Hamarosan vége a mostani mesterséges intelligenciának, valami egészen más jön helyette

A mesterséges intelligencia világa jelenleg egy olyan válaszúthoz érkezett, amely nemcsak a technológiai fejlődés irányát, hanem az intellig...

A mesterséges intelligencia világa jelenleg egy olyan válaszúthoz érkezett, amely nemcsak a technológiai fejlődés irányát, hanem az intelligencia természetéről alkotott fogalmainkat is átírja.

Miközben az elmúlt években a világ a nagy nyelvi modellek, mint a ChatGPT, a Claude vagy a Gemini bűvöletében élt, a háttérben egy csendes, de annál radikálisabb forradalom vette kezdetét.

Yann LeCun, a Meta korábbi MI-vezetője és a Turing-díj egyik kitüntetettje egy olyan tanulmányt tett közzé, amely a "nyelvalapú MI végét" vetíti előre, bevezetve egy teljesen új architektúrát, a VL-JEPA-t (Vision-Language Joint Embedding Predictive Architecture). Ez a fejlesztés nem csupán egy újabb frissítés a sorban; ez egy olyan váltás, amely során a gép elhagyja a szavak egymás utáni pakolgatásának kényszerét, és elkezd magában a "jelentésben" gondolkodni.

Ahhoz, hogy megértsük a váltás súlyát, látnunk kell, hogyan működnek a jelenlegi rendszerek. A ma ismert népszerű chatbotok valójában rendkívül kifinomult statisztikai gépek, amelyek azt jósolják meg, mi lesz a következő szó vagy karakter egy adott szövegben. Bár lenyűgöző esszéket írnak és bonyolult kérdésekre válaszolnak, valójában nem értik a világ fizikai valóságát.

LeCun szerint a nyelv önmagában nem egyenlő az intelligenciával; az csupán egy kimeneti formátum, egy eszköz a kommunikációhoz. Ezzel szemben az emberi intelligencia nagy része vizuális és tapasztalati úton alakul ki. Egy négyéves gyermek például több vizuális információt szívott magába a világról, mint amennyi szöveget az összes létező nagy nyelvi modell összesen feldolgozott a tanítása során. A gyermek nem szavakon keresztül tanulja meg, hogy mi történik, ha elenged egy poharat, hanem a valóság közvetlen megfigyelésével.

A VL-JEPA pontosan ezt a szemléletet követi. A hagyományos vizuális modellekkel ellentétben, amelyek minden egyes képkockát külön-külön próbálnak felcímkézni és leírni, ez az új rendszer képes a teljes folyamatokat, az időbeli dinamikát és a kauzális összefüggéseket értelmezni. Amikor a VL-JEPA egy videót néz, nem narrálja a látottakat, hanem egy belső "jelentéstérben" dolgozza fel az eseményeket.

Olyan ez, mint amikor mi látunk valakit egy palack után nyúlni: nem mondjuk ki magunkban, hogy "egy kéz mozog a tárgy felé", hanem azonnal értjük a cselekvés célját és várható kimenetelét. Ez a képesség teszi lehetővé, hogy az MI ne csak reagáljon a látottakra, hanem előrejelzéseket is tegyen a fizikai világ eseményeiről, például felismerje, ha egy tárgy elmozdul egy másik mögé, vagy megértse a gravitáció hatásait.

A technológiai fölényt a számok is igazolják. Míg a GPT-4 és társai több százmilliárd paraméterrel működnek, ami hatalmas energiaigényt és számítási kapacitást igényel, a VL-JEPA mindössze 1,6-2 milliárd paraméterrel képes felülmúlni őket a vizuális feladatokban. Ez azt jelenti, hogy az architektúra nem egyszerűen nagyobb, hanem okosabb és hatékonyabb.

Ez a hatékonyság kulcsfontosságú lesz a következő nagy ugráshoz: a megtestesült mesterséges intelligenciához. Jelenleg azért nincsenek olyan robotjaink, amelyek maguktól kimosnák a ruhát vagy biztonságosan navigálnának egy kaotikus háztartásban, mert a nyelvalapú MI nem érti a fizikai interakciókat. A VL-JEPA viszont megadja azt a hiányzó láncszemet, amellyel a robotok képessé válnak a valódi világban való manőverezésre és a fizikai objektumok manipulálására.

Ez a váltás egyben egy stratégiai szakadékot is teremt a technológiai óriások között. Míg az OpenAI, a Google és az Anthropic továbbra is a nyelvi modellek végtelen skálázására és a szöveggenerálás tökéletesítésére koncentrál, a Meta egy olyan ösvényre lépett, amely közvetlenül az általános mesterséges intelligencia (AGI) felé vezethet.

LeCun meggyőződése szerint a pusztán szavakból építkező rendszerek előbb-utóbb falba ütköznek, mert hiányzik belőlük az absztrakt gondolkodás és a valóságmodell építésének képessége. Ha az intelligencia valóban a látens térben történő érvelésről és a kauzalitás megértéséről szól, akkor azok a cégek, amelyek csak a következő szó megjóslására optimalizálnak, elvéthetik a célt.

A jövőbeli kilátások szerint a 2025 és 2027 közötti időszak lesz a kritikus "automatizációs szakadék". 2025 az autonóm ügynökök éve lehet, amelyek már komplex munkafolyamatokat kezelnek, de még főként nyelvi alapon. 2026-ban érkezhet el a megtestesült MI korszaka, ahol a robotok tömegesen lépnek be a fizikai terekbe – az Nvidia előrejelzései szerint ekkorra oldhatják meg a robotok világmodelljét, amiben az olyan architektúrák, mint a VL-JEPA, központi szerepet játszanak.

Végül 2027-ben érhetjük el azt a pontot, ahol a mesterséges szuperintelligencia (ASI) már nem tokenekben, hanem tiszta jelentésben és absztrakt koncepciókban gondolkodik, a nyelvet pedig csak a velünk való kapcsolattartásra használja.

Mit jelent ez a mindennapi szakemberek és vállalatok számára? Elsősorban azt, hogy az MI-stratégiát ki kell tágítani a chatbotokon túlra. A következő nagy hullám nem a még szebb szövegekről, hanem a valóságot értő rendszerekről szól. Akik időben felismerik ezt a paradigmaváltást, és elkezdik integrálni a számítógépes látásra és fizikai interakcióra épülő megoldásokat, behozhatatlan előnyre tehetnek szert.

A történelem során az internet, a mobil és a felhő korszakában is azok győztek, akik az elsők között mozdultak. Most azonban a fejlődés sebessége miatt a győzelem ablakai nem években, hanem hónapokban mérhetők.

A VL-JEPA nem csupán egy technikai újdonság, hanem egy figyelmeztetés is: az MI-forradalom jóval túlmutat a prompt engineeringen és a szöveggeneráláson. Ez egy betekintés egy olyan jövőbe, ahol a gépek nemcsak utánozzák az emberi beszédet, hanem valóban értik azt a világot, amelyben élünk. Ahogy a mesterséges intelligencia kilép a szövegdobozokból és beköltözik a fizikai valóságunkba, úgy válik el végleg a múlt technológiája a jövő intelligenciájától.