Megoszlanak a vélemények a generatív AI-ról: evangelistái szerint belőle kiindulva valósulhat meg az emberrel azonos szintű általános mesterséges intelligencia, radikális ellenzői marketingterméknek, múló divatnak, anyagi hasznot nem hajtó technológiának tartják, és rámutatnak: a mesterséges intelligencia már sokkal a GenAI előtt is létezett.
◼︎ Régi kontra új mesterséges intelligencia
Miközben dollármilliárdok ömlenek a ChatGPT-típusú, a nagy nyelvi modelleken alapuló generatív AI technológiákba, a Meta platformjaitól kezdve a személyre szabott orvosi diagnosztikán át a rakétatervezésig szinte mindent a kevésbé látványos, hagyományos mesterséges intelligencia működtet. Ide tartoznak például a képeket osztályozó neurális hálók, a különféle csalásdetektáló algoritmusok, a termékeket ajánló rendszerek és az ellátási láncokat optimalizáló modellek. A generatív AI viszonylag új, a többi technológia évek, egyes esetekben évtizedek fejlesztésének eredménye.
Az LLM-ek jól ismert fejlesztői a legutóbbi negyedévben is sok milliárd dollár bevételt könyvelhettek el, de ugyanannyit el is költenek a „szuperintelligenciát” támogató infrastruktúra kiépítésére és a generatív AI-ra. Ráadásul a bevételnövekedés nagy része a régi vágású gépi tanulásból, a közösségi médiában megjelenő hirdetések targetálását évek óta működtető ajánlóalgoritmusokból származik. A Meta hagyományos gépitanulás-alapú rendszerei az Instagramon nagyjából öt, a Facebookon három százalékos növekedést hoztak 2025 második negyedévében. Nem számítanak arra, hogy a generatív AI idén vagy jövőre jelentős bevételnövelő tényező lesz – hosszú távon viszont más lehet a helyzet.
Régi és új
A régi – analitikus, szűkebb fókuszú – AI felismer, osztályoz, előrejelez és dönt. Szabályalapú rendszerek, döntési fák, statisztikai modellek jellemzik, megszokott példái a spamszűrők, a sakkprogramok, a beszédfelismerők. Képességei korlátozottak, egyetlen területre specializálódnak, a rendszer az „egy modell – egy feladat” elvén működik.
A kreatív, sokoldalú és általánosabb új AI szöveget, zenét, audiovizuális anyagokat alkot, fordít, kódot ír. Sokszor és egyre inkább ugyanaz a modell az összes felsorolt tevékenységet képes elvégezni. Óriási neurális hálókról, nagy nyelvi és vizuális modellekről van szó, rendeltetésük a tartalomelőállítás. A GPT-család, a DALL-E és a Midjourney, a GitHub Copilot a legismertebbek.
| Régi és AI-alapú keresőmotorok
Az AI szignifikáns mértékben feljavította a keresőtechnológiát, az algoritmusok egyre intuitívabbak, jobban értik a szándékainkat, személyreszabottabb válaszokat adnak. Évekig a Google-ra, a Bingre és a Yahoo-ra hagyatkoztunk, a pontos kulcsszó-egyeztetési és rangsorolási rendszerek azonban megnehezítik a keresést. Az eredményeik javulnak, jók a lehetőségeik, viszont túlterhelhetik a felhasználót. A generatív AI az információ megtalálásától és a felhasználói élménytől kezdve az online tartalmak jövőjéig megváltoztatja a keresési szokásainkat. Szűri az eredményeket, hogy a bonyolult keresésekhez összefoglalja a válaszokat. Emészthető információkat jelenít meg, és anélkül mutatja meg a különböző nézőpontokat, hogy több linkre kellene kattintanunk, bár a forráslinkek megléte segítene elkerülni az AI pontatlanságait és hallucinációit. |
A régi AI többnyire felügyelt tanulással, címkézett (például macska/nem macska) képeken pallérozódik, és csak az adott kérdésre – ez macska a képen? – válaszol. Az új elsősorban önfelügyelt tanulással gyakorol irdatlan mennyiségű nyers adaton, így törvényszerűen kevesebb kézi címkézés kell hozzá. Egyszerű válasz helyett újat alkot – például egy olyan promptra, hogy „rajzolj egy űrhajósruhában a Holdon sétáló macskát!”
Ahogy az AI-robbanás folytatódik, egyre nagyobb lesz az eltérés: az egyik oldalon a felhajtást és a töménytelen pénzt, a másikon – a generatív AI kritikusai szerint – a vállalatok tényleges eredményeit látjuk. A szakadék egyrészt lehetőségeket teremt a befektetők számára, másrészt egyértelművé teszi a masszívan finanszírozott és a jól bevált AI közötti különbséget.
Töretlen a befektetői bizalom
A generatív AI körüli médiazaj és az eddigi korlátozott anyagi eredmények a technológia újdonság jellegével magyarázhatók. Amikor Mark Zuckerberg a Llama 4 modellel folytatott, autonóm ágensek létrehozását célzó kísérletekről beszélt, elismerte: a munka jelenleg kis léptékben folyik, ezért nem biztos benne, hogy az elért eredmények önmagukban hozzájárultak a negyedéves bevétel-növekedéshez. A jövőt illetően viszont nagyon optimista.
Optimizmusát a szektor és a befektetői világ is osztja. A Stanford AI Indexe alapján 2024-ben 33,9 milliárd dollár magánbefektetés irányult a generatív AI-ba. 2023-hoz képest 18,7 százalékos, 2022-vel összehasonlítva pedig több mint nyolcszoros volt a növekedés. A tőke valósággal meg van őrülve az AI-ért: a CB Insights adatai alapján az Egyesült Államokban a kockázati tőke 85 százaléka, globálisan pedig 51 százaléka ömlött az AI-startupokba, a legtöbb pénzt pedig a generatív modellekkel foglalkozó cégek (Anthrpoic, OpenAI, Mistral) húzták be.
Az a tény viszont, hogy a kockázatitőke-befektető közösség intenzíven a generatív MI-re összpontosít, egyáltalán nem jelenti azt, hogy teljesen felhagytak volna a hagyományos gépi tanulás támogatásával. A támogatói környezet ennél jóval árnyaltabb, a gyorsan fejlődő szektorba történő befektetések nem feketék és fehérek, hanem jóval komplexebbek. A nagy változások kezdeti szakaszában járunk, korai befektetők a korábbi technológiai átalakulásokhoz, az internethez, a mobil és a felhőalapú számítástudomány elterjedéséhez hasonlítják a generatív AI közeljövőjét.
A generatív AI gyors sikere, a techszektorban ritkán tapasztalt növekedési üteme mögött viszonylag kevés cég és személy áll. Feléjük irányul a befektetői figyelem (és pénz), a 2023-as fellendülés után alapított – nem feltétlenül az új mesterséges intelligenciával foglalkozó – startupokat viszont még olyan esetekben is hajlamosak figyelmen kívül hagyni, amikor néhányuk tevékenységét jó lenne közelebbről nyomon követni – és finanszírozni. Csak azért feledkeznek meg róluk, mert munkájuk nem tűnik elég „divatosnak”, nem igézte meg őket a generatív AI körül kialakult – a használható, jó minőségű adatok elérhetőségének gyors csökkenésével bizonyára mérséklődő – digitális aranyláz. Míg a hagyományos AI-val foglalkozó, „bejáratott” vállalatok finanszírozása biztosított, addig az ezen a terepen próbálkozó újakra méltatlanul kevés figyelem irányul.
Egészségügy: a hagyományos AI tartja magát
Néhány ágazat már a generatív mesterséges intelligencia berobbanása előtt sikerrel használta az AI-t. Rákszűrésre szolgáló neurális hálókat már 1995-ben teszteltek klinikai vizsgálatokon, a hagyomány a legújabb kutatásokban is él tovább, a medicina a mesterséges intelligencia egyik sikertörténete.
Például eddig ugyanazt a vérvizsgálatot végezték el az összes betegen; gépi tanulással viszont személyre szabható a kezelés. A Washington Egyetem és a Harvard Orvostudományi Egyetem több tízezer páciens húszévnyi adatait elemezte AI-val. Ebből azonosították az egyes betegek egészséges vérkép-tartományait, és próbálják előre jelezni a jövőbeli betegségek kockázatait. A személyre szabás oka egyszerű: ami az egyik páciensnél normál értéknek mondható, egyáltalán nem biztos, hogy másoknál is az.
Az orvostudomány a jellegéből fakadóan jobban ragaszkodik a bejáratott módszerekhez, mint más területek. Ez a hozzáállás azonban a biztonság erősítése mellett korlátozza is a szektor lehetőségeit. A betegekre vonatkozó adatvédelmi törvények további akadályokat gördítenek az egészségügyi információkat kezelő új technológiák terjedése elé. Ennél is fontosabb, hogy mivel az orvosi hibák végzetesek lehetnek, a kórházak és az orvosok különösen óvatosak az AI kísérleti megoldásaival kapcsolatban.
A légi közlekedésben sem tört még át a generatív AI
A biztonsági aggályok mellett szintén komoly kihívás az új technológia integrálása a meglévő rendszerekbe – és nemcsak a medicinában. De az orvostudománynál maradva, az ottani munkafolyamatok köztudottan komplexek, sokszor több szakember bevonását igénylik, több a szabályozási követelmény, működnek a betegbiztosítási protokollok. Vagyis hiába (majdnem) tökéletes egy új technológia, például a generatív AI, gyakran nem az, hanem az integráció módja, az azzal kapcsolatos kockázatok felmérése és a velük kapcsolatos döntések meghozatala az igazi kihívás.
A hagyományos AI-t erősítő, a generatívat gyengítő integrációs kihívásokkal minden olyan iparágban szembesülünk, ahol a tévedés katasztrofális következményekkel járhat. Az űripar rakétahajtóművei is ilyenek: vagy tökéletesen működnek, vagy (nagy eséllyel) felrobbannak.
A dubai székhelyű LEAP 71 startup például ezért is fejlesztette ki saját, „Noyron Large Computational Engineering Model” névre keresztelt rendszerét. A modell nem a generatív AI elvén működik, hanem determinisztikus, tudományos alapokon áll: beleépítették a releváns fizikai törvényeket, a fejlett mérnöki logikákat, fizikai modelleket, a gyártási folyamat paramétereit és korlátait, valamint a kísérletezés során keletkező tapasztalati adatokat. Az eredmény a cég szerint az „első AI, amelyik képes gépeket építeni”: olyan komplex rendszer, amely gyártásra érett rakétahajtóművet állít elő emberi beavatkozás (és CAD-szoftverek használata) nélkül.
Tavaly júniusban már sikeresen teszteltek egy 3D nyomtatással előállított, kisebb teljesítményű, de minden tekintetben működőképes prototípust. Ami még fontosabb: a specifikációtól a gyártásig mindössze két hét telt el, miközben hagyományos módszerekkel ez hónapokat, éveket vett volna igénybe. A LEAP 71 idén már stratégiai partnerségre lépett az Aspire Space nevű vállalattal, hogy teljes, több fokozatú hajtóművet állítson elő a számára, amelynek első fokozata 2000 kN tolóerőt produkálna – ez már összevethető a csúcskategóriás amerikai rakétákkal. Ezen túl azonban a Noyron kisebb, de bonyolult geometriájú alkatrészek (hőcserélők, impellerek) tervezésére is használható.
Mi várható?
Intézményi szinten más a helyzet. A felsőoktatás a kísérleti generatív AI kutatása és a bevált hagyományos megközelítések számára egyaránt remek terep. A kutatók a kockázatosabb, nem bizonyított ötletekkel is kedvükre foglalkozhatnak, a tőkealapoknak azonban potenciálisan megtérülést generáló, piacképes megoldásokra van szükségük.
A hagyományos AI oktatásból való eltűnésétől tehát nem kell félni, kutatói viszont a címlapokat és a képernyőt uraló, jól fizetett marketinggépezettel kénytelenek versenyezni. Ha a generatív AI akadályokba ütközik, esetleg nem teljesíti be az ígéreteket, ezek a kutatók is hasznosíthatnak valamit belőle, például átvehetik a promóciós taktikát. Egyébként is érdemes lenne jobban átgondolniuk a PR és a marketing lehetőségeit.
A generatív AI vonzereje messze túlmutat a számítástudományi tanszékeken, intézeteken. Olyan területeken is népszerű, mint a biológia, a pszichológia vagy a környezetvédelem. Vonzerejének egyik oka, hogy a felhasználóbarát, komolyabb mesterségesintelligencia-szakértelemmel és tapasztalattal nem rendelkező kutatók is alkalmazhatják, bár a rendelkezésre álló kisebb adathalmazok és a specifikus technikai követelmények miatt egyes területeken inkább hagyományos módszerekkel dolgoznak.
