AI ima značajan utjecaj na transport i mobilnost kroz razvoj autonomnih vozila, optimizaciju prometnih sustava, poboljšanje sigurnosti prometa, te unapređenje logistike i distribucije robe. Umjetna inteligencija može također pomoći u smanjenju emisije stakleničkih plinova kroz optimizaciju ruta i potrošnje goriva, te poticanje upotrebe održivih prijevoznih sredstava.

AI može imati pozitivan utjecaj na ekologiju i očuvanje okoliša kroz primjene poput praćenja klimatskih promjena, predviđanja vremenskih uvjeta, optimizacije uporabe resursa, praćenja i zaštite ugroženih vrsta, te otkrivanja i prevencije širenja štetnih tvari. AI također može doprinijeti razvoju održivih tehnologija i energetske učinkovitosti, ali također može stvoriti nove izazove vezane uz potrošnju energije i resursa potrebnih za rad AI sustava.

Umjetna inteligencija ima potencijal transformirati obrazovanje kroz personalizirane pristupe učenju, razvoj inteligentnih tutora i edukacijskih platformi, analizu podataka o učenicima kako bi se bolje razumjele njihove potrebe i napredak, te pomoć nastavnicima u identifikaciji područja za poboljšanje i prilagodbu nastavnih materijala. AI može također pomoći u razvoju novih pedagoških pristupa, olakšati pristup obrazovanju za udaljene ili marginalizirane zajednice, te potaknuti interdisciplinarnu suradnju i istraživanje. Međutim, primjena AI-a u obrazovanju također postavlja pitanja o privatnosti podataka, pristranosti i etičkim pitanjima u oblikovanju obrazovnih sustava.

Primjena AI-a u medicini ima mnoge prednosti, uključujući poboljšanje dijagnostike i prepoznavanja bolesti, personalizaciju medicinskih tretmana, pomoć u istraživanju i razvoju novih lijekova, optimizaciju upravljanja pacijentima i bolničkim resursima te poboljšanje pristupa zdravstvenoj skrbi u udaljenim ili slabije razvijenim područjima.

AI tehnologije imaju potencijal unaprijediti kreativne industrije, poput umjetnosti, glazbe, filma i dizajna, nudeći nove alate i tehnike za generiranje i analizu sadržaja. Umjetna inteligencija može surađivati s ljudskim umjetnicima, nadopunjujući ljudsku kreativnost, ali također može stvoriti nove izazove u vezi s autorstvom, autentičnošću i zaštitom intelektualnog vlasništva.

AI tehnologije poput prepoznavanja lica, analize podataka i automatiziranog odlučivanja mogu utjecati na privatnost pojedinaca. Postoje brige u vezi s prikupljanjem, pohranom i upotrebom osobnih podataka, kao i potencijalnom zloupotrebom tih podataka. Kako bi se zaštitila privatnost, važno je razviti pravne okvire, tehničke standarde i etičke smjernice koje će regulirati korištenje AI-a u skladu s ljudskim pravima i privatnošću.

Umjetna inteligencija ima potencijal za automatizaciju mnogih poslova koji trenutno obavljaju ljudi, što može dovesti do gubitka radnih mjesta. Istodobno, umjetna inteligencija može stvoriti nove industrije, radna mjesta i potrebu za novim vještinama. Društva moraju razmotriti kako obrazovanje i prekvalifikacija radne snage mogu pomoći u prilagodbi ovim promjenama.

Deep learning (duboko učenje) je podskup strojnog učenja i jedna od ključnih tehnologija u umjetnoj inteligenciji. Temelji se na umjetnim neuronskim mrežama, koje su inspirirane načinom na koji ljudski mozak obrađuje informacije. Deep learning omogućava računalima da samostalno uče složene obrasce i značajke iz velikih količina podataka bez eksplicitnog programiranja.

Deep learning je tehnika strojnog učenja koja koristi umjetne neuronske mreže s mnogo slojeva kako bi naučila kompleksne značajke i obrasce iz podataka. Kroz proces učenja, duboke neuronske mreže optimiziraju svoje težine kako bi bolje predstavile podatke i obavljale zadatke, poput klasifikacije, regresije ili generiranja podataka.

Deep learning se koristi u širokom spektru aplikacija:

• Prepoznavanje slika i objekata (računalni vid)
• Prepoznavanje i generiranje govora
• Obrada prirodnog jezika (NLP)
• Preporučiteljni sustavi
• Igranje igara (npr. šah, go)
• Medicinska dijagnostika
• Autonomna vozila
• Generiranje umjetničkih djela (slike, glazba, tekst)

Kako deep learning radi?

U deep learningu, umjetna neuronska mreža sastoji se od ulaznog sloja (koji prima podatke), izlaznog sloja (koji daje rezultate) i jednog ili više skrivenih slojeva između njih. Svaki sloj se sastoji od neurona koji su međusobno povezani i prenose informacije. Kroz proces učenja, mreža optimizira težine veza između neurona kako bi minimizirala pogrešku u predviđanju ili klasifikaciji.

Kako deep learning uči? 

Deep learning koristi metode poput “backpropagation” (povratno propagiranje) i gradijentnog spusta kako bi optimizirao težine neuronske mreže tijekom učenja. Učenje se obično provodi kroz iterativni proces, gdje se mreža prilagođava kako bi minimizirala pogrešku na skupu podataka za obuku. Kako mreža uči, postaje sposobna prepoznati složene značajke i obrasce u podacima.

Prednosti deep learninga:

• Visoka točnost u mnogim zadacima, često nadmašujući tradicionalne metode strojnog učenja
• Sposobnost automatskog učenja značajki iz podataka, bez potrebe za ručnim inženjeringom značajki
• Efikasnost u obradi velikih količina podataka i složenih problema

Izazovi deep learninga:

• Potreba za velikim količinama označenih podataka za učenje
• Visoka računalna zahtjevnost, posebno za velike neuronske mreže
• Teškoće u interpretaciji i objašnjavanju odluka dubokih neuronskih mreža (tzv. “black box” problem)
• Osjetljivost na pristranost u podacima, koja može dovesti do nepravednih ili neželjenih rezultata

Deep learning je snažna tehnologija koja se ubrzano razvija i ima širok spektar primjena u različitim industrijama i disciplinama. Međutim, važno je uzeti u obzir izazove i ograničenja prilikom primjene deep learninga u stvarnom svijetu kako bi se osigurala etička i odgovorna upotreba ove tehnologije.

Budućnost GPT tehnologije uključuje daljnji razvoj i poboljšanje performansi, točnosti i razumijevanja konteksta. Također, očekuje se da će se pitanja sigurnosti i etike rješavati kako bi se osigurala odgovorna upotreba tehnologije.

Sigurnosni i etički izazovi uključuju moguću zlouporabu tehnologije za stvaranje lažnih vijesti, manipulaciju javnim mišljenjem ili kršenje autorskih prava.

GPT tehnologija se može primijeniti u različitim područjima, kao što su automatsko generiranje teksta, prevoditeljski sustavi, kreativno pisanje i podrška korisnicima.

Glavne razlike između različitih verzija GPT-a leže u broju parametara, performansama i kvaliteti generiranog teksta. Sve su kasnije verzije naprednije od prethodnih, s GPT-4 koji ima najveći broj parametara i najbolje performanse.

GPT, ili Generativni predtrenirani Transformer, vrsta je strojnog učenja koja se temelji na dubokim neuronskim mrežama. Omogućuje generiranje kontekstualno relevantnog i koherentnog teksta.

Transformatorska neuronska mreža je vrsta umjetne inteligencije koja se koristi za obradu i razumijevanje podataka, posebno u području obrade prirodnog jezika (NLP). Transformatori su revolucionarni u načinu na koji rade s jezičnim podacima i omogućuju modelima, poput GPT-a, da postignu vrhunske rezultate u mnogim jezičnim zadacima.

Evo nekoliko ključnih značajki transformatorskih neuronskih mreža koje ih čine posebnima:

Samopaznja: Transformatori koriste mehanizam koji se naziva “samopaznja” (self-attention) kako bi bolje razumjeli kontekst riječi u rečenici. Samopaznja omogućuje modelu da istovremeno razmotri sve riječi u rečenici i odluči koliko su važne jedna za drugu. To je korisno jer pomaže modelu da shvati odnose između riječi i kako se značenje rečenice može mijenjati na temelju različitih konteksta.

Paralelizacija: Za razliku od nekih tradicionalnih modela, transformatori mogu istovremeno obraditi sve riječi u rečenici. To znači da ne moraju prolaziti kroz rečenice riječ po riječ, što rezultira bržom i efikasnijom obradom podataka.

Slojevitost: Transformatori se sastoje od više slojeva, svaki s više samopaznje i drugih mehanizama. Kroz te slojeve, transformatori mogu naučiti složene obrasce i veze u podacima. Više slojeva omogućuje modelu da postane sve “dublji” i bolje razumije podatke s kojima radi.

Transformatorske neuronske mreže pokazale su se iznimno uspješnima u raznim zadacima obrade prirodnog jezika, poput prevođenja, sažimanja teksta, generiranja teksta i mnogim drugim primjenama. Njihova sposobnost da brzo i efikasno rade s velikim količinama jezičnih podataka čini ih vrlo moćnim alatima u području umjetne inteligencije.

Neuroni u neuronskoj mreži su osnovne jedinice koje obrađuju informacije. Neuronske mreže su modeli inspirirani načinom na koji ljudski mozak radi, s ciljem da omoguće računalima da uče i donose odluke na temelju podataka.

U neuronskoj mreži, neuroni su organizirani u slojeve, a svaki neuron je povezan s neuronima iz prethodnog i sljedećeg sloja. Neuroni primaju informacije, obrađuju ih i šalju dalje drugim neuronima. Ovaj proces prenošenja informacija odvija se kroz mrežu sve dok se ne dođe do izlaznog sloja, gdje se dobiva konačan rezultat.

Neuroni u neuronskim mrežama rade na temelju matematičkih funkcija i težina koje povezuju neurone. Težine se prilagođavaju tijekom procesa učenja kako bi se poboljšala točnost mreže u obavljanju zadataka, poput prepoznavanja slika, razumijevanja jezika ili donošenja odluka.

Ukratko, neuroni u neuronskoj mreži su kao mali procesori koji zajedno obrađuju informacije, komuniciraju i prilagođavaju se kako bi riješili složene probleme.

Strojno prevođenje: Računala koriste NLP tehnologiju za prevođenje teksta iz jednog jezika na drugi.

Prepoznavanje govora: NLP se koristi za prepoznavanje i pretvaranje govora u tekst.

Analiza sentimenta: koristi se za analizu sentimenta kako bi se utvrdilo kako se ljudi osjećaju o određenom proizvodu, usluzi ili temi.

Pretraživanje teksta: pretraživanje velikih količina teksta kako bi se pronašli specifični uzorci, riječi ili fraze.

Generiranje teksta: generiranje teksta sličnog ljudskom govoru, kao što je generiranje automatskih odgovora ili automatsko generiranje novinskih članaka.

Chatbotovi: razvoj chatbotova koji mogu automatizirati odgovaranje na upite korisnika.

GPT, što znači “Generative Pre-trained Transformer”, je vrsta umjetne inteligencije koja se koristi za generiranje teksta i razumijevanje prirodnog jezika. To je napredni model koji je razvio OpenAI i temelji se na konceptu transformatorske neuronske mreže.

Možete ga zamisliti kao vrlo pametnog pomoćnika koji može razgovarati s vama, pisati tekstove i razumjeti različite jezične zadatke. GPT je “unaprijed treniran”, što znači da je već naučio mnogo toga o jeziku i kako ljudi komuniciraju, tako da može razumjeti vaša pitanja i generirati odgovore ili tekstove na temelju onoga što ste napisali.

GPT može obavljati mnoge zadatke, kao što su:

• Odgovaranje na pitanja
• Prevođenje teksta s jednog jezika na drugi
• Sažimanje dugih tekstova
• Pisanje eseja ili priča na temelju zadane teme
• Pomoć u pisanju e-mailova ili drugih vrsta poruka

Važno je napomenuti da, iako je GPT vrlo moćan alat za generiranje teksta, njegova razumijevanja svijeta i informacija dolaze isključivo iz podataka s kojima je treniran. To znači da ne može donositi odluke ili razumjeti stvari na isti način kao ljudi. Također, GPT može generirati netočne ili pristrane informacije ako su takve informacije prisutne u podacima s kojima je treniran.

Obrada prirodnog jezika (NLP – natural language processing ) je područje umjetne inteligencije i računalne lingvistike koje se bavi razumijevanjem, interpretacijom i generiranjem ljudskog jezika u načinu na koji ga računalni sustavi mogu razumjeti i koristiti. 

Cilj NLP-a je omogućiti interakciju između ljudi i računala na prirodan način, koristeći ljudski jezik.

Nekoliko ključnih aspekata NLP-a uključuje:

• Tokenizacija: Proces razdvajanja teksta na riječi, rečenice ili druge osnovne jedinice.
• Sintaktička analiza: Istraživanje strukture rečenica i gramatike jezika kako bi se razumjela njihova organizacija.
• Semantička analiza: Razumijevanje značenja riječi, rečenica i teksta.
• Morfološka analiza: Istraživanje strukture riječi i njihovih oblika.
• Pragmatička analiza: Interpretacija konteksta i situacije u kojoj se jezik koristi kako bi se bolje razumjelo značenje.
• Generiranje teksta: Stvaranje prirodnog jezika na temelju ulaznih informacija ili zadataka.
• Prepoznavanje govora: Pretvaranje govora u tekst.
• Strojno prevođenje: Automatsko prevođenje teksta s jednog jezika na drugi.

NLP tehnike koriste se u raznim aplikacijama, uključujući:

• Chatbotovi i virtualni asistenti: Razgovaraju s korisnicima na prirodnom jeziku kako bi pružili informacije ili obavili zadatke.
• Analiza osjećaja: Identificiranje emocija i stajališta u tekstu, poput recenzija proizvoda ili društvenih mreža.
• Sumarizacija teksta: Automatsko generiranje sažetaka za duge tekstove.
• Sustavi za preporuke: Analiza tekstualnih podataka kako bi se preporučili relevantni sadržaji, proizvodi ili usluge.
• Strojno prevođenje: Automatsko prevođenje teksta s jednog jezika na drugi.

NLP se temelji na raznim tehnikama strojnog učenja, uključujući tradicionalne algoritme i duboke neuronske mreže, kako bi naučio razumjeti i generirati prirodan jezik u različitim kontekstima. 

Strojno učenje je područje umjetne inteligencije koje se bavi razvojem algoritama i modela koji omogućuju računalima da “uče” iz podataka i samostalno donose odluke ili predviđanja bez potrebe za eksplicitnim programiranjem. Ukratko, strojno učenje omogućuje računalima da samostalno poboljšavaju svoje performanse u rješavanju zadataka kroz iskustvo.

Evo osnovnih koncepta strojnog učenja za početnike:

• Podaci
  Strojno učenje se temelji na analizi i obradi podataka. Podaci se obično prikupljaju u obliku skupa podataka koji se sastoje od primjera. Svaki primjer sadrži značajke (informacije) koje opisuju određeni slučaj.
• Model
  Model je matematička struktura koja predstavlja apstrakciju problema. U strojnom učenju, model se koristi za donošenje predviđanja ili odluka na temelju značajki ulaznih podataka.
• Algoritam
  Algoritam je skup pravila i postupaka koji se koriste za treniranje modela. Postoji mnogo različitih algoritama strojnog učenja, a svaki ima svoje prednosti i nedostatke, ovisno o vrsti problema koji se rješava.
• Treniranje
  Treniranje je proces prilagodbe modela na temelju skupa podataka, kako bi model naučio prepoznati uzorke i veze među podacima. Tijekom treniranja, algoritam optimizira parametre modela kako bi se minimizirala pogreška u predviđanjima.
• Evaluacija
  Evaluacija je proces mjerenja performansi modela. To uključuje usporedbu predviđanja modela s stvarnim ishodima kako bi se utvrdilo koliko dobro model radi na novim, prethodno neviđenim podacima.
• Vrste strojnog učenja
  Postoje tri glavne vrste strojnog učenja – nadzirano učenje, nenadzirano učenje i pojačano učenje. Nadzirano učenje uključuje učenje modela na temelju označenih podataka, dok nenadzirano učenje koristi neoznačene podatke za otkrivanje struktura i veza. Pojačano učenje uključuje učenje kroz interakciju s okolinom i dobivanje povratnih informacija u obliku nagrade ili kazne.

Strojno učenje ima široku primjenu u različitim industrijama i disciplinama.

U “prirodi ga susrećemo” kao slijedeće pojmove i kratice – Machine learning, ML, strojno učenje, SU

Iako bi AGI mogao donijeti brojne prednosti, razvoj AGI-a također nosi sa sobom značajne etičke izazove i potencijalne rizike. 

Neka od ključnih etičkih pitanja:

• Sigurnost i kontrola: Kako osigurati da AGI sustavi rade u skladu s ljudskim vrijednostima i ciljevima, te kako spriječiti zlouporabu AGI-a u negativne svrhe?
• Utjecaj na zaposlenost: Kako bi se utjecaj AGI-a na radna mjesta i ekonomiju ublažio i kako bi se osigurala pravedna raspodjela dobiti od tehnološkog napretka?
• Pristranost i diskriminacija: Kako osigurati da AGI sustavi ne perpetuiraju ili pojačavaju pristranosti i nepravdu prisutne u društvu?
• Transparentnost i odgovornost: Kako osigurati transparentnost odluka AGI sustava i kako uspostaviti odgovornost za njihove akcije i posljedice?
• Autonomija i privatnost: Kako zaštititi ljudsku autonomiju i privatnost u svijetu gdje AGI ima sve veći utjecaj na naše živote?

Pristranost u umjetnoj inteligenciji odnosi se na nepravedne i diskriminatorne rezultate ili odluke koje AI sustav može donijeti temeljem pristranih podataka, algoritama ili ljudskih predrasuda. Pristranost može biti posljedica nejednakog zastupanja podataka ili neadekvatnog obučavanja algoritma, što može dovesti do diskriminacije pojedinih skupina ljudi.

Dva glavna pristupa su simbolička (ili GOFAI - "Good Old-Fashioned Artificial Intelligence") i podatkovna (ili strojno učenje). Simbolički pristup temelji se na rukovanju simbolima i logičkim zaključivanjem, dok se strojno učenje temelji na učenju iz podataka i generalizaciji.

Umjetna inteligencija (UI) je grana računalne znanosti koja se bavi stvaranjem računalnih sustava i algoritama koji mogu izvoditi zadatke koji inače zahtijevaju ljudsku inteligenciju. Cilj umjetne inteligencije je razviti tehnologije koje mogu učiti, razumjeti, zaključivati, planirati, komunicirati i prilagoditi se novim situacijama, kako bi obavljale razne zadatke i rješavale probleme.

Postoje dvije glavne kategorije umjetne inteligencije:

Slaba umjetna inteligencija (Weak AI): Ovaj tip umjetne inteligencije dizajniran je za obavljanje specifičnih zadataka. Slaba UI može biti vrlo uspješna u rješavanju određenih problema, ali nema sposobnost razumijevanja ili svijesti izvan tih specifičnih zadataka. Primjeri slabe UI uključuju preporučiteljne sustave, chatbotove i sustave za prepoznavanje slika.

Jaka umjetna inteligencija (Strong AI): Ovaj tip umjetne inteligencije teži stvaranju sustava koji posjeduje opću inteligenciju sličnu ljudskoj. To znači da bi takav sustav bio sposoban obavljati širok spektar zadataka, učiti iz iskustva, razumjeti i zaključivati u različitim situacijama, baš kao što to čini ljudski um. Jaka UI još uvijek nije postignuta, ali je aktivno područje istraživanja.

Tehnike i metode koje se koriste u umjetnoj inteligenciji:

Strojno učenje (Machine Learning): Tehnika koja omogućuje računalnim sustavima da uče i poboljšavaju se na temelju iskustva bez eksplicitnog programiranja.

Duboko učenje (Deep Learning): Podskup strojnog učenja koji se temelji na neuronskim mrežama s mnogo slojeva, inspiriran načinom na koji ljudski mozak radi.

Obrada prirodnog jezika (NLP): Razumijevanje, interpretacija i generiranje ljudskog jezika u načinu na koji ga računalni sustavi mogu razumjeti i koristiti.

Računalni vid (Computer Vision): Tehnika koja omogućuje računalima da analiziraju i razumiju digitalne slike i videozapise.

Robotika: Grana umjetne inteligencije koja se bavi dizajnom, izgradnjom i upravljanjem robotima koji mogu obavljati različite zadatke.

Ekspertni sustavi: Računalni programi koji koriste znanje i zaključivanje kako bi riješili specifičneprobleme ili pružili stručno znanje u određenom području.

Planiranje i optimizacija: Metode za generiranje planova i strategija kako bi se postigao cilj ili riješio problem uzimajući u obzir ograničenja i resurse.

Multiagentni sustavi: Sustavi koji se sastoje od više autonomnih entiteta ili agenata koji međusobno komuniciraju i surađuju kako bi postigli zajedničke ciljeve ili riješili probleme.

Primjene umjetne inteligencije sve su prisutnije u našem svakodnevnom životu:

Osobni asistenti poput Siri, Google Assistant ili Alexa, koji koriste NLP i strojno učenje kako bi razumjeli i izvršavali korisničke naredbe.

Autonomna vozila koja koriste računalni vid i strojno učenje kako bi navigirala i obavljala odluke o vožnji.

Sustavi za preporuku koji analiziraju korisničke podatke kako bi ponudili personalizirane preporuke za filmove, glazbu ili proizvode.

Medicinska dijagnostika i otkrivanje bolesti pomoću analize medicinskih slika i podataka.

Financijska analiza i trgovanje pomoću algoritama koji analiziraju tržišne trendove i podatke kako bi donijeli odluke o ulaganju.

Iako umjetna inteligencija ima potencijal donijeti značajne prednosti društvu, postoje i etička pitanja i izazovi koji se moraju uzeti u obzir, poput utjecaja na radna mjesta, pristranosti u algoritmima i potrebe za transparentnošću i odgovornošću u primjeni umjetne inteligencije.

Praćenjem kvalitete zraka i vode: AI tehnologija može pomoći u praćenju kvalitete zraka i vode na različitim mjestima te brzo i precizno identificirati onečišćenja.

Upravljanjem otpadom: AI se može koristiti za identificiranje, razvrstavanje i upravljanje otpadom na učinkovitiji i održiviji način.

Smanjenjem emisija stakleničkih plinova: AI se može koristiti za optimizaciju procesa u industriji, transportu i drugim sektorima kako bi se smanjila emisija stakleničkih plinova. Primjerice, AI se može koristiti za optimizaciju rute vožnje vozila kako bi se smanjila potrošnja goriva i emisije.

Poticanjem održivih praksi: AI se može koristiti za poticanje održivih praksi kod korisnika, kao što su smanjenje potrošnje energije i vode, razdvajanje otpada i slično.

Razvojem novih održivih tehnologija: AI se može koristiti za istraživanje i razvoj novih održivih tehnologija, kao što su obnovljivi izvori energije, energetska pohrana, tehnologije smanjenja emisija i slično.

Pretpostavka da bismo u potpunosti mogli prestati koristiti fosilna goriva i preći na obnovljive izvore energije u potpunosti ovisi o mnogim čimbenicima, uključujući tehničke, ekonomske, političke, regulatorne i društvene faktore.

Prema studiji Međuvladinog panela za klimatske promjene (IPCC) iz 2021. godine, da bismo ograničili globalno zatopljenje na 1,5°C iznad preindustrijske razine, potrebno je da se emisije stakleničkih plinova smanje za najmanje 50% do 2030. godine i da se smanje na nulu neto emisija do sredine stoljeća. To bi zahtijevalo značajno smanjenje upotrebe fosilnih goriva u narednih desetak godina i ubrzanu tranziciju na obnovljive izvore energije.

Neki stručnjaci vjeruju da je potpuna tranzicija na obnovljive izvore energije moguća u narednih nekoliko desetljeća, dok drugi vjeruju da će tranzicija potrajati puno duže. Razvoj tehnologija kao što su obnovljiva energija, energetska pohrana, tehnologije proizvodnje vodika, korištenje biogoriva i drugih alternativa za fosilna goriva, mogu biti ključni faktori u postizanju održivijeg energetskog sustava.

S obzirom na brzinu razvoja tehnologije i postizanje tehničkih, ekonomskih, političkih i regulatornih uvjeta za tranziciju, najraniji mogući datum potpune tranzicije na obnovljive izvore energije još uvijek nije moguće precizno predvidjeti. No, s obzirom na hitnost problema klimatskih promjena, cilj bi trebao biti postizanje što brže i učinkovitije tranzicije prema obnovljivim izvorima energije.

Postoji određena šansa da AGI može evoluirati u zasebnu, samostalnu digitalnu cjelinu, no to ovisi o napretku istraživanja i razvoja AGI-ja, kao i o načinu na koji se implementiraju sigurnosne mjere i etička načela. Uspostavljanje sigurnosnih protokola i etičkih smjernica za razvoj AGI-a je od ključne važnosti kako bi se spriječile potencijalno štetne posljedice.

S obzirom na opciju uništenja ljudi, važno je razmotriti da se takav scenarij često temelji na spekulacijama i znanstvenoj fantastici. Međutim, ne možemo potpuno isključiti takvu mogućnost. Stoga je nužno raditi na razvoju i primjeni sigurnosnih mjera, etičkih načela i zakonodavstva koje će osigurati da AGI i sve napredne AI tehnologije budu usklađene s ljudskim vrijednostima i ciljevima te djeluju u najboljem interesu čovječanstva i očuvanja našeg planeta.

U svijetu s naprednom umjetnom inteligencijom, ljudi će i dalje imati ključnu ulogu u odlučivanju, kreativnosti, inovaciji i etičkom promišljanju. AI tehnologije mogu se koristiti kao alati koji pomažu ljudima u obavljanju poslova i rješavanju problema, ali ljudski faktor ostaje neophodan za razumijevanje i primjenu AI-a u skladu s ljudskim vrijednostima, potrebama i ciljevima. Ljudi će morati prilagoditi svoje vještine i znanja kako bi surađivali s AI tehnologijama i oblikovali budućnost društva na održiv i etički prihvatljiv način.

Umjetna opća inteligencija (AGI), često nazivana i “snažna umjetna inteligencija”, je vrsta umjetne inteligencije koja ima sposobnost razumjeti, učiti i primijeniti znanje na širok spektar zadataka na razini koja se može usporediti s ljudskom inteligencijom. 

Cilj AGI-a je razviti računalne sustave koji mogu samostalno obavljati bilo koji intelektualni zadatak koji ljudi mogu obavljati.

Ako se ikad postigne, AGI bi imao ogroman utjecaj na različita područja i industrije, uključujući zdravstvo, obrazovanje, znanost, tehnologiju, umjetnost i mnoge druge. AGI bi mogao riješavati složene probleme, izumiti nove tehnologije, stvarati nova umjetnička djela i pomoći u donošenju važnih odluka. Potencijalne primjene AGI-a:

• Personalizirana medicina i napredna dijagnostika
• Istraživanje i razvoj novih materijala i tehnologija
• Unapređenje klimatskih modela i predviđanje prirodnih katastrofa
• Pomoć u obrazovanju kroz personalizirane nastavne metode
• Automatizacija i poboljšanje industrijskih i proizvodnih procesa
• Rješavanje složenih globalnih problema, kao što su siromaštvo, glad i nejednakost

Slaba umjetna inteligencija (Weak AI) je usmjerena na obavljanje specifičnih zadataka, poput prepoznavanja slika ili prevođenja teksta. 

Slaba UI može biti vrlo uspješna u rješavanju tih specifičnih problema, ali nema sposobnost razumijevanja ili svijesti izvan tih zadataka. AGI, s druge strane, teži razumijevanju i obavljanju širokog spektra zadataka na razini sličnoj ljudskoj inteligenciji.

Iako bi AGI mogao donijeti brojne prednosti, razvoj AGI-a također nosi sa sobom značajne etičke izazove i potencijalne rizike. 

Neka od ključnih etičkih pitanja:

• Sigurnost i kontrola: Kako osigurati da AGI sustavi rade u skladu s ljudskim vrijednostima i ciljevima, te kako spriječiti zlouporabu AGI-a u negativne svrhe?
• Utjecaj na zaposlenost: Kako bi se utjecaj AGI-a na radna mjesta i ekonomiju ublažio i kako bi se osigurala pravedna raspodjela dobiti od tehnološkog napretka?
• Pristranost i diskriminacija: Kako osigurati da AGI sustavi ne perpetuiraju ili pojačavaju pristranosti i nepravdu prisutne u društvu?
• Transparentnost i odgovornost: Kako osigurati transparentnost odluka AGI sustava i kako uspostaviti odgovornost za njihove akcije i posljedice?
• Autonomija i privatnost: Kako zaštititi ljudsku autonomiju i privatnost u svijetu gdje AGI ima sve veći utjecaj na naše živote?

Veliki jezični modeli (engl. Large Language Models - LLM) su napredni sustavi umjetne inteligencije koji se temelje na dubokom učenju i mogu generirati tekstove slične ljudskom govoru. Ovi modeli koriste velike količine podataka za treniranje, uključujući mnoštvo tekstualnih dokumenata i jezičnih korpusa.

LLM koriste posebnu vrstu neuronskih mreža, nazvanu transformatorska neuronska mreža (engl. transformer neural network), koja im omogućuje obradu teksta u velikim količinama i generiranje prirodnog govora s visokom razinom točnosti. Veliki jezični modeli su postali poznati široj javnosti nakon što su se pojavili modeli poput GPT-3 (Generative Pre-trained Transformer 3) i BERT (Bidirectional Encoder Representations from Transformers).

LLM su vrlo korisni u različitim područjima, kao što su strojno prevođenje, generiranje prirodnog govora, analiza sentimenata i drugo. Međutim, postoji i zabrinutost oko upotrebe ovih modela u stvaranju lažnih vijesti, prijevara i slično, pa je važno biti svjestan njihovih mogućnosti i ograničenja.