რა არის ხელოვნური ინტელექტი (AI)?

ოდესმე შეგიწყვეტიათ სქროლვა, საუბარი ან ფიქრი და გიკითხავთ საკუთარი თავისთვის: „როგორ ხდება, რომ მანქანებს ახლა თითქოს ჩვენი ესმით? ისინი არა მხოლოდ ბრძანებებს ასრულებენ, არამედ გვირჩევენ რა ვნახოთ, ასრულებენ ჩვენს წინადადებებს, ცნობენ ჩვენს სახეებს, ქმნიან ხელოვნებას, ისტორიებს, მუსიკასა თუ ვებსაიტებს?“ ეს ყველაფერი ძალიან ადამიანურად ჟღერს!

მაგრამ, ამ ილუზიის მიღმა იმალება რაღაც გაცილებით სტრუქტურირებული და ბევრად უფრო მომხიბვლელი! ეს არის სისტემა, რომელიც ნაბიჯ-ნაბიჯ აშენდა და ათწლეულების განმავლობაში დაუოკებელი ცნობისმოყვარეობის, ცდებისა და ინოვაციების შედეგად ჩამოყალიბდა. დღეს კი ერთად გავარკვევთ, თუ როგორ გადაიქცა ის, რაც ოდესღაც მხოლოდ სამეცნიერო ფანტასტიკაში არსებობდა, ჩვენი ყოველდღიური ცხოვრების განუყოფელ ნაწილად.

პირველ რიგში: არა, AI არ აზროვნებს ადამიანივით! აი, საიდან ვიცით ეს.

მიუხედავად იმისა, რომ ხელოვნურ ინტელექტს შთამბეჭდავად შეუძლია ადამიანური აზროვნების იმიტაცია, სინამდვილეში, ის არ აზროვნებს, ის უბრალოდ ითვლის! მოდით, უკეთესად განვმარტოთ ეს განსხვავება.

წარმოიდგინეთ პატარა ბავშვი, რომელიც პირველად ხედავს კატას. ბავშვი მაშინვე აღიქვამს მის არსს. პატარა ბავშვს კატის დანახვა მხოლოდ ერთხელ ან ორჯერ სჭირდება (შეიძლება ერთი ცოცხლად და ერთიც სურათზე), რომ "კატის" კონცეფცია აღიქვას. უბალნო იქნება, სამფეხა თუ დივნის უკან დამალული, ის მაინც იცნობს მას. ადამიანებს აქვთ ე.წ. "one-shot" (ერთი ნახვით) სწავლის უნარი.

ხოლო იმისათვის, რომ ხელოვნური ინტელექტის ნეირონულმა ქსელმა კატა ამოიცნოს, მას უნდა "ვაჭამოთ" კატის მილიონობით დასათაურებული ფოტო, სხვადასხვა განათებით, რაკურსითა და გარემოთი. AI-მ არ იცის, რა არის კატა თავისი არსით; ის უბრალოდ სწავლობს პიქსელების იმ სტატისტიკურ გადანაწილებას, რომელიც ხშირად ემთხვევა იარლიყს "კატა".

კიდევ ერთი მნიშვნელოვანი განსხვავება: ადამიანებს გვაინტერესებს მიზეზები, AI-ს კი კორელაციები. უფრო ზუსტად:

• ადამიანის მიდგომა: ადამიანის ტვინი შექმნილია იმისთვის, რომ გაიგოს, რატომ ხდება რაღაც. ჩვენ ბუნებრივად ვეძებთ მიზეზებს. თუ ბავშვი ცხელ გაზქურას ხელს დაადებს და დაეწვება, ის მყისიერად ხვდება მიზეზ-შედეგობრივ კავშირს და მეორედ ამას აღარ იზამს.
• AI-ის მიდგომა: AI, დიდწილად, უბრალოდ კორელაციის ძალიან ჭკვიანი ძრავაა. ის ამჩნევს კანონზომიერებებს მონაცემებში — მაგალითად, შეიძლება შეამჩნიოს, რომ ფოტოებში ქოლგების არსებობა ძლიერ კორელაციაშია წვიმასთან. თუმცა, AI-მ თავისთავად არ იცის, რომ წვიმა აიძულებს ხალხს ქოლგის გაშლას. მან უბრალოდ იცის, რომ ეს ორი ცვლადი ხშირად ჩნდება ერთად.

განსხვავებაა სამყაროს აღქმაშიც. დიდი ენობრივი მოდელისთვის სიტყვა "ვაშლი" უბრალოდ სიმბოლოა, რომელიც ხშირად გვხვდება ისეთ სიტყვებთან, როგორიცაა "წითელი", "ხრაშუნა" და "ხილი". AI-ს წარმოდგენა არ აქვს, როგორია ვაშლის ჩაკბეჩა, მისი სიტკბო ან წონა ხელში. ბავშვები კი ფიზიკურ 3D სამყაროსთან ურთიერთობით სწავლობენ. როცა პატარა სათამაშოს ძირს აგდებს, ის ერთდროულად სწავლობს ფიზიკას (გრავიტაცია, მასა), გეომეტრიას (სივრცე, მანძილი) და მიზეზ-შედეგობრიობას. მათი ტვინი აშენებს "სამყაროს მოდელს" მულტისენსორულ გამოცდილებაზე დაყრდნობით.

რა არის ხელოვნური ინტელექტი სინამდვილეში?

მას შემდეგ რაც მკაფიოდ გავმიჯნეთ AI-ს ტვინი ადამიანისგან, მოდით ახლა ვუპასუხოთ კითხვას, თუ რა არის AI? 

თავის არსში, ხელოვნური ინტელექტი, ანუ AI, არის იდეა, რომ მანქანები შეიძლება შეიქმნას ისეთი ამოცანების შესასრულებლად, რომლებიც ჩვეულებრივ ადამიანურ გონებას მოითხოვს. ეს მოიცავს ისეთ რამეებს, როგორიცაა გამოცდილებიდან სწავლა, კანონზომიერებების ამოცნობა, ენის გაგება, პრობლემების გადაჭრა და გადაწყვეტილებების მიღება.

მაგრამ, აი, სად არის მთავარი ამბავი: AI არ ფიქრობს ისე, როგორც ჩვენ, ადამიანები. მას არ აქვს ცნობიერება, ემოციები ან აღქმა. სამაგიეროდ, ის ამუშავებს ინფორმაციას ალგორითმების გამოყენებით — ნაბიჯ-ნაბიჯ გაწერილი ინსტრუქციებით, რომლებიც მას კონკრეტული შედეგისკენ მიუძღვება.

ტექნოლოგიების გუნდური თამაში

ხელოვნური ინტელექტის უკეთ გასაგებად, ჯობია მასზე ვიფიქროთ არა როგორც ერთ კონკრეტულ გამოგონებაზე, არამედ როგორც ერთად მომუშავე ტექნოლოგიების ნაკრებზე.

• მანქანური სწავლება (Machine Learning): ერთ-ერთი ყველაზე მნიშვნელოვანი ნაწილი. იმის ნაცვლად, რომ კომპიუტერში ყველა შესაძლო წესი ხელით გავწეროთ, მანქანური სწავლება სისტემას საშუალებას აძლევს, მონაცემთა ანალიზით ეს წესები თავად ისწავლოს. მაგალითად, თუ მანქანას აჩვენებთ ათასობით სურათს წარწერით "კატა" და "არ არის კატა", ის იწყებს ისეთი კანონზომიერებების ამოცნობას (ფორმები, ტექსტურები ან მახასიათებლები), რომლებიც ეხმარება მას ერთი მეორისგან განასხვავოს. დროთა განმავლობაში, ეს სწავლის პროცესი უფრო იხვეწება. სწორედ ამიტომაა დღევანდელი AI ბევრად უფრო ძლიერი, ვიდრე ათი წლის წინ იყო — მას უბრალოდ მეტი მონაცემი ჰქონდა სასწავლად და უფრო მძლავრი კომპიუტერები მის დასამუშავებლად.
• ნეირონული ქსელები (Neural Networks): ეს ქსელები ნაწილობრივ ადამიანის ტვინით არიან შთაგონებულნი. ისევე, როგორც ჩვენი ტვინი შედგება ურთიერთდაკავშირებული ნეირონებისგან, ნეირონული ქსელები დაკავშირებული "კვანძების" ფენებისგან შედგება. თითოეული კვანძი ამუშავებს ინფორმაციის მცირე ნაწილს და როდესაც ისინი ერთიანდება, სისტემას რთული შაბლონების ამოცნობის საშუალება ეძლევა. სწორედ ეს ამოძრავებს ხმოვან ასისტენტებს, სურათების ამოცნობას და იმ ენობრივ მოდელებსაც კი, რომლებსაც ადამიანის მსგავსი ტექსტის გენერირება შეუძლიათ.

თუმცა, სახელწოდების მიუხედავად, ნეირონული ქსელები ნამდვილი ტვინი არ არის. მათ არ ესმით ყველაფერი ისე, როგორც ჩვენ. ისინი უბრალოდ სტატისტიკურ ალბათობებს პოულობენ. როდესაც AI წინადადებაში შემდეგ სიტყვას პროგნოზირებს, ეს იმის გამო არ ხდება, რომ ხვდება რისი თქმაც გსურთ; ეს იმიტომ ხდება, რომ მან უკვე ნანახ კანონზომიერებებზე დაყრდნობით გამოთვალა, რომელი სიტყვაა ყველაზე ლოგიკური შემდეგი.

მოკლე ექსკურსი ისტორიაში

ინტელექტის მიმბაძველი მანქანების იდეა ახალი სულაც არ არის. ის სათავეს მე-20 საუკუნის შუა ხანებიდან იღებს, როდესაც კომპიუტერულმა მეცნიერებმა დაიწყეს მარტივი, მაგრამ ძალიან ძლიერი კითხვის დასმა:

შეუძლიათ თუ არა მანქანებს ფიქრი?

ამ კითხვამ ათწლეულების განმავლობაში კვლევებისა და ექსპერიმენტების უზარმაზარი ტალღა გამოიწვია. ადრეული AI სისტემები შეზღუდული იყო, ხშირად ეყრდნობოდა ხისტ წესებს და უჭირდა ყველაფერი, რაც მათ პროგრამირებას სცდებოდა. პროგრესი ნელი იყო; კომპიუტერები არ იყო საკმარისად მძლავრი და მონაცემებიც მწირი გვქონდა. ამ პერიოდს ზოგჯერ „AI ზამთარსაც“ უწოდებენ. მაგრამ, კულისებს მიღმა, მკვლევარები აგრძელებდნენ მეთოდების დახვეწას, ელოდებოდნენ ტექნოლოგიების განვითარებას და საბოლოოდ, ეს დროც დადგა.

AI ჩვენს ყოველდღიურობაში

ინტერნეტის აღზევებასთან ერთად, უზარმაზარი რაოდენობის მონაცემები გახდა ხელმისაწვდომი, კომპიუტერული სიმძლავრე კი მკვეთრად გაიზარდა. მოულოდნელად, ისეთი ამოცანები, რომლებიც ოდესღაც შეუძლებელი ჩანდა — მაგალითად, ენის თარგმნა რეალურ დროში ან სახის ამოცნობა — მისაღწევი გახდა.

დღეს AI ყველგანაა, თანაც ხშირად ისე, რომ ვერც კი ვამჩნევთ:

• როდესაც თქვენი ტელეფონი თქვენი სახის დანახვაზე განიბლოკება — ეს AI-ია.
• როდესაც სტრიმინგ სერვისი გირჩევთ, რა ფილმს უყუროთ შემდეგ — ეს AI-ია.
• როდესაც ნავიგაციის აპლიკაციები პროგნოზირებენ საცობებს და გირჩევენ უფრო სწრაფ მარშრუტებს — ეგეც AI-ია.

ეს არ არის ერთი დიდი, ბოროტი სისტემა, რომელიც ყველაფერს აკონტროლებს. ეს არის ბევრი პატარა სისტემა, რომელთაგან თითოეული კონკრეტული ამოცანისთვისაა შექმნილი.

ბოლო წლების ერთ-ერთი ყველაზე შთამბეჭდავი მიღწევაა ის, რასაც ღრმა სწავლებას (Deep Learning) უწოდებენ — რაც არსებითად მრავალშრიანი ნეირონული ქსელების უფრო მოწინავე ფორმაა. სწორედ ეს აძლევს AI-ს საშუალებას შექმნას რეალისტური სურათები, მიბაძოს ხმებს და გამართოს საუბრები, რომლებიც გასაოცრად ბუნებრივად ჟღერს.

და მაინც, როგორ აზროვნებს AI?

წარმოიდგინეთ ბიბლიოთეკარი, რომელსაც ინგლისურის ერთი სიტყვაც არ ესმის, მაგრამ მთელი თავისი ცხოვრება მილიარდობით ინგლისური წიგნის გაანალიზებას დაუთმო.

მან არ იცის, რა არის "ვაშლი". არასდროს გაუსინჯავს და არც ის იცის, როგორ გამოიყურება წითელი ფერი. მაგრამ მან ტექსტის შაბლონები (patterns) იმდენად საფუძვლიანად შეისწავლა, რომ ზუსტად იცის, როგორ ერგება სიტყვები ერთმანეთს.

თუ ამ ბიბლიოთეკარს მისცემთ ფურცელს, რომელზეც წერია: "მასწავლებელმა ხმამაღალი ხრაშუნით ჩაკბიჩა კაშკაშა წითელი..."

ბიბლიოთეკარი არ წარმოიდგენს საკლასო ოთახს ან ხილს. ამის ნაცვლად, ის წარმოუდგენლად სწრაფ მათემატიკურ გამოთვლებს აკეთებს. ის ანგარიშობს: "ჩემ მიერ წაკითხულ მილიარდობით წიგნში, როდესაც სიტყვები 'ჩაკბეჩა', 'ხრაშუნი' და 'კაშკაშა წითელი' ერთად გვხვდება, შემთხვევათა 98%-ში შემდეგი სიტყვა არის 'ვაშლი'."

და ის წერს "ვაშლს".

როგორ მიესადაგება ეს ხელოვნურ ინტელექტს (AI)

როდესაც ხელოვნური ინტელექტი (AI) პასუხს აგენერირებს, ის არ "ფიქრობს" შინაგანი მონოლოგით, რწმენით ან ფიზიკური სამყაროს რეალური აღქმით. ის უბრალოდ მოქმედებს, როგორც მსოფლიოში ყველაზე განვითარებული ავტომატური პროგნოზის სისტემა.

აი, რა ხდება სისტემის შიგნით:

• ბიბლიოთეკა (სატრენინგო მონაცემები): ხელოვნურ ინტელექტს აწვდიან ტექსტის უზარმაზარ მოცულობას — წიგნებს, სტატიებს, ვებსაიტებსა და კოდს.

• შაბლონების რუკაზე ასახვა (ნეირონული ქსელი): ის ქმნის გიგანტურ მათემატიკურ რუკას, თუ როგორ უკავშირდება სიტყვები ერთმანეთს. ის სწავლობს, რომ ცნება "მეფე" მჭიდროდ არის დაკავშირებული "დედოფალთან", მაგრამ მათემატიკურად ძალიან შორს არის "სკეიტბორდისგან".

  ამ მათემატიკურ რუკაზე თითოეულ სიტყვას შეესაბამება რიცხვების უნიკალური სერია (ვექტორი), რასაც Word Embeddings (სიტყვების ვექტორული რეპრეზენტაცია) ეწოდება. ეს სისტემას ეხმარება გაიგოს სიტყვებს შორის არსებული სემანტიკური მანძილი. მაგალითად:

  • მეფე → [0.23, -0.15, 0.87, ...]
  • დედოფალი → [0.21, -0.12, 0.82, ...]
  • სკეიტბორდი → [-0.74, 0.91, -0.33, ...]

  რადგან „მეფე“ და „დედოფალი“ ხშირად მსგავს კონტექსტში გვხვდება, მათი ვექტორები ერთმანეთთან უფრო ახლოს აღმოჩნდება. „სკეიტბორდი“ სრულიად განსხვავებულ კონტექსტებში ჩნდება, ამიტომ მისი ვექტორი ბევრად შორსაა.

• პროგნოზირება (დასკვნა/Inference): როდესაც თქვენ წერთ მოთხოვნას, AI იყენებს ამ მათემატიკურ რუკას, რათა გამოიცნოს შემდეგი ყველაზე სავარაუდო სიტყვა. შემდეგ, ის იყენებს თქვენს საწყის მოთხოვნას დამატებული ეს ახალი სიტყვა, რათა გამოიცნოს მომდევნო. ის იმეორებს ამ მაღალსიჩქარიან გამოთვლას სიტყვასიტყვით, სანამ აზრი არ დასრულდება.

ის არ აყალიბებს პასუხს ლოგიკური მსჯელობით; ის ითვლის სიტყვების სტატისტიკურად ყველაზე ლოგიკურ თანმიმდევრობას თქვენი მოთხოვნის შესასრულებლად.