ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΜΙΜΕΙΤΑΙ ΑΝΘΡΩΠΙΝΕΣ ΙΚΑΝΟΤΗΤΕΣ

Μηχανές μαθαίνουν να είναι δημιουργικές και να έχουν κοινή λογική

Εχει γραφτεί σε αναλύσεις, μελέτες και βιβλία ότι οι μηχανές ποτέ δεν θα μπορέσουν να αποκτήσουν ικανότητες που χαρακτηρίζονται καθαρά ανθρώπινες, όπως η φαντασία, η δημιουργικότητα, η κοινή λογική. Οι ικανότητες αυτές οικοδομούνται πάνω σε βιολογικό υπόβαθρο με συγκεκριμένες δυνατότητες και περιορισμούς, τον ανθρώπινο εγκέφαλο, που επικοινωνεί με το περιβάλλον μέσω των διαθέσιμων στο ανθρώπινο σώμα αισθήσεων και αναπτύσσονται μέσα από αμέτρητες αλληλεπιδράσεις με το περιβάλλον, ιδιαίτερα το κοινωνικό, που είναι καθοριστικό για την ανάπτυξη των ανώτερων νοητικών λειτουργιών κάθε ατόμου και του πολιτισμού στο επίπεδο της κοινωνίας. Με αυτήν την έννοια, δεν μπορεί να υπάρξει μηχανή που να εκδηλώνει πανομοιότυπα με τα ανθρώπινα χαρακτηριστικά νοημοσύνης. Τίποτα όμως δεν εμποδίζει να υπάρξουν μηχανές που θα εκδηλώνουν μια εκδοχή ανώτερων νοητικών ικανοτήτων, που θα ταιριάζει σε μηχανές, να «μιμηθούν» τις ανθρώπινες και όπως κάθε μίμηση να μην είναι ακριβώς ίδια με το πρωτότυπο, ωστόσο να είναι έκφραση τέτοιων νοητικών ικανοτήτων. Βασισμένοι στις επιτυχίες της μηχανικής μάθησης, όπως στην οπτική αναγνώριση αντικειμένων, πολλοί ερευνητές στον τομέα της Τεχνητής Νοημοσύνης (ΤΝ) εργάζονται στην κατεύθυνση πρόσδοσης ανώτερων ικανοτήτων στις μηχανές.
Οι επιστήμονες δεν προχωρούν σε αυτήν την κατεύθυνση από ματαιοδοξία ή άλλα προσωπικά κίνητρα - έστω κι αν δεν λείπουν κι αυτά. Η επιστήμη έχει κοινωνικό χαρακτήρα και στο σημερινό επίπεδο κοινωνικοποίησης της παραγωγής είναι σημαντική παραγωγική δύναμη, που στην εποχή του τελευταίου εκμεταλλευτικού συστήματος κατευθύνεται από την κυρίαρχη κοινωνική τάξη για τη διατήρηση της δικής της ευημερίας και εξουσίας. Η ανάπτυξη μηχανών που μπορούν να αντικαταστήσουν περισσότερους ανθρώπους στην παραγωγή, αυξάνοντας την παραγωγικότητα της εργασίας, στις συνθήκες του καπιταλιστικού τρόπου παραγωγής αξιοποιείται στην κατεύθυνση εξυπηρέτησης των συμφερόντων της κεφαλαιοκρατίας. Βεβαίως, τέτοιες μηχανές σε συνθήκες κομμουνιστικής οικοδόμησης θα αξιοποιούνταν για να μειωθεί ο χρόνος εργασίας, να απαλλαγεί ο άνθρωπος από άλλο ένα μέρος βαριών και μονότονων εργασιών, να μπορεί να συμμετέχει περισσότερο στη διοίκηση, ώστε να κατευθύνει καλύτερα την παραγωγή για την εξυπηρέτηση των αναγκών του.

Γάτες

Ιδιαίτερη πρόοδος παρουσιάζεται στο λογισμικό αναγνώρισης εικόνων, το οποίο πια δεν δυσκολεύεται καθόλου να εντοπίσει τις φωτογραφίες που απεικονίζουν π.χ. γάτες ή διασημότητες, κατηγορίες για τις οποίες υπάρχουν διαθέσιμες πολλές φωτογραφίες, ώστε να εκπαιδευτεί. Για άλλες κατηγορίες όμως δεν υπάρχει τόσο διαθέσιμο υλικό και οπωσδήποτε οι «έξυπνες» μηχανές θα μπορούσαν να λύσουν περισσότερα προβλήματα, αν ήταν πιο γρήγορη η όλη διαδικασία. Αν ένα ρομπότ πρόκειται να μάθει να χειρίζεται κουτιά πάνω σε ένα τραπέζι, δεν είναι δυνατό να του επιδειχθεί κάθε δυνατή τοποθέτηση των κουτιών που μπορεί να συναντήσει. Χρειάζεται, όπως ο άνθρωπος, να αποκτήσει γενικές ικανότητες, παρά να απομνημονεύει συμπεριφορές.
Οι μηχανές πρέπει να είναι πιο σαφείς και ως προς το αποτέλεσμα. Μια απλή απάντηση δεν είναι αρκετή. Χρειάζεται να μπορούν να την αιτιολογήσουν με τρόπο κατανοητό στους ανθρώπους, πολύ περισσότερο όταν αυτή η απάντηση μπορεί να έχει σοβαρές επιπτώσεις. Πλήθος ερευνητών ασχολούνται με την επίλυση αυτών των ζητημάτων και υπάρχουν πολλές ιδέες που διερευνώνται. Ορισμένοι θεωρούν ότι η ανάπτυξη ΤΝ με πιο ανθρώπινα χαρακτηριστικά χρειάζεται νέα εργαλεία λογισμικού. Ωστόσο, είναι εκπληκτικό πόσο έχει προχωρήσει η τεχνική, κάνοντας βελτιώσεις πάνω στην υπάρχουσα βάση. Ικανότητες όπως η αυτοβελτίωση, η φαντασία και η κοινή λογική ενσωματώνονται σε μηχανές, έστω και σε περιορισμένη έκταση. Το κλειδί είναι η έξυπνη εκπαίδευση των μηχανών. Καθοδηγούμενες από ανθρώπους εκπαιδευτές, οι μηχανές κάνουν τα μεγαλύτερα βήματα από μόνες τους.

Βαθιά δίκτυα

Τα νευρωνικά δίκτυα, που είχαν βγει για ένα διάστημα από το επίκεντρο του ενδιαφέροντος των ερευνητών είναι και πάλι η ανερχόμενη τεχνολογία ΤΝ. Πρόκειται για πλέγματα βασικών υπολογιστικών μονάδων, των «νευρώνων», που συνήθως διατάσσονται σε επάλληλα στρώματα. Ενα αρχικό στρώμα δέχεται τα δεδομένα εισόδου - π.χ. τα εικονοστοιχεία (pixel) μιας εικόνας - και ένα τελικό στρώμα παράγει την έξοδο, το αποτέλεσμα (π.χ. έναν υψηλού επιπέδου χαρακτηρισμό για το περιεχόμενο της εικόνας), ενώ τα ενδιάμεσα «κρυφά» στρώματα δημιουργούν αριθμητικούς συνδυασμούς των δεδομένων. Ορισμένα δίκτυα, ειδικά εκείνα που χρησιμοποιούνται για προβλήματα που έχουν χρονική εξέλιξη, όπως η αναγνώριση της γλώσσας, έχουν βρόχους, που επανασυνδέουν το στρώμα εξόδου με ενδιάμεσα στρώματα ή ακόμη και με το αρχικό στρώμα.
Ενα βαθύ δίκτυο έχει δεκάδες ή και εκατοντάδες κρυμμένα στρώματα. Μπορεί να αντιπροσωπεύουν ενδιάμεσου επιπέδου δομές, όπως οι άκρες και τα γεωμετρικά σχήματα, αν και δεν είναι πάντα φανερό τι ακριβώς κάνουν. Με χιλιάδες νευρώνες και εκατομμύρια διασυνδέσεις μεταξύ τους, δεν υπάρχει ένα απλό λογικό μονοπάτι μέσα από το σύστημα. Και αυτό είναι συνέπεια του σχεδιασμού του. Τα νευρωνικά δίκτυα είναι εξαιρετικά στο χειρισμό προβλημάτων που δεν προσιδιάζουν σε συγκεκριμένους λογικούς κανόνες, όπως είναι το πρόβλημα της αναγνώρισης μοτίβων.

Δοκιμή και σφάλμα

Οι νευρωνικές συνδέσεις δεν είναι προκαθορισμένες, αλλά προσαρμόζονται μέσω της τεχνικής δοκιμής και σφάλματος. Το δίκτυο τροφοδοτείται με εικόνες που έχουν χαρακτηριστεί «σκύλος» ή «γάτα». Για κάθε εικόνα μαντεύει την ετικέτα. Αν απαντήσει σωστά, ενισχύονται οι συνδέσεις που συμβάλλουν σε αυτό το αποτέλεσμα, ενώ στην αντίθετη περίπτωση αποδυναμώνονται, διαδικασία απλή στον μαθηματικό λογισμό. Ξεκινώντας από το μηδέν, χωρίς να γνωρίζουν καν τι είναι εικόνα, πολύ περισσότερο κάποιο συγκεκριμένο ζώο, τα δίκτυα επιλέγουν με την ίδια τυχαιότητα, όπως η ρίψη ενός νομίσματος. Ομως, μετά από π.χ. 10.000 παραδείγματα που τους έχουν δοθεί, απαντούν το ίδιο καλά όπως και ένας άνθρωπος, που θα του επιδειχθούν οι ίδιες εικόνες. Σε άλλες εκπαιδευτικές μεθόδους, το δίκτυο αντιδρά σε πιο ασθενικές ενδείξεις ή ακόμη συνάγει τις κατηγορίες εντελώς από μόνο του.
Οι επιστήμονες δεν είναι σίγουροι πώς τα νευρωνικά δίκτυα πετυχαίνουν να ταξινομήσουν εικόνες. Ξέρουν όμως ότι η 100% αναγνώριση του συνόλου εικόνων με τις οποίες εκπαιδεύτηκαν δεν σημαίνει ότι μπορούν να αναγνωρίσουν με την ίδια επιτυχία και κάθε άλλη. Μπορεί να έχουν στηριχθεί σε μη αξιόπιστα σημάδια και διαφορές, παρά στα ουσιαστικά χαρακτηριστικά.
Η ικανότητα των νευρωνικών δικτύων να διαμορφώνουν τον εαυτό τους σημαίνει ότι μπορούν να λύνουν προβλήματα με τρόπους που οι άνθρωποι σχεδιαστές τους δεν μπορούν να καταλάβουν. Και αυτό περιλαμβάνει το πρόβλημα της κατασκευής νευρωνικών δικτύων, που είναι ακόμη καλύτερα σε αυτό που κάνουν.

Μετα-μάθηση

Αν μια μηχανή μάθει να λύνει ένα πρόβλημα και μετά το ξεχάσει, μετά μάθει να λύνει ένα άλλο και το ξεχάσει κ.ο.κ. μπορεί να εκπαιδευτεί, ώστε να εντοπίζει τα κοινά χαρακτηριστικά αυτών των προβλημάτων και να μαθαίνει νέα ανάλογα πολύ πιο γρήγορα. Δεν θα έχει μάθει τίποτα συγκεκριμένο, αλλά θα έχει μάθει πώς να μαθαίνει, αυτό που οι ερευνητές ονομάζουν μετα-μάθηση. Οταν θα τη χρειαστούμε για να συγκρατήσει πληροφορίες θα είναι έτοιμη. Πολλοί επιστήμονες θεωρούν τη μετα-μάθηση κλειδί για την απόκτηση από τις μηχανές μέρους της νοητικής ικανότητας του ανθρώπου και ορισμένοι το προεκτείνουν στο ότι θα βοηθήσει να καταλάβουμε πώς λειτουργεί και η ανθρώπινη νόηση.
Στη φύση, η απόλυτη μετα-μάθηση είναι η δαρβινική βιολογική εξέλιξη. Τη δεκαετία του 1980 οι ερευνητές χρησιμοποίησαν τους γενετικούς αλγόριθμους, που προσομοιώνουν τη βιολογική εξέλιξη. Ομως η εξέλιξη είναι μια τυχαία διαδικασία που διερευνά κάθε κατεύθυνση, συναντώντας πολλά αδιέξοδα. Την πρώτη δεκαετία της νέας χιλιετίας οι επιστήμονες βρήκαν τρόπους για να γίνει πιο συστηματικός και άρα πιο γρήγορος ο αλγόριθμος αυτός. Με το κατάλληλο πρόγραμμα εκπαίδευσης κάθε νευρωνικό δίκτυο μπορεί να μάθει να μαθαίνει. Το «κόλπο» είναι να είσαι πολύ συγκεκριμένος σε αυτό που θέλεις. Αν θέλεις να μάθει να αναγνωρίζει πρόσωπα, πρέπει να του δείξεις πρόσωπα. Αν θέλεις να μάθει να μαθαίνει, πρέπει να του παρουσιάσεις μια σειρά από ασκήσεις εκμάθησης.
Το 2017 ερευνητική ομάδα στο πανεπιστήμιο Μπέρκλεϊ ανέπτυξε τη μέθοδο της ανεξάρτητης από μοντέλα μετα-μάθησης. Αντί να δείχνουν στο δίκτυο χιλιάδες φωτογραφίες π.χ. του ίδιου είδους ζώων, έδειχναν μόνο 5 και μετά ενός άλλου ζώου, αυτοκινήτου, καπέλου ή άλλου αντικειμένου κ.ο.κ. Το δίκτυο δεν γινόταν ειδικό στην αναγνώριση κάποιου είδους αντικειμένων ή όντων, αλλά μάθαινε την αρχική κατάσταση, που του επέτρεπε να κάνει σωστή ταξινόμηση εικόνων που έρχονταν σε πεντάδες. Οταν του έδειχναν κάτι καινούριο, μπορούσε να το αναγνωρίσει ως τέτοιο αμέσως.
Οταν εφάρμοσαν την τεχνική τους σε ρομπότ που έπρεπε να τρέξουν κάθε φορά προς διαφορετική κατεύθυνση για να πραγματοποιήσουν μια εργασία, τα ρομπότ έμαθαν από μόνα τους ότι ο καλύτερος τρόπος για να πετύχουν το στόχο τους πιο γρήγορα ήταν να κάνουν επιτόπιο τροχάδην περιμένοντας την επόμενη εντολή! Αλλά κι αυτή η τεχνική έχει το μειονέκτημα ότι μπορεί μεν να μην απαιτεί πολλά δείγματα για το καινούριο είδος εικόνας, απαιτεί όμως συνολικά πολλά δείγματα εκμάθησης και μεγάλο χρόνο εκπαίδευσης.

Φαντασία

Μια εκδοχή φαντασίας είναι κάτι παραδόξως εύκολο να αυτοματοποιηθεί. Αν πάρεις ένα νευρωνικό δίκτυο αναγνώρισης εικόνων και το «τρέξεις» αντίστροφα, τότε γίνεται ένα σύστημα παραγωγής εικόνων. Του δίνεις την ετικέτα «σκύλος» και αν έχεις καταφέρει να το εκπαιδεύσεις κατάλληλα, μπορεί να σου εμφανίσει έναν σκύλο, ανύπαρκτης ράτσας, με τα πιο αρχετυπικά χαρακτηριστικά των σκύλων. Για την εκπαίδευσή του, οι ερευνητές χρησιμοποιούν ένα άλλο εκπαιδευμένο δίκτυο αναγνώρισης, που ελέγχει αν το προϊόν του πρώτου δικτύου μπορεί να καταταχτεί ως «σκύλος». Το δίκτυο ελεγκτής στην αρχή λειτουργεί σκοπίμως με αρκετή χαλαρότητα, ενώ στην πορεία γίνεται αυστηρότερος κριτής, όσο το δίκτυο παραγωγής της εικόνας βελτιώνει την απόδοσή του. Το σύστημα αυτό (γενετικά δίκτυα αντιφάσεων) συναντά μεγάλη επιτυχία και χρησιμοποιείται οποτεδήποτε χρειάζεται να αφομοιωθούν δεδομένα από τα οποία θα παραχθούν προσομοιωμένα δεδομένα με τα ίδια στατιστικά χαρακτηριστικά.

Αντανάκλαση

Ερευνητές εξετάζουν την ιδέα τα νευρωνικά δίκτυα να αποκτήσουν κάποια γνήσια κατανόηση των πραγμάτων, αντιστοιχίζοντας τις μεταβλητές τους σε κάποιες ιδιότητες του φυσικού κόσμου. Μια μεταβλητή θα μπορούσε να αντιστοιχεί στη θέση στο χώρο. Αν ένα αντικείμενο κινηθεί, αλλά όλα τα άλλα παραμείνουν ίδια, τότε μόνο μια μεταβλητή θα πρέπει να αλλάξει, έστω κι αν εκατοντάδες ή χιλιάδες εικονοστοιχεία αλλάξουν στην εικόνα εξαιτίας της μετακίνησης του αντικειμένου. Το 2016 αναπτύχθηκε μια τεχνική για τον σκοπό αυτό, που αρχικά περιόριζε την ικανότητα του δικτύου να αναπαριστά τον κόσμο, χαλαρώνοντας τον περιορισμό στην πορεία και επιτρέποντας να αντιπροσωπευτούν και λιγότερο σημαντικά χαρακτηριστικά. Αν και απαιτεί ακόμη σημαντική ανθρώπινη παρέμβαση για να λειτουργήσει, θα μπορούσε να δώσει κατανοητές στους ανθρώπους εξηγήσεις για τη συλλογιστική που οδήγησε ένα νευρωνικό δίκτυο σε κάποιο συμπέρασμα. Επιπλέον, θα μπορούσε να οδηγήσει τα νευρωνικά δίκτυα, που θα καταλάβαιναν ότι αντιμετωπίζουν πια κάτι νέο, να μην ξεχνούν την πληροφορία που έχουν ενσωματώσει, αλλά να αφιερώνουν αχρησιμοποίητα τμήματά τους για την απόκτηση νέας πληροφορίας.

Επιμέλεια:
Σταύρος ΞΕΝΙΚΟΥΔΑΚΗΣ
Πηγή: «Scientific American»