Üretken yapay zeka, genellikle görüntüler veya insan tarafından okunabilir metin biçimindeki verileri üretmek, işlemek veya sentezlemek için algoritmalar kullanan her türlü otomatik işlem için kullanılan şemsiye bir terimdir. denir üretici çünkü AI daha önce var olmayan bir şey yaratıyor. onu diğerlerinden farklı kılan da bu ayrımcı yapay zeka, farklı girdi türleri arasında ayrımlar yapan. Farklı bir şekilde söylemek gerekirse, ayrımcı yapay zeka, “Bu resim bir tavşan mı yoksa aslan mı?” gibi bir soruyu yanıtlamaya çalışıyor. üretken yapay zeka ise “Bana yan yana oturan bir aslan ve tavşan resmi çiz” gibi istemlere yanıt verir.
Bu makale size üretken yapay zekayı ve onun ChatGPT ve DALL-E gibi popüler modellerle kullanımlarını tanıtıyor. Ayrıca, “çok fazla parmağın” yapay olarak üretilmiş sanat için ölü bir eşantiyon haline gelmesi de dahil olmak üzere, teknolojinin sınırlamalarını da ele alacağız.
Üretken yapay zekanın ortaya çıkışı
Üretken yapay zeka, tartışmalı bir şekilde o zamandan beri yıllardır ortalıkta. ELİZA, bir terapistle konuşmayı simüle eden bir sohbet robotu, 1966’da MIT’de geliştirildi. Ancak yapay zeka ve makine öğrenimi üzerine yıllarca süren çalışmalar, yakın zamanda yeni üretken yapay zeka sistemlerinin piyasaya sürülmesiyle semeresini verdi. Neredeyse kesin olarak duymuşsunuzdur. ChatGPTdikkat çekici derecede insan benzeri bir metin üreten, metin tabanlı bir yapay zeka sohbet robotu. DALL-E Ve Kararlı Difüzyon metin istemlerine dayalı olarak canlı ve gerçekçi görüntüler oluşturma yetenekleriyle de dikkat çekti. Sıklıkla bu sistemlere ve onlar gibi diğerlerine şu şekilde atıfta bulunuruz: modeller çünkü gerçek dünyanın bazı yönlerini, onunla ilgili bilgilerin bir alt kümesine (bazen çok büyük bir tanesine) dayanarak simüle etme veya modelleme girişimini temsil ederler.
Bu sistemlerden elde edilen çıktılar o kadar esrarengiz ki, birçok insan bilincin doğası hakkında felsefi sorular soruyor ve üretken yapay zekanın insan işleri üzerindeki ekonomik etkisi hakkında endişeleniyor. Ancak tüm bu yapay zeka yaratımları inkar edilemeyecek kadar büyük haberler olsa da, yüzeyin altında muhtemelen bazılarının sandığından daha az şey oluyor. Bu büyük resim sorularından bazılarına birazdan geleceğiz. Öncelikle ChatGPT ve DALL-E gibi modellerin altında neler olup bittiğine bakalım.
Üretken yapay zeka nasıl çalışır?
Üretken yapay zeka, çoğu internetten kazınmış büyük miktarda görsel veya metinsel veriyi işlemek için makine öğrenimini kullanır ve ardından diğer şeylerin yanında görünme olasılığı en yüksek olan şeyleri belirler. Üretken yapay zekanın programlama işinin çoğu, yapay zeka yaratıcılarının ilgi alanına giren “şeyleri” (ChatGPT gibi sohbet robotları söz konusu olduğunda sözcükler ve cümleler veya DALL-E için görsel öğeler) ayırt edebilen algoritmalar oluşturmaya gider. Ancak temel olarak, üretken yapay zeka, üzerinde eğitildiği muazzam bir veri topluluğunu değerlendirerek çıktısını yaratır ve ardından istemlere, bu topluluk tarafından belirlenen olasılık alanına giren bir şeyle yanıt verir.
Otomatik tamamlama (cep telefonunuz veya Gmail’iniz, yazmakta olduğunuz kelimenin veya cümlenin geri kalanının ne olabileceğini önerdiğinde), üretken yapay zekanın düşük düzeyli bir biçimidir. ChatGPT ve DALL-E gibi modeller, fikri çok daha ileri boyutlara taşıyor.
Üretken yapay zeka modellerini eğitme
Tüm bu verileri barındırmak için modellerin geliştirildiği sürece denir. eğitim. Farklı model türleri için burada birkaç temel teknik devreye giriyor. ChatGPT, trafo (işte bu T anlamına gelir). Bir dönüştürücü, farklı kelimelerin veya anlamsal bileşenlerin birbiriyle nasıl ilişkili olabileceğini anlamak için uzun metin dizilerinden anlam çıkarır ve ardından bunların birbirine yakın olma olasılıklarının ne kadar yüksek olduğunu belirler. Bu dönüştürücüler, denetimsiz olarak, çok geniş bir doğal dil metni külliyatında, adı verilen bir süreçte çalıştırılır. Ön eğitim (işte PChatGPT’de), modelle etkileşime giren insanlar tarafından ince ayar yapılmadan önce.
Modelleri eğitmek için kullanılan başka bir teknik, üretken düşman ağıveya GAN’ı seçin. Bu teknikte, birbiriyle yarışan iki algoritmanız var. Biri, büyük bir veri kümesinden türetilen olasılıklara dayalı olarak metin veya görüntüler oluşturuyor; diğeri, bu çıktının gerçek mi yoksa yapay zeka tarafından mı üretildiğini değerlendirmek için insanlar tarafından eğitilmiş ayrımcı bir yapay zekadır. Üretken yapay zeka, başarılı olan sonuçları desteklemek için otomatik olarak uyum sağlayarak, ayrımcı yapay zekayı defalarca “kandırmaya” çalışır. Üretken yapay zeka bu rekabeti sürekli olarak “kazandığında”, ayrımcı yapay zeka insanlar tarafından ince ayar yapılır ve süreç yeniden başlar.
Burada akılda tutulması gereken en önemli şeylerden biri, eğitim sürecinde insan müdahalesi olsa da, öğrenmenin ve uyum sağlamanın çoğunun otomatik olarak gerçekleşmesidir. Modelleri ilginç sonuçlar verecekleri noktaya getirmek için o kadar çok yineleme gerekiyor ki, otomasyon çok önemli. İşlem, hesaplama açısından oldukça yoğundur.
Üretken yapay zeka duyarlı mı?
Üretken yapay zeka modelleri oluşturmaya ve eğitmeye giden matematik ve kodlama oldukça karmaşıktır ve bu makalenin kapsamının çok ötesindedir. Ancak bu sürecin nihai sonucu olan modellerle etkileşime girerseniz, deneyim kesinlikle tekinsiz olabilir. DALL-E’nin gerçek sanat eseri gibi görünen şeyler üretmesini sağlayabilirsiniz. ChatGPT ile başka bir insanla sohbet ediyormuş hissi veren sohbetler yapabilirsiniz. Araştırmacılar gerçekten bir düşünen makine yarattı mı?
Watson AI ürünleri üzerinde çalışan eski bir IBM doğal dil işleme lideri olan Chris Phipps, hayır diyor. ChatGPT’yi “çok iyi bir tahmin makinesi” olarak tanımlıyor.
İnsanların neyi tutarlı bulacağını tahmin etmede çok iyidir. Her zaman tutarlı değildir (çoğunlukla öyledir), ancak bunun nedeni ChatGPT’nin “anlaması” değildir. Tam tersi: Çıktıyı tüketen insanlar, çıktıyı mantıklı kılmak için ihtiyaç duyduğumuz herhangi bir üstü kapalı varsayımda bulunma konusunda gerçekten çok iyiler.
Aynı zamanda bir komedi sanatçısı olan Phipps, Mind Meld adlı yaygın bir doğaçlama oyunuyla bir karşılaştırma yapıyor.
İki kişinin her biri bir kelime düşünür, ardından aynı anda yüksek sesle söyler; sen “çizme” diyebilirsin ve ben “ağaç” derim. Bu kelimeleri tamamen bağımsız olarak bulduk ve ilk başta birbirleriyle hiçbir ilgileri yoktu. Sonraki iki katılımcı bu iki kelimeyi alır ve ortak noktaları bulmaya çalışır ve bunu aynı anda yüksek sesle söyler. Oyun, iki katılımcı aynı kelimeyi söyleyene kadar devam eder.
Belki iki kişi de “oduncu” der. Sihir gibi görünüyor, ama aslında girdi (“çizme” ve “ağaç”) hakkında akıl yürütmek ve bir bağlantı bulmak için insan beynimizi kullanıyoruz. Anlama işini biz yapıyoruz, makineyi değil. ChatGPT ve DALL-E’de insanların kabul ettiğinden çok daha fazlası var. ChatGPT bir hikaye yazabilir, ancak biz insanlar hikayeyi anlamlandırmak için çok çalışıyoruz.
Bilgisayar zekasının sınırlarını test etme
Bu AI modellerine verebileceğimiz bazı ipuçları, Phipps’in amacını oldukça açık hale getirecektir. Örneğin, “Bir kilo kurşun mu daha ağırdır, yoksa bir kilo tüy mü?” bilmecesini ele alalım. Yanıt, tabii ki, içgüdülerimiz veya sağduyumuz bize tüylerin daha hafif olduğunu söylese de, aynı (bir pound) ağırlıkta olduklarıdır.
ChatGPT bu bilmeceyi doğru bir şekilde cevaplayacaktır ve siz de öyle olduğunu varsayabilirsiniz çünkü soğukkanlı bir bilgisayardır ve onu devreye sokacak bir “sağduyuya” sahip değildir. Ama kaputun altında olan bu değil. ChatGPT mantıklı bir şekilde yanıt vermiyor; sadece bir kilo tüy ve bir kilo kurşunla ilgili bir sorunun ardından ne gelmesi gerektiğine dair tahminlerine dayalı olarak çıktı üretiyor. Eğitim seti, bilmeceyi açıklayan bir grup metin içerdiğinden, o doğru cevabın bir versiyonunu bir araya getirir. Ancak ChatGPT’ye sorarsanız iki Kilolarca tüy, bir kiloluk kurşundan daha ağırdır, size güvenle aynı ağırlıkta olduklarını söyleyecektir, çünkü eğitim setine bağlı olarak, tüyler ve kurşunla ilgili bir istemin en olası çıktısı yine de budur. Yapay zekaya bunun yanlış olduğunu söylemek ve yanıt olarak bocalamasını izlemek eğlenceli olabilir; Hatası için benden özür dilemesini ve ardından iki kilo tüyün ağırlığını önermesini sağladım. dört bir pound kurşunun katları kadar.