Zašto veće ne znači uvijek bolje u svijetu umjetne inteligencije

Godinama se razvoj umjetne inteligencije vodio jednostavnim načelom: što veće, to bolje. Dajte modelu više podataka, više čipova i više električne energije i on će postati pametniji.

To je do određene mjere bilo točno, posebno u industriji opsjednutoj izgradnjom "superinteligencije" ili sveznajućih računalnih sustava. Međutim, taj pristup skaliranju također je proizveo veliku ekološku štetu koja brzo postaje politički teret dok se zajednice od Malezije do konzervativnih uporišta u SAD-u protive novim podatkovnim centrima.

No, što ako o svemu tome razmišljamo na pogrešan način? Važnije je pitanje trebaju li većini poduzeća zapravo ti "božanski" AI sustavi i jesu li oni uopće pravi alati za zadatke koji su najbitniji.

Unatoč silnom hypeu, velik dio praktične i komercijalne vrijednosti umjetne inteligencije proizaći će iz automatizacije specifičnih, repetitivnih zadataka, a ne iz izgradnje sveznajućeg stroja. Za takvu vrstu posla, manji, specijalizirani alati mogli bi biti najbolja opcija. Njihov pogon je jeftiniji, lakše ih je osigurati, manje opterećuju vodne i energetske resurse, a često su jednako učinkoviti. Ako želimo da umjetna inteligencija postane uistinu korisna, a ne politički i ekološki neodrživa, možda bismo fokus trebali preusmjeriti s veličine modela na njihovu primjenu.

Uzmimo za primjer AI agente, koji se već dugo reklamiraju kao sljedeći veliki iskorak u produktivnosti. Njihov potencijal je izrazito privlačan za poslovne lidere s obzirom na to da se radi o softveru koji može djelovati u ime korisnika i obavljati rutinske zadatke i ljudima omogućiti da se bave bitnijim poslom. No, mnogi od tih poslova su toliko banalni da ne zahtijevaju vrhunsku inteligenciju, kao ni energetske apetite ogromnih sustava u oblaku.

Način na koji već desetljećima razmišljamo o umjetnoj inteligenciji temelji se na principu "veće je bolje", rekla mi je Daniela Rus, direktorica MIT-jevog laboratorija za računalne znanosti i umjetnu inteligenciju. "Konačni rezultat", rekla je, "jest da imamo te ogromne modele koji troše jako puno energije i vode, što rezultira velikim ekološkim otiskom."

Ta ju je spoznaja potaknula prema alternativama. Njezino akademsko eksperimentiranje na kraju je dovelo do LiquidAI-a, MIT-jevog projekta koji gradi male, specifične modele za poduzeća i istraživače koji se mogu pokretati na uređajima. Tvrtka je to postigla koristeći samo 1000 GPU-ova, odnosno naprednih AI procesora. OpenAI je, nasuprot tome, prošlog srpnja izjavio da očekuje da će do kraja godine upogoniti više od milijun GPU-ova.

Čak i jednostavna pristojnost razotkriva neučinkovitost trenutne paradigme. Uporaba riječi "molim" i "hvala" na ChatGPT-ju navodno košta OpenAI desetke milijuna dolara  u troškovima energije. Za Ramina Hasanija, bivšeg studenta Daniele Rus i suosnivača LiquidAI-a , to je dokaz koliko se otpada ugrađuje u današnje sustave. On tvrdi da manja, specijalizirana umjetna inteligencija može parirati većim sustavima u oblaku u specifičnim zadacima, pritom trošeći znatno manje energije.

 

 

Rus i Hasani nisu jedini. Istraživači iz Nvidije i Tehnološkog instituta Georgia prošle su godine u radu tvrdili da inzistiranje na velikim modelima za agentske zadatke "odražava pogrešnu raspodjelu računalnih resursa" koja je "ekonomski neučinkovita i ekološki neodrživa u velikim razmjerima". Po njihovom mišljenju, prebacivanje takvog radnog opterećenja na manje modele nije samo tehničko usavršavanje, već "moralna" obveza.

Zašto onda tvrtke još uvijek ulažu toliko novca u korištenje divovskih sustava za rutinske poslove? Jedan od odgovora je inercija. Istraživači iz Nvidije ukazuju na ogroman kapital koji je već uložen u postojeći, centralizirani sustav (procjenjuje se da će američki tehnološki divovi zajedno uložiti oko 650 milijardi dolara u AI infrastrukturu samo ove godine). Kada je toliko novca u igri, postaje teže propitivati ima li temeljni pristup i dalje smisla.

Tu je i hype. Mali modeli ne privlače istu marketinšku pompu ili medijsku pozornost, navodi se u radu, čak i kada su prikladniji za mnoge poslovne namjene. Lakše je prodati fantaziju o umjetnoj inteligenciji koja sve zna nego onoj koja tiho obrađuje dokumente ili obavlja poslove u pozadini jeftinije i sigurnije.

Sve je to posebno važno u Aziji, gdje mnoge tvrtke srednje veličine razmišljaju o tome kako održati korak u utrci umjetne inteligencije bez kapitala za izgradnju golemih podatkovnih centara ili energije potrebne za njihovo napajanje. Ako budućnost umjetne inteligencije u potpunosti ovisi o masivnoj infrastrukturi, većina zemalja ostat će osuđena na kupnju pristupa tuđim sustavima. No, pravi utjecaj mogao bi biti manje povezan sa superinteligencijom, a više sa skromnim sustavima koji kvalitetno obavljaju određene poslove.

To čini sadašnji trenutak idealnim za preispitivanje. 2025. je trebala biti godina AI agenata. To se izjalovilo. Cijena je bila previsoka, a rizici za kibernetičku sigurnost su bili preveliki. Manji modeli, poput onih koji se mogu u potpunosti pokretati na jednom uređaju, mogli bi promijeniti tu računicu. Oni obećavaju niže troškove, bolju sigurnost i znatno manji utjecaj na okoliš.

Umjetna inteligencija nije inherentno neodrživa. Međutim, put prema drugačijoj budućnosti zahtijevat će veći pluralizam u istraživanju, veću spremnost na propitivanje motiva velikih tehnoloških tvrtki i manju koncentraciju tehnološke moći.

Najpametnija stvar koju kreatori politika i poslovni lideri sada mogu učiniti jest smanjiti ambicije. Da bi se tehnološka revolucija proširila, prvo se mora suziti.