Text Reader with Translation
Η Φούσκα της τεχνητής νοημοσύνης θα σκάσει Λογικά το 2028, όταν καταλάβουν ότι απλώς είναι ένα εργαλείο που δουλεύει με στατιστικά.Τι σώζει την σημερινη τεχνητή νοημοσύνη; Τα layer's κι το rag, πριν μπει στο πλυντήριο που λέγεται ,Llm κι βγάζει απαντήσεις, με αυτοπεποίθηση και ας είναι λάθος. Η τεχνητή νοημοσύνη δεν θα σώσει την ανθρωπότητα, ούτε θα βγεί ο Τερμινάτορ, αυτά είναι ένα καλό μάρκετινγκ.Εφοσον έφτιαξα μία μικρή τεχνητή νοημοσύνη, γιατί και εγώ δεν λέω παραμύθια για την δική μου τεχνητή νοημοσύνη, γιατί υπάρχουν και κάποιες αρχές , αυτοί που βγαζουν δις δεν έχουν προφανώς.Μπήκα στην αρχή στην διαδικασία για να μάθω να φτιάξω μόνος μία μικρή τεχνητή νοημοσύνη, δηλαδή στατιστικό μοντέλο όπως έχουν οι μεγάλες εταιρείες τεχνητής νοημοσύνης. Απλώς κατάλαβα ότι δεν είναι τεχνητή νοημοσύνη, είναι απλά στατιστικά,δεν υπάρχει κάτι τρομερό, είναι σαν ένα πολύ ωραίο μαγικό κόλπο,που κατάλαβα πώς λειτουργεί.
Η τεχνητή νοημοσύνη είναι ένα εργαλείο που βασίζεται σε στατιστικό μοντέλο που έφτιαξε
ο Claude Shannon δεν δημιούργησε τα LLM όπως τα ξέρουμε σήμερα. Δημιούργησε όμως τη μαθηματική βάση που έκανε δυνατή αυτή τη λογική: την ιδέα ότι η πληροφορία, η γλώσσα και η επικοινωνία μπορούν να μετρηθούν με πιθανότητες, αβεβαιότητα και πρόβλεψη. Στο έργο του A Mathematical Theory of Communication το 1948 έβαλε τα θεμέλια της θεωρίας πληροφορίας, δηλαδή πώς ένα μήνυμα κωδικοποιείται, μεταδίδεται και ανακατασκευάζεται με όσο γίνεται λιγότερο θόρυβο και απώλεια.
Η ιδέα που συνδέεται περισσότερο με τα LLM είναι απλή: η γλώσσα έχει μοτίβα. Με λίγα λόγια σύνδεσαν τις λέξεις με αριθμούς ,δεν είναι τυχαία σειρά λέξεων. Κάθε επόμενη λέξη ή γράμμα έχει πιθανότητες με βάση αυτά που έχουν προηγηθεί. Ο Shannon μελέτησε την πρόβλεψη της αγγλικής γλώσσας και την εντροπία της, δηλαδή πόση αβεβαιότητα υπάρχει όταν προσπαθείς να μαντέψεις το επόμενο σύμβολο ή γράμμα.
Από εκεί ξεκινά η βαθύτερη λογική των LLM:
δεν σκέφτονται σαν άνθρωποι· προβλέπουν το πιο πιθανό επόμενο κομμάτι γλώσσας με βάση τεράστια στατιστικά μοτίβα.Για παράδειγμα ο σκύλος πεινάει,να του δώσουμε ένα κόκκαλο 75% πιθανότητα, ενα αυτοκίνητο 10% ένα γουρούνι να φάει 15% και αυτά τα ψάχνει σε κείμενα, δηλαδή που έχει πάρει από το ίντερνετ.
Οι βασικοί λόγοι που οδήγησαν στα LLM είναι:
να προβλέπουν τη συνέχεια ενός κειμένου,
να μειώνουν την αβεβαιότητα στη γλώσσα,
να βρίσκουν μοτίβα μέσα σε τεράστιο όγκο κειμένων,να μετατρέπουν τη γλώσσα σε μαθηματικό πρόβλημα,να παράγουν απαντήσεις με βάση πιθανότητες, να συμπιέζουν γνώση σε στατιστικές σχέσεις,να χειρίζονται πληροφορία πιο γρήγορα από τον άνθρωπο.
Τα LLM δεν γεννήθηκαν από ιστορίες περί συνείδησης ή τεχνητών συναισθημάτων. Γεννήθηκαν από τη λογική του Shannon: πληροφορία, πιθανότητα, αβεβαιότητα, πρόβλεψη και μοτίβα στη γλώσσα.
Το ChatGPT, το Claude AI και τα άλλα LLM είναι πολύ πιο εξελιγμένα από τα απλά μοντέλα πρόβλεψης του Shannon, αλλά η αρχική φιλοσοφία είναι κοντά: η γλώσσα μπορεί να αναλυθεί στατιστικά. Το σημερινό LLM απλώς το κάνει σε τεράστια κλίμακα, με πολλά layers, τεράστια δεδομένα και πολύ πιο ισχυρούς υπολογισμούς.
Το LLM δεν είναι “πνεύμα μέσα στη μηχανή”. Είναι ένας βαρύς στατιστικός μηχανισμός γλώσσας. Το πραγματικό έξυπνο εργαλείο είναι η αρχιτεκτονική γύρω του: search, filters, scoring, brains, memory και σωστή χρήση του LLM μόνο όταν χρειάζεται. Λογικά με το σκάσιμο της φούσκας, η τεχνητή νοημοσύνη θα είναι ένα εργαλείο που θα χρησιμοποιεί ο κόσμος όπως η αριθμομηχανή, μάλλον θα πάμε σε μία καινούργια εποχή, που δεν θα είναι τί ξέρεις; Αλλά πόσο γρήγορα μπορείς να βρείς την σωστή πληροφορία,ωστε να διαπιστώσεις εάν είναι αλήθεια και όχι ψέματα. Όπως, λέω πάντα, αυτή είναι μία άποψη ,και αυτά που λέω μπορεί να μην είναι σωστά,και να είναι εντελώς λάθος,για αυτό να ψάχνεται μόνοι σας, για να εξακριβώσετε αυτά που είπα, όχι με τεχνητή νοημοσύνη, γιατί θα σας πει με αυτοπεποίθηση ψέματα... Ότι είναι πολύ καλό! να θυμόμαστε δεν είναι πάντα αληθινό.