Sam Altman, az OpenAI vezérigazgatója egy olyan jövőről beszél, amelyben „radikális bőség” uralkodik, köszönhetően az anyagtudományban és az agy-számítógép interfészekben bekövetkező áttöréseknek. Demis Hassabis, a DeepMind kutatója hasonlóképpen azt jósolja, hogy a mesterséges általános intelligencia (AGI) segíteni fog a betegségek gyógyításában, jelentősen megnöveli majd az emberek élettartamát, sőt, még az űr kolonizációját is lehetővé teszi:

„Az emberiség maximális virágzásának korszakát kellene hoznia.”

Ezek az ambíciózus elképzelések azonban jelentős részben azon alapulnak, hogy a nagy nyelvi modellek (LLM-ek) javulnak, ha a méretüket és a számítási kapacitásukat növeljük. Magyarán és konyhanyelven szólva, minél több és minél jobb/erősebb számítógépet dobálunk be, annál előbb elérkezik az AGI. Ezt a „skálázási törvényt” évek óta érvényesnek tartják, azonban az utóbbi időben akadnak fejlemények, amelyek kezdik rontani ezt a hurráoptimista képet: az OpenAI például jelentős költségek mellett fejlesztette ki a jelenleg kísérleti változatban elérhető GPT-4.5 modellt, amely azonban csak minimális javulást mutat elődjéhez, a GPT-4-hez képest, ráadásul egy időre le is kellett állítani. A Meta pedig állítólag 14 milliárd eurós befektetéssel készül a szuperintelligencia létrehozására, ám továbbra sem egyértelmű, hogy ez az óriási kiadás valóban a befektetéssel arányos eredményeket hoz-e.

A teljesítménykorlátok átlépésére több vállalat speciális érvelési modelleket dolgozott ki, mint például az OpenAI „o1” nevű rendszere, amelyek hosszabb feldolgozási időket és iteratív „gondolatmeneteket” alkalmaznak.

„Jogos volt az aggodalom, hogy stagnálni kezd az MI fejlődése”

– mondta Noam Brown az OpenAI-tól, ugyanakkor ezek az új modellek már annak a reménysugarai, hogy a fejlődés igenis folytatódhat.

Az eddigi tanulmányok viszont azt mutatják, hogy még ezek a fejlettebb érvelési rendszerek is gyakran elbuknak egyszerű logikai feladatokban. Az Apple kutatói által vizsgált DeepSeek és Anthropic modellek sokszor következetlen érvelést mutattak, ráadásul nehezebb feladatoknál kevesebb adatfeldolgozási kapacitást használtak, ami paradox módon azt jelzi, hogy éppen a nagyobb gondolkodási igényt jelentő problémák esetén gondolkodnak kevesebbet.

„Ezek olyan típusú feladatok, amelyeket már ötven évvel ezelőtt meg tudtunk oldani szimbolikus mesterséges intelligenciával” – mondta Artur Garcez, a Londoni City Egyetem kutatója.

Más kutatások arra is rámutatnak, hogy hosszabb „gondolkodási” idő néha még ronthatja is a modellek teljesítményét. Egy vizsgálat szerint háromszorosára növelve az adatfeldolgozási kapacitást mindössze 5%-os javulást sikerült elérni, az ennél további növelés viszont már 17%-kal csökkentette a pontosságot. Néha még az is előfordult, hogy ha a modellnek egy értelmetlen „gondolatmenetet” adtak, jobb eredményeket hozott, mint amire a saját logikusnak szánt válaszaival jutott volna. A kutatók ezért óva intenek attól, hogy valódi érvelésként értelmezzük a modellek működését.

„Ellentmondás van aközött, amire betanítjuk őket – vagyis a következő szó előrejelzése –, és aközött, amit valóban elvárunk tőlük, azaz a valódi érvelés”

– fogalmazott Andreas Vlachos, a Cambridge-i Egyetem munkatársa. Ennek ellenére az OpenAI kitart amellett, hogy az érvelési képességek fejlesztése továbbra is központi eleme marad a munkájuknak.

(Forrás: New Scientist, kép: Pixabay/BrianPenny)