We współczesnych procesach biznesowych, przyjęcie generatywnej AI wyszło poza etap wykorzystania narzędzi i wchodzi teraz w fazę systematyzacji.
Poza tym, czeka nas nowa era inteligencji, nazwana „Inteligencją Symfoniczną”.
Niniejszy artykuł bada obecny stan i przyszłe perspektywy wykorzystania generatywnej AI z dwóch perspektyw: pracy iteracyjnej i pracy przepływowej.
Praca Iteracyjna
W poprzednim artykule analizowałem perspektywy pracy iteracyjnej i narzędzi oraz pracy przepływowej i systemów, jako punktów widzenia umożliwiających generatywnej AI wykonywanie zadań.
Praca iteracyjna odnosi się do zadań, które ludzie wykonują, pół-nieświadomie łącząc wiele różnych konkretnych zadań i postępując metodą prób i błędów.
Dla tej pracy iteracyjnej narzędzia są optymalne. Poprzez wybieranie narzędzi pasujących do różnych zadań, praca może przebiegać efektywnie. Dlatego konieczne jest przygotowanie wymaganego zestawu narzędzi i zdobycie biegłości w ich używaniu.
Obecnie, gdy generatywna AI jest wykorzystywana w biznesie, zdecydowana większość przypadków dotyczy generatywnej AI jako narzędzia.
Większość dyskusji na temat poprawy efektywności biznesowej za pomocą generatywnej AI odnosi się do dodawania tego nowego i potężnego narzędzia do istniejącego zestawu narzędzi używanego przez ludzi do ich pracy iteracyjnej.
Problemy z Pracą Iteracyjną
Z drugiej strony, jak zauważono w poprzednim artykule, wzrost efektywności wynikający z narzędzi w pracy iteracyjnej jest stosunkowo ograniczony.
W miarę jak narzędzia stają się bardziej efektywne, ludzie ostatecznie stają się wąskim gardłem. Nie możemy ostatecznie przezwyciężyć ograniczenia ludzkich godzin pracy.
Co więcej, istnieje znacząca różnica w efektywności i dokładności pracy iteracyjnej między doświadczonymi pracownikami a nowo zatrudnionymi, a jej zniwelowanie jest trudne. W konsekwencji, nawet jeśli ktoś zamierza podwoić obciążenie pracą w następnym miesiącu, nie da się tego zrobić bez personelu posiadającego umiejętności weterana.
Aby rozwiązać problem bycia wąskim gardłem przez ludzi, ostatecznym rozwiązaniem byłoby zastąpienie wszystkiego sztuczną inteligencją.
Jednakże obecna generatywna AI nie posiada jeszcze tego poziomu wydajności.
Ponadto, nawet pozornie proste zadania iteracyjne, przy bliższym przyjrzeniu się, składają się z dużej liczby nieświadomych podzadań.
Z tego powodu, zadania te nie mogły zostać rozłożone na konwencjonalne systemy IT ani łatwe do zrozumienia instrukcje, lecz polegały na ludzkiej biegłości.
Dopóki te liczne nieświadome zadania wymagające biegłości nie zostaną zorganizowane, a niezbędne dla każdego z nich know-how nie zostanie skrystalizowane w wiedzę, generatywna AI, bez względu na to, jak bardzo poprawi się jej wydajność, nie będzie w stanie wykonywać zadań jako substytut ludzi.
Konwersja Pracy Przepływowej i Systematyzacja
Aby osiągnąć cele dystrybucji zadań w ramach obecnych ograniczeń wydajności generatywnej AI oraz uporządkowania nieświadomych zadań i krystalizacji know-how w wiedzę, niezwykle ważne jest zorganizowanie pracy iteracyjnej, opartej na próbach i błędach, w ustandaryzowaną pracę przepływową.
Ustandaryzowana praca przepływowa jest dobrze przystosowana nie tylko do narzędzi, ale także do systemów.
W ramach pracy przepływowej istnieją zadania do wykonania przez generatywną AI oraz zadania do wykonania przez ludzi. Poprzez połączenie ich w system, cała praca przepływowa staje się wykonalna.
Konwersja pracy przepływowej i systematyzacja przynoszą kilka znaczących korzyści:
Po pierwsze, ponieważ generatywna AI jest wyspecjalizowana do każdego indywidualnego zadania, optymalizacja jej efektywności i dokładności dla każdego zadania staje się jasna.
Po drugie, wielu pracowników może dodawać wiedzę do generatywnej AI, a korzyści rozciągają się na wszystkich.
Po trzecie, łatwiej jest stopniowo przenosić podział zadań w tej pracy na generatywną AI.
Poprzez przekształcanie pracy iteracyjnej w pracę przepływową i gromadzenie wiedzy wymaganej przez generatywną AI dla każdego zadania jako systemu, praca intelektualna zbliża się do automatyzacji, podobnie jak linia produkcyjna w fabryce.
A poprzez włączenie poprawiającej się podstawowej wydajności generatywnej AI, która ewoluuje wraz z czasem, oraz wykorzystanie zgromadzonej wiedzy wyspecjalizowanej dla różnych zadań, możliwe stanie się przekształcenie całej pracy przepływowej w zautomatyzowany proces realizowany przez generatywną AI.
Wirtualna Inteligencja
Dotychczasowa analiza opierała się na perspektywach pracy iteracyjnej i narzędzi oraz pracy przepływowej i systemów.
Inny, niedawny artykuł, dodatkowo rozwija tę dyskusję.
W tamtym artykule poruszyłem temat orkiestracji przez wirtualną inteligencję.
Obecnie, i w bardzo bliskiej przyszłości, ze względu na ograniczenia wydajności, generatywna AI jest bardziej efektywna i dokładna, gdy koncentruje się na konkretnych zadaniach.
Dlatego też, jak omówiono wcześniej w kontekście pracy przepływowej i systemów, idealny był mechanizm łączący wyspecjalizowane generatywne AI dla każdego indywidualnego zadania.
Jednakże, nawet jeśli wydajność generatywnej AI znacząco się poprawi, przetwarzanie zadań poprzez przełączanie ról i wykorzystywanie wiedzy w ramach jednego procesu, zamiast jednoczesnego obsługiwania wielu zadań, może potencjalnie prowadzić do wyższej efektywności i dokładności.
Takie podejście eliminuje potrzebę istnienia systemu łączącego generatywne AI. Operacje podobne do integracji systemów odbywałyby się w ramach samej generatywnej AI.
Co więcej, pozwala to na elastyczne reakcje w ramach samej generatywnej AI, odchodząc od sytuacji, w których zadań nie można zamieniać ani dodawać bez modyfikacji systemu.
Oznacza to powrót zsystematyzowanej pracy przepływowej do pracy iteracyjnej.
Jednakże ta praca iteracyjna, po przejściu przez systematyzację i konwersję pracy przepływowej, znajduje się teraz w stanie, w którym można tworzyć wiedzę wielokrotnego użytku, nawet jeśli zwiększa się liczbę generatywnych AI lub zmieniają się ich wersje.
Rozwiązuje to problemy ludzkiej pracy iteracyjnej, umożliwiając elastyczną pracę podobną do ludzkiej.
Tutaj, zdolność generatywnej AI do przełączania ról i wiedzy podczas pojedynczego wykonania nazywam wirtualną inteligencją. Jest to analogiczne do maszyny wirtualnej komputera.
Podobnie jak technologia maszyn wirtualnych symuluje działanie zupełnie różnych komputerów na jednym sprzęcie, pojedyncza generatywna AI przetwarza zadania, przełączając się między wieloma rolami.
Obecna generatywna AI już naturalnie nabyła tę zdolność wirtualnej inteligencji. Z tego powodu generatywna AI może symulować dyskusje między wieloma osobami i generować powieści z wieloma postaciami.
Jeśli ta zdolność wirtualnej inteligencji się poprawi i zostanie dostarczona wystarczająca wiedza, możliwe stanie się wykonywanie pracy iteracyjnej.
Orkiestracja Inteligencji
Ponadto, zdolność do swobodnego łączenia wielu ról i wiedzy w celu wykonywania zadań w ten sposób nazywam orkiestracją inteligencji.
Jest to podobne do technologii orkiestracji, która zarządza wieloma maszynami wirtualnymi.
Tak jak technologia orkiestracji efektywnie obsługuje systemy, uruchamiając potrzebne maszyny wirtualne w razie potrzeby, generatywna AI o zwiększonych umiejętnościach orkiestracji inteligencji – zdolności wirtualnej inteligencji – będzie w stanie elastycznie wykonywać pracę iteracyjną, jednocześnie odpowiednio zarządzając licznymi rolami i wiedzą oraz utrzymując efektywność i dokładność.
Inteligencja Symfoniczna
Generatywna AI, która osiąga ten etap, może być nazywana Inteligencją Symfoniczną.
Podobnie jak orkiestra, biegła w grze na każdym instrumencie, wykonuje jeden utwór muzyczny, spełniając swoje role, tak Inteligencja Symfoniczna może zagrać symfonię zadań intelektualnych.
Ta Inteligencja Symfoniczna to nowa koncepcja, reprezentująca jeden z kulminacyjnych punktów dla generatywnej AI.
Jednakże sama Inteligencja Symfoniczna już istnieje.
To nasza ludzka inteligencja.
Właśnie dlatego, że posiadamy Inteligencję Symfoniczną, możemy nieświadomie i elastycznie wykonywać wiele złożonych zadań intelektualnych poprzez pracę iteracyjną, wykorzystując bogactwo know-how.
Podsumowując: Forma AGI
Dostarczając generatywnej AI zdolnej do symulowania Inteligencji Symfonicznej pracy przepływowej i baz wiedzy dla innych zadań, stanie się ona zdolna do obsługi wielu zadań iteracyjnych.
Gdy będzie w stanie obsługiwać liczne różne zadania iteracyjne, będzie mogła uchwycić wspólne zasady między tymi zadaniami oraz wzorce strukturalne w ramach wiedzy.
W tym momencie, w przypadku całkowicie nieznanych zadań iteracyjnych, wystarczy krótkie wyjaśnienie od człowieka, a AI będzie w stanie nauczyć się know-how tego zadania, po prostu obserwując, jak wykonuje je człowiek.
To jest prawdziwa Inteligencja Symfoniczna. Po osiągnięciu tego etapu, ludzie nie będą już musieli wkładać wysiłku w przekształcanie pracy w procesy przepływowe ani w krystalizację know-how w wiedzę.
Co więcej, wiedza automatycznie zgromadzona przez generatywną AI może być współdzielona z innymi generatywnymi AI.
Jeśli to nastąpi, zdolność uczenia się generatywnej AI daleko przewyższy zdolności ludzi.
Można to uznać za jedną z form AGI.