Od momentu swojego debiutu ChatGPT stał się symbolem gwałtownej ekspansji sztucznej inteligencji. Jednak zdaniem Sama Altmana, prezesa firmy OpenAI odpowiedzialnej za stworzenie tego narzędzia, okres najszybszych postępów może być już za nami. Altman wskazuje, że dalszy znaczący rozwój systemów podobnych do ChatGPT nie będzie prostą kontynuacją dotychczasowej ścieżki, lecz wymagać będzie zupełnie nowych, przełomowych idei.
Granice obecnego paradygmatu
Podstawą sukcesu najnowocześniejszych modeli językowych (LLM), takich jak GPT-4, jest architektura transformera oraz trening na bezprecedensowo dużych zbiorach danych i mocach obliczeniowych. Ta formuła przez ostatnie lata przynosiła spektakularne efekty, z każdą iteracją znacząco podnosząc możliwości systemów. Altman zauważa jednak, że proste skalowanie tej metody – dodawanie większej liczby parametrów i danych – powoli przestaje być kluczem do radykalnej poprawy.
Potrzeba nowych fundamentów
Eksperci z OpenAI przyznają, że aby osiągnąć kolejny jakościowy skok, porównywalny z przejściem od GPT-3 do GPT-4, konieczne będzie opracowanie nowych, fundamentalnych rozwiązań. Oznacza to potencjalne odejście od dominującej dziś architektury lub wynalezienie zupełnie innych metod uczenia maszynowego. To wyzwanie natury naukowej, które nie polega już na optymalizacji znanych procesów, lecz na dokonaniu prawdziwego odkrycia.
Wyzwania stojące przed OpenAI i całą branżą
Deklaracja Altmana rzuca światło na szersze wyzwania w dziedzinie zaawansowanej AI. Firma, która stała się liderem dzięki ChatGPT, musi teraz znaleźć sposób na utrzymanie pozycji innowatora w oblicgu spowolnienia tempa rozwoju opartego na dotychczasowych metodach. To sytuacja, która dotyczy całej branży, zmuszając głównych graczy do intensyfikacji badań podstawowych.
Rywalizacja naukowa i komercyjna
Wyścig nie toczy się już wyłącznie o większe centra danych czy szybsze procesory. Kluczowa staje się zdolność do generowania przełomowych koncepcji naukowych. Oznacza to, że sukces może paść łupem niekoniecznie największej firmy, ale tej, której zespołom badawczym uda się jako pierwszym znaleźć nową, efektywną ścieżkę. To zmienia dynamikę rywalizacji, kładąc większy nacisk na czystą innowację.
Nie osiągniemy sztucznej inteligencji na poziomie ludzkim, po prostu zwiększając rozmiar obecnych modeli. Potrzebujemy nowych pomysłów.
Co to oznacza dla użytkowników i developerów?
W perspektywie krótko- i średnioterminowej nie powinniśmy spodziewać się nagłego zastoju. Prace nad udoskonalaniem obecnej generacji modeli trwają, a główny wysiłek może przesunąć się w kierunku optymalizacji, obniżania kosztów działania, poprawy niezawodności i specjalizacji narzędzi dla konkretnych zastosowań. Dla twórców aplikacji wykorzystujących AI może to być okres konsolidacji i lepszego wykorzystania istniejących możliwości.
Era zastosowań praktycznych
Gdy tempo rewolucji na froncie podstawowych modeli nieco zwolni, uwaga może się przesunąć na to, jak skutecznie wdrażać dostępną technologię w biznesie, nauce i codziennym życiu. To czas na fine-tuning, budowanie solidnych pipeline’ów i integracji, oraz na rozwiązanie palących kwestii etycznych i regulacyjnych, które dotąd próbowano dogonić w pędzie za rozwojem.
Wypowiedź Sama Altmana można odczytać jako zdrową dawkę realizmu w często przegrzanej debacie o AI. Zamiast zapowiadać nieuchronną i szybką drogę do superinteligencji, wskazuje na technologiczne przeszkody, które wymagają głębokiej, naukowej pracy. To sygnał, że rozwój sztucznej inteligencji wchodzi w nową, być może mniej spektakularną, ale kluczową fazę, w której jakość pomysłu może okazać się ważniejsza niż ilość użytych do treningu danych. Kolejny wielki skok nie jest zagwarantowany – trzeba go będzie wypracować.
