Fei Fei Li: Następna fala AI będzie poruszać się po Twoim świecie
Inteligencja przestrzenna: Dr Fei-Fei Li podkreśla znaczenie inteligencji przestrzennej jako kolejnego obszaru przełomowego w rozwoju AI.
Modele świata: Modele świata przewidują kolejne stany środowisk fizycznych, w przeciwieństwie do modeli językowych skupionych na tekście.
Wyzwania związane z danymi: Pozyskiwanie danych przestrzennych jest trudne, a ich dostępność ograniczona, co stanowi istotną barierę dla rozwoju przestrzennej AI.
Stopniowe wdrażanie: Pojawianie się przestrzennej AI prawdopodobnie będzie stopniowe i zależne od konkretnej dziedziny, w przeciwieństwie do językowej AI.
Pilna potrzeba przygotowań: Organizacje powinny jak najszybciej rozpocząć przygotowania na wpływ przestrzennej AI, aby uniknąć problemów.
Narzędzia AI, które na przestrzeni ostatnich trzech lat przekształciły pracę opartą na wiedzy, mają wspólne ograniczenie: istnieją całkowicie w sferze języka.
Czytają, piszą, podsumowują i generują. Nie potrafią jednak rozumieć świata fizycznego, geometrii hali magazynowej, przestrzennej logiki zabiegu chirurgicznego ani trójwymiarowej dynamiki linii produkcyjnej.
To właśnie tę lukę od lat stara się wypełnić dr Fei-Fei Li.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Przemawiając wczoraj podczas HumanX, informatyczka z Uniwersytetu Stanforda i współzałożycielka World Labs przekonywała, że inteligencja przestrzenna — zdolność maszyn do postrzegania, rozumowania i działania w trójwymiarowej przestrzeni — stanowi kolejną istotną granicę rozwoju AI. Jak podkreśliła, nie jest ona zastępstwem dla modeli językowych. To zupełnie inna kategoria problemu.
\u0022Inteligencja ludzka nie jest wyłącznie językowa. Pomyślmy o wszystkim, co robimy na co dzień, a także w pracy. Wszystko wiąże się ze światem 3D, przestrzenią, ruchem i interakcją.\u0022
Dla liderów biznesowych, którzy przez ostatnie dwa lata przeorganizowywali przepływy pracy wokół dużych modeli językowych, argumentacja Li stanowi pożyteczne przypomnienie o szerszej perspektywie. Wzrost produktywności wynikający z generowania tekstu przez AI jest realny, ale stanowi jedynie wąski wycinek tego, czym faktycznie zajmuje się inteligencja — ludzka lub maszynowa.
Trudniejsza i bardziej znacząca praca — fizyczne poruszanie się w środowisku, interpretowanie danych przestrzennych, działanie w świecie zamiast jego opisywania — wciąż pozostaje w dużej mierze nierozwiązana.
Do czego służą modele świata
Li wyraźnie odróżnia modele językowe od tego, co nazywa „modelami świata”.
Podczas gdy model językowy przewiduje kolejny token w sekwencji, model świata przewiduje kolejny stan fizycznego środowiska. Tenisista odbijający serwis z prędkością 120 mil na godzinę robi coś bliższego temu drugiemu: odczytuje bieżący stan piłki i ciała, a następnie oblicza, co wydarzy się za chwilę — w ciągu milisekund.
„Przewidywanie lub generowanie stanu ma fundamentalne znaczenie dla inteligencji przestrzennej”.
Model jej firmy, nazwany Marble, generuje prawdziwe trójwymiarowe światy — nie nagrania wideo ani płaskie obrazy, lecz trwałe środowiska 3D, po których można się poruszać, modyfikować je i wykorzystywać jako środowiska treningowe dla kolejnych zastosowań.
Bezpośrednie zastosowania, o których wspomniała, są pouczające dla liderów próbujących przewidzieć kierunek rozwoju tej technologii.
Jednym z nich jest szkolenie robotów: laboratoria już wykorzystują generowane środowiska 3D jako dane syntetyczne do trenowania fizycznych robotów, ograniczając zależność od kosztownego i powolnego gromadzenia danych w realnym świecie. Innym jest radiologia. Diagnozowanie schorzeń na podstawie danych obrazowych jest z natury problemem przestrzennym. Guzek w płucu istnieje w trzech wymiarach; AI, które przetwarza wyłącznie obrazy dwuwymiarowe, pracuje na niepełnych informacjach.
Samochody autonomiczne są najbardziej widocznym przykładem obecnym już na rynku. Li wskazała Teslę i Waymo jako firmy, które zbudowały już funkcjonalne modele świata w wyspecjalizowanej dziedzinie.
„Z tego punktu widzenia, w tej bardzo istotnej, lecz wyspecjalizowanej dziedzinie, już dysponujemy inteligencją przestrzenną” — powiedziała.
Problem z danymi
Li otwarcie mówiła o głównym ograniczeniu postępu. Moc obliczeniowa jest kosztowna, ale dostępna. Architektura modeli się rozwija. To dane stanowią najtrudniejszą część.
Modele językowe korzystały z praktycznie nieograniczonych materiałów treningowych: zgromadzonych w internecie tekstów, zdigitalizowanych książek i transkrybowanych rozmów. Dane przestrzenne nie mają odpowiadającego im korpusu. Trójwymiarowe reprezentacje fizycznych środowisk są rzadkie, kosztowne w tworzeniu i trudne do standaryzacji.
Jeśli uważacie, że brakuje danych o świecie 3D — powiedziała Li — to danych dotyczących robotyki brakuje jeszcze bardziej.
Nie jest to abstrakcyjny problem badawczy. Dla każdej organizacji planującej integrację AI działającej w świecie fizycznym — w produkcji, opiece zdrowotnej, logistyce czy zarządzaniu obiektami — infrastruktura danych będzie czynnikiem ograniczającym tempo rozwoju.
Firmy, które już gromadzą dane przestrzenne ze swoich fizycznych operacji za pomocą czujników, systemów obrazowania lub cyfrowych bliźniaków, budują zasób, którego znaczenia mogą jeszcze w pełni nie doceniać.
Na horyzoncie nie widać momentu przełomowego na miarę ChatGPT
Jednej rzeczy Li nie obiecała: przełomowego momentu porównywalnego z premierą ChatGPT, kiedy jeden produkt konsumencki z dnia na dzień wprowadził nową klasę możliwości AI do powszechnej świadomości.
„Czat jest tak powszechnym zachowaniem konsumenckim” – powiedziała – „a kiedy mamy do czynienia z tak powszechnym zachowaniem konsumenckim, następuje przełomowy moment”.
Jest sceptyczna co do tego, że inteligencja przestrzenna pojawi się w ten sam sposób, ponieważ może nie mieć jednego, prostego zachowania konsumenckiego, które mogłoby stanowić dla niej punkt wyjścia. Nie ma oczywistego odpowiednika wpisywania pytania w okno czatu.
Oznacza to, że wdrażanie przestrzennej sztucznej inteligencji prawdopodobnie będzie specyficzne dla poszczególnych dziedzin i stopniowe, a nie nagłe i powszechne. Laboratoria robotyki, firmy zajmujące się obrazowaniem medycznym, twórcy gier oraz studia efektów wizualnych zetkną się z nią na długo przed tym, zanim stanie się stałym elementem powszechnie używanego oprogramowania dla przedsiębiorstw.
Dla CHRO i COO ten harmonogram ma znaczenie. Presja, by działać w obszarze przestrzennej sztucznej inteligencji, nie jest taka sama jak presja, by działać w obszarze sztucznej inteligencji językowej na początku 2023 roku. Jednak czas na przygotowania jest również krótszy, niż się wydaje.
Prace podstawowe – zrozumienie, w jaki sposób inteligencja fizyczna mogłaby zmienić działalność operacyjną, zinwentaryzowanie zasobów danych przestrzennych oraz rozwijanie kompetencji w zespole kierowniczym – zajmują więcej czasu niż wdrożenie nowego produktu SaaS.
Li opisała obecną sytuację jako konwergencję: architektury modeli transformatorowych opracowane na potrzeby języka spotykają się obecnie z postępem w dziedzinie widzenia komputerowego i obliczeń 3D, które rozwijały się przez lata.
„Po raz pierwszy daje nam to możliwość rzeczywistego rozwiązania niektórych z najbardziej fundamentalnych problemów sztucznej inteligencji” – powiedziała.
Potraktowanie tej konwergencji jako problemu kogoś innego, który należy jedynie obserwować, doprowadzi wiele organizacji do powtórzenia tego samego błędu, który popełniło wiele z nich podczas uruchomienia ChatGPT. Założyły, że mają więcej czasu, niż rzeczywiście miały.
