Τον Αύγουστο του 1955, μια ομάδα μελετητών υπέβαλε αίτημα για χρηματοδότηση 13 $ για τη διεξαγωγή ενός καλοκαιρινού σεμιναρίου στο Dartmouth College του New Hampshire. Το πεδίο που πρότειναν να εξερευνήσουν ήταν η τεχνητή νοημοσύνη (AI). Αν και το αίτημα χρηματοδότησης ήταν μέτριο, η υπόθεση των ερευνητών δεν ήταν: «Κάθε πτυχή της μάθησης ή οποιοδήποτε άλλο χαρακτηριστικό της νοημοσύνης μπορεί, καταρχήν, να περιγραφεί με τόση ακρίβεια, ώστε να μπορεί να κατασκευαστεί μια μηχανή για να τη μιμηθεί».
Από αυτές τις ταπεινές απαρχές, οι ταινίες και τα μέσα έχουν ρομαντικοποιήσει την τεχνητή νοημοσύνη ή την απεικόνισαν ως κακοποιό. Ωστόσο, για τους περισσότερους ανθρώπους, η τεχνητή νοημοσύνη παρέμεινε μόνο θέμα συζήτησης και όχι μέρος της συνειδητής εμπειρίας ζωής.
Στα τέλη του περασμένου μήνα, η τεχνητή νοημοσύνη με τη μορφή ChatGPT έχει ξεφύγει από εικασίες και ερευνητικά εργαστήρια επιστημονικής φαντασίας και στους επιτραπέζιους υπολογιστές και τα τηλέφωνα του ευρύτερου κοινού. Αυτό είναι το λεγόμενο "γεννητικό AI" - μια απροσδόκητα έξυπνα διατυπωμένη προτροπή μπορεί να γράψει ένα δοκίμιο ή να φτιάξει μια συνταγή και μια λίστα αγορών ή να δημιουργήσει ένα ποίημα στο στυλ του Έλβις Πρίσλεϋ.
Αν και ChatGPT ήταν ο πιο εντυπωσιακός συμμετέχων σε μια χρονιά παραγωγικής επιτυχίας τεχνητής νοημοσύνης, συστήματα όπως αυτό έχουν δείξει ακόμη μεγαλύτερες δυνατότητες δημιουργίας νέου περιεχομένου και χρησιμοποιούνται μηνύματα κειμένου σε εικόνα για τη δημιουργία ζωντανών εικόνων που έχουν κερδίσει ακόμη και διαγωνισμούς τέχνης. Η τεχνητή νοημοσύνη μπορεί να μην έχει ακόμη ζωντανή συνείδηση ή τη θεωρία του νου που έχει διαδοθεί σε ταινίες και μυθιστορήματα επιστημονικής φαντασίας, αλλά πλησιάζει στο να διαταράξει τουλάχιστον αυτό που πιστεύουμε ότι μπορούν να κάνουν τα συστήματα τεχνητής νοημοσύνης.
Οι ερευνητές που εργάζονται στενά με αυτά τα συστήματα αποθαρρύνονται από την προοπτική της ευφυΐας, όπως στην περίπτωση του LaMDA Large Language Model (LLM) της Google. Το LLM είναι ένα μοντέλο που έχει εκπαιδευτεί να επεξεργάζεται και να δημιουργεί φυσική γλώσσα.
Το Generative AI έχει επίσης εγείρει ανησυχίες σχετικά με τη λογοκλοπή, την εκμετάλλευση πρωτότυπου περιεχομένου που χρησιμοποιείται για τη δημιουργία μοντέλων, την ηθική της χειραγώγησης πληροφοριών και την κατάχρηση εμπιστοσύνης, ακόμη και το «τέλος του προγραμματισμού».
Τι σημαίνει πραγματικά η τεχνητή νοημοσύνη;
Στο επίκεντρο όλων αυτών βρίσκεται ένα ερώτημα του οποίου η συνάφεια αυξάνεται από το καλοκαιρινό σεμινάριο στο Dartmouth: Διαφέρει η τεχνητή νοημοσύνη από την ανθρώπινη νοημοσύνη; Για να θεωρηθεί τεχνητή νοημοσύνη, ένα σύστημα πρέπει να επιδεικνύει ένα ορισμένο επίπεδο μάθησης και προσαρμογής. Για το λόγο αυτό, τα συστήματα λήψης αποφάσεων, αυτοματοποίησης και στατιστικών δεν είναι AI. Σε γενικές γραμμές, η τεχνητή νοημοσύνη χωρίζεται σε δύο κατηγορίες: τεχνητή στενή νοημοσύνη (AI) και τεχνητή γενική νοημοσύνη (AI). Επί του παρόντος, το SHI δεν υπάρχει. Μια βασική πρόκληση για την οικοδόμηση γενικής τεχνητής νοημοσύνης είναι να μοντελοποιηθεί επαρκώς ο κόσμος με ολόκληρο το σώμα γνώσης, με συνεπή και χρήσιμο τρόπο. Αυτό είναι, για να το θέσω ήπια, ένα έργο μεγάλης κλίμακας.
Τα περισσότερα από αυτά που γνωρίζουμε ως AI σήμερα έχουν στενή νοημοσύνη – όπου ένα συγκεκριμένο σύστημα λύνει ένα συγκεκριμένο πρόβλημα. Σε αντίθεση με την ανθρώπινη νοημοσύνη, μια τέτοια στενή νοημοσύνη AI είναι αποτελεσματική μόνο στον τομέα στον οποίο έχει εκπαιδευτεί: όπως η ανίχνευση απάτης, η αναγνώριση προσώπου ή οι κοινωνικές συστάσεις. Και το AI θα λειτουργεί με τον ίδιο τρόπο όπως ένα άτομο. Επί του παρόντος, το πιο χαρακτηριστικό παράδειγμα προσπαθειών για να επιτευχθεί αυτό είναι η χρήση νευρωνικών δικτύων και η βαθιά μάθηση που εκπαιδεύονται σε τεράστιες ποσότητες δεδομένων.
Τα νευρωνικά δίκτυα εμπνέονται από τον τρόπο λειτουργίας του ανθρώπινου εγκεφάλου. Σε αντίθεση με τα περισσότερα μοντέλα μηχανικής μάθησης, τα οποία εκτελούν υπολογισμούς σε δεδομένα εκπαίδευσης, τα νευρωνικά δίκτυα λειτουργούν τροφοδοτώντας κάθε σημείο δεδομένων με τη σειρά τους μέσω ενός διασυνδεδεμένου δικτύου, προσαρμόζοντας τις παραμέτρους κάθε φορά. Καθώς όλο και περισσότερα δεδομένα τροφοδοτούνται μέσω του δικτύου, οι παράμετροι σταθεροποιούνται, με αποτέλεσμα ένα «εκπαιδευμένο» νευρωνικό δίκτυο που μπορεί στη συνέχεια να παράγει την επιθυμητή έξοδο σε νέα δεδομένα – για παράδειγμα, αναγνωρίζοντας εάν μια εικόνα περιέχει γάτα ή σκύλο.
Ένα σημαντικό άλμα στην ανάπτυξη της τεχνητής νοημοσύνης σήμερα οφείλεται στις τεχνολογικές βελτιώσεις στις μεθόδους εκμάθησης μεγάλων νευρωνικών δικτύων, οι οποίες επιτρέπουν την προσαρμογή ενός τεράστιου αριθμού παραμέτρων κατά τη διάρκεια κάθε εκτέλεσης χάρη στις δυνατότητες μεγάλων υποδομών υπολογιστικού νέφους. Για παράδειγμα, το GPT-3 (το σύστημα AI που τροφοδοτεί το ChatGPT) είναι ένα μεγάλο νευρωνικό δίκτυο με 175 δισεκατομμύρια παραμέτρους.
Τι απαιτείται για να λειτουργήσει η τεχνητή νοημοσύνη;
Η τεχνητή νοημοσύνη χρειάζεται τρία πράγματα για να λειτουργήσει με επιτυχία. Πρώτον, χρειάζεται ποιοτικά, αντικειμενικά δεδομένα και πολλά από αυτά. Οι ερευνητές που κατασκευάζουν νευρωνικά δίκτυα χρησιμοποιούν μεγάλες συστοιχίες δεδομένων που έχουν εμφανιστεί χάρη στην ψηφιοποίηση της κοινωνίας.
Συμπληρώνοντας τους ανθρώπινους προγραμματιστές, το Co-Pilot αντλεί τα δεδομένα του από δισεκατομμύρια γραμμές κώδικα που φιλοξενούνται στο GitHub. Το ChatGPT και άλλα μοντέλα μεγάλων γλωσσών χρησιμοποιούν τα δισεκατομμύρια ιστοσελίδες και έγγραφα κειμένου που είναι αποθηκευμένα στο Διαδίκτυο.
Εργαλεία μετατροπής κειμένου σε εικόνα όπως π.χ Σταθερή Διάχυση, ΠΛΑΚΑ-2 και Midjourney, χρησιμοποιήστε ζεύγη εικόνας-κειμένου από σύνολα δεδομένων όπως το LAION-5B. Τα μοντέλα τεχνητής νοημοσύνης θα συνεχίσουν να εξελίσσονται καθώς ψηφιοποιούμε περισσότερες από τις ζωές μας και τους τροφοδοτούμε εναλλακτικές πηγές δεδομένων, όπως δεδομένα προσομοίωσης ή δεδομένα από ρυθμίσεις παιχνιδιών όπως το Minecraft.
Το AI χρειάζεται επίσης υπολογιστική υποδομή για αποτελεσματική εκπαίδευση. Καθώς οι υπολογιστές γίνονται πιο ισχυροί, τα μοντέλα που απαιτούν τώρα εντατική προσπάθεια και υπολογισμούς μεγάλης κλίμακας ενδέχεται στο εγγύς μέλλον να υποβληθούν σε τοπική επεξεργασία. Για παράδειγμα, το μοντέλο Stable Diffusion μπορεί ήδη να εκτελεστεί σε τοπικούς υπολογιστές και όχι σε περιβάλλοντα cloud. Η τρίτη ανάγκη για τεχνητή νοημοσύνη είναι βελτιωμένα μοντέλα και αλγόριθμοι. Τα συστήματα που βασίζονται σε δεδομένα συνεχίζουν να σημειώνουν ραγδαίες προόδους σε τομείς που κάποτε θεωρούνταν ο τομέας της ανθρώπινης γνώσης.
Ωστόσο, δεδομένου ότι ο κόσμος γύρω μας αλλάζει συνεχώς, τα συστήματα AI πρέπει να επανεκπαιδεύονται συνεχώς χρησιμοποιώντας νέα δεδομένα. Χωρίς αυτό το σημαντικό βήμα, τα συστήματα τεχνητής νοημοσύνης θα δώσουν απαντήσεις που είναι πραγματικά λανθασμένες ή δεν λαμβάνουν υπόψη τις νέες πληροφορίες που έχουν προκύψει από τότε που εκπαιδεύτηκαν.
Τα νευρωνικά δίκτυα δεν είναι η μόνη προσέγγιση στο AI. Ένα άλλο αξιοσημείωτο στρατόπεδο στην έρευνα τεχνητής νοημοσύνης είναι η συμβολική τεχνητή νοημοσύνη – αντί να αφομοιώνει τεράστιες σειρές δεδομένων, βασίζεται σε κανόνες και γνώσεις παρόμοιες με την ανθρώπινη διαδικασία σχηματισμού εσωτερικών συμβολικών αναπαραστάσεων ορισμένων φαινομένων.
Όμως, την τελευταία δεκαετία, η ισορροπία δυνάμεων έχει κλίνει σε μεγάλο βαθμό προς προσεγγίσεις που βασίζονται στα δεδομένα και στους «ιδρυτές» της σύγχρονης βαθιάς μάθησης απονεμήθηκε πρόσφατα το βραβείο Turing, το αντίστοιχο του βραβείου Νόμπελ στην επιστήμη των υπολογιστών.
Τα δεδομένα, οι υπολογισμοί και οι αλγόριθμοι αποτελούν τη βάση της μελλοντικής τεχνητής νοημοσύνης. Όλοι οι δείκτες δείχνουν ταχεία πρόοδο και στις τρεις κατηγορίες για το άμεσο μέλλον.
Μπορείτε να βοηθήσετε την Ουκρανία να πολεμήσει ενάντια στους Ρώσους εισβολείς. Ο καλύτερος τρόπος για να γίνει αυτό είναι να δωρίσετε χρήματα στις Ένοπλες Δυνάμεις της Ουκρανίας μέσω Savelife ή μέσω της επίσημης σελίδας NBU.