Može li AI razmišljati kao ljudi? Analiza kognitivnih sposobnosti i limita savremenih modela

Savremeni sistemi veštačke inteligencije, uprkos impresivnim rezultatima, ne poseduju stvarnu kogniciju niti razumevanje sveta, već funkcionišu kao napredni statistički prediktori. U ovom tekstu dubinski analiziramo razliku između ljudskog mišljenja i mašinske obrade podataka, mapirajući strukturne limite arhitektura poput transformera. Istražujemo zašto modeli padaju na testovima zdravog razuma i apstraktne logike, kakva je uloga bioloških ograničenja u razvoju svesti, i šta donosi budućnost kroz prelazak sa jezičkih na modele sveta. Cilj nam je da demistifikujemo „razmišljanje“ mašina i ponudimo stručan uvid u realne domete tehnologije.

Živimo u eri u kojoj je granica između naučne fantastike i tehnološke stvarnosti postala opasno tanka. Kada razgovarate sa savremenim modelima veštačke inteligencije, lako vas može obuzeti osećaj da se sa druge strane ekrana nalazi svesno biće. Mašina piše poeziju, pronalazi kompleksne bagove u kodu, simulira empatiju i polaže ispite na pravnim i medicinskim fakultetima sa rezultatima koji nadmašuju većinu ljudskih kandidata.

Međutim, ovde se krije najveća kognitivna zamka 21. veka. To što algoritam generiše tekst koji zvuči inteligentno ne znači da je proces koji je doveo do tog rezultata identičan ljudskom razmišljanju. Naprotiv, fundamentalna arhitektura današnjeg AI-ja potpuno je različita od ljudskog mozga. Dok čovek operiše u domenima značenja, uzročnosti i svesnog iskustva, mašina se kreće isključivo kroz prostranstva verovatnoće i višedimenzionalne vektorske prostore.

Hajde da ogolimo stvari do kraja i bez marketinškog ulepšavanja analiziramo šta se zapravo dešava unutar tih digitalnih „mozgova“ i zašto je izjednačavanje veštačke inteligencije sa ljudskim umom ne samo naučno netačno, već i potencijalno opasno.

Stohastički papagaji: Kako funkcioniše iluzija razumevanja

Da bismo razumeli limite savremene tehnologije, moramo se vratiti na same osnove arhitekture koja je pokrenula ovu revoluciju – transformer architecture (arhitektura transformera). Svi vodeći modeli današnjice funkcionišu po principu koji se u stručnoj literaturi naziva autoregressive next-token prediction (autoregresivna predikcija sledećeg tokena).

[Korisnički unos / Prompt] ---> [Vektorska reprezentacija] ---> [Statistički proračun] ---> [Izlaz: Najverovatnija sledeća reč]

Kada postavite pitanje nekom naprednom modelu, on ne „razmišlja“ o temi na način na koji vi razmišljate o tome šta ćete ručati. On uzima vaš unos, pretvara ga u niz brojeva (vektora), a zatim kroz stotine milijardi parametara izračunava koja reč (ili deo reči – token) ima najveću statističku verovatnoću da usledi nakon tog unosa. Kada izabere tu reč, proces se ponavlja za sledeću, i tako nastaje tekst.

Ovaj fenomen su istraživači Ema Bender i Timnit Gebru još 2021. godine u svom čuvenom naučnom radu nazvali terminom stochastic parrots (stohastički papagaji). Model je papagaj jer ponavlja strukture, fraze i logiku nad kojima je treniran, a stohastički je jer to radi koristeći zakone verovatnoće.

Izvrsnu demonstraciju ove teorije u praksi pruža filozofski misaoni eksperiment poznat kao Chinese Room (Kineska soba), koji je osmislio Džon Serl još 1980. godine. Zamislite čoveka koji ne govori kineski, zatvorenog u sobi sa ogromnom knjigom pravila. Kroz prorez mu stižu papirići sa simbolima na kineskom jeziku. On pogleda pravila, pronalazi koji simbol treba da zapiše kao odgovor i šalje papirić nazad. Za ljude spolja, čovek u sobi tečno govori kineski. U stvarnosti, on nema apsolutno nikakvu predstavu o značenju simbola kojima manipuliše. Današnji AI je ta soba. On savršeno manipuliše sintaksom (strukturom jezika), ali uopšte ne razume semantiku (značenje).

Gde mašina pada: Granice apstraktnog rasuđivanja i zdravog razuma

Ljudsko razmišljanje odlikuje sposobnost da funkcioniše u uslovima ekstremnog nedostatka informacija. Trogodišnje dete može videti crtež slona samo jednom i nakon toga će bez problema prepoznati pravog slona u zoološkom vrtu, igračku slona ili senku koja liči na njega. To je zato što ljudi grade world models (modele sveta) – unutrašnje kognitivne mape koje objašnjavaju kako fizički svet funkcioniše, šta je uzrok, a šta posledica.

Savremeni AI nema model sveta. On ima samo model teksta o svetu. Zbog toga se suočava sa tri nepremostiva kognitivna zida:

1. Nedostatak kauzalnosti (Uzročno-posledičnih veza)

Kao što je objasnio pionir u oblasti uzročnog rasuđivanja Džudea Perl u svojim radovima na platformi arXiv, trenutni modeli su zarobljeni na prvom nivou „lestvice uzročnosti“ – nivou asocijacije. Oni znaju da se pojam „grmljavina“ često pojavljuje pored pojma „kiša“, ali ne razumeju zašto grmljavina nastaje i ne mogu da predvide šta bi se desilo ako bismo veštački promenili neki atmosferski parametar. Za mašinu je korelacija isto što i kauzalnost.

2. Problem zdravog razuma (Common-sense reasoning)

Ljudi poseduju ogromnu bazu neizrečenog znanja o svetu. Znamo da ako ispustimo čašu, ona će pasti i verovatno se razbiti, da ne možemo gurnuti automobil kanapom, već ga moramo vući, i da čovek ne može biti na dva mesta u isto vreme. Pošto se ove bazične činjenice retko eksplicitno zapisuju u knjigama (jer se podrazumevaju), AI modeli često imaju bizarne propuste. Možete ih naterati da vam daju detaljan recept za kuvanje kamena ili da tvrde kako je „sedam kila gvožđa lakše od sedam kila perja“ ukoliko ih suptilno usmerite kroz prompt.

3. Nemogućnost rešavanja novih problema (OOD – Out-of-Distribution)

AI briljira u domenima gde su pravila jasna i nepromenljiva, kao što je šah ili programiranje u standardnim okvirima. Međutim, ako model postavite pred problem koji zahteva rešavanje potpuno nove logičke zagonetke sa kojom se nikada nije susreo u podacima za trening, njegova tačnost drastično opada. Jedan od najboljih benchmark testova za ovo je ARC Challenge (Abstraction and Reasoning Corpus) koji je kreirao Fransoa Šole. Ovaj test meri sposobnost sistema da brzo usvoji nova pravila na osnovu samo nekoliko primera apstraktnih geometrijskih oblika. Dok prosečan čovek ovaj test rešava sa lakoćom, čak i najskuplji i najnapredniji modeli postižu skromne rezultate jer ne mogu da se oslone na puko pamćenje šablona.

Biološki hardver naspram silicijuma: Zašto nam fizika postavlja limite

Jedan od najčešćih argumenata tehnoloških optimista jeste da je ljudski mozak samo biološki računar sačinjen od neurona i sinapsi, te da je samo pitanje vremena kada će silicijumski čipovi dostići isti nivo složenosti. Ovo je gruba redukcija biologije.

Ljudski mozak ne funkcioniše odvojeno od tela. Naša kognicija je embodied cognition (utelovljena kognicija). Mi učimo o svetu kroz čula, kretanje, bol, glad i interakciju sa fizičkim preprekama. Naši hormoni i emocije nisu nusproizvod nesavršenosti, već integralni deo sistema za donošenje odluka i procenu rizika. AI model je, sa druge strane, izolovan u digitalnom vakuumu data centra. On nema koncept prostora, vremena, niti sopstvenog postojanja.

Drugi, još alarmantniji problem jeste energetska efikasnost. Ljudski mozak vrši kompleksne kognitivne operacije trošeći jedva dvadesetak vati energije – manje nego prosečna sijalica. Da bi jedan napredni LLM simulirao nekoliko minuta površnog razgovora, gigantski data centri troše megavate električne energije i hiljade litara vode za hlađenje. Ovi resursni limiti postaju ozbiljna prepreka daljem linearnom skaliranju modela. Upotreba resursa u AI sistemima je tema kojom smo se detaljno bavili kada smo analizirali kako sumnjive aplikacije zloupotrebljavaju resurse uređaja u tekstu o skrivenim opasnostima u dnevnoj sobi i pametnim televizorima.

Da li je AGI dostižan kroz trenutnu tehnologiju?

Poslednjih meseci svedočimo agresivnom marketingu u kom se tvrdi da smo na korak od stvaranja artificial general intelligence (opšta veštačka inteligencija – AGI) – sistema koji može da izvrši bilo koji intelektualni zadatak jednako dobro ili bolje od čoveka. Kompanije ponosno ističu nove metode kao što su test-time compute (računanje u vreme izvršavanja) i chain-of-thought (lanac razmišljanja), gde modeli pre davanja konačnog odgovora generišu skrivene korake „razmišljanja“ i ispravljaju sopstvene greške.

Iako ovi sistemi (poput najnovijih reasoning modela) daju znatno bolje rezultate u matematici i logici, vodeći svetski naučnici su skeptični prema tvrdnjama da nas to vodi do stvarnog razuma. Jan Lekun, šef AI odeljenja u kompaniji Meta i dobitnik Tjuringove nagrade, uporno ponavlja da su autoregresivni modeli ušli u slepu ulicu.

„Skaliranje trenutnih jezičkih modela nas neće dovesti do inteligencije na nivou čoveka. Možete imati model sa trilionima parametara obučen na celokupnom znanju čovečanstva, ali on i dalje neće razumeti da ako se predmet ‘A’ nalazi na predmetu ‘B’, i pomerimo ‘B’, pomeriće se i ‘A’. Mi moramo potpuno promeniti arhitekturu i preći na sisteme koji uče iz videa i interakcije sa svetom, a ne iz teksta.“ – Jan Lekun

Trenutni modeli su zapravo fantastični simulatori ljudskog intelekta. Oni mogu da generišu savršenu iluziju razmišljanja jer su obučeni na ogromnom korpusu tekstova koje su napisali stvarni ljudi koji zaista misle. AI zapravo kopira spoljne manifestacije ljudskog uma, dok sam mehanizam iza kulisa ostaje puka statistička mašinerija.

Pogled u sutrašnjicu: Šta nas čeka do 2030. godine?

Ako prihvatimo činjenicu da trenutni modeli ne misle, to ne umanjuje njihovu upotrebnu vrednost. Oni radikalno menjaju industrije, automatizuju poslove i redefinišu ekonomiju. Na stranicama našeg portala često pišemo o tome kako tehnološke revolucije brišu stare biznis modele, što se jasno vidi i kroz analizu kako tradicionalni fintech gubi bitku pred Web3 rešenjima. Sličan potres očekuje i sferu softverskog inženjeringa i kreiranja sadržaja.

U bliskoj i daljoj budućnosti naučna zajednica će se fokusirati na prevazilaženje ovih limita kroz sledeće pravce razvoja:

1. Neuro-simbolički AI (Neuro-symbolic AI): Hibridni pristup koji kombinuje snagu neuronskih mreža (za prepoznavanje obrazaca i generisanje jezika) sa tradicionalnim logičkim sistemima zasnovanim na eksplicitnim pravilima (za bezgrešno matematičko i pravno rasuđivanje).

2. Multimodalni modeli sveta (World models): Prelazak sa modela koji uče isključivo iz teksta na modele koji se obučavaju na stotinama hiljada sati video-materijala sa fizičkim simulacijama, kako bi mašina razvila intuitivno razumevanje prostora, težine, vremena i akcije.

3. Zajednička evolucija sa robotikom: Tek kada napredni AI softver bude smešten u fizičko telo robota koji mora da navigira kroz stvarne, nepredvidive ljudske prostore, počeće pravi razvoj kognicije koja podseća na biološku.

Zaključak: Inteligencija bez svesti je naš novi alat, a ne naš naslednik

Odgovor na pitanje sa početka teksta je jasan i nedvosmislen: ne, savremena veštačka inteligencija ne može da razmišlja kao ljudi. Ona ne oseća, ne razume, ne poseduje nameru niti svest o sopstvenom postojanju. Ona je vrhunski matematički instrument koji mapira ljudsko znanje i jezik na način koji nama deluje magično.

Opasnost ne leži u tome što će mašine postati svesne i okrenuti se protiv nas, već u tome što mi, fascinirani njihovom rečitošću, prebrzo donosimo odluku da im delegiramo poslove koji zahtevaju istinski ljudski razum, empatiju, etiku i uzročno rasuđivanje. Razumevanje razlike između simulacije i stvarnosti prva je i najvažnija linija odbrane u očuvanju integriteta ljudskog uma u digitalnom dobu.