Naukowcy odkrywają nowe techniki, które mogą przełamać barierę stagnacji danych w sztucznej inteligencji. Choć dotychczasowe modele AI, takie jak ChatGPT, zrewolucjonizowały branżę, ostatnie informacje wskazują na spowolnienie postępów w ich doskonaleniu. Dzieje się tak, ponieważ wszystkie dostępne dane sieciowe zostały już wykorzystane w procesach wstępnego szkolenia modeli, co rodzi pytania o przyszłość AI.

Nowa metoda pośrednictwa w obliczeniach, znana jako "obliczenia w fazie testowania", może zmienić ten trend. Metoda ta polega na rozdzieleniu skomplikowanych zapytań na mniejsze zadania, co pozwala na dokładniejszą analizę i poprawę odpowiedzi AI. Dzięki takim technikom modele mogą samodzielnie dążyć do ulepszania swoich wyników. OpenAI zaprezentowało swój nowy model, nazwany o1, który wdraża tę innowacyjną metodę. W ślad za nim podążają również Google oraz chińskie laboratoria AI, które prezentują podobne podejścia.

"Iteracyjna pętla samodoskonalenia" to kolejne kluczowe pojęcie, które może pomóc w poprawie jakości rozwiązań AI. Naukowcy z Google DeepMind wskazują, że aby osiągnąć prawdziwie innowacyjne rezultaty, dane wyjściowe z nowych modeli należy wykorzystać do dalszego szkolenia systemów AI.

Wzrost zainteresowania tą technologią może wpłynąć na globalny rynek AI, który już teraz opiewa na biliony dolarów. Satya Nadella, CEO Microsoftu, nie jest zaskoczony postępami. W ostatnim wywiadzie podkreślił znaczenie obliczeń w fazie testowania, odnosząc to do przyszłego rozwoju modeli językowych. Twierdzi, że odpowiednie wykorzystanie tych obliczeń wprowadzi AI w nową erę, która przyniesie nie tylko lepsze wyniki, ale także pozwoli na zmniejszenie kosztów związanych z danymi treningowymi.

Jednak nie wszyscy są tak optymistyczni. W obliczu wyzwań, jakie niesie zarządzanie ogromnymi zbiorami danych, pytanie brzmi: jak dobrze nowa technika sprawdzi się w praktyce? Choć wiele osób wierzy w sukces, nadal pozostaje wiele do odkrycia. Eksperci zauważają, że aby efektywnie ocenić postępy, należy dokładnie przyjrzeć się temu, jak modele radzą sobie z bardziej złożonymi zadaniami, jak np. pisanie esejów czy wnioskowanie z niepełnych danych. Snell zauważa jednak, że wczesne sygnały sugerują, że syntetyczne dane generowane przez nowe modele mogą okazać się lepsze niż te dostępne w sieci.

Zbieżność działań badawczych i praktycznych wdrożeń w tak dynamicznie rozwijającej się dziedzinie stwarza nie tylko szansę na innowację, ale także implikuje pytania o etykę i wpływ, jaki AI ma na społeczeństwo. Niekwestionowane jest, że czas na nową generację sztucznej inteligencji na pewno nastał, a techniki, które będą wprowadzane, mają potencjał, by przekształcić nasze zrozumienie tego, co jest możliwe w obszarze AI.