Ξεκινήσαμε με την OpenAI πριν από επτά χρόνια γιατί νιώσαμε ότι κάτι πολύ ενδιαφέρον γινόταν με την τεχνητή νοημοσύνη και θέλαμε να την οδηγήσουμε προς μια θετική κατεύθυνση. Ειλικρινά, είναι εκπληκτική η εξέλιξη του τομέα από τότε που ξεκίνησε. Ακούμε με χαρά ωραία πράγματα άτομα όπως ο Ρέιμοντ: [Η μάθηση ήταν δύσκολη για μένα που είμαι δυσλεξικός. Το όνειρό μου ήταν να μάθω κώδικα, και το ChatGPT ήταν σαν φίλος με μεγάλη υπομονή. Μαθαίνω κώδικα, η δυσλεξία μου δεν είναι πια εμπόδιο!] Ακούμε ανθρώπους ενθουσιασμένους, ή ανήσυχους, ή και τα δύο ταυτόχρονα. Ειλικρινά, κι εμείς το ίδιο νιώθουμε. Νιώθουμε ότι εισερχόμαστε σε μια ιστορική εποχή αυτή τη στιγμή όπου ο κόσμος πρόκειται να καθορίσει μια τεχνολογία που θα είναι τόσο σημαντική για το μέλλον της κοινωνίας μας. Πιστεύω ότι μπορούμε να το χειριστούμε για καλό.
We started OpenAI seven years ago because we felt like something really interesting was happening in AI and we wanted to help steer it in a positive direction. It's honestly just really amazing to see how far this whole field has come since then. And it's really gratifying to hear from people like Raymond who are using the technology we are building, and others, for so many wonderful things. We hear from people who are excited, we hear from people who are concerned, we hear from people who feel both those emotions at once. And honestly, that's how we feel. Above all, it feels like we're entering an historic period right now where we as a world are going to define a technology that will be so important for our society going forward. And I believe that we can manage this for good.
Σήμερα, θέλω να σας δείξω την τρέχουσα κατάσταση της τεχνολογίας και ορισμένες από τις αρχές σχεδιασμού της που θεωρούμε πολύτιμες.
So today, I want to show you the current state of that technology and some of the underlying design principles that we hold dear.
Το πρώτο πράγμα που θα σας δείξω είναι ο τρόπος κατασκευής ενός εργαλείου για μια ΤΝ σε σχέση με την κατασκευή του για έναν άνθρωπο. Έχουμε ένα νέο μοντέλο DALL-E που δημιουργεί εικόνες και το δίνουμε ως εφαρμογή για να το χρησιμοποιεί για σας το ChatGPT. Μπορεί κανείς να ζητήσει, να προτείνει ένα καλό γεύμα μετά την ομιλία και να το ζωγραφίσει.
So the first thing I'm going to show you is what it's like to build a tool for an AI rather than building it for a human. So we have a new DALL-E model, which generates images, and we are exposing it as an app for ChatGPT to use on your behalf. And you can do things like ask, you know, suggest a nice post-TED meal and draw a picture of it.
(Γέλια)
(Laughter)
Τώρα καταλαβαίνετε περίπου την ιδέα και τις δημιουργικές αλλαγές και την προσοχή στις λεπτομέρειες που σας δίνει το ChatGPT. Ορίστε, δεν είναι μόνο η ιδέα για το γεύμα, αλλά για ένα μενού με πάρα πολλές λεπτομέρειες. Ορίστε τι θα πάρουμε. Αλλά το ChatGPT δεν δημιουργεί μόνο κείμενο, αλλά και μια εικόνα. Αυτό είναι κάτι που διευρύνει τη δυνατότητά του να κάνει πράγματα για σας εκπληρώνοντας την πρόθεσή σας. Το τονίζω, είναι μια ζωντανή επίδειξη. Όλα αυτά δημιουργούνται από την ΤΝ ενώ μιλάμε. Ούτε κι εγώ δεν ξέρω τι θα δούμε. Φαίνεται υπέροχο.
Now you get all of the, sort of, ideation and creative back-and-forth and taking care of the details for you that you get out of ChatGPT. And here we go, it's not just the idea for the meal, but a very, very detailed spread. So let's see what we're going to get. But ChatGPT doesn't just generate images in this case -- sorry, it doesn't generate text, it also generates an image. And that is something that really expands the power of what it can do on your behalf in terms of carrying out your intent. And I'll point out, this is all a live demo. This is all generated by the AI as we speak. So I actually don't even know what we're going to see. This looks wonderful.
(Χειροκρότημα)
(Applause)
Πεινάω και μόνο που το βλέπω.
I'm getting hungry just looking at it.
Επεκτείναμε το ChatGPT και με άλλα εργαλεία, για παράδειγμα, με μνήμη. Μπορείτε να πείτε «κράτα το για αργότερα». Το ενδιαφέρον με αυτά τα εργαλεία είναι ότι μπορούν να ελεγχθούν. Εμφανίζεται αυτό το κουμπί που γράφει «χρησιμοποιήστε την εφαρμογή DALL-E». Θα το έχουν όλοι οι χρήστες του ChatGPT μέσα στους επόμενους μήνες. Μπορείτε να δείτε επίσης τι ακριβώς κάνει, γράφει δηλαδή μια εντολή, όπως θα έκανε κι ένας άνθρωπος. Έτσι έχετε τη δυνατότητα επίβλεψης, πώς η μηχανή χρησιμοποιεί τα εργαλεία, ώστε να τους δίνουμε ανατροφοδότηση.
Now we've extended ChatGPT with other tools too, for example, memory. You can say "save this for later." And the interesting thing about these tools is they're very inspectable. So you get this little pop up here that says "use the DALL-E app." And by the way, this is coming to you, all ChatGPT users, over upcoming months. And you can look under the hood and see that what it actually did was write a prompt just like a human could. And so you sort of have this ability to inspect how the machine is using these tools, which allows us to provide feedback to them.
Αποθηκεύτηκε για αργότερα, για να σας δείξω πώς χρησιμοποιούμε αυτές τις πληροφορίες. και να προσθέσω και άλλες εφαρμογές. Μπορείτε να πείτε «Κάνε τώρα μια λίστα για ψώνια για εκείνο το νόστιμο πράγμα που πρότεινα προηγουμένως». Κάντε το λίγο πιο πολύπλοκο για την ΤΝ. «Στείλε το με τουίτ σε όλο το κοινό του TED».
Now it's saved for later, and let me show you what it's like to use that information and to integrate with other applications too. You can say, “Now make a shopping list for the tasty thing I was suggesting earlier.” And make it a little tricky for the AI. "And tweet it out for all the TED viewers out there."
(Γέλια)
(Laughter)
Αν λοιπόν φτιάξετε αυτό το υπέροχο γεύμα, θέλω οπωσδήποτε να μάθω τι γεύση έχει.
So if you do make this wonderful, wonderful meal, I definitely want to know how it tastes.
Μπορείτε να δείτε ότι το ChatGPT επιλέγει όλα αυτά τα εργαλεία χωρίς εγώ να του λέω ποιο να χρησιμοποιεί σε κάθε περίσταση. Έτσι προκύπτει ένας νέος τρόπος σκέψης για τη διεπαφή χρήστη. Έχουμε αυτές τις εφαρμογές, κάνουμε κλικ σε αυτές, αντιγραφή/επικόλληση μεταξύ τους, και συνήθως είναι ωραία μέσα σε μια εφαρμογή εφόσον γνωρίζει κανείς τα μενού και όλες τις επιλογές. Ναι, θα ήθελα να το κάνεις. Ναι, παρακαλώ. Η ευγένεια πάνω απ′ όλα.
But you can see that ChatGPT is selecting all these different tools without me having to tell it explicitly which ones to use in any situation. And this, I think, shows a new way of thinking about the user interface. Like, we are so used to thinking of, well, we have these apps, we click between them, we copy/paste between them, and usually it's a great experience within an app as long as you kind of know the menus and know all the options. Yes, I would like you to. Yes, please. Always good to be polite.
(Γέλια)
(Laughter)
Με αυτή την ενιαία γλωσσική διεπαφή και μαζί όλα τα εργαλεία, η ΤΝ μπορεί να σας απαλλάξει από τις λεπτομέρειες. Δεν χρειάζεται να υπαγορεύουμε το παραμικρό από αυτά που πρόκειται να συμβούν.
And by having this unified language interface on top of tools, the AI is able to sort of take away all those details from you. So you don't have to be the one who spells out every single sort of little piece of what's supposed to happen.
Όπως είπα, είναι μια ζωντανή επίδειξη, και καμιά φορά μπορεί να συμβεί κάτι απρόβλεπτο. Ας ρίξουμε μια ματιά στη λίστα για ψώνια, μια που είμαστε εδώ. Στείλαμε μια λίστα με τα συστατικά στην εφαρμογή. Είναι όλα όσα θα χρειαστείτε. Είναι πολύ ενδιαφέρον ότι η παραδοσιακή διεπαφή εξακολουθεί να είναι πολύ χρήσιμη. Αν το δείτε αυτό, μπορείτε να κάνετε κλικ και να αλλάξετε τις ποσότητες. Νομίζω ότι αυτό δείχνει ότι δεν χάνονται οι παραδοσιακές διεπαφές. Απλώς έχουμε έναν νέο, επαυξημένο τρόπο να τις κατασκευάζουμε. Έχουμε ένα τουίτ που γράφτηκε για να το διορθώσουμε, που είναι κι αυτό πολύ σημαντικό. Μπορούμε να πατήσουμε «εκτέλεση» και να κάνουμε έλεγχο, μπορούμε να αλλάξουμε το έργο της ΤΝ, αν το θέλουμε. Μετά από την ομιλία, θα έχετε κι εσείς πρόσβαση. Ορίστε. Ωραίο. Σας ευχαριστώ, όλους.
And as I said, this is a live demo, so sometimes the unexpected will happen to us. But let's take a look at the Instacart shopping list while we're at it. And you can see we sent a list of ingredients to Instacart. Here's everything you need. And the thing that's really interesting is that the traditional UI is still very valuable, right? If you look at this, you still can click through it and sort of modify the actual quantities. And that's something that I think shows that they're not going away, traditional UIs. It's just we have a new, augmented way to build them. And now we have a tweet that's been drafted for our review, which is also a very important thing. We can click “run,” and there we are, we’re the manager, we’re able to inspect, we're able to change the work of the AI if we want to. And so after this talk, you will be able to access this yourself. And there we go. Cool. Thank you, everyone.
(Χειροκρότημα)
(Applause)
Θα αφήσουμε τις διαφάνειες. Το σημαντικό για τον τρόπο κατασκευής, δεν είναι μόνο η κατασκευή των εργαλείων. Είναι να διδάξουμε την ΤΝ πώς να τα χρησιμοποιεί. Τι ακριβώς θέλουμε να κάνει όταν ρωτάμε αυτές τις δύσκολες ερωτήσεις; Για να το κάνουμε αυτό, φαρμόζουμε μια παλιά ιδέα. Αν ανατρέξουμε στο άρθρο του Άλαν Τούρινγκ για το Τεστ Τούρινγκ, λέει: Ποτέ δεν θα προγραμματίσεις μια απάντηση. Αντίθετα, θα τη διδάξεις. Θα φτιάξεις μια μηχανή σαν ένα ανθρώπινο παιδί, και μετά θα το διδάξεις μέσω ανατροφοδότησης. Ένας άνθρωπος-δάσκαλος θα δίνει αμοιβές ή τιμωρίες κάνοντας δοκιμές, είτε καλές είτε κακές.
So we’ll cut back to the slides. Now, the important thing about how we build this, it's not just about building these tools. It's about teaching the AI how to use them. Like, what do we even want it to do when we ask these very high-level questions? And to do this, we use an old idea. If you go back to Alan Turing's 1950 paper on the Turing test, he says, you'll never program an answer to this. Instead, you can learn it. You could build a machine, like a human child, and then teach it through feedback. Have a human teacher who provides rewards and punishments as it tries things out and does things that are either good or bad.
Έτσι ακριβώς εκπαιδεύουμε το ChatGPT. Είναι δύο τα στάδια. Πρώτα δημιουργούμε μια μηχανή-παιδί, όπως θα έλεγε ο Τούρινγκ με μια διαδικασία μάθησης χωρίς επίβλεψη. Του δείχνουμε τα πάντα, όλο το διαδίκτυο, και λέμε: «Πρόβλεψε τι ακολουθεί σε κείμενο που δεν έχεις ξαναδεί». Αυτή η διαδικασία το εμπλουτίζει με εκπληκτικές δεξιότητες. Αν λοιπόν έχεις ένα μαθηματικό πρόβλημα, ο μόνος τρόπος να το ολοκληρώσεις, να πεις τι ακολουθεί, αυτό εκεί το πράσινο εννέα, είναι να λύσεις το μαθηματικό πρόβλημα.
And this is exactly how we train ChatGPT. It's a two-step process. First, we produce what Turing would have called a child machine through an unsupervised learning process. We just show it the whole world, the whole internet and say, “Predict what comes next in text you’ve never seen before.” And this process imbues it with all sorts of wonderful skills. For example, if you're shown a math problem, the only way to actually complete that math problem, to say what comes next, that green nine up there, is to actually solve the math problem.
Αλλά πρέπει σ′ ένα δεύτερο στάδιο, να μάθουμε την ΤΝ τι κάνει με αυτές τις δεξιότητες. Γι′ αυτό παρέχουμε ανατροφοδότηση. Η ΤΝ δοκιμάζει πολλά πράγματα, και κάνει πολλές προτάσεις, ένας άνθρωπος κρίνει ότι κάτι είναι καλύτερο από ένα άλλο. Αυτό ενισχύει όχι μόνο την πρόταση της ΤΝ, αλλά και όλη τη διαδικασία που η ΤΝ χρησιμοποίησε για να δώσει την απάντηση. Αυτό της επιτρέπει να γενικεύει. Της επιτρέπει να μαθαίνει, να μαντεύει την πρόθεσή σου και να την εφαρμόζει σε πρωτόγνωρα δεδομένα για τα οποία δεν έλαβε ανατροφοδότηση.
But we actually have to do a second step, too, which is to teach the AI what to do with those skills. And for this, we provide feedback. We have the AI try out multiple things, give us multiple suggestions, and then a human rates them, says “This one’s better than that one.” And this reinforces not just the specific thing that the AI said, but very importantly, the whole process that the AI used to produce that answer. And this allows it to generalize. It allows it to teach, to sort of infer your intent and apply it in scenarios that it hasn't seen before, that it hasn't received feedback.
Μερικές φορές πρέπει να μάθουμε στην ΤΝ απρόσμενα πράγματα. Όταν πρωτοδείξαμε το GPT-4 στην Ακαδημία Khan, είπαν: «Αυτό είναι καταπλητικό, θα μπορέσουμε να διδάξουμε εκπληκτικά πράγματα. Το πρόβλημα είναι ότι δεν ελέγχει τς ασκήσεις των μαθητών. Αν τα μαθηματικά δεν είναι σωστά, με χαρά θα πει ότι ένα κι ένα κάνουν τρία και θα συνεχίσει με αυτό». Έπρεπε λοιπόν να συγκεντρώσουμε ανατροφοδότηση. Ο Σαλ Καν ήταν πολύ ευγενικός και αφιέρωσε 20 ώρες για να δώσει ανατροφοδότηση στη μηχανή μαζί με την ομάδα μας. Μέσα σε μερικούς μήνες μπορέσαμε να διδάξουμε την ΤΝ: «Θα πρέπει να προωθείς στους ανθρώπους αυτό το συγκεκριμένο σενάριο». Κάναμε πάρα πολλές βελτιώσεις στα μοντέλα με αυτόν τον τρόπο. Όταν κάνετε κλικ στο χεράκι προς τα κάτω, αυτό στέλνει ένα σήμα στην ομάδα μας που λέει: «Εδώ υπάρχει μια αδυναμία για την οποία χρειάζεστε ανατροφοδότηση». Όταν το κάνετε αυτό, ακούμε τους χρήστες και βεβαιωνόμαστε ότι δημιουργούμε κάτι χρήσιμο για τον καθένα.
Now, sometimes the things we have to teach the AI are not what you'd expect. For example, when we first showed GPT-4 to Khan Academy, they said, "Wow, this is so great, We're going to be able to teach students wonderful things. Only one problem, it doesn't double-check students' math. If there's some bad math in there, it will happily pretend that one plus one equals three and run with it." So we had to collect some feedback data. Sal Khan himself was very kind and offered 20 hours of his own time to provide feedback to the machine alongside our team. And over the course of a couple of months we were able to teach the AI that, "Hey, you really should push back on humans in this specific kind of scenario." And we've actually made lots and lots of improvements to the models this way. And when you push that thumbs down in ChatGPT, that actually is kind of like sending up a bat signal to our team to say, “Here’s an area of weakness where you should gather feedback.” And so when you do that, that's one way that we really listen to our users and make sure we're building something that's more useful for everyone.
Είναι δύσκολο να βρεις υψηλού επιπέδου ανατροφοδότηση. Αν ζητήσεις από ένα παιδί να καθαρίσει το δωμάτιό του, αν το μόνο που κάνεις είναι να ελέγχεις το πάτωμα, δεν ξέρεις αν απλώς το διδάσκεις να κρύβει όλα τα παιχνίδια στη ντουλάπα. Αυτή είναι μια ωραία εικόνα που δημιούργησε το DALL-E. Η ίδια λογική εφαρμόζεται και στην ΤΝ. Καθώς προχωράμε σε πιο δύσκολα πράγματα, πρέπει να μπορούμε να παρέχουμε όλο και καλύτερη ανατροφοδότηση. Σε αυτό, η ίδια η ΤΝ έρχεται να βοηθήσει. Μας βοηθά να παρέχουμε ακόμη καλύτερη ανατροφοδότηση και να επιβλέπουμε καλύτερα τη μηχανή όσο περνά ο καιρός. Να σας δείξω τι εννοώ.
Now, providing high-quality feedback is a hard thing. If you think about asking a kid to clean their room, if all you're doing is inspecting the floor, you don't know if you're just teaching them to stuff all the toys in the closet. This is a nice DALL-E-generated image, by the way. And the same sort of reasoning applies to AI. As we move to harder tasks, we will have to scale our ability to provide high-quality feedback. But for this, the AI itself is happy to help. It's happy to help us provide even better feedback and to scale our ability to supervise the machine as time goes on. And let me show you what I mean.
Μπορείτε να ρωτήσετε το GPT-4 μια τέτοια ερώτηση, πόσος καιρός πέρασε μεταξύ δύο σημαντικών σταδίων εκμάθησης χωρίς επίβλεψη και μάθησης από ανθρώπινη ανατροφοδότηση. Το μοντέλο λέει ότι πέρασαν δύο μήνες. Είναι όμως αλήθεια; Αυτά τα μοντέλα δεν είναι 100% αξιόπιστα, ωστόσο γίνονται καλύτερα με κάθε ανατροφοδότηση. Μπορούμε να χρησιμοποιήσουμε την ΤΝ για την επιβεβαίωση. Μπορεί να ελέγξει το ίδιο της το έργο. Μπορείς να πεις «έλεγξε αυτό».
For example, you can ask GPT-4 a question like this, of how much time passed between these two foundational blogs on unsupervised learning and learning from human feedback. And the model says two months passed. But is it true? Like, these models are not 100-percent reliable, although they’re getting better every time we provide some feedback. But we can actually use the AI to fact-check. And it can actually check its own work. You can say, fact-check this for me.
Εδώ έδωσα στην ΤΝ ένα νέο εργαλείο. Είναι ένα εργαλείο αναζήτησης όπου το μοντέλο κάνει αναζητήσεις και κλικ σε ιστοσελίδες. Παράλληλα, καταγράφει όλη την πορεία σκέψης καθώς το κάνει. Λέει: «Θα ψάξω αυτό» και απλώς το ψάχνει. Βρίσκει την ημερομηνία δημοσίευσης και τα αποτελέσματα της αναζήτησης. Μετά ξεκινά μια νέα αναζήτηση. Κάνει κλικ στην ανάρτηση του μπλογκ. Μπορείτε να το κάνετε κι εσείς, αλλά είναι πολύ κουραστικό. Δεν θέλουν οι άνθρωποι να το κάνουν. Είναι πολύ πιο διασκεδαστικό να ηγείσαι, να είσαι μάνατζερ, όπου μπορείς να τριπλοτσεκάρεις τη δουλειά. Εμφανίζονται τα αποτελέσματα και μπορείς πολύ εύκολα να ελέγξεις κάθε στοιχείο της διαδικασίας. Τελικά οι δύο μήνες ήταν λάθος. Δύο μήνες και μία εβδομάδα, αυτό ήταν το σωστό.
Now, in this case, I've actually given the AI a new tool. This one is a browsing tool where the model can issue search queries and click into web pages. And it actually writes out its whole chain of thought as it does it. It says, I’m just going to search for this and it actually does the search. It then it finds the publication date and the search results. It then is issuing another search query. It's going to click into the blog post. And all of this you could do, but it’s a very tedious task. It's not a thing that humans really want to do. It's much more fun to be in the driver's seat, to be in this manager's position where you can, if you want, triple-check the work. And out come citations so you can actually go and very easily verify any piece of this whole chain of reasoning. And it actually turns out two months was wrong. Two months and one week, that was correct.
(Χειροκρότημα)
(Applause)
Ας συνεχίσουμε. Νομίζω ότι το πιο ενδιαφέρον για μένα σε όλη αυτή τη διαδικασία είναι η συνεργασία σε πολλά στάδια μεταξύ ανθρώπου και ΤΝ. Γιατί ένας άνθρωπος, με αυτό το εργαλείο ελέγχου το κάνει για να παράγει δεδομένα ώστε μια άλλη ΤΝ να γίνει πιο χρήσιμη για τον άνθρωπο. Νομίζω ότι αυτό δείχνει ένα μοτίβο που αναμένουμε να γίνει σύνηθες στο μέλλον όταν θα έχουμε ανθρώπους και μηχανές που θα έχουν σχεδιάσει με πολλή προσοχή τη συνεργασία τους για την αντιμετώπιση και τη λύση ενός προβλήματος. Επιβεβαιώνουμε ότι οι άνθρωποι θα έχουν τη διαχείριση, την επίβλεψη, την ανατροφοδότηση και οι μηχανές θα δουλεύουν με τρόπο ελέγξιμο και αξιόπιστο. Μαζί θα μπορέσουμε να δημιουργήσουμε ακόμη πιο αξιόπιστες μηχανές. Με τον καιρό, αν το κάνουμε σωστά, θα μπορέσουμε να λύσουμε ανεπίλυτα προβλήματα.
And we'll cut back to the side. And so thing that's so interesting to me about this whole process is that it’s this many-step collaboration between a human and an AI. Because a human, using this fact-checking tool is doing it in order to produce data for another AI to become more useful to a human. And I think this really shows the shape of something that we should expect to be much more common in the future, where we have humans and machines kind of very carefully and delicately designed in how they fit into a problem and how we want to solve that problem. We make sure that the humans are providing the management, the oversight, the feedback, and the machines are operating in a way that's inspectable and trustworthy. And together we're able to actually create even more trustworthy machines. And I think that over time, if we get this process right,
Για να καταλάβετε πόσο ανεπίλυτα, νομίζω ότι θα μπορούμε να ξανασκεφτούμε κάθε μορφή διάδρασής μας με τους υπολογιστές. Για παράδειγμα, τα φύλλα εργασίας. Υπάρχουν εδώ και περίπου 40 χρόνια με παρόμοια μορφή. Δεν άλλαξαν και πολύ με τον καιρό. Βλέπουμε ένα φύλλο εργασίας με όλα τα άρθρα για την ΤΝ των τελευταίων 30 ετών. Υπάρχουν περίπου 167 χιλιάδες. Μπορείτε να δείτε εδώ τα δεδομένα. Θα σας δείξω όμως πώς το ChatGPT αναλύει αυτά τα δεδομένα.
we will be able to solve impossible problems. And to give you a sense of just how impossible I'm talking, I think we're going to be able to rethink almost every aspect of how we interact with computers. For example, think about spreadsheets. They've been around in some form since, we'll say, 40 years ago with VisiCalc. I don't think they've really changed that much in that time. And here is a specific spreadsheet of all the AI papers on the arXiv for the past 30 years. There's about 167,000 of them. And you can see there the data right here. But let me show you the ChatGPT take on how to analyze a data set like this.
Μπορούμε να δώσουμε στο ChatGPT πρόσβαση σε ένα άλλο εργαλείο, είναι ένας μεταφραστής Python που μπορεί να τρέχει κώδικα όπως ένας ειδικός σε δεδομένα. Μπορείτε απλώς να ανεβάσετε ένα αρχείο και να κάνετε ερωτήσεις γι′ αυτό. Η ΤΝ αναγνωρίζει αμέσως το αρχείο και κάνει το εξής: «Είναι CSV, με δεδομένα που χωρίζονται με κόμμα. Θα τα αναλύσω εγώ για σένα». Η μόνη πληροφορία εδώ είναι το όνομα του αρχείου, τα ονόματα στις στήλες που είδατε και τα ίδια τα δεδομένα. Με αυτά μπορεί να συνάγει τι ακριβώς σημαίνουν αυτές οι στήλες. Αυτές οι πληροφορίες για τη σημασία δεν υπήρχαν. Πρέπει να συνάγει από τις γνώσεις που έχει ότι: «Το arXiv είναι μια ιστοσελίδα όπου υποβάλλονται άρθρα άρα αυτά είναι άρθρα κι αυτοί είναι ακέραιοι αριθμοί άρα είναι ο αριθμός των συγγραφέων σε κάθε άρθρο», αυτό το κάνει ένας άνθρωπος, και η ΤΝ μπορεί ευχαρίστως να βοηθήσει.
So we can give ChatGPT access to yet another tool, this one a Python interpreter, so it’s able to run code, just like a data scientist would. And so you can just literally upload a file and ask questions about it. And very helpfully, you know, it knows the name of the file and it's like, "Oh, this is CSV," comma-separated value file, "I'll parse it for you." The only information here is the name of the file, the column names like you saw and then the actual data. And from that it's able to infer what these columns actually mean. Like, that semantic information wasn't in there. It has to sort of, put together its world knowledge of knowing that, “Oh yeah, arXiv is a site that people submit papers and therefore that's what these things are and that these are integer values and so therefore it's a number of authors in the paper," like all of that, that’s work for a human to do, and the AI is happy to help with it.
Τώρα δεν ξέρω καν τι θέλω να ρωτήσω. Ευτυχώς, μπορείτε να ρωτήσετε τη μηχανή: «Μπορείς να κάνεις μερικά επεξηγηματικά γραφήματα;» Και πάλι, είναι μια υψηλού επιπέδου οδηγία με πολλά νοήματα. Αλλά δεν ξέρω καν τι θέλω. Η ΤΝ πρέπει να υποθέσει τι θα με ενδιέφερε. Δίνει λοιπόν μερικές καλές ιδέες, πιστεύω. Ιστόγραμμα αριθμού συγγραφέων ανά άρθρο, χρονοδιάγραμμα άρθρων ανά έτος, ένα συννεφόλεξο των τίτλων των άρθρων. Νομίζω ότι όλα είναι πολύ ενδιαφέροντα. Το πιο σπουδαίο είναι ότι μπορεί να το κάνει. Ορίστε μια καμπύλη κατανομής. Βλέπετε ότι το σύνηθες είναι το «τρεις». Έπειτα κάνει αυτό το διάγραμμα των άρθρων ανά έτος. Κάτι παράλογο συμβαίνει όμως το 2023. Φαίνεται η ανοδική πορεία ξαφνικά γκρεμίστηκε. Τι θα μπορούσε να συμβαίνει; Όλα αυτά είναι κώδικας Python που μπορείτε να ελέγξετε. Μετά βλέπουμε το συννεφόλεξο. Μπορείτε να δείτε όλα τα υπέροχα πράγματα που εμφανίζονται στους τίτλους.
Now I don't even know what I want to ask. So fortunately, you can ask the machine, "Can you make some exploratory graphs?" And once again, this is a super high-level instruction with lots of intent behind it. But I don't even know what I want. And the AI kind of has to infer what I might be interested in. And so it comes up with some good ideas, I think. So a histogram of the number of authors per paper, time series of papers per year, word cloud of the paper titles. All of that, I think, will be pretty interesting to see. And the great thing is, it can actually do it. Here we go, a nice bell curve. You see that three is kind of the most common. It's going to then make this nice plot of the papers per year. Something crazy is happening in 2023, though. Looks like we were on an exponential and it dropped off the cliff. What could be going on there? By the way, all this is Python code, you can inspect. And then we'll see word cloud. So you can see all these wonderful things that appear in these titles.
Δεν μου αρέσει όμως αυτό το 2023. Αυτό το έτος φαίνεται χάλια. Το πρόβλημα είναι ότι το έτος δεν τελείωσε. Θα το επαναπροωθήσω στη μηχανή. [Περίμενε, δεν είναι δίκαιο! Το 2023 δεν τελείωσε. Τι ποσοστό άρθρων του 2022 δημοσιεύτηκαν ως τις 13 Απριλίου;] Η ημερομηνία διακοπής μάλλον ήταν η 13η Απριλίου. Μπορείς να το χρησιμοποιήσεις για να κάνεις την αντιστοίχιση; Είναι πολύ υψηλή απαίτηση.
But I'm pretty unhappy about this 2023 thing. It makes this year look really bad. Of course, the problem is that the year is not over. So I'm going to push back on the machine. [Waitttt that's not fair!!! 2023 isn't over. What percentage of papers in 2022 were even posted by April 13?] So April 13 was the cut-off date I believe. Can you use that to make a fair projection? So we'll see, this is the kind of ambitious one.
(Γέλια)
(Laughter)
Για άλλη μια φορά, νομίζω ότι ήθελα περισσότερα εδώ από τη μηχανή. Ήθελα να το προσέξει αυτό, αλλά ίσως είναι υπερβολικό να το κατατάξει, να εξάγει αυτόματα αυτό που ήθελα. Δήλωσα όμως την πρόθεσή μου, παρείχα αυτή την πρόσθετη καθοδήγηση. Στο παρασκήνιο, η ΤΝ γράφει ξανά κώδικα, ώστε αν θέλετε να ελέγξετε τι κάνει, αυτό μπορεί να γίνει. Τώρα κάνει τη σωστή προβολή.
So you know, again, I feel like there was more I wanted out of the machine here. I really wanted it to notice this thing, maybe it's a little bit of an overreach for it to have sort of, inferred magically that this is what I wanted. But I inject my intent, I provide this additional piece of, you know, guidance. And under the hood, the AI is just writing code again, so if you want to inspect what it's doing, it's very possible. And now, it does the correct projection.
(Χειροκρότημα)
(Applause)
Προσέξτε, άλλαξε ακόμη και τον τίτλο. Αυτό δεν το ζήτησα, αλλά ξέρει τι θέλω.
If you noticed, it even updates the title. I didn't ask for that, but it know what I want.
Επιστρέφουμε στην παρουσίαση. Παρουσιάζεται μια προσομοίωση, ένα όραμα για το πώς θα γίνουμε χρησιμοποιώντας αυτή την τεχνολογία στο μέλλον. Ένα άτομο έφερε στον κτηνίατρο τον σοβαρά άρρωστο σκύλο του, και ο κτηνίατρος έκανε το λάθος να πει: «Ας περιμένουμε και θα δούμε». Ο σκύλος δεν θα ήταν μαζί μας σήμερα αν άκουγαν τον κτηνίατρο. Εντωμεταξύ, έδωσε τις εξετάσεις αίματος, όλο το ιατρικό ιστορικό, στο GPT-4, το οποίο είπε: «Δεν είμαι κτηνίατρος, πρέπει να απευθυνθείς σε ειδικό, ορίστε ορισμένες υποθέσεις». Πήγε τις πληροφορίες σε άλλον κτηνίατρο ο οποίος τις χρησιμοποίησε κι έσωσε τη ζωή του σκύλου. Αυτά τα συστήματα δεν είναι τέλεια. Δεν μπορούμε να στηριχτούμε υπερβολικά σε αυτά. Αυτή η ιστορία νομίζω όμως ότι δείχνει ότι ένας άνθρωπος κι ένας γιατρός με τη βοήθεια του ChatGPT να δίνει ιδέες μπόρεσαν να επιτύχουν κάτι που δεν θα γινόταν αλλιώς. Νομίζω ότι όλοι πρέπει να το σκεφτούμε, να σκεφτούμε πώς θα ενσωματώσουμε αυτά τα συστήματα στον κόσμο μας.
Now we'll cut back to the slide again. This slide shows a parable of how I think we ... A vision of how we may end up using this technology in the future. A person brought his very sick dog to the vet, and the veterinarian made a bad call to say, “Let’s just wait and see.” And the dog would not be here today had he listened. In the meanwhile, he provided the blood test, like, the full medical records, to GPT-4, which said, "I am not a vet, you need to talk to a professional, here are some hypotheses." He brought that information to a second vet who used it to save the dog's life. Now, these systems, they're not perfect. You cannot overly rely on them. But this story, I think, shows that a human with a medical professional and with ChatGPT as a brainstorming partner was able to achieve an outcome that would not have happened otherwise. I think this is something we should all reflect on, think about as we consider how to integrate these systems
Αυτό που πιστεύω ακράδαντα είναι ότι το να κάνουμε σωστή την ΤΝ χρειάζεται τη συμμετοχή όλων μας. Πρέπει να αποφασίσουμε πώς θέλουμε να παρεμβαίνει, να ορίσουμε τους κανόνες της διαδικασίας, τι μπορεί να κάνει μια ΤΝ και τι όχι. Αν κρατήσουμε κάτι από αυτή την ομιλία, είναι ότι αυτή η τεχνολογία μοιάζει διαφορετική. Απλώς διαφορετική πέρα από κάθε προσδοκία. Όλοι πρέπει να επιμορφωθούμε. Είναι ένας από τους λόγους που κάναμε διαθέσιμο το GhatGPT.
into our world. And one thing I believe really deeply, is that getting AI right is going to require participation from everyone. And that's for deciding how we want it to slot in, that's for setting the rules of the road, for what an AI will and won't do. And if there's one thing to take away from this talk, it's that this technology just looks different. Just different from anything people had anticipated. And so we all have to become literate. And that's, honestly, one of the reasons we released ChatGPT.
Μαζί πιστεύω ότι μπορούμε να πετύχουμε τον στόχο της OpenAI να εξασφαλίσουμε ότι γενικά η ΤΝ θα ωφελήσει όλη την ανθρωπότητα.
Together, I believe that we can achieve the OpenAI mission of ensuring that artificial general intelligence benefits all of humanity.
Ευχαριστώ.
Thank you.
(Χειροκρότημα)
(Applause)
(Τέλος χειροκροτήματος)
(Applause ends)
Κρις Άντερσον: Γκρεγκ. Ουάου. Θέλω να πω... υποψιάζομαι ότι μέσα τους όλοι εδώ νιώθουν ένα δέος. Πιθανόν πολλοί από αυτούς που παρακολουθούν τα βλέπουν αυτά και σκέφτονται: «Πρέπει να ξανασκεφτώ σχεδόν κάθε πράγμα σχετικά με τον τρόπο που δουλεύω». Υπάρχουν ένα σωρό νέες δυνατότητες. Σωστά τα λέω; Ποιοι συμφωνούν ότι πρέπει να σκεφτούμε ξανά πώς πράττουμε; Νομίζω ότι είναι καταπληκτικό, αλλά και πραγματικά τρομακτικό. Ας συζητήσουμε λίγο Γκρεγκ. Γκρεγκ Μπρόκμαν: Βεβαίως.
Chris Anderson: Greg. Wow. I mean ... I suspect that within every mind out here there's a feeling of reeling. Like, I suspect that a very large number of people viewing this, you look at that and you think, “Oh my goodness, pretty much every single thing about the way I work, I need to rethink." Like, there's just new possibilities there. Am I right? Who thinks that they're having to rethink the way that we do things? Yeah, I mean, it's amazing, but it's also really scary. So let's talk, Greg, let's talk.
ΚΑ: Η πρώτη μου ερώτηση είναι απλώς πώς στο διάολο το κάνατε αυτό;
I mean, I guess my first question actually is just
(Γέλια)
how the hell have you done this?
Η OpenAI έχει μερικές εκατοντάδες εργαζόμενους.
(Laughter)
Η Google έχει χιλιάδες εργαζόμενους που δουλεύουν στην ΤΝ. Πώς έγινε και φτιάξατε εσείς αυτή την τεχνολογία που έχει καταπλήξει τον κόσμο;
OpenAI has a few hundred employees. Google has thousands of employees working on artificial intelligence. Why is it you who's come up with this technology that shocked the world?
ΓΜ: Η αλήθεια είναι ότι πατήσαμε στους ώμους γιγάντων, δεν υπάρχει αμφιβολία. Η πρόοδος των υπολογιστών, των αλγορίθμων, των δεδομένων, όλα αυτά είναι κοινά σε όλο τον κλάδο. Νομίζω ότι στην OpenAI κάναμε πολύ προσεκτικές επιλογές από τις πρώτες κιόλας μέρες. Η πρώτη ήταν να βλέπουμε τα πράγματα όπως είναι. Σκεφτήκαμε πάρα πολύ γι′ αυτά: Τι χρειάζεται για να κάνουμε πρόοδο εδώ; Δοκιμάσαμε πολλά που απέτυχαν, αλλά βλέπετε μόνο αυτά που πέτυχαν. Νομίζω ότι το πιο σημαντικό είναι να φτιάξεις ομάδες ανθρώπων πολύ διαφορετικών μεταξύ τους που δουλεύουν μαζί αρμονικά.
Greg Brockman: I mean, the truth is, we're all building on shoulders of giants, right, there's no question. If you look at the compute progress, the algorithmic progress, the data progress, all of those are really industry-wide. But I think within OpenAI, we made a lot of very deliberate choices from the early days. And the first one was just to confront reality as it lays. And that we just thought really hard about like: What is it going to take to make progress here? We tried a lot of things that didn't work, so you only see the things that did. And I think that the most important thing has been to get teams of people
ΚΑ: Μπορούμε να έχουμε λίγο νερό εδώ; Θα το χρειαστούμε, το θέμα σηκώνει πολλή συζήτηση. Δεν είναι όμως και το γεγονός ότι είδατε κάτι σε αυτά τα γλωσσικά μοντέλα που σήμαινε ότι αν συνεχίζατε να επενδύετε σε αυτά, κάτι θα προέκυπτε κάποια στιγμή;
who are very different from each other to work together harmoniously. CA: Can we have the water, by the way, just brought here? I think we're going to need it, it's a dry-mouth topic. But isn't there something also just about the fact that you saw something in these language models that meant that if you continue to invest in them and grow them, that something at some point might emerge?
ΓΜ: Ναι. Πιστεύω ειλικρινά ότι αυτή η ιστορία τα λέει όλα, σωστά; Πάντα θέλαμε να έχουμε ένα υψηλό επίπεδο, να ασχολούμαστε με τα νευρωνικά δίκτυα, και πώς ακριβώς θα το κάναμε; Νομίζω ότι στην αρχή δεν ξέραμε. Δοκιμάσαμε πολλά πράγματα, κι ένα άτομο εργαζόταν στην εκπαίδευση ενός μοντέλου για την πρόβλεψη του επόμενου χαρακτήρα στις κριτικές της Amazon, και είχε ένα αποτέλεσμα, πρόκειται για μια διαδικασία σύνταξης, το μοντέλο προβλέπει πού θα μπουν τα κόμματα, πού τα ρήματα και πού τα ουσιαστικά. Αλλά μας προέκυψε ένα εργαλείο ανάλυσης συναισθημάτων. Το μοντέλο μπορούσε να πει αν μια κριτική ήταν θετική ή αρνητική. Σήμερα θεωρούμε ότι ο καθένας μπορεί να το κάνει. Ήταν όμως η πρώτη φορά που το είδαμε, αυτό το είδος σημασίας που προέκυψε από τη διαδικασία της σύνταξης. Τότε καταλάβαμε ότι έπρεπε να το αναπτύξουμε αυτό, ως πού φτάνει.
GB: Yes. And I think that, I mean, honestly, I think the story there is pretty illustrative, right? I think that high level, deep learning, like we always knew that was what we wanted to be, was a deep learning lab, and exactly how to do it? I think that in the early days, we didn't know. We tried a lot of things, and one person was working on training a model to predict the next character in Amazon reviews, and he got a result where -- this is a syntactic process, you expect, you know, the model will predict where the commas go, where the nouns and verbs are. But he actually got a state-of-the-art sentiment analysis classifier out of it. This model could tell you if a review was positive or negative. I mean, today we are just like, come on, anyone can do that. But this was the first time that you saw this emergence, this sort of semantics that emerged from this underlying syntactic process. And there we knew, you've got to scale this thing,
ΚΑ: Νομίζω ότι αυτό λύνει την απορία όλων,
you've got to see where it goes.
γιατί αυτά τα συστήματα περιγράφονται ως μηχανές πρόβλεψης. Αυτά που βλέπουμε να κάνουν... φαίνεται αδύνατο να προέρχονται από μια μηχανή πρόβλεψης. Αυτό ακριβώς που μας έδειξες μόλις τώρα. Η βασική ιδέα της ανακάλυψης είναι όταν προκύπτει κάτι παραπάνω, ξαφνικά κάτι διαφορετικό. Σε αποικίες μυρμηγκιών, μυρμήγκια τρέχουν μόνα τους, και όταν τα συγκεντρώνεις, βλέπεις αποικίες μυρμηγκιών με εντελώς διαφορετική συμπεριφορά. Ή μια πόλη, όπου μερικά σπίτια είναι απλώς μερικά σπίτια στο ίδιο μέρος. Αλλά όταν μεγαλώνει ο αριθμός των σπιτιών, προκύπτουν πράγματα, όπως προάστια, και πολιτιστικά κέντρα, κίνηση. Πες μου μια στιγμή που είδες να εμφανίζεται ξαφνικά κάτι που σε ξάφνιασε απόλυτα, που δεν το είδες να έρχεται.
CA: So I think this helps explain the riddle that baffles everyone looking at this, because these things are described as prediction machines. And yet, what we're seeing out of them feels ... it just feels impossible that that could come from a prediction machine. Just the stuff you showed us just now. And the key idea of emergence is that when you get more of a thing, suddenly different things emerge. It happens all the time, ant colonies, single ants run around, when you bring enough of them together, you get these ant colonies that show completely emergent, different behavior. Or a city where a few houses together, it's just houses together. But as you grow the number of houses, things emerge, like suburbs and cultural centers and traffic jams. Give me one moment for you when you saw just something pop that just blew your mind that you just did not see coming.
ΓΜ: Στο ChatGPT, αν προσθέσεις 40ψήφιους αριθμούς...
GB: Yeah, well,
ΚΑ: 40ψήφιους;
so you can try this in ChatGPT, if you add 40-digit numbers --
ΓΜ.: 40ψήφιους, το μοντέλο θα το κάνει, που σημαίνει ότι πράγματι έμαθε έναν τρόπο να το κάνει. Είναι πραγματικά ενδιαφέρον, αν του δώσεις να προσθέσει έναν 40ψήφιο αριθμό με έναν 35ψήφιο, πολλές φορές θα κάνει λάθος. Μπορείς να δεις ότι στ′ αλήθεια μαθαίνει τη διαδικασία, αλλά δεν έχει κάνει ακόμη τη γενίκευση. Δεν μπορείς να απομνημονεύσεις τα αθροίσματα των 40ψήφιων, πιο πολλά άτομα υπάρχουν στο σύμπαν. Θα έπρεπε να έχει μάθει κάτι γενικό, αλλά δεν το έχει ακόμη μάθει πλήρως, να γενικεύσει στην πρόσθεση τυχαίων αριθμών με τυχαίο αριθμό ψηφίων.
CA: 40-digit? GB: 40-digit numbers, the model will do it, which means it's really learned an internal circuit for how to do it. And the really interesting thing is actually, if you have it add like a 40-digit number plus a 35-digit number, it'll often get it wrong. And so you can see that it's really learning the process, but it hasn't fully generalized, right? It's like you can't memorize the 40-digit addition table, that's more atoms than there are in the universe. So it had to have learned something general, but that it hasn't really fully yet learned that, Oh, I can sort of generalize this to adding arbitrary numbers of arbitrary lengths.
ΚΑ: Αυτό που συνέβη λοιπόν είναι ότι του επιτρέψατε να αναβαθμίζεται μέσω ενός τεράστιου αριθμού αποσπασμάτων κειμένων και μαθαίνει πράγματα που δεν ξέραμε ότι ήταν ικανό να μάθει.
CA: So what's happened here is that you've allowed it to scale up and look at an incredible number of pieces of text. And it is learning things that you didn't know that it was going to be capable of learning.
ΓΜ: Αντιλαμβάνεται και τις διαφορές. Μια επιστήμη στην οποία αρχίζουμε να εντρυφούμε είναι η πρόβλεψη ορισμένων από αυτές τις ικανότητες. Για να το πετύχουμε αυτό, ένα από τα πράγματα που υποτιμώνται στον τομέα είναι η ποιότητα κατασκευής. Έπρεπε να ανακατασκευάσουμε όλο μας το απόθεμα. Όταν κατασκευάζεις έναν πύραυλο, κάθε συμβιβασμός πρέπει να είναι απειροελάχιστος. Το ίδιο ισχύει για τη μηχανική μάθηση. Πρέπει κάθε κομματάκι να κατασκευάζεται όπως πρέπει, και τότε μπορεί κανείς να αρχίσει τις προβλέψεις. Υπάρχουν αυτές οι απίστευτα αδιόρατες αναβαθμίσεις, κάτι βαθιά θεμελιώδες για την ευφυΐα. Αν δεις το μπλογκ μας για το GPT-4 μπορείς να δεις εκεί όλες αυτές τις αναβαθμίσεις. Τώρα μπορούμε πια να κάνουμε προβλέψεις. Μπορούμε να προβλέψουμε την επίδοση σε προβλήματα κώδικα. Βασικά συγκρίνουμε με μοντέλα που είναι 10.000 ή 1.000 φορές μικρότερα. Αυτό είναι πράγματι μια αδιόρατη κλιμάκωση, παρόλο που ακόμη είμαστε σε πρώιμο στάδιο.
GB Well, yeah, and it’s more nuanced, too. So one science that we’re starting to really get good at is predicting some of these emergent capabilities. And to do that actually, one of the things I think is very undersung in this field is sort of engineering quality. Like, we had to rebuild our entire stack. When you think about building a rocket, every tolerance has to be incredibly tiny. Same is true in machine learning. You have to get every single piece of the stack engineered properly, and then you can start doing these predictions. There are all these incredibly smooth scaling curves. They tell you something deeply fundamental about intelligence. If you look at our GPT-4 blog post, you can see all of these curves in there. And now we're starting to be able to predict. So we were able to predict, for example, the performance on coding problems. We basically look at some models that are 10,000 times or 1,000 times smaller. And so there's something about this that is actually smooth scaling, even though it's still early days.
ΚΑ: Να λοιπόν ένας μεγάλος φόβος που πηγάζει από αυτό. Αν είναι θεμελιώδες αυτό που συμβαίνει εδώ, σε μια κλιμάκωση, προκύπτουν πράγματα που μπορούν να προβλεφθούν με έναν βαθμό βεβαιότητας, αλλά μπορεί να αποτελούν και έκπληξη. Δεν υπάρχει τεράστιος κίνδυνος να προκύψει κάτι τρομακτικό;
CA: So here is, one of the big fears then, that arises from this. If it’s fundamental to what’s happening here, that as you scale up, things emerge that you can maybe predict in some level of confidence, but it's capable of surprising you. Why isn't there just a huge risk of something truly terrible emerging?
ΓΜ: Νομίζω ότι όλα είναι ζήτημα βαθμού, κλίμακας και χρόνου. Οι άνθρωποι παραβλέπουν ότι η ενσωμάτωση με τον κόσμο είναι επίσης πολύ ισχυρή. Είναι ένας από τους λόγους που νομίζουμε ότι είναι σημαντικό να εξελιχθεί σταδιακά. Αυτό που βλέπουμε τώρα, σε αυτή την ομιλία, είναι ότι εστιάζουμε στην παροχή υψηλής ποιότητας ανατροφοδότησης. Σήμερα, τις εργασίες που κάνουμε, μπορούμε να τις επιβλέψουμε. Είναι εύκολο να δεις το μαθηματικό πρόβλημα και να πεις, όχι ρε μηχανή, το επτά είναι η σωστή απάντηση. Αλλά η σύνοψη ενός βιβλίου είναι δύσκολη στην επίβλεψη. Πώς ξέρεις αν πρόκειται για μια καλή σύνοψη; Πρέπει να διαβάσεις όλο το βίβλιο. Κανείς δεν το θέλει.
GB: Well, I think all of these are questions of degree and scale and timing. And I think one thing people miss, too, is sort of the integration with the world is also this incredibly emergent, sort of, very powerful thing too. And so that's one of the reasons that we think it's so important to deploy incrementally. And so I think that what we kind of see right now, if you look at this talk, a lot of what I focus on is providing really high-quality feedback. Today, the tasks that we do, you can inspect them, right? It's very easy to look at that math problem and be like, no, no, no, machine, seven was the correct answer. But even summarizing a book, like, that's a hard thing to supervise. Like, how do you know if this book summary is any good?
(Γέλια) Νομίζω ότι το σημαντικό είναι να πάμε βήμα-βήμα. Καθώς προχωράμε στη σύνοψη βιβλίων, πρέπει να επιβλέψουμε σωστά τη διαδικασία. Πρέπει να φτιάξουμε ένα αρχείο με αυτές τις μηχανές ώστε να καταλαβαίνουν την πρόθεσή μας. Νομίζω ότι θα πρέπει να παράγουμε ακόμη πιο αποτελεσματικούς, πιο αξιόπιστους τρόπους αναβάθμισης, περίπου σαν να ευθυγραμμιζόμαστε με τη μηχανή.
You have to read the whole book. No one wants to do that. (Laughter) And so I think that the important thing will be that we take this step by step. And that we say, OK, as we move on to book summaries, we have to supervise this task properly. We have to build up a track record with these machines that they're able to actually carry out our intent. And I think we're going to have to produce even better, more efficient, more reliable ways of scaling this, sort of like making the machine be aligned with you.
ΚΑ: Θα ακούσουμε αργότερα σε αυτή τη συνεδρία, υπάρχουν σκεπτικιστές που λένε ότι δεν υπάρχει μέσα τους αληθινή κατανόηση, ποτέ δεν θα ξέρουμε ότι δεν παράγει λάθη, ότι δεν έχει κοινή λογική και ούτω καθεξής. Πιστεύεις, Γκρεγκ, ότι είναι αλήθεια αυτό, αλλά ότι η επέκταση της αναβάθμισης και η ανθρώπινη ανατροφοδότηση για την οποία μίλησες θα πάρει αυτή την πορεία και θα καταλήξει σε πράγματα όπως η αλήθεια και η σοφία, με υψηλό βαθμό βεβαιότητας; Μπορείς να είσαι σίγουρος;
CA: So we're going to hear later in this session, there are critics who say that, you know, there's no real understanding inside, the system is going to always -- we're never going to know that it's not generating errors, that it doesn't have common sense and so forth. Is it your belief, Greg, that it is true at any one moment, but that the expansion of the scale and the human feedback that you talked about is basically going to take it on that journey of actually getting to things like truth and wisdom and so forth, with a high degree of confidence. Can you be sure of that?
ΓΜ: Νομίζω ότι η OpenAI, εν ολίγοις, ναι μπορεί. Πιστεύω ότι προς τα εκεί πάμε. Πιστεύω ότι η προσέγγιση της OpenAI πάντα ήταν έτσι, άσε την πραγματικότητα να πέσει πάνω σου. Αυτό το πεδίο είναι γεμάτο αθετημένες υποσχέσεις, όλων των ειδικών που λένε ότι θα συμβεί το τάδε κτλ. Έλεγαν ότι τα νευρωνικά δίκτυα δεν θα λειτουργούσαν ούτε σε 70 χρόνια. Δεν ξέρουμε ακόμη. Μπορεί να επιβεβαιωθούν 70 χρόνια και ένα αργότερα ή κάτι τέτοιο. Η προσέγγισή μας όμως ήταν πάντα να ξεπερνάμε τα όρια αυτής της τεχνολογίας, να τη δοκιμάζουμε στην πράξη, γιατί τότε μπορούμε να καταλάβουμε πώς θα συνεχίσουμε σε κάτι άλλο. Δεν έχουμε εξαντλήσει ακόμη τα δεδομένα.
GB: Yeah, well, I think that the OpenAI, I mean, the short answer is yes, I believe that is where we're headed. And I think that the OpenAI approach here has always been just like, let reality hit you in the face, right? It's like this field is the field of broken promises, of all these experts saying X is going to happen, Y is how it works. People have been saying neural nets aren't going to work for 70 years. They haven't been right yet. They might be right maybe 70 years plus one or something like that is what you need. But I think that our approach has always been, you've got to push to the limits of this technology to really see it in action, because that tells you then, oh, here's how we can move on to a new paradigm.
ΚΑ: Έχεις μια αμφιλεγόμενη άποψη, ότι ο σωστός τρόπος είναι να το ανοίξεις στο κοινό και μετά να το αξιοποίησεις αντί να αφήσεις την ομάδα σου να δίνει ανατροφοδότηση, ο κόσμος δίνει τώρα ανατροφοδότηση. Αλλά... αν τυχόν προκύψουν άσχημα πράγματα, θα είναι εκεί έξω. Η αρχική ιστορία που άκουσα στην OpenAI όταν ιδρύθηκε ως μη κερδοσκοπική εταιρεία, ήταν ότι κάνατε έναν έλεγχο στις μεγάλες εταιρείες που έκαναν άγνωστα, ίσως άσχημα πράματα με την ΤΝ. Άκουσα ότι θα φτιάχνατε μοντέλα που θα τις καθιστούσαν υπεύθυνες και θα μπορούσαν να επιβραδύνουν την έρευνα, αν χρειαζόταν. Αυτό τουλάχιστον είχα ακούσει. Αυτό που συνέβη, ήταν ακριβώς το αντίθετο. Η απελευθέρωση του GPT, και ιδιαίτερα του ChatGPT, προκάλεσε σοκ στον κόσμο της τεχνολογίας ώστε τώρα η Google και η Meta και άλλοι προσπαθούν να προλάβουν το κύμα. Επικρίνοντας λένε ότι τις αναγκάζεις να τα δημοσιοποιήσουν χωρίς τα απαραίτητα μέτρα προστασίας. Πώς θα είστε σίγουροι ότι αυτό που κάνετε είναι υπεύθυνο και όχι ανεύθυνο.
And we just haven't exhausted the fruit here. CA: I mean, it's quite a controversial stance you've taken, that the right way to do this is to put it out there in public and then harness all this, you know, instead of just your team giving feedback, the world is now giving feedback. But ... If, you know, bad things are going to emerge, it is out there. So, you know, the original story that I heard on OpenAI when you were founded as a nonprofit, well you were there as the great sort of check on the big companies doing their unknown, possibly evil thing with AI. And you were going to build models that sort of, you know, somehow held them accountable and was capable of slowing the field down, if need be. Or at least that's kind of what I heard. And yet, what's happened, arguably, is the opposite. That your release of GPT, especially ChatGPT, sent such shockwaves through the tech world that now Google and Meta and so forth are all scrambling to catch up. And some of their criticisms have been, you are forcing us to put this out here without proper guardrails or we die. You know, how do you, like, make the case that what you have done is responsible here and not reckless.
ΓΜ: Τα σκεφτόμαστε αυτά όλη την ώρα. Πραγματικά όλη την ώρα. Μπορεί να μην τα κάνουμε όλα σωστά. Ένα πράγμα νομίζω ότι είναι απίστευτα σημαντικό, από πολύ νωρίς, όταν σκεφτόμασταν πώς να φτιάξουμε γενικά την ΤΝ, πώς να ωφελήσει όλη την ανθρωπότητα, πώς να το κάνει κανείς αυτό αλήθεια; Από προεπιλογή, φτιάχνεις κάτι στα κρυφά, και προκύπτει αυτό το πανίσχυρο πράγμα, σχεδιάζεις την ασφάλειά του και πατάς το κουμπί, κι ελπίζεις να το πέτυχες. Δεν ξέρω πώς να εκτελέσω αυτό το σχέδιο. Μπορεί να ξέρει κάποιος άλλος. Για μένα ήταν πάντα τρομακτικό, δεν ένιωθα καλά. Νομίζω ότι αυτή η εναλλακτική προσέγγιση είναι ο μόνος δρόμος που βλέπω, να αφήνεις να σε βρει η πραγματικότητα. Δίνουμε στον κόσμο τον χρόνο να δώσει ανατροφοδότηση. Πριν ακόμη τελειοποιηθούν αυτές οι μηχανές, πριν να γίνουν πανίσχυρες, έχετε τη δυνατότητα να τις δείτε στην πράξη. Το είδαμε από το GPT-3, σωστά; Στο GPT-3 πραγματικά φοβόμασταν τα πράγματα που θα έκαναν οι άνθρωποι, ότι θα δημιουργούσαν παραπληροφόρηση, θα χειραγωγούσαν τις εκλογές. Ωστόσο, το πρώτο πράγμα που έκαναν ήταν σπαμ για Viagra.
GB: Yeah, we think about these questions all the time. Like, seriously all the time. And I don't think we're always going to get it right. But one thing I think has been incredibly important, from the very beginning, when we were thinking about how to build artificial general intelligence, actually have it benefit all of humanity, like, how are you supposed to do that, right? And that default plan of being, well, you build in secret, you get this super powerful thing, and then you figure out the safety of it and then you push “go,” and you hope you got it right. I don't know how to execute that plan. Maybe someone else does. But for me, that was always terrifying, it didn't feel right. And so I think that this alternative approach is the only other path that I see, which is that you do let reality hit you in the face. And I think you do give people time to give input. You do have, before these machines are perfect, before they are super powerful, that you actually have the ability to see them in action. And we've seen it from GPT-3, right? GPT-3, we really were afraid that the number one thing people were going to do with it was generate misinformation, try to tip elections. Instead, the number one thing was generating Viagra spam.
(Γέλια)
(Laughter)
ΚΑ: Κακό το σπαμ για Viagra, αλλά υπάρχουν και χειρότερα. Να ένα υποθετικό σενάριο. Ας πούμε ότι κάθεσαι σε ένα δωμάτιο, υπάρχει ένα κουτί στο τραπέζι. Πιστεύεις ότι στο κουτί είναι πολύ πιθανό να υπάρχει κάτι απίστευτα υπέροχο που θα δώσει υπέροχα δώρα στην οικογένειά σου και σε όλους. Αλλά έχει και κάτι μικρά γραμματάκια εκεί που λένε «Πανδώρα». Υπάρχει μια πιθανότητα να εξαπολυθούν ανείπωτα κακά στον κόσμο. Θα ανοίξεις το κουτί;
CA: So Viagra spam is bad, but there are things that are much worse. Here's a thought experiment for you. Suppose you're sitting in a room, there's a box on the table. You believe that in that box is something that, there's a very strong chance it's something absolutely glorious that's going to give beautiful gifts to your family and to everyone. But there's actually also a one percent thing in the small print there that says: “Pandora.” And there's a chance that this actually could unleash unimaginable evils on the world. Do you open that box?
ΓΜ: Όχι βέβαια. Δεν νομίζω ότι αυτό κάνουμε. Ειλικρινά, θα σου πω μια ιστορία που δεν έχω ξαναπεί σε κανέναν. Λίγο αφότου ξεκινήσαμε την OpenAI, θυμάμαι ήμουν στο Πουέρτο Ρίκο σε ένα συνέδριο ΤΝ. Ήμουν στο δωμάτιο του ξενοδοχείου κι έβλεπα αυτά τα υπέροχα νερά, τους ανθρώπους να διασκεδάζουν. Αν το σκεφτείς λίγο, θα μπορούσες να επιλέξεις αυτό το κουτί της Πανδώρας να ανοίξει πέντε χρόνια μετά ή 500 χρόνια μετά, τι θα διάλεγες; Από τη μια μεριά, ίσως για σένα προσωπικά, θα ήταν καλύτερα πέντε χρόνια μετά. Αλλά αν γίνει 500 χρόνια μετά και έχουμε τον χρόνο να το κάνουμε σωστά, ποιο θα επιλέξεις; Εκείνη τη στιγμή σκέφτηκα φυσικά και θα επιλέξουμε τα 500 χρόνια. Ο αδερφός μου ήταν στον στρατό τότε βάζοντας τη ζωή του σε κίνδυνο με πολύ πιο απτό τρόπο απ′ ό,τι όλοι εμείς που γράφουμε σε υπολογιστές και αναπτύσσουμε αυτή την τεχνολογία. Πιστεύω στ′ αλήθεια ότι πρέπει να το κάνουμε σωστά. Αλλά δεν νομίζω ότι έτσι ακριβώς παίζεται το παιχνίδι. Αν δει κανείς όλη την ιστορία της πληροφορικής, το εννοώ όταν λέω ότι πρόκειται για όλο τον κλάδο, ή ακόμη για μια αλλαγή στην εξέλιξη του ανθρώπου και της τεχνολογίας. Όσο δεν βάζουμε τα κομμάτια στη θέση τους, φτιάχνουμε ταχύτερους υπολογιστές, διορθώνουμε τους αλγόριθμους, όλα αυτά συμβαίνουν. Αν δεν τα συνενώσεις, θα δημιουργήσεις μια ανωμαλία, που σημαίνει ότι αν κάποιος το κάνει, ή τη στιγμή που κάποιος καταφέρει να ενώσει τα κομμάτια, τότε έχουμε αίφνης αυτό το πανίσχυρο πράγμα, χωρίς χρόνο προσαρμογής, ποιος ξέρει αν είναι ασφαλές. Ένα πράγμα μένει στο μυαλό μου, αν σκεφτείς τον προγραμματισμό ή άλλες τεχνολογίες, αν σκεφτείς τα πυρηνικά όπλα, όλοι μιλούν για μια κοσμογονική αλλαγή σε αυτά που μπορούν να κάνουν οι άνθρωποι. Αν δούμε όμως τις δυνατότητες, εμφανίστηκαν σταδιακά μέσα στον χρόνο. Η ιστορία κάθε τεχνολογίας που αναπτύξαμε δείχνει ότι πρέπει όλα να γίνονται σταδιακά και πρέπει να βρούμε τρόπους διαχείρισης κάθε φορά που κάνουμε ένα βήμα μπροστά.
GB: Well, so, absolutely not. I think you don't do it that way. And honestly, like, I'll tell you a story that I haven't actually told before, which is that shortly after we started OpenAI, I remember I was in Puerto Rico for an AI conference. I'm sitting in the hotel room just looking out over this wonderful water, all these people having a good time. And you think about it for a moment, if you could choose for basically that Pandora’s box to be five years away or 500 years away, which would you pick, right? On the one hand you're like, well, maybe for you personally, it's better to have it be five years away. But if it gets to be 500 years away and people get more time to get it right, which do you pick? And you know, I just really felt it in the moment. I was like, of course you do the 500 years. My brother was in the military at the time and like, he puts his life on the line in a much more real way than any of us typing things in computers and developing this technology at the time. And so, yeah, I'm really sold on the you've got to approach this right. But I don't think that's quite playing the field as it truly lies. Like, if you look at the whole history of computing, I really mean it when I say that this is an industry-wide or even just almost like a human-development- of-technology-wide shift. And the more that you sort of, don't put together the pieces that are there, right, we're still making faster computers, we're still improving the algorithms, all of these things, they are happening. And if you don't put them together, you get an overhang, which means that if someone does, or the moment that someone does manage to connect to the circuit, then you suddenly have this very powerful thing, no one's had any time to adjust, who knows what kind of safety precautions you get. And so I think that one thing I take away is like, even you think about development of other sort of technologies, think about nuclear weapons, people talk about being like a zero to one, sort of, change in what humans could do. But I actually think that if you look at capability, it's been quite smooth over time. And so the history, I think, of every technology we've developed has been, you've got to do it incrementally and you've got to figure out how to manage it for each moment that you're increasing it.
ΚΑ: Αυτό που καταλαβαίνω είναι ότι το μοντέλο που μας δίνεις είναι σαν να γεννήσαμε αυτό το χαρισματικό παιδί που μπορεί να έχει υπερδυνάμεις που μπορούν να ανεβάσουν την ανθρωπότητα σε άλλο επίπεδο. Είναι ευθύνη όλων μας να θέσουμε τα όρια γι′ αυτό το παιδί, όλοι μαζί να το διδάξουμε να ενεργεί σοφά και να μη μας καταστρέψει όλους. Αυτό είναι ουσιαστικά το μοντέλο;
CA: So what I'm hearing is that you ... the model you want us to have is that we have birthed this extraordinary child that may have superpowers that take humanity to a whole new place. It is our collective responsibility to provide the guardrails for this child to collectively teach it to be wise and not to tear us all down. Is that basically the model?
Γκ.Μπ.: Έτσι είναι. Είναι σημαντικό ότι μπορεί να υπάρξουν αλλαγές πορείας. Προχωράμε βήμα-βήμα, ανάλογα με το τι συναντάμε. Είναι απίστευτα σημαντικό σήμερα να μάθουμε καλά αυτή την τεχνολογία να δούμε πώς θα δώσουμε ανατροφοδότηση, να αποφασίσουμε τι θα κάνουμε. Ελπίζω ότι αυτή θα συνεχίσει να είναι η καλύτερη πορεία, Είναι τόσο καλό που κάνουμε αυτή τη συζήτηση γιατί δεν θα μπορούσαμε αν δεν ήταν ήδη ανοιχτά διαθέσιμο.
GB: I think it's true. And I think it's also important to say this may shift, right? We've got to take each step as we encounter it. And I think it's incredibly important today that we all do get literate in this technology, figure out how to provide the feedback, decide what we want from it. And my hope is that that will continue to be the best path, but it's so good we're honestly having this debate because we wouldn't otherwise if it weren't out there.
Κ.Α.: Γκρεγκ Μπρόκμαν, σ′ ευχαριστώ πολύ, που ήρθες στο TED και μας κατέπληξες!
CA: Greg Brockman, thank you so much for coming to TED and blowing our minds.
(Χειροκρότημα)
(Applause)