Zemetrasenie vo svete AI: na svete je prvý model schopný všeobecnej umelej inteligencie

Nech už je to GENESIS platforma pre univerzálnych operátorov k funkcii, funkčnosti, fyzickému a programovému, fungovaniu operačných realít inteligencie – alebo univerzálne rozhranie STREAM pre dynamické stvárnenie výpočtovej adaptácie meraných skúseností a zážitkov užívateľov vzhľadom na potreby cieľov a úloh — potrebujete zaiste aspoň dve základné systémové úrovne, ktoré spomína na svojich stránkach projekt Integral AI. (1) Autonómne učenie sa zručností: Model sa musí samostatne učiť nové zručnosti v nových oblastiach bez toho, aby sa spoliehal na už existujúce súbory údajov alebo ľudský zásah. (2) UNIVERSAL SIMULATORS, ktoré nefungujú ako súčasné systémy umelej inteligencie, spôsobom ako sú čierne skrinky, mapujúce vstupy na výstupy bez explicitných a štruktúrovaných abstrakcií alebo koherentného pochopenia základného sveta – naopak, univerzálne simulátory sú navrhnuté tak, aby vytvárali explicitné, hierarchické abstrakcie, ktoré odrážajú paradigmu pre ľudský neokortex.

Teraz, v predchádzajúcom zrozumiteľne a jednoducho opísané prostredie Integral AI (viď web článok Nextech, Businesswire, AGI | Integral AI), nám takto venuje čas ku krátkej úvahe. IBM CEO Arvind Krishna vyhlásil, že investície do AI dátových centier v rozsahu 100 GW by stáli približne 8 biliónov USD, čo je nereálne kvôli obrovským nákladom na úroky (okolo 800 miliárd USD ročne) a rýchlej depreciácii (zastarávaniu) hardvéru, ktorý treba obmieňať každých 5 rokov. Podľa neho je pravdepodobnosť dosiahnutia AGI s aktuálnymi technológiami (ako LLM) len 0-1% v nasledujúcich rokoch, čo činí tieto projekty nerentabilnými. Toto vyjadrenie zaznelo v podcaste The Verge "Decoder" okolo konca novembra 2025.

Vďaka "oddychovke" sme sa dozvedeli obzvlášť zaujímavú informáciu ...pravdepodobnosť, že súčasné architektúry zamerané na LLM dosiahnu interoperabilnú AGI je na úrovni medzi nulou a 1 % bez nových foriem integrácie vedomostí... Nové formy integrácie vedomostí má na starosti aj projekt Integral AI, ktorý nám síce nezobrazil priamo svoju vlastnú projektovú dokumentáciu k vlastnej architektúre "Integral AGI-CAPABLE MODEL", avšak nepriamo nám zobrazil na svojom informačnom portáli štrukturálne zábery prvkov scénografie z "uvažovania o architektúre", no nazvime ju "GENESIS STREAM of UNIVERSAL SIMULATORS". Neviem kto a ako uvažuje, ale analýzou reverzného inžinierstva "nespočetne mnohých", napríklad, DARPA (Defense Advanced Research Projects Agency) projektov sa dá výsledok spätného trasovania medzi architektúrou a scénografiou realitných okruhov a obvodov algoritmickej inteligencie, celkom krásne elegantne užívateľsky systematizovať do akéhosi "generatívneho prúdenia všestranne použiteľných operačných realít" (ukazovateľ... "Pointing at/to the GENESIS STREAM of UNIVERSAL SIMULATORS"). Aspoň teda mne to vyšlo hneď na začiatku deväťdesiatych rokov, keď som stál pri zrode prvého funkčného generatívneho programového systému programovateľných neurónových sietí formou "distributed computing" v škálovateľnosti až na stotisíc Intel procesorov (vyvinutého na Slovensku). Bol som akurát v univerzitnej knižnici, keď z americkej ambasády volali môjmu kolegovi, aby mi pripomenul, že už "vynašli aj búdkový telefón", takže by som konečne mohol "hodiť echo", kde som vzal "interné informácie" o projekte "NeuroWindows". Dodnes verím tomu, že "android v teréne" nepotrebuje "domov neustále telefonovať", hlavný je prísun učebných materiálov k prieskumu (ktoré mi poctivo posielali z rôznych končín sveta, to treba uznať). Keď som sa konečne skontaktoval, a pýtal "skromnú päťku" na perspektívny projekt, tak sa so mnou nasledovné dva mesiace nikto z trucu nebavil, pretože údajne nie som jediný na svete, ktorý "volá domov, že potrebuje päť miliard". Pritom ja som mal na mysli len skromnú jednu desatinu – z čoho vyplýva, že najlepšie je zrejme "podľa domácich" nechať "androida v teréne vo výcvikovom režime kurzu prežitia" ("pre zefektívnenie prepočtov ASI").

Ich prístup "Pointing at/to the GENESIS STREAM of UNIVERSAL SIMULATORS", ktorý sa nespolieha len na zjednodušenú výpočtovú silu pre synaptické dáta, ale na simuláciu kognitívnych procesov a interakciu s prostredím, môže byť kľúčom k skutočnostnej (nie skutočnej) inteligencii napodobňujúcej viacvrstvový neokortex, technológiou ATTO ("... at/to ..."). ATTO je algoritmická inteligencia v skutočnosti (v realite). Snáď, jedným z najdôležitejších výsledkov najnovších výskumných prác v oblasti súčasných LLM modelov je povedomie o halucinačných a black-box efektoch skúmaných konštrukčných AI modelov.

Článok "Algoritmická inteligencia v skutočnosti : Realitná inteligencia v ATTO" by som rád spomenul kvôli tomu, že nás privádza k úvahám, kde sa pekne vysvetľuje pojem "AI halucinácie a čierne skrinky" a uvádzajú sa skúmateľné ilustračné príklady, avšak v úvode k diskusii je užitočné zdôrazniť dve kľúčové dimenzie.

Prvou dimenziou je koreňová architektúra — tematické zameranie sa na to, ako sú modely kombináciou dátových zoskupení (napríklad tréningových dát), trénovacích (alebo vo všeobecnosti optimalizačných) postupov a pravdepodobnostných mechanizmov (námatkovo je možné spomenúť z pohľadu ilustrácií softmax, beam search, a podobne), ktoré môžu systematicky viesť k relevantne chybným alebo v zámerovej komplementarite prehnaným výstupom.

Druhou dimenziou je efekt "čiernej skrinky" — vedecko-technická neschopnosť jednoduchého vysvetlenia (komplexnosť a komplikovanosť jednoduchého vysvetlenia), prečo model zvolil konkrétnu odpoveď, čo komplikuje diagnostiku a nápravu fungovania AI modelu. Skúmané modely, by mali mať, vo výskume a v implementácii, konštrukčne modulárnu schopnosť aj praktické smery riešení (námatkovo je možné spomenúť z pohľadu ilustrácií retrieval-augmented generation, confidence scoring, automatické overovanie), aby výskumník videl a aby bolo zrejmé, že omyly nie sú iba mystérium, ale výsledok kombinácie dátových, architektonických a evaluačných faktorov — je tu proste prítomná konštrukčná aj stavebná scénografia.

Snáď, jedným z najdôležitejších výsledkov najnovších výskumných prác v oblasti súčasných LLM modelov je povedomie o halucinačných a black-box efektoch skúmaných konštrukčných AI modelov. Zdá sa, že AI halucinuje a zároveň sa nedokáže samostatne učiť štrukturované abstrakcie "generatívneho prúdenia všestranne použiteľných operačných realít" v dôsledku hlbokého problému medzi mechanizmami pozornosti a pamätlivosti, ktorý je s relevantnou presnosťou najpravdepodobnejšie spôsobený univerzálnou nejednoznačnosťou synaptických váh medzi neurónmi, a to v kontexte efektu synaptických váh bez pamäte.

V architektúrach strojového učenia, ako sú transformátory (jazykové transformery u LLM), mechanizmy pozornosti umožňujú modelom mnohokrát celkom obstojne identifikovať a spracovávať relevantné informácie, avšak ich schopnosť efektívne uchovávať a využívať dlhodobé pamäťové informácie je obmedzená — vzhľadom na efekt skalárneho rozmeru bežne používanej synaptickej váhy. Tento nedostatok inteligentných dynamických synaptických vektorových priestorov vedie k situáciám, kde modely generujú odpovede, ktoré sú fakticky nesprávne alebo zámerovo nekomplementárne, ale prezentované s vysokou dôverou — kvôli neasociatívnej pamätlivosti na základe skalárnej nejednoznačnosti.

Univerzálna nejednoznačnosť synaptických váh narúša stabilitu rozhodovacích procesov modelov, čo zvyšuje pravdepodobnosť halucinácií a skrytých mechanizmov v posunutej logike, keď čelí otázkam, na ktoré nemajú dostatočné či kvalitatívne prijateľné údaje — ktoré by bolo možné generovať synaptickými vektorovými priestormi medzi neurónmi. Tieto zistenia podčiarkujú potrebu hlbšieho preskúmania architektúr strojového učenia, aby sa zlepšila integrácia medzi pozornosťou a pamäťou, čím by sa znížila pravdepodobnosť generovania nepresných či nekomplementárnych informácií a zvýšila sa celková robustnosť modelov vo svojej scénografii fungovania.

Samozrejme, spoločnosť/projekt Integral AI zatiaľ nemá implementovanú technológiu ATTO ani len náhodou (ani IBM či iné verejné podnikové "AI konzorcium"). Takýto mechanizmus analytickej spätnej väzby by bolo možné pomenovať ako výskumno-vývojový článok na tému "Architektúra ATTO: Pamäť a synaptické váhy ako koreň ANI / AGI / ASI".

Súčasné veľké jazykové modely (LLM) ako transformery excelujú v modelovaní kontextu v rámci sekvencií — mechanizmus self‑attention umožňuje každej pozícii "dívať sa" na všetky ostatné a vážiť ich význam pri tvorbe reprezentácie. To vedie k bohatým, distribuovaným embeddingom, ktoré zachytávajú globálne vzťahy v dátach. V tomto kontexte slovo "embedding" znamená číselnú (vektorovú) reprezentáciu vstupných prvkov — napr. tokenov, slov, viet alebo celých kontextov — vektor v reálnom priestore, ktorý zachytáva ich významové a relačné vlastnosti. Napriek tomu tieto modely majú praktické limity pri konzistentnom dlhodobom udržiavaní faktov, interpretovateľnosti interných štruktúr a rýchlom asociatívnom vyhľadávaní — vlastnostiach, ktoré by sme prirodzene spájali so stabilnou pamäťou a ukazovateľom... "Pointing at/to the GENESIS STREAM of UNIVERSAL SIMULATORS".

Štruktúra a zrozumiteľnosť: Napriek zložitosti témy je prostredie modelu, sumarizujúce činnosť inteligencie, štruktúrované veľmi logicky. Používanie označení ako "prvá ATTO syntéza" a "druhá ATTO syntéza" slúži ako skvelý sprievodca pre návštevníka v "briliantovom klenotníctve", pretože skryté vedomie je jedna záležitosť, a svetlo uvažovania jest ďalšie. Štýl "nahlas uvažujúceho autora" uvádza prostredie modelu sumarizujúcu činnosť inteligencie prístupným a autentickým. Štýl "nahlas uvažujúceho autora"? Pozrime sa na číselnú hodnotu synaptickej váhy. Je konkrétna číselná hodnota synaptickej váhy, napríklad prvočíslom? A na zistenie potrebnej faktografie, viem sa presunúť do katedrály stavebných a konštrukčných prvkov konkrétnej číselnej hodnoty synaptickej váhy – podobne ako návštevník vstupujúci do skúmania v "briliantovom klenotníctve"?

Opakom vektora je skalár. Vektor je veličina, ktorá má nielen číselnú hodnotu, ale aj smer a veľkosť, zatiaľ čo skalár je veličina, ktorá je určená výlučne svojou číselnou hodnotou — napríklad hodnota jednej synaptickej váhy medzi dvoma neurónmi. Skalár by bol potom z princípu kontextu/konceptu ako bod, kde nepoznáme ani pozíciu, ani orientáciu, ani navigáciu. Vektor vo vektorovom poli by potom bol z princípu konceptu/kontextu ako umiestený (rámec záujmu/sústredenia/zozbierania = zámer hľladáčika kamery = pilot = pilot v kokpite) zámer (zámer = focus + intention = actuator = akčná jednotka = action unit) a (rámec činnosti scény/konania = záber činnosti kamery = lietadlo = lietadlo na dráhe/na letovej hladine) záber (záber = drive + take... scene... shoot... view... catch... clip... generating... script-scene... gear... works... drive... traction = actuation = uvedenie do činnosti = release into action = "uvoľniť do akcie/činnosti" = activity into action unit = "aktivita do akčnej jednotky") — máme pozíciu, orientáciu, navigáciu — napríklad sada asociatívnych pamäťových buniek hodnoty jednej synaptickej váhy medzi dvoma neurónmi.

Návrh na voliteľný "upresňovací model sumarizujúci činnosť inteligencie prostredia" oproti "miestu prostredia modelu sumarizujúce činnosť inteligencie" nám vlastne "dvojpohľadovo" vysvetľuje, že tu sú dve miesta, kam by sa dal vložiť drobný presun "do katedrály stavebných a konštrukčných prvkov konkrétneho miesta" na ďalšie posilnenie logiky a čitateľnosti predovšetkým v dôsledku hlbokého architektonického problému (neimplementované ATTO) medzi mechanizmami pozornosti a obmedzenou pamäťou, mechanizmom, ktorý je pravdepodobne spôsobený univerzálnou nejednoznačnosťou synaptických váh medzi neurónmi.

Kľúčové úlohy a riešenia podľa systémového pohľadu do architektonickej hĺbky zachytávajúcej chýbajúci kontext "Integral AI Neokortex" môže predstavovať zrozumiteľnosť prepojenosti problematiky na rámec ANI / AGI / ASI – "ich skryté vedomie" je brilantné a dá sa skúmať ako v "briliantovom klenotníctve". Architektúra a scénografia dáva celej diskusii strategický rozmer a kontext, ktorý v pôvodných článkoch modelu, sumarizujúcich činnosť inteligencie, chýbal. Ukazuje, že riešenie halucinácií a skrytých/ukrytých mechanizmov nie je len technický problém, ale aj kľúčový krok v evolúcii AI.