Az Nvidia a múlt héten rövid időre a világ legértékesebb vállalatává vált, miután a mesterséges intelligencia modellek képzéséhez használt chipek és hálózati infrastruktúra vezető szállítójának részvényei január óta majdnem megháromszorozódtak. A mesterséges intelligencia forradalma azonban eddig messze nem bizonyult egyirányú fogadásnak: az AI-központú indexek és alapok, legtöbb részvénye idén esett.

Ingadozik az Nvidia

Még a 3,1 trillió dolláros Nvidia is vad hullámvasutazáson van túl. A történelmi csúcsát követő három kereskedési ülésen több mint 400 milliárd dollárt veszített piaci értékéből. Az azt megelőző héten még 360 milliárd dollárt tett hozzá. Az elmúlt három évben a részvényárfolyamának ingadozása ötször nagyobb volt, mint az S&P 500 indexé.

Ezek az epikus ingadozások a befektetők bizonytalanságát tükrözik a mesterséges intelligencia gazdaságosságával kapcsolatban. Az önképző számítógépek eredményei és ígéretei nyilvánvalóak. Az, hogy mennyibe kerül a technológia és ki fogja megfizetni, már kevésbé egyértelmű. A befektetők számára, akik ezen az árulkodó terepen próbálnak eligazodni, fontos, hogy a technológiai fejlődéssel kezdjék, amelyen a jelenlegi AI-forradalom múlik.

Változatos appok

Az AI-boomot kiváltó lenyűgöző alkalmazások első látásra nagyon különbözőnek tűnnek. 2016 márciusában a Google DeepMind AlphaGo programja lenyűgözte a világot, amikor legyőzte a minden idők legjobbját, Lee Sedolt a kétszemélyes társasjátékban. 2020 novemberében a vállalat AlphaFold algoritmusa megfejtette az élettudományok egyik nagy kihívását azzal, hogy megjósolta, hogy az aminosavak újszerű kombinációi milyen fehérjeszerkezeteket fognak alkotni. Két évvel később az OpenAI úgy tűnt, hogy ismét valami egészen mást csinál, amikor egy természetes nyelvű chatbotot indított, amely képes Shakespeare-verseket ad-libbelni.

Mégis ezek a mérföldkövek mind ugyanabból az innovációból erednek: a számítógépes előrejelző modellezés pontosságának drámai javulásából, ahogyan azt Rich Sutton, az AI úttörője egy 2019-es blogbejegyzésben kifejtette. Évtizedeken át a kutatók a nehezen megszerzett emberi tudás kódolásával képeztek ki számítógépeket játékokra és problémamegoldásra. Gyakorlatilag megpróbálták utánozni a gondolkodási képességünket. De ezeket a próbálkozásokat végül egy sokkal kevésbé bonyolult megközelítés felülmúlta. A naiv tanulási algoritmusok következetesen jobbnak bizonyultak, ha elegendő számítási teljesítményt és elegendő adatot kaptak. „A felfedezéseink beépítése” – vonta le a következtetést Sutton – „csak megnehezíti a felfedezés folyamatát”.

Ez a lecke ismerős. A 2015-ös bestseller könyvben, a Superforecasting: The Art and Science of Prediction” című könyvében Philip Tetlock kanadai pszichológus és társszerzője, Dan Gardner kifejtette, hogy ugyanez az agnosztikus módszer az emberek esetében is nyerő. A jósversenyeken a módszeres és nyitott amatőrök rendszeresen jobban teljesítenek. A józan ész plusz a hajlandóság sok adat befogadására hatékonyabb, mint a mély szakterületi tudás és a speciális szakértelem. A mai, legmodernebb mesterséges intelligenciamodellek lényegében automatizálják a szuper-előrejelzők megközelítését – írja a Reuters.

Címlapkép forrása: Shutterstock