Mašine i ljudi ipak nisu ravnopravni

Postoji li opasnost da nas ChatGPT, zahvaljujući svojim neverovatnim sposobnostima, potisne na margine života? Prema nekim analizama, sve intenzivnija upotreba veštačke inteligencije (AI) dovešće do toga da oko 15-30 odsto radnih mesta postane suvišno do kraja 2030. godine. Više nam neće biti potrebni stručnjaci, sve će ih zameniti ChatGPT ili neki njegov klon.
 
U sve većem broju restorana roboti polako zamenjuju konobare. Industrijske montažne trake danas su potpuno automatizovane, u mnogim halama nema nijednog radnika. Kompjuteri ugrađeni u automobile kao što je “tesla” danas mogu u potpunosti da odmene vozača i svedu ga na nivo pasivnog putnika. U strahu za svoje radno mesto su i prevodioci, novinari, programeri, administrativni službenici, radnici u kontakt-centrima, nastavnici… Sve njih je, već danas, u većoj ili manjoj meri, moguće zamenti inteligentnim botovima kao što je ChatGPT. Čak ni medicinski radnici nisu sigurni: u vodećim svetskim zdravstvenim ustanovama sve više se koriste neuronske mreže za postavljanje dijagnoze na osnovu analize radioloških snimaka. Ispostavilo se da mašine uočavaju rane maligne procese efikasnije nego ljudi.
 
Istorija ljudskog rada je, zapravo, priča o tome kako su ljudi teške i dosadne poslove postepeno prenosili na mašine. Te mašine danas su stigle do tačke kada počinju da se bave logikom i zaključivanjem, da komuniciraju na govornom jeziku, da prepoznaju zvuk i oblike. Ovoga puta mašine preuzimaju i intelektualne, a ne samo fizičke poslove. Ako se sadašnji trend nastavi, reklo bi se da će, pre ili kasnije, sve biti automatizovano i da nijedno radno mesto više nije sigurno jer jednoga dana neće biti potrebno.
 
Da li su ljudi i mašine zaista međusobno suprotstavljeni? Ova dilema počiva na pretpostavci da su mašine i ljudi ravnopravni. Srećom, oni to nisu i još dugo neće biti. Mašine su možda brze, hladno racionalne i tačne, ali ne mogu da se pohvale intuicijom, kreativnim razmišljanjem ili emocionalnom inteligencijom. Ljudi su, uz to, sposobni da se adaptiraju na promenjene okolnosti i svoj rad prilagođavaju spoljašnjim uticajima, dok su mašine blaženo nesvesne sveta oko sebe. Upravo zato što posedujemo osobine koje mašine nemaju, za ljude će (još) uvek biti mesta. Ljudski um, po svemu sudeći, još uvek nije moguće zameniti gomilom brojeva, makar ih bilo 175 milijardi.
 
Da li je parna mašina obesmislila ljudski rad? Nije, baš kao što ni montažna traka nije eliminisala radnika u automobilskoj industriji. Možda je prestala potreba za nekvalifikovanom radnom snagom, ali su se zato pojavila kreativnija radna mesta: umesto spajanjem delova, ljudi se danas mnogo više bave dizajnom, konstrukcijom, optimizacijom, ekološkim aspektima i istraživanjem. I pored sve automatizacije, prosečni radnik u automobilskoj industriji danas zarađuje više nego pre par decenija. I od kompjutera se nekad očekivalo da u potpunosti zamene ljude koji su računali “peške” ili se bavili tabelama iscrtanim na ogromnim papirima. Ti ljudi nisu nestali, prekvalifikovali su se u stručnjake za Excel i programiranje. Rađaju se nova, bolje plaćena zanimanja, neka stara se gase, a gubitnici će biti jedino oni koji tu promenu odbijaju da prihvate.
 
dr Saša Marković

Počeci mašinskog učenja sežu sve do ranih pedesetih godina prošlog veka kada su naučnici prvi put pokušavali da ljudsko razmišljanje i sposobnost prepoznavanja obrazaca pretoče u kompjuterske algoritme. Kao rezultat takvih pokušaja nastaju prve neuronske mreže koje vrlo brzo bivaju napuštene zbog nedovoljne razvijenosti tadašnjih računara, kao i male količine podataka potrebnih za treniranje neuronskih mreža.
 
Umesto toga, naučnici se okreću jednostavnijim modelima koji se umnogome baziraju isključivo na statistici. Takvo mašinsko učenje statističari su koristili još u prošlom veku, kako bi na osnovu nekih podataka iz prošlosti predvideli šta će se dešavati u budućnosti koristeći isključivo matematiku, ponekad čak i ručno izvodeći svoja izračunavanja.
 
Tek sa pojavom moćnih računara i razvojem interneta, naučnici su opet počeli da se bave neuronskim mrežama. Oblast mašinskog učenja koja izučava neuronske mreže i razvija modele bazirane na njima naziva se duboko učenje (eng. deep learning). Naziv u sebi odražava činjenicu da su neuronske mreže slojevite i da čak ni programeri koji su ih modelirali nisu sasvim sigurni šta se u unutrašnjim slojevima dešava.
 
Eksploziju veštačke inteligencije u današnje vreme ispratili su svi giganti IT industrije poput Facebook-a sa svojim softverom za prepoznavanje lica, Google-a sa svojim “Bardom” koji bi trebalo da predstavlja pandan ChatGPT-u i Microsoft-a sa “HoloLensom”, naočarama za virtuelnu realnost. Takođe, porast popularnosti dubokog učenja i veštačke inteligencije doveo je i do rađanja mnogih novih kompanija.
 
Kompaniju OpenAI, kao neprofitnu organizaciju, osnovala je 2015. godina grupa tehnoloških lidera među kojima su bili Elon Mask, Sem Altman, Greg Brokman i drugi. U periodu od 2015. do 2018. godine, OpenAI sarađuje s vodećim IT firmama kao i s prestižnim akademskim institucijama dajući aktivan doprinos svetskom istraživanju dubokog učenja. I pored toga, Elon Mask napušta kompaniju 2018. godine smatrajući da OpenAI nije ispunio očekivanja. Naredne godine OpenAI postaje profitna kompanija.
 
Sredinom 2018. godine OpenAI objavljuje GPT, svoj prvi veliki jezički model. GPT je imao značajan uticaj na razvoj različitih aplikacija koje se oslanjaju na prirodni jezik, uključujući prevođenje, odgovaranje na pitanja i automatizovano pisanje. U februaru 2019. godine OpenAI objavljuje novu verziju svog jezičkog modela, GPT-2, koji je bio znatno veći i sposobniji od prethodne verzije. GPT-2 je postao poznat zbog impresivnog kvaliteta generisanog teksta, što je kod mnogih izazvalo zabrinutost da bi takva tehnologija mogla biti zloupotrebljena za kreiranje lažnih vesti i drugih oblika dezinformacija. Možda zbog toga OpenAI nikad nije otkrio sve detalje GPT-2 modela. Već naredne godine, nastavljajući sa velikim dostignućima, OpenAI najavljuje novi model GPT-3 i ulazi u partnerstvo sa Majkrosoftom. Ovo je Majkrosoftu dalo mogućnost da, kao najveći investitor u OpenAI, može da koristi njegove modele za svoje potrebe. Godine 2021. OpenAI izbacuje i Dall-E, model koji generiše slike na osnovu opisa koji zadaje korisnik.
 
U naredne dve godine rad OpenAI-a na veštačkoj inteligenciji kulminira: u novembru 2022. godine kompanija izbacuje ChatGPT, program optimizovan za vođenje dijaloga zasnovan na jezičkom modelu GPT-3.5, kao i Dall-E2, najnaprednijeg “robota slikara” do sada (neke od njegovih ilustracija naći ćete u ovom tekstu). I tu nije kraj: u probni rad već je puštena nova verzija jezičkog modela, GPT-4, najveća i najsnažnija do sada, sa više od hiljadu milijardi konfigurabilnih parametara.
 
Vrednost kompanije na berzi danas se procenjuje na čitavih 20 milijardi dolara, pri čemu samo Majkrosoftova investicija iznosi milijardu dolara. Godišnji prihod kompanije tokom 2023. godine trebalo bi da dostigne 200 miliona dolara, sa tendencijom da on tokom naredne godine bude upetostručen. Odgovor konkurencije još uvek se čeka.
 
Luka Marković

Zamislite da treba da napišete kompjuterski program koji će imati naizgled jednostavan zadatak – da na osnovu fotografije određene osobe prepozna da li je na njoj muška ili ženska osoba.
 
U programiranju je često korisno da, pre pisanja bilo kakvog koda, prvo razmislimo na koji način bi običan čovek izvršio zadatak koji bismo zadali računaru. Za čoveka je ovo rutinska stvar – mi smo, jednostavno, tokom života postepeno naučili da razlikujemo muška i ženska lica. Zašto ne bismo pokušali da, kroz program koji pišemo, omogućimo računaru da uči slično nama? To bi značilo da bismo programu prvo prosledili veliki broj portreta na osnovu kojih bi kompjuter postepeno naučio da raspoznaje razlike između muških i ženskih lica. Jednom “istreniran”, kompjuter bi kasnije mogao da klasifikuje portrete prema polu koristeći ono što je naučio.
 
Za ovako nešto potrebne su nam neuronske mreže. Modelovane po ugledu na ljudski mozak, neuronske mreže sastoje se od virtuelnih “neurona” koji su međusobno gusto povezani. Većina današnjih neuronskih mreža organizovana je u slojeve koji se sekvencijalno nižu. Prvi sloj mreže prihvata ulazne podatke, poslednji sloj generiše izlaz, a slojevi koji se nalaze između ostaju skriveni. Protok podataka kroz mrežu obično je jednosmeran, od ulaznog ka izlaznom sloju, ali se danas viđaju i mreže u kojima se podaci kreću na složenije načine. Svaka veza između dva neurona ima određenu konfigurabilnu “težinu” koja definiše u kojoj meri jedan neuron utiče na drugi.
 
Bitno je napomenuti da se na samom početku podaci moraju obraditi tako da ih neuronska mreža razume. Bilo da je u pitanju slika, zvuk ili tekst, neuronska mreža, kao i svaki kompjuterski program, ne razume ništa osim brojeva. Prilikom kretanja kroz mrežu podaci bivaju transformisani i svojim prolaskom kroz mrežu aktiviraju određene neurone koji dalje aktiviraju druge grupe neurona, sve dok mreža ne izbaci konačan rezultat (u našem slučaju to može da bude nula ako je u pitanju portret osobe muškog pola, ili jedan ako je u pitanju portret ženske osobe).
 
Pre početka rada, neuronske mreže su tabula rasa, nalik na tek rođeno dete, i svaki njihov konfigurabilni parametar podešen je na neki slučajan broj. Neuronska mreža uči tako što joj se serviraju pitanja za koja znamo tačno rešenje. U početku, neuronska mreža daje praktično nasumične odgovore. Međutim, poređenjem svojih nasumičnih odgovora sa tačnim odgovorima, uz obilno korišćenje matematike, neuronska mreža ume da popravi veze između svojih neurona, da samu sebe rekonfiguriše i tako se bolje pripremi za narednu fotografiju. Ovaj proces naziva se treniranje neuronske mreže i obavlja se u epohama. U svakoj epohi neuronska mreža “vežba” na novom setu fotografija i tačnih odgovora, postepeno popravljajući svoja predviđanja, sve dok na kraju ne ostvari zavidnu preciznost.
 
ChatGPT, iako značajno složeniji od prethodno opisane neuronske mreže, zapravo koristi isti princip. Kao i sve što se zasniva na neuronskim mrežama, ChatGPT-u su potrebni podaci na osnovu kojih će naučiti da obavlja sve što se od njega traži. Za ovu svrhu, kompanija OpenAI je odlučila da iskoristi praktično sve što je ikada napisano na internetu (45 terabajta teksta sa oko 500 milijardi reči). Da bi se iz ovolike količine podataka izvukao smisao, ChatGPT je konstruisan kao skup neuronskih mreža koje blisko sarađuju. Upravo zato je ChatGPT u mogućnosti da radi razne stvari, od prevoda teksta na više od 100 različitih jezika do parafraziranja i proširivanja teksta koji dobije od strane korisnika. Ovakav jedan monstrum od programa zahteva ogroman broj neurona i još veći broj veza između njih. Samim tim, ChatGPT ima ogroman broj parametara koji kontrolišu njegov rad.
 
Čitav proces učenja odvija se na robusnom hardveru, super-računaru sastavljenom od više stotina procesora s praktično neograničenom količinom memorije. Troškovi ovako angažovanih resursa veći su od tri miliona dolara mesečno. Ni proces učenja nije ništa jeftiniji: procenjuje se da jedan višemesečni trening ChatGPT-a košta više od deset miliona dolara. Za neuronsku mrežu koja obavlja naš prost zadatak raspoznavanja polova potrebno je malo više od 100 hiljada parametara, dok je za aktuelnu verziju ChatGPT-a taj broj oko 175 milijardi što je, složićete se, teško zamisliv broj.
 
Luka Marković