A mesterséges intelligencia (AI) legfejlettebb nyelvi modelljei lenyűgöző feladatokat látnak el: regényeket írnak, kódot generálnak, kutatásokat foglalnak össze vagy akár üzleti terveket készítenek. A felszínen mindez valódi kreativitásnak tűnhet, valójában azonban a legtöbb modell csak a betanítás során megismert információkat rendezi új mintákba. Egy friss MIT-tanulmány is hangsúlyozza, hogy a ma használt nagy nyelvi modellek (LLM-ek) még mindig meglehetősen korlátozottak, ha teljesen új ötletek kitalálásáról van szó.
Gyakran azt hisszük, hogy eredeti tartalmat látunk, pedig csak a tanult tudás ügyes újrafogalmazását kapjuk vissza. Jogosan merül fel a kérdés: megtanítható-e a mesterséges intelligencia valódi kreativitásra? Lehetséges-e, hogy ne csak a múltat ismételje, hanem formabontó ötletekkel jöjjön elő? Az EurekaLLM pontosan erre a kihívásra kínál úttörő megoldást.
Miért kulcskérdés az újdonság az AI jövője szempontjából?
Az emberi haladás mindig is az új gondolatokon és felfedezéseken alapult. Ha az AI nem képes túllépni a múltba kódolt tudáson, akkor sosem válik többé egy gyors adatfeldolgozó vagy asszisztens szerepénél. A valódi áttörést az jelentené, ha a gép maga is képes lenne eredeti gondolatok megfogalmazására, olyan új kombinációk és felvetések létrehozására, amelyek az emberi képzelet határain is túlmutathatnak.
Ennek nem csak tudományos, hanem komoly üzleti jelentősége is van: az innováció minden iparág versenyképességének alapja. Az a vállalat, amely először képes előállni egy forradalmian új megoldással vagy termékkoncepcióval, óriási előnyre tehet szert. A generatív mesterséges intelligencia már ma is képes olyan termékterveket és formatervezési variációkat előállítani, amelyek magasabb minőségű, esztétikusabb vagy praktikusabb megoldásokat eredményeznek.
Ha pedig elképzeljük, hogy egy AI új molekulákat ajánl egy gyógyszerhez, vagy új anyagösszetételek hipotézisét veti fel, esetleg megmutatja a kutatóknak a legígéretesebb irányokat, akkor világossá válik, hogy a gépi kreativitás gyorsíthatja a felfedezéstől a piacra lépésig tartó teljes folyamatot. Ráadásul az innováció demokratizálása is megvalósulhat: kevésbé tapasztalt szakemberek is olyan ötletekhez juthatnak, amelyeket hagyományos módszerekkel valószínűleg sosem fedeztek volna fel.
EurekaLLM: amikor az AI-t a kíváncsiság hajtja
Az EurekaLLM keretrendszer egyik legfontosabb újítása, hogy a modellt belső motivációval látja el az új ötletek felfedezésére. Ehhez egy úgynevezett intrinsic reward, vagyis belső jutalom mechanizmust használ, amely jutalmat ad a modellnek minden alkalommal, amikor valami újszerűt hoz létre. Ez olyan, mintha a rendszerbe beépítenénk egyfajta „kíváncsiságmodult”, amely folyamatosan arra ösztönzi a modellt, hogy ne csak a legvalószínűbb választ keresse, hanem az érdekes, váratlan, mégis hihető felvetéseket. A tréning során a modell különösen értékesnek ítéli meg azokat a gondolatokat, amelyek eltérnek a megszokott sémáktól, ugyanakkor nem mondanak ellent a tudomány jelenlegi állásának.
Ez az “újdonság-érzékeny” tanulás azt jelenti, hogy a modell jutalmat kap, ha olyan fogalmakat kapcsol össze, amelyek a tudományos irodalomban eddig nem, vagy nem így szerepeltek együtt. Természetesen elengedhetetlen, hogy a kreativitás ne forduljon át abszurditásba. A jutalmazási függvény ezért nemcsak az újdonságot, hanem a validitást, vagyis a valószerűséget és a következetességet is figyelembe veszi. Így a modell nem jutalmazott az értelmetlen ötletekért – sőt, a rendszer kifejezetten bünteti azokat.
Az EurekaLLM használatával tréningelt modellek a kutatók szerint sokkal több innovatív, hasznos és megalapozott felvetést generálnak, mint a hagyományos módszerekkel betanított GPT-alapú rendszerek. Ez azt jelenti, hogy a modell megismeri a „jó kockázat” fogalmát: mer újat mondani, de tudja, hol húzódik a logika határa.
Generátor–Kritikus architektúra: ötletgyártás és bírálat kéz a kézben
A kreativitás nem csak ötletelésből áll. Az értékes ötletek megtalálásához szükség van egyfajta belső kontrollra is. Ezt modellezi az EurekaLLM-ben a Generátor–Kritikus architektúra. A rendszer két fő elemből áll: egy Generátor modellből, amely új hipotéziseket állít elő, és egy Kritikusból, amely ezeket alaposan megvizsgálja. A Generátor a rendelkezésre álló ismeretek alapján felvet valamilyen új gondolatot. Ezután a Kritikus elemzi, hogy az ötlet mennyire újszerű, mennyire áll összhangban a meglévő tudással, illetve logikailag mennyire koherens. Ha a Kritikus úgy látja, hogy az ötlet túl ismert, lapos vagy akár hibás, részletes visszajelzést ad a Generátornak. A két modell közötti folyamatos párbeszéd – a visszajelzések és javítások ciklusa – egészen addig tart, amíg egy valóban ígéretes és megalapozott javaslat nem születik.
Ez a mechanizmus olyan, mintha a modell egy belső kreatív partnerrel dolgozna együtt: egyikük bátran szárnyal, míg a másik finoman, de határozottan a valóság talaján tartja. A kutatók szerint ez a kettős megközelítés ötvözi a neurális hálók kreatív nyelvi folyékonyságát a tudásalapú rendszerek szigorú logikájával, így az AI egyszerre képes formabontó ötleteket generálni és közben megbízhatóan tartani magát a tudományos keretekhez.
Üzleti és innovációs érték: mire használható a kreatív AI?
A kreatív mesterséges intelligencia nemcsak a kutatólaborok számára ígéretes, hanem óriási potenciált rejt a gazdaság és az üzleti világ szereplői számára is. Az EurekaLLM-szerű rendszerek a gyakorlatban egyfajta innovációs motor szerepét tölthetik be. Az anyagtudományban például már működő példák mutatják, hogy az AI olyan új kompozitok ötletét vetette fel, amelyek a jelenleg használt anyagoknál jobb tulajdonságokkal rendelkezhetnek. A gyógyszerkutatásban új hatóanyag-kombinációk vagy terápiás mechanizmusok kerülhetnek felszínre, a robotizált laboratóriumi teszteléssel pedig ezek a hipotézisek gyorsan ellenőrizhetők, így a kutatási ciklus jelentősen lerövidül.
Az üzleti szférában egy kreatív AI képes lehet teljesen új üzleti modellek vagy szolgáltatási formák felvetésére is. Olyan piaci réseket is felismerhet, amelyeket a hagyományos elemző módszerek nem tudnak azonosítani. Ez a fajta váratlan, mégis megalapozott megközelítés különösen értékes lehet azokban az iparágakban, ahol a növekedés határai látszólag már elérték a plafont. Aki először épít be ilyen kreatív AI-megoldásokat, komoly stratégiai előnyre tehet szert, hiszen gyorsabban jut ígéretes ötletekhez, kevesebb rossz döntést követ el, és hosszú távon olyan önfejlesztő rendszert hozhat létre, amely egyre jobban teljesít az adott területen. Fontos hangsúlyozni, hogy a kreatív AI nem váltja ki az emberi szakértelmet: a végső döntésekben továbbra is a humán ítélőképesség a meghatározó, a gép csupán egy olyan aktív ötletgenerátor, amely kiegészíti és erősíti a kollektív gondolkodást.
Kitekintés: egy komolyan vehető, megfontolt innováció
Az EurekaLLM nem hangzatos marketingfogás, hanem tudományos precizitással megalkotott keretrendszer, amely közelebb hozza az AI működését az emberi tudományos gondolkodáshoz. A modern gépi tanulást ötvözi a klasszikus tudásalapú módszerekkel, vagyis a neurális hálók rugalmasságát a szimbólumalapú logika stabilitásával. Ennek eredményeként a rendszer sokkal értelmesebb és megalapozottabb újításokat képes generálni, mintha csupán vakon próbálkozna. A kezdeti tesztek egyértelműen azt mutatják, hogy az EurekaLLM bizonyos kreatív feladatokban felülmúlta a hagyományos, akár GPT-4 jellegű modelleket is, ráadásul kevesebb próbálkozásból talált rá működő megoldásokra.
Természetesen még messze vagyunk attól, hogy a mesterséges intelligencia valódi, autonóm „gondolkodóvá” váljon, de az EurekaLLM-hez hasonló megközelítések azt jelzik: a kreatív AI valósággá válik. A jövő pedig minden bizonnyal az ember és az AI együttműködéséről fog szólni. A gép másképp látja a világot, más mintákat ismer fel, mint mi – ezáltal új perspektívát hoz, míg mi kereteket, tapasztalatot és értékrendet adunk az ötletei értékeléséhez. Így elképzelhető, hogy a jövő nagy áttörései már nem egyetlen zseni magányos pillanatai lesznek, hanem egy ember és egy AI közös „Eureka!” felkiáltása, amellyel együtt lépik át az ismeretlen határait.
(Forrás: MIT, McKinsey)
(Címlapkép: Depositphotos)
