Νοημοσύνη χωρίς συνείδηση (του Δημήτρη Σωκιαλίδη) 

2
485

  του Δημήτρη Σωκιαλίδη 

 

Οι πρόσφατες εξελίξεις στο μέτωπο της Τεχνητής Νοημοσύνης προκάλεσαν εκπλήξεις οι οποίες μας φέρνουν ξανά αντιμέτωπους με τα αιώνια φιλοσοφικά και υπαρξιακά προβλήματα του ανθρώπου και δυστυχώς αυτή την φορά φαίνεται να πιέζουν και για ουσιαστικές απαντήσεις.

Έκπληξη Πρώτη

To 2014, o συγγραφέας του βιβλίου, καθηγητής φυσικής του ΜΙΤ Max Tegmark, εντυπωσιάστηκε παρακολουθώντας το σύστημα Τεχνητής Νοημοσύνης DeepMind να μαθαίνει να παίζει το κλασικό παιχνίδι Breakout των υπολογιστών ΑTARI. Στο συγκεκριμένο παιχνίδι, ο στόχος είναι να μετακινείς μια ρακέτα ώστε να στέλνεις συνεχώς μια μπάλα να αναπηδά σε ένα τοίχο από τούβλα. Κάθε φορά που πετυχαίνεις ένα τούβλο, αυτό εξαφανίζεται, ο τοίχος που φράζει την έξοδο μικραίνει και το σκορ σου αυξάνεται.  Στην αρχή το σύστημα δεν έβρισκε καν την μπάλα. Μάθαινε όμως γρήγορα. Σε λίγο άρχισε να την πετυχαίνει, την έστελνε όμως στου «κουτρούλη το γάμο». Μετά από δύο ώρες εξάσκησης έπαιζε σαν πρωταθλητής! Μετά από τέσσερεις ώρες εκπαίδευσης ανέπτυξε στρατηγική που ούτε οι ίδιοι κατασκευαστές του συστήματος δεν είχαν φανταστεί.( Αξίζει να δείτε το σχετικό βίντεο).

Το σημαντικό είναι ότι το σύστημα Τεχνητής Νοημοσύνης Deepmind δεν ήξερε απολύτως τίποτα για το παιχνίδι. Δεν ήξερε  τους κανόνες του παιχνιδιού, ούτε τι είναι ρακέτα ή μπάλα ή τούβλο ή τοίχος. Δεν ήξερε καν τι είναι οθόνη ή πίξελ. Το μόνο που γνώριζε ήταν μια μεγάλη λίστα με τους αριθμούς που αντιστοιχούσαν στην απόχρωση κάθε πίξελ της οθόνης καθώς και την τρέχουσα βαθμολογία, την οποία έπρεπε να μεγιστοποιήσει.

Το ίδιο σύστημα Τεχνητής Νοημοσύνης, ο ίδιος αλγόριθμος, έμαθε μετά από εξάσκηση να παίζει και να κερδίζει τους ανθρώπους στα 21 από τα 49 διαφορετικά παιχνίδια της ΑTARI.

Έκπληξη Δεύτερη

Το 2016 το σύστημα Τεχνητής Νοημοσύνης AlphaGo της DeepMind κερδίζει ένα παιχνίδι πέντε παρτίδων Γκο, με αντίπαλο τον κορυφαίο παίκτη του κόσμου Λι Σεντόλ.   Το αρχαίο κινέζικο παιχνίδι στρατηγικής Γκο  («επιτραπέζιο παιχνίδι περικύκλωσης» ή «σκάκι περικύκλωσης») έχεις τις ρίζες του στην κινεζική μυθολογία της τρίτης χιλιετίας προ Χριστού και παραμένει εξαιρετικά δημοφιλές στην Ασία μέχρι και σήμερα. Ως «τέχνη του πολέμου» και μαζί με τις τέχνες της ζωγραφικής, της καλλιγραφίας και της μουσικής θεωρείτο η πεμπτουσία της εκπαίδευσης για την κινεζική αριστοκρατία.  Οι παίκτες του Γκο τοποθετούν εναλλάξ μαύρες και λευκές πέτρες (πούλια) σε ένα ταμπλό από 19 επί 19 τετραγώνων (έναντι της σκακιέρας που αποτελείται από 8 επί 8 τετράγωνα). Το Γκο έχει πολλές περισσότερες πιθανές κινήσεις από το σκάκι. Τόσες περισσότερες όσα και τα άτομα που υπάρχουν σε ολόκληρο το σύμπαν. Είναι αδύνατον να υπολογιστεί κάθε πιθανή κίνηση στο ταμπλό είτε από άνθρωπο είτε από υπολογιστή. Για αυτόν το λόγο το Γκο αποτελούσε και τον μεγάλο στόχο των ειδικών της Τεχνητής Νοημοσύνης . Δεν θεωρείτο πιθανή μια νίκη έναντι του ανθρώπου τουλάχιστον για την προσεχή δεκαετία.

Όταν οι μεγάλοι μαιτρ αυτών των παιχνιδιών ερωτώνται πώς επέλεξαν μια συγκεκριμένη κίνηση, συνήθως απαντούν ότι «απλώς ένιωσα» ότι ήταν η καλύτερη. Μια μορφή διαίσθησης δηλαδή, καθώς δεν είναι δυνατόν να υπολογιστεί η καλύτερη δυνατή επιλογή. Σχεδιάζοντας ανάλογα την εκπαίδευση του AlphaGo, η DeepMind κατάφερε ακόμα και αυτό. Στην αναμέτρησή του με τον Λι Σεντόλ ο AlphaGo επέλεξε μια «αφελή κίνηση αρχαρίου» σύμφωνα με την συσσωρευμένη σοφία του παιχνιδιού, η οποία όμως 50 περίπου κινήσεις αργότερα, αποδείχτηκε καθοριστική για τη νίκη του επί του θρύλου του Γκο, Λι Σεντόλ.

Το 2018, ο διάδοχος του AlphaGo, o AlphaZero, εκπαιδεύτηκε από την αρχή απλώς παίζοντας με τον εαυτό του. Όχι μόνο κατανίκησε τον AlphaGo, άλλα έμαθε και σκάκι παίζοντας, πάλι, απλώς με τον εαυτό του. Μετά από 2 ώρες εξάσκησης νικούσε τους καλύτερους ανθρώπους παίκτες και μετά από 4  ώρες συνέτριψε το Stockfish, το ισχυρότερο σκακιστικό πρόγραμμα του κόσμου. Εάν το καλοσκεφτείτε, κέρδισε και τους προγραμματιστές Τεχνητής Νοημοσύνης που το είχαν αναπτύξει παλεύοντας σκληρά επί δεκαετίες.

Έκπληξη Τρίτη

Στα τέλη του 2016, τα μέσα κοινωνικής δικτύωσης γέμισαν με κάποιες ασυνήθιστες δημοσιεύσεις. Επεσήμαναν ότι η μεταφραστική μηχανή της Google είχε βελτιωθεί εντυπωσιακά στις γλώσσες που μιλούνται από τα πολυπληθέστερα τμήματα του παγκόσμιου πληθυσμού σήμερα, όπως κινέζικα, αγγλικά, ισπανικά, γαλλικά, γερμανικά κλπ. Όσοι δοκίμασαν να μεταφράσουν κείμενα τα οποία είχαν μεταφράσει με το Google Translate πριν από λίγες μέρες, δεν πίστευαν στα μάτια τους! Ήταν πια δύσκολο να διακρίνουν εάν η μετάφραση είχε γίνει από άνθρωπο ή τεχνητή νοημοσύνη!

Πολλοί από εμάς τους  Έλληνες δεν το έχουμε πάρει ακόμα είδηση γιατί προφανώς ο εν λόγω αλγόριθμος δεν έχει ακόμα εκπαιδευτεί επαρκώς στα ελληνικά. Εάν όμως γνωρίζετε αγγλικά, ισπανικά, γαλλικά, γερμανικά ή κινέζικα δοκιμάστε και θα εκπλαγείτε. Αξίζει να σημειωθεί ότι η ίδια η Google, εξαιτίας του ανταγωνισμού της με τους άλλους μεγάλους του χώρου (Apple, Baidu, Facebook, Microsoft κλπ. ) δεν είχε κάνει καμία ανακοίνωση για την μεγάλη πρόοδο που είχε επιτύχει στη μετάφραση.

Το σημαντικό όμως, όπως είδαμε παραπάνω και με τα παιχνίδια, είναι ότι η Τεχνητή Νοημοσύνη πίσω από το Gοogle translate, δεν δίνει νόημα στις λέξεις. Δεν τις συσχετίζει με αντικείμενα του πραγματικού κόσμου. Δεν ξέρει ότι εκεί έξω υπάρχει μια φυσική πραγματικότητα. Ότι υπάρχουν χώρος , χρόνος, ύλη και όλα τα άλλα. Δεν ξέρει τι είναι αρσενικό ή θηλυκό, επίθετο ή ουσιαστικό κλπ. Στην ουσία δεν  «καταλαβαίνει» τι λέει από όποια λογική άποψη και εάν το δει κανείς. Εκπαιδεύεται σε τεράστια σύνολα δεδομένων και ανακαλύπτει τα μοτίβα και τις σχέσεις μεταξύ των λέξεων. Π.χ. μπορεί να αναπαριστά κάθε λέξη με μια λίστα χιλίων αριθμών όπου ο κάθε αριθμός προσδιορίζει το πόσο μοιάζει και τι σχέση έχει με άλλες λέξεις της συγκεκριμένης γλώσσας.  Η αλήθεια είναι ότι δεν είναι εύκολο να κατανοήσει κανείς τη διαδικασία.

Τίθεται όμως ένα σημαντικό ερώτημα. Δεν αποτελεί η γλώσσα το ουσιαστικό διακριτικό της ανθρώπινης ευφυίας; Το μεγάλο άλμα από την εμπειρική αντίληψη στην σκέψη και ως εκ τούτου στη συνείδηση; Μήπως μετά τα «χαστούκια», όπως ονομάστηκαν, που δέχτηκε η ανθρωπότητα, από τον Γαλιλαίο (ότι δεν είναι η γη το κέντρο του σύμπαντος και όλα γυρίζουν γύρω από αυτή), τον Δαρβίνο (ότι είμαστε ξαδέλφια με τον πίθηκο μια και έχουμε κοινό πρόγονο) και τον Φρόιντ (ότι η συμπεριφορά μας δεν ελέγχεται μόνο από το συνειδητό αλλά και από ένα ασυνείδητο που δεν γνωρίζουμε και δεν ελέγχουμε) μας περιμένει στη γωνία άλλη μια ταπείνωση; Ότι πιθανότατα μπορεί να κατασκευαστεί μια Τεχνική Νοημοσύνη ισχυρότερη από την δικιά μας η οποία μάλιστα δεν χρειάζεται συνείδηση και συναίσθημα, μπορεί, επομένως, να είναι και «ζόμπι»;

Μικρή Αναδρομή στην ιστορία της Τεχνητής Νοημοσύνης

 Αποτύπωση μνήμης

Χαράσσοντας ένα αγαπημένο όνομα σε ένα χρυσό δαχτυλίδι δημιουργούμε μία μνήμη. Αποθηκεύουμε μια πληροφορία που θα μείνει στη θέση της για πολλά χρόνια, καθώς χρειάζεται πολύ ενέργεια για να αναπλάσουμε το χρυσό δαχτυλίδι. Εάν χαράξουμε το όνομα στην άμμο, πάλι δημιουργούμε μία μνήμη και αποθηκεύουμε μια πληροφορία. Αλλά ένας αέρας ή ένα απρόσεκτο πάτημα μπορεί εύκολα να το αλλοιώσει.

Είτε στο χρυσό είτε στην άμμο το όνομα, η πληροφορία, είναι η ίδια και είναι ανεξάρτητη από το υλικό υπόβαθρο στο οποίο έχει χαραχτεί (αποθηκευτεί). Άρα η ύλη τροποποιούμενη αποτυπώνει μνήμη, αποθηκεύει πληροφορία.

Η απλούστερη μέθοδος η οποία μπορεί να κωδικοποιήσει οποιαδήποτε πολύπλοκη πληροφορία είναι δυαδική. Κωδικοποιεί ένα δυαδικό ψηφίο (ένα μπιτ) σε μια από δύο σταθερές καταστάσεις το μηδέν ή το ένα. Π.χ. σε ένα ηλεκτρικό κύκλωμα κλειστός διακόπτης = περνά ρεύμα = 1, ανοικτός = δεν περνά ρεύμα = 0.

Κάθε γράμμα του χαραγμένου ονόματος μπορεί να εκφραστεί από μια αλληλουχία 0 και 1. Αυτό μπορεί να γίνει σε πολλά διαφορετικά υλικά υπόβαθρα.  Π.χ. σε ένα DVD κάθε μπιτ δηλώνει αν υπάρχει ένα μικρό κοίλωμα (1) σε ένα συγκεκριμένο σημείο της πλαστικής του επιφάνειας του, ή όχι (0), ενώ σε ένα σκληρό δίσκο κάθε μπιτ αντιστοιχεί στην μαγνήτιση ενός σημείου στην επιφάνειά του.

Υπολογισμός

Εάν πάρουμε μια πληροφορία, μια μνημονική κατάσταση όπως π.χ. έναν αριθμό α και τον πολλαπλασιάσουμε με τον εαυτό του, κάνουμε ένα υπολογισμό. Μετασχηματίζουμε δηλαδή αυτή την μνημονική κατάσταση, τον αριθμό, σε έναν άλλο, εφαρμόζοντας σε αυτόν μία συνάρτηση την χ2. Μία απλή αριθμομηχανή έχει όλες αυτές τις συναρτήσεις που μάθαμε στο σχολείο. Κτυπάτε π.χ. το 4 και το πλήκτρο με το σύμβολο της τετραγωνικής ρίζας (√) και, εφαρμόζοντας την αντίστοιχη συνάρτηση, σας βγάζει το 2.

Πέραν όμως των γνωστών πράξεων και συναρτήσεων που μπορεί να εκτελέσει μια απλή αριθμομηχανή, κάποιες συναρτήσεις μπορεί να γίνουν εξαιρετικά πολύπλοκες. Π.χ. εάν έχετε μια συνάρτηση στην οποία εισάγετε μπιτ που αντιπροσωπεύουν τις θέσεις των πιονιών στο σκάκι και λαμβάνετε μπιτ που αντιπροσωπεύουν την καλύτερη δυνατή επόμενη κίνηση, τότε μπορείτε να την εφαρμόσετε για να κερδίσετε το παγκόσμιο πρωτάθλημα.

Οι επιστήμονες παίζοντας με ηλεκτρονικά κυκλώματα, αναδιατάξεις δηλαδή συνήθων φυσικών υλικών, κατάφεραν να κατασκευάσουν μια πολύ απλή συνάρτηση η οποία ονομάζεται «πύλη NAND» όπου εισάγουμε δύο μπιτ και λαμβάνουμε ένα με την τιμή 0 αν και τα δύο εισαγόμενα μπιτ είναι 1, και 1 σε όλες τις άλλες περιπτώσεις. Δηλαδή συνδέοντας δυο διακόπτες σε σειρά με μία μπαταρία και ένα ηλεκτρομαγνήτη, τότε ο ηλεκτρομαγνήτης θα είναι ανοικτός (0 δεν περνά ρεύμα) μόνο εάν ο πρώτος και δεύτερος διακόπτης είναι κλειστοί (1 περνά ρεύμα).

Το σημαντικό με την συνάρτηση της πύλης NAND είναι πως αποδείχτηκε ότι είναι «καθολική». Καθολική σημαίνει ότι μπορούμε να υπολογίσουμε οποιαδήποτε αριθμητική πράξη ή γενικότερα οποιαδήποτε συνάρτηση εάν συνδέσουμε έξυπνα μεταξύ τους πολλές πύλες NAND. ( Όπως η πρόσθεση αποτελεί την βάση όλων των άλλων πράξεων π.χ. μπορούμε να κάνουμε τον πολλαπλασιασμό 11Χ4 απλώς προσθέτοντας 4 φορές το 11).

Με άλλα λόγια διαθέτοντας επαρκείς πόρους μνήμης και επαρκή αριθμό πυλών NAND, θα έχουμε την δυνατότητα να κατασκευάσουμε έναν «καθολικό υπολογιστή». Ένα υπολογιστή δηλαδή που θα μπορεί να υπολογίσει τα πάντα.

Στις έξι δεκαετίες που μεσολάβησαν από αυτές τις ανακαλύψεις, η εξέλιξη και στα δύο μέτωπα (μνήμη και αριθμό υπολογισμών ανά δευτερόλεπτο) ήταν εκθετική. Η δυνατότητα αποθήκευσης μνήμης, καθώς και ο αριθμός υπολογισμών ανά δευτερόλεπτο που μπορούσε να υλοποιήσει  ένας υπολογιστής, διπλασιάζονταν σχεδόν κάθε δύο χρόνια ενώ το κόστος μειωνόταν στο μισό (νόμος του Moore) χωρίς το τέλος αυτής της ανάπτυξης να είναι ακόμα ορατό. Έτσι φτάσαμε στο 1997, όταν ο υπολογιστής Deep Blue της IBM, κατάφερε να παίρνει τα μπιτ που αντιπροσωπεύουν τις θέσεις των πιονιών στο σκάκι και, εφαρμόζοντας μία συνάρτηση (αλγόριθμους που ανέπτυξαν μετά από χρόνια προσπαθειών οι μηχανικοί της IBM) να υπολογίζει ταχύτατα την καλύτερη δυνατή επόμενη κίνηση και να εκθρονίσει τον παγκόσμιο πρωταθλητή στο σκάκι, Γκάρι Κασπάροφ.

Μάθηση

Πετύχαμε δηλαδή να φτιάξουμε υπολογιστές που νίκησαν τον άνθρωπο σε ικανότητες δύσκολες για μας, όπως π.χ. αυτή της μαθηματικής στρατηγικής σκέψης που απαιτεί ένα παιχνίδι όπως το σκάκι, οι οποίες μας έκαναν να ξεχωρίζουμε στο ζωικό βασίλειο.

Αποδείχτηκε όμως ότι οι ικανότητες που θεωρούσαμε εύκολες, αυτόματες και αυτονόητες όπως το να βλέπουμε, να ακούμε, να περπατάμε, να μιλάμε και να βγάζουμε νόημα από τον κόσμο γύρω μας ήταν οι πιο δύσκολες να προσεγγίσουμε με την τεχνητή νοημοσύνη. Αυτό που δεν είχαμε συνειδητοποιήσει ήταν ότι ένα παιδί χρειάζεται χρόνια εκπαίδευσης για να μάθει όλα αυτά που μας φαίνονται εύκολα και αυτονόητα.

Ο υπερυπολογιστής Deep Blue με όλη την τρομακτική υπολογιστική του δύναμη– δεν θα μπορούσε ποτέ να βελτιώσει την απόδοσή του μαθαίνοντας από τα λάθη του. Μάλιστα, εάν τον βάζατε να παίξει απλή τρίλιζα δεν θα μπορούσε να κερδίσει ούτε ένα τετράχρονο. Ενώ ο Κασπάροφ, ένα προικισμένο παιδί, μαθαίνοντας από τα λάθη του έφτασε μετά από κάποια χρόνια να γίνει παγκόσμιος πρωταθλητής στο σκάκι.

Πως μπόρεσε, επομένως, η ύλη να κατακτήσει τη μάθηση; Το πιο πρόσφορο μοντέλο, για να το κατανοήσουμε, φυσικά είναι ο ανθρώπινος εγκέφαλος. Ο εγκέφαλος έχει 86 δισεκατομμύρια νευρώνες κάθε ένας εκ των οποίων αλληλοεπιδρά περίπου με χίλιους άλλους νευρώνες σχηματίζοντας ένα τεράστιο αριθμό συνδέσεων οι οποίες ονομάζονται συνάψεις. Είναι μια τεράστια ομάδα διασυνδεδεμένων νευρώνων, ικανών να επηρεάσουν ο ένας την λειτουργία του άλλου. Με την εμπειρία της ζωής, και ανάλογα με τις δοκιμές και τα λάθη (trials and errors) του καθενός μας, οι συναπτικές συνδέσεις μεταξύ των νευρώνων δυναμώνουν ή ατονούν, κωδικοποιώντας τις περισσότερες πληροφορίες στον εγκέφαλό μας. Ο εγκέφαλος, επομένως, μαθαίνει  να επεξεργάζεται την πληροφορία που έρχεται από το περιβάλλον (είτε υπό την μορφή φωτεινών σημείων που καταγράφει ο αμφιβληστροειδής του ματιού του ή ηχητικών συχνοτήτων που καταγράφει ο κοχλίας του αυτιού του, ή άλλων ερεθισμάτων). Ανιχνεύει τα σημαντικά για αυτόν μοτίβα που κρύβονται σε αυτά τα στοιχεία, ώστε να είναι ικανός να επεξεργαστεί την πληροφορία αυτή για να επιβιώνει με τον καλύτερο δυνατό τρόπο.

Ο εγκέφαλος είναι ένα εργαλείο γενικής νοημοσύνης. Πέρα από το να κινείται, να βλέπει, να ακούει, να μιλά, μπορεί να μάθει να παίζει μπάλα, σκάκι, μαθηματικά, μουσική και να επεξεργάζεται με έξυπνο τρόπο όποιες πληροφορίες έχει στην διάθεσή του για να επιτύχει πολύπλοκους στόχους. Αυτό αποτελεί και το Άγιο Δισκοπότηρο της επιστήμης της Τεχνητής Νοημοσύνης: η Τεχνητή Γενική Νοημοσύνη (ΤΓΝ) ανθρώπινου επιπέδου που θα μπορεί να μαθαίνει και να βελτιώνεται επεξεργαζόμενη πληροφορίες και υλοποιώντας πολύπλοκους στόχους.

Σήμερα πια, και μετά από πολλά χρόνια άγονων προσπαθειών, ένα τεχνητό νευρωνικό δίκτυο μπορεί πράγματι να κάνει κάτι παρόμοιο. Μέσα από μια καθοδηγούμενη διαδικασία δοκιμής-λάθους (trial and error) αλλάζει σταδιακά τις αριθμητικές σχέσεις μεταξύ των τεχνητών νευρώνων του (τα βάρη των συνάψεών του) μέχρι να επεξεργαστεί με επιτυχία τα μοτίβα (patterns) με τα οποία τροφοδοτήθηκε.

Πάρτε για παράδειγμα την περίπτωση αναγνώρισης εικόνας όπου το δίκτυο πρέπει να μάθει να αναγνωρίζει μια γάτα ή ένα σκύλο ή κάτι άλλο. Στην οθόνη παρουσιάζεται η εικόνα μιας γάτας και το δίκτυο δέχεται αριθμούς που αντιπροσωπεύουν την φωτεινότητα των εικονοστοιχείων (πίξελ) της εικόνας. Το πρώτο επίπεδο του δικτύου μαθαίνει να αναγνωρίζει πολύ βασικά στοιχεία, ένα φωτεινό πίξελ που ακολουθείται από ένα σκοτεινό π.χ., μια γωνία, μια μικρή γραμμούλα, μια μικρή καμπύλη. Το επόμενο επίπεδο ψάχνει για ένα μοτίβο στο προηγούμενο επίπεδο.  Ένα μοτίβο από γραμμές μπορεί να είναι ένας κύκλος ή ένα παραληλόγραμμο. Ένα μοτίβο από κύκλους ή παραλληλόγραμμα μπορεί να είναι ένα πρόσωπο. Κάπως έτσι, μάλιστα, μαθαίνει και ο εγκέφαλός μας να αρθρώνει εικόνες από τα πίξελ που καταγράφει ο αμφιβληστροειδής του ματιού μας.

Δίνουμε στο δίκτυο την ερώτηση (π.χ. εικόνα γάτας) και τη σωστή απάντηση που πρέπει να βγάλει στην έξοδό του (τη λέξη γάτα). Μέσα από την έκθεσή του σε μεγάλο πλήθος εικόνων από γάτες, αναδιατάσσει συνέχεια τα βάρη των συνδέσεων των τεχνητών νευρώνων του μέχρι να πετύχει την αντιστοιχία που του δώσαμε εμείς. Φανταστείτε το σαν μια τεράστια «μηχανική δημοκρατία» με εκατομμύρια εκατομμυρίων νευρωνικών ψηφοφόρων στους οποίους έχουμε δώσει π.χ. τα ψηφοδέλτια, σκύλος και γάτα. Εάν του δείξουμε γάτα και αυτός βγάλει στην έξοδό του σκύλος, τον διορθώνουμε.

  • Λάθος φίλε είναι γάτα. Προσπάθησε ξανά. («εποπτευόμενη μάθηση»).

Το δίκτυο ενισχύει την ψήφο των ψηφοφόρων (συνδέσεων) που επέλεξαν σωστά, γάτα αντί για σκύλο, έτσι ώστε την επόμενη φορά που εμφανίζεται αντίστοιχη εικόνα, οι ψήφοι τους να μετρήσουν διπλά. Το σημαντικό δεν είναι ο κάθε ατομικός ψήφος αλλά το μοτίβο των ψήφων.  Το δίκτυο χρειάζεται να καταγράψει αρκετά από τα συστηματικά εμφανιζόμενα σήματα στα διάφορα σημεία της οθόνης ώστε να μπορεί να πει «ότι αυτή η συγκεκριμένη διάταξη από εικονοστοιχεία (πίξελ) αντιπροσωπεύει κάτι που οι άνθρωποι αποκαλούν «γάτα». Όσο περισσότερους ψηφοφόρους έχει και όσο περισσότερες φορές τους βάζει να ψηφίσουν, τόσο πιο εύκολα θα μπορεί το δίκτυο να κάνει πιο λεπτές συσχετίσεις. Εάν έχει εκατομμύρια διαφορετικούς ψηφοφόρους (δηλ. νευρωνικές συνδέσεις) που μπορούν να συνδυαστούν με δισεκατομμύρια διαφορετικούς τρόπους, το δίκτυο θα μπορεί να μάθει να ταξινομεί δεδομένα με απίστευτη ακρίβεια και λεπτομέρεια. Φυσικά εμείς δεν γνωρίζουμε την τελική δομή διασυνδέσεων που διαμόρφωσε το νευρωνικό δίκτυο από μόνο του «μαθαίνοντας» για να επιτύχει τους στόχους που του δώσαμε. Για όσους θέλουν να πάνε λίγο πιο βαθιά χωρίς να χαθούν.

 Μάλιστα αυτό το εκπαιδευμένο μηχανικό κοινοβούλιο θα μπορεί να βλέπει μια εικόνα χωρίς καν ταμπέλα με όνομα (χωρίς εποπτευόμενη εκπαίδευση) και να την ταυτοποιεί με μεγάλη ακρίβεια.

Αυτό ακριβώς έδειξε η Google Brain με το περίφημο “cat paper” (άρθρο για την γάτα) του 2012. Έδειξε ότι ένα τεχνητό νευρωνικό δίκτυο με περισσότερες από ένα δισεκατομμύριο «συναπτικές» συνδέσεις (100 φορές μεγαλύτερο από ό,τι είχε παρουσιαστεί μέχρι τότε) μπορούσε, μετά από έκθεση σε εκατομμύρια εικόνες με θέμα τις γάτες, χωρίς ετικέτες με τη λέξη γάτα (χωρίς εποπτευόμενη μάθηση), να απομονώσει το σταθερό μοτίβο μιας ανώτερης ανθρώπινης έννοιας. Της έννοιας πρόσωπο γάτας ανεξάρτητα από χρώμα, ράτσα, μέγεθος ή εάν το έβλεπε από μακριά ή από κοντά, από δεξιά ή αριστερά.

Μήπως σας θυμίζει κάπως τις «ιδανικές ιδέες» του Πλάτωνα από την Πολιτεία;  Για τα διάφορα τραπέζια που αντιλαμβανόμαστε προϋπάρχει η ιδανική ιδέα του τραπεζιού. Ή την  δομική από απόψεως πληροφοριών αφαιρετική έννοια του τραπεζιού; Για τα διάφορα πρόσωπα γάτας που αντιλαμβανόμαστε, υπάρχει η ιδέα «πρόσωπο γάτας».

 Και τώρα τι;

Εάν μπορεί μια τεχνητή νοημοσύνη να μάθει να αναγνωρίζει το μοτίβο του προσώπου μιας γάτας, μπορεί να μάθει και να αναγνωρίζει και έναν καρκίνο σε μια τομογραφία ή να σκάβει σε τεράστια μεγέθη δεδομένων (Mega Data) και να αντιστοιχεί το πρόσωπό σας στο DNA σας, ή να ανακαλύπτει μέσα σε δευτερόλεπτα όλα τα σημαντικά λάθη σε ένα πολυσέλιδο νομικό συμβόλαιο, ή να οδηγεί ένα αυτοκίνητο με 90% λιγότερα «ανθρώπινα» λάθη,

Και τα περισσότερα από όλα αυτά τα κάνει ήδη η Τεχνητή Νοημοσύνη σήμερα. Μάλιστα σε πολλές περιπτώσεις πιο αποτελεσματικά από τους ανθρώπους. Το τεχνητό νευρωνικό δίκτυο πίσω από το Google Translate είχε περίπου το μέγεθος του εγκεφάλου ενός ποντικού (σε αριθμό νευρώνων και συνάψεων). Οι εξελίξεις όμως στο τομέα αυτό είναι ραγδαίες. Υπάρχουν επιστήμονες που θεωρούν ότι μπορεί να μην επιτύχουμε ποτέ την Τεχνητή Γενική Νοημοσύνη ανθρώπινου επιπέδου. Υπάρχουν όμως και πολλοί που πιστεύουν ότι δεν απέχουμε πολλά χρόνια από αυτό. Και αυτό αποτελεί απειλή. Πιστεύουν ότι η απειλή αυτή είναι πιο επικείμενη ακόμα και από αυτή της κλιματικής αλλαγής. Ότι μπορεί σε κάποια χρόνια να κτυπήσουμε το σημείο «μοναδικότητας» (singularity) όπου η Τεχνητή Νοημοσύνη φτάνει σε ένα σημείο χωρίς καν να το έχουμε συνειδητοποιήσει, να αρχίσει μόνη της να αυτοσχεδιάζεται και να βελτιώνεται ραγδαία ανεξέλεγκτα και μη αναστρέψιμα επιτυγχάνοντας συνεχείς «εκρήξεις νοημοσύνης», οπότε θα είναι πια πολύ αργά για την ανθρωπότητα.

Το σημαντικό είναι ότι ανεξάρτητα από το τι πιστεύουν ότι θα συμβεί, όλοι οι γκουρού του χώρου συμφωνούν ότι πρέπει να λάβουμε τα μέτρα μας. Στο παγκόσμιο συνέδριο του χώρου στο Ασιλομάρ της Καλιφόρνιας το 2017 καταλήξανε σχεδόν παμψηφεί σε ένα μανιφέστο για το πως θα πρέπει να επιτευχθεί αυτό.

Ο πρόσφατα εκλιπών μεγάλος φυσικός Στίβεν Χόκινγκ το τοποθέτησε ως εξής:  Είναι σαν ένας ανώτερος εξωγήινος πολιτισμός να μας έστειλε ένα μήνυμα. «Ερχόμαστε σε λίγες δεκαετίες.  Τι θα απαντούσαμε; «Ωραία καλέσετε μας όταν φτάσετε, θα αφήσουμε τα φώτα ανοιχτά;  Πιθανόν όχι, αλλά αυτό συμβαίνει με την ΤΝ νοημοσύνη σήμερα».

Η επιτυχία ΤΓΝ θα μπορούσε να αποτελέσει το πιο σημαντικό γεγονός στην ανθρώπινη ιστορία. Θα μπορούσε να μεταμορφώσει την κοινωνία στην ουτοπία που ουκ ολίγοι φιλόσοφοι ονειρεύτηκαν εξαλείφοντας φτώχεια, αρρώστια, δυστυχία κλπ. Θα μπορούσε όμως να είναι και το τελευταίο γεγονός στην ιστορία μας που θα εξάλειφε εμάς τους ίδιους.

Στο εγγύς μέλλον..  Τα ερωτηματικά πολλά:

Θα αρχίσουν να μας αντικαθιστούν πιο φτηνά και αποτελεσματικά ρομπότ σταδιακά σε όλους τους τομείς εργασίας δημιουργώντας την μαζική ανεργία που πολλοί φοβούνται;  Πολλοί αισιοδοξούν ότι μέχρι τώρα η τεχνολογία κατέστρεφε μεν θέσεις εργασίας, αλλά από την άλλη δημιουργούσε καινούργιες, καλύτερες. Μήπως όμως ισχύει και εδώ η γνωστή φράση που ακούμε συνέχεια στις διαφημίσεις των εταιριών επενδύσεων κεφαλαίων «ότι οι προηγούμενες αποδόσεις δεν εξασφαλίζουν τις μελλοντικές»; Επιπλέον, πολλές μελέτες δείχνουν ότι η πρόοδος της τεχνολογίας οδηγεί σε ανισότητες. Εάν πάρετε την Αμερική, για παράδειγμα, από το 1970 και μετά, μολονότι η οικονομία συνέχισε να αυξάνεται, όλη σχεδόν η αύξηση στα εισοδήματα κατέληξε στο πλουσιότερο 1% του πληθυσμού, ενώ το 90% παρέμεινε στάσιμο. Η διαφορά είναι ακόμα πιο έντονη όσον αφορά τον αντίστοιχο πλούτο του 90% και του 1%. Σε διεθνές επίπεδο οι διαφορές φαντάζουν πιο ακραίες. Είναι άραγε αφελής ο ηγέτης μιας από τις πρωτοπόρους στην ΤΝ παγκοσμίως εταιρείες,  ο Μπιλ Γκέιτς  της Microsoft, ο οποίος το 2017 πρότεινε φόρο στα ρομπότ για να αντιμετωπιστεί η ανεργία την οποία θα δημιουργούν;

Τίθενται επίσης ερωτήματα νομικής και ηθικής φύσης. Θα είναι ένοχο ένα αυτοκινούμενο όχημα για (τα πολύ λιγότερα) πιθανά δυστυχήματα που θα προκαλέσει; Εάν όχι, ποιος θα είναι ένοχος; Ο ιδιοκτήτης, ο κατασκευαστής ή κάποιος άλλος; Θα είναι υπεύθυνος ένας ρομποτικός χειρουργός ή ραδιολόγος ή ένα αυτόνομο όπλο που αποφασίζει μόνο του ποιόν και πως θα σκοτώσει; Θα πρέπει να τους αναγνωρίσουμε νομική υπόσταση ώστε να μπορούν να αυτασφαλίζονται ή μήπως κάποια στιγμή θα πρέπει να τους δοθεί και το δικαίωμα της ψήφου; Θα επιτρέψουμε σε «αμερόληπτους» ρομποτικούς δικαστές να εφαρμόσουν επιτέλους αδιάβλητα τους νόμους;

Γενικότερα θα μπορέσει η ατελής, εύθραυστη, χειμαζόμενη και σημαντικά μειοψηφική παγκοσμίως δυτική δημοκρατία να ανακατευθύνει την οργάνωση της κοινωνίας προς την αξιοποίηση των δυνατοτήτων που φέρνει η Τεχνητή Νοημοσύνη αναδιανέμοντας τα οφέλη σε όλη την κοινωνία;

Πως εξασφαλίζουμε εις το διηνεκές τον δημοκρατικό έλεγχο στις εξελίξεις της Τεχνητής Νοημοσύνης; Πολλοί από τους επιστήμονες που προσυπέγραψαν το πιο πάνω μανιφέστο δουλεύουν ακριβώς στις ίδιες εταιρείες που βρίσκονται στο μέτωπο της ανάπτυξης της Τεχνητής Νοημοσύνης (GAFAM, δηλαδή Google, Apple, Facebook, Amazon, Microsoft και μερικές ακόμα Baidu, Huawei κλπ.), οι οποίες αποτελούν πλέον παγκόσμιες υπερδυνάμεις με περισσότερους υπηκόους από οποιαδήποτε μεγάλη χώρα (π.χ. το Facebook 2,1 δισεκατομμύρια ενεργούς λογαριασμούς,  χωρίς το Instagram και το Twitter τα οποία επίσης του ανήκουν, η Google 5,4 δις. έρευνες ημερησίως και 1,2 δισ. ενεργούς λογαριασμούς ηλεκτρονικού ταχυδρομείου). Πηγή του πλούτου τους είναι η εκμετάλλευση των προσωπικών μας δεδομένων. Σκεφτείτε τι θα γίνει και με το επερχόμενο 5G και το ίντερνετ των πραγμάτων (internet of things) όπου όλες οι συσκευές του σπιτιού μας θα είναι συνδεδεμένες στο ίντερνετ υπό τον έλεγχο των κατασκευαστών και των διαδικτυακών εταιρειών. Δεν είναι σαν να περιμένουμε από τον λύκο να φυλάει τα πρόβατα;

Δείτε το 9λεπτο εσωτερικό βίντεο της Google του 2016 με την ιδέα του “selfish ledger” («εγωιστικό κατάστιχο») το οποίο διέρρευσε στην ιστοσελίδα ”The Verge”  το 2018. Η ιδέα αφορά ένα σύστημα που δεν θα καταγράφει απλώς συνεχώς την συμπεριφορά μας, αλλά θα μας καθοδηγεί επίσης προς την επίτευξη ενός επιθυμητού αποτελέσματος. Θα καταλάβετε γιατί έχει ξεσηκώσει πολλές κριτικές και διαμάχες.

Μήπως προτού προλάβουμε να φθάσουμε την «μοναδικότητα» (singularity) και να χάσουμε την εξουσία από την Τεχνητή Γενική Νοημοσύνη, κινδυνεύουμε να βρεθούμε δεμένοι χειροπόδαρα «για το καλό μας» από κάποιον που θα μπορεί να χειριστεί αυτή την Τεχνητή Γενική Νοημοσύνη αποκλειστικά για τους δικούς του σκοπούς;

Πως θα μπορούσε να χαρακτηριστεί το μοντέλο κομμουταλισμού (κομμουνιστικού καπιταλισμού) που τείνει να καθιερωθεί στην πιο μεγάλη πληθυσμιακά χώρα του κόσμου την Κίνα, όπου το σύστημα κοινωνικής επιτήρησης και βαθμολόγησης, ήδη σε εκτεταμένη πιλοτική εφαρμογή, καταγράφει από εκατομμύρια κάμερες και βαθμολογεί κάθε μας κίνηση; Πετάξατε το τσιγάρο σας στο δρόμο; Διασχίσατε παράνομα τον δρόμο; Θα τιμωρήστε με χαμηλή βαθμολογία και δεν θα μπορείτε το βράδυ να πάτε στο σινεμά που θέλατε ή να πραγματοποιήσατε το ταξίδι στην διπλανή πόλη που θέλατε. Για τους ιθύνοντες αποτελεί το απόλυτο σύστημα εξασφάλισης των πολιτών από τους βρώμικους και τους κακούς. Για τους υπόλοιπους μάλλον θα τρόμαζε και τον ίδιο τον Όργουελ.

Στο απώτερο μέλλον…

 Λέγεται ότι μέσα από την εξέλιξη του ανθρώπου το σύμπαν απέκτησε συνείδηση. Όμως όπως είδαμε πιο πάνω, οι εξελίξεις στην Τεχνητή Νοημοσύνη δείχνουν ότι η καθαυτό νοημοσύνη δεν χρειάζεται συνείδηση. Δεν αφορά την δημιουργία και το κτίσιμο ενός νου, αλλά την βελτίωση εργαλείων για την λύση προβλημάτων. Δεν έχει σχέση με το τι ξέρει ή καταλαβαίνει μια μηχανή, αλλά με το τι κάνει. Όπως π.χ. το να ρίχνουμε και να πιάνουμε μια μπάλα.

 Εάν της δώσουμε τον στόχο να φτιάχνει συνδετήρες και φτάσει κάποια στιγμή την «μοναδικότητα», την συνεχή αυτοβελτίωση, θα μετατρέψει όλο το σύμπαν σε συνδετήρες, πιθανότατα και εμάς μαζί.

Σημασία έχουν οι στόχοι. Εμείς δίνουμε τους στόχους. Για αυτό και οι παλαιότεροι γκουρού θεωρούσαν ότι με ένα έξυπνο προσδιορισμό των στόχων για την Τεχνητή Νοημοσύνη, όπως οι περίφημοι «Τρείς Νόμοι της Ρομποτικής» που επινόησε ο θρύλος της επιστημονικής φαντασίας Ισαάκ Ασίμοφ, θα εξασφάλιζαν τον άνθρωπο από την κυριαρχία της.

Οι στόχοι όμως οδηγούν σε υποστόχους που είναι απαραίτητοι για την υλοποίησή των αρχικών στόχων αλλά μπορούν να οδηγήσουν και σε τροποποίησή τους ή αναίρεσή τους. Η εξέλιξη, π.χ., εξασφάλισε την επιβίωσή του είδους μας μέσα από την αναπαραγωγή. Και την αναπαραγωγή μέσα από τον υποστόχο της σεξουαλικής ηδονής. Όταν όμως τα αισθήματά μας συγκρούονται με τον στόχο των γονιδίων μας, υποτασσόμαστε στα αισθήματά μας καταφεύγοντας στην αντισύλληψη.

Ποιος φιλόδοξος στόχος δεν θα οδηγούσε σε υποδεέστερους στόχους αυτοσυντήρησης, απόκτησης πόρων και αξιοποίησης οποιασδήποτε καινούργιας γνώσης και πληροφορίας; Και πως αυτή η καινούργια γνώση θα επηρέαζε ή θα τροποποιούσε τον αρχικό στόχο; Δυστυχώς παραμένει ασαφές.

Ας επιστρέψουμε στα αρχικά μας ερωτήματα περί συνείδησης. Σύμφωνα με τον γνωστό νευροεπιστήμονα Αντόνιο Νταμάσιο1 η συνείδηση (με την γενικότερη έννοια της υποκειμενικής εμπειρίας) και η αναζήτηση νοήματος σε φυσικά φαινόμενα τα οποία καθαυτά δεν διαθέτουν σημασία είναι αποτέλεσμα της ενσωματωμένης νοημοσύνης (του εντός του σώματος εγκεφάλου). Μέσα στο συνεχές πάθος για επιβίωση και κυριαρχία, κρύβεται στην πραγματικότητα μια τραγική αντιπαλότητα, λόγω της ενσωμάτωσης της νοημοσύνης μέσα σε ένα θνητό σώμα. Έτσι δημιουργείται το τραγικό δίπολο έρωτας-θάνατος που διέπει τελικά την όλη συμπεριφορά μας.

Εάν όντως προτιμάμε ένα σύμπαν με ανθρώπινου τύπου συνείδηση και νόημα θα πρέπει να δώσουμε περισσότερη έμφαση στην  «Sentience» (ικανότητα του ανθρώπου να αισθάνεται) πλευρά του Homo Sapiens για να μην οδηγηθούμε άθελά μας σε ένα σύμπαν-ζόμπι όπως λέει και ο συγγραφέας.

Ο συγγραφέας του βιβλίου, Max Tegmark, εξετάζει με πάθος, ενθουσιασμό και πολύ φαντασία όλα τα πιθανά σενάρια, ουτοπικά ή δυστοπικά που θα μπορούσε να πάρει η ανθρώπινη κοινωνία ανάλογα με την εξέλιξη της σχέσης ανθρώπου και Τεχνητής Νοημοσύνης ανοίγοντας δρόμους και δημιουργώντας προκλήσεις και για τους λογοτέχνες της επιστημονικής φαντασίας.

 

(*) Ο Max Tegmark είναι καθηγητής φυσικής στο MIT και πρόεδρος του Ινστιτούτου για το Μέλλον της ζωής.

info: Max Tegmark.  LIFE 3.0 Τι θα σημαίνει να είσαι άνθρωπος στην εποχή της τεχνητής νοημοσύνης; Εκδόσεις Τραυλός 2018

Σημειώσεις:

  1. Αντόνιο Νταμάσιο. Η Παράξενη Κατάσταση των Πραγμάτων. Εκδόσεις Ενάλιος 2019.

2 ΣΧΟΛΙΑ

  1. Δεν χρειάζονται πολλά σχόλια. Τα άρθρα του κυρίου Δ. Σωκιαλι’δη είναι πάντοτε πολύ κατατοπιστικά.
    Σε αφήνουν με ένα αίσθημα πνευματικής πληρότητας – για το θέμα που αναπτύσσει – και αυτό είναι μια ικανότητα που διαθέτει ο συγκεκριμένος συγγραφέας.

  2. Δεν χρειάζονται πολλά σχόλια.
    Μία εξαιρετική διατύπωση του θέματος με απλά λόγια χωρίς όμως να χάνεται η επιστημονική του πληρότητα.

ΑΦΗΣΤΕ ΜΙΑ ΑΠΑΝΤΗΣΗ

Please enter your comment!
Please enter your name here