Dirbtinis intelektas – terminas, kurį šiandien girdime tiek dažnai, kad jis jau spėjo tapti kone buitiniu žodžiu, panašiai kaip kadaise „internetas“ ar „mobilusis telefonas“. Vieniems tai kelia susižavėjimą – galimybė per kelias sekundes gauti atsakymą, sugeneruoti tekstą ar paveikslėlį, kitiems – nerimą dėl darbo vietų ateities ar žmogaus vaidmens pasaulyje. Tiesa, kaip visada, yra kažkur per vidurį. Dirbtinis intelektas nėra nei stebuklinga lazdelė, nei grėsmė iš mokslinės fantastikos filmų – tai technologija, kurios šaknys siekia dešimtmečius, o šiandieninis pavidalas atsirado po ilgo, kartais gana varganos pažangos, kelio.
Nuo šachmatų programų iki pokalbių robotų
Pati idėja, kad mašina galėtų „mąstyti“, nėra nauja. Dar praėjusio amžiaus penktame dešimtmetyje matematikas Alanas Tiuringas kėlė klausimą, ar kompiuteris gali elgtis taip, kad žmogus negalėtų atskirti jo nuo kito žmogaus. Ši mintis, vėliau pavadinta Tiuringo testu, iki šiol minima kaip vienas iš atspirties taškų DI istorijoje.
Sąvoka „dirbtinis intelektas“ oficialiai gimė 1956 metais Dartmuto koledže vykusioje konferencijoje, kur grupė mokslininkų susirinko aptarti, kaip mašinos galėtų atlikti užduotis, reikalaujančias žmogiškojo intelekto – mokytis, spręsti problemas, suprasti kalbą. Tuomet entuziazmas buvo milžiniškas, prognozės – optimistinės, tačiau realybė pasirodė kur kas sudėtingesnė. Sekė vadinamosios „DI žiemos“ – laikotarpiai, kai finansavimas ir susidomėjimas smuko, nes technologijos tiesiog neatlaikė pažadų svorio.
Persilaužimas atėjo palaipsniui – kai atsirado galingesni kompiuteriai, kai internetas pradėjo generuoti neįsivaizduojamus duomenų kiekius, o mokslininkai išmoko efektyviau treniruoti neuroninius tinklus. 2012 metais vaizdų atpažinimo konkurse ImageNet pergalę iškovojęs giluminio mokymosi modelis tapo tarsi ženklu, kad kažkas iš esmės pasikeitė. Nuo tada procesas tik greitėjo, o pastaraisiais metais pasiekė kulminaciją su didžiaisiais kalbos modeliais, kurie moka rašyti, versti, programuoti ir net vesti gana įtikinamą pokalbį.
Kaip mašina „mokosi“ – trumpai apie mechanizmą
Verta suprasti vieną dalyką: dirbtinis intelektas šiandieninėje formoje nemąsto taip, kaip mąsto žmogus. Tai, ką vadiname mašininiu mokymusi, iš esmės yra statistika – tik labai sudėtinga ir masiniu mastu pritaikyta. Modelis analizuoja milžiniškus duomenų kiekius, ieško dėsningumų ir mokosi prognozuoti, koks elementas turėtų sekti po kito.
Egzistuoja keli pagrindiniai mokymosi būdai:
- Prižiūrimas mokymasis – modeliui pateikiami pavyzdžiai su jau žinomais atsakymais, ir jis mokosi atpažinti panašumus.
- Neprižiūrimas mokymasis – sistema pati ieško struktūrų duomenyse, be iš anksto pateiktų „teisingų“ atsakymų.
- Sustiprintasis mokymasis – modelis mokosi bandymų ir klaidų būdu, gaudamas „atlygį“ už teisingus sprendimus, panašiai kaip dresiruojamas šuo.
Didieji kalbos modeliai, tokie kaip tie, kurie stovi už populiarių pokalbių robotų, naudoja architektūrą, vadinamą transformeriu. Ji leidžia modeliui vienu metu „žiūrėti“ į visą teksto kontekstą, o ne analizuoti žodžius po vieną, kaip tai darė ankstesnės sistemos. Būtent dėl to šiuolaikiniai modeliai geba generuoti nuoseklų, gramatiškai taisyklingą ir kontekstiškai tinkamą tekstą – nors, reikia pasakyti atvirai, jie vis dar gali „prasimanyti“ faktų, kurių tikrovėje nėra.
Dirbtinis intelektas Lietuvoje – jau ne ateities muzika
Nors kartais atrodo, kad tokios technologijos yra kažkur toli, Silicio slėnyje, iš tiesų Lietuva gana aktyviai dalyvauja šiame procese. Vilniuje ir Kaune veikia nemažai startuolių, kurie kuria DI sprendimus – nuo dokumentų analizės sistemų iki medicininės diagnostikos įrankių. Lietuviškos bankinės institucijos naudoja mašininio mokymosi algoritmus sukčiavimo atpažinimui, o kai kurios savivaldybės eksperimentuoja su chatbotais, padedančiais gyventojams susirasti reikiamą informaciją.
Švietimo srityje diskusijos verda gana intensyviai – mokyklose ir universitetuose vis dažniau kalbama, kaip integruoti DI įrankius į mokymo procesą, o ne juos tiesiog uždrausti. Kai kurie dėstytojai jau leidžia studentams naudotis kalbos modeliais kaip pagalbine priemone, kiti vis dar laikosi griežtesnės pozicijos, baimindamiesi, kad tai pakenks kritinio mąstymo ugdymui.
Verslo sektoriuje situacija panaši – didesnės įmonės jau bando integruoti DI į klientų aptarnavimą, rinkodarą, net personalo atranką, tačiau mažesniam verslui tai dažnai vis dar atrodo per brangu arba per sudėtinga. Lietuvos valstybinės institucijos taip pat rengia strategijas, kaip diegti DI viešajame sektoriuje – kalbama apie automatizuotą dokumentų tvarkymą, sprendimų priėmimo pagalbą, net apie galimybę pagreitinti teismų procesus, nors pastaroji idėja kelia nemažai etinių klausimų.
Generatyvinis DI – kai mašina kuria, o ne tik analizuoja
Paskutinieji keleri metai atnešė naują reiškinį – generatyvinį dirbtinį intelektą. Skirtingai nuo ankstesnių sistemų, kurios daugiausia atpažindavo duomenis ar klasifikuodavo informaciją, šie modeliai geba kurti kažką naujo – tekstą, paveikslėlius, muziką, net video medžiagą.
Tai pakeitė daugybę profesijų kasdienybę. Žurnalistai naudoja DI juodraščiams parengti, dizaineriai – idėjoms generuoti, programuotojai – kodo fragmentams sukurti. Kartu atsirado ir naujų iššūkių: kaip atskirti, kas parašyta žmogaus, o kas – mašinos? Ar generatyvinio DI sukurtas kūrinys gali būti laikomas autoriaus darbu teisine prasme? Šie klausimai kol kas neturi vienareikšmio atsakymo, ir teisininkai visame pasaulyje, taip pat ir Lietuvoje, dar tik bando susigaudyti, kaip esamą autorių teisių sistemą pritaikyti naujai realybei.
Įdomu tai, kad generatyviniai modeliai, nors ir atrodo „kūrybingi“, iš tikrųjų tik rekombinuoja tai, ko išmoko iš treniravimo duomenų. Jie neturi savo patirties, emocijų ar sąmonės – bent jau taip teigia dauguma mokslininkų. Tačiau rezultatas kartais būna toks įtikinamas, kad vartotojui sunku patikėti, jog už teksto ar paveikslėlio nestovi žmogus.
Etika, rizikos ir reguliavimo klausimai
Kuo galingesnės tampa DI sistemos, tuo daugiau kyla klausimų dėl jų saugaus naudojimo. Viena didžiausių problemų – šališkumas. Jei modelis mokomas iš duomenų, kuriuose atsispindi visuomenėje egzistuojantys stereotipai, jis linkęs juos atkartoti, o kartais net sustiprinti. Tai ypač jautru srityse, kuriose DI naudojamas priimant sprendimus dėl žmonių – pavyzdžiui, atrenkant kandidatus į darbą ar vertinant kredito riziką.
Kita rimta tema – privatumas. Kad modelis „išmoktų“ generuoti tekstą ar atpažinti veidus, jam reikia milžiniškų duomenų kiekių, o šie duomenys dažnai apima ir asmeninę informaciją. Europos Sąjunga, siekdama sureguliuoti šią sritį, priėmė vadinamąjį Dirbtinio intelekto aktą (AI Act) – pirmąjį tokio masto teisės aktą pasaulyje, kuris skirsto DI sistemas pagal rizikos lygį ir nustato griežtesnius reikalavimus toms sistemoms, kurios gali daryti didesnę įtaką žmonių gyvenimui.
Lietuva, kaip ES narė, šį reglamentą privalo perkelti į nacionalinę teisę, ir šiuo metu vyksta diskusijos, kaip tai praktiškai įgyvendinti – kokios institucijos prižiūrės DI sistemų atitiktį, kokios bus sankcijos už pažeidimus, kaip užtikrinti, kad reguliavimas nesustabdytų inovacijų, bet kartu apsaugotų žmones nuo galimos žalos.
Kaip pasikeis darbo rinka
Tema, kuri jaudina, ko gero, kiekvieną – ką DI reikš mano darbui? Atsakymas nėra vienareikšmis. Kai kurios profesijos, susijusios su rutininiu, pasikartojančiu darbu, tikrai patirs spaudimą – nuo duomenų įvedimo iki paprastesnio teksto rašymo ar vertimo. Tačiau istorija rodo, kad technologinės revoliucijos dažniau transformuoja darbo rinką, o ne tiesiog naikina darbo vietas.
Tikėtina, kad ateityje vertingiausios bus tos kompetencijos, kurių DI atkartoti sunkiausiai – kritinis mąstymas, kūrybiškumas, tarpasmeninis bendravimas, gebėjimas priimti sprendimus neapibrėžtumo sąlygomis. Kartu atsiranda ir visiškai naujos profesijos – DI etikos specialistai, modelių treniruotojai, duomenų analitikai, prompt inžinieriai (asmenys, kurie moka „bendrauti“ su kalbos modeliais taip, kad gautų geriausią rezultatą).
Lietuviškos darbo rinkos kontekste jau matyti, kad įmonės ieško darbuotojų, gebančių naudotis DI įrankiais kaip pagalbine priemone, o ne bijoti jų. Tai reiškia, kad skaitmeninis raštingumas, įskaitant bazinį supratimą, kaip veikia DI ir kokie yra jo apribojimai, tampa beveik tokia pat svarbia kompetencija, kaip kadaise buvo gebėjimas naudotis kompiuteriu.
Ką visa tai reiškia paprastam žmogui – vietoj apibendrinimo
Jei atsitraukti nuo technologinių detalių ir pažvelgti į visą šį reiškinį iš arčiau, dirbtinis intelektas šiandien yra tiesiog dar vienas įrankis – galingas, kartais netobulas, bet vis dėlto įrankis, o ne savarankiškai mąstantis subjektas. Todėl svarbiausia, ką galima patarti kiekvienam, susiduriančiam su juo kasdienybėje, – nebijoti eksperimentuoti, bet kartu išlaikyti sveiką skepticizmą.
Keletas praktinių minčių, kurios gali praversti:
- Naudodami kalbos modelius informacijai gauti, visada tikrinkite faktus – modeliai gali suklysti labai įtikinamai, tarsi kalbėtų su pilnu užtikrintumu apie klaidingą dalyką.
- Nebijokite DI kaip darbo priemonės – pabandykite jį naudoti rutininėms užduotims, kad liktų daugiau laiko tam, kas iš tikrųjų reikalauja žmogiško apmąstymo.
- Domėkitės, kaip jūsų asmeniniai duomenys naudojami DI sistemose – ypač jei naudojatės nemokamomis platformomis, kur „mokėjimas“ dažnai vyksta duomenimis, o ne pinigais.
- Jei dirbate švietimo ar kūrybos srityje, verta pačiam išbandyti generatyvinius įrankius, o ne remtis vien nuogirdomis – tik taip susidarysite realų vaizdą apie jų galimybes ir ribas.
- Sekite Lietuvos ir ES reguliavimo naujienas – ypač jei jūsų darbas susijęs su duomenų tvarkymu ar sprendimų priėmimu, kuriam gali būti taikomas DI aktas.
Dirbtinis intelektas tikrai nėra nei stebuklas, nei grėsmė savaime – jis yra tai, ką žmonės nusprendžia su juo daryti. Ir būtent čia, ko gero, slypi visa esmė: technologija keičiasi žymiai greičiau, nei spėjame ją suprasti, tačiau sprendimai, kaip ją naudoti atsakingai, vis dar priklauso nuo mūsų pačių.
