Tomáš Mikolov, expert na jazykové modely a laureát Ceny Neuron, Jiří Matas, expert na strojové vidění a emeritní garant vědecké rady NF Neuron oboru computer science a Jan Šedivý, expert na strojové učení. Nejlepší čeští odborníci přednášeli pro okruh podporovatelů a partnerů NF Neuron o strojovém učení a umělé inteligenci. Teoretickou část dubnového Neuron Clubu doplnily praktické příklady a následná diskuze. 

Neuron Club, pořádaný v Českém institutu informatiky, robotiky a kybernetiky ČVUT v Praze, otevřel prof. Jiří Matas. Na příkladu rozpoznávání objektů na obrázku vysvětlil, jak funguje strojové učení. Ukázal predikční modely i to, jak dnešní nástroje mohou pozměnit fotografii nebo výraz portrétovaného. „Strojové učení je převratná věc, nazývám to novou fyzikou,“ řekl Matas s dovětkem, že za zlomový bod dnešní AI bude považovat chvíli, až fyzický robot bude umět vyhrát mikádo. 

Tomáš Mikolov představil historii jazykových modelů. Začalo se s nimi pracovat už v 50. letech minulého století a na jejich růstu za posledních patnáct let má výrazný podíl i sám Mikolov. „Neuronové jazykové systémy jsou vlastně velmi jednoduché, jde jen o to, jak velkou sadu dat mají k dispozici,“ ukázal na příkladu aktuálního projektu, na kterém pracuje se svými studenty. 

Třetí přednášku vedl Jan Šedivý z ČVUT, který přinesl praktického průvodce pro dnes populární ChatGPT. Ukázal, jak sítě za sebou skládají znaky a slova, vysvětlil funkci  „promptů“ jako příkazu formou instrukcí, příkladu a kontextu. „Jazykové modely jsou dnes schopné vygenerovat knihu,“ doplnil svůj praktický vhled když představil příběh, který vytvořila AI po zadání příkazu „robot se chce stát člověkem“. 

Následnou debatou se prolínala otázka, jestli je umělá inteligence nástrojem statistiky, která „papouškuje“ získaná data, anebo na ní můžeme pohlížet jako na metaforu mozku. Hosté se zajímali o praktické využití AI pro svoji práci a někteří představili praktické výstupy ze svých oborů. 

Závěrečná otázka pro přednášející Neuron Clubu zněla: "Co změní umělá inteligence ve vědě?" Její přidanou hodnotu zjistíme za dva tři roky, shodli se vědci.

Narůstá výpočetní výkon a velikost dat, proto už dnes na strojovém učení můžeme stavět poznání a zpřesňovat ho.  Je pravděpodobné, že s modely umělé inteligence budeme v budoucnu pracovat stejně běžně jako s kalkulačkou, ale pro umělou inteligenci platí to, co pro každý jiný nástroj — inteligentní bude jenom tak, jak bude inteligentní ten, kdo mu zadává práci. Teď musíme AI testovat a učit se s ní ve prospěch celé vědy a lidstva.