A szűkös adatok lassíthatják, de nem állítják meg az AI-robbanást
Az adatforrások szűkössége lassíthatja a mesterséges intelligencia gyors fejlődését, de önmagában nem akadályozza meg egy szoftveres intelligenciarobbanás kibontakozását. Tom Davidson, a Forethought elemzésének szerzője szerint az AI később a gazdaság legtöbb munkáját is gyorsan automatizálhatja.
- Az adatkorlát három formája a mennyiség, a minőség és a lefedettség hiánya.
- A szoftveres intelligenciarobbanás fő motorja a hatékonyabb tanulás, nem az adatmennyiség folyamatos növelése.
- Az emberi szint feletti adatminőség előállítása lassíthatja az AI fejlődését.
- Az új AI-módszerekhez nem áll rendelkezésre kész emberi szakirodalom.
- A Forethought szerint az adatkorlátok nem állítják meg a későbbi automatizációt.
Háromféle adatkorlát lassíthatja az AI fejlődését
A Forethought 2026. szeptember 8-án közzétett elemzése azt vizsgálja, hogy az adatok hiánya megakadályozhatja-e az AI gyors intelligencia-növekedését. Tom Davidson szerint az adat az AI-képzés egyik kulcsfontosságú bemenete, ezért jogos kérdés, hogyan növekedhetne elég gyorsan egy olyan rendszer, amely rövid idő alatt képes jelentősen javítani a képességeit.
Az elemzés három adatproblémát különít el. Az adatmennyiségi korlát azt jelenti, hogy több, az eddigiekhez hasonló eloszlásból származó adatra van szükség, például további Wikipédiás tartalomra vagy azonos nehézségű megerősítéses tanulási környezetekre. Az adatminőségi korlát magasabb színvonalú, ugyanazokat a készségeket bemutató adatok hiányát jelenti. Ide tartozhatnak a nehéz matematikai feladatok szakértők által összeállított, lépésenkénti megoldásai.
A harmadik típus az adatlefedettség. Ilyenkor olyan tudás vagy készség hiányzik, amely egyáltalán nincs jelen a meglévő adathalmazban. Például adatokra lehet szükség arról, hogyan működtetnek gépeket egy gyárban, vagy hogyan készül lépésről lépésre egy pénzügyi modell Excelben.
A szoftveres intelligenciarobbanás nem az adatmennyiség növelésére épül
Davidson három szakaszt vázol fel az AI fejlődésére. Először folytatódhat a közelmúlt skálázásvezérelt fejlődése, amíg az AI el nem éri az emberi szintet az AI-kutatásban. Ezt követheti egy adatközponton belüli szoftveres intelligenciarobbanás, amelyben az AI AI-kutatási képességei gyorsan növekednek. A harmadik szakasz a széles körű bevezetés, amikor az AI a gazdaság több ezer konkrét területén, szakterületi adatokból tanulva válik szakértővé.
A szerző szerint a szoftveres intelligenciarobbanás alapvető motorja nem az egyre több adat, hanem az, hogy ugyanazokat a képességeket kevesebb számítási kapacitással és kevesebb adattal lehessen elérni. Ezért az adat mennyisége önmagában nem állítja le a fejlődést.
A mai algoritmusok valóban sok adatot igényelnek, ezért a teljes gazdaság automatizálásához jelenlegi módszerekkel hatalmas mennyiségű munkafolyamatot kellene összegyűjteni. Az elemzés által vizsgált forgatókönyv szerint azonban egy adatközponton belül szuperintelligenssé váló AI olyan tanulási algoritmust fejleszthet, amely jóval hatékonyabban tanul mintákból. Ebben az esetben feladatonként nem feltétlenül milliónyi példára lenne szükség, hanem annyi vagy kevesebb adatra, mint amennyiből egy ember tanul.
Az emberi szint feletti adatok előállítása valódi akadály
A legkomolyabb korlátot az adatminőség javítása jelentheti. Ma jó minőségű internetes adatokat egészítenek ki, szakértőktől vásárolnak munkafolyamatokat, és olyan megerősítéses tanulási környezeteket építenek, amelyekben az AI ember által készített szoftvereket utánoz. Ezek a módszerek egy meglévő emberi tudás- és teljesítménytartalékból merítenek.
Az emberi szint fölött azonban ez a tartalék kiürül. Az AI-nak a korábbinál jobb adatokat kell előállítania, méghozzá az emberi példákra támaszkodás nélkül. Davidson szerint ez lassítani fogja az intelligenciarobbanást, de nem állítja meg. A megerősítéses tanulás már most is képes az emberinél magasabb minőségű adat létrehozására, az AI pedig hosszabb gondolkodással jobb minőségű munkafolyamatokat is előállíthat.
Az elemzés érvelése szerint a korlát minden fejlődési szakaszban hasonló hátrányt jelent. Egy-egy lépés így például 50 százalékkal hosszabb lehet a korábban vártnál, de a későbbi lépések továbbra is gyorsulhatnak.
Az új módszerekhez nincs kész tankönyv
Davidson egy másik akadályt paradigmabeli költségnek nevez. Az AI kezdetben úgy érheti el az emberi szintet az AI-kutatásban, hogy a meglévő emberi szakirodalomra, például a Transformerről szóló írásokra támaszkodik. Az általa felfedezett új módszerekről azonban még nem lesznek tankönyvek, blogbejegyzések vagy kódpéldák.
Az új technikák mély megértése nehezebb lehet, mint azok első felfedezése. Az AI ezt a hiányt több millió, új módszereket bemutató munkafolyamat előállításával mérsékelheti, de ez időbe és erőforrásba kerül. A Forethought következtetése szerint az adatkorlátok lassítják a szoftveres intelligenciarobbanás korai szakaszait, de nem akadályozzák meg, hogy a fejlődés idővel gyorsuljon, majd az AI a gazdasági munka jelentős részét gyorsan automatizálja.
Forethought: Data bottlenecks won’t prevent an intelligence explosion (but they will slow it down)
