Πως λειτουργεί η τεχνητή νοημοσύνη (γράφει ο Γιώργος Ζώταλης, Φιλαδέλφερια, ΗΠΑ)

617

γράφει ο Γιώργος Ζώταλης (Φιλαδέλφερια, ΗΠΑ)

Το κουτί της Πανδώρας άνοιξε για άλλη μια φορά το 2022 όταν το ChatGPT έγινε διαθέσιμο σε πληκτρολόγια και κινητά. Σε αυτά τα 4 χρόνια η τεχνητή νοημοσύνη και το κοινό της άλλαξαν κάμποσες φορές. Οι πρώτες δοκιμές και το κατασκευασμένο σοκ σύμφωνα με το οποίο “η Open AI δεν ήθελε να κυκλοφορήσει το ChatGPT-2 επειδή ήταν πολύ επικίνδυνο” αποτελούν βαθιά προϊστορία. Κανείς δεν σοκάρεται πλέον στο αδιάκοπο doomscrolling.

Σαν μονομάχοι στο Κολοσσαίο, οι πρωταγωνιστές (Gemini, Copilot, Grok) αλλάζουν από μήνα σε μήνα. Σήμερα όλα τα μάτια είναι στην τιτανομαχία Claude εναντίον ChatGPT-5.5 αλλά και τα δύο θα αντικατασταθούν από ικανότερα εξυπνότερα μοντέλα. Ταυτόχρονα έχει αρχίσει η μετάβαση σε vibecoding και agentic AI όπου οι μηχανές δεν περιορίζονται στο να μιλάνε, να γράφουν και να δίνουν οπτικοακουστικά προϊόντα αλλά ετοιμάζουν την επόμενη Διευθυντική Επανάσταση, απειλούν να στείλουν τα Τμήματα Διαχείρισης Ανθρώπινου Δυναμικού στα αζήτητα και διορθώνουν λάθη στο σοφτγουέαρ που κανείς δεν ξέρει ή ενδιαφέρεται ότι υπάρχουν. Η τεχνητή νοημοσύνη γίνεται λευκός θόρυβος.

Σε μια τέτοια κατάσταση χρειαζόμαστε έγκυρες, εμπεριστατωμένες παρουσιάσεις ώστε να έχουμε μια βασική ιδέα για τα Μεγάλα Γλωσσικά Μοντέλα, αλλά και τολμηρές ερμηνείες για να σκεφτόμαστε διαφορετικά. Δύο βιβλία που κυκλοφόρησαν το 2025 κινούνται σε αυτή την διπλή τροχιά. Το πρώτο του Stephan Raaijmakers, καθηγητή στο Leiden έχει εκδοθεί από το Essential Knowledge Series του MIT και αποτελεί έξοχη εισαγωγή. Το δεύτερο του Leif Weatherby από το NYU είναι συναρπαστικό paradigm-shifting. Φιλοδοξεί να αλλάξει το πως σκεπτόμαστε τις σχέσεις γλώσσας, αλγόριθμων και κουλτούρας.

Κείμενο -> αριθμοί.

Το Large Language Models του Stephan Raaijmakers εξηγεί βασικές γνώσεις με καθαρό γράψιμο, προσιτό στον μη ειδικό. Ακόμη και οι εξισώσεις με τα τεράστια Π και Σ που τρομάζουν εμάς που δεν είμαστε μαθηματικοί παρουσιάζονται κατανοητά.

Τα γλωσσικά μοντέλα είναι μεγάλα χάρη σε 3 παράγοντες: αριθμός λέξεων στις οποίες εκπαιδεύτηκαν (data size), παράμετροι (neural weights: όσο περισσότερα τόσο πιο περίπλοκο), και υπολογιστικά μεγέθη (computing sizes). Το ChatGPT-3.5 εκπαιδεύτηκε σε 300 δισεκατομμύρια λέξεις και είχε 175 δισεκατομμύρια παραμέτρους. Ένας άνθρωπος χρειάζεται 2.600 χρόνια για να διαβάσει την ίδια μάζα κειμένων.

Το βιβλίο παρουσιάζει την γλώσσα σαν υπολογιστικό φαινόμενο. Ξεκινώντας από την παραδοχή Word choice is by no means a random process/Η επιλογή λέξεων δεν είναι τυχαία διαδικασία, περιγράφει 4 προσεγγίσεις με τις οποίες η γλώσσα συνάντησε τα μαθηματικά, την στατιστική και τους υπολογιστές (1). Τα μοντέλα δεν αλληλεπιδρούν με την γλώσσα όπως οι άνθρωποι. Υπολογίζουν στατιστικές πιθανότητες για να βρουν την κάθε επόμενη λέξη και οι τρόποι με τους οποίους το κάνουν είναι απροσδόκητοι και εν μέρει μυστηριώδεις.

Για να μπορούν οι αλγόριθμοι να αναγνωρίζουν, να επεξεργάζονται και να παράγουν κείμενο, οι λέξεις μετατρέπονται σε αριθμούς. Αυτό γίνεται με word embedding στο οποίο λέξεις και προτάσεις μετουσιώνονται σε διανύσματα (vectors) που πακετάρουν όσο περισσότερο περιεχόμενο γίνεται ώστε κάθε λέξη να συνδέεται σωστά με την επόμενη (2).

Τι σημαίνει να συνδέεται σωστά; Ο Raaijmakers αναφέρει δύο αποφθέγματα. Το πρώτο είναι από τις Φιλοσοφικές Διερευνήσεις του Βιτγκενστάιν (1953): The meaning of a word is in its use in the language/Το νόημα μιας λέξης βρίσκεται στη χρήση της. Το δεύτερο είναι του αμερικανού γλωσσολόγου Ρούπερτ Φερθ (1956): You shall know a word by the company it keeps/Το νόημα μιας λέξης εξαρτάται από τις λέξεις με τις οποίες κάνει παρέα.

Οι λέξεις τοποθετούνται (εξ ου word embedding) σε πολυδιάστατους διανυσματικούς χώρους, ενώ αλγόριθμοι όπως το Word2Vec παρέχουν το contextuality στο οποίο αναφέρονταν ο Βιτγκενστάιν και ο Φερθ. Σε αυτούς τους συνεχείς χώρους, λέξεις με παραπλήσιες ιδιότητες βρίσκονται κοντά ακόμα και αν είναι αντίθετες σε νόημα όπως πλούσιος και φτωχός. Αυτό που τις κάνει να γειτονεύουν μεταξύ τους είναι το ότι στο διακτυακό υλικό στο οποίο εκπαιδεύτηκαν τα μοντέλα (εγκυκλοπαίδειες, Βικιπαίδεια, Reddit, σόσιαλ, βιβλία, ιστοσελίδες, PDF, email), πλούσιος και φτωχός συνυπάρχουν σε περιγραφές κοινωνικοοικονομικών στάτους.

Τα πράγματα γίνονται ενδιαφέροντα με πολυσθενείς λέξεις που έχουν άσχετα μεταξύ τους νοήματα. Arm είναι χέρι και όπλο, bank είναι τράπεζα και όχθη ποταμού οπότε το μοντέλο πρέπει να φτιάξει ξεχωριστό διάνυσμα για κάθε περίπτωση. Πως ξεχωρίζει arm/χέρι από arm/όπλο, και bank/τράπεζα από bank/όχθη; Αυτό το κάνουν τα Transformers (το T στο GPT) που μαζί με διανυσματοποίηση και (Bayesian/conditional probabilities), τις υπό-όρους-πιθανότητες εμφάνισης κάθε επόμενης λέξης, επιτελούν την κρίσιμη λειτουργία της προσοχής (attention). Ο Raaijmakers εξηγεί:

« Δύο λέξεις “προσέχουν” η μία την άλλη εάν συνυπάρχουν αρκετά συχνά σε μεγάλες συλλογές κειμένων. Η συνύπαρξη λέξεων που “είναι φίλες” μεταξύ τους μεταφράζεται σε σταθμά που καθορίζουν τα διανύσματα… Κάθε λέξη “βλέπει” τις λέξεις γύρω της, ακόμη και τον εαυτό της, και βαθμιαία συσχετίζεται μαζί τους μετά από αρκετά ποσά προσοχής».

Το μοντέλο “προσέχει” με ποιές λέξεις γειτονεύει το arm/χέρι και με ποιές το arm/όπλο.

Αυτή είναι η περίφημη προσοχή του Attention Is All You Need που δημοσίευσαν ερευνητές της Google το 2017.

Ένα άλλο φαινόμενο είναι η απροσδόκητη ικανότητα των μοντέλων να κάνουν πράγματα για τα οποία δεν εκπαιδεύτηκαν και η οποία αναδύεται σαν ποιοτικό χαρακτηριστικό από ένα μέγεθος και πάνω. Πολλοί χρησιμοποιούν την μεταφορική έκφραση μαύρο κουτί όταν αναφέρονται στην ανάδυση αλλά εδώ υπάρχει μια διαφορά. Στο μαύρο κουτί των αεροπλάνων υπάρχουν απαντήσεις. Αλλά όσο και να ανοίξεις τις αρχιτεκτονικές και τα προγράμματα των μοντέλων δεν βρίσκεις τίποτα που να εξηγεί το ότι καταλαβαίνουν σαρκασμό και χιούμορ. Ο Raaijmakers αναρωτιέται εάν πρόκειται για πραγματικό emergence ή αν είναι μιράζ που προκαλούν οι τρόποι με τους οποίους τα προσεγγίζουμε. Αλλά είτε μιράζ είτε όχι, επισημαίνει ότι πρέπει να πάρουμε σοβαρά την ανάδυση και να την καταλάβουμε καλύτερα εάν η τεχνητή νοημοσύνη πρόκειται να υποστηρίζει υποδομές και να διεκπεραιώνει καθηκόντα από τα οποία εξαρτώνται οι σημερινές κοινωνίες.

Το βιβλίο εξηγεί την διαφορά ανάμεσα στην βασική εκπαίδευση (base phase) των μοντέλων και την σε δεύτερο χρόνο ευθυγράμμιση τους (alignment phase) με επιθυμητά output μέσω RLHF (Reinforcement Learning from Human Feedback) και backpropagation. Εξετάζει τις δυνατότητες και τα όρια τους, την μη-γραμμική συμπεριφορά τους, τις ευκαιρίες που προσφέρουν, τα ρίσκα που φέρνουν, το φαινόμενο του υπερ-ρεαλισμού (όταν το προϊόν της τεχνητής νοημοσύνης φαίνεται πραγματικότερο από το πραγματικό), την έλλειψη διαφάνειας, τους ανεπαρκείς ποιοτικούς ελέγχους και εγγενείς προκαταλήψεις (biases) στην εκπαίδευση τους, την ανάγκη να προάγουν κριτική πρόσληψη και επεξεργασία πληροφορίας.

Είναι δημιουργικά τα μοντέλα; Ακολουθώντας την cognitive scientist Margaret Boden, ο Raaijmakers διακρίνει ανάμεσα σε συνδυαστική και μετασχηματιστική δημιουργικότητα.(3) Όπως υποδηλώνουν τα ονόματα, η πρώτη συνδυάζει υπάρχοντα άρτιφακτ για να φτιάξει καινούρια. Η δεύτερη αλλάζει υπάρχοντες εννοιολογικούς χώρους και δημιουργεί καινούργιους. Υιοθετώντας αυτό το δίπολο, ο Raaijmakers υποστηρίζει ότι τα σημερινά μοντέλα επιδεικνύουν συνδυαστική δημιουργικότητα αλλά δεν έχουν μετασχηματιστικές ικανότητες:

« Παρ’ οτι τα μεγάλα γλωσσικά μοντέλα μας ξαφνιάζουν με αυτά που κάνουν, υπό τις παρούσες μορφές τους δεν παράγουν ριζικά καινούργιες ενοράσεις. Αυτό δεν αποκλείει το ενδεχόμενο να αποτελέσουν εργαλεία που υποβοηθούν την δική μας δημιουργικότητα και την σπρώχνουν σε απροσδόκητες κατευθύνσεις».

Αποφεύγοντας υπεραπλουστεύσεις και δογματισμούς, το Large Language Machines απομυστικοποιεί το πεδίο για τον γενικό αναγνώστη. Το βιβλίο έχει 24 σελίδες σημειώσεων, βιβλιογραφίας και προτάσεων για παραπέρα διάβασμα.

Μηχανές κουλτούρας

Όσο προσιτό είναι το βιβλίο του Raaijmakers, τόσο πυκνό και εξουθενωτικό είναι το Language Machines του Weatherby. Το διάβασα δύο φορές, πολλά αποσπάσματα περισσότερες και κατέφυγα σε podcast όπου ο συγγραφέας εξηγεί τις απόψεις του προκειμένου να βάλω σε κάποια τάξη τις εντυπώσεις μου (4,5,6).

Αυτό που με καθήλωσε και με έκανε να το διαβάσω παρά τη δυσκολία του, είναι η δίκην μανιφέστου πρώτη παράγραφος που υπόσχεται έναν νέο τρόπο σκέψης στο θέμα:

«Έχουμε μπει στην εποχή όπου η γλώσσα αναπαράγεται αλγοριθμικά. Η ομιλία έχει πάψει να αποτελεί ανθρώπινη μοναδικότητα. Η γλώσσα βρίσκεται πλέον στους υπολογιστές και είναι διαθέσιμη “σαν υπηρεσία” όπως τόσα άλλα λογισμικά συστήματα. Όμως αντί να θριαμβεύει, η τεχνητή νοημοσύνη έχει πρόβλημα. Οι μηχανές δημιουργούν γλώσσα με ένα κλικ αλλά δεν την καταλαβαίνουν. Η τεχνητή νοημοσύνη έχει απροσδόκητα διαχωρίσει γλώσσα και γνώση με αποτέλεσμα να προκαλεί περισσότερα ερωτήματα παρά απαντήσεις. Η απομόνωση της γλώσσας σαν σύστημα-σημείων από την γνώση αποτελεί πρωτοφανές πείραμα για το πως δημιουργείται νόημα. Οι αλγόριθμοι γλώσσας είναι σαν υπόθεση εργασίας στην οποία συναντιούνται δύο συστήματα αντιπροσώπευσης – υπολογισμός και γλώσσα. Τόσο το πείραμα όσο και η υπόθεση εργασίας απαιτούν μια θεωρία νοήματος που δεν σχετίζεται με νοημοσύνη. Το παρόν βιβλίο είναι απόπειρα για αυτή τη θεωρία». (7)

Η πρόταση με την οποία ξεκινάει το βιβλίο, Language has entered the age of its algorithmic reproducibility/ Έχουμε μπει στην εποχή όπου η γλώσσα αναπαράγεται αλγοριθμικά, παραπέμπει στο δοκίμιο του Μπένγιαμιν Το έργο τέχνης στην εποχή της τεχνικής αναπαραγωγής του. Όπως ο Μπένγιαμιν υποστήριξε ότι η φωτογραφία άλλαξε τον τρόπο παραγωγής, πρόσληψης και κατανόησης της τέχνης, ο Weatherby λέει ότι η τεχνητή νοημοσύνη κάνει κάτι παρόμοιο στη γλώσσα.

Τα Μεγάλα Γλωσσικά Μοντέλα αναποδογύρισαν την τεχνητή νοημοσύνη όπως αυτή αναπτύχθηκε μετά τον δεύτερο παγκόσμιο πόλεμο και μέχρι το 2018. Οι παραδοσιακές προσεγγίσεις ξεκινούσαν από βασικούς, επί το πλείστον γραμματικούς κανόνες για να αποκωδικοποιήσουν την ανθρώπινη ομιλία και να φτιάξουν μηχανές ικανές να μιλάνε και να σκέπτονται όπως εμείς. Ο υπότιτλος του βιβλίου remainder humanism/υπολειμματικός ανθρωπισμός αναφέρεται στις προσπάθειες να φτιαχτούν μηχανές που σκέπτονται όπως οι άνθρωποι και στις διαρκείς συγκρίσεις τους με εμάς.

Αλλά αντί να σκέφτονται και να μιλάνε όπως εμείς, τα μοντέλα συμμετέχουν στην γλώσσα με τους δικούς τους υπολογιστικούς (computational) τρόπους που διαφέρουν από ανθρώπινη νοημοσύνη (intelligence) και γνώση (cognition). Αντί να ξεκινάνε από στοιχειώδεις κανόνες από τα κάτω, αντί να αναγνωρίζουν και να ξεχωρίζουν τα συστατικά των προτάσεων (ουσιαστικά, επίθετα, ρήματα, υποκείμενα, αντικείμενα) και σιγά-σιγά να φτιάχνουν παραγράφους και να ανεβαίνουν προς εξυπνότερα πράγματα, τα transformers κάνουν το αντίθετο σαν να χτίζουν πολυκατοικία ξεκινώντας από το ρετιρέ. Γράφουν διηγήματα, επιστημονικά άρθρα, ποιήματα και συνοψίζουν τεράστιες περιοχές του επιστητού χωρίς νοημοσύνη και χωρίς να μιμούνται την ανθρώπινη σκέψη. Το ότι μπορούν και το κάνουν δείχνει ότι η γλώσσα διαθέτει δυνατότητες ανεξάρτητες από νόημα και γνώση.

Για τον Weatherby η γλώσσα δεν είναι κάτι που χρησιμοποιούμε κατά βούληση (όπως κάποιο εργαλείο) αλλά κάτι στο οποίο είμαστε παγιδευμένοι και ακολουθούμε τους δικούς του κανόνες. Το ότι τα Μεγάλα Γλωσσικά Μοντέλα μπορούν και γράφουν συνεκτικά και πειστικά ξαναφέρνει στην επιφάνεια την γλώσσα σαν σύστημα αυθαίρετων σημείων όπως την πρωτοδιατύπωσε ο στρουκτουραλισμός του Φερντινάν Ντε Σωσσύρ εδώ και πάνω από έναν αιώνα. Με την διανυσματική της αντιπροσώπευση, η γλώσσα υπάρχει για πρώτη φορά σε αυτόνομους μαθηματικούς πίνακες (matrices) που δεν έχουν σχέση με γνώση (cognition), σκοπιμότητα (intentionality) ή αναφορικότητα (ο Weatherby προτείνει την έκφραση ladder of reference).

Πρόκειται για τολμηρή υπόθεση εργασίας που κρατάει αποστάσεις από τον υπολειμματικό ανθρωπισμό που συγκρίνει την τεχνητή με την ανθρώπινη νοημοσύνη. Συνειδητά ή όχι, σε αυτή τη σύγκριση θεωρούμε την ανθρώπινη νοημοσύνη σαν το στάνταρντ χωρίς όμως να έχουμε ιδέα για το τι είναι ανθρώπινη νοημοσύνη για την οποία υπάρχουν τουλάχιστον 70 διαφορετικοί ορισμοί.

Κάθε εφεύρεση που μας φέρνει “πιο κοντά” στην νοημοσύνη αυτοματοποιεί κάποια ικανότητα στην οποία εφαρμοζόταν η ανθρώπινη νοημοσύνη αλλά ταυτόχρονα μετατοπίζει το ερώτημα τι είναι νοημοσύνη σε κάποια άγνωστη τοποθεσία. (8)

Ένα παραπλήσιο επιχείρημα υπολειμματικού ανθρωπισμού το οποίο συνδέεται με το μαύρο κουτί είναι ότι δεν ξέρουμε πως τα μοντέλα κάνουν αυτά που κάνουν. Αυτό είναι σωστό αλλά το ίδιο ισχύει και για τον ανθρώπινο εγκέφαλο.

Το βιβλίο είναι αντίβαρο στην θεωρία της Bender για στοχαστικούς παπαγάλους η οποία έχει το πάνω χέρι.

Δεν υπάρχει αμφιβολία ότι σε κάποιο αρχικό τετριμμένο στάδιο, τα μοντέλα είναι στοχαστικοί παπαγάλοι. Αλλά δεν είναι μόνον ούτε κυρίως αυτό. Για τον Weatherby, η μομφή ότι τα μοντέλα παράγουν (ή μάλλον αναμασούν) συνθετικό κείμενο σε αντίθεση με το δικό μας μη-συνθετικό (9) αγνοεί τις διαστάσεις της γλώσσας που φέρνουν στην επιφάνεια τα μοντέλα και την ικανότητα τους να παράγουν κουλτούρα χωρίς να χρειάζονται νοημοσύνη, γνώση ή αναφορικότητα. Το ότι λέξεις και κείμενα αντιπροσωπεύονται από αριθμούς και διανυσματικούς χώρους και το ότι υπολογιστές χειρίζονται τη γλώσσα (το interface of computation and language όπως το αποκαλεί ο Weatherby), είναι κάτι που πρέπει να πάρουμε σοβαρά, να το μελετήσουμε και να αναζητήσουμε καινούργιες απαντήσεις.

Ο Weatherby προτείνει και μιά διαφορετική άποψη για τις ψευδαισθήσεις των μοντέλων. Αναλύοντας το φαιδρό περιστατικό όπου το ChatGPT περιέγραψε την ανακάλυψη μονόκερων με τέσσερα κέρατα στις Άνδεις επισημαίνει ότι τέτοια λάθη που εντοπίζονται εύκολα είναι ασήμαντα (low-level errors) και δεν αναιρούν την ικανότητα των μοντέλων για υψηλού επιπέδου κείμενα. Αν αγνοήσουμε την ανακρίβεια μονόκερων με τέσσερα κέρατα, το εν λόγω άρθρο ακολούθησε πιστά την μορφή ερευνητικής μελέτης όπως θα την δημοσίευαν έγκριτα επιστημονικά βιολογικά περιοδικά. Με το να χτίζουν κατευθείαν από τα ρετιρέ (από τα υψηλότερα είδη γραφής όπως το επιστημονικό άρθρο), οι αλγοριθμικές μηχανές της γλώσσας συμμετέχουν στον πολιτισμό (την ασύλληπτα μεγάλη μάζα δεδομένων και υλικών στα οποία εκπαιδεύτηκαν) και παράγουν τις δικές τους εκδοχές κουλτούρας, εξ ου και ο όρος Cultural AI/Πολιτισμική Τεχνητή Νοημοσύνη που προτείνει ο Weatherby. Πριν απ’ όλα, τα Μεγάλα Γλωσσικά Μοντέλα είναι πολιτισμικά αντικείμενα.

Όπως η φωτογραφία αναπαρήγαγε μηχανικά το έργο τέχνης και το άλλαξε δια παντός (χωρίς ο Μπένγιαμιν να αποκαλέσει αυτή την εξέλιξη φωτογραφικό παπαγάλο), τα Μεγάλα Γλωσσικά Μοντέλα φέρνουν στην επιφάνεια αλήθειες για την γλώσσα και την ανθρώπινη κατάσταση τις οποίες δεν θέλουμε ή τουλάχιστον δεν είμαστε έτοιμοι να ακούσουμε.

Μία αξιοσημείωτη διαφορά ανάμεσα στην παλιά (λογική, συμβολική) τεχνητή νοημοσύνη και την βαθιά μαθησιακή επανάσταση του 21^ου αιώνα που έγινε δυνατή χάρη στα τεράστια datasets του διαδικτύου και βασίζεται στην προσοχή των transformers, είναι ότι η πρώτη διέθετε αφθονία θεωριών για γλώσσα και νοημοσύνη αλλά έδωσε πενιχρά αποτελέσματα. Αντίθετα, τα άφθονα πρακτικά αποτελέσματα της τεχνητής νοημοσύνης μετά το 2022 πραγματοποιούνται σε ένα εντυπωσιακό κενό θεωρίας για το τι είναι τα Μεγάλα Γλωσσικά Μοντέλα και τι σημαίνουν αυτά που κάνουν.

Το βιβλίο του Weatherby αποτελεί ένα σημαντικό βήμα στο να καλυφθεί το κενό θεωρίας και να αρχίσουμε να σκεφτόμαστε αυτή την επανάσταση με καινούργιους τρόπους. Σημειώσεις και βιβλιογραφία εκτείνονται σε 34 σελίδες.

Σημειώσεις

Οι τέσσερις προσεγγίσεις είναι Generative linguistics, Logic-based Natural Language Processing (NLP), Statistical NLP και Machine Learning.
Με την διανυσματική αντιπροσώπευση λέξεων τα μοντέλα δεν βλέπουν μεμονωμένα γράμματα αλλά συλλογές γραμμάτων (tokens). Αυτό εξηγεί γιατί δεν μπορούν να απαντήσουν πόσα “ρο” υπάρχουν στη λέξη φράουλα, γιατί δυσκολεύονται να μετρήσουν σωστά τον αριθμό γραμμάτων σε μια λέξη, ή τον αριθμό λέξεων σε ένα κείμενο.
Οι δύο έννοιες δεν βασίζονται σε τυπικούς μαθηματικούς ορισμούς αλλά απορρέουν από εμπειρικές περιστάσεις. Το παράδειγμα μετασχηματιστικής δημιουργικότητας που δίνει το βιβλίο είναι η μετάβαση από ιμπρεσιονισμό σε πουαντιγισμό.
Analytics, linguistics and LLMs with Leif Weatherby. The Double Pivot, 12 Μαρτίου
AI learned language backwards and we need a new humanities to understand it. Second Orders, 27 Απριλίου
How is AI affecting culture? The TPM Social Club Youtube, 8 Μαϊου
Παραθέτω όλη την παράγραφο γιατί η μετάφραση μου την αδικεί: Language has entered the age of its algorithmic reproducibility. The human ability to speak can no longer define our singularity. Language is now on computational tap, and offered “as a service” like so many software systems. What should be a triumph of artificial intelligence (AI), however, has soured. The devices that generate language at the push of a button do not use that language responsibly. They cannot understand. AI has accidentally divorced language from cognition, raising more questions than it answers. The isolation of language as a sign-system from human cognition is an unprecedented experiment about how meaning is made. Language algorithms are a kind of hypothesis about how two systems of representation – computation and language – converge. That experiment, along with its hypothesis, calls for a theory to make sense of it, which must be a theory of meaning in the absence of intelligence. This book is an attempt at that theory.
Each invention that moves the needle “towards” intelligence results in the partial automation of some ability to which human intelligence has long since been applied but removes the problem of what intelligence is to some unknown location.
Σύμφωνα με τον Weatherby η φράση συνθετικό κείμενο είναι ταυτολογία.