SEAL az önmagát tanító mesterséges intelligencia előhírnöke

Hosszú évek óta tartja magát az elképzelés, hogy a mesterséges intelligencia fejlesztésének kulcsa az emberi tanítás: adatok, címkék, finomhangolás, gondosan megtervezett beavatkozások. Most azonban egy új megközelítés látott napvilágot. Az MIT kutatóinak legújabb munkája, a SEAL (Self-Adapting Language Models) névre keresztelt rendszer olyan nyelvi modelleket mutat be, amelyek képessé válnak saját maguk tanítására. Az eredmények nemcsak technológiai újdonságot jelentenek, hanem felvetik a kérdést: vajon milyen szerepet szánunk a jövőben az embernek az intelligens rendszerek képzésében?

A SEAL alapötlete, hogy a mesterséges intelligenciának nem kell többé tétlen befogadóként várnia az új információkra, vagy a fejlesztői beavatkozásra. Ehelyett a modell képes felismerni, ha valami újat kell megtanulnia, és ezt a folyamatot maga is elindíthatja. Az ehhez szükséges adatokat saját maga generálja, eldönti, hogyan szervezze őket tanulásra alkalmassá, és az így kialakított tanítási anyag segítségével frissíti saját paramétereit – azaz „átalakítja” önmagát. A változtatások nemcsak átmenetiek: a tanult tudás a modell belső súlyaiba íródik be, így hosszú távon is befolyásolja működését.

Ez a működésmód természetesen komoly technikai kihívások elé állítja a fejlesztőket. A rendszernek el kell döntenie, hogy milyen módosítások vezetnek valódi fejlődéshez, és ehhez egy megerősítéses tanulási (reinforcement learning) ciklusban értékeli ki saját teljesítményét. Ha a módosítások pozitív hatással járnak, a modell megerősítést kap, és ezek mentén fejleszti tovább önszerkesztő mechanizmusait. A tanulás tehát nem előre beprogramozott pályán halad, hanem dinamikusan alkalmazkodik az új kihívásokhoz.

A SEAL fejlettsége akkor válik igazán érthetővé, ha megnézzük, hogyan teljesített konkrét feladatokban. Egy tudásbeépítési kísérletben a modellnek egy új szövegrészlet információit kellett beépítenie saját működésébe. Ahelyett, hogy egyszerűen megtanulta volna a szöveget, a rendszer következtetéseket vont le belőle, átalakította azt egy saját szempontjai szerint hatékonyabb tanulási formára, majd ezen az új formán tanította magát. Az eredmény meggyőző: a SEAL jobban teljesített, mint más, akár nagyobb modellek, amelyeket ugyanazon információ nyers formáján képeztek.

Hasonló előnyt mutatott egy absztrakt problémamegoldási feladatban is. Kezdetben a modell teljesítménye nulla volt, de miután saját magát képezte két tanulási cikluson keresztül, a helyes válaszok aránya 72,5%-ra emelkedett. Ez a különbség nem csupán technikai teljesítményként értelmezhető – a változás azt sugallja, hogy a modell képes a saját tanulási stratégiáját felismerni, kiértékelni és optimalizálni.

Mindez nem jelenti azt, hogy a SEAL technológia teljesen problémamentes lenne. A modell – hasonlóan az emberhez – hajlamos „elfelejteni” a régebbi ismereteit, ha túl sok új információval frissíti magát. Ez a jelenség, az ún. katasztrofális felejtés, a mesterséges intelligencia rendszerek egyik közismert gyengesége. A kutatók különféle megoldásokkal kísérleteznek, például rétegezett memória-architektúrák bevezetésével vagy a tanulási változások korlátozásával, de a tökéletes válasz még nem született meg.

Szintén fontos szempont a számítási igény. A SEAL működése jelentős erőforrásokat igényel, hiszen minden új tanulási ciklushoz a modellnek új tanítóanyagot kell előállítania, majd ezen újra és újra finomhangolnia önmagát. Ez a folyamat ma még elsősorban kutatólaborokban alkalmazható, de a tendencia világos: az önálló tanulás irányába mutató fejlesztések előbb-utóbb elérik az ipari alkalmazások szintjét is.

És hogy miért lehet mindez különösen fontos a gazdaság és a társadalom számára? Mert a SEAL olyan lehetőséget nyit meg, amely túllép az eddigi mesterséges intelligencia-modellek eszközként való használatán. A technológia egy olyan intelligens partner ígéretét hordozza, amely nemcsak végrehajtja az utasításokat, hanem értelmez, alkalmazkodik és önállóan fejlődik. Egy egészségügyi döntéstámogató rendszer például naponta képes lenne beépíteni az új kutatási eredményeket; egy jogi modell reggel megismerheti az új precedenseket, délután pedig már használhatja is azokat az elemzéseiben.

Természetesen túlzás lenne azt állítani, hogy az emberi tanítás feleslegessé válik. A mesterséges intelligencia autonómiája nem zárja ki az emberi irányítást, inkább átalakítja annak szerepét. A jövőben nem adatokat címkézünk, hanem kereteket szabunk, célokat definiálunk és figyeljük, hogyan tanul mellettünk egy újfajta intelligencia – saját tempóban, saját módszerekkel, de a közös cél érdekében. A SEAL ezt az irányt teszi először kézzelfoghatóvá. 

Osszd meg ezt a cikket
A Rhino Linux új kiadással jelentkezik: 2025.3
A Linux disztribúciók körében főként kétféle szemléletmód terjedt el, vannak a stabil, ritkán frissülő rendszerek biztonságos kiszámíthatósággal, és a naprakész, de időnként kényes egyensúlyon balanszírozó, gördülő kiadású disztribúciók. A Rhino Linux ezt a két ellenpontot próbálja áthidalni, azaz egyszerre próbál naprakész lenni gördülő disztribúcióként, de alapként az Ubuntura épül, hogy megfelelő stabilitást is biztosítson.
Elég egy fotó és egy hang – az Alibaba új mesterséges intelligenciája teljes testű avatárt készít belőle
Egyetlen hangfelvétel és egy fotó is elegendő ahhoz, hogy élethű, teljes testtel mozgó, arcjátékkal és érzelmekkel teli virtuális karaktereket hozzunk létre – stúdió, színész vagy zöld háttér nélkül. Az Alibaba legújabb fejlesztése, az OmniAvatar nevű nyílt forráskódú mesterséges intelligencia-modell legalábbis éppen ezt ígéri. Bár a technológia még formálódik, már most is érdemes figyelmet szentelni annak, amit lehetővé tesz – és annak is, hogy mindez milyen új kérdéseket vet fel.
ALT Linux 11.0 Education az orosz oktatási intézmények fundamentuma
Az ALT Linux egy orosz gyökerekkel rendelkező, RPM csomagkezelőre épülő Linux disztribúció, amelynek alapjait a Sisyphus csomagtár képezi. Kezdetben orosz lokalizációs erőfeszítésekből nőtte ki magát, együttműködve olyan nemzetközi disztribúciókkal, mint a Mandrake és a SUSE Linux, különös tekintettel a cirill betűs írás támogatására.
A térbeli intelligencia a következő leküzdendő akadály az AGI előtt
Az LLM megszületésével a gépek lenyűgöző képességekre tettek szert. Ráadásul fejlődési sebességük is nagyobb tempóra kapcsolt, nap mint nap jelennek meg újabb modellek, amelyek még hatékonyabbak még jobb képességekkel ruházzák fel a gépeket. Ha azonban közelebbről megvizsgáljuk, ezzel a technológiával még csak most értük el, hogy a gépek képesek egy dimenzióban gondolkodni. A világ amelyben élünk azonban az emberi érzékelés alapján három dimenziós. Egy ember számára nem okoz gondot, hogy megállapítsa, hogy valami egy szék alatt van, vagy mögött, vagy egy felénk repülő labda körülbelül hová fog érkezni. Számos mesterséges intelligencia kutató szerint az AGI azaz a mesterséges általános intelligencia megszületéséhez el kell érni, hogy a gépek három dimenzióban gondolkodjanak, ehhez pedig ki kell fejleszteni a térbeli intelligenciát.
Mi rejlik a Meta mesterséges intelligencia-újjászervezése mögött?
Mark Zuckerberg, a Meta vezérigazgatója nem először lép merészet, ám ezúttal minden eddiginél átfogóbb átszervezést hajt végre a cég mesterséges intelligenciával foglalkozó részlegeiben. A frissen létrehozott Meta Superintelligence Labs (MSL) névre keresztelt új divízió alá kerül az összes eddigi AI-csapat, beleértve a kutatás-fejlesztést, a termékfejlesztést és az alapmodellek építését. A cél nem csupán az emberi gondolkodással versenyképes mesterséges intelligencia (AGI), hanem egy olyan rendszerszintű szuperintelligencia megalkotása, amely meghaladja az emberi képességeket.
Nem támogatja tovább az X11-et GNOME 49
Bár a GNOME talán a legáltalánosabban használt asztali környezet az egyes Linux disztribúciók esetében, a fejlesztők a GNOME 49-ben mégis mélyebb szerkezeti változások mellett döntöttek, amely kihatással lesz a disztribúciók támogatására.

Az elmúlt néhány napban megjelent Linux disztribúció frissítések