Регулирование ИИ: реализуемые подходы к решению растущих проблем

По мере того как влияние технологий генеративного искусственного интеллекта (ИИ) продолжает расширяться, растет и обеспокоенность по поводу их потенциальных последствий. Эти опасения охватывают различные проблемы, от распространения дезинформации и вытеснения рабочих мест до потери творческого контроля и даже экзистенциальных угроз, создаваемых сверхинтеллектуальным ИИ.

В ответ на эти растущие страхи правительства по всему миру пытаются разобраться, как регулировать ИИ. В этой статье рассматриваются различные подходы к регулированию ИИ с учетом их технологической и экономической целесообразности.

Ограничение обучающих данных: технологически и частично экономически реализуемый подход

Один из жизнеспособных подходов к регулированию ИИ — ограничить обучающие данные, используемые моделями ИИ, материалами из общественного достояния и защищенным авторским правом контентом, для которого получено явное разрешение. Этот подход позволяет компаниям ИИ контролировать качество и законность данных, используемых в их моделях. 

С технологической точки зрения это ограничение полностью реализуемо, поскольку разработчики ИИ могут точно курировать свои обучающие наборы данных.

С экономической точки зрения существует компромисс между использованием ограниченных данных и достижением максимально возможного качества контента. Системы ИИ выигрывают от разнообразных и обширных обучающих данных, но соблюдение разрешений может ограничить разнообразие и богатство данных. 

Тем не менее, некоторые компании ИИ, такие как Adobe со своим генератором изображений Firefly, уже продвигают себя, используя только авторизованный контент, демонстрируя, что частичная экономическая целесообразность может быть достигнута.

Привязка вывода ИИ к создателям: технологически нереализуемая задача

Другим потенциальным направлением регулирования ИИ является привязка вывода технологии ИИ к конкретным создателям или группам создателей для компенсации. Однако этот подход сталкивается со значительными технологическими трудностями. 

Сложные алгоритмы, используемые в генеративном ИИ, делают практически невозможным определение того, какие входные образцы напрямую повлияли на вывод. Даже если такая атрибуция возможна, определение степени вклада каждого входного образца в вывод остается сложной задачей.

Сложность систем ИИ и отсутствие четкой связи между входными данными и выводом делают эту форму регулирования технологически нереализуемой. Это является критической проблемой, поскольку способность атрибутировать контент, сгенерированный ИИ, может определить, примут ли создатели и их лицензиаты технологию ИИ или будут ей противостоять.

Различение контента, созданного человеком и ИИ: технологически развивающаяся проблема

Опасения по поводу кампаний по дезинформации, сгенерированных ИИ, подчеркнули необходимость различать контент, созданный человеком, и контент, созданный ИИ. В то время как технологические стартапы активно разрабатывают решения для решения этой проблемы, текущее состояние технологий отстает от достижений в области генеративного ИИ.

Существующие подходы в основном полагаются на выявление паттернов, специфичных для генеративного ИИ, но этот метод подобен погоне за движущейся целью. С технологической точки зрения остается сложной задачей надежно различать контент, созданный человеком и ИИ. Однако быстрый прогресс в этой области предполагает, что решение может появиться в ближайшем будущем.

Привязка вывода ИИ к компаниям ИИ: технологически и экономически реализуемое регулирование

Альтернативный подход заключается в привязке контента, сгенерированного ИИ, к конкретному поставщику ИИ, ответственному за его создание. Это можно accomplished с помощью криптографических подписей — хорошо понятной и зрелой технологии. 

Компании ИИ могут криптографически подписывать весь вывод из своих систем, позволяя любому проверить подлинность источника контента.

Это регулирование является как технологически, так и экономически реализуемым, поскольку необходимая технология уже встроена в базовую вычислительную инфраструктуру. 

Тем не менее, это поднимает вопросы о том, желательно ли полагаться исключительно на контент, сгенерированный ограниченным числом хорошо зарекомендовавших себя поставщиков, чьи подписи можно проверить.