Az AI nem ütközik a falba, egyszerűen túl okossá válik a mércékhez, mondja Anthropic
Ahogy javul az önkorrekció és az önérvelés, a legújabb LLM-ek olyan ütemben találnak új képességeket, amelyek megnehezítik mindent, amit tehetnek.
A Bloomberg Anurag Rana [balra] az Anthropic munkatársával, Michael Gerstenhaberrel [középen] és a Scale AI-s Vijay Karunamurthyval beszélget a Bloomberg Intelligence "Gen AI: Beválthatja-e a termelékenységi ígéreteket" című konferenciáján.
A nagy nyelvi modellek és a generatív mesterséges intelligencia egyéb formái folyamatosan javulnak az „önkorrekció” terén, ami újfajta munkák előtt nyitja meg a lehetőségeket, beleértve az „ágens mesterséges intelligenciát” - állítja az Anthropic vezető beszállító alelnöke. AI modellek közül.
"Nagyon jó az önkorrekció és az önérvelés" - mondta Michael Gerstenhaber, az Anthropic API-technológiáinak vezetője, amely a Claude LLM-családot az OpenAI GPT-jével versenyezi.
"Pár hónaponként új modellel jelentkezünk, amely kiterjesztette az LLM-ek lehetőségeit" - mondta Gerstenhaber szerdán New Yorkban, a Bloomberg Intelligence Anurag Ranának adott interjújában. "A legérdekesebb ebben az iparágban az, hogy minden modellváltozatnál új felhasználási esetek jelennek meg."
A legfrissebb modellek magukban foglalják a feladattervezést, például azt, hogy hogyan hajtsanak végre feladatokat a számítógépen, ahogyan azt egy személy tenné; például pizzát rendelni online.
"A közbeiktatott lépések megtervezése olyan dolog, ami tegnap még nem volt lehetséges, de ma már lehetséges" - mondta Gerstenhaber a lépésről lépésre történő feladatvégzésről.
A beszélgetés, amelyen Vijay Karunamurthy, a Scale AI startup MI vezető technológusa is részt vett, egy egész napos konferencia része volt, amelyet a Bloomberg Intelligence szervezett azzal a témával, hogy feltárja: "Gen AI: Beválthatja-e a termelékenységi ígéreteket?"
Gerstenhaber megjegyzései szembeszállnak a mesterséges intelligencia-szkeptikusok érvelésével, miszerint a Gen AI és tágabban a többi AI "falba ütközik", ami azt jelenti, hogy minden új modellgenerációból egyre kevesebb a megtérülés.
Gary Marcus, a mesterséges intelligencia tudósa 2022-ben arra figyelmeztetett, hogy pusztán az AI modellek egyre több paraméterrel történő elkészítése nem eredményez olyan javulást, mint a méret növekedése. Marcus továbbra is megismételte ezt a figyelmeztetést.
Az Anthropic - mondta Gerstenhaber - a jelenlegi mesterséges intelligencia-benchmarkok alapján mérhető dolgokra törekszik.
"Még ha úgy tűnik is, hogy bizonyos szempontból csökken, ez azért van, mert teljesen új [funkcionalitási] osztályokat teszünk lehetővé, de telítettük a benchmarkokat és a régebbi feladatok elvégzésének lehetőségét" - mondta Gerstenhaber. Más szóval, egyre nehezebb felmérni, mire képesek a jelenlegi Gen AI modellek.
Mind Gerstenhaber, mind a Scale AI Karunamurthy kifejtette, hogy a Gen AI „skálázása” - az AI-modellek nagyobbá tétele - elősegíti az ilyen önjavító neurális hálózatok fejlődését.
"Határozottan azt látjuk, hogy az intelligencia egyre nagyobb mértékben bővül" - mondta Gerstenhaber. „Az egyik ok, amiért nem feltétlenül gondoljuk, hogy falba ütközünk a tervezéssel és az érveléssel, az az, hogy éppen most tanuljuk meg, milyen módon kell a tervezési és érvelési feladatokat felépíteni, hogy a modellek alkalmazkodni a legkülönfélébb új környezetekhez, amelyeket még nem próbáltak átmenni."
"Nagyon az elején járunk" - mondta Gerstenhaber. "Megtanuljuk az alkalmazásfejlesztőktől, hogy mit próbálnak csinálni, és mi az, amit [a nyelvi modell] rosszul teljesít, és ezt integrálni tudjuk az LM-be."
Gerstenhaber szerint a felfedezések egy része az Anthropic alapkutatásainak sebességéhez kapcsolódik. Ennek egy része azonban azzal a tanulással kapcsolatos, hogy halljuk, „miről árulkodik az ipar, hogy szükségük van tőlünk, és hogy képesek vagyunk ehhez alkalmazkodni - nagyon is valós időben tanulunk”.
Az ügyfelek hajlamosak a nagy modellekkel kezdeni, majd néha egyszerűbb mesterséges intelligencia modellekre csökkentik, hogy megfeleljenek a célnak - mondta Karunamurthy, a Scale AI munkatársa. "Egyértelmű, hogy először arra gondolnak, hogy egy mesterséges intelligencia elég intelligens-e ahhoz, hogy egyáltalán jól végezzen egy tesztet, majd azt, hogy elég gyors-e ahhoz, hogy kielégítse az alkalmazásban felmerülő igényeiket, majd a lehető legolcsóbb."