Niedawne uruchomienie GPT-4 przez OpenAI prawdopodobnie otworzy drogę do opracowania silniejszych systemów sztucznej inteligencji, przyspieszając ewolucję w kierunku sztucznej inteligencji ogólnej (AGI).
„GPT-4 to duży skok w stosunku do swojego poprzednika, GPT-3.5, ponieważ jego zaawansowany silnik może rozwiązywać złożone problemy wymagające wielu kroków i zapoczątkował multimodalność, w której może oferować wyjścia tekstowe oparte na na wejściach obrazu. Możliwości multimodalne można postrzegać jako kamień milowy postępu w kierunku AGI z istniejących systemów sztucznej wąskiej inteligencji (ANI).”
Kiran Raj, kierownik działu Disruptive Tech w GlobalData
„GPT-4 można uznać za część rodziny dużych modeli językowych (LLM) o wyraźnie wyższej „ogólnej inteligencji” niż poprzednie modele AI. Oprócz multimodalności, GPT-4 może przyczynić się do udoskonalenia modeli sztucznej inteligencji w zakresie wykonywania zadań akademickich i zawodowych z biegłością zbliżoną do poziomu człowieka”.
Saurabh Daga, Associate Project Manager of Disruptive Tech w GlobalData
OpenAI chwali się, że GPT-4 osiągnął co najmniej 80 percentyl w symulacji złożonych testów akademickich, takich jak Uniform Bar Exam, Scholastic Assessment Test (SAT) i Graduate Record Examination (GRE), przewyższając GPT-3.5 i podobne modele.
Jednak OpenAI nie jest jedynym graczem w tym szybko ewoluującym krajobrazie. Pathways Language Model-E (PaLM-E) Google i Kosmos-1 Microsoftu wydają się być potężnymi multimodalnymi modelami AI zdolnymi do syntezy tekstu i obrazu.
„Pojawienie się GPT-4 wywołało szum wokół AGI. Okazało się, że ma ona możliwości wykraczające poza tłumaczenie językowe i obejmuje złożone zadania związane z kodowaniem, syntezą obrazu i prawem. Chociaż jest to zaawansowana wersja, model ma ograniczenia, które szufladkują go do sfery sztucznej inteligencji o ograniczonej pamięci. Model GPT-4 nadal nie może analizować wideo ani audio i ma możliwości arytmetyczne niższe niż kalkulator. Niemniej jednak, podobnie jak w przypadku wielu innych technologii, prawdopodobne jest, że kolejne iteracje mogą być bardziej zaawansowane i zawierać mniej błędów, co ostatecznie doprowadzi do powstania systemów AGI”.
Saurabh Daga, Associate Project Manager of Disruptive Tech w GlobalData