🤖 სპეციალიზებული ხელოვნური ინტელექტის მომზადება და თვითგაუმჯობესება მცირე კომპანიებისთვის ხელმისაწვდომი ხდება
ტექნოლოგიური გიგანტები და წამყვანი ლაბორატორიები აქტიურად ცდილობენ შექმნან თვითგაუმჯობესებადი ხელოვნური ინტელექტის მოდელები. დარგის ექსპერტთა ნაწილი მიიჩნევს, რომ ეს მიდგომა სუპერინტელექტის შექმნის უმოკლესი გზაა. თეორიულად, როდესაც სისტემა საკუთარ თავს განუწყვეტლივ აუმჯობესებს, იგი ადრე თუ გვიან ადამიანურ შესაძლებლობებს გადააჭარბებს. თუმცა, მსგავსი ტექნოლოგიური პროცესები მცირე ზომის სპეციალიზებული ამოცანებისთვისაც გამოსადეგი აღმოჩნდა. ჟურნალისტი უილ ნაიტი საკუთარ 2026 წლის სტატიაში წერს, რომ მან სცადა გამოეყენებინა მცირე ენობრივი მოდელი ყოველდღიური საინფორმაციო ბიულეტენის მომზადების პროცესის ავტომატიზაციისთვის. ტესტირების ფარგლებში ავტორმა გამოიყენა Andrej Karpathy-ს მიერ შექმნილი ინსტრუმენტი AutoResearch, რომელიც მზა სისტემას მცირე მოდელების სწავლებაში ეხმარება. ეს მიდგომა ამცირებს ადამიანურ ჩარევას და ზრდის მუშაობის საერთო ეფექტიანობას. ანდრეი კარპათი ცნობილი სპეციალისტია, რომელმაც მონაწილეობა მიიღო OpenAI-ს დაფუძნებაში, ხელმძღვანელობდა Tesla-ს ავტოპილოტის ჯგუფს და ცოტა ხნის წინ Anthropic-ის გუნდს შეუერთდა. მისი გამოცდილება დარგში ერთ-ერთი საუკეთესოა, რაც მის მიერ შექმნილი ხელსაწყოების ხარისხს განაპირობებს. AutoResearch ეხმარება მცირე გუნდებს დამოუკიდებლად აწარმოონ ექსპერიმენტები და შექმნან მორგებული მოდელები საკუთარ სერვერებზე. ნაიტმა 1-ელი ექსპერიმენტისთვის გამოიყენა Claude მოდელი და Nvidia DGX სამუშაო სადგური, რომელიც სპეციალურად ხელოვნური ინტელექტის ამოცანებისთვის არის განკუთვნილი. ავტორმა ნება დართო სისტემას გვერდი აევლო სტანდარტული ნებართვების შემოწმებისთვის, რათა მუშაობა დაჩქარებულიყო. საწყის ეტაპზე მცირე მოდელის მიერ გენერირებული ტექსტები უხარისხო იყო და გაუთავებელ გამეორებებს შეიცავდა, რაც მოლოდინს არ შეესაბამებოდა. მოგვიანებით, Claude-ის დახმარებით განხორციელებულმა თვითგაუმჯობესების ციკლმა მოდელის შედეგები უფრო თანმიმდევრული გახადა. ამ წარმატების შემდეგ ნაიტმა გადაწყვიტა მე-2 უფრო რთული სისტემის შექმნა, რისთვისაც გამოიყენა სტარტაპ Prime Intellect-ის სპეციალური პლატფორმა. მან შეაგროვა 100 კვლევითი ნაშრომის მონაცემები და შექმნა საკუთარი მოდელი, სახელწოდებით Frontier_Paper_Curator, რომლის მიზანიც მასალების შეჯამება იყო. სწავლების პროცესში Claude დაეხმარა სისტემას სინთეზური მონაცემების გენერირებაში, რის შემდეგაც მოდელი გამყარდა განმამტკიცებელი სწავლების მეთოდით. Prime Intellect-ის აღმასრულებელმა დირექტორმა, ვინსენტ ვაისერმა, რომლის სტარტაპმაც $15 მილიონის დაფინანსება მიიღო, აღნიშნა, რომ მისი მიზანი თვითგაუმჯობესებადი სისტემების დემოკრატიზაციაა. მისი თქმით, ბაზრის კოლექტიური კრეატიულობა ბევრად მეტს შექმნის, ვიდრე რამდენიმე ცალკეული ლაბორატორია. ვინსენტ ვაისერმა საჯარო გამოსვლისას განაცხადა: „ჩვენ არ გვინდა ერთი ცენტრალიზებული, თითქმის ღვთაებრივი ინტელექტი, ჩვენ გვინდა მილიარდი ინტელექტი, რომლებიც შეავსებენ ყველა ნიშას და შექმნიან ლამაზ ნივთებს“. ანალოგიური მიდგომით მუშაობს 2 სხვადასხვა სტარტაპი, მათ შორის Adaption, რომელიც ავითარებს ინსტრუმენტს სახელწოდებით AutoScientist. ეს კომპანია ეხმარება ბიზნესს მოდელების სწრაფ მომზადებაში. კომპანიის ხელმძღვანელმა, სარა ჰუკერმა, განმარტა, რომ ბევრი მსხვილი ორგანიზაცია იყენებს მათ ტექნოლოგიას ხარჯების შესამცირებლად. მისი თქმით, ტექნოლოგიური დამოუკიდებლობის საკითხი სულ უფრო აქტუალური ხდება ბიზნესის სექტორში. ბევრი კომპანია უარს ამბობს დიდი კორპორაციების სერვისებზე, რათა შეინარჩუნოს კონფიდენციალურობა და დაიცვას თავისი მომხმარებლების პერსონალური მონაცემები სხვადასხვა რისკებისგან. როდესაც Anthropic-მა გარკვეული შეზღუდვები დააწესა თავის მოდელზე Fable 5, ბევრმა კომპანიამ გააცნობიერა ერთი მომწოდებლისგან გამოწვეული რისკები. Palantir-ის აღმასრულებელმა დირექტორმა, ალექს კარპმა, დაადასტურა, რომ გიგანტებთან მუშაობა ხშირად საკუთარ მონაცემებზე კონტროლის დაკარგვას და ტექნოლოგიური დამოუკიდებლობის შესუსტებას ნიშნავს. ეს საფრთხე განსაკუთრებით დიდია სამთავრობო და სამხედრო სექტორისთვის. უილ ნაიტის ექსპერიმენტმა აჩვენა, რომ 1 დღეზე ნაკლებ დროში შესაძლებელია დამაკმაყოფილებელი შედეგის მიღება. მართალია, ახალი მოდელი ზოგჯერ ირჩევს ისეთ ნაშრომებს, რომლებსაც ავტორი გამოტოვებდა, მაგრამ პროგრესი აშკარაა. სპეციალიზებული ხელოვნური ინტელექტის მომზადების დემოკრატიზაცია მცირე კომპანიებს აძლევს საშუალებას, შეინარჩუნონ მონაცემების უსაფრთხოება და შეამცირონ გარე სერვისების გამოყენებით გამოწვეული ყოველთვიური ხარჯები.
I Built a Self-Improving AI, and So Can You
