Ακούμε πλέον όλο και πιο συχνά να γίνεται λόγος για την τεχνητή νοημοσύνη (Artificial Intelligence ή ΑΙ) αλλά τελικά τι είναι αυτό που πρέπει να έχει μια μηχανή, μια εφαρμογή ή ένα ιατρικό εργαλείο για να πούμε ότι έχει νοημοσύνη;
Με την ευρύτερη έννοια η ΑΙ αναφέρεται σε ανθρώπινες κατασκευές που μπορούν να μαθαίνουν, να αιτιολογούν αλλά και να δρουν μόνες τους. Μπορούν, δηλαδή, να παίρνουν αποφάσεις, όταν έρχονται αντιμέτωπες με νέες καταστάσεις με τον ίδιο τρόπο που κάνουν οι άνθρωποι αλλά και τα ζώα. Η συντριπτική πλειοψηφία των επιτευγμάτων και των εφαρμογών που ακούμε καθημερινά ανήκει σε μια κατηγορία αλγορίθμων γνωστή ως μηχανική μάθηση (machine learning). Αυτοί οι αλγόριθμοι χρησιμοποιούν τη στατιστική για να βρουν επαναλαμβανόμενα μοτίβα μέσα σε τεράστιους όγκους δεδομένων. Τα δεδομένα αυτά μπορεί να είναι αριθμοί, εικόνες, ήχοι, οτιδήποτε μπορεί να αποθηκευτεί σε ψηφιακή μορφή. Για παράδειγμα, βλέπουν ποιες τηλεοπτικές σειρές προτιμούν οι τηλεθεατές ανάλογα με την ηλικία, το φύλο και εθνικότητά τους. Στη συνέχεια χρησιμοποιούν αυτά τα μοτίβα για να σου προτείνουν σειρές στο Netflix, να αναγνωρίσουν το πρόσωπο σου για να ξεκλειδώσει το κινητό σου, να διαμορφώσουν το timeline σου στο facebook, αλλά και για δουν αν υπάρχει τίποτα ύποπτο στη μαγνητική τομογραφία σου.
H μηχανική μάθηση, και ιδιαίτερα η τουρμπαρισμένη υποκατηγορία της που λέγεται βαθιά μάθηση (deep learning), είναι πολύ ισχυρή. Αποτελεί την βάση για όλα αυτά τα φανταστικά πράγματα που κάνουν πλέον οι υπολογιστές, όπως τη δημιουργία έργων τέχνης αλλά και την επικράτηση απέναντι στους καλύτερους παίκτες παγκοσμίως σε πολύπλοκα παιχνίδια στρατηγικής όπως το Go.
H βαθιά μάθηση χρησιμοποιεί μια τεχνική που δίνει στις μηχανές την ικανότητα να βρίσκουν και να αναδεικνύουν ακόμη και τις μικρότερες λεπτομέρειες. Αυτή η τεχνική ονομάζεται βαθύ νευρωνικό δίκτυο - βαθύ γιατί έχει πολλά, πολλά επίπεδα απλών υπολογιστικών κόμβων που συνεργάζονται μεταξύ τους, κάνουν νιανιά τα δεδομένα τα διαβάζουν και δίνουν την τελική πρόβλεψη. Τα νευρωνικά δίκτυα είναι εμπνευσμένα, ως ένα σημείο, από τη λειτουργία του ανθρώπινου εγκεφάλου. Οι κόμβοι είναι σαν τους νευρώνες και το δίκτυο μοιάζει με τον εγκέφαλο. Όλο αυτό το οφείλουμε στον Geoffrey Hinton, τον πατέρα της βαθιάς μάθησης, που μίλησε για αυτά το μακρινό 1986. Ο βασικός λόγος που χρειάστηκαν τόσα χρόνια για την έκρηξη της τεχνητής νοημοσύνης είναι ότι απαιτεί τεράστια επεξεργαστική δύναμη για τη διαχείριση του τεράστιου όγκου των δεδομένων κάτι που έγινε εφικτό μόνο τα τελευταία χρόνια.
Υπάρχει μηχανική μάθηση για όλα τα γούστα. Εποπτευόμενη (Supervised Learning), χωρίς εποπτεία (Unsupervised Learning) και ενισχυμένη (Reinforcement Learning). Στην εποπτευόμενη, που είναι και η πιο διαδεδομένη, τα δεδομένα έχουν ετικέτα και το μηχάνημα ξέρει τι πρότυπα πρέπει να αναζητήσει. Είναι σαν το σκύλο-αστυνομικό που έχει μάθει τη μυρωδιά των εκρηκτικών και γαβγίζει, όταν την αναγνωρίζει. Στη μάθηση χωρίς εποπτεία τα δεδομένα δεν έχουν ετικέτες. Το μηχάνημα ψάχνει μόνο του για επαναλαμβανόμενα μοτίβα. Είναι σαν να αφήσετε το σκύλο σας να μυρίζει χιλιάδες διαφορετικά αντικείμενα και να τα ταξινομεί σε ομάδες ανάλογα με τη μυρωδιά τους. Οι μη εποπτευόμενες τεχνικές δεν είναι τόσο δημοφιλείς, αλλά έχουν κερδίσει πολύ έδαφος σε ζητήματα ασφάλειας του κυβερνοχώρου. Τέλος υπάρχει και η ενισχυμένη στην οποία ο αλγόριθμος δοκιμάζει πολλά διαφορετικά πράγματα και ανταμείβεται ή τιμωρείται ανάλογα με την επιτυχία του. Φανταστείτε το σαν να δίνετε ένα γλυκάκι στο σκύλο σας, κάθε φορά που καταφέρνει να εκτελέσει σωστά ένα κόλπο.
Αλλά όλα αυτά τα «μαγικά» απέχουν πολύ από αυτό που θα μπορούσε να χαρακτηριστεί ως ανθρώπινη νοημοσύνη. Ο μεγάλος στόχος είναι να φτάσουν οι υπολογιστές να σκέφτονται και να πράττουν, όπως οι άνθρωποι
Αλλά όλα αυτά τα «μαγικά» απέχουν πολύ από αυτό που θα μπορούσε να χαρακτηριστεί ως ανθρώπινη νοημοσύνη. Ο μεγάλος στόχος είναι να φτάσουν οι υπολογιστές να σκέφτονται και να πράττουν, όπως οι άνθρωποι. Να μπορούν να φέρουν σε πέρας με επιτυχία όλες τις πνευματικές εργασίες. Και εντέλει να αποκτήσουν συνείδηση. Να περάσουμε, δηλαδή, από την «τεχνητή νοημοσύνη» σε αυτό που ονομάζεται «Τεχνητή Γενική Νοημοσύνη» (Artificial General Intelligence ή AGI). Κάποιοι από τους ειδικούς πιστεύουν ότι η μηχανική μάθηση θα μας πάει εκεί αν την «ταΐζουμε» με όλο και περισσότερα δεδομένα.
Οι περισσότεροι, όμως, διαφωνούν. Θεωρούν ότι είμαστε πολύ μακριά ακόμα και ότι μπορεί οι υπολογιστές να κερδίζουν στο σκάκι ή στο Go, αλλά σε πάρα πολλά ζητήματα έχουν μικρότερες δυνατότητες ακόμα και από τα νήπια. Χαρακτηριστικό παράδειγμα είναι τα αυτο-οδηγούμενα οχήματα τα οποία παλεύουν ακόμα να γίνουν πλήρως αυτόνομα, παρά το γεγονός ότι έχουν διανύσει δεκάδες εκατομμύρια χιλιόμετρα. Σίγουρα πολλές φορές περισσότερα από αυτά που χρειάζεται ένας άνθρωπος για να γίνει καλός οδηγός.
Ο ανθρώπινος εγκέφαλος είναι ικανός για πολύ περισσότερα πράγματα από το να αναγνωρίζει επαναλαμβανόμενα μοτίβα σε μεγάλες ποσότητες δεδομένων: έχει τον τρόπο να λειτουργεί αφαιρετικά εκμεταλλευόμενος πολλές φορές λίγα ή και καθόλου δεδομένα. Αν βρεθεί ο τρόπος να σκεφτούν έτσι οι μηχανές, τότε θα μιλάμε για εντυπωσιακό επίτευγμα. Ένα αυτοκινούμενο όχημα ίσως τότε να μη χρειάζεται να ταξιδεύει εκατομμύρια χιλιόμετρα προκειμένου να μάθει πώς να συμπεριφέρεται κάτω από άγνωστες οδικές συνθήκες.
