kunstig intelligens
Datamaskiner tenker kanskje bedre uten vår hjelp
Den grønne kurven viser Moores lov om veksten i antallet transistorer i databrikker. Den er grunnlaget for en påstand om at generelle, skalerbare metoder er mer effektive enn å bruke menneskelig tankevirksomhet på å forfine modellene bak kunstig intelligens. Påstanden får støtte i den måten som programmet AlphaGo Zero har lært seg selv å spille Go på. Samt i suksessen for proteinbrettings-programmet AlphaFold 2.
Illustrasjon: Ingeniøren
GPT-3 kan skrive tekster, AlphaGo Zero kan spille Go, og AlphaFold 2 kan brette proteiner. Dette er tre eksempler fra den siste forskningen på kunstig intelligens (AI) på enkle, minimalt forutinntatte modeller, trent på enorme mengder data og med enorme mengder datakraft.
Den markante suksessen for blant andre disse modellene har rettet oppmerksomheten mot et essay som en av pionerene innen såkalt forsterkende læring (reinforcement learning) tilbake i 2019 publiserte på bloggen sin «Incomplete Ideas»:
Essayet het «The Bitter Lesson», og i det presenterte Richard Sutton – AI-forsker og mannen bak den ledende boka innen reinforcement learning – det han kalte «den største læresetningen fra 70 års AI-forskning», nemlig at «generelle, skalerbare metoder til syvende og sist er de mest effektive, og det med stor margin» i forhold til spesialiserte modeller med en høy grad av menneskelig input.
