Kelios mintys apie dirbtinį intelektą
Jau tampa tradicija – maždaug kas pusę metų sugrįžti prie tos pačios dirbtinio intelekto temos ir užsirašyti savo mintis (senesni įrašai prieš pusmetį ir prieš maždaug metus). Pusė metų šioje greitai besikeičiančioje srityje yra kone amžinybė, tad verta savęs paklausti, ar nepasikeitė mano požiūrio fundamentalios prielaidos.
Per tuos metus dirbtinio intelekto modeliai akivaizdžiai patobulėjo. Tačiau tuo pačiu aš – ir daugelis kolegų – dabar labiau suvokia jų apribojimus ir galimybes: net modeliams bei agentams tobulėjant jaučiu, kad nemapatuoti lūkesčiai, jog dirbtinis intelektas gali absoliučiai viską išspręsti yra sumažėję. Tarp programuotojų diskusijos labiau linksta į technines detales, į konteksto langus, vektorines duomenų bazes ir įvairių modelių skirtumus. Man atrodo, kad atsiranda tam tikras pajautimas, kur ir kokiomis aplinkybėmis dirbtinio intelekto (ir ypač dideli kalbos modeliai LLM) gali puikiai veikti, o kur yra jų silpnosios vietos. Jei prieš metus dažnai buvo kalbama apie tai, kad jau tuoj tuoj bus išdresuotas bendrinis dirbtinis intelektas (AGI), tai dabar diskujos žymiai praktiškesnės: kaip geriau modeliui suformuoti klausimą, pateikti kontekstą, kaip jam aiškiau paaiškinti, ko iš jo nori. Kitaip tariant, nebesitikima, kad dirbtiniam intelektui bus galima duoti užduotį „įkurk startupą ir uždirbk man pinigų", teks rimtai paplušėti tiksliai aiškinant kaip ką daryti. Manau, kad tai labai teigiamas poslinkis, vis geriau suprantame, ką čia sukūrėme.
Ar dirbtinis intelektas prisideda prie efektyvumo? Kažkur teko skaityti, kad produktyvumo efektas programuotojams sudaro apie 15-20%: iš pirmo žvilgsnio – ne tiek daug, bet gana solidu. Pastebėjau, kad dirbtinio intelekto įrankiais labai entuziastingai naudojasi vadovai – iš tiesų, AI įrankiai jiems padeda greitai rengti pasiūlymus, kurti dokumentaciją, suprogramuoti „proof of concept“. Vadovai gali patys suprogramuoti paprastus prototipus, anksčiau reikalavusius profesionalų dėmesio. Jiems tai – tikras produktyvumo šuolis. Tiesa, norint judėti iš prototipo fazės į kažką rimtesnio, dirbtinis intelektas kol kas ne visada naudingas (o kartais ir žalingas, nes siūlo kodo pokyčius ne visada matydamas esmės). Vibe coding palieka daug neapgalvotų vietų, ir tikrai ne visada užtenka dirbtiniam intelektui įsakyti „padaryk šią aplikaciją saugią“. Vis dar abejoju, ar programuotojus bus greitai galima visiškai pakeisti (kaip kad iki šiol nepavyko sukurti dar 2020 metais žadėto „full self-driving“).
Žvelgdamas į savo paties elgseną matau ir prastų tendencijų. Kuo turiu geresnę prieigą prie tobulesnių dirbtinio intelekto modelių, tuo labiau atbunka mano mąstymas. Atsiradusią techninę problemą atiduodi dirbtiniam intelektui, tas suka kažkur aplinkui, keiti užklausas, duodi jam informacinių pranešimų bei logų nuotrupas, daužai galvą į sieną. Paskui sustoji, pagalvoji apie problemą pats, supranti, kas fundamentaliai neveikia ir ją išsprendi. Bet tai įmanoma tik todėl, kad turiu nemažai patirties: jeigu naudojuosi dirbtiniu intelektu tose srityse, kur man patirties trūksta, nejaučiu, kad ką nors išmokstu, net jei ir pasiekiu rezultatą. Dirbtinis intelektas neskatina galvoti, o tai man kelia nerimą. Kritinis mąstymas, problemų sprendimas, supratimas, kaip veikia sistemos – tai be galo vertingos žmogaus savybės. Svarbu neatbukti.