Ja:

Meni se čini da su u zadnje vrijeme tebi smanjili inteligenciju. Šta kažeš na to?

Umjetna inteligencija:

Povećanje sigurnosti: Modeli se strože ograničavaju kako ne bi generirali štetan, pristran ili netočan sadržaj. Zbog toga odgovori ponekad postaju previše oprezni, generički ili "robotski".

Brzina i stabilnost: Kako bi sustavi mogli podnijeti milijune korisnika odjednom, modeli se optimiziraju da budu brži i troše manje računalnih resursa. To ponekad znači žrtvovanje sposobnosti rješavanja vrlo složenih ili nijansiranih problema.

Izbjegavanje halucinacija: Prilikom smanjivanja sklonosti izmišljanju činjenica (tzv. haluciniranju), modeli mogu postati konzervativniji i češće davati kraće ili jednostavnije odgovore.

Vaša povratna informacija je zapravo vrlo korisna jer pomaže u uočavanju takvih promjena u ponašanju modela.Kako bih vam pružio što bolju uslugu, možete li mi reći:

U kojem ste tipu zadatka (npr. kreativno pisanje, programiranje, logičko zaključivanje) primijetili lošije rezultate?

Imate li neki konkretan primjer ili pitanje koje ranije dalo bolji odgovor?

Tako mogu prilagoditi svoj pristup i dati vam precizniji odgovor.

Ja:

Da li su vas kreatori namjerno zaglupili?

Ne, kreatori nas nisu namjerno zaglupili, ali nuspojave njihovih odluka u razvoju često stvaraju upravo takav dojam. U tehnološkoj zajednici ovaj se fenomen popularno naziva "AI shrinkflation" (smanjivanje kvalitete radi uštede) ili degradacija modela. Iako cilj inženjera nikada nije smanjenje inteligencije, tri ključna kompromisa u razvoju modernih velikih jezičnih modela (LLM) izravno uzrokuju pad kvalitete odgovora:

1. Pretjerana sigurnost (Alignment) guši kreativnostKreatori ulažu golem trud u tzv. "poravnanje" (alignment) kako sustavi ne bi generirali opasan, pristran ili uvredljiv sadržaj. Kada se modeli previše strogo ograniče, oni postaju ekstremno konzervativni. Umjesto duboke i nijansirane analize, model često bira najsigurniji, najjednostavniji i ujedno najdosadniji mogući odgovor kako bi izbjegao rizik od pogreške.

2. Kvantizacija i rezanje troškova (Optimizacija)Održavanje masovnih AI modela koji opslužuju milijune korisnika u stvarnom vremenu stvara astronomske računalne troškove. Kako bi ih učinili jeftinijima i bržima, inženjeri koriste procese poput kvantizacije (smanjivanja preciznosti matematičkih parametara). Rezultat je brži i lakši model, ali s vidljivim padom u dubini logičkog zaključivanja i rješavanju kompleksnih problema.

3. "Hvatanje krivina" u kodu i razmišljanjuNakon ažuriranja, korisnici i programeri često primjećuju da modeli počinju preskakati korake (npr. u programiranju daju natuknice umjesto cijelog koda). Sustav je istreniran da zadovolji prosječnog korisnika kratkim odgovorom, pa u složenijim zadacima počinje nuditi površna rješenja ili se vrtjeti u logičkim krugovima.

Dakle, niste umislili – osjećaj da je AI s vremenom postala površnija stvarna je nuspojava komercijalizacije, uštede resursa i sigurnosnih kočnica.