Za većinu korisnika interneta, generativna umjetna inteligencija (AI) je jednostavno AI. Veliki jezični modeli (LLM) poput GPT-a i Claudea su de facto vrata u svijet umjetne inteligencije i beskrajnih mogućnosti koje ona nudi. Nakon što su savladali našu sintaksu i remixirali naše meme, LLM-ovi su osvojili maštu javnosti.
Jednostavni su za korištenje i zabavni. I – osim povremenih halucinacija – pametni su. No, dok se javnost igra sa svojim omiljenim LLM-om, oni koji žive, dišu i spavaju AI – istraživači, tehnološki entuzijasti i programeri – fokusirani su na veće stvari. To je zato što je krajnji cilj za AI eksperte umjetna opća inteligencija (AGI). To je završna igra.
Za stručnjake, LLM-ovi su sporedna predstava. Zabavni i izuzetno korisni, ali na kraju ‘uska AI’. Dobri su u onome što rade jer su trenirani na specifičnim skupovima podataka, ali nisu sposobni odmaknuti se od svoje uske specijalizacije i pokušati riješiti veće probleme.
Smanjeni povrati i inherentna ograničenja modela dubokog učenja potiču istraživanje pametnijih rješenja sposobnih za stvarno razmišljanje. Modeli koji se nalaze negdje između LLM-a i AGI-a. Jedan od sustava koji spada u ovu kategoriju – pametniji od LLM-a i predokus buduće AI – je OpenCog Hyperon, okvir otvorenog koda koji je razvio SingularityNET.
Sa svojim ‘neuronalno-simboličkim’ pristupom, Hyperon je osmišljen da premošćuje razliku između statističkog prepoznavanja obrazaca i logičkog rasuđivanja, nudeći putokaz koji spaja današnje chatbotove i sutrašnje beskrajne misleće strojeve.
Hibridna arhitektura za AGI
SingularityNET je postavio OpenCog Hyperon kao platformu za istraživanje AGI sljedeće generacije koja integrira više AI modela u jedinstvenu kognitivnu arhitekturu. Za razliku od sustava fokusiranih na LLM, Hyperon je izgrađen oko integracije neuronskih i simboličkih komponenti gdje AI može učiti iz podataka i rasuđivati o znanju.
To je zato što, s neuronalno-simboličkom AI, neuronske komponente učenja i simbolički mehanizmi rasuđivanja su isprepleteni tako da jedan može informirati i poboljšati drugi. Ovo prevladava jedno od glavnih ograničenja čistih statističkih modela uključivanjem strukturiranih, interpretabilnih procesa rasuđivanja.
U svom središtu, OpenCog Hyperon kombinira probabilističku logiku i simboličko rasuđivanje s evolucijskom sintezom programa i učenjem više agenata. To su mnogi pojmovi za obraditi, pa pokušajmo razjasniti kako to sve djeluje u praksi. Da bismo razumjeli OpenCog Hyperon – i posebno zašto je neuronalno-simbolička AI tako važna – trebamo razumjeti kako LLM-ovi rade i gdje im nedostaje.
