Mazungumzo ya kimataifa kuhusu akili bandia (artificial intelligence) mara nyingi yanaonekana kulenga mashindano yasiyokoma – nani anaweza kutengeneza modeli kubwa zaidi na yenye nguvu zaidi ya lugha (large language model - LLM)? Maendeleo ya hivi karibuni, kama vile uwezo wa kuvutia ulioonyeshwa na modeli kama DeepSeek nchini China, hakika yanachochea simulizi hili. Katikati ya mazingira magumu ya kiuchumi, kimataifa na ndani ya nchi, maendeleo hayo ya kiteknolojia yanatoa mwanga wa kuvutia wa uwezekano wa baadaye na labda, kichocheo kinachohitajika sana kwa ukuaji. Hata hivyo, kuzingatia tu LLM hizi zinazovutia vichwa vya habari ni kukosa kuona picha kubwa. Akili bandia, kwa njia zisizo za kujionyesha lakini zenye athari kubwa, imekuwa ikiunganishwa kwa kina katika muundo wa maisha yetu ya kidijitali kwa miaka mingi.
Fikiria majukwaa yaliyoenea kila mahali ambayo yanatawala mwingiliano na biashara mtandaoni. Je, TikTok, au mwenzake wa Kichina Douyin, wangeweza kufikia umaarufu huo mkubwa duniani bila algoriti za mapendekezo za kisasa zinazobadilisha kila mara mipasho ya maudhui? Vile vile, mafanikio ya makampuni makubwa ya biashara ya mtandaoni, iwe wachezaji wa kimataifa kama Amazon, Shein, na Temu, au nguvu za ndani kama Taobao na JD.com, yamejengwa juu ya zaidi ya upatikanaji bora wa bidhaa na usafirishaji. AI hufanya kazi kama mkono usioonekana, ikiongoza kwa hila chaguo zetu. Kuanzia vitabu tunavyofikiria kununua hadi mitindo tunayofuata, tabia zetu za ununuzi zinazidi kuundwa na mifumo inayochambua ununuzi wetu wa zamani, historia za kuvinjari, na mifumo ya kubofya. Muda mrefu kabla ya AI ya mazungumzo kuweza kuandika mashairi maridadi kwa ombi, makampuni kama Amazon na Google yalikuwa waanzilishi katika matumizi ya AI kuelewa na kutabiri tabia za watumiaji, na kubadilisha kimsingi soko. Aina hii ya AI tulivu, iliyoenea zaidi imekuwa ikibadilisha biashara na matumizi ya vyombo vya habari kwa miongo kadhaa, mara nyingi ikifanya kazi chini ya kiwango cha ufahamu wetu.
Upanga Wenye Makali Kuwili wa Modeli Kubwa za Lugha
Kuibuka kwa LLM zenye nguvu kama DeepSeek bila shaka kunawakilisha hatua muhimu ya kiteknolojia. Uwezo wao wa kuzalisha maandishi yanayofanana na ya binadamu, kutafsiri lugha, na hata kuandika maudhui ya ubunifu kama mashairi ni wa ajabu. Zana hizi zina ahadi kubwa kama wasaidizi binafsi, misaada ya utafiti, na washirika wa ubunifu. Fikiria kutumia modeli kama hiyo kuandaa barua pepe, kufupisha nyaraka ndefu, au kubuni mawazo – uwezekano wa kuongeza tija ya mtu binafsi uko wazi.
Hata hivyo, nguvu hii inakuja na mapungufu makubwa, yaliyojikita katika asili yenyewe ya jinsi modeli hizi zinavyofanya kazi. LLM zimejengwa juu ya mbinu tata za takwimu na mitandao mikubwa ya neva iliyofunzwa kwenye hifadhidata kubwa sana. Zinabobea katika kutambua mifumo na kutabiri mfuatano unaowezekana zaidi wa maneno, lakini hazina uelewa wa kweli au ufahamu. Msingi huu wa takwimu husababisha udhaifu muhimu: maono ya uongo (hallucinations). Zinapokabiliwa na mada zilizo nje ya data zao za mafunzo au maswali yanayohitaji uamuzi wa kina, LLM zinaweza kuzalisha kwa kujiamini taarifa zinazoonekana kuwa za kweli lakini zisizo sahihi kabisa au za kupotosha.
Fikiria LLM si kama mtabiri asiyekosea, lakini labda kama mtaalamu aliyeelimika sana, mfasaha, lakini wakati mwingine anayetunga hadithi. Ingawa DeepSeek inaweza kutunga shairi la kusisimua, kuitegemea kwa tafsiri muhimu ya kisheria, utambuzi sahihi wa kimatibabu, au ushauri wa kifedha wenye hatari kubwa itakuwa ni upumbavu mkubwa. Injini ya uwezekano wa takwimu inayoiruhusu kuzalisha maandishi fasaha pia inaiwezesha kuvumbua ‘ukweli’ inapokosa maarifa dhahiri. Ingawa miundo mipya na modeli za hoja (kama R1 ya DeepSeek au o1/o3 inayosemekana ya OpenAI) zinalenga kupunguza suala hili, hazijalimaliza. LLM isiyokosea, iliyohakikishiwa kuwa sahihi katika kila tukio, bado haijapatikana. Kwa hivyo, ingawa LLM zinaweza kuwa zana zenye nguvu kwa watu binafsi, matumizi yao lazima yadhibitiwe kwa tathmini makini, haswa wakati maamuzi yanayotegemea matokeo yao yana uzito mkubwa. Zinaongeza uwezo wa binadamu; hazichukui nafasi ya uamuzi wa binadamu katika nyanja muhimu.
Kuendesha Utekelezaji wa AI Katika Mashirika na Serikali
Licha ya mapungufu yao ya asili kwa maswali yenye hatari kubwa na yasiyo na mwisho maalum, LLM zinatoa mapendekezo muhimu ya thamani kwa makampuni na vyombo vya serikali, haswa katika mazingira yaliyodhibitiwa. Nguvu zao haziko katika kuchukua nafasi ya kufanya maamuzi dhahiri, lakini katika kurahisisha michakato na kutoa maarifa. Matumizi muhimu ni pamoja na:
- Uendeshaji Kiotomatiki wa Michakato: Kushughulikia kazi za kawaida kama kuingiza data, uchunguzi wa awali wa huduma kwa wateja, ufupishaji wa nyaraka, na utayarishaji wa ripoti.
- Uboreshaji wa Mtiririko wa Kazi: Kutambua vikwazo, kupendekeza maboresho ya ufanisi, na kusimamia ratiba tata za miradi kulingana na uchambuzi wa data.
- Uchambuzi wa Data: Kuchakata hifadhidata kubwa ili kufichua mienendo, uhusiano, na kasoro ambazo zinaweza kukwepa utambuzi wa binadamu, kusaidia katika upangaji mkakati na ugawaji wa rasilimali.
Kipengele muhimu kwa matumizi ya serikali na mashirika ni usalama wa data na usiri. Upatikanaji wa modeli za chanzo huria kama DeepSeek unatoa faida hapa. Modeli hizi zinaweza kuwekwa ndani ya miundombinu ya kidijitali iliyojitolea na salama ya serikali au shirika. Mbinu hii ya ‘ndani ya eneo’ (‘on-premises’) au ‘wingu la kibinafsi’ (‘private cloud’) inaruhusu taarifa nyeti au za siri kuchakatwa bila kuziweka wazi kwa seva za nje au watoa huduma wengine, na hivyo kupunguza hatari kubwa za faragha na usalama.
Hata hivyo, hesabu hubadilika sana wakati wa kuzingatia matumizi ya serikali yanayoelekezwa kwa umma ambapo taarifa zinazotolewa lazima ziwe za mamlaka na sahihi bila shaka yoyote. Fikiria raia akiuliza swali kwenye tovuti ya serikali inayoendeshwa na LLM kuhusu ustahiki wa mafao ya kijamii, kanuni za kodi, au taratibu za dharura. Hata kama AI itatoa majibu sahihi kabisa kwa asilimia 99 ya wakati, asilimia 1 iliyobaki ya majibu ya kupotosha au yasiyo sahihi inaweza kuwa na madhara makubwa, kudhoofisha imani ya umma, kusababisha ugumu wa kifedha, au hata kuhatarisha usalama.
Hii inahitaji utekelezaji wa ulinzi imara. Suluhisho zinazowezekana ni pamoja na:
- Uchujaji wa Maswali: Kubuni mifumo ya kutambua maswali ambayo yako nje ya wigo uliopangwa wa majibu salama na yanayoweza kuthibitishwa.
- Usimamizi wa Binadamu: Kuashiria maswali magumu, yenye utata, au yenye hatari kubwa kwa ukaguzi na majibu kutoka kwa mtaalamu wa binadamu.
- Alama za Kujiamini: Kuipanga AI kuonyesha kiwango chake cha uhakika kuhusu jibu, kuwahimiza watumiaji kutafuta uthibitisho kwa majibu yenye alama za chini za kujiamini.
- Uthibitishaji wa Majibu: Kulinganisha majibu yaliyotolewa na AI dhidi ya hifadhidata zilizoratibiwa za taarifa zinazojulikana kuwa sahihi kabla ya kuzionesha kwa umma.
Hatua hizi zinaangazia mvutano wa kimsingi uliopo katika teknolojia ya sasa ya LLM: biashara kati ya nguvu zao za kuvutia za uzalishaji na hitaji kamili la usahihi na uaminifu katika mazingira muhimu. Kusimamia mvutano huu ni muhimu kwa upelekaji wa AI wenye uwajibikaji katika sekta ya umma.
Kuelekea AI Inayoaminika: Mbinu ya Grafu ya Maarifa
Mwelekeo wa China unaonekana kuzidi kulenga katika kuendesha mvutano huu kwa kuunganisha AI katika matumizi maalum, yaliyodhibitiwa huku ikitafuta kikamilifu njia za kuongeza uaminifu. Mfano wa kuvutia ni mpango wa mji janja unaoendelea huko Zhuhai, jiji katika Eneo Kubwa la Ghuba (Greater Bay Area). Hivi karibuni serikali ya manispaa ilifanya uwekezaji mkubwa wa kimkakati (takriban yuan milioni 500 au Dola za Marekani milioni 69) katika Zhipu AI, ikiashiria dhamira ya kuingiza AI ya hali ya juu katika miundombinu ya mijini.
Matarajio ya Zhuhai yanaenda mbali zaidi ya uendeshaji kiotomatiki rahisi. Lengo ni utekelezaji kamili, wa tabaka nyingi wa AI unaolenga maboresho yanayoonekana katika huduma za umma. Hii ni pamoja na kuboresha mtiririko wa trafiki kupitia uchambuzi wa data wa wakati halisi, kuunganisha mitiririko tofauti ya data katika idara mbalimbali za serikali kwa ajili ya kufanya maamuzi kwa ujumla zaidi, na hatimaye, kuunda mazingira ya mijini yenye ufanisi zaidi na yanayoitikia mahitaji ya wananchi.
Katikati ya juhudi hizi ni modeli ya lugha ya jumla ya Zhipu AI, GLM-4. Ingawa ina uwezo wa kushughulikia kazi za Kichina na Kiingereza na ina uwezo wa aina nyingi (kuchakata taarifa zaidi ya maandishi tu), tofauti yake muhimu iko katika muundo wake. Zhipu AI, kampuni iliyotokana na Kundi maarufu la Uhandisi wa Maarifa (Knowledge Engineering Group) la Chuo Kikuu cha Tsinghua, inajumuisha hifadhidata zilizopangwa na grafu za maarifa katika mchakato wake wa kujifunza. Tofauti na LLM za kawaida ambazo hujifunza hasa kutokana na kiasi kikubwa cha maandishi yasiyopangwa (kama tovuti na vitabu), Zhipu AI inatumia kwa uwazi grafu za maarifa zilizoratibiwa, zenye usahihi wa hali ya juu – uwakilishi uliopangwa wa ukweli, vyombo, na uhusiano wao.
Kampuni inadai kuwa mbinu hii inapunguza kwa kiasi kikubwa kiwango cha maono ya uongo ya modeli, ikiripotiwa kufikia kiwango cha chini kabisa katika ulinganisho wa hivi karibuni wa kimataifa. Kwa kuweka msingi wa makisio ya takwimu ya AI katika mfumo wa maarifa yaliyothibitishwa, yaliyopangwa (kama inavyodokezwa na asili ya ‘Uhandisi wa Maarifa’), Zhipu AI inalenga kujenga injini ya utambuzi inayoaminika zaidi. Hii inawakilisha hatua ya kivitendo kutoka kwa modeli za takwimu tu kuelekea mifumo inayounganisha msingi wa ukweli, na kuongeza uaminifu kwa matumizi maalum kama yale yaliyokusudiwa katika mradi wa mji janja wa Zhuhai.
Jitihada za Uunganishaji wa Neuro-Symbolic
Mfano wa Zhipu AI unadokeza mabadiliko mapana zaidi, ya kimsingi yanayotarajiwa katika mageuzi ya akili bandia: uunganishaji wa mitandao ya neva ya takwimu na hoja za kimantiki za kiishara. Ingawa LLM za sasa zinawakilisha hasa ushindi wa mitandao ya neva – bora katika utambuzi wa mifumo, uchakataji wa data za hisia, na uzalishaji wa matokeo yanayowezekana kitakwimu – hatua inayofuata inawezekana inahusisha kuchanganya uwezo huu wa ‘hisia’ na hoja zilizopangwa, zinazotegemea sheria ambazo ni tabia ya AI ya kiishara ya jadi.
Uunganishaji huu wa neuro-symbolic mara nyingi huelezewa kama ‘kikombe kitakatifu’ (‘holy grail’) katika utafiti wa AI haswa kwa sababu unaahidi bora zaidi ya pande zote mbili: uwezo wa kujifunza na kubadilika wa mitandao ya neva pamoja na uwazi, uthibitishaji, na hoja dhahiri za mifumo ya kiishara. Fikiria AI ambayo sio tu inatambua mifumo katika data lakini pia inaweza kuelezea hoja zake kulingana na sheria zilizowekwa, kanuni, au kanuni za kimantiki.
Kufikia uunganishaji usio na mshono kunaleta changamoto nyingi ngumu, zinazojumuisha mifumo ya kinadharia, ufanisi wa kikokotozi, na utekelezaji wa kivitendo. Hata hivyo, kujenga grafu imara za maarifa kunawakilisha hatua ya kuanzia inayoonekana. Hifadhidata hizi zilizopangwa za ukweli na uhusiano hutoa msingi wa kiishara unaohitajika kuimarisha makisio ya mtandao wa neva.
Mtu anaweza kufikiria juhudi kubwa, inayofadhiliwa na serikali nchini China, labda ikikumbusha kazi kubwa ya kukusanya ensaiklopidia ya Yongle Dadian wakati wa nasaba ya Ming. Kwa kuweka kidijitali kiasi kikubwa cha taarifa zilizothibitishwa katika nyanja muhimu ambapo usahihi hauwezi kujadiliwa – kama vile dawa, sheria, uhandisi, na sayansi ya vifaa – China inaweza kuunda miundo ya msingi ya maarifa. Kuimarisha modeli za baadaye za AI katika misingi hii ya maarifa iliyosimbikwa, iliyopangwa itakuwa hatua muhimu kuelekea kuzifanya ziwe za kuaminika zaidi, zisizo na uwezekano mdogo wa maono ya uongo, na hatimaye, za kuaminika zaidi kwa matumizi muhimu, na uwezekano wa kuendeleza mipaka ya nyanja hizi katika mchakato huo.
Uendeshaji wa Magari Yanayojiendesha: Faida ya Mfumo wa Ikolojia wa China
Labda uwanja wa kuvutia zaidi ambapo China inaonekana kuwa tayari kutumia mwelekeo wake katika AI iliyounganishwa na ya kuaminika ni uendeshaji wa magari yanayojiendesha (autonomous driving). Matumizi haya yanajitenga na modeli za lugha za jumla kwa sababu usalama sio tu wa kuhitajika; ni muhimu sana. Kuendesha gari katika mazingira magumu, yasiyotabirika ya ulimwengu halisi kunahitaji zaidi ya utambuzi wa mifumo tu; kunahitaji maamuzi ya sekunde moja kulingana na sheria za trafiki, vikwazo vya kimwili, mazingatio ya kimaadili, na hoja za utabiri kuhusu tabia ya watumiaji wengine wa barabara.
Mifumo ya uendeshaji wa magari yanayojiendesha, kwa hivyo, inahitaji muundo wa kweli wa neuro-symbolic.
- Mitandao ya neva ni muhimu kwa kuchakata mfululizo wa data za hisia kutoka kwa kamera, lidar, na rada, kutambua vitu kama watembea kwa miguu, waendesha baiskeli, na magari mengine, na kuelewa mazingira ya karibu.
- Mantiki ya kiishara ni muhimu kwa kutekeleza sheria za trafiki (kusimama kwenye taa nyekundu, kutoa njia), kuzingatia mapungufu ya kimwili (umbali wa kusimama, eneo la kugeuka), kufanya maamuzi ya wazi, yanayoweza kuthibitishwa katika hali ngumu, na uwezekano hata wa kuabiri dilemmas za kimaadili (kama chaguo za ajali zisizoepukika, ingawa hii inabaki kuwa eneo lenye utata mkubwa).
Gari linalojiendesha lazima lichanganye kwa ufanisi ‘hisia’ zinazoendeshwa na data na hoja zinazotegemea sheria, likifanya kazi kwa uthabiti na kwa kutabirika ili kuhakikisha usalama unaobadilika katika hali zinazobadilika. Haliwezi kumudu aina ya ‘maono ya uongo’ au makosa ya uwezekano yanayokubalika katika matumizi yasiyo muhimu sana ya AI.
Hapa, China ina muunganiko wa kipekee wa mambo yanayounda mfumo wa ikolojia wenye rutuba kwa maendeleo na upelekaji wa magari yanayojiendesha, pengine ikizidi nguvu zingine za kimataifa:
- Mnyororo wa Ugavi wa EV Unaoongoza Duniani: China inatawala uzalishaji wa magari ya umeme (EV) na vipuri vyake, haswa betri, ikitoa msingi imara wa viwanda.
- Miundombinu Mikubwa ya Kuchaji: Mtandao unaopanuka kwa kasi wa vituo vya kuchaji unapunguza wasiwasi wa umbali na kusaidia kuenea kwa matumizi ya EV.
- Mitandao ya Juu ya 5G: Mawasiliano ya kasi ya juu, yenye ucheleweshaji mdogo ni muhimu kwa mawasiliano ya gari-kwa-kila kitu (V2X), kuwezesha uratibu kati ya magari na miundombinu.
- Uunganishaji wa Miji Janja: Mipango kama ile ya Zhuhai inaonyesha nia ya kuunganisha mifumo ya usafirishaji na mitandao mipana ya data mijini, kuboresha mtiririko wa trafiki na kuwezesha vipengele vya juu vya AV.
- Matumizi Yaliyoenea ya Huduma za Kukodi Magari: Kukubalika kwa juu kwa watumiaji wa programu za kukodi magari kunaunda soko tayari kwa huduma za robotaxi, kutoa njia wazi ya kufanya biashara ya magari yanayojiendesha.
- Kiwango cha Juu cha Matumizi ya EV: Watumiaji wa China wamekubali magari ya umeme kwa urahisi zaidi kuliko katika nchi nyingi za Magharibi, na kuunda soko kubwa la ndani.
- Mazingira ya Udhibiti Yanayounga Mkono: Ingawa usalama unabaki kuwa muhimu, inaonekana kuna msaada wa serikali kwa ajili ya kupima na kupeleka teknolojia zinazojiendesha, ikithibitishwa na operesheni za robotaxi ambazo tayari zinaendelea katika miji kama Wuhan.
Linganisha hili na maeneo mengine. Marekani, licha ya juhudi za upainia za Tesla, iko nyuma sana katika matumizi ya jumlaya EV miongoni mwa mataifa yaliyoendelea, mwenendo ambao unaweza kuzidishwa na mabadiliko ya sera. Ulaya inajivunia matumizi makubwa ya EV lakini haina mkusanyiko sawa wa wazalishaji wakuu wa ndani wa EV au makampuni makubwa ya AI yanayoongoza duniani yanayolenga uunganishaji huu.
Faida ya kimkakati ya China, kwa hivyo, inaonekana kuwa chini ya kuwa na LLM moja yenye nguvu zaidi na zaidi juu ya kuratibu mfumo huu tata wa ikolojia. Vipande vinaangukia mahali pake – kutoka kwa uwezo wa utengenezaji hadi miundombinu ya kidijitali na kukubalika kwa watumiaji – ili uwezekano wa kuruhusu magari yanayojiendesha kuhama kutoka kwa majaribio maalum hadi matumizi ya kawaida ndani ya muongo mmoja, labda hata kuona ukuaji mkubwa mwaka huu. Nguvu kamili ya mabadiliko itafunguliwa wakati magari haya yataunganishwa bila mshono na miundombinu ya miji janja inayoendelea.
Kubadilisha Mwelekeo: Kutoka Nguvu ya Kikokotozi hadi Mifumo ya Ikolojia Iliyounganishwa
Wakati Marekani na wachezaji wengine mara nyingi wanaonekana kufungwa katika ‘mbio za kikokotozi,’ wakilenga ukuu wa chip, miundombinu mikubwa ya seva, na kufikia uongozi wa vigezo na LLM kubwa zaidi, China inaonekana kufuata mkakati unaokamilishana, labda wenye athari kubwa zaidi mwishowe. Mkakati huu unasisitiza uunganishaji wa AI katika matumizi yanayoonekana, yanayobadilisha jamii, ukiweka kipaumbele kwa uaminifu na ushirikiano wa mfumo wa ikolojia, haswa katika nyanja kama uendeshaji wa magari yanayojiendesha na miji janja.
Hii inahusisha hatua ya makusudi kuelekea mbinu za neuro-symbolic, ikilenga nyanja maalum zenye thamani kubwa, zenye umuhimu wa usalama ambapo modeli za takwimu tu hazitoshi. Faida halisi ya ushindani inaweza isiwepo ndani ya algoriti au modeli moja yoyote, bila kujali nguvu au ufanisi wake wa gharama, lakini katika uwezo wa kuunganisha AI katika mazingira ya kimwili na kiuchumi kupitia mifumo ya ikolojia kamili, iliyounganishwa. China inapiga hatua kimya kimya kuelekea uunganishaji wa kivitendo, wa kikoa maalum wa neuro-symbolic, ikiangalia zaidi ya mvuto wa sasa wa LLM kuelekea matumizi ambayo yanaweza kubadilisha kimsingi maisha ya mijini na usafirishaji. Mustakabali wa athari halisi ya AI duniani unaweza kuwa chini katika ufasaha wa chatbots na zaidi katika utendaji wa kuaminika wa mifumo hii tata, iliyoingizwa na AI.