Yan LeCun, zakladatel moderní umělé inteligence, veřejně varuje, že současná trajektorie vývoje AI v Silicon Valley je neudržitelná a pravděpodobně se dostane do slepé uličky. LeCun, vítěz Turingovy ceny a bývalý hlavní vědec v oblasti umělé inteligence ve společnosti Meta, tvrdí, že přílišné zaměření tohoto odvětví na velké jazykové modely (LLM) – jako jsou ty, které jsou srdcem ChatGPT – se nakonec ukáže jako neplodné při dosahování skutečné umělé obecné inteligence (AGI).
Omezení současných přístupů
LeCun tvrdí, že LLM, i přes značné investice a rychlý pokrok, mají svá vlastní omezení. Hlavním problémem je, že pouhé zvětšení těchto modelů nepovede k tomu, že počítače budou schopny vyrovnat se nebo překonat lidskou inteligenci. Popisuje „efekt stáda“, kdy společnosti slepě následují stejné přístupy orientované na LLM, čímž potlačují slibnější, ale méně oblíbené oblasti výzkumu.
To je důležité, protože se stovky miliard dolarů nalévají do projektů, které nemusí přinést požadované výsledky. Neúnavné usilování o AGI založené na LLM riskuje plýtvání zdroji a oddalování skutečných průlomů.
Riziko zaostávání
LeCun také poznamenává, že zatímco se Západ zaměřuje na LLM, jiné regiony – zejména Čína – mohou usilovat o alternativní architektury AI s větším dlouhodobým potenciálem. Navrhuje, že čínské společnosti, nezatížené stejnými průmyslovými tlaky, by mohly překonat západní úsilí v závodě o AGI.
Výzva k diverzifikaci
LeCunova kritika se netýká pouze technologických omezení; je to také o nedostatku intelektuální rozmanitosti. Současné prostředí odrazuje od zkoumání alternativních metod umělé inteligence, které se nakonec mohou ukázat jako lepší. Jeho varování následují desetiletí průkopnické práce v této oblasti, včetně zásadních příspěvků ke konvolučním neuronovým sítím a hlubokému učení.
“Existuje stádní efekt, kdy každý v Silicon Valley musí pracovat na stejné věci,” řekl LeCun. “To neponechává žádný prostor pro jiné přístupy, které mohou být z dlouhodobého hlediska mnohem slibnější.”
Sdělení je jasné: chce-li průmysl umělé inteligence dosáhnout skutečné inteligence ve strojích, potřebuje rozšířit své obzory, zpochybnit převládající předpoklady a prozkoumat zásadně odlišné přístupy. Bez diverzifikace by se současný pokrok mohl zastavit a pole by i přes obrovské investice stagnovalo.
Budoucnost vývoje umělé inteligence závisí na uznání těchto omezení a na stimulaci experimentálnějšího a méně konformního výzkumného prostředí.
