Komuniti kecerdasan buatan sedang terlibat dalam perbahasan hangat mengenai sifat pemahaman dalam Model Bahasa Besar ( LLM ), yang dicetuskan oleh penyelidikan terkini MIT mengenai keupayaan navigasi AI. Walaupun model-model ini menunjukkan prestasi yang mengagumkan dalam tugas-tugas tertentu, perbincangan ini mendedahkan persoalan yang lebih mendalam tentang apa yang membentuk kecerdasan dan pemahaman sebenar dalam sistem AI.
Perbahatan Pemadanan Corak vs. Pemahaman
Sebahagian besar komuniti menekankan perbezaan antara pemadanan corak dan pemahaman sebenar. Perbincangan ini menunjukkan bagaimana LLM boleh melaksanakan tugas-tugas kompleks seperti memberikan panduan navigasi langkah demi langkah atau bermain permainan strategik tanpa membangunkan model dalaman yang koheren tentang bagaimana sistem ini sebenarnya berfungsi. Keterbatasan ini menjadi jelas apabila model-model tersebut menghadapi sedikit variasi dalam persekitaran operasi mereka, seperti penutupan jalan dalam tugas navigasi.
LLM dalam bentuk sekarang nampaknya seperti pemikiran intuitif, seperti yang kita gunakan semasa berbual dengan rakan-rakan sambil minum bir. Ia kelihatan seperti hanya satu bahagian dari otak AI masa depan, masih perlu ada sistem lain untuk mengekalkan model dunia, sistem lain untuk perancangan latar belakang, dan sebagainya.
Penemuan Penyelidikan Utama:
- Ketepatan navigasi menurun dari 100% kepada 67% dengan hanya 1% jalan ditutup
- Model menghasilkan peta dalaman yang tidak tepat dengan sambungan jalan yang tidak wujud
- Data latihan rawak menghasilkan model dunia yang lebih baik berbanding latihan strategik
- Model boleh mencapai prestasi tinggi tanpa memahami peraturan asas
Kontroversi Terminologi AI
Komuniti menyatakan kekecewaan terhadap istilah AI yang digunakan untuk teknologi LLM semasa. Ramai yang berpendapat bahawa walaupun model-model ini mengagumkan untuk tugas-tugas tertentu, ia masih tidak mencapai tahap yang secara tradisinya dianggap sebagai kecerdasan buatan. Perdebatan semantik ini mencerminkan kebimbangan yang lebih luas tentang persepsi dan jangkaan awam terhadap teknologi AI, dengan sesetengah pihak menyatakan bahawa sejarah bidang ini selama 70 tahun merangkumi lebih daripada sekadar model bahasa.
Kecerdasan Biologi vs. Pembelajaran Mesin
Satu persamaan menarik muncul dalam perbincangan yang membandingkan kognisi manusia dengan pembelajaran mesin. Ahli komuniti menunjukkan bahawa walaupun haiwan dan kanak-kanak kecil memiliki konsep asas seperti kekalkan objek yang tidak dimiliki oleh LLM semasa. Ini menunjukkan jurang penting antara kecerdasan biologi dan keupayaan AI semasa, terutamanya dalam domain yang memerlukan pemahaman dunia fizikal seperti kimia dan masalah mekanikal.
Kecekapan Sumber dan Pembelajaran
Komuniti juga membincangkan keperluan sumber LLM berbanding dengan kecerdasan biologi. Sementara manusia belajar bahasa dan pemahaman dunia melalui input deria yang terhad dan penggunaan tenaga (kira-kira 20W kuasa otak), LLM memerlukan sumber pengkomputeran dan tenaga yang besar untuk mencapai keupayaan mereka. Perbandingan ini menimbulkan persoalan tentang kecekapan dan kelestarian pendekatan AI semasa.
Perbincangan yang berterusan ini mendedahkan bahawa walaupun LLM mewakili pencapaian teknologi yang signifikan, ia masih kekurangan aspek penting dalam pemahaman sebenar yang dimiliki oleh manusia dan sistem biologi yang paling mudah. Pandangan ini mencadangkan bahawa pembangunan AI masa depan mungkin perlu menggabungkan pendekatan yang berbeza untuk mencapai pemahaman dunia yang sebenar.
Sumber: Despite its impressive output, generative AI doesn't have a coherent understanding of the world