປະສິດທິພາບສາມາດຊ່ວຍໃນການວາງແຜນການຜະລິດ ແລະ ການນຳໃຊ້ຊັບພະຍາກອນ.
ນີ້ບໍ່ໄດ້ໝາຍຄວາມວ່າມີສະຕິປັນຍາທົ່ວໄປທີ່ສາມາດທົດແທນການຕັດສິນຂອງມະນຸດໄດ້ຢ່າງບໍ່ມີການເລືອກປະຕິບັດ. ແຕ່ມັນໝາຍເຖິງການໃຊ້ເຄື່ອງມືທີ່ມີປະສິດທິພາບຫຼາຍພາຍໃນໜ້າວຽກ, ຂໍ້ມູນ, ຂັ້ນຕອນ ແລະ ຄວາມຮັບຜິດຊອບທີ່ໄດ້ກຳນົດໄວ້.
ການເຂົ້າໃຈປະຫວັດສາດຂອງມັນ - ເຕັມໄປດ້ວຍຄວາມຕື່ນເຕັ້ນ, ຄວາມຂຶ້ນໆລົງໆ, ການເກີດໃໝ່, ນະວັດຕະກໍາຮາດແວທີ່ບໍ່ຄາດຄິດ, ແລະຮູບແບບການຄິດໄລ່ແບບໃໝ່ - ແມ່ນບາດກ້າວທໍາອິດໄປສູ່ການຮັບເອົາປັນຍາປະດິດດ້ວຍຄວາມໝັ້ນໃຈທີ່ຈຳເປັນເພື່ອຫັນປ່ຽນມັນຈາກຄໍາສັນຍາດ້ານເຕັກໂນໂລຢີໄປສູ່ເຄື່ອງມືທາງທຸລະກິດທີ່ເປັນປະໂຫຍດຢ່າງແທ້ຈິງ.
ຫຸ່ນຍົນຮູບຮ່າງຄ້າຍຄືມະນຸດ ແລະ ປັນຍາປະດິດທາງກາຍະພາບ: ໂຮງງານ BMW Group ກຳລັງປ່ຽນແປງແນວໃດ
DAMA Tecnopolo: ຂໍ້ມູນ, ຊຸບເປີຄອມພິວເຕິ້ງ, ແລະ AI ສຳລັບນະວັດຕະກຳທີ່ແທ້ຈິງໃນ Bologna
Liechtenstein ແລະ AI ສາທາລະນະ: ການປະດິດສ້າງທີ່ມີຄວາມຮັບຜິດຊອບໃນ Landesverwaltung
ນີ້ແມ່ນຄວາມເຂົ້າໃຈສາມຢ່າງທີ່ທ່ານອາດຈະສົນໃຈ:
“ຊີວິດ ແລະ ຍຸກສະໄໝຂອງ Multivac” ແລະ ປັນຍາປະດິດທີ່ທັນສະໄໝ
Generative AI: ມັນແມ່ນຫຍັງ ແລະມັນປ່ຽນແປງພວກເຮົາແນວໃດ
Dallara ແລະ IBM ຈະນຳເອົາ AI ເຂົ້າມາໃນອຸໂມງລົມໄດ້ແນວໃດ
