Kuvunja Umoja wa Akili wa AI (AI Hivemind): Jinsi Flint Inavyopambana na "Groupthink" ya LLM

Ingawa mifumo mikubwa ya lugha (LLM) kama ChatGPT na Claude ni bora katika uandishi wa kodi na utafiti, inazidi kuangukia katika mtego wa "fikra za kundi" (groupthink) zinazotabirika. Wakati mifumo mikuu inakusanyika kwenye majibu yanayojirudia na yenye uwezekano mkubwa, kampuni mpya ya kuanzia (startup) inajaribu kuingiza utofauti unaohitajika sana katika mfumo wa AI inayozalisha (generative AI).

Tatizo: Athari ya "Artificial Hivemind"

Kikwazo kikubwa katika maendeleo ya LLM ya sasa ni mwelekeo wa mifumo kuelekea jibu lenye uwezekano mkubwa zaidi wa kitakwimu, jambo linalopelekea hali ambayo watafiti wanaiita "Artificial Hivemind." Makala iliyoshinda tuzo ya NeurIPS, “Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond),” ilifichua marudio haya yaliyokita mizizi.

Timu ya utafiti ilijaribu LLM 25 tofauti, ikiwa ni pamoja na mifumo mikuu ya Marekani na matoleo ya chanzo huru (open-source) kutoka China. Walipoombwa kutoa sitiari ya "muda," sehemu kubwa ya majibu 1,250 yalielekea kwenye nahau zilizochakaa kama "Muda ni mto" au "Muda ni mtwishi." Ukosefu huu wa utofauti si jambo la ajabu tu; ni matokeo ya mafunzo ya mifumo kwenye seti za data zinazofanana kwa lengo kuu la kuongeza uaminifu na uwiano. OpenAI imekiri kuwa kujaribu kuleta upya (novelty) kunaweza wakati mwingine kusababisha majibu dhaifu na yasiyoaminika, ndiyo maana mifumo mingi huchagua majibu salama yenye "uwezekano mkubwa."

Flint Imewadia: Kupa Kipaumbele Utofauti Badala ya Utabiri

Kampuni ya kuanzia ya Australia, Springboards, inapinga hali hii kwa kutumia mfumo wake mpya, Flint. Tofauti na mifumo mikuu inayopambana na "hallucinations" kwa gharama yoyote ile, Mkurugenzi Mtendaji wa Springboards, Pip Bingemann, anahoji kuwa kiwango fulani cha utofauti usiotabirika ni muhimu kwa kazi za ubunifu.

Katika majaribio ya vitendo, tofauti katika usambazaji wa matokeo ni wazi:

  • Nasibu (Randomness): Walipoombwa namba ya nasibu, ChatGPT na Claude mara nyingi walichagua "7," wakati Flint ilitoa namba za usahihi wa juu zisizo za kawaida kama "3.7916."
  • Ujenzi wa Chapa wa Ubunifu: Walipoombwa kauli mbiu ya New Balance, Claude na ChatGPT zote zilitengeneza "Run your way," wakati Flint ilitoa mbadala tofauti: "Built to last, run to win."
  • Uteuzi wa Nomino: Wakati mifumo mikuu inazama kwenye chapa "salama" kama Toyota au Honda, Flint inaonyesha upeo mpana zaidi, ikichagua chaguzi zisizotabirika kama Ford F-150.

Chombo cha Ubunifu kwa Wataalamu

Springboards haijengi tu mfumo unaojitegemea; wanatengeneza chombo maalum kwa ajili ya wataalamu wa matangazo na masoko. Jukwaa hilo linawaruhusu watumiaji kukusanya matokeo kutoka kwa mifumo mingi—ikiwa ni pamoja na ChatGPT na Claude—na kuyaunganisha ili kuunda mawazo mapya. Flint inatumika kama "kipatuli cha ubunifu" (creative catapult) ndani ya mfumo huu, ikiwa imeundwa mahususi ili kuwatoa watumiaji nje ya mifumo yao ya kiakili iliyopo.

Zoe Scaman, Afisa Mkuu wa Mkakati katika 77X, alibainisha kuwa wakati mifumo mikuu mara nyingi inapendekeza suluhisho zilezile zilizochakaa (kama vile "kufundisha elimu ya kifedha kwa njia ya kufurahisha"), Flint inatoa mabadiliko makubwa ya mtazamo, kama vile kupendekeza ujenzi upya wa chapa (rebranding) kwa dhana yenyewe ya ukusanyaji wa mali.

Mambo Muhimu ya Kuzingatia

  • Ufanano wa LLM: Mifumo mikuu inakusanyika kwenye majibu yanayofanana na yanayotabirika kutokana na mbinu zinazofanana za mafunzo, jambo linalozalisha athari ya "Artificial Hivemind."
  • Mtazamo wa Flint: Mfumo wa Flint wa Springboards unatoa kipaumbele kwa utofauti wa majibu, hali inayoufanya uwe bora zaidi kwa ajili ya kutoa mawazo (brainstorming) na mikakati ya ubunifu kuliko mifumo ya kawaida.
  • Mabadilishano ya Uaminifu: Sekta inakabiliwa na mvutano wa msingi kati ya uaminifu wa mfumo (kubaki ndani ya mipaka yenye uwezekano mkubwa) na upya wa ubunifu (kukubali matokeo tofauti yenye uwezekano mdogo).