Изван GPT-5: Следећа граница основних модела

Osnovni modeli poput OpenAI-jevog GPT-4 već su transformisali način na koji pišemo, programiramo i komuniciramo. Kako AI zajednica očekuje GPT-5, očekivanja daleko prevazilaze skromnu nadogradnju – predviđa se promena paradigme u načinu na koji sarađujemo sa inteligentnim mašinama seniorexecutive.com. U ovom izveštaju istražujemo šta se nalazi iza GPT-5, pregledajući nova dostignuća u mogućnostima AI modela, strategijama treniranja, pravcima istraživanja i širem društvenom okruženju. Svaki deo osvetljava sledeću granicu osnovnih modela: od tehničkih proboja (razlogovanje, multimodalnost, memorija, itd.) do novih pristupa treniranju, demokratizacije otvorenog koda, etičkih/regulatornih izazova i čak spekulativnih vizija AGI (Opšte veštačke inteligencije). Cilj je da se pruži pristupačan, ali pronicljiv pregled za svakoga koga zanima kuda ide AI.

Očekivani tehnološki napreci nakon GPT-5

Izvršni direktor OpenAI-ja Sam Altman nagovestio je da će GPT-5 doneti značajna unapređenja – uključujući multimodalno razumevanje, trajnu memoriju, više “agenskog” ponašanja i poboljšano rezonovanje seniorexecutive.com. Gledajući još dalje, možemo očekivati da osnovni modeli napreduju na nekoliko polja:

Jače rezonovanje i rešavanje problema: Budući modeli biće bolji u logičkom rezonovanju, složenom planiranju i praćenju višestepenih instrukcija bez gubljenja traga. To znači manje besmislenih odgovora i više pouzdanih, na činjenicama zasnovanih odgovora. Poboljšano rezonovanje je u fokusu; na primer, Microsoft-ovi istraživači koristili su nove tehnike (poput Monte Karlo pretrage stabla i reinforcement learninga za logiku) kako bi drastično unapredili rešavanje matematičkih problema u manjim modelima microsoft.com. Sve u svemu, modeli sledeće generacije bi trebalo da manje haluciniraju i rešavaju teže probleme razmišljajući na strukturiran, korak-po-korak način yourgpt.ai.
Prirodna multimodalnost: Dok je GPT-4 uveo unos slika, sledeća granica je zaista multimodalni AI koji tečno obrađuje tekst, slike, zvuk, video i više. Očekuje se da će i sam GPT-5 nativno podržavati audio (glas), pored teksta i slika yourgpt.ai. Dalje od toga, modeli će integrisati modalitete besprekorno – na primer, analizirati grafik, razgovarati o njemu i generisati narisani rezime odjednom. Google-ov Gemini AI je rani primer: njegova najnovija verzija prihvata slike, video i zvuk kao ulaz i čak može da proizvodi izlaze poput generisanih slika ili izgovorenih odgovora blog.google. Ukratko, AI sutrašnjice će gledati, slušati i govoriti, omogućavajući mnogo prirodnije interakcije (zamislite glasovne asistente koji zaista razumeju šta vide ili AI koji montira video na osnovu razumevanja sadržaja).
Proširena memorija i kontekst: Današnji modeli imaju ograničenu memoriju razgovora ili dokumenta, ali predstojeći će pamtiti mnogo više. Priča se da će GPT-5 moći da obrađuje preko 1 milion tokena konteksta yourgpt.ai yourgpt.ai – praktično pamteći čitave knjige ili višednevne razgovore odjednom. Čak i trenutni sistemi pomeraju ovu granicu: Claude model kompanije Anthropic uveo je prozor od 100.000 tokena (približno 75.000 reči), što mu omogućava da primi stotine strana i zapamti detalje satima kasnije anthropic.com anthropic.com. Ovaj prošireni kontekst, zajedno sa pravom trajnom memorijom kroz više sesija, otvara vrata AI-u koji vas „pamti“. Zamislite AI asistenta koji se seća vaših preferencija, prethodnih razgovora ili ličnih beleški bez ponovnog podsećanja – mogućnost koju dizajneri GPT-5 izričito ciljaju seniorexecutive.com. Takva dugoročna memorija čini interakciju koherentnijom i personalizovanijom.
Učenje i adaptacija u realnom vremenu: Budući osnovni modeli možda neće biti statični nakon treniranja; naprotiv, adaptiraće se u realnom vremenu. Današnji modeli su „zamrznuti“ kada se pokrenu, ali istraživači proučavaju kontinualno učenje tako da AI sistemi mogu ažurirati svoja znanja ili prilagoditi korisničkim povratnim informacijama odmah. Vizija je AI koji uči iz svake interakcije, neprestano se poboljšavajući (unutar sigurnih granica), umesto da čeka na veliko novo treniranje. Ovo bi označilo prelaz „od krutih, unapred definisanih šema ka dinamičnijim, automatizovanim i fleksibilnim implementacijama“ – modelima koji koriste najnovije podatke i kontekst dok rade dataversity.net. U praksi, AI nakon GPT-5 mogao bi odmah učiti novi žargon, osvežavati bazu znanja kad se pojave novi naučni radovi ili vesti i dorađivati stil prema svakom korisniku bez obimnog reprogramiranja. Postizanje toga bez „katastrofalnog zaborava“ (gubitka prethodnog znanja) je izazov za istraživače arxiv.org, ali se napredak polako ostvaruje.
Personalizacija i agensko ponašanje: Sa boljom memorijom i učenjem u hodu dolazi personalizacija. Možemo očekivati da se osnovni modeli prilagođavaju potrebama i preferencama svakog korisnika. OpenAI-jev plan za GPT-5 uključuje mogućnost da „pamti korisnike i sesije – omogućavajući pravu personalizaciju radnih tokova“ yourgpt.ai. Vaš AI asistent za pisanje može imitirati vaš ton, vaš copilot za programiranje može se prilagoditi vašem stilu koda, a korisnička podrška će odmah prepoznati istoriju klijenta. Paralelno, modeli postaju sve agenskiji – ne odgovaraju samo na upite, već izvršavaju autonomne radnje kad im se to zatraži. GPT-5 se opisuje kao korak ka „autonomnom agentu koji planira i izvršava“ zadatke seniorexecutive.com. To znači da AI može samostalno delegirati podzadatke specijalizovanim alatima ili API-jima. Na primer, napredni model mogao bi isplanirati putovanje i rezervisati letove i hotele putem online alata, kao odgovor na opšti nalog korisnika seniorexecutive.com seniorexecutive.com. Ovakav proaktivan, alat-koristeći AI je velika promena u odnosu na reaktivne chatbotove iz prošlosti, efektivno evoluirajući u saradničkog digitalnog asistenta ili kopilota za zadatke iz stvarnog sveta.

Trendovi u pristupima treniranju

Dostizanje ovih napredaka zahteva ne samo više podataka ili parametara, već nove strategije treniranja i arhitekture. Istraživači i inženjeri isprobavaju obećavajuće pristupe mimo standardnog „pretretiraj ogroman Transformer na brdu teksta“ recepta:

Arhitekture mešavine eksperata (MoE): Jedan od efikasnih načina za skaliranje modela je upotreba mešavine eksperata, gde mnogo podmreža („eksperata“) postaju specijalizovane za različite ulaze. Umesto jednog monolitnog modela, MoE model rutira svaki upit relevantnim ekspertima. Ova tehnika omogućava ogromnu kapacitet modela bez proporcionalnog povećanja troškova računanja – ona je „ređa“. U stvari, MoE slojevi su navodno korišćeni i u GPT-4 i drugim naprednim sistemima developer.nvidia.com. I open-source zajednica je prihvatila MoE; na primer, Mistral Mix-8B model koristi osam ekspertskih komponenti u osnovi sa 7B parametara developer.nvidia.com. Prednost je jasna: MoE može povećati broj parametara i kapacitet modela bez astronomskih troškova po upitu. Na primer, prema NVIDIA analizi, MoE model od 46 milijardi parametara može aktivirati samo ~12B po tokenu, štedeći resurse u poređenju sa ekvivalentnim gustim modelom developer.nvidia.com. Ova flop-efikasnost znači da se na istom budžetu MoE modeli mogu trenirati na više podataka ili postići bolje performanse developer.nvidia.com. Kako treniranje džinovskih modela (poput Meta-inih LLaMA 2 od 70B parametara, za koji je procenjeno da je potrošeno 3,3 miliona GPU-časova developer.nvidia.com) postaje izuzetno skupo, očekujte da će MoE dizajni postajati sve popularniji za GPT-5++ i dalje. Oni obećavaju više pameti za manje novca.
Reinforced Learning i treniranje na osnovu povratnih informacija: Drugi trend je uključivanje reinforcement learninga (RL) za dodatno treniranje modela, naročito za usaglašavanje sa ljudskim preferencijama ili logičkim ciljevima. OpenAI je ovo popularizovao kroz RLHF (Reinforcement Learning from Human Feedback) u instrukcijskim modelima kao što je ChatGPT. U budućnosti, RL će se koristiti na još kreativnije načine. Na primer, treniranje modela za rešavanje problema kroz pokušaje i greške: Microsoftov Logic-RL projekat nagrađivao je model samo kad su i rezonovanje i konačan odgovor tačni na logičkim zagonetkama, čime ga je terao da izbegava prečice i bude rigorozan microsoft.com. Ova metoda je više nego udvostručila tačnost na nekim matematičkim testovima za model od 7B parametara microsoft.com. Reinforcement learning može voditi i korišćenju alata – npr. AI agent uči koji niz akcija (API poziva, izvršavanje koda) daje najbolji ishod za zadatak. Očekujemo da će sledeći osnovni modeli biti obučavani kombinacijom nadgledanog učenja, povratnih petlji sa ljudima i RL-a u simuliranim okruženjima, zarad boljeg donošenja odluka. Ukratko, modeli izvan GPT-5 neće samo predviđati jezik, već i eksperimentisati i prilagođavati se kroz povratnu informaciju – slično kao ljudi kroz praktično iskustvo.
Kontinualno i doživotno učenje: Klasično treniranje modela je završeno s jednim setom podataka: nakon unošenja velike statične baze, težine modela se „zamrzavaju“. Ali stvarni svet se stalno menja; nova granica je omogućiti modelima da uče kontinuirano bez zaboravljanja starog znanja. Istraživači se sada bave „CL za LLM“ (Continual Learning za velike jezičke modele) arxiv.org. Izazov je izbeći katastrofalni zaborav, gde učenje novih zadataka ili podataka uništava stare veštine arxiv.org. Predložena rešenja uključuju: inkrementalno treniranje po domenima (periodično obnavljanje znanja novim informacijama), adapter module koje se mogu ubacivati za nove oblasti, i repetitivne metode memorije za održavanje osnovnog znanja. Prema literaturi, kontinualno učenje se deli na vertikalno (od opšteg ka specijalizovanom) i horizontalno (promena kroz vreme) arxiv.org. U praksi, već viđamo razvoj – recimo, servisi koji dozvoljavaju dodatno podešavanje GPT-modela na lične ili kompanijske podatke nakon puštanja. U budućnosti, osnovni model bi mogao rutinski ažurirati sebe najnovijim naučnim radovima, a lični AI asistent bi vremenom sve bolje razumeo korisnika – bez ponovnog treniranja iz početka. Pravo doživotno učenje je još nerazrešen istraživački problem, ali se smatra ključnim za dostizanje inteligencije slične ljudskoj.
Neuralno-simbolički i hibridni metodi: Zanimljivo područje jeste kombinacija neuronskih mreža sa simboličkim rezonovanjem ili eksplicitnim znanjem. Čisto duboko učenje ponekad ima slabosti u rigoroznoj logici, aritmetičkoj preciznosti ili tačnosti činjenica. Neuralno-simbolički pristupi teže kombinovati kreativnost neuronskih mreža sa pouzdanošću formalnih metoda. Na primer, sistem LIPS (LLM-based Inequality Prover) spaja prepoznavanje obrazaca velikog jezičkog modela sa simboličkim matematičkim rešavačem za dokazivanje matematičkih nejednakosti microsoft.com. LLM rešava fleksibilni deo (pristup dokazu), dok strogu algebru prepušta simboličkom sistemu – što daje vrhunske rezultate na složenim matematičkim zadacima bez dodatnih trening podataka microsoft.com. Uopšteno, sve češća je chain-of-thought tehnika kojom se usred odgovora prizivaju spoljni alati (poput izvođenja Python koda ili upita nad bazama znanja). Budući treninzi mogu eksplicitno učiti modele kada i kako da koriste simboličke alate. Takođe, kreiranje sintetičkih podataka formalnim logičkim metodama koristi se za trening modela – Microsoftova „neuro-simbolička“ platforma automatski je proizvodila nove matematičke zadatke mutiranjem simboličkih formula i preformulacijom istih putem LLM-a microsoft.com. Sve ove inicijative vode ka osnovnim modelima koji integralno primenjuju više metoda rezonovanja: oni mogu interno simulirati kod, manipulisati grafovima znanja ili uvoditi logička ograničenja pri generisanju odgovora. Ovo bi moglo znatno poboljšati doslednost i tačnost u oblastima kao što su pravo, nauka i programiranje. Suštinski, modeli budućnosti mogu učiti algoritme i pravila, a ne samo statističke korelacije – što je korak bliže pouzdanom AI rezonovanju.

Novi pravci istraživanja i promene paradigme

Van konkretnih tehnika i funkcija, i sama AI scena se menja tako da će oblikovati modele nakon GPT-5. Nekoliko ključnih trendova se izdvaja:

Open-source modeli i demokratizacija veštačke inteligencije: U prošlosti, najnapredniji jezički modeli dolazili su samo od nekolicine tehnoloških giganata i bili su vlasnički zaštićeni. To se promenilo kada je Meta (Facebook) objavila LLaMA 2023. godine, a još više sada. Open-source AI zajednica je brzo smanjila jaz sa zatvorenim modelima about.fb.com. Prema rečima izvršnog direktora Mete, Marka Zakerberga, njihov model LLaMA 3 (2024) već je bio „konkurentan sa najnaprednijim modelima“, a očekuju da će budući otvoreni modeli prednjačiti u mogućnostima about.fb.com. U smelom potezu, Meta je nedavno otvorila kod za Llama 3.1 sa 405 milijardi parametara – prvi pravi frontier-scale otvoreni model about.fb.com. Posledice su ogromne: istraživači, startapovi, pa čak i hobisti, mogu eksperimentisati na samom vrhu tehnologije bez milijardi dolara budžeta za računanje. Svedoci smo eksplozije inovacija vođenih zajednicom – od chatbota podešenih instrukcijama poput Vicuna (napravljenog na osnovu otvorenih LLaMA težina) do eksperata koji prilagođavaju modele za medicinu, pravo i druge oblasti. Velike kompanije se takođe priključuju podršci ovom ekosistemu: Amazon, Databricks i drugi nude usluge za podešavanje i implementaciju sopstvenih modela na osnovu LLaMA i sličnih baza about.fb.com. Čak i OpenAI, uprkos svom imenu, do sada je bio zatvorenog koda; ali je značajno da uz očekivano lansiranje GPT-5, OpenAI planira da objavi poseban open-source model u cilju transparentnosti i istraživanja yourgpt.ai yourgpt.ai. Svi ovi događaji ukazuju na budućnost gde je AI mnogo dostupniji. Umesto nekoliko korporacija koje kontrolišu najmoćnije modele, mogli bismo dobiti bogat otvoreni AI ekosistem – slično kao što je Linux sa otvorenim kodom na kraju prevazišao vlasnički Unix about.fb.com about.fb.com. Ova demokratizacija pomaže da širi spektar glasova i ideja doprinese razvoju AI, kao i da organizacije mogu prilagoditi modele bez predaje svojih podataka trećoj strani about.fb.com about.fb.com. U kratkim crtama, sledeća granica nisu samo veći modeli – već široko dostupni modeli, napredak koji vodi zajednica i AI sa kojim bilo ko može eksperimentisati da reši probleme.
Manji, specijalizovani modeli (nije samo veće i bolje): Zanimljivo je da je trka za sve većim opštim modelima upotpunjena trendom ka specijalizaciji. Modeli temeljeni na određenim domenima mogu biti bolji u svom segmentu od opštih modela – često sa mnogo manje parametara. Sjajan primer je BloombergGPT, model od 50 milijardi parametara specijalizovan za finansije. Treniran na ogromnom korpusu finansijskih podataka (plus deo opšteg teksta), BloombergGPT je drastično nadmašio opšte LLM-ove u finansijskim zadacima „sa značajnom razlikom“, dok je i dalje dobro stajao na opštim jezičkim testovima arxiv.org arxiv.org. Ovo pokazuje da ciljano treniranje može dati ekspertski nivo AI u jednoj oblasti bez potrebe za gigantskim modelom od 500 milijardi parametara. Verovatno ćemo videti još više vertikalnih modela: na primer model za onkologiju u medicinskim istraživanjima ili pravni model koji poznaje sve sudske presedane. Takvi modeli bi mogli biti manji i efikasniji, što ih čini lakšim za implementaciju (na primer, medicinski model od 7 milijardi parametara može raditi lokalno u bolnici radi privatnosti). Zapravo, postoji sve veći pokret za kompresiju i optimizaciju modela tako da mogu raditi na ivici mreže – na laptopovima ili pametnim telefonima – umesto isključivo u oblaku. Tehnike poput 4-bitne kvantizacije omogućile su GPT-3-klasi modelima da rade na potrošačkom hardveru. Ovaj pristup „malo je lepo“ takođe pomaže demokratizaciji: ne može svako da ugosti model od 175 milijardi parametara, ali dobro napravljen model od 6 milijardi, podešen za specifičan zadatak, može biti široko korišćen. U budućnosti bismo mogli koristiti konstelaciju specijalizovanih modela, a ne samo jedan model za sve. Strategija OpenAI čak nagoveštava ovo, sa pričom o ekosistemu GPT-5 koji bi mogao uključiti manji otvoreni model i razne prilagođene varijante yourgpt.ai yourgpt.ai. Ukratko, očekujte bogatiju raznovrsnost temeljnih modela – velike generaliste i manje eksperte – koji sarađuju u aplikacijama, svako radeći ono u čemu je najbolji.
Novi akteri i saradnja u istraživanju veštačke inteligencije: Granica veštačke inteligencije više nije ekskluzivna samo za nekoliko laboratorija iz Silikonske doline. Akademske institucije, neprofitni istraživački kolektivi i novi startapovi svi pomeraju granice. Projekti poput EleutherAI i BigScience konzorcijuma proizveli su velike modele (npr. BLOOM od 176 milijardi parametara) kroz međunarodnu saradnju. Kompanije kao što je Anthropic (osnovali bivši zaposleni OpenAI-a) uvele su nove ideje poput konstitucionalne AI kako bi modeli bili usklađeni sa etičkim principima. Takođe, vidimo ukrštanje oblasti: na primer, DeepMind (sada deo Google DeepMind) doneo je iskustvo iz reinforcement learning-a (AlphaGo itd.) u jezičke modele, što je navodno uticalo na razvoj Googleovog Gemini-ja. Takođe je sve više konvergencije istraživanja u jeziku, viziji i robotici. Laboratorija koja radi na utelovljenoj veštačkoj inteligenciji (robotima ili agentima koji deluju u fizičkom svetu) može doprineti tehnikama za pamćenje i učenje u realnom vremenu koje zatim informišu čist jezički model. Svedoci smo plodnog perioda razmene, sa konferencijama i časopisima prepunim radova o tome kako modeli mogu biti efikasniji, transparentniji i više ljudskom slični po sposobnostima. Sve ovo znači da će period posle GPT-5 biti oblikovan od strane šire zajednice – ne samo kao još jedna verzija iz OpenAI-a, već kroz višestruke skokove koje vozi mnoštvo različitih aktera širom sveta.

Društvene, etičke i regulatorne implikacije

Kako temeljni modeli postaju sve moćniji i rasprostranjeniji, njihov uticaj na društvo se produbljuje – donoseći ogromne mogućnosti zajedno sa značajnim brigama. Gledajući dalje od GPT-5, ključno je razmotriti kako ćemo odgovorno integrisati ove modele. Ključne implikacije i izazovi uključuju:

Transformacija rada i svakodnevnog života: Napredni AI asistenti mogli bi povećati produktivnost i kreativnost u bezbroj oblasti – programiranje, izrada dokumenata, analiza podataka, automatizovana korisnička podrška, podučavanje učenika i još mnogo toga. To je izazvalo optimizam za ekonomski rast i rešavanje složenih problema, ali i zabrinutost zbog gubitka radnih mesta. Mnogi rutinski ili čak stručni poslovi mogli bi biti poboljšani ili automatizovani sistemima posle GPT-5. Društvo će morati da se prilagodi: radnici će možda morati da steknu nova znanja i prelaze na pozicije gde su presudni ljudska procena i „ljudski dodir“. Neki su čak predložili politike poput pilot-projekata univerzalnog osnovnog dohotka kako bi podržali one na koje AI automatizacija utiče ncsl.org. Sa druge strane, ti modeli mogu služiti kao „pojačivači ljudske domišljatosti“, kako kaže OpenAI – omogućavajući pojedincima mogućnosti koje su ranije bile nedostižne openai.com. Jedna osoba sa pametnim AI asistentom može obaviti posao više ljudi, ili uraditi potpuno nove stvari (na primer, doktor koristi AI da u nekoliko sekundi pretraži hiljade naučnih radova kako bi došao do novog uvida o lečenju). Konačan efekat na društvo zavisiće od toga kako upravljamo ovom tranzicijom, osiguravajući da su koristi široko raspodeljene i da se umanje negativne posledice openai.com.
Dezinformacije, pristrasnost i etički rizici: Moćniji generativni modeli omogućavaju lako pravljenje hiper-realističnog lažnog sadržaja (teksta, slika, videa, pa i glasova) u velikom obimu. Ovo povećava rizik od dezinformacija i prevara. Na primer, budući multimodalni GPT mogao bi generisati uverljiv video zapis svetskog lidera koji izgovara nešto što nikada nije rekao – noćna mora za integritet informacija. Rešavanje ovoga će verovatno zahtevati tehnička i politička rešenja: istraživači rade na vodenim žigovima AI-generisanog sadržaja ili alatima za detekciju (čak bi neki zakoni zahtevali da AI sadržaj ima oznake o poreklu ncsl.org). Pristrasnost je još jedan dobro dokumentovan problem – ako modeli uče sa interneta, mogu pokazivati društvene predrasude i stereotipe prisutne u tim podacima. Kako modeli postaju sve više uključeni u donošenje odluka (zapošljavanje, odobravanje kredita, policijski rad itd.), etičke implikacije pristrasnih odgovora su ozbiljne. Istraživanja u AI pravičnosti i mitigaciji pristrasnosti biće ključna za osiguranje da temeljni modeli ne reprodukuju diskriminaciju. Tehnike uključuju bolju selekciju podataka za treniranje, testove pristrasnosti, kao i instrukcijsko pretreniravanje koje eksplicitno model uči da izbegava mržnju ili predrasude. Kompanije istražuju i transparetnost – kako bi odluke modela bile objašnjive. Do trenutka kada stignu GPT-6 ili -7, možda ćemo imati industrijske standarde za audit pristrasnosti i objavljivanje ograničenja modela. Važno je da će sledeće generacije modela biti usklađene ne samo da budu korisne, nego i da se pridržavaju ljudskih vrednosti i normi bezbednosti. Pristupi poput „konstitucionalne AI“ kompanije Anthropic (gde se AI trenira da sledi skup etičkih principa bez ljudskog primera za svaki slučaj) mogli bi postati standard, dajući AI-jeve koji su bezopasni i iskreni po dizajnu anthropic.com.
Regulatorni odgovor i upravljanje: Brz napredak temeljnih modela izazvao je žestoku debatu među donosiocima odluka. Vlade se sada bore kako da obezbede bezbednost i odgovornost AI-ja bez gušenja inovacija. Evropska unija je predvodila sa EU AI Aktom, koji 2024. godine uvodi posebna pravila za temeljne modele. Akt klasifikuje velike AI sisteme opšte namene (sada nazvane “GPAI modeli”) i nameće obaveze kao što su transparentnost oko podataka za treniranje, procena rizika i zahtevi za ublažavanje štetnih rezultata ibanet.org ibanet.org. Akt čak razlikuje “sistemske” temeljne modele – one veoma velike i uticajne – koji će podleći strožem nadzoru (kao što su velike banke ili javne usluge posebno regulisane) ibanet.org. U SAD i drugde vodi se aktivna diskusija o revizijama AI modela, sistemima licenci za treniranje ekstremno moćnih modela i odgovornosti za štetu izazvanu AI-jem. Posebno je značajan otvoreni apel iz 2023. potpisan od strane brojnih IT lidera, sa zahtevom za moratorijum na treniranje bilo kakvog AI-ja moćnijeg od GPT-4 na šest meseci, kako bi došlo vreme za razvoj regulatornog okvira ncsl.org. Iako dobrovoljna pauza nije sprovedena, to je ukazalo na širu zabrinutost čak i unutar IT industrije zbog nekontrolisanog razvoja AI-ja. Nakon toga vidimo korake poput formiranja Frontier Model Forum-a (koalicija vodećih AI firmi za promociju bezbednog razvoja) i formiranja vladinih savetodavnih tela za AI. Regulatori postaju vrlo konkretni: u Kaliforniji je predložen zakon (“Zakon o bezbednosti i sigurnoj inovaciji za frontier AI modele”) koji od tvoraca naprednih modela zahteva da implementiraju „isključni prekidač“ – mogućnost da model odmah bude zaustavljen u slučaju opasnog ponašanja – i da imaju detaljan plan bezbednosti pre početka treniranja ncsl.org. Na globalnom nivou vode se razgovori kroz UN i G7 o koordinaciji AI standarda. Do dolaska modela posle GPT-5, verovatno ćemo imati daleko razvijeniji politički režim za AI: očekujte zahteve za dokumentovanjem načina izrade modela, evaluacije na teme poput ekstremizma i pristrasnosti, pa možda i sertifikaciju modela koji ispunjavaju kriterijume bezbednosti. Glavni izazov ostaje ravnoteža između inovacije i zaštite. Uz pametnu regulativu, društvo može ubirati prednosti moćnog AI-ja, dok istovremeno minimizira rizike kao što su dezinformacije, povreda privatnosti ili pogrešno usmereni autonomni sistemi.
Bezbednosni i rizici zloupotrebe: Kako AI modeli postaju sposobniji, loši akteri mogli bi ih zloupotrebiti – za sajber napade (npr. pisanje sofisticiranog malvera ili pokušaja prevare), pa čak i za podršku u naoružavanju (špekuliše se o AI u biotehnologiji ili vojsci). Ovo otvara pitanja nacionalne bezbednosti. Vlade počinju da tretiraju napredni AI kao dvonamensku tehnologiju. Na primer, izvozna ograničenja na vrhunske čipove (potrebne za treniranje velikih modela) jedna su od poluga da se spreči da određene države dobiju prednost u frontier AI. Možda ćemo videti i međunarodne dogovore nalik kontroli naoružanja za AI: otvoreno deljenje istraživanja bezbednosti, ali moguće ograničenje razvoja izuzetno opasnih mogućnosti. Još jedna briga je privatnost – modeli obučeni na podacima sa interneta mogu slučajno zapamtiti lične informacije, a njihova sposobnost generisanja ljudskom sličnog teksta može prevariti ljude da otkriju osetljive podatke. Mogu biti potrebna jaka pravila zaštite podataka i novi pristupi (poput treniranja na sintetičkim podacima ili učenja uz očuvanje privatnosti). Ukratko, društvo će morati proaktivno da predviđa zloupotrebe i jača odbranu (od digitalnih vodenih žigova do smernica za AI u kritičnoj infrastrukturi).

U celini, društvene implikacije temeljnih modela posle GPT-5 su ogromne. Moramo upravljati pitanjima poverenja, transparentnosti i bezbednosti kako bismo zaista iskoristili pozitivni potencijal ovih tehnologija. Ohrabrujuća vest je da su ti razgovori – među etičarima, tehnolozima i donosiocima odluka – već u toku i odvijaju se paralelno sa tehničkim napretkom.

Spekulativne Vizije: Ka AGI-ju i dalje

Na kraju, gledajući dalje u budućnost, mnogi se pitaju kako bi se ovi trendovi mogli na kraju kulminirati u AGI – Opštu veštačku inteligenciju, koja se često definiše kao AI koja dostiže ili premašuje ljudske kognitivne sposobnosti kroz širok spektar zadataka. Iako AGI ostaje spekulativan koncept, kontinuirani skokovi u sposobnostima temeljnih modela učinili su ovu raspravu konkretnijom. Ovde razmatramo nekoliko vizionarskih ideja o tome kako bi mogao izgledati svet sa AGI-jem, nakon ere GPT-5, na osnovu trenutnih pravaca razvoja:

AGI kao Kolektivna Inteligencija: Jedna vizija u razvoju jeste da AGI možda neće biti jedan monolitni super-moždani centar, već kolektiv specijalizovanih modela i alata koji rade u saglasju. Već možemo videti nagoveštaje toga: modeli iz ere GPT-5 mogli bi pokrenuti ekosisteme „super-agenta“ – jedna AI razlaže složen problem na delove i delegira ga ekspertskim pod-agentima (jedan za programiranje, drugi za istraživanje, itd.) seniorexecutive.com. Ekstrapolacijom, AGI bi mogao funkcionisati kao visoko organizovani komitet AI-jeva, gde svaki ima ljudski nivo sposobnosti u svojoj oblasti, pod koordinacijom meta-modela. Takav sistem bi mogao dostići opštu inteligenciju putem agregacije – celina koja nadmašuje zbir pojedinačnih delova. Ova ideja se naslanja na arhitekturu mešavine eksperata na širem nivou i odražava način na koji ljudske organizacije rešavaju probleme kroz timski rad. Takođe, podudara se sa pojmom AI servisa dostupnih putem API-ja: budući AGI mogao bi mnogo više podsećati na mrežu internetskog tipa, sa brojnim modelima i bazama podataka koji dinamički sarađuju na svakom pitanju ili zadatku. Ovaj koncept „društva uma“ (koji je prvobitno zamislio pionir AI Marvin Minsky) mogao bi biti ostvaren temeljnim modelima koji briljiraju u saradnji i korišćenju alata.
Kontinuirane Petlje Samousavršavanja: Prava opšta AI verovatno bi bila sposobna da samostalno uči i unapređuje samu sebe. Naznake toga već vidimo u projektima gde se AI koristi za optimizaciju drugih AI – na primer, jedan model generiše podatke za obuku ili povratne informacije za drugi model. Inženjeri iz OpenAI su razmišljali o „rekurzivnom samousavršavanju” kada AI-jevi postanu dovoljno napredni. Spekulativni scenario je AI koja može sama da piše svoj izvorni kod ili projektuje efikasnije neuronske mreže, što vodi u pozitivnu povratnu petlju pojačavanja inteligencije. Iako su trenutni modeli daleko od toga da mogu sami da pišu svoj izvorni kod, već sada mogu da pišu nove programe. AGI bi mogao koristiti tu sposobnost da simulira hiljade eksperimenata na varijantama sebe samog i odabere najbolje, a taj proces bi bio neuporedivo brži od onog kojim to rade ljudski inženjeri. Ovo otvara duboka pitanja (uključujući i klasik debate o iznenadnom „AI skoku”), zbog čega čak i kompanije koje se utrkuju u razvoju AI govore o potrebi opreza pri približavanju AGI-ju openai.com openai.com. Ipak, ideja o AI koja uči da bolje uči logičan je nastavak današnjih trendova u meta-učenju i automatizovanom mašinskom učenju. Do vremena „posle GPT-5“ sasvim je moguće da će prve forme AI-jeva koji se samostalno usavršavaju postojati – možda ograničene na bezbedne domene – i time trasirati put ka sistemima koji se poboljšavaju uz minimalnu ljudsku intervenciju.
Integracija AI sa Fizičkim Svetom: Do sada su temeljni modeli uglavnom postojali u digitalnoj sferi teksta i slika. Vizija za AGI podrazumeva ukorenjivanje ovih modela u fizičkom svetu putem robotike ili interneta stvari (IoT). AI koja može da vidi kroz kamere, pokreće aktuatora i eksperimentiše u stvarnim okruženjima stekla bi tip utelovljenog razumevanja koji imaju ljudi. Neki stručnjaci smatraju da je utelovljenje ključno za opštu inteligenciju – učenje kroz rad, sticanje zdravorazumskog znanja kroz fizičku interakciju. Već imamo prve višemodalne agente (kao što je DeepMind-ov Gato, koji je 2022. godine treniran da obavlja zadatke od igranja video igara do upravljanja robotskom rukom). Granica se pomera dalje: zamislite AI koja čita o kuvanju, gleda video zapise o kuvanju (vizija), razgovara sa kuvarima (jezik) i zaista upravlja rukama robotskog kuvara da pripremi obrok (akcija) – učeći i usavršavajući svoje veštine kroz pokušaje i greške. Takav agent bi integrisao vizuelno, jezičko, auditivno (zvuk prženja itd.) i motoričku kontrolu – daleko od običnih četbotova, mnogo bliže opšte inteligentnom biću. Iako je ovo izvan dometa GPT-5 u bliskoj budućnosti, istraživanja idu u tom pravcu. Kompanije poput Tesle rade na humanoidnim robotima, dok OpenAI ima robotsku diviziju. Sasvim je moguće da je AGI budućnosti koliko robot, toliko i četbot – ili da bar poseduje aktuatora za direktno delovanje na svet. Ovo će otvoriti nove granice u proizvodnji, zdravstvu (robotski asistenti) i svakodnevnom životu (zaista pametni kućni sistemi), ali i postaviti nova bezbednosna pitanja.
Saradnja čoveka i AI i Kognitivno Unapređenje: Umesto da se AI razvija izolovano, inspirativna vizija glasi: kako AI može osnažiti ljudsku inteligenciju. U svetu posle GPT-5, svako od nas mogao bi imati visoko personalizovanog AI asistenta koji dobro poznaje naše ciljeve, snage i slabosti. Ovi asistenti mogu nam pomoći da savladamo nove veštine (kao tutor/trener), razvijemo ideje, preuzmu dosadne zadatke ili budu kreativni partneri. Neki tehnolozi govore o „IA” (inteligencijsko unapređenje) kao blizancu cilja AI-ja. Na primer, medicinski AI asistent na nivou AGI-ja mogao bi omogućiti lekarima da dijagnostikuju i leče pacijente sa nadljudskom tačnošću, kombinujući njihovu stručnost sa trenutnom analizom svih medicinskih časopisa i dostupnih podataka o pacijentima. U obrazovanju, AI tutor opšte inteligencije mogao bi se prilagoditi stilu učenja svakog učenika i pružiti personalizovane programe na veliko, potencijalno demokratizujući obrazovanje vrhunskog kvaliteta širom sveta. Postoje i spekulacije o direktnijem povezivanju – moždano-računarski interfejsi koji bi omogućili AI sistemima da se povežu sa neuralnim procesima čoveka (iako to ostaje spekulativno i puni etičkih izazova). U svakom slučaju, nada je AGI koji proširuje naše mogućnosti i radi sa nama, a ne neko tuđe superbiće koje radi protiv čovečanstva ili izvan njega. Ovo će zahtevati pažljivo usklađivanje AI ciljeva sa ljudskim vrednostima, o čemu se i danas mnogo piše i diskutuje.
Superinteligencija i Neizvesnost: Neki futurologi smatraju AGI pretečom ASI (veštačke superinteligencije) – AI koja ne samo da dostiže ljudski intelekt, već ga znatno prevazilazi. Predviđanja o tome kada (ili čak da li) će se ovo desiti variraju od decenija do nekoliko godina, i ovo ostaje na ivici spekulacije. Ako AI ubrza naučna otkrića (što modeli poput GPT-a već počinju u oblastima poput sklapanja proteina ili matematike), mogli bismo ući u period izuzetno brzog napretka. Taj scenario „eksplozije inteligencije” je razlog što su ličnosti poput Elona Maska i pokojnog Stivena Hokinga upozoravali na AI. Stav OpenAI, kakav iznosi Altman, jeste da superinteligencija zaista može biti na horizontu i da društvo mora biti spremno i postaviti zaštitne mehanizme techcrunch.com openai.com. Sledeća granica zato uključuje ne samo tehnološke izazove, već i filozofske: obezbediti da ASI, ako se pojavi, ima ciljeve usklađene sa ljudskim napretkom i da postoje čvrsti mehanizmi kontrole. Koncepti kao što su međunarodno upravljanje AGI-jem i čak međunarodni sporazumi mogli bi preći iz naučne fantastike u stvarnost. Vredno je napomenuti da su mnogi AI stručnjaci ostali uzdržani – napredak, iako brz, još uvek može naići na temeljne granice ili zahtevati nove paradigme koje još uvek nismo otkrili. Neki porede naše trenutne modele sa ranošću letenja: GPT-4/5 su kao avioni braće Rajt – izvanredan početak, ali daleko od „džambo džeta” koji je zahtevao decenije inženjerskih inovacija. Po toj analogiji, prava AGI može zahtevati i teorijske proboje (možda nove algoritamske ideje ili čak novi hardver, poput kvantnih računara ili neuromorfnih čipova inspirisanih mozgom). Ne treba pretpostavljati da je sadašnje skaliranje Transformera direktan put ka AGI-ju. Ipak, svaki novi temeljni model nas približava razumevanju inteligencije i možda njenom stvaranju u mašini.

Zaključak
Horizont iza GPT-5 je i uzbudljiv i zastrašujuć. Tehnološki, očekujemo AI modele sa bogatijim razumevanjem, više modaliteta, većim (i dužim) pamćenjem, i većom autonomijom u načinu učenja i delovanja. Novi metod obuke i živopisna otvorena istraživačka zajednica ubrzavaju ovaj napredak bez presedana. Istovremeno, rastuća moć temeljnih modela tera nas da se suočimo sa teškim pitanjima o njihovoj ulozi u društvu – kako iskoristiti njihove koristi a sprečiti zloupotrebe, kako ih integrisati u naše živote etički i pravično, i konačno kako koegzistirati sa inteligencijama koje jednog dana mogu parirati ili prevazići naše sopstvene.

U snalaženju u ovoj budućnosti, glavna tema je saradnja: saradnja između čoveka i AI (da izvuku najbolje jedno iz drugog), između različitih AI sistema (specijalisti koji sarađuju, poput mešavine eksperata ili agenata koji koriste alate), i što je najvažnije između svih aktera u društvu. Vlade, tehnološke kompanije, istraživači i građani moraće da rade zajedno. AI granica nije samo tehnički domen već društveni – svi mi, kolektivno, učimo ove modele šta nam je važno putem naše povratne informacije i smernica. Ako uradimo ispravno, naredne generacije temeljnih modela biće moćni instrumenti napretka – pomažući u pronalaženju novih lekova, demokratizaciji znanja, rešavanju klimatskih izazova i unapređenju ljudske kreativnosti na načine koje trenutno jedva možemo i zamisliti.

Stojeći danas na pragu GPT-5, jasno je da se približavamo dugotrajnom snu (ili strahu) od AGI-ja. Bilo da AGI stigne za deset godina ili ostane nedostižan, samo kretanje ka njemu već preoblikuje naš svet. Sledeća granica testiraće našu ingenioznost ne samo u inženjeringu pametnijih mašina, već i u korišćenju mudrosti i predviđanja da se obezbedi da te mašine zaista služe čovečanstvu. Kako prelazimo granicu GPT-5, pitanje nije samo šta će temeljni modeli moći, već ko želimo da postanemo zajedno sa njima. Sledeće poglavlje priče o AI pisaće svi mi – i ono obećava da bude jedno od najznačajnijih i najfascinantnijih u naše vreme.

Izvori:

Altman, S. (2025). Stručnjaci za veštačku inteligenciju predviđaju kako će GPT-5 promeniti način na koji radimo. SeniorExecutive Media – Naglašava očekivanu multimodalnost, poboljšanja memorije i agentske sposobnosti GPT-5 seniorexecutive.com seniorexecutive.com.
Kranen, K. i Nguyen, V. (2024). Primena Mixture of Experts u arhitekturama velikih jezičkih modela. NVIDIA Technical Blog – Diskusija o MoE kod GPT-4 i dobitima u efikasnosti pri skaliranju modela developer.nvidia.com developer.nvidia.com.
Microsoft Research (2024). Nove metode poboljšavaju rezonovanje kod malih i velikih jezičkih modela – Opisuje Logic-RL i neuronsko-simboličke tehnike koje unapređuju performanse rezonovanja microsoft.com microsoft.com.
Anthropic (2023). Predstavljanje 100K prozora za kontekst – Demonstracija konteksta od 100.000 tokena (75.000 reči „memorije“) u Claude modelu i koristi za duge dokumente anthropic.com anthropic.com.
YourGPT.ai (2025). GPT-5: Sve što treba da znate – Rezime očekivanih mogućnosti GPT-5 kao što su kontekst od 1M+ tokena, audio modalitet, postojana memorija za personalizaciju yourgpt.ai yourgpt.ai.
Zuckerberg, M. (2024). Otvoreni izvor veštačke inteligencije je pravi put. Meta Newsroom – Najava Llama 3.1 (405B) i tvrdnja da modeli otvorenog koda brzo sustižu, a možda će uskoro i predvoditi, stanje u industriji about.fb.com about.fb.com.
Wu, S. et al. (2023). BloombergGPT: Veliki jezički model za finansije. arXiv preprint – Model od 50B nadmašuje opšte LLM-ove u finansijskim zadacima bez gubitka opštih sposobnosti arxiv.org.
Genna, I. (2024). Regulisanje osnovnih modela u EU Zakonu o veštačkoj inteligenciji. Međunarodna advokatska asocijacija – Objašnjava kako evropski Zakon o AI tretira „veštačku inteligenciju opšte namene“ i nameće obaveze transparentnosti i ublažavanja rizika ibanet.org ibanet.org.
NCSL (2024). AI Zakonodavstvo 2024 – Napominje rezoluciju kojom se poziva na moratorijum na obuku AI moćnije od GPT-4 na šest meseci radi razvoja sistema upravljanja ncsl.org, i kalifornijski zakon koji zahteva od programera naprednih modela da implementiraju mehanizam za isključivanje radi bezbednosti ncsl.org.
OpenAI (2023). Planiranje za AGI i dalje – Prezentuje viziju OpenAI za bezbedno kretanje ka AGI i važnost široke raspodele koristi i pažljivog uvođenja sve naprednije veštačke inteligencije openai.com openai.com.