หากโค้ดที่สร้างโดย AI ของคุณมีข้อบกพร่อง ใครต้องเผชิญกับความรับผิดมากที่สุด

ประวัติโดยย่อของความก้าวหน้าล่าสุดใน AI ความหมาย และเหตุผลที่คุณควรใส่ใจหรือไม่

การระเบิดของโมเดล AI ใหม่ที่เปิดตัวโดย DeepMind, Google, Meta และ OpenAI กําลังทวีความรุนแรงขึ้น แต่ละคนมีความแตกต่างกันในทางใดทางหนึ่งแต่ละคนต่ออายุการสนทนาเกี่ยวกับความสําเร็จการประยุกต์ใช้และความหมายของพวกเขา

Imagen เช่น DALLE-2, Gato, GPT-3 และโมเดล AI อื่นๆ ก่อนหน้านั้นล้วนน่าประทับใจ แต่อาจไม่ใช่ด้วยเหตุผลที่คุณคิด นี่คือเรื่องราวสั้น ๆ ว่าเราอยู่ที่ไหนในการแข่งขัน AI และสิ่งที่เราได้เรียนรู้จนถึงตอนนี้

จุดแข็งและจุดอ่อนของโมเดลภาษาขนาดใหญ่

ในจังหวะนี้ การติดตามการเปิดตัวก็ยากขึ้นเรื่อยๆ นับประสาอะไรกับการวิเคราะห์ มาเริ่มไทม์ไลน์นี้ด้วย GPT-3 กันเถอะ เราเลือก GPT-3 เป็นพื้นฐานและจุดเริ่มต้นสําหรับไทม์ไลน์นี้ด้วยเหตุผลหลายประการ

การสร้าง OpenAI ได้รับการประกาศในเดือนพฤษภาคม 2020 ซึ่งดูเหมือนเมื่อชีวิตที่แล้วแล้ว นั่นเป็นเวลาเพียงพอสําหรับ OpenAI ที่จะสร้างบริการเชิงพาณิชย์เกี่ยวกับ GPT-3 โดยเปิดเผยเป็น API ผ่านการเป็นพันธมิตรกับ Microsoft

ถึงตอนนี้ มีแอปพลิเคชั่นจํานวนมากขึ้นเรื่อยๆ ที่ใช้ GPT-3 ภายใต้ประทุนเพื่อให้บริการแก่ผู้ใช้ปลายทาง แอปพลิเคชั่นเหล่านี้บางตัวไม่ได้มากไปกว่าตัวสร้างสําเนาการตลาดที่ได้รับการยกย่องซึ่งเป็นตัวห่อบาง ๆ รอบ API ของ GPT-3 คนอื่น ๆ เช่น Viable ได้ปรับแต่ง GPT-3 เพื่อปรับแต่งให้เหมาะกับการใช้งานและข้ามข้อบกพร่อง

GPT-3 เป็นโมเดลภาษาขนาดใหญ่ (LLM) โดย "ใหญ่" หมายถึงจํานวนพารามิเตอร์ที่โมเดลมีคุณสมบัติ ฉันทามติในปัจจุบันในหมู่ผู้เชี่ยวชาญ AI ดูเหมือนว่ายิ่งโมเดลมีขนาดใหญ่เท่าใด เช่น ยิ่งพารามิเตอร์มากเท่าไหร่ ก็จะยิ่งทํางานได้ดีขึ้นเท่านั้น เพื่อเป็นจุดอ้างอิง ให้เราทราบว่า GPT-3 มีพารามิเตอร์ 175 พันล้านรายการ ในขณะที่ BERT ซึ่งเป็น LLM อันเป็นสัญลักษณ์ที่เผยแพร่โดย Google ในปี 2018 และใช้ขับเคลื่อนเครื่องมือค้นหาในปัจจุบัน มีพารามิเตอร์ 110 ล้านรายการ

แนวคิดสําหรับ LLM นั้นง่ายมาก: การใช้ชุดข้อมูลความรู้ขนาดใหญ่ที่มนุษย์สร้างขึ้นเพื่อฝึกอัลกอริธึมการเรียนรู้ของเครื่องโดยมีเป้าหมายเพื่อสร้างแบบจําลองที่จําลองวิธีที่มนุษย์ใช้ภาษา ความจริงที่ว่า GPT-3 สามารถเข้าถึงได้สําหรับผู้ชมในวงกว้าง รวมถึงใช้ในเชิงพาณิชย์ ทําให้เป็นเป้าหมายของทั้งคําชมและคําวิจารณ์

ดังที่ Steven Johnson เขียนไว้ใน The New York Times GPT-3 สามารถ "เขียนร้อยแก้วต้นฉบับด้วยความคล่องแคล่วอย่างเหลือเชื่อ" ดูเหมือนว่าจะล่อลวงผู้คนรวมถึงจอห์นสันให้สงสัยว่ามี "ผีในเปลือก" จริงหรือไม่ ดูเหมือนว่า GPT-3 จะจัดการกับแนวคิดระดับสูงและนําไปผสมผสานใหม่ แทนที่จะเลียนแบบรูปแบบของข้อความ Johnson เขียน อย่างไรก็ตาม คําหลักในที่นี้คือ "ดูเหมือน"

นักวิจารณ์อย่าง Gary Marcus, Gary N. Smith และ Emily Bender ซึ่งบางคนที่จอห์นสันอ้างถึงได้ชี้ให้เห็นถึงข้อบกพร่องพื้นฐานของ GPT-3 ในระดับพื้นฐานที่สุด ในการใช้คําที่ Bender และผู้เขียนร่วมของเธอใช้ตั้งชื่อบทความวิจัยที่มีชื่อเสียงในขณะนี้ซึ่งทําให้ Timnit Gebru และ Margeret Mitchell ถูกขับออกจาก Google LLM คือ "นกแก้วสุ่ม"

กลไกที่ LLM ทํานายคําแล้วคําเล่าเพื่อให้ได้ร้อยแก้วของพวกเขาคือการสํารอกโดยพื้นฐานแล้ว Marcus เขียนโดยอ้างถึงการแลกเปลี่ยนของเขากับนักภาษาศาสตร์ชื่อดัง Noam Chomsky Marcus อธิบายอย่างละเอียดว่าระบบดังกล่าวได้รับการฝึกฝนเกี่ยวกับข้อความดิจิทัลหลายพันล้านคําอย่างแท้จริง ของขวัญของพวกเขาคือการค้นหารูปแบบที่ตรงกับสิ่งที่พวกเขาได้รับการฝึกฝน นี่เป็นสถิติที่ยอดเยี่ยม แต่ไม่ใช่สถิติที่หมายความว่าระบบรู้ว่าคําที่ใช้เป็นเครื่องมือทํานายหมายถึงอะไร

ความถี่ของภาษาและคุณสมบัติเช่นพหุความหมายสามารถส่งผลต่อโครงข่ายประสาทเทียมสามารถแก้ปัญหาที่ไม่ได้พัฒนาโดยเฉพาะหรือที่เรียกว่า "การเรียนรู้ไม่กี่ช็อต" ได้หรือไม่? DeepMind ตอบว่าใช่

การวิพากษ์วิจารณ์อีกประการหนึ่งที่มุ่งเป้าไปที่ GPT-3 และ LLM อื่น ๆ คือผลลัพธ์ที่พวกเขาสร้างขึ้นมักจะแสดงความเป็นพิษและสร้างอคติทางชาติพันธุ์ เชื้อชาติ และอื่นๆ สิ่งนี้ไม่น่าแปลกใจเลย โดยจําไว้ว่าข้อมูลที่ใช้ในการฝึกอบรม LLM มาจากที่ใด: ข้อมูลทั้งหมดถูกสร้างขึ้นโดยผู้คน และส่วนใหญ่ถูกรวบรวมจากเว็บ เว้นแต่จะมีการดําเนินการแก้ไข เป็นที่คาดหวังทั้งหมดว่า LLM จะสร้างผลลัพธ์ดังกล่าว

สุดท้าย แต่ไม่ท้ายสุด LLM ต้องใช้ทรัพยากรมากมายในการฝึกอบรมและดําเนินการ คําพังเพยของ Chomsky เกี่ยวกับ GPT-3 คือ "ความสําเร็จเพียงอย่างเดียวคือการใช้พลังงานของแคลิฟอร์เนียจํานวนมาก" แต่ Chomsky ไม่ได้อยู่คนเดียวที่ชี้ให้เห็นเรื่องนี้ ในปี 2022 DeepMind ได้ตีพิมพ์บทความเรื่อง "Training Compute-Optimal Large Language Models" ซึ่งนักวิเคราะห์อ้างว่าการฝึกอบรม LLM ทําด้วยการใช้คอมพิวเตอร์ที่ไม่เหมาะสมอย่างลึกซึ้ง

ทั้งหมดที่กล่าวมา GPT-3 เป็นข่าวเก่าในทางหนึ่ง ไม่กี่เดือนที่ผ่านมาได้มีการประกาศ LLM ใหม่จํานวนหนึ่ง ในเดือนตุลาคม พ.ศ. 2021 Microsoft และ Nvidia ได้ประกาศ Megatron -- Turing NLG ที่มีพารามิเตอร์ 530 พันล้านตัว ในเดือนธันวาคม พ.ศ. 2021 DeepMind ได้ประกาศ Gopher ที่มีพารามิเตอร์ 280 พันล้านรายการ และ Google ประกาศ GLaM ด้วยพารามิเตอร์ 1,2 ล้านล้านรายการ

ในเดือนมกราคม 2022 Google ได้ประกาศ LaMDA ที่มีพารามิเตอร์ 137 พันล้านรายการ ในเดือนเมษายน พ.ศ. 2022 DeepMind ได้ประกาศ Chinchilla ที่มีพารามิเตอร์ 70 พันล้านรายการ และ Google ประกาศ PaLM ที่มีพารามิเตอร์ 540 พันล้านรายการ ในเดือนพฤษภาคม 2022 Meta ได้ประกาศ OPT-175B ที่มีพารามิเตอร์ 175 พันล้านรายการ

ไม่ว่าจะเป็นขนาด ประสิทธิภาพ ประสิทธิภาพ ความโปร่งใส องค์ประกอบชุดข้อมูลการฝึกอบรม หรือความแปลกใหม่ LLM แต่ละตัวเหล่านี้มีความโดดเด่นและไม่เหมือนใครในบางแง่มุม ในขณะที่ LLM เหล่านี้ส่วนใหญ่ยังคงไม่สามารถเข้าถึงได้สําหรับประชาชนทั่วไป แต่ คนวงในบางครั้งก็พูดจาโก นเกี่ยวกับความสามารถที่อ้างว่าของโมเดลเหล่านั้นในการ "เข้าใจ" ภาษา อย่างไรก็ตาม การอ้างสิทธิ์ดังกล่าวดูเหมือนจะ ค่อนข้างเกินจริง

ผลักดันขีดจํากัดของ AI ให้ไกลกว่าภาษา

แม้ว่า LLM จะมาไกลในแง่ของความสามารถในการปรับขนาดและคุณภาพของผลลัพธ์ที่พวกเขาสร้างขึ้น แต่สถานที่พื้นฐานของพวกเขายังคงเหมือนเดิม ด้วยเหตุนี้ จุดอ่อนพื้นฐานของพวกเขาจึงยังคงเหมือนเดิมเช่นกัน อย่างไรก็ตาม LLM ไม่ใช่เกมเดียวในเมืองเมื่อพูดถึง AI ที่ล้ําสมัย

ในขณะที่ LLM มุ่งเน้นไปที่การประมวลผลข้อมูลข้อความ แต่ก็มีโมเดล AI อื่นๆ ที่เน้นที่ข้อมูลภาพและเสียง สิ่งเหล่านี้ถูกนําไปใช้ในแอปพลิเคชัน เช่น คอมพิวเตอร์วิทัศน์และการรู้จําเสียง อย่างไรก็ตาม ในช่วงไม่กี่ปีที่ผ่านมาได้เห็นขอบเขตระหว่างรูปแบบโมเดล AI ที่พร่ามัว

สิ่งที่เรียกว่าการเรียนรู้แบบหลายรูปแบบคือการรวบรวมข้อมูลอิสระจากแหล่งต่างๆ ไว้ในโมเดล AI เดียว ความหวังในการพัฒนาโมเดล AI หลายรูปแบบคือสามารถประมวลผลชุดข้อมูลได้หลายชุดโดยใช้วิธีการตามการเรียนรู้เพื่อสร้างข้อมูลเชิงลึกที่ชาญฉลาดยิ่งขึ้น

OpenAI ระบุว่ามัลติโมดัลลิตี้เป็นวัตถุประสงค์ระยะยาวใน AI และมีความกระตือรือร้นอย่างมากในด้านนี้ ในการประกาศการวิจัยล่าสุด OpenAI นําเสนอสองโมเดลที่อ้างว่าจะทําให้เป้าหมายนี้ใกล้เข้ามาใกล้มากขึ้น

โมเดล AI ตัวแรก DALL · ได้รับการประกาศในเดือนมกราคม 2021 OpenAI ตั้งข้อสังเกตว่า DALL-E สามารถเปลี่ยนข้อความให้เป็นภาพที่เหมาะสมสําหรับแนวคิดที่หลากหลายที่แสดงออกเป็นภาษาธรรมชาติได้สําเร็จ และใช้วิธีการเดียวกับที่ใช้กับ GPT-3

โมเดล AI ที่สอง CLIP ซึ่งประกาศในเดือนมกราคม 2021 สามารถจําแนกรูปภาพได้ทันทีว่าอยู่ในหมวดหมู่ที่กําหนดไว้ล่วงหน้าด้วยวิธี "ยิงเป็นศูนย์" CLIP ไม่จําเป็นต้องปรับแต่งข้อมูลเฉพาะสําหรับหมวดหมู่เหล่านี้เหมือนโมเดล AI ภาพอื่นๆ ส่วนใหญ่ในขณะที่ทําคะแนนเหนือกว่าพวกเขาในเกณฑ์มาตรฐาน อุตสาหกรรม ImageNet

ในเดือนเมษายน 2022 OpenAI ได้ประกาศ DALL· จ 2. บริษัทตั้งข้อสังเกตว่าเมื่อเทียบกับรุ่นก่อน DALL-E 2 สร้างภาพที่สมจริงและแม่นยํายิ่งขึ้นด้วยความละเอียดที่สูงกว่า 4 เท่า

ในเดือนพฤษภาคม พ.ศ. 2022 Google ได้ประกาศโมเดล AI แบบมัลติโมดอลของตัวเองที่คล้ายคลึงกับ DALL-E ที่เรียกว่า Imagen การวิจัยของ Google แสดงให้เห็นว่าผู้ประเมินที่เป็นมนุษย์ชอบ Imagen มากกว่าโมเดลอื่นๆ ในการเปรียบเทียบแบบเคียงข้างกัน ทั้งในแง่ของคุณภาพตัวอย่างและการจัดตําแหน่งรูปภาพและข้อความ

ภาพนักบินอวกาศที่ขี่ม้าอันเป็นสัญลักษณ์ของ DALL-E 2 ได้รับการยกย่องว่าเป็น "ก้าวสําคัญในการเดินทางของ AI เพื่อทําความเข้าใจโลก" นักวิจารณ์โต้แย้งว่าอาจเป็นการพูดเกินจริง

ดูเหมือนว่าสิทธิในการคุยโม้นั้นผันผวนอยู่ตลอดเวลา สําหรับโมเดล AI หลายรูปแบบเหล่านั้นทําอะไรเพื่อจัดการกับคําวิพากษ์วิจารณ์เกี่ยวกับการใช้ทรัพยากรและอคติหรือไม่ แม้ว่าจะยังไม่ค่อยมีใครรู้มากนัก ณ จุดนี้ แต่จากสิ่งที่ทราบคําตอบดูเหมือนจะเป็น "อาจไม่ใช่" และ "ประเภท" ตามลําดับ แล้วส่วนข่าวกรองที่แท้จริงล่ะ? ลองดูใต้ประทุนสักครู่

OpenAI ตั้งข้อสังเกตว่า "DALL· 2 ได้เรียนรู้ความสัมพันธ์ระหว่างรูปภาพและข้อความที่ใช้อธิบาย ใช้กระบวนการที่เรียกว่า "การแพร่กระจาย" ซึ่งเริ่มต้นด้วยรูปแบบของจุดสุ่มและค่อยๆเปลี่ยนรูปแบบนั้นไปยังภาพเมื่อรับรู้ลักษณะเฉพาะของภาพนั้น"

Google ตั้งข้อสังเกตว่า "การค้นพบที่สําคัญของพวกเขาคือ LLM ทั่วไป (เช่น T5) ซึ่งได้รับการฝึกอบรมล่วงหน้าเกี่ยวกับคลังข้อมูลแบบข้อความเท่านั้นมีประสิทธิภาพอย่างน่าประหลาดใจในการเข้ารหัสข้อความสําหรับการสังเคราะห์รูปภาพ: การเพิ่มขนาดของโมเดลภาษาใน Imagen ช่วยเพิ่มทั้งความเที่ยงตรงของตัวอย่างและการจัดตําแหน่งรูปภาพและข้อความมากกว่าการเพิ่มขนาดของโมเดลการแพร่กระจายของภาพ"

แม้ว่า Imagen ดูเหมือนจะพึ่งพา LLM เป็นอย่างมาก แต่กระบวนการนี้แตกต่างออกไปสําหรับ DALL-E 2 อย่างไรก็ตาม ทั้งบุคลากรของ OpenAI และ Google ตลอดจนผู้เชี่ยวชาญอิสระอ้างว่าโมเดลเหล่านั้นแสดงให้เห็นถึงรูปแบบของ "ความเข้าใจ" ที่ทับซ้อนกับความเข้าใจของมนุษย์ การตรวจสอบเทคโนโลยีของ MIT ไปไกลถึงขั้นเรียกนักบินอวกาศขี่ม้า ซึ่งเป็นภาพที่กลายเป็นสัญลักษณ์สําหรับ DALL-E 2 ซึ่งเป็นก้าวสําคัญในการเดินทางของ AI เพื่อทําความเข้าใจโลก

อย่างไรก็ตาม Gary Marcus ยังคงไม่มั่นใจ Marcus นักวิทยาศาสตร์ นักเขียนหนังสือขายดี และผู้ประกอบการ เป็นที่รู้จักกันดีในแวดวง AI สําหรับการวิพากษ์วิจารณ์ในหลายหัวข้อ รวมถึงธรรมชาติของสติปัญญาและสิ่งที่ผิดปกติกับการเรียนรู้เชิงลึก เขาชี้ให้เห็นข้อบกพร่องอย่างรวดเร็วทั้งใน DALL-E 2 และ Imagen และมีส่วนร่วมในการสนทนาสาธารณะ รวมถึงกับผู้คนจาก Google

มาร์คัสแบ่งปันข้อมูลเชิงลึกของเขาในเรียงความ "นักบินอวกาศขี่ม้า" ข้อสรุปของเขาคือการคาดหวังว่าโมเดลเหล่านั้นจะไวต่อความหมายอย่างเต็มที่เนื่องจากเกี่ยวข้องกับโครงสร้างวากยสัมพันธ์เป็นความปรารถนาและการไม่สามารถให้เหตุผลเป็นจุดล้มเหลวทั่วไปของวิธีการแมชชีนเลิร์นนิงสมัยใหม่และเป็นสถานที่สําคัญในการค้นหาแนวคิดใหม่ ๆ

สุดท้ายแต่ไม่ท้ายสุด ในเดือนพฤษภาคม 2022 DeepMind ได้ประกาศ Gato ซึ่งเป็นโมเดล AI ทั่วไป ตามที่ Tiernan Ray ของ ZDNet ตั้งข้อสังเกตว่า Gato เป็นโมเดล AI หลายรูปแบบที่แตกต่างออกไป Gato สามารถทํางานกับข้อมูลหลายประเภทเพื่อทํางานได้หลายประเภท เช่น การเล่นวิดีโอเกม แชท การเขียนองค์ประกอบ คําบรรยายภาพ และการควบคุมบล็อกการ ซ้อนแขนหุ่นยนต์

ดังที่เรย์ยังตั้งข้อสังเกต Gato ทํางานได้ดีในหลายๆ เรื่อง อย่างไรก็ตาม นั่นไม่ได้หยุดผู้คนจากทีม DeepMind ที่สร้าง Gato จากการอุทานว่า "เกมจบลงแล้ว! มันเกี่ยวกับการทําให้โมเดลเหล่านี้ใหญ่ขึ้น ปลอดภัยขึ้น คํานวณได้อย่างมีประสิทธิภาพ สุ่มตัวอย่างเร็วขึ้น หน่วยความจําที่ชาญฉลาดขึ้น และรูปแบบที่มากขึ้น"

ภาษา เป้าหมาย และอํานาจทางการตลาดของคนไม่กี่คน

แล้วทั้งหมดนี้ทิ้งเราไว้ที่ไหน? นอกเหนือจากความเชื่อทางอภิปรัชญาและการระเบิดที่กระตือรือร้นแล้วควรตรวจสอบสถานะปัจจุบันของ AI ด้วยสติ แม้ว่าโมเดลที่เปิดตัวในช่วงไม่กี่เดือนที่ผ่านมาจะเป็นผลงานทางวิศวกรรมที่น่าประทับใจจริงๆ และบางครั้งก็สามารถสร้างผลลัพธ์ที่น่าทึ่งได้ แต่ความฉลาดที่พวกเขาชี้ให้เห็นนั้นไม่ได้ประดิษฐ์ขึ้นจริงๆ

สติปัญญาของมนุษย์อยู่เบื้องหลังวิศวกรรมที่น่าประทับใจที่สร้างแบบจําลองเหล่านั้น เป็นสติปัญญาของมนุษย์ที่สร้างแบบจําลองที่ดีขึ้นเรื่อย ๆ ในสิ่งที่เอกสารพื้นฐานของ Alan Turing Computing Machinery and Intelligence เรียกว่า "เกมเลียนแบบ" ซึ่งเป็นที่รู้จักกันอย่างแพร่หลายในชื่อ "การทดสอบทัวริง"

ในฐานะผู้อํานวยการบริหารของ Center on Privacy & Technology (CPT) ที่ Georgetown Law Emily Tucker เขียนว่า ทัวริงแทนที่คําถาม "เครื่องจักรสามารถคิดได้หรือไม่" ด้วยคําถามที่ว่ามนุษย์สามารถเข้าใจผิดว่าคอมพิวเตอร์เป็นมนุษย์คนอื่นได้หรือไม่

ทัวริงไม่ได้เสนอคําถามหลังในจิตวิญญาณของฮิวริสติกที่เป็นประโยชน์สําหรับคําถามก่อนหน้านี้ เขาไม่ได้บอกว่าเขาคิดว่าคําถามสองข้อนี้เป็นเวอร์ชันของกันและกัน เขาแสดงความเชื่อว่าคําถาม "เครื่องจักรสามารถคิดได้หรือไม่" ไม่มีคุณค่า และดูเหมือนจะหวังอย่างแน่วแน่สําหรับอนาคตอันใกล้ ซึ่งในความเป็นจริงแล้วเป็นเรื่องยากมากหากเป็นไปไม่ได้ที่มนุษย์จะถามคําถามกับตัวเองเลย

ในบางแง่มุม อนาคตนั้นอาจใกล้เข้ามาอย่างรวดเร็ว โมเดลอย่าง Imagen และ DALL-E จะหยุดทํางานเมื่อนําเสนอข้อความแจ้งที่ต้องใช้สติปัญญาแบบที่มนุษย์มีเพื่อดําเนินการ อย่างไรก็ตาม สําหรับเจตนาและวัตถุประสงค์ส่วนใหญ่ สิ่งเหล่านี้อาจถือเป็นกรณีขอบ สิ่งที่ DALL-E ของโลกสามารถสร้างได้นั้นเทียบเท่ากับศิลปินที่มีทักษะมากที่สุด

คําถามคือจุดประสงค์ของมันคืออะไร การใช้เวลาและทรัพยากรที่บางอย่างเช่น Imagen ต้องการเพื่อสร้างภาพเจ๋งๆ ได้ตามต้องการดูเหมือนจะค่อนข้างผิดที่

การมองว่านี่เป็นเป้าหมายระดับกลางในการสร้าง AI ที่ "จริง" อาจสมเหตุสมผลกว่า แต่ก็ต่อเมื่อเราเต็มใจที่จะยอมรับแนวคิดที่ว่าการทําสิ่งเดียวกันในระดับที่ใหญ่ขึ้นเรื่อย ๆ จะนําไปสู่ผลลัพธ์ที่แตกต่างกัน

โครงข่ายประสาทเทียมจะแปลงอินพุตวงกลมทางด้านซ้ายเป็นเอาต์พุตทางด้านขวา สิ่งที่เกิดขึ้นคือการเปลี่ยนแปลงของน้ําหนัก ศูนย์กลาง ซึ่งเรามักสับสนกับรูปแบบในข้อมูลเอง 

ในแง่นี้ ความตั้งใจของ Tucker ที่จะเจาะจงที่สุดเท่าที่จะเป็นไปได้ว่าเทคโนโลยีที่เป็นปัญหาคืออะไรและทํางานอย่างไร แทนที่จะใช้คําศัพท์เช่น "ปัญญาประดิษฐ์และ "การเรียนรู้ของเครื่อง" เริ่มสมเหตุสมผลในระดับหนึ่ง

ตัวอย่างเช่น Tucker เขียน แทนที่จะพูดว่า "การจดจําใบหน้าใช้ปัญญาประดิษฐ์" เราอาจพูดบางอย่างเช่น "บริษัทเทคโนโลยีใช้ชุดข้อมูลขนาดใหญ่เพื่อฝึกอัลกอริทึมให้ตรงกับภาพใบหน้ามนุษย์" ในกรณีที่คําอธิบายที่สมบูรณ์ก่อกวนข้อโต้แย้งที่ใหญ่กว่า หรือเกินความเชี่ยวชาญของ CPT พวกเขาจะชี้ให้ผู้อ่านไปยังแหล่งข้อมูลภายนอก

ความจริงแล้วฟังดูไม่ค่อยใช้งานได้จริงในแง่ของความสามารถในการอ่าน อย่างไรก็ตาม เป็นการดีที่จะจําไว้ว่าเมื่อเราพูดว่า "AI" มันเป็นแบบแผนจริงๆ ไม่ใช่สิ่งที่ต้องยอมรับตามมูลค่าที่ตราไว้ จริงๆ แล้วบริษัทเทคโนโลยีที่ใช้ชุดข้อมูลขนาดใหญ่เพื่อฝึกอัลกอริทึมเพื่อเลียนแบบสติปัญญาของมนุษย์

ซึ่งหลีกเลี่ยงไม่ได้ที่จะนําไปสู่คําถามเพิ่มเติม เช่น -- จะทําอะไรและเพื่อประโยชน์ของใคร ดังที่ Erik Brynjolfsson นักเศรษฐศาสตร์โดยการฝึกอบรมและผู้อํานวยการของ Stanford Digital Economy Lab เขียนว่าการให้ความสําคัญกับ AI ที่เหมือนมนุษย์มากเกินไปทําให้ค่าจ้างลดลงสําหรับคนส่วนใหญ่ "แม้ว่าจะขยายอํานาจตลาดของคนไม่กี่คน" ที่เป็นเจ้าของและควบคุมเทคโนโลยี

ในแง่นั้น AI ก็ไม่แตกต่างจากเทคโนโลยีอื่นๆ ที่มีมาก่อน สิ่งที่อาจแตกต่างในครั้งนี้คือความเร็วที่สิ่งต่าง ๆ กําลังคลี่คลาย และระดับของการขยายพลังของคนไม่กี่คน