Αν κάποιος περάσει αρκετό χρόνο με παιδιά, πιθανώς θα αναρωτηθεί πώς είναι δυνατό τα νεαρά άτομα του ανθρώπινου είδους να μαθαίνουν τόσο γρήγορα. Πεντάχρονα παιδιά μαθαίνουν για τα φυτά, τα ζώα, τα ρολόγια, ακόμη και για τους δεινόσαυρους και τα διαστημόπλοια. Επιπλέον, μπορούν να καταλάβουν τι θέλουν οι άλλοι άνθρωποι, πώς σκέφτονται και πώς νιώθουν. Μπορούν να χρησιμοποιήσουν αυτήν τη γνώση για να κατηγοριοποιήσουν ό,τι βλέπουν και ό,τι ακούν και να κάνουν προβλέψεις.
Σε θεμελιώδες επίπεδο, εκείνο που λαμβάνουν ως πληροφορίες, είναι τα φωτόνια που χτυπούν στον αμφιβληστροειδή τους και οι αναταράξεις του αέρα που φτάνουν στα τύμπανα των αυτιών τους. Βεβαίως, η ανθρώπινη νοημοσύνη δεν οικοδομείται από τα φωτόνια και τις αναταράξεις που προσφέρει γενικά ο φυσικός κόσμος, αλλά κυρίως από τις έμπλεες γνώσης δομημένες εκδοχές τους, που προσφέρει η ζωή μέσα στην ανθρώπινη κοινωνία, ο πολιτισμός. Παρ’ όλ’ αυτά, ο νευρωνικός «υπολογιστής», που βρίσκεται πίσω από τα ματάκια των παιδιών, καταφέρνει με κάποιον τρόπο να βασίζεται στις πληροφορίες που δέχεται από τις αισθήσεις και να καταλήγει σε κατηγοριοποιήσεις και προβλέψεις για νέες άγνωστες πληροφορίες, που προσλαμβάνει.
Τεχνητή νοημοσύνη στην ανάπτυξη…
Αραγε θα μπορούσαν και οι ηλεκτρονικοί υπολογιστές να κάνουν το ίδιο; Τα τελευταία 15 χρόνια, επιστήμονες των υπολογιστών και ψυχολόγοι προσπαθούν να βρουν μια απάντηση στο ερώτημα αυτό. Τα παιδιά αποκτούν μεγάλο όγκο γνώσης για την καθημερινότητα και όχι μόνο, χρησιμοποιώντας τις πληροφορίες που τους δίνουν οι γονείς τους, οι δάσκαλοί τους, το κοινωνικό περιβάλλον. Παρά την τεράστια πρόοδο στην τεχνητή νοημοσύνη, ακόμη και οι ισχυρότεροι υπολογιστές δεν μπορούν (ακόμα) να μάθουν τόσο καλά όσο ένα πεντάχρονο παιδί. Η κατανόηση του τρόπου που λειτουργεί ο εγκέφαλος των παιδιών και η δημιουργία στη συνέχεια μιας αποδοτικής ψηφιακής εκδοχής αυτής της διαδικασίας θα συνεχίσει να απασχολεί τους επιστήμονες για αρκετά χρόνια ακόμη. Αλλά στο μεταξύ, αρχίζει ήδη να αναπτύσσεται τεχνητή νοημοσύνη που ενσωματώνει ορισμένα από τα στοιχεία που ήδη γνωρίζουμε για τον τρόπο που μαθαίνει ο άνθρωπος.
Υστερα από την πρώτη έκρηξη ενθουσιασμού, τις δεκαετίες του 1950 και 1960, η αναζήτηση για την Τεχνητή Νοημοσύνη (ΤΝ) βάλτωσε για πολύ καιρό. Ομως τα τελευταία χρόνια υπάρχουν επαναστατικές εξελίξεις στο πεδίο αυτό, ιδιαίτερα στον τομέα της μηχανικής μάθησης και η ΤΝ έχει ξαναμπεί στο επίκεντρο των τεχνολογικών εξελίξεων.
Από κάτω προς τα πάνω
Μια προσέγγιση προσπαθεί να λύσει το πρόβλημα από κάτω προς τα πάνω, αρχίζοντας με τα …φωτόνια και τις αναταράξεις του αέρα, που φτάνουν στους υπολογιστές ως εικονοστοιχεία (πίξελ) κάποιας ψηφιακής εικόνας, ή τμήματα μιας ψηφιακής ηχητικής καταγραφής. Από αυτές τις πληροφορίες προσπαθεί να εξάγει μοτίβα μέσα στα ψηφιακά δεδομένα, που επιτρέπουν την ανίχνευση και ταυτοποίηση ολόκληρων αντικειμένων στο φυσικό κόσμο. Τη δεκαετία του 1980 επιστήμονες ανακάλυψαν έναν ευφυή και αποτελεσματικό τρόπο να εφαρμόζουν τεχνικές από κάτω προς τα πάνω για την αναζήτηση μοτίβων: Τα νευρωνικά δίκτυα. Πρόκειται για προσομοιώσεις σε υπολογιστή της λειτουργίας δικτύων βιολογικών νευρώνων, που μπορούν για παράδειγμα να αναλύουν μια εικόνα, ώστε να αντιστοιχούν στα εικονοστοιχεία, όλο και πιο αφηρημένες αναπαραστάσεις σε κάθε επίπεδο – π.χ. μια μύτη, ένα πρόσωπο, ένα ανθρώπινο σώμα κ.ο.κ.
Τα ψηφιακά νευρωνικά δίκτυα επανήλθαν στο επίκεντρο της επιστημονικής έρευνας εξαιτίας της τεχνικής της βαθιάς μηχανικής μάθησης, τεχνολογίας που ήδη αξιοποιείται εμπορικά από την «Google», το «Facebook» και άλλα μονοπώλια του τεχνολογικού τομέα. Στην επιτυχία των συστημάτων αυτών αναμφίβολα έπαιξε ρόλο και η εκθετική αύξηση της διαθέσιμης υπολογιστικής ισχύος, λόγω της εξέλιξης στον τομέα της πληροφορικής και των ημιαγωγών. Εξίσου σημαντικό ρόλο έπαιξε και η διαθεσιμότητα τεράστιων όγκων δεδομένων, που συνέλεξαν τα μονοπώλια από τα προσωπικά και δημόσια δεδομένα που καταχωρούν οι χρήστες των υπηρεσιών τους. Με μεγάλη υπολογιστική ισχύ και περισσότερα δεδομένα για να την εξασκήσουν, τα νευρωνικά δίκτυα μπορούν να μάθουν πολύ πιο γρήγορα απ’ ό,τι θα μπορούσε κανείς να φανταστεί στο παρελθόν.
Από πάνω προς τα κάτω
Στο πέρασμα των χρόνων η επιστημονική κοινότητα της τεχνητής νοημοσύνης έγερνε πότε προς την πλευρά των μεθόδων από τα κάτω προς τα πάνω και πότε προς την πλευρά των μεθόδων από πάνω προς τα κάτω. Αυτή η δεύτερη προσέγγιση αξιοποιεί εκείνο που ήδη γνωρίζει ένα σύστημα, ώστε να το βοηθήσει να μάθει κάτι καινούριο. Την πρώτη δεκαετία του 21ου αιώνα, αυτές οι μέθοδοι βίωσαν τη δική τους αναγέννηση, με τη μορφή της μπαεσιανής μοντελοποίησης (μοντελοποίηση στη βάση πιθανοτήτων). Τα συστήματα από πάνω προς τα κάτω αρχίζουν μορφοποιώντας αφηρημένες και ευρείας εφαρμογής εικασίες για τον κόσμο. Στη συνέχεια, κάνουν προβλέψεις για μετρήσιμα στοιχεία στη βάση των εικασιών αυτών. Ανάλογα με την επιβεβαίωση ή μη των προβλέψεων, τα συστήματα αναθεωρούν τις εικασίες τους και ξαναδοκιμάζουν να δουν αν επιβεβαιώνονται από την πράξη.
Τα μπαεσιανά μοντέλα συνδυάζουν τη θεωρία των πιθανοτήτων με τα λεγόμενα παραγωγικά μοντέλα, εκείνα στα οποία μπορούν να αντιπροσωπευθούν αφηρημένες έννοιες από τις οποίες μπορούν να προκύψουν επαληθεύσιμες εικασίες. Τα μοντέλα αυτά δίνουν την πιθανότητα να υπάρχει ένα μοτίβο μέσα στα δεδομένα, π.χ. ένα μήνυμα ηλεκτρονικού ταχυδρομείου να είναι ανεπιθύμητη αλληλογραφία (spam). Αν η πιθανότητα είναι πάνω από 50% και επιβεβαιώνεται, τότε η εικασία θεωρείται επαληθευμένη, αν δεν επιβεβαιώνεται, τότε καταρρίπτεται και αντίστροφα όταν η πιθανότητα είναι κάτω από 50%. Η τεχνική από πάνω προς τα κάτω μπορεί να βοηθήσει καλύτερα να κατανοηθεί πως τα παιδιά σχηματίζουν τις συσχετίσεις αιτίου – αποτελέσματος, πώς δημιουργούν αντιλήψεις για το περιβάλλον τους και πώς τις αλλάζουν. Εχει ήδη χρησιμοποιηθεί π.χ. για την αναγνώριση από υπολογιστή χειρόγραφων χαρακτήρων που δεν είχε ξαναδεί το μηχάνημα.
Και τα δυο μαζί
Οι δύο προσεγγίσεις στη μηχανική μάθηση έχουν δυνατά και αδύνατα σημεία. Στις τεχνικές από κάτω προς τα πάνω ο υπολογιστής δεν χρειάζεται να καταλαβαίνει στην πραγματικότητα τίποτα π.χ. για τις γάτες και παρ’ όλ’ αυτά να μπορεί να αναγνωρίζει ακόμη και είδη γάτας που δεν έχει ξαναδεί, αρκεί να του έχουν δοθεί αρκετά δεδομένα προς επεξεργασία στη φάση της εκπαίδευσης. Αντίθετα, το μπαεσιανό σύστημα μπορεί να μάθει από ελάχιστα δείγματα και μπορεί να γενικεύσει πιο πλατιά. Απαιτεί όμως πολλή δουλειά πριν τη χρήση του, ώστε να επιλεγούν οι κατάλληλες εικασίες προς έλεγχο. Και οι δύο προσεγγίσεις έχουν προς το παρόν εφαρμογή μόνο σε σχετικά στενά και καλά καθορισμένα προβλήματα.
Η ανησυχία που προκαλούν – σε ειδικούς και μη – η μηχανική μάθηση και η τεχνητή νοημοσύνη είναι σε ορισμένες περιπτώσεις ολοφάνερα δικαιολογημένη, όπως η αξιοποίησή τους στην παραγωγή σε συνθήκες καπιταλισμού και η στρατιωτική αξιοποίησή τους σε επερχόμενους ιμπεριαλιστικούς πολέμους. Ανεξάρτητα από τη ματαιότητα του εγχειρήματος, αξίζει να σημειωθεί ότι πριν από λίγες μέρες, 116 ειδικοί σε θέματα ρομποτικής έστειλαν επιστολή στον ΟΗΕ, για να αναλάβει δράση, ώστε να αποτραπεί η χρήση ΤΝ σε οπλικά συστήματα, επισημαίνοντας ότι «μόλις ανοίξει το κουτί της Πανδώρας θα είναι δύσκολο να κλείσει». Από την άλλη μεριά, ερευνητές θυγατρικής της «Google» αναζητούν τρόπους, ώστε η μάθηση που ενσωματώνεται σε ένα νευρωνικό δίκτυο να μη χάνεται, όταν το ίδιο δίκτυο εκπαιδεύεται σε νέο γνωστικό αντικείμενο, διακηρύσσοντας καθαρά τον απώτερο στόχο κατασκευής μηχανών με τεχνητή γενική νοημοσύνη, που θα μπορούσαν να υποκαταστήσουν τον άνθρωπο σε ευρεία γκάμα δραστηριοτήτων του. Δεν θα αργήσουν, μάλλον και προσπάθειες συνδυασμού των δύο προσεγγίσεων για τη μηχανική μάθηση και την ΤΝ.
Ακόμη κι αν δεν υπάρξουν ριζοσπαστικές πρόοδοι στην κατανόηση της λειτουργίας του ανθρώπινου εγκεφάλου, η βέβαιη ποσοτική αύξηση στην υπολογιστική ισχύ και στα διαθέσιμα δεδομένα, μπορεί να οδηγήσει σε ποιοτικές αλλαγές και εξελίξεις στον τομέα της ΤΝ, με άμεσες πρακτικές συνέπειες.
An AI That Knows the World Like Children Do Alison Gopnik, καθηγητής ψυχολογίας και φιλοσοφίας στο Πανεπιστήμιο της Καλιφόρνιας, Berkeley
