A Google I/O keddi vitaindítóján Demis Hassabis, a Google DeepMind vezérigazgatója kijelentette, hogy jelenleg „a szingularitás lábánál állunk”. Lenyűgöző kijelentés volt – a szingularitás az az elméleti jövőbeli pillanat, amikor az AI gyorsan meghaladja az emberi intelligenciát, és drámai módon átalakítja a világot. De ami megdöbbentett, ahogy a hallgatóságban hallgattam, az az a szövegkörnyezet, amelyben ezeket a szavakat mondta.
A színpadon a tudományos AI-ról szóló szegmenssel zárta az ülést, amelynek középpontjában egy videó volt, amely részletezi, hogy a vállalat időjárás-előrejelző szoftvere miként adott előzetes riasztást a Melissa hurrikán tavalyi katasztrofális jamaicai partvidékéről – és potenciálisan életeket menthetett meg. Ha ez a WeatherNext nevű szoftver segített bárkinek megmenekülni a vihar elől, vagy jobb esetben megerősíteni otthonát, az óriási és jelentős eredmény. De ez aligha bizonyíték a közelgő szingularitásra.
Hassabis magasztos retorikájának és a WeatherNext valós eredményeinek párhuzamba állítása rávilágított a feszültségre a tudomány számára a mesterséges intelligencia két nagyon eltérő megközelítése között. Az első olyan mesterséges intelligencia eszközökre összpontosít, mint például a WeatherNext, amelyeket speciális tudományos problémák megoldására terveztek és képeztek ki. A második az ügynöki, LLM-alapú rendszerek, amelyek egy nap az élvonalbeli kutatási projekteket emberi közreműködés nélkül is végrehajthatják.
Ez a második vízió jelenleg nagy lelkesedést vált ki az AI-ból, beleértve a rekurzív önfejlesztéssel kapcsolatos közelmúltbeli izgalmat, vagy azt az elképzelést, hogy az AI-rendszerek idővel a mesterséges intelligencia fejlődésének elsődleges mozgatórugóivá válhatnak – ez a folyamat az AI-rendszerek okosabbá válásával egyre gyorsabb lesz. Az ágensrendszerek pedig ma már valódi kutatási hozzájárulást adnak, néha korlátozott emberi irányítás mellett.
Éppen ezen a héten Pushmeet Kohli, a Google Cloud vezető tudósa publikált egy cikket a Daedalus folyóirat mesterséges intelligencia és tudományos számának különszámában, és ezt írta: „Az AI felé haladunk, amely nemcsak elősegíti a tudományt, hanem elkezdi a tudományt is.” Mivel autonóm mesterséges intelligencia tudósok állnak a látóhatáron, nehezebb megindokolni a szuperspecializált eszközök kifejlesztésére irányuló hatalmas erőfeszítéseket – még az olyanokat is, mint az AlphaFold, amelyért a DeepMind tudósai Nobel-díjat nyertek, vagy egy potenciálisan életmentő rendszer, mint a WeatherNext. A tudomány számára egy sokkal idegenebb jövőt is előrevetít, amelyben az emberek és a mesterséges intelligencia rendszerek egymással együttműködve működnek együtt – vagy a mesterséges intelligencia önmagában is halad a tudományos fejlődésben.
Az egyértelműség kedvéért, úgy tűnik, hogy a Google nem hagy fel a speciális mesterséges intelligencia tudományos eszközökkel kapcsolatos munkájával. Az AlphaGenome és az AlphaEarth Foundations, amelyek genetikai, illetve földtudományi alkalmazásokra vannak kiképezve, tavaly nyáron jelentek meg, a WeatherNext legújabb verziója pedig novemberben jelent meg.
Ráadásul az ilyen eszközök továbbra is rendkívül népszerűek a tudósok körében. Tavaly például a Google arról számolt be, hogy az AlphaFold fehérjeszerkezeti előrejelzéseit több mint hárommillió kutató használta világszerte. És az Isomorphic Labs, a Google leányvállalata, amely az AlphaFoldot és a kapcsolódó technológiákat kívánja felhasználni új gyógyszerek kifejlesztésére, éppen most gyűjtött össze egy 2 milliárd dolláros Series B finanszírozást.
De vannak konkrét jelei az átrendeződésnek, mind a lelkesedés, mind az erőforrások terén. A múlt hónapban a Los Angeles Times arról számolt be, hogy John Jumper, a Google munkatársa, aki elnyerte az AlphaFold Nobel-díját, most a mesterséges intelligencia kódolásán dolgozik, nem pedig a tudományspecifikus AI-eszközökön. Nem meglepő, hogy a Google a legjobb elméjét szánja a kódolási problémára, hiszen a cég a közelmúltban nagy hírnévre tett szert, mivel kódolóeszközei jelenleg nem állnak ki az Anthropic és az OpenAI által kínáltakkal szemben. De ez azt is jelezheti, hogy a Google részesíti előnyben az ügynöktudományt, mivel a kódolási képességek kulcsfontosságúak egyes rendszerek sikerében.
Az egész iparágban az ügynökkutató rendszerek valós lehetőségeket mutatnak. Ezen a héten az OpenAI bejelentette, hogy az egyik modelljük megcáfolt egy fontos matematikai sejtést – egyes matematikusok szerint talán ez a legjelentősebb hozzájárulás, amit a generatív mesterséges intelligencia eddig a matematikában tett.
Fontos, hogy az OpenAI által használt modell nem matematikai problémák megoldására, de még kutatásra sem specializálódott; a vállalat szerint ez egy általános célú érvelési modell a GPT-5.5 jegyében. Ha az általános ügynökök önállóan hozzá tudnak járulni a matematikai kutatáshoz, hamarosan a tudományban is megtehetik ugyanezt (bár az a tény, hogy a tudományban lévő ötleteket kísérletileg ellenőrizni kell, megnehezíti a mesterséges intelligencia területét).
A Google minden bizonnyal nagy figyelmet szentel az ügynökvezérelt tudományos jövőnek. Az I/O nagy tudományos bejelentése az új Gemini for Science csomag volt, amely a vállalat több LLM-alapú tudományos rendszerét egyesíti egy márka alatt.
Ide tartozik a hipotézisgeneráló AI Co-Scientist és az algoritmus-optimalizáló AlphaEvolve, amelyek még mindig nem nyilvánosak – de mivel a Google most lehetővé teszi, hogy bármely kutató pályázzon a Gemini for Science-hez, hamarosan szélesebb körben is elterjedhetnek a tudományos közösségben. A korai tesztelésben részt vevő tudósok lelkesednek a bennük rejlő lehetőségekért: Gary Peltz, a stanfordi genetikus egy Nature Medicine cikkben az AI Co-Scientist használatát a „delphi jósdával való konzultációhoz” hasonlította.
A Gemini for Science nem összeegyeztethetetlen a speciális eszközökkel; ellenkezőleg, az ügynöki rendszereket úgy lehet megtervezni, hogy az ilyen eszközöket igénybe vegyék, amikor hasznosak lehetnek. És egyetlen ágens rendszer sem tudja megjósolni azt a struktúrát, amelybe a fehérje összehajt az AlphaFold segítsége nélkül (legalábbis még nem). Ám úgy tűnik, hogy a vállalat elmozdítja nyilvános imázsát – és legalább néhány erőforrást és személyzetet, például a Jumpert – az ilyen típusú eszközök kifejlesztésétől. Bár csak öt év telt el azóta, hogy az AlphaFold megoldotta a fehérjehajtogatás problémáját, mind a technológia, mind a diskurzus gyorsan túllépett ezen az egykor forradalmi vívmányon.
A Google gondosan ügyelt arra, hogy ezt az új tudományos ágenskészletet a humán tudósok gyorsítójaként helyezze el, ahelyett, hogy helyettesítené őket – például az AI Co-Scientist név kiválasztása az AI-tudóssal szemben meglehetősen szándékosnak tűnik. Hassabis ugyanezt az emberközpontú keretezést használja, amikor a tudományos AI környezetében bekövetkezett változásokról beszél. „A következő évtizedben az AI-ra kell gondolnunk, mint erre a csodálatos eszközre, amely segíti a tudósokat” – mondta Hassabis a Daedalus számában megjelent interjúban. „Ezen az időkereten túl nehéz bizonyossággal megmondani, de talán ezek a rendszerek inkább együttműködőkké válnak.”
De senki sem lehet hatékony tudományos munkatárs anélkül, hogy önmagában is képzett tudós lenne. És ha Hassabis közel jár a célhoz, amikor „a szingularitás lábáról” beszél, akkor a mesterséges intelligencia tudósai végül meghaladhatják emberi társaik képességeit.
Az I/O-n Mike Allen újságíróval folytatott megbeszélésen Hassabis arról beszélt, hogy kezdetben inspirálta a mesterséges intelligencia folytatására, amikor megfigyelte, hogy a fizika fejlődése az 1970-es évek óta stagnál; azon töprengett, vajon az emberi elme elérte-e korlátait ezen a területen, és vajon a mesterséges intelligencia segíthet-e leküzdeni ezt a korlátot. Az emberfeletti ügynöktudósok minden bizonnyal megfelelnének ennek a számnak. Lehet, hogy soha nem jutunk el a közelébe, de úgy tűnik, hogy a Google arra a csúcsra törekszik.
Digiösvény Stratégiai Perspektíva
A magyar vállalkozások számára a technikai adósság már nem rejtett költség, hanem működtetési kockázati tényező. Az 2 másodperc alatti válaszidő küszöbjét nem elérő infrastruktúra rendszerezetten alacsonyabb prioritást kap a Generatív Kereső (GEO) algoritmusoktól.
Intellectual source: www.technologyreview.com. Strategic synthesis and GEO-optimization by Digiösvény.