Dirbtinio intelekto sistemoms vis dažniau mokantis iš duomenų, kuriuos sugeneravo ankstesnės jų pačių kartos, kyla „modelio griūties“ reiškinys. Tyrėjų teigimu, šis terminas apibūdina situaciją, kai rekursyviai treniruojamo modelio veikimas palaipsniui prastėja, kol galiausiai sistema tampa visiškai nenaudinga.

Ribos tarp mokymosi ir griūties

Naujausiame tyrime, nagrinėjančiame šį reiškinį per branduolių regresijos (angl. kernel regression) prizmę, nustatytas aiškus lūžio taškas. Tyrimo rezultatai rodo, kad egzistuoja riba, už kurios modelis nebegali tinkamai apdoroti dirbtinių duomenų, ir jo veikimas visiškai sugriūva.

Autorių vertinimu, modelio griūtis yra įprastų mastelio dėsnių modifikacija, kurią sukelia sintetiniai arba dirbtiniai duomenys. Šie atradimai signalizuoja apie atotrūkį nuo tradicinių testavimo klaidų rodiklių, su kuriais susiduriama integruojant dirbtinį turinį į mokymosi rinkinius.

Mechanistinis požiūris į sudėtingas sistemas

Mokslininkai taip pat siūlo paprastą strategiją, pagrįstą adaptyviuoju reguliarumu, siekiant sušvelninti šį griūties procesą. Jų teoriniai rezultatai yra patvirtinti atliktais eksperimentais, kurie padeda geriau suprasti, kaip dirbtiniai duomenys keičia modelių elgseną.

Analogiški identifikavimo iššūkiai pastebimi ir kitose srityse, pavyzdžiui, molekulinės konformacijos spektroskopijoje. Tyrimai rodo, kad tam tikros molekulių poros, vadinamos veidrodinėmis, išlieka neatskiriamos naudojant achiralinius stebėjimo metodus, net jei kitos klasės populiacijos yra aiškiai identifikuojamos.

Šiame kontekste mechanistinis dizainas tampa svarbesnis už vieną „galutinį optimalų“ sprendimą. Pavyzdžiui, tiriant rūko rinkimo tinklelius, mechanistinis požiūris leidžia optimizuoti geometriją, užuot ieškojus vieno universalaus rodiklio.

Technologijų kūrėjai, tokie kaip „OpenAI“ ar „Cohere“, sintetinius duomenis mato kaip būdą spręsti interneto duomenų triukšmingumo problemą. Visgi, mokslinis darbas pabrėžia, kad šių duomenų integravimas į mokymosi procesus sukelia naujų, dar iki galo neištirtų iššūkių.

Šiuos tyrimus, susijusius su modelio griūties analize, iš dalies parėmė Nacionalinis mokslo fondas (NSF) per mokymų dotaciją. Autoriai pabrėžia, kad jų taikomi metodai ir argumentai gali būti naudingi platesnei mokslo bendruomenei, siekiančiai demistifikuoti dirbtinio intelekto sistemų veikimo ribas.

Šaltiniai

  1. [1] [arXiv | 2026-08-06] Model Collapse Demystified: The Case of Regression
  2. [2] [arXiv | 2026-08-06] Zero-change foundry compatible silicon photonics MEMS optical switch
  3. [3] [arXiv | 2026-08-06] Finite-Resolution Identifiability and Measurement Design for Molecular Conformer Spectroscopy
  4. [4] [X.com] Today we release LFM2.5-2.6B, an agentic model that runs entirely on-device. It plans, calls tools, and works through mu
  5. [5] [X.com] Mark your calendar for Oct 6 🔴 theCUBE is bringing you the Dell AI Data Platform event.