Mesterséges intelligencia eredményei

Sok éven át (2023–2025) a mesterséges intelligencia számos területen ugrásszerű fejlődést mutatott. A nagy nyelvi modellek (LLM-ek) és chatbotok, multimodális rendszerek, tudományos MI eszközök és robotika egyaránt áttöréseket értek el.

A technológiai óriások új MI asszisztenseket adtak ki, az open-source közösségek erőteljes modelleket hoztak létre, és még a szabályozók is lépéseket tettek az MI hatásainak kezelésére.

Az alábbiakban áttekintjük a legfeltűnőbb eredményeket, a GPT-4 kiterjesztésektől és a Google Gemini-től az AlphaFold Nobel-díjáig, valamint az MI által vezérelt tudományos és művészeti felfedezésekig.

Generatív nyelvi modellek és chatbotok

A modern LLM-ek sokkal képzettebbé és multimodálissá váltak. Az OpenAI GPT-4 Turbo (2023 novemberében bejelentve) most már 128 000 token feldolgozására képes egyetlen promptban (kb. 300 oldal szöveg), és sokkal olcsóbb a működtetése, mint a GPT-4-nek.

A GPT-4o alapvető váltást jelent a valóban multimodális MI felé, amely valós idejű beszélgetésekben zökkenőmentesen kezeli a szöveget, képeket és hangot.

— OpenAI Kutatócsapat, 2024 május

2024 májusában az OpenAI bemutatta a GPT-4o (Omni) modellt, amely valós időben kezeli a szöveget, képeket és hangot – gyakorlatilag a GPT-4-nek beszélgetési "látást és hallást" adva. Maga a ChatGPT is beépített kép- és hangfunkciókkal rendelkezik: a felhasználók feltölthetnek fotókat vagy beszélhetnek a bottal, amely az adott vizuális vagy hangbemenet alapján válaszol.

Új "asszisztens" alkalmazásokat is működtetnek API-kon keresztül (Google "AI áttekintések", OpenAI Assistants API stb.), így az MI még hozzáférhetőbb a fejlesztők és felhasználók számára.

Fejlett generatív nyelvi modellek és chatbot felületek

Multimodális és kreatív MI fejlesztések

Az MI kreativitása és vizuális megértése robbanásszerűen fejlődött. A szövegből kép és szövegből videó modellek új csúcsokat értek el:

Az OpenAI DALL·E 3 (2023 október) fotórealisztikus képeket generál promptok alapján, és beépítették a ChatGPT-be is a vezetett promptíráshoz.

A Google bemutatta az Imagen 3-at (2024 október) és a Veo 2-t (2024 december) – csúcstechnológiás szövegből kép- és videó generáló motorokat –, amelyek drámai módon javítják a minőséget, részletességet és következetességet az MI művészet és videó generálásban.

Még a zenei MI is fejlődött a Google MusicFX eszközeivel és kapcsolódó kutatásokkal (pl. MusicLM kísérletek).

Összességében a generatív modellek demokratizálják a kreativitást: bárki képes művészetet, zenét vagy videót generálni néhány szóval. Az iparági fókusz az egyszerű újdonságról (szürreális képek) a hasznos képgenerálásra (logók, diagramok, térképek) és emberközeli realizmusra helyeződött át.

(2025 márciusában az OpenAI kiadta a "4o Image Generation" modellt is, amely a legjobb képgeneráló modellt integrálja a GPT-4o-ba, pontos, fotórealisztikus eredményekért, beszélgetés vezérelte promptok alapján.)

Ezek az eszközök gyorsan beépülnek alkalmazásokba, böngészőkbe és kreatív munkafolyamatokba.

Multimodális és kreatív MI technológiai fejlesztések

MI a tudományban, orvostudományban és matematikában

Az MI eredmények elősegítették a tudományos felfedezéseket és kutatási előrelépéseket:

A Med-Gemini jelentős ugrást képvisel az orvosi MI képességekben, 91,1%-os pontosságot érve el az amerikai orvosi vizsgákon – ez a teljesítmény jelentősen felülmúlja a korábbi modelleket.

— Google Health MI Kutatócsapat, 2024

Az orvostudományban és egészségügyben is előrelépések történtek. Például a Google új Med-Gemini modellje (orvosi adatokra finomhangolva) 91,1%-os eredményt ért el egy amerikai orvosi vizsga benchmarkon (USMLE-stílus), messze felülmúlva a korábbi modelleket.

Radiológiai és patológiai MI eszközök (pl. Derm és Path Foundations) jelentek meg a képelemzés javítására. Összességében az MI ma már nélkülözhetetlen kutatási partner – az emberi agy nanoszkálású feltérképezésétől (MI-támogatott EM képalkotás) az afrikai tuberkulózis szűrésének gyorsításáig, ahogy a Google kutatói jelentették.

MI alkalmazások tudományos kutatásban, orvosi diagnosztikában és matematikai problémamegoldásban

MI a robotikában és automatizálásban

Az MI-vel működő robotok összetett valós feladatokat tanulnak meg.

A Tesla Optimus humanoid robotjait 2024 októberében mutatták be nyilvánosan ("We, Robot" esemény). Több tucat Optimus egység sétált, állt és még táncolt is a színpadon – bár későbbi jelentések szerint az első bemutatók részben emberi távirányítással zajlottak.

Mindazonáltal az esemény kiemelte a gyors előrelépést az általános célú robotok felé.

Ezek az erőfeszítések azt mutatják, hogy a robotok egyre nehezebb feladatokat végeznek explicit programozás nélkül. Azonban az igazán teljesen autonóm humanoidok még a jövő zenéje.

A bemutatók (Optimus, ALOHA, RT-2) mérföldkövek, de a kutatók óvatosak, hogy még sok munka van hátra, mielőtt a robotok biztonságosan és megbízhatóan dolgozhatnak emberek mellett nagy léptékben.

Fejlett MI-vezérelt robotikai és automatizálási rendszerek

MI a termékekben, iparban és társadalomban

Az MI hatása kiterjed a mindennapi termékekre és akár a szabályozásra is:

MI integráció a fogyasztói termékekben, ipari alkalmazásokban és társadalmi keretekben

Előre tekintve: az MI átalakító hatása

Röviden, az MI már nem csak laborokban vagy újdonságként létezik – beépült telefonokba, autókba, munkahelyekre és közpolitikába.

A fentiek – a GPT-4 hatalmas tudásától az AlphaFold tudományos forradalmáig – az MI gyors érését mutatják.

Ahogy 2025 felé haladunk, ezek az eredmények még erősebb és gyakorlati MI alkalmazásokat vetítenek előre mindennapi életünkben.