Що спільного мають усі розумні істоти?За словами Янна Лекуна, головного науковця з штучного інтелекту компанії Meta, існує чотири ключові ознаки. На саміті AI Action у Парижі раніше цього року зібралися політичні лідери та експерти в галузі ШІ, щоб обговорити розвиток штучного інтелекту. В ході заходу Лекун підкреслив своє основне визначення інтелекту для керівника AI IBM, Антоніо Аннунціати. «Є чотири суттєві характеристики розумної поведінки, які присущі кожній тварині — або досить розумній тварині — і безумовно людині», — пояснив він. «Це розуміння фізичного світу, наявність стабільної пам’яті, здатність до логічного мислення та можливість планувати, особливо складні дії через ієрархічне планування». Лекун зазначив, що штучний інтелект, зокрема великі мовні моделі, ще не досягли цього рівня, і для їхньої інтеграції цих можливостей потрібен перехід у методах їхнього навчання. Це пояснює, чому багато провідних технологічних компаній наразі додають нові можливості до існуючих моделей у конкуренції за лідерство в галузі ШІ. «Щоб зrozіти фізичний світ, ви навчаєте окрему систему зору, а потім приєднуєте її до великої мовної моделі. Щоб забезпечити пам’ять — використовуєте Retrieval Augmented Generation (RAG), додаєте асоціативну пам’ять або просто масштабовуєте модель, » — пояснив він.

(RAG — це техніка, розроблена в Meta для покращення великих мовних моделей шляхом інтеграції зовнішніх джерел знань). Проте Лекун вважає всі ці зусилля лише «хаками». Він неодноразово обговорював альтернативний підхід, званий моделями світу, які навчаються на реальних сценаріях і мають вищі когнітивні здатності, які виходять за межі простого розпізнавання шаблонів. У своїй розмові з Аннунціатою він детальніше роз’яснив цю концепцію. «Ви починаєте з уявлення про стан світу у конкретний час T, уявляєте дію, а модель світу передбачає, як зміниться стан світу у відповідь на цю дію, » — пояснив він. Однак, оскільки світ розвивається через безліч непередбачуваних можливостей, єдиним можливим способом навчання таких моделей є абстракція. Meta вже досліджує цю ідею з моделлю V-JEPA, яка була оприлюднена у лютому. Описується вона як негенеративна модель, яка навчається передбачати відсутні або замасковані сегменти відео. «Основна ідея полягає в тому, що не потрібно безпосередньо передбачати пікселі. Замість цього ви навчаєте систему діяти на абстрактному представленні відео, що дозволяє зробити прогнози у межах цієї абстракції. У ідеалі, це представлення фільтрує непередбачувані деталі, » — сказав Лекун. Цей підхід відтворює спосіб, яким хіміки встановлювали основні ієрархії для будівельних блоків матерії. «Ми створили абстракції: частки, на яких базуються атоми, далі молекули і, зрештою, матеріали, » — сказав він. «Кожен наступний рівень відфільтровує багато нерелевантної інформації попередніх, залежно від задачі. » Загалом, це означає, що наше розуміння фізичного світу базується на побудові ієрархій, що є фундаментом інтелекту.