Στην ηλικία των 6 μηνών, ένα μωρό δεν θα εντυπωσιαστεί καθόλου αν δει το αυτοκινητάκι με το οποίο παίζει να σηκωθεί από το πάτωμα και να αιωρείται στον αέρα. Αν εκτελέσουμε το ίδιο πείραμα 2 με 3 μήνες αργότερα θα αναγνωρίσει αμέσως ότι κάτι είναι λάθος. Έχει ήδη μάθει την έννοια της βαρύτητας. «Κανείς δεν έχει πει στο μωρό ότι αν αφήσεις τα αντικείμενα στον αέρα θα πέσουν», λέει ο Yann LeCun, επικεφαλής της έρευνας για την τεχνητή νοημοσύνη στο Facebook και «πολλά από αυτά που μαθαίνουν για τον κόσμο γύρω τους είναι μέσω της παρατήρησης». Αυτή η επισήμανση θα μπορούσε να έχει σημαντικές επιπτώσεις για τους ερευνητές που θέλουν να διευρύνουν τα όρια της τεχνητής νοημοσύνης.
H μηχανική μάθηση, και ιδιαίτερα η ενισχυμένη υποκατηγορία της που λέγεται βαθιά μάθηση (deep learning), έχει κάνει τεράστια βήματα και έχει δώσει αντιληπτικές ικανότητες στις μηχανές, όπως την όραση. Δεν τα έχει πάει όμως τόσο καλά στην εμφύτευση εκλεπτυσμένων συλλογισμών σε αυτές που να βασίζονται σε ένα εννοιολογικό μοντέλο της πραγματικότητας. Με άλλα λόγια, οι μηχανές δεν καταλαβαίνουν πραγματικά τον κόσμο γύρω τους, γεγονός που τις κάνει να μη μπορούν να εμπλακούν όπως οι άνθρωποι με αυτόν. Νέες τεχνικές συμβάλλουν κάπως στην υπέρβαση αυτού του περιορισμού - για παράδειγμα, δίνοντας μηχανές ένα είδος μνήμης έτσι ώστε καθώς μαθαίνουν μπορούν να συσσωρεύσουν γνώσεις και αρχές έτσι ώστε να τις αξιοποιήσουν σε μελλοντικές αλληλεπιδράσεις.
Και πάλι όμως η αντίληψη των μηχανών είναι σε πρωτόγονο στάδιο. Ένα μωρό μπορεί να αναπτύξει μια βασική κατανόηση ενός ελέφαντα αφού δει μόνο 2 φωτογραφίες, ενώ οι αλγόριθμοι βαθιάς μάθησης πρέπει να δουν χιλιάδες, αν όχι εκατομμύρια. Ένας έφηβος μπορεί να μάθει να οδηγεί με ασφάλεια μετά από 20 ώρες μάθημα και καταφέρνει να αποφύγει τις συγκρούσεις χωρίς να χρειαστεί να εμπλακεί σε μία. Οι αλγόριθμοι των αυτο-οδηγούμενων οχημάτων πρέπει να περάσουν από δεκάδες εκατομμύρια δοκιμές που περιλαμβάνουν πολλές αποτυχίες και συγκρούσεις.
Αυτοί οι αλγόριθμοι εκπαιδεύονται με μηχανική μάθηση. 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. 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.
Η απάντηση, πιστεύει ο LeCun, είναι στην πιο υποτιμημένη υποκατηγορία βαθιάς μάθησης, τη μάθηση χωρίς εποπτεία. Ενώ οι αλγόριθμοι που βασίζονται στην εποπτευόμενη και την ενισχυμένη μάθηση μαθαίνουν μέσω της ανθρώπινης εμπειρίας οι αλγόριθμοι χωρίς επίβλεψη βρίσκουν τα πρότυπα στα δεδομένα και μαθαίνουν από μόνοι τους. Τα τελευταία χρόνια, αυτοί οι αλγόριθμοι έχουν χρησιμοποιηθεί πολύ στην επεξεργασία φυσικής γλώσσας εξαιτίας της ικανότητάς τους να βρίσκουν τις σχέσεις μεταξύ δισεκατομμυρίων λέξεων. Αυτό χρησιμοποιείται για την κατασκευή των συστημάτων αυτόματης συμπλήρωσης κειμένου ή για τη δημιουργία πρωτότυπων κειμένων από μηχανές. Αλλά η συντριπτική πλειοψηφία της έρευνας στη τεχνητή νοημοσύνη επικεντρώθηκε στους άλλους δύο τομείς.
Ο LeCun πιστεύει ότι αυτό πρέπει να ανατραπεί. Πρέπει να δούμε το ανθρώπινο παράδειγμα, σχεδόν όλα όσα μαθαίνουμε τα μαθαίνουμε μέσω της μάθησης χωρίς εποπτεία. Υπάρχει ένα λεπτό στρώμα δεξιοτήτων που το μαθαίνουμε μέσω εποπτευόμενης μάθησης, και μια πολύ μικρή ποσότητα που μαθαίνουμε μέσω της ενισχυμένης μάθησης. Επίσης, οι ερευνητές πρέπει να αρχίσουν να εστιάζουν στη χρονική πρόβλεψη. Οι μηχανές, για παράδειγμα, πρέπει να εκπαιδευτούν να προβλέπουν το δεύτερο μισό ενός βίντεο όταν τους δοθεί το πρώτο μισό. Αν και δεν μπορούν να προβλεφθούν τα πάντα στον κόσμο μας, αυτή όμως είναι η βασική δεξιότητα πίσω από την ικανότητα ενός μωρού 9 μηνών να προβλέπει ότι ένα αυτοκινητάκι δεν μπορεί να κινείται στον αέρα και ότι πρέπει να πέσει στο έδαφος. Με αυτό τον τρόπο τα αυτο-οδηγούμενα οχήματα θα μπορούν να ξέρουν εκ των προτέρων τι θα κάνουν τα άλλα αυτοκίνητα στο δρόμο. Μόνο έτσι οι μηχανές θα αναπτύξουν ένα μοντέλο του κόσμου που να μπορεί να προβλέψει μελλοντικές καταστάσεις του κόσμου. Ο LeCun είναι σίγουρος, «η επόμενη επανάσταση της τεχνητής νοημοσύνης δεν θα έχει την εποπτεία μας».
Στο AI Everything στο Άμπου Ντάμπι, η συζήτηση δεν αφορά (μόνο) στο τι μπορεί να κάνει η τεχνητή νοημοσύνη αλλά πώς θα μοιάζει ο κόσμος που έρχεται. Η ATHENS VOICE είναι εκεί και μεταφέρει εικόνες από το μέλλον
Ο Θάνος Βλόντζος, επιστήμονας που εργάζεται στο Λονδίνο, εξηγεί γιατί η ΑΙ δεν μπορεί να ελεγχθεί όπως τα πυρηνικά και πόσο κοντά είμαστε σε συστήματα που μπορούν να δράσουν ανεξέλεγκτα
Ο Executive Vice President της FUJIFILM Europe, Πίτερ Στρούικ, μιλά στην ATHENS VOICE για την πραγματική αξία της τεχνητής νοημοσύνης, την επόμενη εποχή των AI agents, τις θέσεις εργασίας και την ευρωπαϊκή ρύθμιση
26°
