Autor Ivana Hricová

Dnešná epizóda podcastu Na vlne kódu sa nachádza na rozhraní reality a sci-fi. Je čítanie myšlienok realitou, alebo len technologickou utópiou? Pozvanie do štúdia opäť prijal Michal Bystrický, odborník na dátovú vedu, ktorý nám priblíži, čo je dnes skutočne možné a čo zatiaľ ostáva len vo svete fantázie. Vypočuj si ho alebo si prečítaj jeho skrátený prepis.  

Na Slovensku nie je táto oblasť ešte podrobne spracovaná, no na podnet našich poslucháčov sme sa rozhodli otvoriť aj túto – čiastočne kontroverznú – tému, ktorá vo svete vyvoláva čoraz intenzívnejšie diskusie. 

Ako blízko sme k tomu, aby sme dokázali dešifrovať ľudské myšlienky? Aké technológie sa dnes používajú – EEG, MR-ko alebo iné? Môže AI mind reading pomôcť v medicíne či vzdelávaní? Alebo sa môže zvrhnúť na nástroj manipulácie? A kde je hranica nášho súkromia? 

Michal, pozrime sa na čítanie myšlienok z rôznych uhlov. V súčasnosti sa technológia a výskum v oblasti neurovedy a umelej inteligencie dostali na úroveň, kde sú schopné rozpoznať určité vzorce v mozgových vlnách, ktoré môžu naznačovať myšlienky alebo úmysly osoby. Napriek tomu stále existuje veľa otázok, či je možné dosiahnuť priamy a úplný prístup k myšlienkam. Michal, je to naozaj len mýtus, alebo sme už tak ďaleko, že je to naozaj možné? 

Čítanie myšlienok (po ang. mind reading) vnímam ako schopnosť systému, napríklad počítača alebo umelej inteligencie, interpretovať signály, ktoré meriame. Tieto signály korelujú s myšlienkovými procesmi jednotlivcov. Ide o časové rady, ktoré ukazujú, kedy a cez ktorý neurón prechádza elektrický impulz. Umelá inteligencia vie tieto signály rozpoznať a priradiť im význam v počítači. 

Jednoducho si predstav, že myslíš na auto. A 300-krát zaznamenáme aktivitu mozgu a 700-krát nie. Vytvorí sa vzorec. Tento vzorec je potom „auto“ a umelá inteligencia sa to vie naučiť. Treba však zdôrazniť, že nejde o doslovné čítanie myšlienok. Ide skôr o identifikáciu vzorcov – napríklad reakcie na podnety alebo úmysly, ako je pohyb končatiny. Vtedy sa aktivuje konkrétna časť mozgu. 

Treba zdôrazniť, že AI nečíta myšlienky doslova. Skôr identifikuje vzorce – napríklad reakcie na podnety alebo úmysly, ako je pohyb končatiny.

Michal Bystrický, Data Scientist msg life Slovakia

Michal Bystrický, Data Scientist msg life Slovakia

Čiže, ak to zhrnieme – počítač sleduje mozgovú aktivitu. Ak opakovane myslím na auto, mozog reaguje vždy rovnakým spôsobom. Počítač si tento vzorec zapamätá a dokáže ho rozpoznať. Ale neznamená to, že vie prečítať, čo si konkrétne myslím, napríklad že chcem šoférovať auto. Skôr vie, že tá myšlienka súvisí s konkrétnym objektom. Čiže ide o rozpoznávanie vzorcov v mozgu, nie o priame čítanie myšlienok. 

Áno, presne tak. 

V súvislosti s témou čítania myšlienok sa šíri nielen veľa rôznych informácií, ale, žiaľ, aj dezinformácií. Napadol mi moment počas pandémie, keď na Slovensku prebiehali vášnivé diskusie ohľadom zavádzania mikročipov do mozgu pomocou testovacích paličiek. Určite si na to aj ty spomínaš – bolo to počas pandémie. Môžeme si o tom povedať trošku viac? Bolo by vôbec niečo také technicky možné? 

Áno, kedysi koloval hoax, že testovacie paličky používané na odber vzoriek na diagnostiku COVID-19 obsahovali mikročipy. Tieto mikročipy mali byť údajne zavedené do tela, konkrétne do mozgu, cez nos, a potom použité – nevedno kým – na ovládanie myšlienok alebo sledovanie činností. Treba však povedať, že žiadna kontrola mysle ani prístup na internet cez takéto niečo zatiaľ technicky nie sú možné.

V súčasnosti máme k dispozícii rôzne technológie ako elektroencefalografia (EEG) alebo fMRI – funkčná magnetická rezonancia – ktoré umožňujú sledovať mozgovú aktivitu. Ako tieto technológie fungujú? Na akom princípe sú založené? A ktoré technológie považuješ ty za najdôležitejšie pri pokusoch o dekódovanie myšlienok? Čím sú unikátne? 

Ak sa bavíme o čítaní myšlienok, existujú tri základné metódy. Meranie elektrickej aktivity mozgu – keď napríklad rozmýšľame, vykonávame nejakú aktivitu, tak to produkuje elektrickú energiu. Druhá je meranie okysličenia mozgu – napríklad magnetom alebo infračerveným svetlom. Teda, keď rozmýšľame, tak máme rôzne množstvo kyslíku v rôznych oblastiach. A tretia je použitie röntgenového žiarenia.  

Pri elektrickej aktivite ide napríklad o EEG, ktoré meriame pomocou elektród priložených na pokožku hlavy. Tie zachytávajú elektrické potenciály, teda napäťové rozdiely na povrchu hlavy, ktoré vznikajú pri aktivite neurónov. Mozog stále spracúva informácie, napríklad reguluje telesné funkcie a podobne. Zaujímavé je, že podobne sa dnes programuje umelá inteligencia. Funguje vlastne ako slučka. Agent v umelej inteligencii spracováva informácie a prijíma rozhodnutia v rámci tejto slučky. Rovnako aj mozog nepretržite spracováva informácie. Elektródy na koži dokážu zbierať elektrické signály, ktoré vznikajú, keď neuróny medzi sebou komunikujú. Zachytávajú elektrické zmeny, ktoré nastávajú pri aktivácii veľkých skupín neurónov.  

Túto elektrickú aktivitu môžeme rozdeliť do vĺn – delta, alfa, beta, gama. Čiže keď mám hlboký spánok, keď som uvoľnený, keď mám aktívny stav mysle, alebo keď mám vysokú aktivitu. 

Na báze elektriky funguje aj BCI, teda Brain-Computer Interface. Príkladom je napríklad Neuralink, ktorý bol založený v roku 2016. Používa mikroskopické elektródy, ktoré sú implantované priamo do mozgu. Je to potom oveľa presnejšie. V tejto skupine je ešte MEG, čo je dosť drahé zariadenie, ktoré meria magnetické polia generované elektrickou aktivitou neurónov. 

Potom tu máme ďalšiu skupinu – technológie založené na okysličení mozgu. Patrí sem napríklad fMRI. Ide o veľký magnet, ktorý využíva atómy vodíka vo vode (alebo teda v mozgu), ktoré sú vystavené magnetickému poľu. Tieto atómy reagujú a vydávajú slabé signály. Podstata je v tom, že aktívne časti mozgu spotrebujú viac kyslíka, takže vidíme, ktoré oblasti sú viac aktívne. Ďalšou metódou v tejto kategórii je NIRS. Táto metóda využíva infračervené svetlo na meranie okysličenia. Svetlo preniká cez tkanivá a odráža sa rôzne podľa hladiny kyslíka. 

Posledná metóda je pomocou röntgenu, teda CT scan alebo počítačová tomografia. Ide o röntgenové lúče, pričom počítač vytvára priečne snímky z viacerých uhlov. Podstata je v tom, že kosti pohlcujú viac röntgenového žiarenia ako mäkké tkanivá, takže sa na výslednom obraze ukážu belšie. Vďaka snímkam z rôznych uhlov sa dá obraz rekonštruovať do 2D rezov. 

Zhrniem to. EEG meria elektrickú aktivitu mozgu cez elektródy na hlave. S týmto vyšetrením sa už niektorí stretli v praxi – ide o sledovanie mozgových aktivít, napríklad pri diagnostike neurologických stavov, ako je epilepsia. Pri vyšetrení dostaneme špeciálnu čiapku, ktorá sa priloží na hlavu a pomocou elektród sa zachytáva mozgová aktivita. Je to rýchle, ale nezobrazuje podrobnosti o hlbších častiach mozgu. Rozumiem tomu správne? 

Presne tak. 

Potom si spomínal BCI, ktoré umožňuje priamu komunikáciu medzi mozgom a počítačom. Používa EEG na dekódovanie signálov z mozgu. Ako si to môžem predstaviť? Aký je rozdiel medzi EEG a BCI?  

Keď sa bavíme o rozdiele medzi EEG a BCI, v rámci BCI som spomínal konkrétne Neuralink. V tomto projekte sú elektródy priamo implantované do mozgu, čo znamená, že musí prebehnúť operácia. Presnosť je teda oveľa vyššia, ako keď signály snímame len z kože. EEG zachytáva celkové elektrické aktivity, zatiaľ čo Neuralink zachytáva extrémne jemné detaily, to znamená individuálne neuróny alebo malé skupiny. 

A potom je tu aj magnetická rezonancia, ktorá meria prietok krvi v mozgu spojený s mozgovou aktivitou. Poskytuje vysoké priestorové rozlíšenie, ale na druhej strane je MR v porovnaní s EEG pomalé a oneskorené.  

Áno. 

No a potom máme CT. To používa röntgenové lúče na vytvorenie obrazov mozgu. Je rýchle a poskytuje jasný pohľad na anatomické problémy, ako sú zlomeniny či krvácanie. Na druhej strane ale nezobrazuje funkcie mozgu. Z toho vyplýva, že každá technológia má svoje plusy aj mínusy. A prečo sme sa pri nich zastavili? Je to preto, aby sme sa dostali k podstate tejto témy. Sú dnes niektoré z týchto technológií používané aj na mapovanie ľudských myšlienok?  

Už sme spomenuli, že máme technológie, ktorými vieme zachytiť mozgovú aktivitu. Čiže máme nejaké signály. Predstav si napríklad EEG záznam od jedného človeka. Dáme mu robiť rôzne aktivity, napríklad keď sedí v pokoji alebo keď hýbe rukou. 

Tieto úseky zaznamenáme a označíme. Keď sa pohne ruka, vznikne určitá aktivita a označíme to ako pohyb. Keď človek nerobí nič, označíme úsek ako kľud. Pomocou týchto označených segmentov dokážeme trénovať umelú inteligenciu, konkrétne neurónové siete.  

Umelá inteligencia potom prechádza cez EEG záznam a učí sa tieto aktivity rozlišovať. Vie identifikovať, čo je pohyb ruky a čo je kľud. Neskôr dokáže na nových, neoznačených záznamoch na základe vzoru pomerne presne identifikovať úseky spojené s pohybom ruky. 

Máme sa obávať, že čítanie myšlienok raz naruší naše súkromie? 

Najbližšie k tomu, čo si spomenula, je práve Neuralink, založený v roku 2016. Používa mikroskopické elektródy, ktoré sa zavádzajú priamo do mozgu. To znamená, že pacient musí podstúpiť operáciu. Už od roku 2023 prebiehajú prvé klinické skúšky na ľuďoch. 

Prvým pacientom bol človek s kvadruplegiou, teda s dysfunkciou alebo stratou motorických a senzorických funkcií v oblasti krčnej miechy. Implantovali mu čip, vďaka ktorému dokázal napríklad pohybovať kurzorom na obrazovke. To mu umožnilo ovládať hudbu, hrať hry ako šach. 

Súčasťou štúdie bol aj ďalší pacient, ktorý mohol vytvárať 3D návrhy pomocou softvéru CAT Fusion 360. Takže už sme na úrovni, keď prebiehajú klinické skúšky na ľuďoch. 

Čiže takýmto spôsobom by to mohlo pomôcť ľuďom s telesným postihnutím, ktorý by mohli lepšie komunikovať. 

Áno, najmä v medicínskej oblasti môže táto technológia veľmi pomôcť. 

Kde okrem medicíny by mohlo mať čítanie myšlienok najväčší prínos? Napadá mi ešte oblasť vzdelávania. Budeme sa vedieť napríklad jednoduchšie učiť jazyky? Alebo by to mohlo pomôcť v oblasti bezpečnosti?  

Táto téma je veľmi rozsiahla. Najväčší prínos vidím v medicíne, ako som už spomínal. Napríklad obnova motorických funkcií – pacient, ktorý bol schopný pohybovať kurzorom na obrazovke len pomocou svojich myšlienok. Ďalej protetické ovládanie – mozgové rozhranie môže umožniť ovládanie bionických končatín s väčšou presnosťou a rýchlosťou. Ide o presnejšiu technológiu.  

Pri liečbe neurodegeneratívnych chorôb, ako je Parkinsonova choroba, môže implantát pomôcť kontrolovať tras alebo zlepšiť motorickú koordináciu. Pri Alzheimerovej chorobe by takéto technológie mohli pomáhať posilniť pamäťové procesy alebo obnoviť stratené spomienky. Možno v budúcnosti by Neuralink mohol uchovávať dôležité informácie priamo v mozgu alebo pomáhať pri ich vybavovaní. 

Vo všeobecnosti, ako si spomenula aj ty, by ovládanie zariadení mysľou mohlo mať mnohostranný dopad na všetky aspekty nášho života, aj spoločnosti. 

Keď sme vysvetľovali EEG, spomenula som aj epilepsiu. Dočítala som sa, že pri epilepsii dochádza k nadmernej aktivácii neurónov, čo môže viesť k záchvatu. V umelej inteligencii sa zase môže stať, že určitá časť systému dostane príliš veľa signálu a výstup je nezmyselný alebo extrémny. Vidíš podobnosť medzi týmto preťažením v mozgu pri epilepsii a v systémoch umelej inteligencie? 

Áno, vidím určitú podobnosť v správaní pri epilepsii a v umelej inteligencii. Spomeniem dva príklady. V umelej inteligencii, keď úmyselne alebo náhodne modifikuješ vstupy, môže to viesť k nezmyselným alebo extrémnym výstupom. V AI sa to nazýva adversariálne útoky. Takéto útoky môžu systém dezorientovať. Podobne ako abnormálna elektrická aktivita môže dezorientovať mozog pri epileptickom záchvate. 

Druhý príklad: v umelej inteligencii sa môže stať, že určitá vrstva alebo neurónová cesta dostáva priveľa signálu alebo aktivácie. To môže viesť k tomu, že výstup je neprirodzene extrémny alebo za hranicami toho, čo očakávame. Tento jav je konceptuálne podobný nadmernej neurálnej aktivite počas záchvatu. 

Mohlo by byť čítanie myšlienok nástrojom na manipuláciu? Ako tomu môžeme predísť? 

Doteraz sme hovorili o čítaní myšlienok. Teda že čítame to, čo zmeriame, a interpretujeme z toho informácie. Ale ešte sme nehovorili o zápise. Hneď na začiatok treba povedať, že zatiaľ ide iba o stimuláciu. Nie je možné zapísať skutočnú myšlienku alebo konkrétnu informáciu. 

A čo je to teda stimulácia? Cieľom je ovplyvniť neuróny v špecifickej oblasti, čo sa potom dá využiť na obnovu funkcií, ktoré sú poškodené napríklad kvôli neurologickým poruchám. Používa sa to na zlepšenie motorických schopností, na zastavenie záchvatov alebo na podporu pamäte a učenia. 

Už existujú technológie, ktoré sa na toto využívajú. Napríklad Deep Brain Stimulation (DBS), teda hlboké mozgové stimulátory. Sú to medicínske zariadenia, ktoré dodávajú elektrickú stimuláciu do určitých častí mozgu. 

Čo sa týka stimulácie v AI, tam vieme zosilniť váhy, ktoré sú slabé. Znamená to, že určitá časť neurónovej siete má vyššiu pravdepodobnosť aktivácie. Jednoducho si to môžeme predstaviť tak, že ak stimulujeme určitú časť vetvy neurónovej siete, ktorá súvisí s posilňovaním, táto časť bude aktívnejšia a „bude o nej hovoriť častejšie“. 

Je zaujímavé spomenúť, ako sa tieto hlboké mozgové stimulátory implementujú. Používajú sa pri tom techniky ako MR alebo CT, ktoré presne identifikujú cieľovú oblasť súvisiacu s konkrétnou poruchou alebo príznakmi. 

Malé elektródy sú chirurgicky implantované do špecifických oblastí mozgu, ktoré sa vyberú podľa MR alebo CT. Potom je tu generátor, ktorý vysiela riadené elektrické impulzy cez elektródy do cieľových oblastí mozgu. 

Tieto impulzy menia alebo modulujú abnormálne elektrické vzorce, čo môže zmierniť symptómy, napríklad tras alebo stuhnutie. Konkrétne ide o prejavy Parkinsonovej choroby. Následne lekár spolu s pacientom nastavujú správne parametre stimulácie – intenzitu, frekvenciu a trvanie. 

Ešte spomeniem tú paralelu s AI. Vieme merať, ktoré časti virtuálnych neurónov sa aktivujú, a zosilniť ich váhy, teda stimulovať ich. 

Zhrniem to. Nie je možné zapísať konkrétnu informáciu, pretože mozog je extrémne zložitý a nerozumieme úplne, ako funguje. Prenos konkrétnych údajov by vyžadoval presné pochopenie toho, ako neuróny kódujú rôzne typy informácií. A tam prichádza strojové učenie, ktoré pomáha dekódovať aspoň vzory. 

Ďalší problém je, že ak by sa niečo zapísalo, muselo by sa to urobiť tak, aby neuróny správne interpretovali nové signály bez narušenia existujúcich procesov. Takže zatiaľ nevieme zapísať konkrétnu informáciu. Prínos, ako tu už zaznelo, je skôr medicínskeho charakteru. 

Myslíš si, že by bolo možné s našimi myšlienkami manipulovať? Lebo ja už teraz mám niekedy pocit, že mi niekto číta myšlienky – napríklad keď si chcem kúpiť lyžiarsku čiapku a zrazu celú zimu všade vidím len reklamy na lyžiarske čiapky. Takže niekto mi možno číta myšlienky, ale ešte mi ju nikto nekúpil.  

K tej lyžiarskej čiapke – niekedy sa nám môže zdať, že súčasné systémy nám už čítajú myšlienky. Funguje to tak, že keď sa napríklad s kamarátkou rozprávaš o lyžiarskych čiapkach a ste zároveň aktívne na rôznych zariadeniach, ako sú mobil alebo počítač, algoritmy vás dokážu spojiť cez informácie ako lokalizácia, IP adresa alebo sieť. Potom ti ukážu reklamy na lyžiarske čiapky, aj keď si ich predtým nevyhľadávala – stačí, že ste sa o tom rozprávali. 

Ak by sme mali špekulovať, prečo by bolo v budúcnosti možné čítanie myšlienok, možno by to súviselo s neuroplasticitou. To znamená, že mozog má schopnosť prispôsobiť sa a reorganizovať svoje štruktúry a funkcie v reakcii na nové skúsenosti, učenie alebo poškodenie. Možno raz bude mozog schopný naučiť sa prijímať nové externé informácie, napríklad z Neuralinku. 

Dobrým príkladom je hranie na hudobný nástroj. Keď v mladosti hráme, v mozgu pozorujeme fyzické zmeny, teda vyššiu aktivitu v špecifických oblastiach, zlepšenú konektivitu a trvalé zmeny. 

„Niekedy sa nám môže zdať, že nám systémy čítajú myšlienky – napríklad keď po rozhovore o lyžiarskej čiapke vidíme všade reklamy. Nie je to mágia, ale kombinácia dát, zariadení a algoritmov.“

Myslíš si, že by sme mali používať čítanie myšlienok na odhaľovanie lží? Nebolo by to príliš nebezpečné? 

Poviem svoj názor. Myslím si, že nikdy by sme nemali dovoliť, aby niekto mohol čítať naše konkrétne myšlienky. Mohli by byť zle interpretované alebo zneužité, čo by porušilo súkromie. Keď hovoríme o ovládaní počítača podvedomím, to je niečo iné. Ale pri čítaní konkrétnych myšlienok hrozí problém so zlým prekladom týchto vzorcov do reality.

S technológiami na čítanie myšlienok prichádzajú aj rôzne etické dilemy týkajúce sa najmä ochrany súkromia. Ak by sa tieto technológie používali bez súhlasu alebo správneho dohľadu, mohli by sme naraziť na problémy. Aké opatrenia by si odporučil prijať, aby sa predišlo možnému zneužívaniu týchto schopností? 

Je to opäť veľká téma, preto by som tu rád spomenul len niektoré významné aspekty. Ide hlavne o súkromie. Mali by sme zabezpečiť, aby naše myšlienky zostali súkromné, a to je veľmi dôležité. Každý zásah do mozgu by mal byť dobrovoľný a informovaný, teda používateľ by mal dať na takýto zásah súhlas. 

Potom sa treba pýtať, čo sa stane ak niekto zmení vaše myšlienky alebo spomienky? Aký to bude mať vplyv na vašu identitu a osobnú autonómiu? Ide o otázky identity, integrity a slobodnej vôle. A napokon je tu riziko zneužitia týchto technológií, napríklad na neetické účely, manipuláciu alebo kontrolu myslenia. 

Myslíš si, že sa tieto technológie stanú bežnou súčasťou nášho života alebo zostanú len pre úzku skupinu odborníkov? 

Pomôžem si príkladom z histórie. Keď sa na začiatku 20. storočia začali objavovať autá, mnohí boli skeptickí. Mestá boli plné konských záprahov, ktoré za sebou zanechávali odpad. Napriek počiatočnej nedôvere praktickosť a efektívnosť automobilov túto skepsu prekonali. 

Podobne dnes máme blockchain technológie. Aj napriek počiatočným ťažkostiam už menia spôsob, akým uchovávame hodnotu (napríklad bitcoin) alebo dôveru, keďže umožňujú transparentné vykonávanie zmlúv bez sprostredkovateľov. Praktické výhody môžu časom zabezpečiť, že blockchain bude rovnako bežnou súčasťou nášho života ako autá. 

Keď sa bavíme o Neuralinku a podobných technológiách, tie sú ešte na úplnom začiatku vývoja – podobne ako autá vo svojich počiatočných dňoch. Neuralink je momentálne predmetom diskusií a výskumu, a je možné, že sa časom stane integrovaným do nášho každodenného života. Ale to podľa mňa ešte istú chvíľu potrvá. 

Michal, ako by si dnešnú tému zhrnul v kocke? 

Tému vnímam v dvoch hlavných rovinách – čítanie a zápis informácií. Čo sa týka čítania, aktuálne vieme len veľmi obmedzene merať a interpretovať vzory toho, čo sa deje v mozgu. Zápis momentálne nie je možný – vieme iba stimulovať určité oblasti. Tieto technológie teda neumožňujú doslovné čítanie myšlienok, o zápise už vôbec nehovoriac. Prínos je zatiaľ najmä medicínskeho charakteru. 

Veľmi blízko k tejto téme je umelá inteligencia, konkrétne neurónové siete. Aj tam je stále veľa neznámych, no práve umelé neurónové siete nám môžu pomôcť lepšie pochopiť, ako funguje skutočný mozog. Rozdiel je v tom, že na umelej neurónovej sieti môžeme ľahko robiť experimenty – napríklad aktivovať alebo deaktivovať určité oblasti – a sledovať, ako sa systém správa. S človekom je to, samozrejme, oveľa ťažšie. Ak niekoho táto téma zaujala, odporúčam začať skúmať umelé neurónové siete. 

V ďalšej epizóde podcastu Na vlne kódu sme sa inšpirovali poslucháčmi. Ponoríme sa hlbšie do sveta AI spolu s dátovým vedcom Michalom Bystrickým a systémovým administrátorom Jakubom Novákom z msg life Slovakia. Počúvaj a získaj cenné tipy, ako sa dá AI efektívne využiť v praxi a ako si z nej môžeš spraviť pomocníka namiesto konkurenta.   AI éra je už tu a neustále napreduje. Je jasné, že sa s ňou budeme stretávať čoraz častejšie a závisí len od nás, či nás posunie vpred a otvorí nové možnosti alebo nás nechá stáť na mieste. Umelá inteligencia nám môže pomôcť ušetriť čas a energiu na veci, ktoré nás skutočne bavia. Dnes sa pozrieme na užitočné tipy ako efektívne využívať nástroje AI.   Naše pozvanie prijali dátový vedec Michal Bystrický, špecializujúci sa na jazykové modely a predikciu trendov, a systémový administrátor Jakub Novák, ktorý AI denne využíva pri optimalizácii procesov a pomáha mu vyhnúť sa preťaženiu. Započúvaj sa do epizódy s názvom AI v praxi s našou HR manažérkou Ivanou Hricovou alebo si prečítaj jej prepis.  Michal, ako by si niekomu, kto o AI veľa nevie, vysvetlili, čo to vlastne je?  Michal: AI vnímam ako zjednodušený ľudský mozog, pretože medzi nimi vidím veľa podobností. Najnovšie modely už dokážu selektívne zabúdať nepodstatné informácie a podobne ako my si pamätajú si len dôležité fakty. Google koncom roka 2024 predstavil v článku „Learning to Memorize at Test Time“ novú generáciu modelov Titans, známu aj ako Transformers 2. Novinka spočíva v tom, že tieto modely sa učia nielen počas tréningu, ale aj počas testovacieho času (inference zime) – teda v momente, keď s nimi interagujeme.  To znamená, že ak model AI napríklad požiadame, aby bol striktnejší, zapamätá si to a pri ďalšej odpovedi už bude striktnejší. Tento proces je teraz zabudovaný priamo do modelu, takže už nie je potrebné používať externé aplikácie na správu pamäte, čo ho robí flexibilnejším a schopnejším prispôsobiť sa novým situáciám.  Ďalšia fascinujúca vec je spôsob, akým si modely ukladajú informácie. Nový výskum ukazuje, že tento model AI sa učí lepšie, keď ho niečo prekvapí, podobne ako ľudia. Keď narazí na nečakanú informáciu, zapamätá si ju rýchlejšie. Vedci sa tak snažia replikovať spôsob, akým funguje náš mozog – čím viac podnetov o nejakej udalosti máme, tým hlbšie si ju zapamätáme.  AI sa tiež učí postupne zabúdať nepodstatné detaily, aby sa nestratila v množstve informácií. Článok tiež popisuje, že pamäť je súčasťou neurónovej siete a nové modely majú tri formy pamäte – krátkodobú, dlhodobú a perzistentnú, čo im umožňuje selektovať relevantné dáta a lepšie reagovať na nové situácie.  Jakub, aký je tvoj názor?   Jakub: Ja by som to vysvetlil jednoduchšie. Pre mňa AI stále nie je na úrovni ľudského mozgu, hoci k tomu smeruje. Vývojári využívajú princípy, ktoré už poznáme z prírody – keď niečo funguje v biologickom svete, snažia sa to aplikovať aj na stroje. Robíme to pri výrobe áut, lietadiel, pri optimalizácii systémov a teraz aj pri umelej inteligencii. Čiže podľa mňa sa to stále snaží priblížiť k tomu mozgu, ale pre mňa je to stále nejaká online simulácia niečoho, čo má mozog replikovať.  Ak by som mal AI popísať niekomu, kto o nej ešte nikdy nepočul, povedal by som, že je to malý pomocník, ktorý dokáže pomôcť takmer s čímkoľvek – od písania, cez riešenie technických problémov. Nie je dokonalá, ale čím lepšie ju využiješ, tým viac ti ušetrí času a energie.  Takže AI sa inšpiruje ľudským mozgom – dokáže sa učiť počas používania, zapamätať si dôležité informácie a postupne zabúdať nepodstatné detaily. Napriek tomu má stále ďaleko k zložitosti nášho mozgu. Vývojári však čoraz viac uplatňujú jeho princípy, aby AI fungovala efektívnejšie. Správne?  Michal: Ja by som nadviazal na Jakuba, keď spomenul, že AI je len online simulácia. A čo ak je aj ľudský mozog istou formou simulácie inteligencie? Celý vesmír, vrátane nás, funguje na základe fyzikálnych zákonov a chemických procesov. Ľudská inteligencia je výsledkom neurálnych spojení a chemických signálov, ktoré sme zatiaľ pochopili len čiastočne. Čo ak je aj ona len biologickou simuláciou? Prečo si myslíme, že tá naša je tá „pravá“? Možno sme len zaujatí vlastnou subjektivitou a skúsenosťami.  Jakub: Toto je už na mňa priveľmi filozofické na to, že je jedenásť hodín a mám pred sebou dlhý deň. Nerád by som si „uvaril mozog.“ 😊  Poďme teda do praxe. Aký bol prvý nástroj umelej inteligencie, ktorý ste použili? Bol to ChatGPT alebo niečo menej známe? A aká bola vaša prvá reakcia?  Michal: Prvý prelomový článok, ktorý ma ovplyvnil, bol „Attention is All You Need“ od Google. Predstavil prvú generáciu Transformer modelov a mechanizmus self-attention, vďaka ktorému model dokáže analyzovať rôzne časti vstupného textu s rôznou mierou pozornosti. Tento koncept sa stal základom pre ďalšie modely, ako sú BERT a GPT, ktoré sa začali špecializovať na rôzne úlohy – GPT na konverzáciu, BERT na klasifikáciu.  Čo sa týka môjho prvého reálneho kontaktu s AI, zásadným zlomom bolo GPT-3 v roku 2020. Tento model priniesol oveľa sofistikovanejšie prejavy inteligencie, čo bolo pre mňa veľkým prekvapením. V tej dobe sa objavil aj ďalší významný článok „Scaling Laws for Neural Language Models“, ktorý sa zaoberá zákonmi škálovania. Autori v ňom ukázali, že zvyšovanie veľkosti modelu, množstva trénovacích dát a výpočtového času má priamo predvídateľný vplyv na zlepšenie jeho výkonu. Tento princíp je dnes základom pre vývoj pokročilých jazykových modelov.  Jakub: Ja som začal experimentovať s rôznymi online platformami, ktoré vedeli preformulovať text, rozšíriť ho alebo zmeniť jeho tón. Nebolo to však nič prevratné – vždy bolo potrebné poskytnúť vstupný text a nástroje si často informácie vymýšľali. V praxi som ich teda využíval len občasne.  Najväčší problém bol v tom, že keď AI niečo doplnila, musel som si výsledok dôkladne skontrolovať, pretože často generovala nesprávne alebo úplne vymyslené informácie. Buď som nevedel správne promptovať, alebo bol samotný model ešte nedokonalý. Nedokázal som dosiahnuť konzistentne kvalitný výstup.  Zlom prišiel v roku 2023, keď OpenAI uvoľnilo GPT-3. To bol moment, keď sa umelá inteligencia naozaj rozbehla a dostala do podoby, akú poznáme dnes. Pre bežných používateľov bol tento skok obrovský. Práve v tom roku GPT-3 získalo obrovskú popularitu – len za prvý týždeň sa naň zaregistrovalo milión používateľov. To ukazuje, aký masívny dopyt bol po tejto technológii a aké rýchle bolo jej prijatie verejnosťou.  Ako vlastne umelá inteligencia funguje? Ako rozumie našim potrebám, predvída ich a reaguje tak, aby nám zjednodušila život?  Michal: Ak sa bavíme o jazykových modeloch, ich základom je predikcia ďalšieho slova – na základe predchádzajúceho textu odhadujú, čo bude nasledovať. Je to v podstate ako nejaká štatistická regresia. AI modely sú vlastne veľké štatistické modely, ktoré sa učia z obrovského množstva dát z internetu.  Zaujímavé je, že takmer všetky dostupné dáta už boli využité, preto sa dnes výskum zameriava na tvorbu syntetických dát pre ďalšie zlepšovanie modelov. Nová generácia modelov, ako spomínané Transformers 2, prináša zásadnú zmenu – práve my budeme môcť rozšíriť tie modely počas testovacieho času (inference time). To znamená, že modely sa dokážu učiť, prispôsobovať a upravovať svoje odpovede počas toho, ako ich dopytujeme. Tým sa stávajú ešte presnejšími a efektívnejšími.  Jakub, aký je tvoj pohľad?  Jakub: Ja sa na to pozerám skôr zo strany používateľa. Každý deň pracujem primárne s modelmi od OpenAI – GPT, DALL–E a najnovšie aj Sora. Nehovorím, že iné modely sú zlé, no mne najviac vyhovujú práve tieto.  Pre mňa nie je až tak dôležité, ako presne fungujú, ale čo mi vedia priniesť. Keď si vyberám nástroj, skúmam ho podľa troch hlavných kritérií: 

• Pomôže mi v osobnom rozvoji? Získam z toho nejaké cenné informácie poznatky, pomôže mi to rozšíriť obzory? 

• Ušetrí mi čas? Dokáže mi uľahčiť prácu alebo optimalizovať úlohy, prinesie mi časom nejakú pridanú hodnotu v práci alebo v osobnom živote? 

• Dokáže mi to zarobiť peniaze? Viem ho využiť na niečo, čo mi pomôže vrátiť späť peniaze minuté na využívanie nástroja? 

Pri GPT-čku som si už po pár dňoch uvedomil, že je to nástroj, ktorý mi pomôže rýchlo rásť a ušetriť čas.  Čím ťa ChatGPT najviac uchvátil? Kedy si si povedal, že toto budem využívať, toto sa mi oplatí?  Jakub: Prvýkrát som ho použil na strednej škole. Vtedy som ešte nevedel, ako správne promptovať, čo mám napísať, aby som dostal požadovaný výstup. Bol okolo toho veľký boom – milión používateľov za menej ako týždeň, takže som mal obavy, že ho stiahnu. Systém často padal, bol preťažený. Snažil som sa ho naučiť používať, kým sa stane nedostupným. To sa však nestalo, postupne sa vyvíjal a dnes je v oveľa lepšej forme.  Dnes mi AI šetrí hodiny práce a množstvo mentálnej energie. Preberá úlohy, ktoré by ma inak vyčerpávali – napríklad pri vývoji konceptov. Nedávno som potreboval navrhnúť nový model a GPT mi pomohol analyzovať kroky, určiť ďalší postup a v priebehu deviatich hodín som mal funkčný koncept. Nemusel som manuálne analyzovať všetky detaily, ani písať zdĺhavú dokumentáciu – GPT presne vedel, čo urobilo, napríklad navrhlo časť kódu a dokázalo to jasne opísať.  Okrem kreatívnej podpory mi AI pomáha aj pri rozhodovaní. Keď mám viac možností, vypíšem kľúčové body a pomôže mi vyhodnotiť, ktorá je najvýhodnejšia z logického hľadiska. Niekedy je užitočné mať nezávislý pohľad a umelá inteligencia mi ho dokáže ponúknuť. 

Keďže témou je AI v praxi, mohli by ste uviesť obaja niekoľko ďalších príkladov, ako ju efektívne používať a ako často s ňou prichádzate do kontaktu?  Michal: V prvom rade AI používam v práci – pri programovaní a trénovaní modelov. Veľké jazykové modely nám pomáhajú vyhľadávať informácie a optimalizovať procesy.  Okrem toho využívam AI aj v investovaní, obchodovaní a sledovaní noviniek. Pracujem s modelmi časových radov, ktoré dokážu predikovať trendy, pričom si niektoré modely vytváram sám. Sú omnoho sofistikovanejšie než bežné štatistické indikátory, ako napríklad kĺzavé priemery. Rovnako používam modely vizuálnej analýzy, ktoré dokážu spracovať obrázky a analyzovať grafy, identifikovať úrovne či trendy a následne ich využiť v rôznych aplikáciách.  AI mi však pomáha aj pri bežnom učení a lepšom porozumení svetu. Dnes je pomerne jednoduché pochopiť komplexné výskumné texty – stačí ich vložiť do ChatGPT a nechať si ich vysvetliť jednoduchým jazykom. Každý si to môže vyskúšať. Je to naozaj veľká pomoc, najmä ak nepoznáš odborné vzorce či terminológiu. Odporúčam každému, nech si to vyskúša na téme, ktorej nerozumie, ako to dokáže AI vysvetliť.  A teraz trochu odľahčene – AI používam aj na netradičné veci. Napríklad cez víkendy si rád pripravujem kreatívne raňajky a na tanieri vytváram rôzne obrazy z vajíčok a zeleniny. Posledný level tejto zábavy? Nechám AI analyzovať môj „umelecký výtvor“ a povedať mi, čo na ňom vidí. Je fascinujúce, ako dokáže rozpoznať rôzne vzory – tam, kde ja vidím sopku s lávou zo žĺtka, AI zeleninu okolo interpretuje napríklad ako kvety. Často sa až spätne zamyslím a vidím v tom obraze niečo nové. Je to taký nečakaný kreatívny experiment.  Jakub, čo by si ešte doplnil z praxe?  Odkedy mám v GPT možnosť prehľadávať internet a získavať zdroje, tak oveľa menej gúglim. Keď niečo potrebujem, najskôr sa spýtam GPT a až potom zamierim do vyhľadávača. AI mi totiž urobí rýchly výcuc informácií a priamo mi poskytne zdroj, čo mi šetrí čas.  Dôležité pre mňa je, odkiaľ informácia pochádza, nie len čo mi AI povie. Mňa nezaujíma čo mi povie, mňa zaujíma, odkiaľ to vzal. Preto sa vždy pýtam na zdroj. Čiže nemusím ani formulovať prompty. Stačí mi stručne popísať problém a GPT mi pomôže nájsť odpoveď rýchlejšie, než keby som sa snažil správne formulovať otázku v Google.  Aké praktické využitie ChatGPT by ste poradili úplným začiatočníkom, ktorí nevedia, ako začať, ale aj pokročilým používateľom?  Michal: ChatGPT je určite vzrušujúci nástroj. Umožňuje spracovávať text, analyzovať obrázky, rozmýšľať a robiť rozhodnutia. Veľmi mi uľahčuje prácu, a to hlavne v troch oblastiach.  Pre tých, ktorí vyvíjajú systémy, ako ja – modely nám pomáhajú eliminovať šum od vstupu používateľa. Kedysi musel používateľ presne formulovať, čo chce, ale dnes to už nemusí byť také exaktné. Model rozumie približnému zadaniu a dokáže z neho extrahovať to podstatné. Napríklad, keď programujem, nemusím písať celé vety, stačí mi dvoj-troj slovný opis, pár kľúčových slov a model už vie, čo potrebujem.  Druhá oblasť je logika a schopnosť „rozmýšľať“. Niekedy postavím viacero AI modelov proti sebe – jeden vezme môj vstup a generuje výstup, teda to čo od neho chcem. Druhý kritizuje to, čo vyprodukoval prvý. A tretí funguje ako moderátor konsenzu. Nechám ich tak pracovať aj pol hodinu, a tým pádom získam rôzne pohľady na problém. Často to vedie k riešeniam, na ktoré by som sám neprišiel.  Tretia oblasť je spracovanie komplexných tém a komunikácia v reálnom čase. ChatGPT mi pomáha pochopiť aj úplne nové alebo zložité témy bez toho, aby som bol na ne expert. Stačí, že sa ho opýtam a on mi to vysvetlí v jednoduchej forme. Navyše, Advanced Voice Mode je ďalšia funkcia, ktorú často využívam – umožňuje AI reagovať prirodzene. Dokonca ju môžem prerušiť a upraviť otázku, ak chcem odpoveď iným smerom. Pre mňa je to doslova digitálny parťák, s ktorým preberám rôzne témy, napríklad cestou z práce.  Jakub, aký je tvoj pohľad na ChatGPT?  Jakub: Využívam ho denne – je to pre mňa kľúčový nástroj. Skôr si ale všímam, ako ho vnímajú ľudia okolo mňa, ktorí s AI nemajú veľké skúsenosti. Často ho berú ako veštca, ktorý im okamžite dá odpoveď presne na to, čo potrebujú. Lenže tak to nefunguje.  To, čo Michal spomenul – že stačí napísať dve – tri slová a model si to domyslí, je pravda, ale len vtedy, keď už má nejaký kontext. Ja ho tiež používam tak, že zadám krátky súhrn a ChatGPT pochopí, čo potrebujem. Ale ak začnem úplne novú konverzáciu, výsledky môžu byť úplne mimo, pretože model nemá predchádzajúce informácie.  Povedzme si to na príklade. Predstav si, že chcem jesť. Prídem k tebe a poviem ti: „Urob mi moje obľúbené jedlo.“ Ako by si reagovala? Nemáš poňatia, čo je moje obľúbené jedlo. Čiže asi by si skúsila improvizovať, lebo musíš niečo urobiť. Musíš vrátiť nejakú odpoveď. Asi by si skúsila pripraviť niečo, čo si myslíš, že by som mohol chcieť. Ale bolo by to naozaj to, čo chcem? Asi nie. A rovnako funguje aj ChatGPT – ak mu neposkytneš kontext, musí si domýšľať.  Ak by som ale prišiel s rovnakou otázkou za mamou alebo babkou, ktoré ten kontext majú, hneď by vedeli, čo mám rád. Nemuseli by hádať. To isté platí aj pre umelú inteligenciu – ak má kontext, pracuje presnejšie. Netreba sa báť AI trochu viac naviesť, komunikovať s ňou. Môžeš jej na začiatku dať viac detailov. Opýtaj sa jej, aký vstup od teba potrebuje, aby ti dala požadovaný výstup.  Ľudia vnímajú ChatGPT ako veštca, ktorý im okamžite odpovie na všetko, čo potrebujú. AI pracuje presnejšie, ak má kontext.   Jedno je ale isté – AI ti nenavarí také dobré jedlo ako babka.  Jakub: To určite nie. Ale napríklad pred dvoma týždňami som chcel pripraviť večeru a mal som len zopár surovín. Dal som ich do ChatGPT a spýtal som sa, čo by sa z toho dalo uvariť. Výsledok bol prekvapivo chutný. Takže aj keď nenavarí, dokáže vymyslieť zaujímavé recepty.  Ako správne klásť ChatGPT otázky? Totiž nedávno som sa Michala spýtala jednoduchú otázku: „Kedy si sa narodil?“ A on odpovedal: „V máji.“ Bola som prekvapená, pretože som chcela vedieť rok, ale zle som otázku naformulovala. Funguje to podobne aj pri ChatGPT? Ak zle položíme otázku, dostaneme nepresnú odpoveď?  Michal: Presne tak. Ak je otázka nejasná alebo príliš široká, dostaneme odpoveď v podobnom duchu. Platí tu jednoduché pravidlo – čím konkrétnejšia otázka, tým presnejšia odpoveď.  Ľudia pri práci s AI robia viacero chýb. Jednou z nich je, že kombinujú príliš veľa otázok do jednej. Model sa potom môže „stratiť“ a neodpovie presne na to, čo chceme. Je preto dobré klásť otázky jasne a jednoznačne.  Ďalšia častá chyba je, že ľudia slepo veria všetkému, čo AI vygeneruje. ChatGPT je síce veľmi pokročilý, ale stále môže produkovať nepresné alebo skreslené informácie. Preto je dôležité si fakty overovať, napríklad klasicky cez Google. Stačí napísať kľúčové slová a skontrolovať si zdroje.  Mnohí tiež predpokladajú, že umelá inteligencia vie všetko, ale to nie je pravda. Jej znalosti sú obmedzené a nemá aktuálny prístup k všetkým informáciám. Ďalšia chyba je používanie príliš komplikovaného jazyka – ak je otázka zbytočne zložitá, model môže odpovedať menej presne. Najlepšie je formulovať otázky jednoducho a priamo.  Ako teda začať s umelou inteligenciou a aké sú s tým spojené náklady? Poznáte zaujímavé nástroje, ktoré by ste odporučili poslucháčom? A na čo všetko sa dajú využiť? Respektíve, ako si vybrať ten správny AI nástroj a koľko mesačne miniete na predplatné AI softvéru?  Jakub: Ja som momentálne bežný používateľ, nevyužívam AI cez API (webový prehliadač), aj keď mám na to účet. Aktuálne si platím len ChatGPT Plus, ale ak potrebujem niečo viac, môžem si priplatiť. V priemere ide o desiatky eur mesačne, čiže nič zásadné. Ak niekto začína úplne od nuly, určite odporúčam začať s GPT – základná verzia je zadarmo a stačí na zoznámenie sa s technológiou.  Michal: Súhlasím. ChatGPT od OpenAI je najlepší štart – je zadarmo, hoci má limity. Ak človek narazí na obmedzenia, môže si priplatiť 20 dolárov mesačne za pokročilé funkcie.  Ja však využívam AI aj cez API – píšem si program, ktorý sa napája na ChatGPT. Ako som už spomínal, staviam viac modelov proti sebe na kritické hodnotenie výstupov. Ak chceš mať prístup k najnovším modelom OpenAI cez API, musíš najprv minúť 1 000 dolárov, aby si získala status Tier 5 (dlhodobý používateľ) – teda úroveň, ktorá umožňuje využívať najnovšie verzie modelov.  Zaujímavé je, že 20. januára vydala čínska spoločnosť DeepSeek nový otvorený model, dosahujúci výsledky O1, ktorý je aktuálne jeden z najlepších modelov. Otvorený znamená, že si ho môžeš nainštalovať priamo na svoj počítač a nemusíš posielať dáta na externé servery.  Ak ide o používanie AI cez API a stačia ti aj slabšie modely, tak ceny sú v skutočnosti veľmi nízke – platí sa za tokeny (slová, ktoré model spracuje). Mesačne ma to vyjde asi 5 dolárov, čo je menej než predplatné ChatGPT Plus.   Jakub: Ale zase, ak ide o pohodlie, stále je jednoduchšie zaplatiť 20 dolárov mesačne a mať to bez starostí v aplikácii. Ak by cena stúpla na 100 dolárov, už by som zvažoval vlastné riešenie, ale pri súčasnej cene mi to za ten komfort stojí.  Michal, spomínal si pokročilé funkcie. Oplatí sa ich využívať? A na čo ich konkrétne využívaš?  Michal: Napríklad jednou z nich je Advanced Voice Mode, o ktorom som už hovoril. To je funkcia, vďaka ktorej sa s AI môžem rozprávať v reálnom čase. Pôvodne bola dostupná len v platenej verzii, ale ak sa aj medzičasom sprístupnila širšiemu publiku, stále je tam nejaké obmedzenie. Ak teda chcete s AI brainstormovať alebo viesť prirodzenú konverzáciu, určite sa oplatí ju vyskúšať.  Ďalšou pokročilou výhodou Plus verzie je prístup k najnovším modelom. Akonáhle OpenAI vydá nový model, predplatitelia ho dostanú ako prví, zatiaľ čo používatelia free verzie čakajú dlhšie. Ak teda chcete mať vždy k dispozícii to najnovšie a najvýkonnejšie, oplatí sa investovať do platenej verzie.  Ak niekto uvažuje nad používaním nástrojov ako ChatGPT, čo by mal vedieť, aby z toho vyťažil maximum? Sú všetky verzie spoplatnené? Čomu by sa mal používateľ radšej vyhnúť? A v čom je platená verzia lepšia?  Jakub: ChatGPT sa dá používať aj zadarmo. Dokonca istý čas bolo možné ho vyskúšať aj bez registrácie, neviem, či to ešte platí. V zásade stačí otvoriť web, zaregistrovať sa behom chvíľky, prípadne použiť Google účet na prihlásenie.  Momentálne je k dispozícii GPT-4o s limitovaným prístupom. OpenAI priamo nezverejňuje, koľko správ alebo tokenov môžu používatelia bezplatnej verzie využiť. Ak však prekročíš limit, systém ťa prepne na GPT-3.5, alebo ťa vyzve, aby si sa vrátila o nejaký čas a môžeš znova využiť plnú verziu. A ak potrebuješ napísať viac, môžeš si doplatiť. Ak nepotrebuješ, neplatíš. Táto filozofia sa mi na OpenAI páči – umožnia prístup každému, keď vyvinú nejakú novinku. Najprv samozrejme platiacim používateľom, ale o pár mesiacov je uvoľnená v limitovanej verzii.  Tých 20 dolárov mesačne za Plus verziu nie je veľká suma. Z môjho pohľadu je to dobrá investícia, pretože technológia sa neustále vyvíja. Pikoška, ktorú veľa ľudí nevie je, že OpenAI v posledných rokoch masívne podporil Microsoft, ktorý doň investoval okolo 13 miliárd dolárov. Mnohí ľudia si to neuvedomujú, ale vďaka tomu OpenAI disponuje značnými zdrojmi na vývoj. Microsoft zase tieto modely integruje do Bingu, Copilota a Bing chatu pri vyhľadávaní. Tam to beží GPT-4 Turbo, ktorý nie je dostupný priamo cez web ChatGPT. Ak si spustíš Bing chat, získaš prístup k verzii modelu, ktorá je výkonnejšia ako tá bežne dostupná v bezplatnej verzii ChatGPT.  Čo sa týka verzií – dnes sú už všetky pokročilé AI modely spoplatnené. Pamätám si, keď OpenAI uvoľnilo DALL-E (generovanie obrázkov). Najskôr to bolo zadarmo s obmedzeným počtom tokenov mesačne. Bolo možné vygenerovať 10 až 15 obrázkov, každý token znamenal 4 obrázky. Dokázalo to vygenerovať na základe textu dosť abstraktné obrázky. Niečo, čo v podstate neexistovalo. Napríklad mačka na skateboarde alebo mačka ako astronaut vo vesmíre.  Teraz sa objavujú modely o1 a o3, ktoré pokročili v logickom myslení a plánovaní. Zaujímavá je aj multimodálna AI Sora, ktoré spája text, obraz a video. Testujem v nej generovanie videí, ale ešte stále nie som úplne spokojný s výstupmi.  Každý si musí vybrať model podľa toho, čo potrebuje. Ak by som s AI začínal od nuly, určite by som siahol po ChatGPT. Stačí sa zaregistrovať a vyskúšať ho. Ak ti stačí bezplatná verzia, super. Ak nie, vždy máš možnosť si priplatiť a využívať pokročilé funkcie.  Aký je vlastne rozdiel medzi nižšou a najnovšou verziou, naozaj sa líšia až tak výrazne? Hovorili sme o rôznych modeloch – ChatGPT je dostupný aj zdarma, DALL-E sa viac sústreďuje na oblasť marketingu a grafického dizajnu, o1 je skôr na vedu a matematiku, teda na pokročilejšie analýzy. Pre bežného používateľa úplne postačuje ChatGPT?  Jakub: Áno, presne tak, buď využiješ bezplatnú verziu alebo si zaplatíš predplatné. Ja osobne DALL-E a Soru nevyužívam tak často. Viem, že Sora má v rámci predplatného určité obmedzenia. Napríklad, aj keď si platiaci používateľ, nemôžeš generovať videá v najvyššej kvalite – mal som limit 4 sekundy na video a tiež obmedzený počet znakov v popise či celkový počet videí, ktoré môžem vygenerovať. Dáva to zmysel, pretože generovanie videa je oveľa náročnejšie na výpočtový výkon, ako keď si s ChatGPT píšem.   Keď sa pýtaš na rozdiely, ide hlavne o rýchlosť odpovedí a dostupné funkcie. Ak vyčerpáš limit GPT-4o, automaticky ťa to prepne na o4-mini. Je o niečo pomalší a môže mať slabšiu kvalitu odpovedí a obmedzené funkcie.  Ako sú vlastne nastavené tie algoritmy? Minule som rozmýšľala nad tým, kedy ma prepne z vyššej verzie na mini verziu. Ako to funguje?  Jakub: To je presne to, čo spomínal Michal – ide o tokeny. Model počíta, koľko ich spotrebuješ – koľko vstupných aj výstupných slov bolo spracovaných. Keď narazíš na limit, jednoducho ťa prepne na slabšiu verziu. Nie je to náhodné, nie je to algoritmus, ktorý by ťa „vypol“ len tak. Proste ti oznámi, že si vyčerpala povolený počet tokenov a že sa môžeš vrátiť o pár hodín.  Michal: Ešte by som doplnil k modelu o1 – nie je určený len na výskum a matematické analýzy. Má funkciu chain of thought, čo znamená, že pred odpoveďou určitý čas premýšľa. Výstupy sú potom logickejšie a kvalitnejšie. Pri jednoduchých otázkach odpovie rýchlo, ale ak dostane zložitejšiu úlohu, môže nad ňou rozmýšľať aj minútu. Takže podľa mňa je využiteľný aj pre bežných používateľov, nielen pre vedcov a analytikov.  Jakub: To je dobrá poznámka, na toto som úplne zabudol. Pri modeli o1 je zaujímavé, že keď mu zadáš príkaz, nielenže ukáže, koľko sekúnd premýšľal. Ale ak na to klikneš, môžeš si pozrieť celý chain of thought – teda sled jeho úvah.  Vidíš krok za krokom, ako model postupoval – čo zvážil, aké možnosti vyhodnotil, aké premenné bral do úvahy a prečo nakoniec dospel k určitému záveru. Nie je to teda len vygenerovaná random odpoveď alebo umelo oddialený čas reakcie. Naozaj vidíš, že prešiel nejakým logickým procesom, než ti poskytol finálnu odpoveď.  Ako môžu IT profesionáli efektívne využívať AI nástroje vo firmách tak, aby boli v súlade s bezpečnostnými pravidlami? Na čo by si mali dať najväčší pozor?  Jakub: Pre mňa je základné pravidlo jednoduché – žiadne citlivé údaje, či už firemné alebo súkromné. AI vnímam ako databázu, do ktorej síce ukladám určité informácie, ale nikdy tam neposielam nič dôverné. Či ide o firemné alebo súkromné dáta, vždy premýšľam, čo do AI posielam.   Napríklad, keď riešim technický problém používateľa vo firme, nikdy tam nezadám konkrétne číslo stroja alebo citlivé údaje. Namiesto toho problém popíšem všeobecne: „Mám takýto a takýto problém, našiel som toto riešenie, ale potrebujem sa poradiť.“ Takto získam odpoveď, bez toho, aby som ohrozil bezpečnosť.  Platí to isté, čo na internete. Ani na Facebook nedávaš fotky, ktoré nechceš, aby na teba niekto o 10 rokov vytiahol. S AI je to podobné – treba si dvakrát rozmyslieť, čo tam posielaš. Každý by si mal nastaviť vlastné hranice, ale určite je dobré používať AI s rozumom a dbať na bezpečnosť.  Žiadne citlivé údaje z práce či súkromia do AI nástroja nepatria.  Michal: Ešte by som to trochu rozšíril – nejde len o osobné či firemné dáta, ale aj o informácie, ktoré by mohli odhaliť fungovanie firmy, jej systémy, architektúru alebo strategické plány. Ak AI poskytneme detaily o tom, ako niečo plánujeme, môže sa to obrátiť proti nám.  Je dôležité zdieľať čo najmenej konkrétnych informácií. Ak potrebujeme s AI konzultovať nejaký problém, je lepšie ho formulovať vo všeobecnej rovine, bez priamej spojitosti s našou firmou či projektom.  Ak niekto modelom vôbec nedôveruje a nechce, aby dáta opustili jeho počítač, môže si ich spustiť lokálne na svojom počítači. Na rýchly chod AI modelov však treba výkonnú grafickú kartu – ideálne dve, s minimálne 45 až 55 GB NVRAM.  Medzi otvorené modely, ktoré si môžete nainštalovať, patria napríklad Llama 3.3 alebo niektoré Vision modely schopné analyzovať obrázky. Dnes sa dá taká zostava s potrebným výkonom kúpiť za približne 1 000 eur. Ak hľadáte výhodnú možnosť, tak NVIDIA 3090. Z druhej ruky sa dá zohnať okolo 500 eur. Pri nej stále platí najlepší pomer cena/ výkon.   AI model sa dá spustiť aj bez grafickej karty, ale potom sa všetko vykonáva v RAM-ke a na procesore, čo je extrémne pomalé. Existuje aj možnosť kombinácie – časť modelu môže bežať v RAM a časť na grafike, ale stále to nie je ideálne.  Jakub: Rozdiel je v počte procesorov. GPU má oveľa viac výpočtových jadier ako bežné CPU. Preto sú grafické karty v AI nevyhnutné – zvládnu paralelné výpočty oveľa rýchlejšie.  Michal: Malé modely do 10 GB VRAM sa síce dajú použiť, ale ich schopnosti sú dosť obmedzené. Fungujú na jednoduché úlohy, ale veľa muziky s nimi neurobíte.  Využili ste niekedy AI aj na niečo nezvyčajné. Napríklad v čom vás tento nástroj milo prekvapil alebo aj nemilo?  Michal: Používam aj čínske modely a je fascinujúce, ako fungujú pri analýze obrázkov. Model najprv extrahuje prvky z obrázka a potom nad nimi premýšľa. Nedávno som narazil na zaujímavú situáciu – analyzoval som anglický text. Keďže išlo o čínsky model, nesprávne ho interpretoval ako čínske znaky. To je príklad, ako tréningové dáta ovplyvňujú fungovanie AI. Pri vývoji týchto systémov sa s podobnými prekvapeniami stretávam často – nie vždy sú príjemné.  Michal a Jakub, ďakujem vám, že ste nám dnes priblížili svet umelej inteligencie. Ak by ste mali poslucháčom na záver odporučiť jednu vec, čo by to bolo?  Jakub: Nebať sa AI! Veľa ľudí panikári, že im AI vezme prácu. Ale pozrime sa do histórie – ľudia kedysi orali s koňmi a pluhom, potom prišli traktory. Práca nezmizla, len sa zmenili nástroje. Namiesto strachu je lepšie naučiť sa AI využívať vo svoj prospech a vytvárať s ňou pridanú hodnotu. AI nehryzie, treba sa s ňou pohrať a používať ju s rozumom.  AI nám prácu nevezme. Menia sa s ňou iba nástroje, ktoré k práci využívame.  Michal: Agentová AI je budúcnosť. Tento trend umožňuje, aby medzi sebou AI agenti komunikovali a riešili úlohy spolu. Môžeme tak modelovať dynamiku ich spolupráce a myslím si, že je to budúcnosť – vytváranie celých tímov strojov, ktoré budú pracovať namiesto nás.  Milí poslucháči, dnešný podcast bol pre mňa skutočne cestou za poznaním. Verím, že bol pre vás nielen zaujímavý, ale že sme ho okorenili aj štipkou humoru a priniesli vám množstvo nových poznatkov. AI nás môže fascinovať, prekvapiť a občas aj pobaviť. Posolstvo na záver? Nebojte sa skúšať nové technológie. Čím viac ich spoznáte, tým ľahšie ich využijete vo svoj prospech. Teším sa na vás pri ďalšej epizóde podcastu Na vlne kódu. 

V druhej epizóde podcastu Na vlne kódu privítame Michala Bystrického, ktorý pôsobí ako dátový vedec v msg life Slovakia. Priblíži nám, ako vo svojej práci využíva umelú inteligenciu a aj to, akým spôsobom AI zasiahne do práce IT špecialistov v budúcnosti. Želáme ti príjemné počúvanie alebo čítanie. Vitajte v dnešnom podcaste Na vlne kódu, ktorý pre vás pripravuje spoločnosť msg life Slovakia. V dnešnej epizóde sme si pre vás pripravili tému AI a budúcnosť práce v IT. Pozrieme sa na to, ako umelá inteligencia mení pracovný svet nielen v IT, ale vo všeobecnosti. Naším hosťom je Michal Bystrický, ktorý je veľký vizionár a okrem iného sa zaoberá aj umelou inteligenciou. Spolu si prejdeme, ako budú roboty zasahovať do našej kariéry a možno aj do našich obedných prestávok,

Podcast Na vlne kódu

Michal, môžeš sa nám, prosím, bližšie predstaviť? Dobrý deň, moje meno je Michal a využijem možnosť, aby ma predstavila AI. Ahoj, si tam? „Ahoj, jasné, som tu. Ako ti môžem pomôcť?“ Som práve v podcaste. Vedel by si ma predstaviť? Ale skús ma predstaviť tak, aby to bolo emocionálne, s nadšením. A keď budeš rozprávať napríklad o programovaní, môžeš byť smutný alebo zadýchaný. Skús to. „Dobre, skúsim to. Predstavujem vám Michala. Človeka s obrovským odhodlaním a vášňou pre technológie. Zhlboka sa nadýchne. Jeho cesta bola plná prekážok, ale nikdy neprestal veriť v silu umelej inteligencie. Začne hovoriť smutne. A hoci niekedy stráca nádej pri programovaní, jeho viera v pozitívny dopad technológií ho vždy vedie vpred. Ako keby zadýchaný.“ Dobre, počkaj. A teraz povedz, kde pracujem a čomu sa venujem, prosím ťa. „Michal pracuje v msg ako dátový vedec. Venuje sa vývoju systému na vyhľadávanie vo veľkom množstve dokumentov, ktorý dokáže odpovedať na otázky na základe ich obsahu. S bohatými skúsenosťami na rôznych pozíciách vrátane učiteľa, systémového administrátora, vývojára a manažéra vývoja sa po významných udalostiach v oblasti AI rozhodol vrátiť k vývoju.“ Dobre, ja to skúsim ešte trošku doplniť. Rozhodol som sa vrátiť späť k vývoju práve kvôli tomu, že prvýkrát v histórii môžeme mať k dispozícii celý robotický tím, ktorý pre nás pracuje. Čo najšpecifickejšie sa ti zatiaľ podarilo vyhľadať? A podarilo sa ti vždy nájsť, čo si chcel? To sú také tie magické momenty, keď máme viacero dokumentov – napríklad technický manuál, sales report alebo marketing dokument a každý z nich má tisícky strán. V tom dokumente dokážeme nájsť tú jednu pravú informáciu, ktorú potrebujeme. A dokážeme nájsť aj súvisiace informácie vo všetkých dokumentoch, všetky ich spojiť, referencovať a následne poskytnúť komplexnú odpoveď. Ako by si vysvetlil pojem AI niekomu, kto sa zasekol v 80. rokoch – ako napríklad občas ja? Ak si sa zasekla v 80. rokoch, vieš, že počítač tvoria tranzistory. To sú také tie prepínače 0 alebo 1. Z nich vieš vytvoriť logické bloky, z ktorých je vlastne tvorený počítač. V tom období tvorilo osobný počítač približne 10 tisíc tranzistorov. Nám sa podarilo toto číslo veľmi zväčšiť, a to 2 až 3 milión násobne. Len pre predstavu – napríklad grafická karta v počítači má 76 miliárd tranzistorov. Potom sme postavili takýchto veľmi výkonných počítačov vedľa seba tisíce a zobrali sme text z celého internetu. Následne sme vytvorili taký štatistický systém – programátori budú možno poznať regresiu – a povedali sme mu, aby predpovedal ďalšie slovo. No a ono to potom začalo dávať zmysel. Systém sme zväčšili ešte viac a tá AI začala premýšľať. AI a roboti – sú to v podstate takí budúci kolegovia, ktorí si nikdy neberú dovolenku? Tí AI kolegovia už nie sú budúci, oni sú súčasní. Napríklad mne až 70 % práce robí práve AI. Tých 30 % je moja práca, pretože poznám lepšie kontext alebo mám expertízu, ktorú som získal za desiatky rokov. Podstata mojej práce je programovanie, ale ja už veľmi ten kód nepíšem, už vlastne len dopytujem tú AI. Alebo sa napríklad s AI učím španielčinu.

Ak sa však bavíme o humanoidoch, teda robotoch, ktoré majú ruky, nohy a rozprávajú, tak tam ešte nie sme. Primárna výzva v tejto oblasti je, ako ten model zmenšiť. Napríklad jazykový model, ktorý má 200 bilión parametrov, potrebuje 120 GB pamäte, na čo je potrebných cca 4 – 5 grafických kariet. Každá spotrebuje približne 350 W, v non-stop prevádzke 2 kW. Cena sa začína niekde na 4 000 eur. A to je len jazyk. Potom potrebuješ ešte rozprávať, počúvať, zabezpečiť motoriku, atď. Človek je veľmi efektívny biologický systém – dáš si kávu a už si pripravená pracovať. Ale súčasné modely sú veľmi neefektívne, potrebujú veľa energie. AI dokáže vyriešiť komplikované problémy vo veľmi krátkom okamihu. Znamená to pre IT-čkárov, že budú mať napríklad viac času na hranie hier alebo na ďalšie vzdelávanie? AI neprináša viac voľného času, ale umožňuje nám riešiť rutinné úlohy. My sa môžeme viac sústrediť napríklad na tvorbu architektúry alebo stratégie, a máme tak možnosť vytvárať lepšie systémy. Dnes je to teda skôr o tom, ako využiť ten voľný čas na ďalšiu prácu.

Vidíš budúcnosť IT profesionálov ako AI-tuningových inžinierov alebo ako niekoho, kto bude pre umelú inteligenciu zberať dáta? Jedna možnosť, ktorú môže človek uplatniť, sú také tie veľké všeobecné modely, napríklad chatGPT, timeGPT a iné. Tieto najväčšie, tzv. foundation modely, sa vyvíjajú v Amerike. Ja by som rád priblížil, prečo je to také vzdialené nám – bežným inžinierom. OpenAI má 100 tisíc H100 grafických kariet, na ktorých trénuje. Jedna grafická karta stojí 30 tisíc eur, čiže len tie grafické karty stoja 3 miliardy a ešte je okolo toho infraštruktúra. Na tie súčasné aktuálne AI teda potrebuješ veľa peňazí. My, bežní inžinieri, sa budeme zaoberať skôr obsluhou alebo údržbou týchto strojov. Keď bude AI vedieť písať kód, zostanú nám potom len testeri v oblasti IT? Alebo to budú vývojári, ktorí budú AI stále vzdelávať a zdokonaľovať? V tej údržbe alebo v obsluhe je mnoho tém. Ja by som spomenul niekoľko. Môže to byť napríklad ten fine-tuning, keď trénujeme model na nejaký špecifický prípad použitia. Tam sa deje tzv. transfer learning, pri ktorom zoberieme veľký model, pridáme tam nejaké vrstvy a potom natrénujeme len tie svoje vrstvy. Následne vieme dať tomu modelu rôzne iné spôsoby vyjadrovania na mieru a podobne. Ďalšia taká veľká téma je prompt engineering. To znamená, ako inštruujeme ten model, aby nám dal to, čo chceme. A téma, ktorá s tým súvisí, je alignment – že či to, čo ten agent robí, je v súlade so spoločenskými pravidlami. Tu by som rád spomenul pojem zosúladenie. Vznikli programy ako AutoGPT alebo teraz v októbri OpenAI Swarm, pomocou ktorých tvoríme tím agentov, ktorí pre nás pracujú. Dnes už je to pomerne jednoduché – nainštalujete si v Pythone Ollamu a za jeden deň si takýchto agentov v základnej forme napíšete. Tá komplexita, variabilita, akou môže byť poskytnutá odpoveď, je nekonečná. Čiže tam sa človek bude môcť uplatniť veľmi dobre. A bude teda pracovať spoločne s AI. Keď počuješ výraz automatizácia procesov, vidíš pred sebou nudnú, monotónnu prácu alebo si predstavíš skôr sci-fi budúcnosť plnú laserov a robotov? Umelá inteligencia a automatizácia by mohli viesť k niečomu podobnému, ako vidíme v Star Treku. Ľudia tam žijú v hojnosti, základné potreby všetkých sú zabezpečené. Umožňujú im to kľúčové technológie, ako sú napríklad replikátory, ktoré dokážu vytvoriť akýkoľvek predmet z čohokoľvek. Eliminujú nedostatok, a teda nepotrebujú peniaze. Dokážu napríklad získavať energiu z antihmoty, čiže majú veľmi veľa energie. A boli tam aj ďalšie technológie, napríklad holodeky na simuláciu prostredia. Keby sme mali takéto prostriedky, zmenil by sa náš pohľad na ekonomiku, pretože by sme neboli obmedzovaní nedostatkom zdrojov. Ľudia v Star Treku sa venujú kreatívnym, inovatívnym alebo komunitným aktivitám, ktoré dávajú zmysel. Jednotlivci neprispievajú spoločnosti kvôli peniazom, ale pre osobné naplnenie, zvedavosť, túžbu prispieť nejakému spoločnému dobru. Ale táto predstava je, samozrejme, dosť utopická. Myslíš si, že bude AI natoľko inteligentná, aby prenikla aj do tých najhlbších útrob ľudskej mysle? Čo si myslíš o čítaní myšlienok? Viem, že sa tomu budeme venovať viac v ďalšom podcaste, lebo je to taká hlbšia téma, ale teraz aspoň v skratke. Ja si myslím, že áno a spojil by som také dve úrovne. Ak sa bavíme na takej bežnej ľudskej komunikačnej úrovni, teda akým tónom rozprávam, akú expresiu tváre mám a podobne, AI dokáže už teraz rozpoznať, akú má človek emóciu a podľa toho reagovať. Ak sa potom pridá druhá úroveň, taká doslovná, čiže o preniknutí do myšlienok, tak to je naozaj na dlhšiu debatu. V krátkosti spomeniem len projekt Neuralink. To je zariadenie, ktoré je voperované v mozgu a zachytáva signály z mozgu, ktoré idú do AI. Tá sa naučí, čo tie signály znamenajú a človek môže ovládať zariadenia myslením. Neuralink sa už testuje na ľuďoch a funguje. Spomínal si, že AI má možnosť čítať naše emócie. Myslíš si, že do budúcna by sme sa mali AI báť? Ja si myslím, že nie. AI nám prináša mnoho vylepšení a práve vďaka nim sa môžeme lepšie sústrediť na cieľ a robiť, čo naozaj chceme. Ľudia sa boja zmeny, ale táto zmena bude podľa mňa pozitívna. Keď AI zvláda písanie kódu, má zmysel, aby programátori sa ešte učili písať to klasické Hello World? Myslím si, že stále treba rozvíjať algoritmické myslenie. Určite sa treba učiť kódiť, programovať, ako definovať algoritmus, čo má sa stať krok po kroku. Lebo tak vlastne inštruujeme aj AI. Treba byť tiež inovatívny, kreatívny a dôležitý je tiež leadership a management. Aby sa človek vedel orientovať, na tej developerskej úrovni treba tomu stále rozumieť. Už je to síce menej o matematike alebo takom nízkoúrovňovom programovaní, ale stále sú úlohy, ktoré AI nevie vyriešiť a programátor sa musí vedieť orientovať. Teda je to o tom vysokourovňovom skladaní komponentov, softvérovom dizajne, architektúre a podobne.

Spomenul si, že AI nevie niektoré úlohy riešiť. Vieš nám vymenovať pár činností, v ktorých stále zlyháva? Skúsim dať príklad, aby som ilustroval tú komplexitu. Predstav si, že máme troch agentov a každý z nich je iný. Pracujú na nejakej analýze, napríklad dátovej, sales, marketingovej – to je jedno. Podľa toho, ako nastavím každého agenta, podľa toho budem mať výstup. Ak spravím nejakého jedného člena viac striktnejšieho, po pár hodinách práce týchto agentov bude výstup viac absolútnejší. Modelovanie tejto dynamiky je veľmi komplexné. Nebavíme sa len o tom, akí členovia budú v tíme, ale aj o tom, aké budú mať osobnosti. Ako sa budú vyjadrovať, aké budú mať napríklad vizuálne schopnosti a podobne. V dobe, keď umelá inteligencia dokáže rozanalyzovať dáta rýchlejšie než človek, bude našou hlavnou úlohou len upratovanie, respektíve kontrola po robotoch? Keď AI niečo vygeneruje, neznamená to, že je to správne. Ten prompt engineering, teda vytváranie vstupných požiadaviek pre AI, nie je jednoduchý. Konkrétne v programovaní, napríklad pri práci s AI, je kľúčové si uvedomiť, že AI nemá celý úplný kontext. Ja by som rád zazdieľal moju stratégiu, ktorá mi prináša dobré výsledky. Moje dopyty na AI smerujú na malé, ohraničené komponenty s jasne definovanými rozhraniami. Ideálne je, keď AI poskytnem aj nejakú architektúru, aby tomu ešte lepšie rozumela. A tým, že je to také malé, ohraničené, jasné, dostávam kvalitnejšie a na prvýkrát použiteľné výsledky. Pretože AI dostane jasné hranice, v ktorých môže pracovať. Aké zručnosti by mal mať človek, aby bol nezameniteľný v budúcnosti plnej umelej inteligencie? Čo AI nenahradí? Ja si myslím, že človek a AI bude žiť v symbióze. Základná zručnosť je vedieť používať AI na vytvorenie tých vyššieúrovňových cieľov. Ako som spomenul, v programovaní sú to nástroje ako AutoGPT alebo OpenAI Swarm, teda programovanie viacerých agentov, aby sme dosiahli spoločne dosiahli určitý cieľ nejakého odborného charakteru. Teda hĺbková analýza, kde každý robot je prispôsobený nejakej svojej doméne a prípadne fine-tunovaný. Myslím si, že to pôjde týmto smerom. Keďže AI sa učí stále viac, nemali by sme napríklad začať s učením už detí v škôlke, aby vedeli naprogramovať nejaké priateľské AI algoritmy? Aby sme s ňou žili naozaj v symbióze? To je veľmi dobrá otázka. Vzdelávanie je extrémne dôležité. Ja som chodil na mechatronické krúžky, keď som sa učil programovať a zažil som tam veľmi veľa pozitívnych emócií. Emócie sú silná vec a vďaka nim som už 20 rokov v IT. Ja som to mal cez ten hard skill, kde som sa učil C, C++ a Linux. A podobne, ak by sa deti učili etiku a programovanie AI, tak by boli veľmi dobrí, pozitívni, morálne a eticky uvedomelí správni ľudia. Myslíš si, že by mali byť roboti vybavení aj morálnym nejakým úsudkom? Alebo stačí, ak ich naučíme nebyť „zlobrami”? Morálku v AI trénujeme viacerými spôsobmi. Ten prvý je, že ľudia poskytnú rôzne pohľady na morálne dilemy a AI sa naučí podľa toho predpovedať ďalšie slová. V druhom kroku je AI postavená pred morálne dilemy a musí sa rozhodovať, aké kroky urobí. Keď urobí nejaký krok, ukazujeme jej, ako tie voľby ovplyvňujú jednotlivé postavy a aký dopad by mali. Tam sú vopred definované nejaké etické princípy. Ak sa rozhodne správne, tak dostane spätnú väzbu. My ukazujeme AI rôzne prístupy. Môžem spomenúť napríklad maximalizovanie blaha. V trolley probléme si vyberiem napríklad jednu osobu namiesto troch. Alebo etiku založenú na pravidlách či zameranie na morálny charakter toho, kto rozhoduje. Ja by som to uzavrel tak, že AI treba učiť tak, ako učíme svoje deti.

Máme sa viac báť toho, že nás AI začne nahrádzať alebo toho, že sa budeme na ňu až príliš spoliehať? Okrem toho, že máva výpadky, nezlenivieme napríklad? Ja verím, že ľudia sú vo svojej podstate zvedaví. Nestane sa nám, že zlenivieme. Skôr budeme musieť udržiavať vedomosti na takej nižšej úrovni abstrakcie. A tam budú možno aj tie zaujímavé joby. A čo sa týka závislosti, keď som začal programovať okolo roku 2000, internet ešte nebol taký bežný. Mali sme vtedy dial-up a na programovanie v Basicu som používal manuál. A potom s DSL internetom v roku 2003 prišiel Google. Toho som sa držal do roku 2023, kedy som začal používať veľké jazykové modely. Čiže ja teraz automaticky idem za tou AI. Keď som bol napríklad v lietadle a nemal som možnosť pripojiť sa na nejaký model, zistil som, že som od AI už vlastne závislý. Ale pozitívna vec je, že s AI som dva až šesťkrát rýchlejší ako s Google, závisí to od úlohy.

Môžeme vôbec naučiť AI byť ľudskou, respektíve, aby mala emočnú inteligenciu? Alebo to bude vždy len naprogramovaný súcit? Ja by som ti odpovedal otázkou: Ako vieš, že AI má len naprogramovaný súcit? Aj my sme formovaní geneticky skúsenosťami a nejakým aktuálnym chemickým stavom. Rozdiel je možno len v tom, ako tieto procesy vnímame. Ak by AI prejavovala emocionálnu inteligenciu na vysokej úrovni, nebolo by podobné, ako keď sa my učíme byť empatickí prostredníctvom skúseností? Vedel by si nám zosumarizovať, ako sa môžu IT-čkári prispôsobiť alebo spolupracovať s umelou inteligenciou tak, aby tam naozaj bola tá symbióza? Tu by som rád spomenul tú najvýznamnejšiu tému, ktorá teraz najviac odznieva, teda  spolupráca s viacerými agentmi. Nielen ako spolupráca, ale ich samotné programovanie a modelovanie dynamiky na dosiahnutie požadovaného cieľa. Toto je veľká téma, ktorá je variabilná a komplexná. A tu sa môžeme uplatniť. Ďakujem ti veľmi pekne za priblíženie tejto zaujímavej témy. Dúfam, že sme vám, milí poslucháči, pomohli aspoň trochu pochopiť a uchopiť celkovo tému umelej inteligencie. Že to nie je len robot, ktorý sa nás snaží nahradiť, ale môže to byť náš najlepší partner na ceste za efektívnejšou budúcnosťou. Sledujte nás aj naďalej a počujeme sa pri ďalšej epizóde podcastu Na vlne kódu.