Ilia Sutskiver legfrissebb podcast-interjúja izgalmas kérdések elé állítja a mesterséges intelligencia közösségét. A beszélgetés középpontjában az a paradoxon áll, hogy a mai AI modellek „papíron” kiemelkedően okosak, a valós felhasználás során azonban gyakran meglepően megbízhatatlanok és rugalmatlanok. Felvetődik a kérdés, mi lehet ennek az oka, és a kutatás mely irányai segíthetik elő a fejlődést.
Sutskiver hangsúlyozza, hogy a jelenlegi modellek tanulási folyamata mennyire különbözik az emberekétől. Az emberek kevés adatból is képesek általánosítani és új dolgokat gyorsan megtanulni, szemben a gigantikus mennyiségű adaton edzett modellekkel, amelyek azonban új helyzetekben könnyen elvéreznek. Ez felveti a kérdést: hogyan lehet az MI-ket emberhez hasonló általánosító képességekkel felvértezni?
Érdekes meglátásként jelenik meg az a gondolat is, hogy az érzelmek és a „belső értékfüggvény” szerepe az emberi döntéshozatalban kulcsfontosságú, míg az AI jelenlegi megközelítései inkább csak a múltbeli eredményekre támaszkodnak. Felmerül, szükség lehet-e az érzelmi mechanizmusok valamilyen formájának beépítésére.
A vitában jelentős törésvonal rajzolódik ki a nagy szereplők között: míg a Google a fokozatos bővítésben hisz, addig Sutskiver és kutatócsoportja szerint az „skálázási korszak” kimerülni látszik, és új elvekre, emberibbre szabott általánosítás irányába kellene fejlődni. Az is felvetődik, hogyan lehet a különböző AI rendszerek között izgalmasabb, sokszínűbb versenyt és együttműködést kialakítani.
Mindezek a kérdések arra késztetnek, hogy újragondoljuk az „általános mesterséges intelligencia” fogalmát is: vajon a tudás vagy inkább a tanulás képessége számít jobban? És milyen stratégiai előnyt adhat a „kutatási ízlés”, amely egész kutatói pályákat és irányokat határozhat meg?
