Šta zaista znače naši testovi vještačke inteligencije? Nova studija otkriva šokantnu istinu
Koliko puta ste čuli rečenicu: 'AI je položio test bolje od čovjeka'? Zvuči kao znanstvena revolucija, ali šta ako vam kažem da su testovi, na kojima vještačka inteligencija danas briljira, zapravo dizajnirani za ljude i, još važnije, napravljeni na način koji možda ne otkriva pravu dubinu sposobnosti AI sistema?
Nova studija, objavljena u časopisu Nature Humanities and Social Sciences Communications, analizira na desetine popularnih testova korišćenih za procjenu inteligencije AI modela poput ChatGPT-a ili Barda. Osnovna vijest: rezultati su možda mnogo manje impresivni nego što se čini.
- Većina AI testova imituje ljudske zadatke, ignorišući specifične, ne-antropocentrične načine razmišljanja koje AI alati mogu imati.
- Standardni testovi često ne mjere istinsku 'razumsku' sposobnost niti otkrivaju inovativne AI obrasce, već samo prepoznaju vještinu prilagođavanja ljudskom obrascu komunikacije.
- Studija otvara pitanje: Da li sadašnja generacija AI testova zapravo sprečava inovaciju?
'Ako želimo istinski razumjeti kako vještačka inteligencija može mijenjati društvo, moramo je prestati testirati na iskrivljenim, ljudima prilagođenim mjerilima', navodi glavni autor studije dr. Jack Parkington.
Ako mjerimo snagu AI na mentalnoj olimpijadi namijenjenoj ljudima, previđamo njegove istinske prednosti ali i slabosti. Paradoks: AI je možda pametniji na našim testovima, ali to ne znači da je i suštinski racionalniji, efikasniji ili korisniji od čovjeka. Vrijeme je da, umjesto refleksa divljenja, počnemo kritički i kreativno mijenjati način na koji ocjenjujemo vještačku inteligenciju. Jer društvo ne pokreću roboti koji glume ljude, već alati koji nude ono što mi nismo mogli ni zamisliti.
