Robotai, o ne pokalbių robotai, atskleis tikrąjį dirbtinio intelekto potencialą

Šiuolaikinio dirbtinio intelekto (DI) plėtra pasiekė lūžio tašką. Nors pastarąjį dešimtmetį pramonė rėmėsi „didžiųjų kalbos modelių“ (LLM) dominavimu, vis daugiau tyrėjų ir verslininkų atsigręžia į naują kryptį – „pasaulio modelius“. Ši technologija siekia išmokyti DI sistemas ne tik statistiškai prognozuoti žodžius, bet ir suprasti fizinę realybę, priežasties bei pasekmės ryšius.

Pasaulio modeliai vietoj žodžių

LLM veikimo principas yra pagrįstas statistiniu kitos sekos dalies (tokeno) numatymu, išmoktu iš trilijonų žodžių ir vaizdų. Tačiau kritikai, tarp jų ir DI pionierius Yannas LeCunas, teigia, kad toks metodas yra ribotas. LeCunas pabrėžia, kad dabartinės sistemos nėra tokios protingos kaip naminės katės, o idėją, jog vien tik didinant LLM mastą bus pasiektas dirbtinis bendrasis intelektas (AGI), vadina „visiška nesąmone“. Pasak jo, tai prilygsta bandymui pasiekti orbitą tiesiog didinant lėktuvus – Silicio slėnyje vyrauja pavojinga iliuzija, kad toks kelias yra teisingas.

Koordinacija ir planavimas

Priešingai nei LLM, „pasaulio modeliai“ kuriami tam, kad DI galėtų veikti fizinėje aplinkoje. Pavyzdžiui, „Google DeepMind“ kuria „Genie“ modelį, generuojantį naviguojamas 3D aplinkas, bei SIMA agentus, gebančius vykdyti instrukcijas nepažįstamuose pasauliuose. „Nvidia“ savo ruožtu naudoja GR00T agentus ir „DreamZero“ modelį, siekdama apmokyti robotus darbui sandėliuose ir gamyklose. Šios sistemos turi gebėti planuoti veiksmus ir koordinuoti judesius, o ne tik generuoti tekstą.

Ekonominiai iššūkiai ir realybė

AI pramonė vis dar jaučia 2020 metais paskelbtų „mastelio dėsnių“ įtaką, kurie teigė, kad modelių našumas proporcingai auga didinant duomenų kiekį ir skaičiavimo galią. Jaredas Kaplanas iš „Anthropic“ laikosi pozicijos, kad jei šie dėsniai nepasitvirtina, vadinasi, kažkas daroma ne taip. Visgi, 2024 metų tyrimai rodo, kad aukštos kokybės viešų tekstinių duomenų atsargos netrukus bus išsemtos. Be to, duomenų centrų plėtra reikalauja milžiniškų energijos sąnaudų, o tai kelia papildomą spaudimą elektros tinklams.

Žmogaus ir mašinos skirtumai

Kognityvinių mokslų atstovai, tokie kaip Brendenas Lake’as, pastebi, kad DI vystymas vyksta „atbulai“: vaikai metų metus tyrinėja fizinį pasaulį prieš įgydami kalbą, o LLM pradeda būtent nuo kalbos. „Akivaizdu, kad žmonės samprotauja ne tik žodžiais“, – teigia „OpenAI“ vyriausiasis mokslininkas Jakubas Pachockis. Nors LLM geba spręsti sudėtingas matematines užduotis, pasaulio modelių agentai vis dar susiduria su fundamentaliu iššūkiu – elementariais fiziniais veiksmais, tokiais kaip puodelio paėmimas.

Šiuo metu pramonėje tvyro takoskyra: vieni tiki, kad AGI „išsivystys“ iš vis didėjančių LLM, kiti – kad be įsikūnijimo fiziniame pasaulyje tikrasis intelektas neįmanomas. Kol kas „General Intuition“ ir kitos laboratorijos tęsia eksperimentus, kurdamos agentus, kurie mokosi veikdami simuliacijose, tikėdamosi, kad būtent šis kelias atvers duris į pažangesnį dirbtinį intelektą.

Šaltiniai

  1. [1] [Science.org | 2026-06-28] As better chatbots get harder to build, AI turns to simulated worlds
  2. [2] [Financial Times | Sun, 28 Ju] Robots, not chatbots, will realise AI’s potential
  3. [3] [Sciencedaily.com | 2026-06-27] Artificial Intelligence News -- ScienceDaily
  4. [4] [Fortune.com | 2026-06-25] 'Godmother of AI' and tech entrepreneurs draw investors by pivoting from chatbots to 'world models' saying AI has to read the room, not just books | Fortune