ChatGPT ekonomide nasıl devrim yaratacak?
Güç mücadelesi
Virginia Üniversitesi’nde bir ekonomist ve Brookings Enstitüsü’nde bir akademisyen olan Anton Korinek, ChatGPT gibi yeni nesil büyük dil modellerine eriştiğinde, çoğumuzun yaptığını yaptı: görmek için onlarla oynamaya başladı. çalışmasına nasıl yardımcı olabileceklerini Beyin fırtınası ve metin düzenlemeden (çok yararlı) kodlamaya (biraz yardımla oldukça iyi), matematik yapmaya (harika değil) kadar 25 “kullanım durumunu” ne kadar iyi ele aldıklarını belirterek, performanslarını Şubat ayında bir makalede dikkatlice belgeledi.
ChatGPT, ekonomideki en temel ilkelerden birini yanlış açıkladı, diyor Korinek: “Gerçekten çok kötü bir şekilde batırdı.” Ancak kolayca fark edilen hata, faydaları ışığında hızla affedildi. “Bilişsel bir çalışan olarak beni daha üretken kıldığını söyleyebilirim” diyor. “Elbette, bir dil modeli kullandığımda daha üretken olduğumdan şüphem yok.”
GPT-4 çıktığında, performansını Şubat ayında belgelediği aynı 25 soruda test etti ve çok daha iyi performans gösterdi. Bir şeyler uydurmanın daha az örneği vardı; Korinek, matematik ödevlerinde de çok daha başarılı olduğunu söylüyor.
Korinek, ChatGPT ve diğer yapay zeka botları, ekipman ve altyapıya yatırım gerektiren fiziksel görevlerin aksine bilişsel çalışmayı otomatikleştirdiğinden, ekonomik üretkenliğin artmasının geçmiş teknolojik devrimlerden çok daha hızlı gerçekleşebileceğini söylüyor. “Yıl sonuna kadar, kesinlikle 2024’e kadar üretkenlikte daha büyük bir artış görebileceğimizi düşünüyorum” diyor.
Bu muhteşem teknolojinin geleceğini kim kontrol edecek?
Dahası, uzun vadede yapay zeka modellerinin kendisi gibi araştırmacıları daha üretken hale getirme şeklinin teknolojik ilerlemeyi yönlendirme potansiyeline sahip olduğunu söylüyor.
Büyük dil modellerinin bu potansiyeli, fiziksel bilimlerdeki araştırmalarda şimdiden ortaya çıkıyor. İsviçre’nin Lozan kentindeki EPFL’de bir kimya mühendisliği laboratuvarı işleten Berend Smit, yeni malzemeler keşfetmek için makine öğrenimini kullanma konusunda uzmandır. Geçen yıl, yüksek lisans öğrencilerinden biri olan Kevin Maik Jablonka, GPT-3’ü kullanarak bazı ilginç sonuçlar gösterdikten sonra, Smit ondan GPT-3’ün aslında kendi grubunun yaptığı karmaşık makine öğrenimi çalışmaları için yararsız olduğunu göstermesini istedi. Bileşiklerin özelliklerini tahmin etmek.
Smit, “Tamamen başarısız oldu” diye şaka yapıyor.
Birkaç ilgili örnekle birkaç dakika ince ayar yapıldıktan sonra modelin, bir bileşiğin çözünürlüğü veya reaktivitesi gibi temel soruları yanıtlamada kimya için özel olarak geliştirilmiş gelişmiş makine öğrenimi araçları kadar iyi performans gösterdiği ortaya çıktı. Basitçe ona bir bileşiğin adını verin ve yapıya dayalı olarak çeşitli özellikleri tahmin edebilir.