Αυτή την εβδομάδα στο AI: Το OpenAI βρίσκει έναν συνεργάτη σε ανώτερη έκδοση

Το να συμβαδίζεις με έναν κλάδο τόσο γρήγορο όσο η τεχνητή νοημοσύνη είναι μια μεγάλη παραγγελία. Έτσι, έως ότου μια τεχνητή νοημοσύνη μπορεί να το κάνει για εσάς, ακολουθεί μια χρήσιμη συλλογή από πρόσφατες ιστορίες στον κόσμο της μηχανικής μάθησης, μαζί με αξιοσημείωτες έρευνες και πειράματα που δεν καλύψαμε από μόνα τους.

Αυτή την εβδομάδα στο AI, το OpenAI υπέγραψε τον πρώτο του πελάτη τριτοβάθμιας εκπαίδευσης: το Arizona State University.

Η ASU θα συνεργαστεί με το OpenAI για να φέρει το ChatGPT, το chatbot με τεχνητή νοημοσύνη του OpenAI, στους ερευνητές, το προσωπικό και τους διδάσκοντες του πανεπιστημίου — πραγματοποιώντας μια ανοιχτή πρόκληση τον Φεβρουάριο για να καλέσει τους καθηγητές και το προσωπικό να υποβάλουν ιδέες για τρόπους χρήσης του ChatGPT.

Η συμφωνία OpenAI-ASU απεικονίζει τις μεταβαλλόμενες απόψεις σχετικά με την τεχνητή νοημοσύνη στην εκπαίδευση, καθώς η τεχνολογία προχωρά πιο γρήγορα από ό,τι μπορούν να συμβαδίσουν τα προγράμματα σπουδών. Το περασμένο καλοκαίρι, σχολεία και κολέγια έσπευσαν να απαγορεύσουν το ChatGPT λόγω λογοκλοπής και φόβου παραπληροφόρησης. Από τότε, κάποιοι έχουν

αντίστροφα

τις απαγορεύσεις τους, ενώ άλλοι έχουν αρχίσει να φιλοξενούν εργαστήρια για τα εργαλεία GenAI και τις δυνατότητές τους για μάθηση.

Η συζήτηση για τον ρόλο του GenAI στην εκπαίδευση

δεν είναι

πιθανό να διευθετηθεί σύντομα. Αλλά —όσο αξίζει— βρίσκομαι όλο και περισσότερο στο στρατόπεδο των υποστηρικτών.

Ναι, το GenAI είναι ένα

κακή σύνοψη

. Είναι προκατειλημμένο και τοξικό. Φτιάχνει πράγματα. Μπορεί όμως να χρησιμοποιηθεί και για καλό.

Σκεφτείτε πώς ένα εργαλείο όπως το ChatGPT μπορεί να βοηθήσει τους μαθητές που δυσκολεύονται να κάνουν μια εργασία για το σπίτι. Θα μπορούσε να εξηγήσει ένα μαθηματικό πρόβλημα βήμα προς βήμα ή να δημιουργήσει ένα περίγραμμα δοκιμίου. Ή θα μπορούσε να εμφανίσει την απάντηση σε μια ερώτηση που θα χρειαζόταν πολύ περισσότερο στην Google.

Τώρα, υπάρχουν εύλογες ανησυχίες σχετικά με την εξαπάτηση – ή τουλάχιστον τι μπορεί να θεωρηθεί ως εξαπάτηση εντός των ορίων των σημερινών προγραμμάτων σπουδών. Έχω ακούσει ανέκδοτα για μαθητές, ιδιαίτερα για φοιτητές στο κολέγιο, που χρησιμοποιούν το ChatGPT για να γράψουν μεγάλα κομμάτια γραπτών και ερωτήσεις για δοκίμια σε δοκιμές στο σπίτι.

Αυτό δεν είναι νέο πρόβλημα – οι επί πληρωμή υπηρεσίες συγγραφής δοκιμίων υπάρχουν εδώ και πολύ καιρό. Αλλά το ChatGPT μειώνει δραματικά το εμπόδιο εισόδου, υποστηρίζουν ορισμένοι εκπαιδευτικοί.

Υπάρχει

απόδειξη

να υποδηλώνει ότι αυτοί οι φόβοι είναι υπερβολικοί. Αλλά αφήνοντας αυτό για λίγο στην άκρη, λέω να κάνουμε πίσω και να εξετάσουμε τι ωθεί τους μαθητές να εξαπατήσουν αρχικά. Οι μαθητές συχνά ανταμείβονται για τους βαθμούς, όχι την προσπάθεια ή την κατανόηση. Η δομή κινήτρων είναι στρεβλή. Είναι λοιπόν περίεργο που τα παιδιά βλέπουν τις σχολικές εργασίες ως πλαίσια προς έλεγχο και όχι ως ευκαιρίες για μάθηση;

Αφήστε λοιπόν τους μαθητές να έχουν το GenAI — και αφήστε τους εκπαιδευτικούς να δοκιμάσουν τρόπους για να αξιοποιήσουν αυτή τη νέα τεχνολογία για να προσεγγίσουν τους μαθητές εκεί που βρίσκονται. Δεν έχω πολλές ελπίδες για δραστική εκπαιδευτική μεταρρύθμιση. Ίσως όμως το GenAI να χρησιμεύσει ως σημείο εκκίνησης για σχέδια μαθημάτων που ενθουσιάζουν τα παιδιά με θέματα που ποτέ δεν θα είχαν εξερευνήσει στο παρελθόν.

Ακολουθούν μερικές άλλες αξιοσημείωτες ιστορίες AI από τις τελευταίες ημέρες:

Ο δάσκαλος ανάγνωσης της Microsoft:

Η Microsoft αυτή την εβδομάδα δημιούργησε το Reading Coach, το εργαλείο AI που παρέχει στους μαθητές εξατομικευμένη πρακτική ανάγνωσης,

διαθέσιμος

χωρίς κόστος για κανέναν με λογαριασμό Microsoft.

Αλγοριθμική διαφάνεια στη μουσική:

Οι ρυθμιστικές αρχές της ΕΕ ζητούν νόμους που θα επιβάλλουν μεγαλύτερη αλγοριθμική διαφάνεια από τις πλατφόρμες ροής μουσικής. Θέλουν επίσης να ασχοληθούν με τη μουσική που δημιουργείται από την τεχνητή νοημοσύνη — και τα deepfakes.

Τα

ρομπότ

της NASA:

Η NASA έδειξε πρόσφατα μια αυτοσυναρμολογούμενη ρομποτική δομή που, γράφει ο Devin, θα μπορούσε απλώς να γίνει ένα κρίσιμο μέρος της μετακίνησης εκτός πλανήτη.

Samsung Galaxy, τώρα με τεχνητή νοημοσύνη:

Στην εκδήλωση παρουσίασης του Galaxy S24 της Samsung, η εταιρεία παρουσίασε τους διάφορους τρόπους με τους οποίους η τεχνητή νοημοσύνη θα μπορούσε να βελτιώσει την εμπειρία του

smartphone

, μεταξύ άλλων μέσω ζωντανής μετάφρασης για κλήσεις, προτεινόμενες απαντήσεις και ενέργειες και έναν νέο τρόπο για την αναζήτηση Google χρησιμοποιώντας χειρονομίες.

Επιλύτης γεωμετρίας του DeepMind:

Το DeepMind, το εργαστήριο Έρευνας και Ανάπτυξης Τεχνητής Νοημοσύνης της Google, παρουσίασε αυτή την εβδομάδα το AlphaGeometry, ένα σύστημα τεχνητής νοημοσύνης που το εργαστήριο ισχυρίζεται ότι μπορεί να λύσει τόσα προβλήματα γεωμετρίας όσο ο μέσος χρυσός Ολυμπιονίκης της Διεθνούς Μαθηματικής Ολυμπιάδας.

OpenAI και crowdsourcing:

Σε άλλες ειδήσεις του OpenAI, η startup σχηματίζει μια νέα ομάδα, την Collective Alignment, για να εφαρμόσει ιδέες από το κοινό σχετικά με το πώς να διασφαλίσει ότι τα μελλοντικά της μοντέλα AI «ευθυγραμμίζονται με τις

αξίες

της ανθρωπότητας». Ταυτόχρονα, αλλάζει την πολιτική της για να επιτρέψει στρατιωτικές εφαρμογές της τεχνολογίας της. (Μιλάμε για μικτά μηνύματα.)

Ένα Pro σχέδιο για το Copilot:

Η Microsoft κυκλοφόρησε ένα πρόγραμμα επί πληρωμή με επίκεντρο τον καταναλωτή για το Copilot, την επωνυμία-ομπρέλα για το χαρτοφυλάκιο τεχνολογιών παραγωγής περιεχομένου που βασίζονται σε τεχνητή νοημοσύνη, και χαλάρωσε τις απαιτήσεις καταλληλότητας για προσφορές Copilot σε εταιρικό επίπεδο. Έχει επίσης κυκλοφορήσει νέες δυνατότητες για δωρεάν χρήστες, συμπεριλαμβανομένης μιας εφαρμογής για smartphone Copilot.

Παραπλανητικά μοντέλα:

Οι περισσότεροι άνθρωποι μαθαίνουν την ικανότητα να εξαπατούν άλλους ανθρώπους. Μπορούν λοιπόν τα μοντέλα AI να μάθουν το ίδιο; Ναι, φαίνεται η απάντηση — και τρομακτικά, είναι εξαιρετικά καλοί σε αυτό. σύμφωνα με μια νέα μελέτη της startup τεχνητής νοημοσύνης Anthropic.

Το σκηνοθετημένο demo ρομποτικής της Tesla:

Το ανθρωποειδές ρομπότ Optimus του Έλον Μασκ από την Tesla κάνει περισσότερα πράγματα — αυτή τη φορά διπλώνοντας ένα t-shirt σε ένα τραπέζι σε μια εγκατάσταση ανάπτυξης. Αλλά όπως αποδεικνύεται, το ρομπότ είναι κάθε άλλο παρά αυτόνομο στην παρούσα φάση.

Περισσότερες μηχανικές εκμάθηση

Ένα από τα πράγματα που εμποδίζουν τις ευρύτερες εφαρμογές πραγμάτων όπως η δορυφορική ανάλυση με τεχνητή νοημοσύνη είναι η ανάγκη μοντέλων εκπαίδευσης να αναγνωρίζουν αυτό που μπορεί να είναι ένα αρκετά εσωτερικό σχήμα ή έννοια. Προσδιορισμός του περιγράμματος ενός κτιρίου: εύκολο. Εντοπισμός πεδίων συντριμμιών μετά από πλημμύρες: όχι τόσο εύκολο! Ελβετοί ερευνητές στο EPFL ελπίζουν να το κάνουν ευκολότερο

ένα πρόγραμμα που ονομάζουν METEOR.

«Το πρόβλημα στην περιβαλλοντική επιστήμη είναι ότι είναι συχνά αδύνατο να αποκτήσουμε ένα αρκετά μεγάλο σύνολο δεδομένων για την εκπαίδευση προγραμμάτων τεχνητής νοημοσύνης για τις ερευνητικές μας ανάγκες», δήλωσε ο Marc Rußwurm, ένας από τους ηγέτες του έργου. Η νέα δομή τους για εκπαίδευση επιτρέπει σε έναν αλγόριθμο αναγνώρισης να εκπαιδεύεται για μια νέα εργασία με μόλις τέσσερις ή πέντε αντιπροσωπευτικές εικόνες. Τα αποτελέσματα είναι συγκρίσιμα με μοντέλα που έχουν εκπαιδευτεί σε πολύ περισσότερα δεδομένα. Το σχέδιό τους είναι να διαβαθμίσουν το σύστημα από εργαστήριο σε προϊόν με ένα UI για να το χρησιμοποιούν απλοί άνθρωποι (δηλαδή, ερευνητές που δεν είναι ειδικοί στην τεχνητή νοημοσύνη). Μπορείς να διαβάσεις

την εργασία που δημοσίευσαν εδώ

.

Η μετάβαση στην άλλη κατεύθυνση – η δημιουργία εικόνων – είναι ένα πεδίο έντονης έρευνας, καθώς αν το κάνετε αποτελεσματικά θα μπορούσε να μειώσει τον υπολογιστικό φόρτο για τις παραγωγικές πλατφόρμες τεχνητής νοημοσύνης. Η πιο κοινή μέθοδος ονομάζεται διάχυση, η οποία σταδιακά βελτιώνει μια καθαρή πηγή θορύβου σε μια εικόνα στόχο. Το Los Alamos National Lab έχει

μια νέα προσέγγιση που ονομάζουν Blackout Diffusion

το οποίο αντίθετα ξεκινά από μια καθαρή μαύρη εικόνα.

Αυτό εξαλείφει την ανάγκη για θόρυβο από την αρχή, αλλά η πραγματική πρόοδος βρίσκεται στο πλαίσιο που λαμβάνει χώρα σε «διακριτές χώρους» και όχι σε συνεχή, μειώνοντας σημαντικά το υπολογιστικό φορτίο. Λένε ότι αποδίδει καλά και με χαμηλότερο κόστος, αλλά σίγουρα απέχει πολύ από την ευρεία κυκλοφορία. Δεν είμαι ικανός να αξιολογήσω την αποτελεσματικότητα αυτής της προσέγγισης (τα μαθηματικά με ξεπερνούν πολύ) αλλά τα εθνικά εργαστήρια δεν τείνουν να διαφημίζουν κάτι τέτοιο χωρίς λόγο. Θα ρωτήσω τους ερευνητές για περισσότερες πληροφορίες.

Τα μοντέλα τεχνητής νοημοσύνης φυτρώνουν σε όλες τις φυσικές επιστήμες, όπου η ικανότητά τους να κοσκινίζουν το σήμα από το θόρυβο παράγει νέες ιδέες και εξοικονομεί χρήματα στις ώρες εισαγωγής δεδομένων των φοιτητών.

Η Αυστραλία κάνει αίτηση

Η τεχνολογία ανίχνευσης πυρκαγιάς του Pano AI στο «Πράσινο Τρίγωνο», μια σημαντική δασική περιοχή. Λατρεύω να βλέπω νεοφυείς επιχειρήσεις να χρησιμοποιούνται με αυτόν τον τρόπο — όχι μόνο θα μπορούσε να βοηθήσει στην πρόληψη των πυρκαγιών, αλλά παράγει πολύτιμα δεδομένα για τις αρχές δασοκομίας και φυσικών πόρων. Κάθε λεπτό μετράει με πυρκαγιές (ή πυρκαγιές, όπως τις αποκαλούν εκεί κάτω), οπότε οι έγκαιρες ειδοποιήσεις θα μπορούσαν να είναι η διαφορά μεταξύ δεκάδων και χιλιάδων στρεμμάτων ζημιάς.

Μείωση μόνιμου παγετού όπως μετράται από το παλιό μοντέλο, αριστερά και το νέο μοντέλο, δεξιά.

Το Los Alamos λαμβάνει μια δεύτερη αναφορά (μόλις κατάλαβα καθώς προχωράω στις σημειώσεις μου) καθώς εργάζονται επίσης σε ένα νέο μοντέλο AI για

εκτιμώντας την πτώση του μόνιμου παγετού

. Τα υπάρχοντα μοντέλα για αυτό έχουν χαμηλή ανάλυση, προβλέποντας τα επίπεδα μόνιμου παγετού σε κομμάτια περίπου 1/3 του τετραγωνικού μιλίου. Αυτό είναι σίγουρα χρήσιμο, αλλά με περισσότερες λεπτομέρειες λαμβάνετε λιγότερα παραπλανητικά αποτελέσματα για περιοχές που μπορεί να μοιάζουν με 100% μόνιμο πάγο σε μεγαλύτερη κλίμακα, αλλά είναι σαφώς λιγότερο από αυτό όταν κοιτάζετε πιο προσεκτικά. Καθώς η κλιματική αλλαγή εξελίσσεται, αυτές οι μετρήσεις πρέπει να είναι ακριβείς!

Οι βιολόγοι βρίσκουν ενδιαφέροντες τρόπους για να δοκιμάσουν και να χρησιμοποιήσουν τεχνητή νοημοσύνη ή γειτονικά μοντέλα σε πολλά υποπεδία αυτού του τομέα. Σε πρόσφατο συνέδριο

γράφτηκε από τους φίλους μου στο GeekWire

εργαλεία για την παρακολούθηση ζέβρες, έντομα, ακόμη και μεμονωμένα κύτταρα εμφανίζονταν σε συνεδρίες αφίσας.

Και από την πλευρά της φυσικής και της χημείας, οι ερευνητές του Argonne NL εξετάζουν τον καλύτερο τρόπο συσκευασίας υδρογόνου για χρήση ως καύσιμο. Το ελεύθερο υδρογόνο είναι γνωστό ότι είναι δύσκολο να συγκρατηθεί και να ελεγχθεί, επομένως η δέσμευσή του σε ένα ειδικό βοηθητικό μόριο το διατηρεί ήμερο. Το πρόβλημα είναι ότι το υδρογόνο συνδέεται σχεδόν με τα πάντα, επομένως υπάρχουν δισεκατομμύρια και δισεκατομμύρια δυνατότητες για βοηθητικά μόρια. Αλλά η ταξινόμηση μέσω τεράστιων συνόλων δεδομένων είναι μια ειδικότητα μηχανικής μάθησης.

«Ψάχναμε για οργανικά υγρά μόρια που συγκρατούν το υδρογόνο για μεγάλο χρονικό διάστημα, αλλά όχι τόσο έντονα ώστε να μην μπορούν να αφαιρεθούν εύκολα κατόπιν ζήτησης», δήλωσε ο Hassan Harb του έργου.

Το σύστημά τους ταξινομήθηκε μέσω 160 δισεκατομμυρίων μορίων

, και με τη χρήση μιας μεθόδου ελέγχου τεχνητής νοημοσύνης μπόρεσαν να εξετάσουν 3 εκατομμύρια το δευτερόλεπτο — έτσι η όλη τελική διαδικασία κράτησε περίπου μισή μέρα. (Φυσικά, χρησιμοποιούσαν έναν αρκετά μεγάλο υπερυπολογιστή.) Εντόπισαν 41 από τους καλύτερους υπο

ψηφίο

υς, που είναι ένας μπερδεμένος αριθμός για το πειραματικό πλήρωμα για να δοκιμάσει στο εργαστήριο. Ας ελπίσουμε ότι θα βρουν κάτι χρήσιμο — δεν θέλω να αντιμετωπίσω διαρροές υδρογόνου στο επόμενο αυτοκίνητό μου.

Για να κλείσω με μια λέξη προσοχής, όμως:

μια μελέτη στην Επιστήμη

διαπίστωσε ότι τα μοντέλα μηχανικής μάθησης που χρησιμοποιούνται για την πρόβλεψη του τρόπου με τον οποίο οι ασθενείς θα ανταποκρίνονταν σε ορισμένες θεραπείες ήταν εξαιρετικά ακριβή… εντός της ομάδας δείγματος στην οποία εκπαιδεύτηκαν. Σε άλλες περιπτώσεις, βασικά δεν βοήθησαν καθόλου. Αυτό δεν σημαίνει ότι δεν πρέπει να χρησιμοποιούνται, αλλά υποστηρίζει αυτό που λένε πολλοί άνθρωποι στην επιχείρηση: Η τεχνητή νοημοσύνη δεν είναι ασημένια κουκκίδα και πρέπει να ελέγχεται διεξοδικά σε κάθε νέο πληθυσμό και εφαρμογή που εφαρμόζεται προς την.