وقتی هیپ مولد هوش مصنوعی محو می شود

GenAI قطعه کوچکی از پای هوش مصنوعی است، نه کل پای خود. به یادگیری عمیق و یادگیری ماشینی توجه کنید.

تاکنون از یک ابزار هوش مصنوعی (GenAI) مانند ChatGPT برای ایجاد یک برنامه، نوشتن یک پیشنهاد کمک مالی، یا نوشتن تمام نظرات کارمندانی که به تعویق انداخته‌اید، استفاده کرده‌اید. اگر هر یک از این کارها را انجام داده اید یا صرفاً با پرسیدن سؤالات مدل زبان بزرگ (LLM) بازی کرده اید، بدون شک تحت تأثیر این موضوع قرار گرفته اید که چگونه ابزارهای GenAI می توانند خروجی انسان را تقلید کنند.< /p>

شما نیز بدون شک متوجه شده اید که آنها کامل نیستند. در واقع، ابزارهای GenAI مانند ChatGPT یا GitHub Copilot علیرغم همه وعده‌هایشان، همچنان به ورودی‌های انسانی با تجربه برای ایجاد اعلان‌ها نیاز دارند که آنها را راهنمایی می‌کند. و همچنین برای بررسی نتایج آنها. این به این زودی تغییر نخواهد کرد.

در واقع، هوش مصنوعی مولد نه برای همه مقالات امتحانی، خلاصه‌های حقوقی، یا برنامه‌های نرم‌افزاری که ممکن است بنویسد، بزرگ است، بلکه به این دلیل که اهمیت هوش مصنوعی را به طور کلی افزایش داده است. هنگامی که همه هیاهوها در مورد GenAI محو شد – و خواهد شد – ما با افزایش سرمایه گذاری در یادگیری عمیق و یادگیری ماشینی خواهیم ماند، که ممکن است بزرگترین کمک GenAI به هوش مصنوعی باشد.

به شخصی که دارای چکش GenAI است

سخت است که در مورد هوش مصنوعی مولد هیجان زده نشوید. در سمت توسعه‌دهنده نرم‌افزار، نوید این را می‌دهد که انواع سختی‌ها را از کار ما حذف کند و در عین حال ما را قادر می‌سازد روی کدنویسی با ارزش بالاتر تمرکز کنیم. بیشتر توسعه دهندگان هنوز هم به آرامی ابزارهای کدگذاری GenAI مانند AWS CodeWhisperer را تجربه می کنند، اما دیگرانی مانند Simon Willison بنیانگذار Datasette به عمق رفته و کشف کرده اند “جهش های عظیمی در بهره وری و در جاه طلبی از انواع پروژه هایی که بر عهده می گیرید.”

یکی از دلایلی که ویلیسون می‌تواند از GenAI چیزهای زیادی به دست بیاورد، تجربه‌اش است: او می‌تواند از ابزارهایی مانند GitHub Copilot برای تولید ۸۰٪ از آنچه نیاز دارد استفاده کند، و به اندازه کافی زرنگ است که بداند خروجی ابزار قابل استفاده است و جایی که باید ۲۰ درصد باقیمانده را بنویسد. اکثر آنها فاقد سطح تجربه و تخصص هستند و ممکن است نیاز به استفاده از GenAI کمتر جاه طلبانه داشته باشند.

ما برای هر موج هوش مصنوعی یک چرخه تبلیغاتی مشابه را پشت سر می گذاریم، و هر بار باید یاد بگیریم که امید واقع بینانه را از تبلیغات بیش از حد حذف کنیم. برای مثال یادگیری ماشین را در نظر بگیرید. هنگامی که یادگیری ماشین برای اولین بار وارد شد، دانشمندان داده آن را در همه چیز به کار بردند، حتی زمانی که ابزارهای بسیار ساده تری وجود داشت. به عنوان داده دانشمند نوح لورانگ زمانی استدلال کرد، “زیر مجموعه بسیار کوچکی از مشکلات تجاری وجود دارد که به بهترین وجه با یادگیری ماشینی حل می شوند. بیشتر آنها فقط به داده های خوب و درک معنای آن نیاز دارند.” به عبارت دیگر، هر چقدر هم که جالب باشد ممکن است شما را به دنبال توسعه الگوریتم هایی برای یافتن الگوها در پتابایت داده باشد، پرس و جوهای ساده ریاضی یا SQL اغلب رویکرد هوشمندانه تری هستند.

به همین ترتیب، مدیر عامل Diffblue متیو لاج اخیراً پیشنهاد کرد که GenAI اغلب پاسخ اشتباهی برای طیف وسیعی از سؤالات است، با یادگیری تقویتی احتمال موفقیت بیشتری را ارائه می دهد: مدل‌های یادگیری تقویتی کوچک، سریع و ارزان به‌راحتی LLM‌های صد میلیارد پارامتری عظیم را در انواع کارها، از بازی کردن تا نوشتن کد، شکست می‌دهند. لاج استدلال نمی کند که هوش مصنوعی مولد تبلیغاتی است. در عوض، او پیشنهاد می کند که ما باید GenAI را به عنوان یک ابزار مفید برای حل برخی مشکلات علوم کامپیوتر، نه همه آنها، بشناسیم.

اقتصاد GenAI را تقویت کنید

اگر به عقب برگردیم و به طور کلی به هوش مصنوعی نگاه کنیم، علی‌رغم تأثیر بسیار زیاد GenAI بر تبلیغات رسانه‌ای و سرمایه‌گذاری‌های شرکتی، منطقه نسبتاً کوچکی را در چشم‌انداز کلی هوش مصنوعی اشغال می‌کند، به عنوان مهندس انویدیا آمل وگ عکس می گیرد. “هوش مصنوعی” گسترده ترین راه برای صحبت در مورد تعامل انسان و ماشین است. همانطور که Wagh توضیح می دهد، AI یک “رشته فناوری است که شامل تقلید رفتار انسان با استفاده از ماشین ها برای یادگیری و انجام وظایف بدون نیاز به دستورالعمل های صریح در مورد خروجی مورد نظر است.”

آیا هوش مصنوعی مولد در آن جا می شود؟ مطمئناً اینطور است، اما ابتدا یادگیری ماشینی است، زیرمجموعه‌ای از هوش مصنوعی، که به الگوریتم‌هایی اشاره دارد که از داده‌ها یاد می‌گیرند تا براساس آن داده‌ها پیش‌بینی کنند. بعدی یادگیری عمیق است، زیرمجموعه ای از یادگیری ماشین، که کامپیوترها را آموزش می دهد تا با استفاده از لایه های شبکه عصبی بیشتر شبیه انسان فکر کنند. سرانجام GenAI، زیرمجموعه ای از یادگیری عمیق است که برای ایجاد محتوای جدید بر اساس ورودی ها یک گام فراتر می رود.

دوباره، نگاهی گذرا به هزینه‌های مرکز داده انویدیا بیندازید و مشاهده کنید که در پاسخ به GenAI، یا با نگاهی به تأثیر GenAI بر پذیرش Vercel، به راحتی می‌توان فرض کرد که GenAI پایان بازی برای هوش مصنوعی GenAI قطعا لحظه‌ای را سپری می‌کند، اما بسیار محتمل است – تقریباً مطمئن – که این لحظه بگذرد.

این به این معنی نیست که GenAI مانند Web3 (به یاد دارید؟) یا blockchain در ابهام نسبی محو خواهد شد (با عرض پوزش که خاطرات بدی را به یاد می آوریم). در عوض، ما در مورد اینکه کجا مناسب است و کجا در یک چشم انداز بسیار بزرگتر هوش مصنوعی نیست، واقع بینانه تر خواهیم شد. مطمئناً، ما می‌توانیم به Massimo اجازه دهیم درباره تأثیر «تکتونیکی» GenAI بر محاسبات، Ferré را به موم راپسودیک بنویسید. در ذهن او، ما “فقط سطح کاری را که GenAI می تواند انجام دهد” در آینده ای مبتنی بر GenAI با “کارشناسان ۱۰ برابر سریعتر حرکت می کنند و ۱۰ برابر غیرمتخصصان بیشتر به روشی که نمی توانند با رابط ها تصور کنند به IT دسترسی پیدا می کنند بررسی می کنیم.” امروز داریم.”

مطمئنا. برخی از انواع آن آینده ممکن است، حتی محتمل. اما GenAI زیرمجموعه‌ای از زیرمجموعه‌ای از زیرمجموعه‌ای از هوش مصنوعی است، و برای من، تصویر بزرگ‌تر هوش مصنوعی جالب‌تر و تاثیرگذارتر است، حتی اگر در حال حاضر تمام توجه ما به GenAI باشد. این لحظه خواهد گذشت. اگر در طول مسیر، GenAI به ما یادآوری کند که هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق چقدر پتانسیل دارد و ما بر این اساس سرمایه‌گذاری کنیم، ارزش این تبلیغات را داشت.