Hol tart ma valójában a mesterséges intelligencia?

A mesterséges intelligencia fejlesztése az elmúlt években látványos és gyakran lenyűgöző eredményeket produkált. Az olyan rendszerek, mint a ChatGPT, képesek természetes nyelvű szövegeket generálni, problémákat megoldani és sokszor az emberi teljesítményt is meghaladni különféle feladatokban. Ugyanakkor egyre több neves kutató és technológiai vezető – köztük John Carmack és François Chollet – hívja fel a figyelmet arra, hogy ezek az eredmények nem feltétlenül jelentik az általános mesterséges intelligencia (AGI) közeledtét. A színfalak mögött most új típusú problémák és kérdések kerültek a figyelem középpontjába, amelyek messze túlmutatnak a puszta teljesítményen.

Az emberhez hasonló intelligencia nem csak számítási kapacitás kérdése

François Chollet, az egyik legismertebb MI-kutató, már évekkel ezelőtt figyelmeztetett arra, hogy a mesterséges intelligencia jelenlegi fejlődése túlságosan a méret és adat irányába tolódott el. Az úgynevezett „skálázási törvények” – vagyis az a felismerés, hogy nagyobb modellek és több adat szinte minden benchmarkon jobb teljesítményt hoz – sokáig úgy tűnt, egyenes úton vezetik el a kutatást az általános intelligencia felé. Azonban Chollet által létrehozott ARC benchmark – amely az absztrakcióra és következtetésre fókuszál – világossá tette: ezek a modellek még a legalapvetőbb elvárásoknak sem felelnek meg, ha teljesen új típusú feladattal találják szembe magukat.

John Carmack, a szoftveripar egyik technikai úttörője, hasonló megállapításokra jutott, miután több évtizedes mérnöki pályafutását az MI-kutatás felé fordította. Bár lenyűgözőnek tartja a nagy nyelvi modellek képességeit, hangsúlyozza, hogy azok nem képesek valódi értelemben tanulni vagy alkalmazkodni új helyzetekhez. Az emberi intelligencia egyik legalapvetőbb jellemzője a rugalmasság – az, hogy képesek vagyunk olyan problémákat is megérteni és kezelni, amelyekhez nem kaptunk előzetes utasításokat. Az MI jelenlegi formái ettől még távol állnak.

A szimulációk határai és a valóság bonyolultsága

Carmack saját cégénél, a Keen Technologies-nál éppen ezt a hiányzó képességet próbálja közelebb hozni. Kutatásaik során az Atari videojátékokat használják tesztkörnyezetként, mivel ezek viszonylag egyszerűek, de mégis kellően sokféle és ember által tervezett kihívást kínálnak. Ugyanakkor a valódi próbatétel akkor következik, amikor ezeket a játékokat nem szimulált környezetben, hanem fizikailag, robotkar és kamera segítségével próbálják megoldatni a mesterséges ágensekkel. Itt már nem csak a képernyő pixeleit kell értelmezni, hanem megbirkózni a való világ időbeliségével, pontatlanságaival és zajaival is. A kutatások megmutatták: az MI-rendszerek teljesítménye jelentősen visszaesik, ha már nem csak digitális környezetben kell működniük.

Ez rámutat arra, mennyire fontos a rendszer-szintű gondolkodás az intelligens viselkedés kialakításában. Az MI nem zárt rendszer, és egy valóban intelligens gépnek képesnek kell lennie arra, hogy változó környezetben is működőképes maradjon. Az olyan problémák, mint a késleltetés kezelése, a fizikai érzékelés megbízhatatlansága vagy a ritka jutalmak észlelése, jelenleg jelentős akadályt jelentenek.

A jelen kutatási irányai: rugalmasság, adaptáció, tanulási hatékonyság

Mind Carmack, mind Chollet kiemelik, hogy az általános intelligencia felé vezető út nem a nagyobb modelleken és több adaton keresztül vezet. Ehelyett a kutatásnak olyan elvekre kell összpontosítania, mint a teszt-idejű adaptáció – vagyis hogy a gép képes legyen futás közben is új információkat feldolgozni és ezek alapján módosítani saját működését. Ez radikálisan eltér a ma domináns statikus megközelítéstől, ahol a modell egyszer megtanul valamit, majd „lefagyasztott” állapotban használják.

Szintén kulcskérdés a tanulási hatékonyság. A mai rendszerek gyakran több millió példán keresztül tanulnak meg viszonylag egyszerű viselkedéseket, miközben egy emberi gyermek – vagy akár egy kisállat – sokkal kevesebb tapasztalatból is képes általánosítani. Ez a különbség nem pusztán technológiai, hanem elméleti kihívás is, amely újfajta tanulási mechanizmusok kidolgozását igényli.

Hol van az MI valódi határa?

A jelenlegi helyzet tükrében nehéz lenne egyértelmű választ adni arra, mennyire vagyunk közel az emberi szintű mesterséges intelligenciához. A nagy nyelvi modellek kétségtelenül áttörést jelentettek a nyelvi feldolgozás és információszerzés terén, de a mélyebb, valódi megértést és problémamegoldó képességet még nem érték el. Az olyan új benchmarkok, mint az ARC vagy a Carmack-féle szekvenciális Atari környezetek, arra próbálnak választ adni, hogyan mérhető és fejleszthető az a típusú intelligencia, amely valóban újat tud alkotni, nem csak összegyűjteni a meglévőt.

A kutatás tehát új szakaszba lépett. Az egyszerűbb mérőszámok helyett komplexebb és életszerűbb problémák kerülnek a fókuszba. A cél nem csupán a „jó válasz” megtalálása, hanem a „hogyan” és a „miért” megértése is. Ebben az irányban haladva lehet esély arra, hogy a mesterséges intelligencia valóban mélyebbé, rugalmasabbá és – idővel – érthetőbbé váljon. 

Osszd meg ezt a cikket
Történelmi fordulat után az SK Hynix az új piacvezető a memóriaiparban
Három évtizeden keresztül a Samsung neve szinte egyet jelentett a DRAM-piac vezető szerepével. Most azonban fordult a kocka: 2025 első félévében a dél-koreai SK Hynix először előzte meg riválisát a globális memóriaiparban, megszakítva ezzel egy több mint harmincéves sorozatot. A változás nem csupán egy vállalati rangsor átrendeződését jelenti, hanem mélyebb átalakulásra utal az egész félvezetőiparban.
Riasztó ütemben nő a szervezett tudományos csalások száma
A tudomány világa a kíváncsiságra, együttműködésre és közös fejlődésre épül – legalábbis az eszmény szerint. A valóságban azonban mindig is jelen volt benne a verseny, az egyenlőtlenség és a hibázás lehetősége. Régóta tartott attól a tudományos közösség, hogy ezek a nyomások néhány kutatót eltérítenek a tudomány alapvető küldetésétől: a hiteles tudás létrehozásától. Sokáig úgy tűnt, hogy a csalás főként magányos elkövetők műve. Az utóbbi években azonban egy aggasztó fordulat bontakozott ki: egyre több bizonyíték utal arra, hogy a csalás immár nem elszigetelt botlások sorozata, hanem szervezett, ipari méreteket öltő tevékenység, állítja egy nemrég megjelent tanulmány.
Túl a zajon, avagy mit hoz valójában a GPT-5?
A mesterséges intelligencia fejlődése az utóbbi években különösen gyors ütemet vett, olyannyira hogy már szinte fullasztó mennyiségben jönnek ki a hírek a fejlettebbnél fejlettebb modellekről. Így ebben a nagy zajban nem könnyű egy-egy új fejlesztésnek kitűnnie, hiszen egyre nagyobbat kell gurítani, ahhoz hogy a felhasználó ingerküszöbét átvigye. Az OpenAI duplán terhelt emiatt, mivel valahogyan meg kell őriznie az elsőbbségét a többiek előtt akik szorosan jönnek fel mögötte. Ebbe a feszült térbe érkezett meg az OpenAI által most bemutatott GPT-5 modellcsalád, amely a kritikusok által is nagyon várt, hiszen az előzetes beharangozások alapján nem kevesebbet várnak el tőle minthogy minimum új mérföldkő legyen a mesterséges intelligencia modellek tekintetében. A nagy kérdés tehát az, hogy vajon megfelel e ezeknek az elvárásoknak. A cikk során megvizsgáljuk, hogyan illeszkedik a GPT-5 a mesterséges intelligencia modellek a fejlődési ívébe, milyen újdonságokat hoz, és miképpen hat a jelenlegi technológiai ökoszisztémára.
A legnépszerűbb elméletek az AI munkahelyekre gyakorolt hatásáról
A ChatGPT 2022 év végi megjelenése óta szinte hónapról hónapra újabb lehengerlő fejlesztések jelennek meg az AI területén ezért szinte azonnal beindult a fantáziálás arról, hogy miként is fogja ez megváltoztatni az életünket. Ezen belül is az egyik elsődleges kérdés, hogy milyen hatással lesz a munkahelyekre. Mivel a félelmek nem csillapodnak ezzel kapcsolatban, megjegyzem teljesen jogosan, azt gondolom érdemes időnként újból és újból megvizsgálni ezt a kérdést, hiszen az AI fejlődése drámai, ugyanakkor az idő előrehaladtával mégis talán egyre pontosabb képet kaphatunk az ilyen jellegű kérdésekről, hiszen az empirikus tapasztalatok is egyre gyűlnek és egyre több olyan elmélet lát napvilágot, amely igyekszik megválaszolni a kérdéseket. A cikkben igyekeztem összegyűjteni a legrelevánsabb elméleteket, bár a teljesség igénye nélkül hiszen ezek irodalma napról napra bővül. A kérdés természetes az, hogy látható e már a fény az alagút végén, vagy még mindig befelé haladunk egy olyan új világba, amelyről még mindig túl keveset tudunk.
Brutális negyedév az Apple-nél, de mi lesz az iPhone után?
Az Apple a globális gazdasági és kereskedelmi kihívások közepette ismét bizonyította rendkívüli piaci erejét, felülmúlva az elemzői várakozásokat a 2025-ös pénzügyi év harmadik negyedévében. A cupertinói óriás nem csupán rekordbevételt könyvelt el a júniussal zárult időszakban, de egy történelmi mérföldkövet is elért: leszállította a hárommilliárdodik iPhone-t. Ez az eredmény egy olyan korszakban született, amikor a vállalatot egyszerre sújtják a büntetővámok költségei és a mesterséges intelligencia területén tapasztalható, egyre élesedő verseny és számos kudarc amit a vállalat kénytelen volt elszenvedni.
Gondolkodásra tanít az OpenAI Study Mode
Az utóbbi években a mesterséges intelligenciának köszönhetően forradalmi változások indultak be az oktatásban, ahol a hangsúly egyre inkább a passzív információbefogadásról az aktív, mélyebb megértést célzó tanulási folyamatokra helyeződik át.