Napredak u veštačkoj inteligenciji i automatizaciji: Uzroci i posledice

Aleksandar Maričić dipl.ecc.
Narodni muzej Kraljevo
aleksandar.maricic@nmkv.rs

Apstrakt
Ovaj rad predstavlja sveobuhvatnu analizu napretka veštačke inteligencije (AI) i automatizacije kao katalizatora fundamentalne transformacije društva i ekonomije u okviru Četvrte industrijske revolucije. Istražuje se simbioza ključnih tehnoloških pokretača: eksponencijalni razvoj algoritama dubokog učenja (posebno transformera i generativnih modela), napredak u specjalizovanom hardveru (GPU, TPU, neuromorfni čipovi), eksplozija podataka iz digitalne sfere i Interneta stvari (IoT) te masivna globalna ulaganja u istraživanje i razvoj. Rad detektuje multidimenzionalne posledice, ukazujući na paradoksalne efekte na tržište rada – gde automatizacija istovremeno uništava i stvara radna mesta, vodeći ka polarizaciji – i na prodor AI u sektore od zdravstva (dijagnostička pomagala) do obrazovanja (adaptivno učenje). Centralno mesto daje se kritičkoj analizi etičkih i regulatornih izazova, uključujući algoritamsku pristrasnost, odgovornost autonomnih sistema, eroziju privatnosti i nove ranjivosti u sajber bezbednosti. Zaključak rada ističe da je budući društveni i ekonomski ishod ove tehnološke revolucije neodređen i da će zavisiti od strateških izbora u domenu upravljanja. Uspeh zahteva proaktivnu izgradnju agilnih, vrednosno usmerenih regulatornih okvira (npr. EU AI Act), masovne investicije u celoživotno učenje i prekvalifikaciju radne snage, te jačanje globalne saradnje za uspostavljanje etičkih standarda i upravljanje egzistencijalnim rizicima.

Ključne reči: veštačka inteligencija, duboko učenje, automatizacija, algoritamska pristrasnost, etika AI, budućnost rada, Četvrta industrijska revolucija, regulativa.

1. Uvod: AI kao Jezgro Tehnološke Konvergencije
Četvrta industrijska revolucija karakteriše se sinergijom digitalnih, bioloških i fizičkih tehnologija, pri čemu veštačka inteligencija (AI) i automatizacija služe kao njen “operativni sistem”. Napredak u ovoj oblasti nije linearna evolucija, već eksponencijalni skok omogućen konvergencijom nekoliko kritičnih faktora. Ovaj rad ne posmatra AI samo kao skup alata, već kao transformativnu silu koja redefiniše proizvodnju vrednosti, strukturu rada, donošenje odluka i sam koncept ljudske interakcije sa tehnologijom. Cilj je da se pruži strukturirana analiza: (1) tehnoloških fundamenta savremenog AI-a, (2) višeslojnih društveno-ekonomskih posledica, i (3) imperativa za odgovorno upravljanje kojim će se usmeriti njegov razvoj ka humanocentričnim ishodima.

2. Arhitektura Napretka: Tehnološki Pokretači
2.1. Algoritamska Revolucija: Od CNN do Transformera i Generativnih Modela
Napredak AI pre svega je algoritamski. Nakon prekretnice koju su 2012. doneli konvolutivne neuronske mreže (CNN) u oblasti kompjuterskog vida, pravi pomak desio se sa arhitekturom transformera (Vaswani et al., 2017). Njegov mehanizam pažnje (attention mechanism) omogućava modelima da dinamički ponderiraju značaj različitih delova ulaznog niza (npr. reči u rečenici), što je revolucionisalo obradu prirodnog jezika (NLP). Ovo je dovelo do pojave velikih jezičkih modela (LLM) kao što su GPT-4, PaLM i BERT, koji demonstriraju sposobnost generisanja koherentnog teksta, prevoda i zaključivanja.
Istovremeno, generativni suparnički mreži (GAN) i difuzioni modeli omogućili su neverovatno realističko generisanje slika, videa i audio zapisa, pokrećući nove industrije kreativnog AI-a (generative AI) i otvarajući nove etičke probleme (npr. deepfakes).

2.2. Hardverska Infrastruktura: Od GPU do Specjalizovanih Akceleratora
Obuka savremenih AI modela zahteva petaflops računske snage. Grafički procesori (GPU), zahvaljujući masivno paralelnoj arhitekturi, postali su radna mašina dubokog učenja. Dalji napredak ogleda se u:

• Tenzorskim procesorskim jedinicama (TPU): Specjalizovanim čipovima Google-a optimizovanim za matrične operacije u jezgru neuronskih mreža, nudeći superiornu energetsku efikasnost.
• Neuromorfnim čipovima: Hardveru inspirisanom biološkim neuronima (npr. Intel Loihi) koji simulira neurone i sinapse, obećavajući dramatično smanjenje potrošnje energije za određene AI radno opterećenje.
• Quantum Računarstvu: Iako u začetku, kvantno računanje potencijalno može eksponencijalno ubrzati optimizacione probleme relevantne za mašinsko učenje.

2.3. Podaci kao Nova Sirovina i Uloga IoT-a
AI sistemi su “alati koji uče iz podataka”. Ekspanzija digitalnog otiska čovečanstva – preko društvenih mreža, senzora, digitalnih transakcija – stvorila je bez presedana obim podataka za obuku. Internet stvari (IoT) je kritičan pokretač, pretvarajući fizički svet u izvor podataka u realnom vremenu. Mreže senzora u pametnim fabrikama, gradovima i kućama generišu kontinualne tokove podataka koje AI analizira za prediktivno održavanje, upravljanje energijom i automatizovano donošenje odluka.

2.4. Ekosistem Investicija i Geostrateška Trka
Razvoj AI pokreće ogroman kapital. Vodeće tehnološke korporacije (Alphabet, Microsoft, Meta, Baidu) ulažu milijarde u interni R&D i akvizicije. Istovremeno, vlade su prepoznale AI kao strateški resurs: Kina je objavila plan da do 2030. postane globalni lider u AI, SAD donosi zakone za podršku istraživanju i ograničavanju tehnološkog izvoza, a Evropska unija vodi razvoj regulatornog okvira usmerenog na zaštitu prava (AI Act). Ova “AI trka” ubrzava inovacije, ali i stvara tenzije i fragmentaciju u globalnim standardima.

3. Multidimenzionalne Posledice i Sistemski Izazovi
3.1. Transformacija Tržišta Rada: Automatizacija, Polarizacija i Imperativ Celoživotnog Učenja
Automatizacija zasnovana na AI ne utiče na sve poslove podjednako. Rutinski, predvidivi kognitivni i manuelni zadaci su najpodložniji (npr. unos podataka, skladišna logistika, srednji menadžment). Ovo vodi polarizaciji radne snage: raste tražnja za visoko kvalifikovanim stručnjacima (AI inženjeri, naučnici podataka) i za nisko plaćenim poslovima koji zahtevaju situacionu inteligenciju i fizičku prilagodljivost (nega, dostava), dok se posrednički poslovi gube. Odgovor leži u masovnim programima prekvalifikacije i celoživotnog učenja, uz reformu obrazovnih sistema koja naglašava kritičko mišljenje, kreativnost, emocionalnu inteligenciju i digitalnu pismenost.

3.2. Etički Labirint: Pristrasnost, Odgovornost i Transparentnost

• Algoritamska Pristrasnost: AI sistemi uče iz istorijskih podataka, često prenoseći i uvećavajući društvene predrasude (npr. u zapošljavanju, odobravanju kredita, kaznenom pravosuđu). Borba protiv toga zahteva posebnu pažnju na kvalitet i reprezentativnost podataka za obuku, te razvoj tehnika za otkrivanje i ublažavanje pristrasnosti (algorithmic auditing).
• Odgovornost (Accountability): Ko je odgovoran kada autonomni sistem donese štetnu odluku (npr. samovozeći automobil)? Tradicionalni pravni okviri nisu prilagođeni, što zahteva nove koncepte kao što je “odgovornost po dizajnu”.
• Objašnjivost (Explainability): “Crne kutije” složenih modela dubokog učenja otežavaju razumevanje donošenja odluka, što je kritično u oblastima kao što su medicina ili pravosuđe. Razvoj objašnjivog AI (XAI) postao je prioritet.

3.3. Sajberbezbednost i Društveni Rizici na Novom Nivou
AI povećava kapacitet i za odbranu i za napad u sajber prostoru. Moguće je automatizovati phishing napade, kreirati zlonamerni softver koji evoluira da zaobiđe zaštitu, ili generisati ubedljive deepfake snimke za dezinformacije. To zahteva razvoj AI-a za sajberodbranu koji može da detektuje i odgovori na napade u realnom vremenu, uz paralelno uspostavljanje etičkih normi protiv razvoja autonomnog oružja.

4. Buduće Trajektorije i Preporuke za Odgovorno Upravljanje
4.1. Kratkoročni i Dugoročni Trendovi

• Ubikviteta AI-a: AI će postati nevidljiva komponenta u svim softverskim aplikacijama i uređajima (AI everywhere).
• Rast Generativnog AI: Produktivni alati zasnovani na AI će transformisati kreativne industrije i znanja rad (knowledge work).
• Simulacija i Digitalni Blizanci: AI će upravljati složenim simulacijama za istraživanje nauke, razvoj lekova i planiranje gradova.
• Težnja ka Artificial General Intelligence (AGI): Iako još uvek hipotetička, potraga za AGI – sistemom sa ljudskom ili nadljudskom opštom inteligencijom – definiše dugoročnu istraživačku agendu i podiže temeljna filozofska i bezbednosna pitanja.

4.2. Okviri za Odgovornu Implementaciju

1. Agilna i Vrednosno Usmerena Regulacija: Regulativa (kao EU AI Act) mora da bude zasnovana na riziku, zabranjujući neprihvatljive primene, a istovremeno podstičući inovacije kroz sandbox okvire.
2. Investicije u Ljudski i Socijalni Kapital: Pored tehničkih veština, neophodno je ulagati u socijalnu sigurnosnu mrežu, programe obuke i podrške tokom tranzicije radne snage.
3. Globalna Saradnja i Standardizacija: Neophodno je uspostaviti međunarodna tela za usaglašavanje standarda, podele najboljih praksi i upravljanje egzistencijalnim rizicima od AI-a, slično kao što je to slučaj sa klimatskim promenama.
4. Interdisciplinarnost: Rešenje etičkih i društvenih izazova zahteva aktivno uključivanje filozofa, sociologa, pravnika, politologa i građanskog društva u proces dizajniranja i implementacije AI sistema.

5. Zaključak
Napredak veštačke inteligencije i automatizacije je najmoćniji pokretač ekonomske i društvene promene u 21. veku. Njegov potencijal da poveća globalni prosperitet, reši složene probleme i oslobodi ljude od monotonog rada je ogroman. Međutim, taj isti potencijal nosi i rizike od strukturalne nezaposlenosti, produbljivanja nejednakosti, institucionalizacije pristrasnosti i erozije autonomije. Stoga, najvažnije pitanje nije “šta AI može da uradi?”, već “šta mi želimo da AI postane?”. Odgovor na to pitanje ne leži u tehnologiji samoj, već u našim kolektivnim odlukama o upravljanju, vrednostima i viziji budućnosti koju želimo da izgradimo. Odgovorna i inkluzivna putanja zahteva ne samo tehničku stručnost, već i mudrost, predvidljivost i posvećenost opštem dobru.

6. Reference

1. Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
2. Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. W. W. Norton & Company.
3. Tegmark, M. (2017). Life 3.0: Being Human in the Age of Artificial Intelligence. Knopf.
4. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., … & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.
5. Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrke, J., Horvitz, E., Kamar, E., … & Zhang, Y. (2023). Sparks of Artificial General Intelligence: Early experiments with GPT-4. arXiv preprint arXiv:2303.12712.
6. Jouppi, N. P., Young, C., Patil, N., Patterson, D., Agrawal, G., Bajwa, R., … & Boyle, R. (2017). In-datacenter performance analysis of a tensor processing unit. *ACM/IEEE 44th Annual International Symposium on Computer Architecture (ISCA)*.
7. World Economic Forum. (2023). Future of Jobs Report 2023.
8. European Commission. (2021). Proposal for a Regulation laying down harmonised rules on artificial intelligence (Artificial Intelligence Act).
9. O’Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown Publishing Group.
10. Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.