Το Google Gemini και το ερώτημα πίσω από την πολυτροπική τεχνητή νοημοσύνη: τι βλέπετε πραγματικά;

Το Google Gemini παρουσιάζεται συχνά ως αγώνας κλίμακας: νεότερο μοντέλο, περισσότερες μορφές εισόδου, περισσότερα προϊόντα και μεγαλύτερη φιλοδοξία για την Google. Αυτό το πλαίσιο αφήνει έξω το ερώτημα που χρειάζεται να θέσει ο αναγνώστης πριν εμπιστευτεί έναν πολυτροπικό βοηθό: όταν κείμενο, εικόνες και ήχος εισέρχονται στο ίδιο σύστημα, τι ακριβώς μου παρουσιάζεται και τι μένει έξω από το κάδρο;

Το Gemini είναι χρήσιμη περίπτωση επειδή βρίσκεται στη συνάντηση μιας συνομιλιακής διεπαφής, μιας εταιρείας αναζήτησης, ενός μεγάλου οικοσυστήματος λογαριασμών και ενός μοντέλου σχεδιασμένου να λειτουργεί με διαφορετικά είδη εισόδου. Τα ονόματα και οι δυνατότητες των προϊόντων θα αλλάξουν. Η ανάγκη του αναγνώστη για σαφή περιγραφή της εισόδου, της πηγής, του μετασχηματισμού και της ευθύνης δεν θα αλλάξει.

Αυτός ο οδηγός δεν είναι μόνιμος κατάλογος δυνατοτήτων. Σας δίνει έναν τρόπο να κατανοήσετε τι κάνει ένας πολυτροπικός βοηθός, πού η ευχέρειά του μπορεί να σας παραπλανήσει και πώς να κρατήσετε τον άνθρωπο υπεύθυνο για τον ισχυρισμό.

Τι είναι το Google Gemini;

Το Gemini είναι η οικογένεια μοντέλων παραγωγικής τεχνητής νοημοσύνης και εμπειριών βοηθού της Google. Ο χρήστης μπορεί να ζητήσει εξήγηση, να εισαγάγει μια εικόνα σε μια ερώτηση, να εργαστεί με ένα έγγραφο ή να συνδυάσει πολλά είδη υλικού σε μία αλληλεπίδραση. Το σύστημα παράγει απάντηση από τα μοτίβα που έχει μάθει και τις πηγές ή τα εργαλεία που είναι διαθέσιμα σε εκείνο το πλαίσιο.

Το όνομα ενός μοντέλου δεν σας λέει ποια έκδοση απάντησε, σε ποιες πληροφορίες είχε πρόσβαση, αν ανακτήθηκε κάποια πηγή ή ποιοι μετασχηματισμοί έγιναν πριν φτάσει η απάντηση σε εσάς. Αυτές οι λεπτομέρειες αποτελούν μέρος του νοήματος της απάντησης, όχι τεχνικό στολίδι.

Τι αλλάζει όταν ένα σύστημα χειρίζεται πολλά είδη εισόδου;

Μια εικόνα γίνεται ερμηνεία

Όταν ζητάτε από έναν βοηθό να περιγράψει μια φωτογραφία, δεν σας παραδίδει τη σκηνή ανέγγιχτη. Επιλέγει όσα αναγνωρίζει, συμπληρώνει κενά με γλώσσα και παρουσιάζει περιγραφή μέσα από τις κατηγορίες που έχει μάθει. Μια βέβαιη περιγραφή μπορεί και πάλι να χάσει το πρόσωπο, τον τόπο ή το γεγονός που έχει τη μεγαλύτερη σημασία.

Ο ήχος γίνεται αλυσίδα αποφάσεων

Η ομιλία πρέπει να ανιχνευθεί, να χωριστεί, να απομαγνητοφωνηθεί και να ερμηνευτεί πριν δημιουργηθεί μια απάντηση κειμένου. Ένα όνομα, μια προφορά, ένας δισταγμός ή ένας χαμηλός ήχος στο βάθος μπορεί να χαθεί σε οποιοδήποτε στάδιο. Κρατήστε την αρχική ηχογράφηση όταν έχει σημασία η ακριβής διατύπωση ή η σειρά.

Τα έγγραφα γίνονται συμπυκνωμένο πλαίσιο

Ένα μεγάλο έγγραφο μπορεί να συνοψιστεί γρήγορα, όμως η περίληψη αλλάζει τη σχέση του αναγνώστη με τα τεκμήρια. Ρωτήστε ποια αποσπάσματα στηρίζουν το συμπέρασμα, τι αποκλείστηκε και αν το σύστημα μπορεί να ξεχωρίσει τον ισχυρισμό του συγγραφέα από ένα παράδειγμα ή ένα παράθεμα.

Η διεπαφή κάνει την αλυσίδα να μοιάζει με ένα μυαλό

Ένα ενιαίο πλαίσιο συνομιλίας κρύβει την κίνηση ανάμεσα στην είσοδο, το μοντέλο, την ανάκτηση, την πολιτική και την έξοδο. Το αποτέλεσμα μοιάζει να προέρχεται από έναν ενιαίο ομιλητή, παρότι μπορεί να συμμετέχουν πολλά συστήματα και αποφάσεις.

Γιατί μια ομαλή πολυτροπική απάντηση μπορεί και πάλι να είναι λάθος

Περισσότερη είσοδος δεν παράγει αυτόματα περισσότερη κατανόηση. Ένα μοντέλο μπορεί να συνδυάσει μια φωτογραφία και μια ερώτηση σε μια πειστική ιστορία χωρίς να αποδείξει ότι η ιστορία συνέβη. Μπορεί να περιγράψει με ακρίβεια ένα έγγραφο σε μία παράγραφο και πάλι να παραλείψει την επιφύλαξη που αλλάζει την απόφαση.

Χρησιμοποιήστε την πολυτροπική βοήθεια για εξερεύνηση, σύγκριση, απομαγνητοφώνηση, σύνταξη προσχεδίων και ερωτήματα. Όταν το αποτέλεσμα επηρεάζει υγεία, χρήματα, δικαιώματα, εργασία, εκπαίδευση ή δημόσιο αρχείο, επιστρέψτε στο αρχικό υλικό και αφήστε έναν άνθρωπο να αποφασίσει για τον ισχυρισμό.

Πέντε ερωτήσεις πριν βασιστείτε στο Gemini

1. Τι έλαβε πραγματικά το σύστημα;

Καταγράψτε την προτροπή, τα αρχεία, τις εικόνες, τον ήχο, τους συνδέσμους και το πλαίσιο του λογαριασμού. Ελέγξτε αν το σύστημα είδε ολόκληρο το αντικείμενο ή μόνο μια αναπαράσταση, ένα απόσπασμα ή εξαγόμενο κείμενο.

2. Από πού προήλθε η απάντηση;

Ξεχωρίστε τι διαβάστηκε από το δικό σας υλικό, τι ανακτήθηκε αλλού και τι δημιουργήθηκε από ένα μαθημένο μοτίβο. Ανοίξτε την πηγή και επαληθεύστε τη φράση που έχει σημασία.

3. Τι άλλαξε ανάμεσα στην είσοδο και την έξοδο;

Καταγράψτε απομαγνητοφώνηση, περικοπή, OCR, περίληψη, μετάφραση, ταξινόμηση και άλλους μετασχηματισμούς. Κάθε βήμα μπορεί να αφαιρέσει πλαίσιο, ενώ κάνει την τελική απάντηση ευκολότερη στην ανάγνωση.

4. Ποιες προεπιλογές διαμορφώνουν το αποτέλεσμα;

Το μοντέλο της Google, η κατάταξη αναζήτησης, οι ρυθμίσεις λογαριασμού, οι κανόνες ασφάλειας και οι συνδεδεμένες υπηρεσίες επηρεάζουν ό,τι γίνεται ορατό. Ρωτήστε τι θα έκανε το σύστημα χωρίς τη διόρθωσή σας και τι δεν μπορεί να σας δείξει.

5. Ποιος έχει την τελική ευθύνη για τον ισχυρισμό;

Ορίστε ένα άτομο που θα εγκρίνει τη δήλωση πριν δημοσιευτεί ή χρησιμοποιηθεί. Ένας πολυτροπικός βοηθός μπορεί να επιταχύνει την επιθεώρηση· δεν μπορεί να αναλάβει την ευθύνη για μια απόφαση που λήφθηκε από την έξοδό του.

Το οικοσύστημα της Google αποτελεί μέρος της απάντησης

Το Gemini δεν λειτουργεί σε κενό. Μπορεί να βρίσκεται δίπλα στην αναζήτηση, τα έγγραφα, τις συσκευές, τους λογαριασμούς και άλλες υπηρεσίες. Η ενσωμάτωση μπορεί να κάνει χρήσιμο πλαίσιο ευκολότερο να βρεθεί, αλλά μπορεί επίσης να δυσκολέψει την ορατότητα του ορίου ανάμεσα στο δικό σας υλικό, τα δεδομένα της πλατφόρμας και την ερμηνεία του μοντέλου.

Η ευκολία δεν πρέπει να απαιτεί να εγκαταλείψετε το αρχείο του τρόπου με τον οποίο λήφθηκε μια απόφαση. Κρατήστε μαζί την αρχική είσοδο, τις ανακτημένες πηγές, την παραγόμενη απάντηση και τις ανθρώπινες επεξεργασίες. Αν η υπηρεσία αλλάξει μοντέλο ή δικαιώματα, η περιγραφή της απόφασης πρέπει να παραμένει μεταφέρσιμη.

Η λύση είναι ορατό πλαίσιο και ανθρώπινος έλεγχος

Ένα υπεύθυνο πολυτροπικό σύστημα πρέπει να δείχνει τι έλαβε, τι χρησιμοποίησε, τι μετασχημάτισε και πού παραμένει αβεβαιότητα. Οι άνθρωποι πρέπει να μπορούν να διορθώνουν μια απάντηση, να διατηρούν την πηγή και να φεύγουν με τη δουλειά τους. Ο βοηθός πρέπει να κάνει την πορεία από το τεκμήριο στον ισχυρισμό ευκολότερη στην επιθεώρηση, όχι να την αντικαθιστά με μια γυαλισμένη πρόταση.

Αυτό συνδέεται με το ευρύτερο επιχείρημα που διατρέχει το έργο του Lu Heng. Ο οδηγός του για την παραγωγική τεχνητή νοημοσύνη εξηγεί γιατί μια οδηγία δεν είναι κατανόηση. Η Σημείωσή του για τα επίπεδα της πραγματικότητας και τη συμβολική ισχύ ζητά από τους αναγνώστες να ξεχωρίζουν ό,τι υπάρχει από τις ετικέτες και τις αφηγήσεις που τοποθετούνται πάνω του. Τα πολυτροπικά συστήματα κάνουν αυτόν τον διαχωρισμό πιο επείγον, επειδή μπορούν να συνδέσουν μια πειστική αφήγηση με περισσότερα είδη υλικού.

Γιατί η διάκριση έχει σημασία τώρα

Εικόνες, ηχογραφήσεις και έγγραφα μετακινούνται στις διεπαφές τεχνητής νοημοσύνης ταχύτερα από όσο οι περισσότεροι άνθρωποι μαθαίνουν να εξετάζουν τους μετασχηματισμούς. Αν μια ομαλή απάντηση γίνει η μόνη εκδοχή που κυκλοφορεί, ο διαχειριστής του συστήματος αποκτά επιρροή στο ποια τεκμήρια επιβιώνουν, ποιο πλαίσιο χάνεται και ποια ερμηνεία φαίνεται αυτονόητη.

Το σημαντικό ερώτημα δεν είναι αν το Gemini κερδίζει μια σύγκριση δυνατοτήτων. Είναι αν οι άνθρωποι μπορούν να χρησιμοποιούν ένα ενσωματωμένο σύστημα τεχνητής νοημοσύνης διατηρώντας το δικαίωμα να βλέπουν την πηγή, να κατανοούν τον μετασχηματισμό, να αμφισβητούν την έξοδο και να παίρνουν οι ίδιοι την τελική απόφαση.

Ξεκινήστε με ένα αρχείο και έναν ελέγξιμο ισχυρισμό

Δώστε στον βοηθό ένα έγγραφο, μια εικόνα ή μια ηχογράφηση και κάντε μια περιορισμένη ερώτηση. Κρατήστε το πρωτότυπο δίπλα στην απάντηση. Σημειώστε τι υπάρχει άμεσα, τι συνάγεται και τι χρειάζεται άλλη πηγή. Αν το εργαλείο σας βοηθά να δείτε πιο καθαρά, κρατήστε το στη διαδικασία. Αν απλώς κάνει μια ατεκμηρίωτη ιστορία ευκολότερη να επαναληφθεί, σταματήστε πριν η ιστορία γίνει το αρχείο.