Sokak fejében az MI már-már mindentudó zseniként él. A valóság azonban józanabb ennél: a ma népszerű nagy nyelvi modellek (LLM-ek) csupán statisztikaiminta-követők. Döbbenetesen jó szövegeket írnak, de alapvetően a „legvalószínűbb következő szót” választják. Ez a működés precíz, kiszámítható – ám konzervatív. Miért nem mernek kockáztatni az LLM-ek, és milyen úton válhat a következő MI-generáció ténylegesen kreatívvá?

Miben más az ember gondolkodása?

Az ember nem csak szövegből tanul. Képekből, hangokból, mozgásból, szagokból, fájdalomból és örömből – a világból szerzett tapasztalataiból. Képes absztrakcióra különböző belső motivációból vagy flow-állapotra: amikor a feladat komplexitása és az emberi képesség pont találkozik és megszületik az alkotás.

A gép ezzel szemben többnyire utánzó: a tanítás során az emberi visszajelzés elsősorban a „biztonságos” válaszokat jutalmazza, a szokatlanokat, a pontatlanokat bünteti – így az MI óhatatlanul óvatos lesz.

Pedig sok nagy áttörés hibákból vagy azok újraértelmezéséből született (gondoljunk csak a penicillin feltalálására). A mai modellek azonban a hibát elkerülni, nem pedig felfedezni próbálják, és ezért nehezen lépnek ki a szabályrendszerből, pedig a kreativitás gyakran épp ott kezdődik.

Merre tovább? Az MI, ami tényleg felfedez

A kreatív MI-hez több kell a szövegkorpuszoknál.

Multimodális és interaktív tanulás

Az emberhez hasonlóan több csatornán kell tanulni (kép, hang, szenzorok), egy valódi vagy szimulált környezetben pedig megtapasztalni a döntések következményeit. A belső „világmodell” – egy úgynevezett digitális homokozó – segít előszűrni a rossz ötleteket még a valóság megtapasztalása előtt.

Agy ihlette architektúrák és „alvás”

Rugalmas, önátalakító hálózatokra van szükség, amelyek képesek a hosszú távú emlékezet és a következtetés integrálására. Az emberhez hasonló konszolidációs fázis („alvás”) segítheti a minták megszilárdítását.

Belső motiváció

A kíváncsi MI nemcsak válaszol, kérdez is. Önjutalmazó mechanizmusokkal (például az új információkért vagy a bizonytalanság csökkentéséért járó belső „pontokkal”) a rendszer elkezdhet önállóan tudást keresni, és ez a valódi felfedezés alapja.

Mit jelent ez az üzletnek és a fintechnek?

Rövid távon a vállalatok stabilitást várnak, azaz pontos, reprodukálható teljesítményt. Ebben az LLM-ek erősek, és már ma is gyorsítják a termékfejlesztést. Jó példa erre a generatív UI, amelynek segítségével pár óra alatt össze lehet állítani és tesztelésre bocsátani egy prototípust.

A következő ugrás azonban a felfedező MI, amely képes önállóan feltárni innovatív termékötleteket, kockázatkezelési stratégiákat vagy épp ügyfélélmény-megoldásokat.

A teljes adás az alábbi Spotify-linken visszahallgatható.