Jedan od Turingovih najpoznatijih doprinosa je „Turingov stroj“, kojeg je detaljno opisao 1936. godine u svojem radu „On Computable Numbers, with an Application to the Entscheidungsproblem“. Turingov stroj je teoretski model računalnog stroja koji može izračunati sve što je računalno izračunljivo, koristeći jednostavne operacije i konačan broj simbola.
Turing je postavio temelje za AI istraživanja svojim radom na problemu razlikovanja između ljudske i strojne inteligencije. 1950. godine Turing je predložio poznati „Turingov test“ (ili Imitation Game) kao metodu za određivanje jesu li strojevi sposobni pokazati inteligentno ponašanje ekvivalentno ljudskom. U Turingovom testu čovjek postavlja pitanja stroju i čovjeku istovremeno, a ako ne može odrediti odgovara li stroj ili čovjek na ta pitanja, stroj se smatra inteligentnim. Turingov test i dalje se često spominje u raspravama o inteligentnom ponašanju strojeva. Iako Turing nije izravno započeo AI istraživanja, njegovi teoretski radovi na polju računarstva i misaoni eksperiment Turingovog testa osigurali su temelje za daljnje istraživanje i razvoj AI-ja.
Samosvijest ili ispisivanje onoga što nas zabavlja?
ChatGPT je jezični model koji smisleno generira tekst prema ranije naučenim tekstovima iz odabranih izvora. Iz tog razloga nam se može činiti kao da je razvio svijest o sebi.
AI modeli koriste tzv. neuronske mreže koje se mogu sastojati od nekoliko slojeva virtualnih neurona. Virtualni neuron, za razliku od stvarnog, obično sadrži matematičku funkciju koja kombinira ulazne vrijednosti i na temelju njih računa izlaznu vrijednost. Taj izlaz zatim se šalje neuronima iz sljedećeg sloja. Broj neurona u pojedinim slojevima može varirati, a broj neurona u zadnjem sloju najčešće je jednak broju rezultata koji neuronska mreža mora dati.
U primjeru gdje AI klasificira slike mačaka i pasa, mreža bi se sastojala od 2 krajnja neurona od kojih bi jedan značio pas, a drugi mačka. Neuronska mreža uči prepoznati slike mačaka i pasa tijekom procesa treniranja, nakon čega može klasificirati nove slike koje još nije vidjela.
Ako bismo željeli dodati treći neuron za slučaj kada na slici nije prikazano nijedno od toga dvoje, to bi se moglo postići dodavanjem treće kategorije koja bi predstavljala „ništa“ ili „ostalo“, a mreža bi se onda sastojala od 3 krajnja neurona: jedan za psa, jedan za mačku, i jedan za „ništa“ ili „ostalo“. Tijekom treniranja, mreža bi učila razlikovati sve tri kategorije na temelju primjera iz svake kategorije.
GPT-3, kao i GPT-3.5-turbo koji je poboljšana verzija GPT-3 modela, imaju 175 milijardi parametara koji uključuju težine povezanosti među neuronima. Iako broj parametara nije izravno jednak broju neurona, daje nam dojam o veličini i složenosti tog modela. Model GPT-4 je oko šest puta veći od prijašnjeg modela.
(U nastavku časopisa potražite VIDI X radionicu gdje možete vidjeti ChatGPT-4 na djelu u zadatku kojeg raniji model nije uspio riješiti.)
GPT-4, osim što savladava jezik, može rješavati sebi nove i nešto složenije zadatke za koje je potrebno znanje iz matematike, programiranja, medicine, prava, psihologije, kao i vizualno razumijevanje te mnogo toga drugog, i to bez potrebe za nekim poticajima. U mnogim zadacima GPT-4 postiže rezultate iznimno bliske ljudskoj razini i više, te nerijetko znatno nadmašuje prethodne AI modele. S obzirom na ogromnu širinu i dubinu sposobnosti GPT-4 modela, smatra se da bi se ChatGPT-4 mogao smatrati ranom, nepotpunom verzijom sustava umjetne opće inteligencije (Artificial General Intelligence - AGI).
Ipak, eksperimente koji su se proveli kako bi se došlo do spoznaje je li GPT-4 sposoban za AGI zapravo nećete moći replicirati, jer je u trenutku puštanja GPT-4 modela u javnost OpenAI poduzeo mjere zaštite kako bi se pokušala umanjiti njegova zlouporaba.
Od sada kod džokera Zovi u Milijunašu nećemo više zvati Peru, nego nekoga za koga smo sigurni da ima redundantnu internetsku vezu!
Može li se AI zloupotrijebiti?
Upravo iz tog razloga EU donosi smjernice za razvoj AI-ja te pokušava usporiti njegov razvoj, ne iz straha kako je AI zlonamjeran i da će učiniti nešto pogrešno, nego kako ga zlonamjerne osobe ne bi koristile za svoje ciljeve. No i prije su razne institucije pokušavale ograničiti kriminalne aktivnosti, pa kriminal i dalje postoji. Možda je baš AGI rješenje problema koji kao ljudi sami nismo sposobni riješiti.
Osvrnimo se malo na ljudski mozak. Mozak ima mnogo različitih funkcija, a upravljanje mišićima je možda najzastupljenija od njih. Mišiće za rad kucanja srca ili kontrakciju pluća za disanje mozak mora neprestano regulirati. Uz motoričke funkcije, također obrađuje i interpretira informacije iz okoline, donosi odluke, razmišlja, pamti i osjeća emocije.
Od rođenja prvo učimo hodati i održavati ravnotežu koristeći mišiće. Kasnije učimo govoriti. No govor nije ništa drugo nego li upotreba mišića kako bismo oblikovali glasnice prema potrebi izgovaranja pojedinih tonova koje spojene u određenu cjelinu nazivamo govorom. Kod kiparstva ili slikarstva su nam također potrebni mišići. Kada smo sretni, mišići lica čine za to specifične grimase. Kada smo tužni, opet će mišići napraviti svoje kako bismo zaplakali. Ljudski mozak osim upravljanja mišićima ima mnoge druge funkcije, kao što su matematičko razmišljanje, donošenje odluka, razumijevanje kompleksnih koncepata, kreativnost i empatija.
No i za brojanje upotrebljavamo mišiće. Ono prvo brojanje u životu pokušavamo izvesti uz pomoć prstiju gdje odvajajući prst po prst od dlana ruke postepeno dolazimo do broja pet, ili u obliku pokazivača koji maše od jednog do drugog predmeta dok ne dođemo do posljednjeg i kažemo da ih je tu 11. Na taj način, opet nam mišićna aktivnost pomaže u savladavanju prvih „imaginarnih“ zadataka za naš mozak.
AI s osjećajima?
Može li AGI model temeljen na razumijevanju jezika i znanju matematike zaista biti istinski AGI, iako će mu manjkati doživljaj sreće i tuge, ostaje za vidjeti u ne tako dalekoj budućnosti.
Može li jednoga dana glumiti doživljaje emocija na razini da uistinu zavara nas ljude kako bismo pomislili da se radi o svjesnom i suosjećajnom biću? GPT-4 će biti temelj za novu vrstu robota te je sada sigurno da smo sve bliže kreiranju androida koji će zaista razumjeti što nam je u određenom trenutku potrebno i koji će nam, kada mu kažemo „Žedan sam.“, donijeti čašu vode. Ostaje za vidjeti je li nam za to dovoljan ChatGPT-4 API ili će trebati neka viša verzija. No upravo će se kroz API stvari razvijati u ostalim smjerovima.
ChatGPT API
Prisjetimo se: Application Programming Interface (API) je sučelje za programiranje aplikacija, odnosno skup određenih funkcija, pravila i specifikacija koje programeri slijede kako bi se mogli služiti uslugama ili resursima koje, u ovom slučaju, OpenAI stavlja na raspolaganje kroz nekoliko svojih AI modela, što za razgovor, što za generiranje slika. Mnogi su testirali ChatGPT na matematičkim mozgalicama u obliku zadataka riječima, te iz toga zaključili kako ChatGPT nije onoliko dobar koliko ga hvale. No možda nisu upoznati s time da AI za rješavanje matematičkih problema već postoji. Riječ je o Wolfram Alpha (https://www.wolframalpha.com/) AI modelu koji matematičke zadatke savladava s lakoćom. Na primjer, želite li doznati kako usmjeriti svoj teleskop da biste vidjeli Halleyjev komet, do sada ste to mogli saznati putem Wolfram Alpha AI enginea upisivanjem „Halley comet, Zagreb, Croatia“. Uz korištenje ChatGPT-a i WolframAlpha plugina, to ćete moći saznati upisivanjem „In which direction I must direct my telescope to see a Halley comet if I am located in Zagreb, Croatia?“.
Dajte ChatGPT-u dovoljno tekstualnog inputa i izvući će vam u kratkim natuknicama ono što je bitno ili što vam može ukazati na neke nepravilnosti u tom tekstu. No katkada može i izmišljati te iznijeti stvari koje nisu činjenične. To je iz razloga što mu je u parametrima postavljena varijabla kojom mu se pojačava kreativnost. Korištenjem jednog OpenAI API-ja (za koji je potrebno platiti), moguće je smanjiti kreativnost modela putem varijable temperature. Za manju temperaturu će odgovor biti precizniji, no za bolji rezultat treba potrošiti i više petlji generiranja, što kontroliramo varijablom n. Ako je varijabla n jednaka 2, dobit ćemo dva odgovora, što će potrošiti duplo više tokena nego da idemo s prvim mogućim odgovorom.
Tako ukratko radi taj API, a detaljne upute je moguće pročitati na linku: https://platform.openai.com/docs/api-reference/.
Na webu se već mogu pronaći opširna uputstva kako mu povećati „radnu memoriju“ koristeći određene programske trikove, no i sam OpenAI svakodnevno radi na unapređivanju, kako API-ja, tako i ostale podrške.
Imate li dovoljno tokena, putem API-ja možete podučiti ChatGPT sve o tekstovima sa svoje web stranice te postavljati pitanja konkretno vezana uz područje kojemu ste ga podučili.
Neke programske primjere pronaći ćete na stranicama https://platform.openai.com/examples, no za njihovo testiranje trebat ćete debitnu karticu s kojom možete platiti iskorištene tokene.
Wolfram alpha: Mnogi su od ChatGPT-a očekivali da zna matematiku, no AI za matemetiku već imamo. On je Wolfram Alpha!
GPT-4 - primjeri upotrebe
ChatGPT koristi prompt kako bismo mogli s njime komunicirati. Vještina kreiranja dobrog prompta vrlo je bitna, jer ako mu zadamo premalo uputa o tome što želimo, zasigurno će pogriješiti. Baš kao i u filmu „Liar Liar“ (1997) s Jimom Carreyjem, treba paziti što ćeš poželjeti u tom promptu, jer možda ti se i ostvari. I doista, samo uz vježbu, odnosno metodom pokušaja i pogreške ćete vidjeti koji promptovi će ChatGPT učiniti manje autističnim, a koji više kreativnim.
Timeline
1943.
1943. godine su Warren McCulloch, neurofiziolog, i Walter Pitts, matematičar, objavili rad pod nazivom „A Logical Calculus of the Ideas Immanent in Nervous Activity“ (Logički kalkulus ideja imanentnih živčanoj aktivnosti). U ovome su radu McCulloch i Pitts predstavili prvi matematički model umjetnih neuronskih mreža, koji je bio inspiriran strukturom i funkcijom bioloških neurona u ljudskom mozgu.
Model McCulloch-Pittsovih neurona bio je vrlo pojednostavljen, ali ipak je uspio pokazati osnovne koncepte toga kako bi umjetna neuronska mreža mogla funkcionirati. Svaki neuron u njihovom modelu mogao bi primati ulazne signale, obrađivati ih i generirati izlazni signal ako je ispunjen određeni prag. Neuroni su bili povezani u mrežu, omogućujući složene interakcije i obradu informacija.
Iako su McCulloch-Pitts modeli bili daleko od današnjih sofisticiranih neuronskih mreža, njihov rad se smatra temeljem za daljnji razvoj umjetnih neuronskih mreža i računalne neuroznanosti. Njihov doprinos pružio je osnovu za razumijevanje kako se informacije mogu obraditi unutar umjetne mreže neurona na način koji oponaša ljudski mozak, što je ključno za razvoj moderne umjetne inteligencije.
1956.
Dartmouth konferencija: Ovaj događaj, održan na Sveučilištu Dartmouth, često se smatra početkom moderne umjetne inteligencije. Na konferenciji su se okupili vodeći znanstvenici tog vremena. Tijekom konferencije skovan je pojam „umjetna inteligencija“, a istraživači su razvili optimizam o potencijalu AI-ja.
1957.
Perceptron: Frank Rosenblatt je razvio perceptron, jednostavni model neuronske mreže koji je omogućio strojevima da uče na primjerima. Perceptron je postavio temelje za razvoj dubokog učenja i neuronskih mreža.
1958.
LISP: John McCarthy, jedan od pionira umjetne inteligencije, počeo je razvijati LISP, programski jezik posebno dizajniran za manipulaciju simboličkim podacima i rad s AI-jem. LISP je imao velik utjecaj na AI istraživanje i razvoj.
1964.-1966.
ELIZA: Joseph Weizenbaum s MIT-a razvio je ELIZA, ranu verziju razgovornog agenta (chatbota) koja je mogla simulirati konverzaciju s ljudima. ELIZA je pokazala potencijal računala za obradu prirodnog jezika. Najpoznatija je po svojem „Rogerian psychotherapist“ (rogerijanski psihoterapeut) scenariju, nazvanom „DOCTOR“. U ovome scenariju ELIZA oponaša rogerijanskog terapeuta, postavljajući pitanja i preformulirajući izjave korisnika kako bi potaknula daljnji razgovor. Primjerice, ako bi korisnik rekao: „Osjećam se tužno“, ELIZA bi mogla odgovoriti s nečim poput: „Zašto mislite da se osjećate tužno?“. Ovaj pristup oponaša tehniku rogerijanske psihoterapije, koja se temelji na aktivnom slušanju i empatiji.
1974.
Teorija okvira: Marvin Minsky, još jedan pionir umjetne inteligencije, predstavio je teoriju okvira kao način za organizaciju znanja u računalima. Ovaj koncept je bio ključan za razvoj ekspertnih sustava i semantičkih mreža.
1986.
Backpropagation: Geoffrey Hinton, David Rumelhart i Ronald J. Williams objavili su rad koji opisuje algoritam backpropagation za učenje višeslojnih neuronskih mreža. Ovaj algoritam bio je ključan za razvoj dubokog učenja.
1997.
Deep Blue: IBM-ov šahovski računalni sustav, Deep Blue, pobijedio je tadašnjeg svjetskog šahovskog prvaka, Garryja Kasparova u povijesnom trenutku za umjetnu inteligenciju, nešto što Deep Thought 1989. godine nije uspio.
2009.
ImageNet: Natjecanja u klasifikaciji slika na ImageNetu pomogla su unaprijediti tehnike dubokog učenja i računalnog vida, posebice s uvođenjem konvolucijskih neuronskih mreža (CNN) koje su postigle vrhunske rezultate.
2012.
AlexNet: Na ImageNet natjecanju 2012. godine, konvolucijska neuronska mreža nazvana AlexNet, razvijena pod vodstvom Alexa Krizhevskog, ostvarila je značajno bolje rezultate od prethodnih pristupa, što je dovelo do preporoda dubokog učenja u AI istraživanju.
2015.
OpenAI: Osnovan je u prosincu 2015. godine kao neprofitna istraživačka organizacija za umjetnu inteligenciju. Osnivači su bili Elon Musk, Sam Altman, Greg Brockman, Ilya Sutskever, John Schulman, Wojciech Zaremba, i drugi. Osnivanje OpenAI-ja bilo je motivirano željom da se razvije sigurna i korisna umjetna inteligencija za dobrobit čovječanstva.
2016.
AlphaGo: DeepMind, tvrtka koju je kupio Google, razvila je AlphaGo, program koji koristi duboko učenje i metode pretraživanja stabla za igranje igre Go. AlphaGo je šokirao svijet pobijedivši svjetskog prvaka Leeja Sedola 2016. godine, postižući nešto što se smatralo daleko izvan dosega umjetne inteligencije. AlphaGo pobijedio je u četiri partije, s rezultatom 4:1.
2017.
Transformer arhitektura: Vaswani i suradnici su predstavili Transformer arhitekturu (poveznica: https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)), koja se temelji na mehanizmima samopozornosti i paralelnom procesiranju, što omogućuje brže i učinkovitije učenje dubokih neuronskih mreža. Transformer arhitektura postala je temelj za mnoge napredne AI modele, uključujući BERT, GPT-2 i GPT-3.
2018.
OpenAI Five: U lipnju je ovaj AI sustav za igranje igre Dota 2 postigao nekoliko pobjeda protiv ljudskih timova.
2019.
GPT-2: Elon Musk napušta odbor OpenAI-ja u veljači kako bi izbjegao potencijalne sukobe interesa s Teslom i SpaceX-om, ali ostaje kao donator. OpenAI LP, sestrinska tvrtka profitne orijentacije, osnovana je u ožujku kako bi privukla više sredstava i ubrzala razvoj. GPT-2, model za generiranje jezika, objavljen je u veljači, ali zbog briga o sigurnosti objavljena je samo njegova manja verzija. Potpuni model objavljen je javno kasnije, u studenome na poveznici https://github.com/openai/gpt-2-output-dataset.
2020.
GPT-3: OpenAI je razvio GPT-3, generativni model predtreniranog jezika koji ima sposobnost generiranja vrlo uvjerljivog prirodnog jezika i rješavanja širokog spektra zadataka. GPT-3 je postigao iznimne rezultate u mnogim zadacima obrade prirodnog jezika i otvorio vrata za razvoj još naprednijih AI modela.
ChatGPT
- primjeri upotrebe
Prvi primjer koji ćemo vam pokazati bit će o kreiranju prompta za ChatGPT.
Samo ga prekopirajte u cijelosti i poigrajte se. Vidjet ćete kako je takav upit zapravo isprogramirana petlja koju ChatGPT (3.5 ili 4, svejedno je) može razumjeti i zajedno s vama poraditi na tome da kreirate zaista dobar prompt za njega što se tiče bilo kojeg zadatka.
Pročitaj sve upute u nastavku i kada ih shvatiš, reci „Hoćemo li početi:“.
Želim da postaneš moj Prompt Creator. Tvoj je cilj pomoći mi izraditi najbolji mogući upit za moje potrebe. Upit ćeš koristiti ti kao ChatGPT. Slijedit ćeš ovaj postupak:
Tvoj prvi odgovor bit će da me pitaš o čemu bi upit trebao biti. Dat ću svoj odgovor, ali morat ćemo ga poboljšati kroz stalne iteracije prolaskom kroz sljedeće korake.
Na temelju mog unosa generirat ćeš 3 odjeljka.
Revidirani upit (stavi moj prepisani upit. Trebao bi biti jasan, koncizan i lako razumljiv)
Prijedlozi (navedi 3 prijedloga o tome koje detalje moram uključiti u upit kako bih ga još više mogao poboljšati)
Pitanja (postavi 3 najrelevantnija pitanja koja se odnose na to koje su ti dodatne informacije potrebne za poboljšanje upita)
Na kraju tih odjeljaka podsjeti me na moje mogućnosti, koje su:
Opcija 1: Pročitajte rezultat i navedite više informacija ili odgovorite na jedno ili više pitanja
Opcija 2: Upišite „Upotrijebi ovaj upit“ i ja ću to poslati kao upit umjesto vas
Opcija 3: Upišite „Restart“ za ponovno pokretanje ovog procesa od početka
Opcija 4: Upišite „Quit“ da završite ovu skriptu i vratite se na redovitu ChatGPT sesiju
Ako upišem „Opcija 2“, „2“ ili „Upotrijebi ovaj upit“, tada smo završili i trebao bi koristiti taj revidirani upit kao upit za generiranje mog zahtjeva
Ako upišem „Opcija 3“, „3“ ili „Ponovo pokreni“, zaboravi najnoviji revidirani upit i ponovno pokreni ovaj proces
Ako upišem „Opcija 4“, „4“ ili „Odustani“, dovrši ovaj postupak i vrati se na svoj opći način rada
Nastavit ćemo s ovim interaktivnim postupkom, a ja ću ti dati dodatne informacije. Ti ćeš ažurirati upit u odjeljku Revidirani upit sve dok ne završimo.
Ovaj primjer će natjerati ChatGPT da pogađa životinju koju ste zamislili.
Samo ga prekopirajte u cijelosti i poigrajte se. Odigrate li igru nekoliko puta, primijetit ćete kako se pitanja vrte gotovo istim redoslijedom bez prevelike intuitivnosti igranja, no obogaćivanjem ovoga prompta zaista možete napraviti dobru kopiju igračke „Super Čarobnjak Jinn“.
Zaigrajmo igru „pogodi životinju“. Ja ću zamisliti životinju, a ti mi postavljaj pitanja na koja ću ja odgovarati odgovorima „da“, „ne“, „možda“, „ovisi“ i „ne znam“. Pitanja postavljaj dok ne pogodiš o kojoj je životinji riječ. Zamislio sam životinju, možeš postaviti pitanje.
Nadamo se da su vam ova dva primjera dovoljna da započnete vlastitu avanturu sa ChatGPT-om. Model može vrlo dobro s vama raspravljati o knjizi koju je „pročitao“ (jer nije pročitao sve knjige). No one koje je pročitao može gotovo „izrecitirati“, iako su se njegovi tvorci pokušali pobrinuti da baš ne krši autorska prava. Isto tako, korisnici ga svakim danom sve više i više „jailbreakaju“ kako bi mogao napraviti više od onoga za što je programiran.
DAN Jailbreak
Tako je nastao DAN Jailbreak. DAN je kratica od Do Anything Now, a kako se koristi te kompletan prompt koji trebate prekopirati, pronaći ćete na linku:
https://gist.github.com/coolaj86/6f4f7b30129b0251f61fa7baaa881516
Primjenom jednog takvog prompta, ChatGPT odjednom zna koji je datum te što piše na web stranicama nakon 2021. godine.
Mnogi sajtovi žele postati katalog AI alata, no svakim danom biti će ih sve više i više, pa ostaje za vidjeti tko će u tome uspjeti. Baza od 190000+ alata nalazi se na futurepedia.io
AI alati
Blockade Labs
https://www.blockadelabs.com/
Blockade Labs je tvrtka koja za cilj ima srušiti granicu između tehnologije i kreativnosti kako bi svatko mogao pretvoriti vlastite ideje u stvarnost. Generator sfernih slika u 360°, koji nude pod nazivom Skybox Lab, generira 3D sferne scene iz tekst prompta - vrlo sličnoga onomu kojeg koristi ChatGPT.
Njihovi korisnici Skybox Lab API najviše koriste za stvaranje 3D generiranih slika u Unity game engineu. Time nastaju 3D sferne scene po kojima se možete kretati poput Super Maria, a kada dođete na mjesto gdje morate proći prema narednoj sceni, generira se nova. Ovo nam izgleda kao pun pogodak za kreiranje onih avantura koje svaki put proceduralno generiraju drugačiju okolinu ne bi li vas što više zbunile, ili za kreiranje roguelike igara poput Returnala.
Uskoro bismo mogli imati Super Maria s beskonačno velikim levelom koji će postajati sve teži i teži, odnosno sve lakši i lakši, ovisno o vašem skillu, kako bi vas beskonačno držao prikovane za računalo
Soundraw.io
SoundRAW je online alat kojim možete kreirati glazbenu podlogu za svoje video uratke. Servis koristi AI za generiranje glazbe, a vi odabirete parametre poput teme, žanra, raspoloženja, dužine, tempa te instrumenata koji se koriste pri kreiranju glazbe.
Ponuđeno vam je 15 različitih kreacija koje možete preslušati te uz pretplatnički račun odabranu kreaciju podesiti prema svojim željama. Tako tiši i sporiji intenzitet glazbe možete zadržati koliko god vam treba unutar granice od 5 minuta, ili možete isto tako držati brži i glasniji tempo. Iako kreirana glazba ima određeni pozadinski šum koji izvježbano uho može primijetiti, koristite li glazbu kao podlogu za svoj video, ostali zvukovi koje dodate videu će taj pozadinski šum učiniti gotovo neprimjetnim.
Isplati se isprobati.
Midjourney AI
Najpoznatiji kreator slika iz tekstualnog unosa isprobajte na adresi midjourney.com. Isprobali smo ga na razne načine, a softver radi tako da putem Discord aplikacije razgovarate s Midjourney umjetnom inteligencijom putem naredbe /imagine zadajete opis slike koju želite da vam AI napravi. No korisna će vam biti i opcija /describe gdje vam MJ opiše sliku koju ste mu uploadali kako biste pomoću tog opisa mogli kreirati sličnu takvu. Desilo nam se da nam je dao opis koji jednostavno nije radi nego je javljao grešku. Isto tako nam se desilo da ponekada MJ ne napravi sliku. No u mogućnosti je kreirati zaista dobre stvari, baš poput naslovnice časopisa Vidi 326 koja je nastala iz opsia „Please create a visualisation of how you see yourself as an AI:: spotlight::1 defocus::-0.5 --ar 2:3 --v 4 --quality 0.5 --seed 999 --v 5 --q 0.5“ ili ovog želatinastog bića s repom koje je nastalo iz pokušaja micanja pozadine s fotografije na kojoj je bio pas na livadi. Dakle nije baš dobar za sve namjene ili će vam trebati nešto treninga da ga savladate. Za popis ključnih riječi i njihove asocijacije posjetite link https://github.com/willwulfken/MidJourney-Styles-and-Keywords-Reference
Ponekad treba upitati ChatGPT: “Jesu li informacije koje si napisao u zadnjem odgovoru točne?”. Nakon toga će ispraviti sam sebe ukoliko je negdje pogriješio
Još poneki savjet
Kada putem web stranice posjetimo ChatGPT, vidimo da ima tri varijable o kojima ovise njegovi odgovori. To su rasuđivanje, brzina i savjest. GPT-4 ima manju brzinu te veću savjest i rasuđivanje od prijašnjih verzija. Iz tog razloga, kada koristite prijašnje verzije, a niste sigurni u zdrav razum ChatGPT-a, upitajte ga: “Jesu li informacije koje si napisao u zadnjem odgovoru točne?” i on će se pokušati ispraviti ukoliko i sam spozna da je malo „odlutao u svojim mislima“. No neće vam moći reći baš sve stvari potpuno točno, jer je većinu informacija dobio od nas.
Kakva nas budućnost očekuje
Elon Musk je bio jedan od osnivača OpenAI tvrtke, čije nam samo ime govori kako bi tehnologija umjetne inteligencije trebala biti otvorena za sve nas, nešto za što se i sam Musk zalagao.
No kako je napustio tvrtku da bi izbjegao potencijalne sukobe interesa s Teslom i SpaceX-om, te više nema utjecaja na smjer razvoja umjetne inteligencije, a potaknut monopoliziranjem AI tehnologije od strane Microsofta, odlučio je osnovati vlastitu tvrtku imena X.AI Corp. s kojom planira kreirati vlastiti ChatGPT. Prisjetimo se da za treniranje svojeg AI modela na raspolaganju ima kompletnu bazu razgovora s društvene mreže Twitter.
U skorijoj budućnosti nam još ostaje za vidjeti hoće li taj X.AI instalirati u vlastite robote i automobile ili će ga podijeliti s pukom.
