Эти модели, конечно, здорово продвинулись в решении сложных задач, но у них есть свои слабости: они иногда выдают устаревшую информацию, «галлюцинируют» (то есть придумывают то, чего нет), работают медленно и не всегда понятно, как они пришли к тому или иному выводу. Чтобы справиться с этими проблемами, ученые предлагают три основных направления:

Расширение знаний

Идея в том, чтобы научить модели использовать внешние источники информации. Например, можно встроить знания прямо в процесс обучения или добавлять их в момент, когда модель решает задачу. Это помогает моделям лучше понимать факты, логически рассуждать и быть более прозрачными.

Сотрудничество моделей

Здесь речь идет о том, чтобы разные модели работали вместе, используя свои сильные стороны. Например, одна модель может быть «менеджером», который распределяет задачи между другими, более узкоспециализированными моделями. Так, в создании изображений языковая модель может давать указания графической, чтобы результат точно соответствовал запросу.

Коэволюция моделей

Это когда несколько моделей развиваются вместе, помогая друг другу. Например, если у моделей разные задачи или данные, их можно обучать одновременно, чтобы они учились друг у друга. Это делает их более гибкими и способными решать самые разные задачи.

Эти улучшения уже находят применение в науке, инженерии и обществе. Например, в метеорологии модели с глубокими знаниями помогают точнее прогнозировать погоду, а в здравоохранении — быстрее ставить диагнозы.

Но это только начало. В будущем исследователи хотят развивать такие направления, как «воплощенный ИИ» (когда ИИ взаимодействует с физическим миром), „мозгоподобный ИИ“ (копирующий работу человеческого мозга) и даже создание моделей, которые сами могут генерировать другие модели.

Ранее ученые заявили, что искусственный интеллект транслирует социальные неравенства как норму, научившись им у людей.