Svedoci smo neverovatne tehnološke revolucije. Moderni sistemi veštačke inteligencije mogu da polože pravosudni ispit, napišu složen programski kod za nekoliko sekundi, pa čak i da komponuju muziku ili generišu hiperrealistične video snimke. Međutim, uprkos ovim zastrašujuće impresivnim dostignućima, postoji jedan fascinantan paradoks: isti taj moćni AI često pada na zadacima koje bi prosečan petogodišnjak rešio bez muke.
Ako zamolite najnapredniji model da igra „iks-oks“, da vam kaže koliko se slova „r“ nalazi u reči „strawberry“ (jagoda), ili da proceni da li jaje treba staviti ispod ili iznad teške knjige u kutiji, često ćete dobiti potpuno besmislen i nelogičan odgovor.
Zašto se ovo dešava? Zbog čega mašine koje procesuiraju milijarde parametara i dalje nemaju osnovno prostorno i vizuelno rasuđivanje? Odgovor leži u samoj arhitekturi današnjih AI modela.
Iluzija razumevanja: kako zapravo funkcionišu veliki jezički modeli
Da bismo razumeli zašto veštačka inteligencija greši, moramo prvo shvatiti kako ona „razmišlja“. Modeli poput onih koje razvijaju kompanije OpenAI, Google ili Anthropic, zasnovani su na arhitekturi dubokog učenja i ogromnim bazama tekstualnih podataka. Oni funkcionišu po principu predviđanja sledećeg najverovatnijeg tokena (dela reči).
Kada razgovarate sa četbotom, on zapravo ne razume koncepte o kojima priča u ljudskom smislu te reči. On ne poseduje „model sveta“ u svojoj digitalnoj glavi. Umesto toga, on koristi naprednu statistiku da izračuna koja reč prirodno sledi nakon prethodne, na osnovu milijardi tekstova koje je „pročitao“ tokom treninga. Zbog toga AI može fantastično da oponaša ljudski govor, ali se sapliće kada zadatak zahteva primenu zdravog razuma, a ne samo statističke verovatnoće.
Prostorna dezorijentisanost i problem sa osnovnom fizikom
Ljudi žive u trodimenzionalnom prostoru. Od rođenja smo izloženi gravitaciji, teksturama, oblicima i fizičkim zakonima. Znamo da voda curi nadole, da se staklo lomi ako padne i da ne možete staviti slona u kutiju za cipele.
AI modeli žive u svetu čistog teksta i dvodimenzionalnih piksela. Oni nemaju urođeni osećaj za fiziku. Kada testirate jezički model prostornim zagonetkama, on pokušava da pronađe obrazac u tekstu, a ne u fizičkoj stvarnosti.
Zamislimo jednostavan test. Zatražite od AI sistema instrukcije kako da bezbedno složite sledeće predmete jedno na drugo: laptop, jaje, eksere i tešku enciklopediju. Često će vam predložiti da enciklopediju stavite preko jajeta, jednostavno zato što u njegovim podacima za obuku ne postoji dovoljno specifičnih tekstova koji eksplicitno objašnjavaju baš tu specifičnu situaciju krhkosti jajeta pod težinom papira. Ljudski mozak intuitivno simulira scenu i razume posledice; AI mozak samo ređa reči.
Vizuelno rasuđivanje i slepe pege pametnih sistema
Sličan problem javlja se i kod vizuelnih modela, poput onih koji generišu slike (Midjourney, DALL-E) ili analiziraju fotografije. Dugo je internetom kružila šala o tome kako AI ne ume da nacrta ljudsku šaku i često generiše ruke sa šest ili sedam prstiju.
Razlog za to je što AI ne „zna“ šta je šaka. On ne poznaje ljudsku anatomiju, kosti i zglobove. On samo analizira raspored piksela na milionima dvodimenzionalnih slika iz svoje baze. Na tim slikama, ruke su često pod različitim uglovima, prsti se preklapaju, skrivaju ili drže predmete. Model pokušava da aproksimira teksturu prstiju, a ne njihov tačan biološki broj.
Kada je u pitanju vizuelno rasuđivanje kod multimodelnih sistema (modela koji primaju i tekst i sliku), oni sjajno prepoznaju objekte – reći će vam da je na slici mačka, sto i vaza. Ali ako ih pitate šta će se desiti ako mačka gurne vazu sa ivice stola, mnogi modeli neće uspeti da predvide logičan sled događaja (pad i lomljenje), ukoliko taj specifičan scenario nisu „naučili“ kroz eksplicitne podatke.
Ovo nije samo zabavna trivijalnost, već ozbiljan problem u industrijama gde je vizuelno rasuđivanje kritično. Sistemi za autonomnu vožnju, koje razvijaju kompanije poput Tesla ili Waymo, suočavaju se sa sličnim izazovima. Automobil može da prepozna pešaka, ali ponekad ne može da proceni kontekst – da li pešak stoji i gleda u telefon ili se sprema da iznenada istrči na ulicu.
Da li je rešenje u novim arhitekturama?
Tehnološka zajednica je i te kako svesna ovih ograničenja. Povećanje broja parametara i dodavanje još više podataka u proces treniranja (takozvano skaliranje) donosi određena poboljšanja, ali mnogi stručnjaci veruju da to nije konačno rešenje. Guranje više teksta u model neće ga naučiti kako da živi u 3D prostoru.
Zato se istraživači sve više okreću takozvanoj neuro-simboličkoj veštačkoj inteligenciji. Ovaj pristup spaja snagu neuronskih mreža (za prepoznavanje obrazaca) sa klasičnom simboličkom logikom (koja sistemu zadaje stroga matematička i logička pravila o tome kako svet funkcioniše).
Druga obećavajuća metoda je integracija AI modela sa softverima za simulaciju fizike i 3D endžinima. Ideja je da se AI trenira u virtuelnim okruženjima gde važe zakoni gravitacije, otpora i prostora, kako bi kroz iteraciju naučio ono što ljudi nauče kroz igru u detinjstvu.
Alat, a ne čovek
Dok god budemo posmatrali veštačku inteligenciju kao ekvivalent ljudskom mozgu, bićemo razočarani njenim banalnim greškama. Ovi modeli su fascinantni alati za obradu informacija, sintezu podataka i automatizaciju rutinskih zadataka, ali oni su fundamentalno drugačiji od nas.
Njihov neuspeh u jednostavnom logičkom i prostornom rasuđivanju služi nam kao savršen podsetnik na to koliko je ljudska spoznaja složena, apstraktna i teško objašnjiva. Dok inženjeri ne pronađu način da algoritme povežu sa stvarnim, fizičkim zakonima, čovek će ostati neprikosnoveni pobednik kada god na red dođu zadaci koji zahtevaju malo zdrave pameti i osećaja za prostor.
