Sorozatunk első részében azt vizsgáltuk, hogy miért nem képesek a jelenlegi nagy nyelvi modellek önállóan új dolgokat kitalálni. Most azonban előre tekintünk: azt járjuk körül, hogy milyen technológiai és koncepcionális feltételek mellett juthatnánk el oda, hogy az AI ne csak remek „szöveg-szakács” legyen, hanem saját receptet is tudjon alkotni.
Gazdagabb tapasztalati világ: a szövegen túli tanulás
Az ember kreativitásának egyik forrása, hogy a világot nem csak olvassuk, hanem tapasztaljuk is. A jövő AI-rendszereinek is szélesebb körű, multimodális „élményekre” lesz szükségük: nem csak szöveges adatokra, hanem képekre, hangokra, videókra, sőt akár robotok érzékszervein keresztül szerzett fizikai tapasztalatokra. Minél változatosabb és valósághűbb az a világ, amiben tanulhatnak, annál több kapcsolódási pontjuk lesz az új ötletek kialakításához.
Ez a folyamat nem csak a passzív adatfeldolgozásról szólna: interaktív tanulásra is szükség van. Szimulált környezetekben vagy a valóságban való kísérletezés révén az AI megtapasztalhatná döntéseinek következményeit – éppúgy, ahogy egy gyerek is megtanulja, mit jelent megfogni egy forró tárgyat. Az ilyen élmények alapvetően bővítenék a kreatív képességeiket.
Az agy mint inspiráció: új architektúrák és tanulási módszerek
A mai nyelvi modellek architektúrája messze van az emberi agy felépítésétől és működésétől. Az agy hatékonysága, plaszticitása és párhuzamos feldolgozó képessége sokkal fejlettebb annál, amit a jelenlegi szoftverek tudnak. A jövő AI-rendszereihez olyan „agy-ihlette” architektúrákra lesz szükség, amelyek képesek dinamikusan átrendezni saját hálózataikat, integrálni a memóriát és a feldolgozást, és folyamatosan tanulni anélkül, hogy elfelejtenék a korábbi tudásukat.
Az emberi tanulás további kulcsa, hogy különböző állapotok – például az alvás – során konszolidáljuk a megszerzett tudást. Hasonló mechanizmusok beépítése a mesterséges rendszerekbe segíthetne abban, hogy az AI ne csak rövid távon reagáljon a tanultakra, hanem hosszabb távú összefüggéseket is kialakítson.
Világmodell és szimuláció: a „valóságteszt” beépítése
Ahhoz, hogy az AI képes legyen valódi új ötletekre, rendelkeznie kell egy belső világmodellel – egy mentális térképpel arról, hogyan működik a világ. Ez a modell lehetővé tenné, hogy az AI „fejben kipróbálja” az ötleteit, mielőtt megvalósítja őket.
Ez a fajta belső szimuláció segíthetne kiszűrni a teljesen életképtelen elképzeléseket, és előnyben részesíteni azokat, amelyeknek reális alapjuk van. Ma a nyelvi modellek korlátozottan képesek erre, de egy kifinomultabb világmodell lehet a kulcsa annak, hogy a kreatív ötletek ne csak jól hangozzanak, hanem működőképesek is legyenek.
Belső motiváció: a kíváncsiság gépi változata
Az emberi innováció egyik mozgatórugója a belső kíváncsiság és a felfedezés öröme. Az AI esetében jelenleg minden motiváció külső parancsból fakad: a felhasználó kérdez, a modell válaszol. A valódi kreativitáshoz azonban szükség lenne arra, hogy a rendszer saját magát is „feladatok elé állítsa” – például felismerje a tudásában lévő hézagokat, és önállóan próbálja azokat kitölteni.
Ezt az úgynevezett intrinzik motivációt már kutatják, például olyan algoritmusokkal, amelyek jutalmazzák a modellt, ha új információt szerez vagy csökkenti a bizonytalanságát. Ha ezeket sikerülne integrálni a nyelvi modellekbe, az AI nem csak reagálna, hanem proaktívan keresné az új megoldásokat.
Az ötletek születése és szűrése: a duális kreatív folyamat
Az emberi kreativitás egyik titka, hogy két fázisra épül: először sok ötletet gyártunk, majd ezek közül kiválasztjuk és finomítjuk a legjobbakat. Az AI jelenleg főként az első fázisban erős: gyorsan képes variációkat generálni. A második fázis, vagyis az ötletek kritikus értékelése viszont hiányos.
A jövő kreatív AI-rendszereiben ennek a két lépésnek összehangoltan kell működnie. Elképzelhető, hogy ehhez külön alrendszerek kellenek: egy generátor, amely szabadon alkot, és egy kritikus, amely értékeli a kimeneteket a hasznosság és újdonság szempontjából.
Az önálló innováció felé vezető út
Mindezek a fejlesztési irányok nem egyik napról a másikra válnak valóra. Valószínű, hogy először szűkebb területeken – például gyógyszerkutatásban vagy anyagtudományban – jelennek meg olyan AI-rendszerek, amelyek valóban új ötletekkel állnak elő. Az általános, emberhez mérhető kreativitás viszont még hosszabb távon is kihívás marad.
A kérdés nyitott, hogy a jelenlegi LLM-alapú megközelítések elegendők lesznek-e ehhez, vagy teljesen új paradigmára lesz szükség. Egy biztos: az út izgalmas lesz, és miközben ma még mi tanítjuk a gépeket, lehet, hogy egyszer majd ők fognak minket inspirálni.
(Forrás: Medium)
(Címlapkép: Depositphotos)