Ką iš tikrųjų reiškia AGI, haliucinacijos ir AI agentai?

Kiek kartų per pastaruosius metus apsimetėte, kad suprantate, ką reiškia AGI? O kai kas nors prie kavos aparato paminėjo „haliucinacijas" dirbtinio intelekto kontekste — linktelėjote ir tikėjotės, kad niekas nepaprašys paaiškinti? Jūs ne vieni. Dirbtinis intelektas per pastaruosius dvejus metus ne tik pakeitė pasaulį, bet ir sukūrė visiškai naują kalbą, kurios nesupranta net dalis technologijų pasaulio veteranų.

Šis žodynas — ne sausas sąrašas. Tai bandymas išversti Silicio slėnio žargoną į žmonių kalbą. Nes kai „TechCrunch" gegužės 29 dieną atnaujino savo gyvąjį AI terminų gidą, paaiškėjo, kad net patys ekspertai ginčijasi dėl kai kurių apibrėžimų.

AGI: visuotinis dirbtinis intelektas, kurio niekas negali apibrėžti

Pradėkime nuo dramblio kambaryje. AGI — artificial general intelligence, arba visuotinis dirbtinis intelektas — yra terminas, kurį naudoja visi, bet apibrėžia skirtingai. „OpenAI" vadovas Samas Altmanas kartą pasakė, kad AGI yra „vidutinio žmogaus, kurį galėtum pasamdyti kaip bendradarbį, atitikmuo". Tuo tarpu oficialioje „OpenAI" chartijoje AGI apibrėžiamas kaip „labai autonomiškos sistemos, kurios pranoksta žmones daugelyje ekonomiškai vertingų užduočių".

„Google DeepMind" turi trečią variantą: AGI yra „DI, kuris yra bent tiek pat pajėgus kaip žmonės daugumoje kognityvinių užduočių". Sumišimas? Nepergyvenkite — taip pat sutrikę ir AI priešakinėse linijose dirbantys tyrėjai. Vieni teigia, kad AGI jau beveik čia, kiti — kad iki jo dar dešimtmečiai. Tiesa tikriausiai slypi kažkur per vidurį: dabartiniai modeliai tam tikrose užduotyse pranoksta žmones, bet vis dar neturi to plataus, lankstaus supratimo, kurį turi net vidutinis penkiametis.

AI agentai: ne tik pokalbių robotai

Jei AGI yra miglotas ateities pažadas, AI agentai yra dabartis — ir jie kur kas konkretesni. Įsivaizduokite asistentą, kuris ne tik atsako į klausimus, bet ir atlieka veiksmus jūsų vardu: užpildo išlaidų ataskaitą, užsako bilietus, rezervuoja staliuką restorane ar net rašo ir prižiūri programinį kodą.

Skirtumas nuo paprasto pokalbių roboto yra esminis. Chatbot'as pasakys „štai jums receptas", o agentas nueis į jūsų maisto pristatymo programėlę, patikrins, ko trūksta šaldytuve, ir užsakys ingredientus artimiausiai datai, kai esate laisvi. Skamba futuristiškai? Tokios sistemos jau bandomos, nors infrastruktūra dar tik statoma.

Tačiau čia slypi ir rizika. Kai agentai pradeda veikti savarankiškai, jie naudoja API sąsajas — programuotojų „mygtukus" programėlių nugarėlėje, per kuriuos viena sistema gali valdyti kitą. Dauguma išmaniųjų namų įrenginių ir susietų platformų turi šiuos paslėptus mygtukus, kurių paprasti vartotojai niekada nemato. Augant agentų galimybėms, jie vis dažniau savarankiškai suranda ir naudoja šias sąsajas, atverdami galingas, o kartais ir netikėtas automatinio veikimo galimybes.

Haliucinacijos: kai DI įsivaizduoja tai, ko nėra

Tai vienas dažniausiai minimų ir labiausiai nesuprastų terminų. AI haliucinacija nėra klaida tradicine prasme — tai situacija, kai modelis pateikia informaciją, kuri skamba įtikinamai, bet neturi jokio pagrindo tikrovėje.

Klasikinis pavyzdys: paprašykite DI sugeneruoti trijų mokslinių straipsnių apie klimato kaitą sąrašą, ir jis gali pateikti puikiai suformatuotus citavimus su autorių pavardėmis, žurnalų pavadinimais ir puslapių numeriais. Viskas atrodo profesionaliai — kol nepabandote tų straipsnių rasti ir sužinote, kad nei straipsniai, nei autoriai niekada neegzistavo.

Kodėl taip nutinka? Modeliai mokomi prognozuoti tikėtiniausią sekantį žodį, o ne „galvoti" apie faktų teisingumą. Kai sistema neturi informacijos, ji nepasako „nežinau" — ji sukuria tai, kas statistiniais terminais atrodo tinkamiausia. Tai ne melas sąmoninga prasme, o šalutinis statistinio prognozavimo poveikis.

Kovoti su haliucinacijomis bandoma įvairiai: nuo RAG (retrieval-augmented generation — paieška papildyto generavimo) metodų, kai modelis pirmiausia ieško informacijos išoriniuose šaltiniuose, iki RLHF (reinforcement learning from human feedback — mokymasis iš žmonių atsiliepimų), kur žmonės vertina atsakymų kokybę ir modelis mokosi, kas yra geras atsakymas.

Grandininio mąstymo revoliucija

Paprastas klausimas — „kuris gyvūnas aukštesnis, žirafa ar katė?" — žmogaus smegenys atsako net nesusimąsčius. Bet paklausus „ūkyje yra vištų ir karvių, iš viso 40 galvų ir 120 kojų — kiek kurių?" — dauguma mūsų instinktyviai siekia popieriaus ir rašiklio.

Būtent šis skirtumas paaiškina grandininio mąstymo (chain-of-thought reasoning) esmę. Tradiciniai modeliai bandydavo atsakyti iš karto — ir dažnai klysdavo. Naujesni metodai leidžia modeliui „galvoti balsu", išskleidžiant tarpinius žingsnius prieš pateikiant galutinį atsakymą. Rezultatas? Žymiai tikslesni atsakymai į sudėtingus klausimus, ypač matematikos, logikos ir daugiapakopio samprotavimo srityse.

Tai vienas iš įdomiausių AI pažangos aspektų — jis rodo, kad problema buvo ne intelekto trūkumas, o netinkamas klausimo pateikimas. Kai duodame modeliui erdvės „pagalvoti", rezultatai gerokai pagerėja.

Kodėl tai svarbu Lietuvos skaitytojui

Lietuva nėra AI kūrimo milžinė, bet esame šios technologijos naudotojai — ir vis dažniau. Swedbank jau naudoja pokalbių robotus klientų aptarnavime. „Vinted" taiko rekomendacijų algoritmus, kurie mokosi iš milijonų vartotojų veiksmų. Lietuvos mokyklos svarsto, kaip integruoti DI į ugdymo procesą, o įmonės eksperimentuoja su kodo generavimo įrankiais.

Suprasti bazinius terminus nėra akademinis pratimas. Kai bankas sako „mūsų sistema naudoja RAG metodą klientų duomenų apsaugai", o jūs žinote, kad RAG reiškia informacijos paiešką prieš atsakymo generavimą, o ne mokymąsi iš jautrių duomenų — skirtumas yra praktinis. Kai DI agentas siūlo jums finansinį sprendimą, verta suprasti, ar jis „mąsto" žingsniais, ar generuoja atsakymą iš karto.

AI kalba taps vis universalesnė — kaip kad prieš dvidešimt metų „programėlė", „naršyklė" ir „debesija" iš techninio žargono virto kasdieniais žodžiais. Šis žodynas yra kvietimas neatsilikti.