Az intelligencia egyik lehetséges meghatározása a minta hatékonyság, vagyis az, hogy egy adott területen mennyi adat szükséges a gördülékeny és magabiztos működéshez. A mesterséges intelligenciák fejlődése az utóbbi években elsősorban az egyre bővülő és javuló adatforrásoknak köszönhető, nem pedig az adatok feldolgozásának hatékonyságában bekövetkező áttörésnek.
Az egyik kiemelt példa a megerősítéses tanulás (RL), amely során mesterséges úton generált adatokat használnak fel, hogy a modellek megtanulják az ideális megoldásokat. Ehhez viszont hatalmas mennyiségű, szakértők által kidolgozott, speciális tudást igénylő adat szükséges, nagyon sok eltérő területről.
Miközben az AI modellek elképesztően sok adaton tanulnak, a minta hatékonyság még mindig messze elmarad az emberi tanulás gyorsaságától. Példákon keresztül összehasonlítja, hogy egy ember évtizedek alatt mennyi információval találkozik, és ehhez képest a legmodernebb AI rendszerek mennyi adattal dolgoznak – az eltérés milliószoros is lehet.
Felvetődik a kérdés: vajon tényleg szükséges-e a minta hatékonyság növelése ahhoz, hogy az AI rendszerek automatizálni tudják a fehérgalléros munkákat, vagy éppen az AI-kutatást? Az is szóba kerül, hogy bizonyos szakmák automatizációját mennyire korlátozza az a tény, hogy az AI-k úgynevezett out-of-distribution, azaz előzetes tanulásból kimaradó problémákat kevésbé tudnak kezelni.
Az előadás végén felmerül az a dilemma is, hogy vajon az AI-k képesek lesznek-e saját minta hatékonysági problémájukat is megoldani, illetve hogyan befolyásolhatja az AI fejlődésének sebességét, ha ez sikerül, vagy éppen nem sikerül nekik.
