ΑΛΓΟΡΙΘΜΟΙ
ΣΕ ΓΛΩΣΣΕΣ
ΑΚΑΤΑΛΑΒΙΣΤΙΚΕΣ

Προοπτικές από την εξέλιξη
της τεχνητής νοημοσύνης



Κάθε μέρα ακούμε να μιλάνε γι' αυτήν. Την ονομάζουμε τεχνητή νοημοσύνη. Έξυπνα αυτοκίνητα, έξυπνα τηλέφωνα, έξυπνοι υπολογιστές ή έξυπνα συστήματα παρακολούθησης.

Αυτές οι μηχανές εξαπλώνονται σιγά-σιγά γύρω μας. Στην ιατρική, στο εμπόριο, στο σπίτι, στις μεταφορές. Παντού! Η επανάσταση της τεχνητής νοημοσύνης είναι σε εξέλιξη.

Η πρόοδος των έξυπνων μηχανών μοιάζει απεριόριστη. Υπάρχει περίπτωση να μας ξεπεράσουν ή ακόμα και να μας αντικαταστήσουν;

Ανάμεσα στη φαντασίωση και την πραγματικότητα, θα επιχειρήσουμε μια συνάντηση με την τεχνητή νοημοσύνη, που αλλάζει ραγδαία τον κόσμο μας.


Όταν μια μηχανή νίκησε τον παγκόσμιο πρωταθλητή στο σκάκι.


Υπερυπολογιστές εναντίον ανθρώπων

Όλα ξεκίνησαν με τη μονομαχία ενός ανθρώπου με μία μηχανή. Ήταν 11 Μαΐου 1997. Ο Γκάρι Κασπάροφ, παγκόσμιος πρωταθλητής στο σκάκι, αντιμετωπίζει τον Deep Blue, έναν υπερυπολογιστή που δημιούργησε η IBM.

Αποτελούμενο από 250 επεξεργαστές, το μηχάνημα έχει καταγεγραμμένες στη μνήμη του εκατομμύρια παλιότερες παρτίδες σκάκι. Για κάθε φάση παιχνιδιού μπορεί να αναλύσει τη βάση δεδομένων του και να υπολογίσει 200 εκατομμύρια θέσεις το δευτερόλεπτο, προκειμένου να επιλέξει την καλύτερη κίνηση.

Στα μέσα της κρίσιμης παρτίδας ο Κασπάροφ, ένας από τους καλύτερους σκακιστές στην ιστορία, εγκαταλείπει. Για πρώτη φορά, η πιθανότητα ένας υπολογιστής να υπερνικήσει τον άνθρωπο γίνεται πραγματικότητα.

Είκοσι χρόνια αργότερα, τον Μάρτιο του 2016, ο Λι Σέντολ, νούμερο τρία στον κόσμο στο αρχαίο κινέζικο επιτραπέζιο παιχνίδι Γκο, αντιμετωπίζει τον AlphaGo, μια τεχνητή νοημοσύνη που δημιούργησε η Google.

Αντίθετα απ΄ ό,τι στο σκάκι, τα 361 τετράγωνα του πίνακα του Γκο επιτρέπουν τόσους πολλούς συνδυασμούς, που η μηχανή αδυνατεί να υπολογίσει όλες τις κινήσεις. Όμως, αυτή τη φορά, πέρα από την εκπληκτική δυνατότητα υπολογισμού, οι σχεδιαστές του AlphaGo κατάφεραν να δώσουν στο λογισμικό τους ικανότητες εκμάθησης. Καθώς παίζει, η μηχανή μαθαίνει και βελτιώνεται.


Σε πέντε παρτίδες με αντίπαλο τον άνθρωπο πρωταθλητή, ο AlphaGo νίκησε στις τέσσερις.


Σχεδόν ένα χρόνο μετά την εντυπωσιακή νίκη του AlphaGo, είναι η σειρά τεσσάρων πρωταθλητών του πόκερ να αντιμετωπίσουν μια άλλη τεχνητή νοημοσύνη που ονομάστηκε Libratus σε ένα τουρνουά διάρκειας είκοσι ημερών στο Πίτσμπεργκ.

Όμως, ενώ οι προγραμματιστές των Deep Blue και AlphaGo είχαν εισάγει στη μνήμη τους χιλιάδες παλιότερες παρτίδες για να βελτιώσουν το λογισμικό τους, η Libratus έγινε, χωρίς καμία προηγούμενη εκπαίδευση, η καλύτερη παίκτρια πόκερ όλων των εποχών.

IMAGE DESCRIPTIONΔεν δώσαμε στη Libratus κανένα δεδομένο πόκερ για να μάθει να παίζει. Της δώσαμε απλώς τους κανόνες παιχνιδιού κι εκείνη αποφάσιζε τη στρατηγική της.

Διαφέρει από τον Deep Blue και τον AlphaGo, στους οποίους είχαν δοθεί παλιές παρτίδες πρωταθλητών για να γίνουν καλύτεροι.

Ο αλγόριθμός μας, έμαθε μόνος του να παίζει πολύ καλά ξεκινώντας από το μηδέν.

Τούομας Σάντχολμ, πανεπιστήμιο Καρνέτζι Μέλον, δημιουργός της Libratus.


Κατά τη διάρκεια του τουρνουά η Libratus λειτουργούσε σε πενήντα επεξεργαστές ενός υπερυπολογιστή. Για κάθε χέρι, η τεχνητή νοημοσύνη χρειαζόταν μόνο εννέα δευτερόλεπτα κατά μέσο όρο για να αναλύσει τα χαρτιά και να επιλέξει ποντάρισμα λαμβάνοντας υπόψη της το παιχνίδι των αντιπάλων της.

Το βράδυ, κι ενώ οι άνθρωποι κοιμούνταν, η Libratus ανέλυε τις παρτίδες της μέρας για να βρει τις αδυναμίες που είχαν εκμεταλλευτεί οι αντίπαλοι της και να τις διορθώσει για την επόμενη ημέρα. Όσο περνούσαν οι μέρες, η Libratus άρχισε να ανεβάζει τα πονταρίσματά της στους αδύναμους παίκτες ή να τα μειώνει στους δυνατούς παίκτες.

Η μπλόφα αναπτυσσόταν με φυσικό τρόπο σαν μια αξιόπιστη μαθηματική στρατηγική από μέρους της μηχανής χωρίς καν να χρειαστεί κάποιος να μην προγραμματίσει.

Δεν παίζω συχνά πόκερ, γιατί δεν είμαι καλός παίκτης.
IMAGE DESCRIPTIONΟ κόσμος λέει ότι δημιουργώ λογισμικά που παίζουν πόκερ,
όμως δεν ξέρω να δημιουργώ λογισμικά που παίζουν πόκερ.

Γι' αυτό δημιουργούμε αλγόριθμους, που οι ίδιοι δημιουργούν
λογισμικά που παίζουν πόκερ.

Αυτό είναι κάτι που θεωρώ ενδιαφέρον στην τεχνητή νοημοσύνη.
Ότι μπορείτε να δημιουργήσετε ένα λογισμικό, που γίνεται
πιο έξυπνο από εσάς.

Τούομας Σάντχολμ, πανεπιστήμιο Καρνέτζι Μέλον, δημιουργός της Libratus.


Η ιδέα της τεχνητής νοημοσύνης γεννήθηκε τον Μάιο του 1956 στην Αμερική υπό την ώθηση μιας ομάδας επιστημόνων, μεταξύ των οποίων ο Μάρβιν Λι Μίνσκι του MIT και ο Τζον Μακάρθι του Στάνφορντ.

Ο ορισμός είναι απλός: Είναι κάθε λογισμικό που επιτυγχάνει εργασίες που προορίζονται αποκλειστικά για τον άνθρωπο χάρη στις νοητικές του ικανότητες.

Μια τεχνητή νοημοσύνη δεν είναι λοιπόν ένα απλό λογισμικό, αλλά ένα λογισμικό προικισμένο με ικανότητες, όπως η εκμάθηση ή η προσαρμοστικότητα και ακόμα και μια μορφή συλλογισμού.


Σιγά σιγά η ανάπτυξη της τεχνητής νοημοσύνης συνόδευσε εκείνη των υπολογιστών. Και σε λιγότερο από έναν αιώνα απ' όταν μερικοί ερευνητές δημιούργησαν την επιστήμη, η τεχνητή νοημοσύνη έγινε ο ευσεβής πόθος των ισχυρότερων εταιρειών του κόσμου.

Ο Γιάν Λεκάν είναι καθηγητής Πληροφορικής και Επιστήμης των Δεδομένων στο πανεπιστήμιο της Νέας Υόρκης και διευθυντής του FAIR (Facebook Artificial Intelligence Research), του ερευνητικού τμήματος του Facebook πάνω στην τεχνητή νοημοσύνη. Δεν διαφέρει από έναν κοινό νεοϋορκέζο. Παρόλα αυτά, είναι ένας διεθνής αστέρας της τεχνητής νοημοσύνης.

Γάλλος, εγκατεστημένος στην Αμερική εδώ και τριάντα χρόνια, ανήκει στους επιστήμονες, των οποίων οι έρευνες χρησιμοποιούνται παγκοσμίως και ώθησαν τον πλανήτη στην εποχή της τεχνητής νοημοσύνης. Προσελήφθη από το Facebook το 2013 για να δημιουργήσει και να διευθύνει το νέο τότε ερευνητικό ινστιτούτο εντός της πολυεθνικής, το FAIR.

IMAGE DESCRIPTIONΣκοπός του FAIR είναι να αναπτύξουμε νέες μεθόδους, για να κάνουμε τις μηχανές πιο έξυπνες.

Είναι η πρόοδος της επιστήμης, της έρευνας και της τεχνολογίας. Και επιπλέον, η εύρεση πρακτικών εφαρμογών αυτής της προόδου με την πάροδο του χρόνου.

Να κάνουμε τις μηχανές πιο έξυπνες και να τους μάθουμε να αναλύουν τα δισεκατομμύρια των δεδομένων, που ανταλλάσσουν σε μόνιμη βάση οι χρήστες του Facebook.

Γιάν Λεκάν, πανεπιστήμιο Νέας Υόρκης, Facebook Artificial Intelligence Research.



Αναγνώριση εικόνων

Δύο δισεκατομμύρια ενεργοί χρήστες ―πάνω από το ένα τέταρτο του παγκόσμιου πληθυσμού― υπάρχουν πλέον στο Facebook. Οι χρήστες αυτοί φορτώνουν παγκοσμίως καθημερινά περίπου 1 με 1,5 δισεκατομμύρια φωτογραφίες. Αυτές οι φωτογραφίες σε λιγότερο από δύο δευτερόλεπτα αφότου ανέβουν στο Facebook, περνούν από πολλά συστήματα αναγνώρισης εικόνων.

Η τεχνητή νοημοσύνη του Facebook μπορεί να αναγνωρίσει σε ένα κλάσμα δευτερολέπτου τα ενδιαφέροντά μας, αλλά και να φιλτράρει το περιεχόμενο και να εμποδίσει τη δημοσίευση βίαιων ή πορνογραφικών εικόνων. Για να ξέρει ένα έξυπνο σύστημα να αναγνωρίζει τι απεικονίζεται σε μία φωτογραφία πρέπει να περάσει από μία φάση εκμάθησης. Αυτή η μέθοδος ονομάζεται «deep learning» ή αλλιώς «βαθιά μάθηση».

Εμπνευσμένα από τον εγκέφαλό μας αυτά τα έξυπνα λογισμικά λειτουργούν με νευρωνικά δίκτυα που ονομάζονται τεχνητά. Ένα τεχνητό νευρωνικό δίκτυο αποτελείται από πολλές στιβάδες, στις οποίες πολυάριθμα μίνι προγράμματα πληροφορικής συνδέονται μεταξύ τους.

Ας πάρουμε ένα απλό παράδειγμα. Να μάθουμε σε μία μηχανή να αναγνωρίζει μία γάτα. Καταρχάς, της δείχνουμε εκατομμύρια φωτογραφίες γατών, που όλες διαφέρουν μεταξύ τους. Για κάθε εικόνα, η μηχανή πρέπει να πει τι βλέπει. Αν απαντήσει ότι είναι μία γάτα, το σύστημα δεν αλλάζει. Όμως, αν αντιθέτως κάνει λάθος, και απαντήσει, για παράδειγμα, ότι βλέπει ένα σκύλο, τότε οι συνδέσεις μεταξύ των νευρώνων αλλάζουν μέχρις ότου η μηχανή να δώσει τη σωστή απάντηση λέγοντας ότι βλέπει μία γάτα. Η διαδικασία επαναλαμβάνεται χιλιάδες έως και εκατομμύρια φορές.


Στη διαδικασία αναγνώρισης της γάτας, κάθε νευρώνας της μηχανής μαθαίνει να αναγνωρίζει ένα συγκεκριμένο μοτίβο. Τον μαύρο δακτύλιο του ματιού, το σχήμα της μύτης, την κορυφή του αυτιού, τις τρίχες από το μουστάκι.
Σιγά σιγά, οι παράμετροι του συστήματος τροποποιούνται, οπότε αυτό γίνεται όλο και πιο αποτελεσματικό.


Στο τέλος της εκμάθησής της, μπορούμε να παρουσιάσουμε στη μηχανή μια εικόνα γάτας που δεν έχει ξαναδεί. Θα χρειαστεί μόνο μερικά δευτερόλεπτα για να αναλύσει κάθε λεπτομέρεια της φωτογραφίας. Ανεξάρτητα από τη γωνία λήψης, το χρώμα, τη φωτεινότητα ή ακόμη και τη ράτσα, θα μπορεί να αναγνωρίσει το ζώο. Θα έχει μάθει την έννοια της γάτας.

IMAGE DESCRIPTIONΑυτά τα συστήματα εκπαιδεύονται κατά καιρούς
με εκατοντάδες εκατομμύρια, δισεκατομμύρια παραδείγματα.

Καθένα από αυτά έχει οριστεί από ένα ή περισσότερα άτομα. Μπορεί να είναι μία τσάντα συγκεκριμένης μάρκας ή ένα αυτοκίνητο κ.λπ..

Μπορούμε να ορίσουμε κατηγορίες με αυτά τα συστήματα που να είναι εξαιρετικά λεπτομερείς, όπως ένα είδος φυτού, μία ράτσα σκύλου, τέτοια πράγματα.

Γιάν Λεκάν, πανεπιστήμιο Νέας Υόρκης,
Facebook Artificial Intelligence Research.


Σήμερα, τα έξυπνα λογισμικά του Facebook μπορούν σε οποιαδήποτε φωτογραφία ή βίντεο να καταλάβουν τι συμβαίνει στη σκηνή, να αναγνωρίσουν όλα τα αντικείμενα, να ορίσουν τα χαρακτηριστικά τους, ακόμα και να αναγνωρίσουν τα πρόσωπα που απεικονίζονται. Τίποτα δεν τους ξεφεύγει πια.

Facebook, Amazon, Apple, Google. Χάρη στις σχεδόν απεριόριστες οικονομικές τους δυνατότητες, οι μεγάλες πολυεθνικές της ψηφιακής εποχής έγιναν οι πρωτοπόροι της έρευνας πάνω στην τεχνητή νοημοσύνη. Και οι εφαρμογές, που αυτά τα μεγαθήρια της ψηφιακής τεχνολογίας αναπτύσσουν στα εργαστήριά τους, θα αλλάξουν σιγά σιγά τη ζωή μας.



Elementary, my dear Watson

Κρυμμένο στο μέσο της υπαίθρου στα βόρεια της πολιτείας της Νέας Υόρκης, βρίσκεται το ερευνητικό κέντρο της IBM. Ένα μυθικό μέρος, που αποτέλεσε σκηνικό ενός από τα σημαντικότερα γεγονότα στην ιστορία των αναμετρήσεων του ανθρώπου με την τεχνητή νοημοσύνη. Εδώ οργανώθηκε το 2011 μια εκπομπή, που από τότε έμεινε στην ιστορία.

Ήταν η πρόκληση της IBM. Για πρώτη φορά, ο Watson, μια τεχνητή νοημοσύνη δημιούργημα της IBM, αντιμετώπιζε δύο από τους καλύτερους παίκτες στην ιστορία του Jeopardy. Η αρχή αυτού του τηλεπαιχνιδιού είναι απλή: Με δεδομένη μια απάντηση, οι υποψήφιοι πρέπει να βρουν την ερώτηση που ταιριάζει.

Κατά τη διάρκεια της εκπομπής, ο Watson αποδεικνύει ότι μπορεί να αποθηκεύσει ένα εκπληκτικό αριθμό πληροφοριών, αλλά κι ότι μπορεί να κατανοήσει την έννοια των φράσεων και τις αποχρώσεις της ανθρώπινης γλώσσας. Εκείνη την ημέρα, ενώπιον όλων των ερευνητών που συμμετείχαν στη δημιουργία του, ο Watson κατατρόπωσε τους αντιπάλους του.


Ο Watson κερδίζει στο τηλεπαιχνίδι Jeopardy.


Εφαρμογές στην ιατρική

Μετά από αυτή την εντυπωσιακή επιτυχία, η IBM εξέλιξε την τεχνητή της νοημοσύνη για να πουλήσει τις ικανότητές της σε πολλούς τομείς. Πρώτος μεταξύ αυτών είναι η ιατρική. Ο Watson έμαθε να διαγνώσκει τον καρκίνο, με σκοπό να επεμβαίνει καλύτερα και ταχύτερα απ' ό,τι ένας γιατρός. Για να προγραμματίσουν τον αλγόριθμό τους, οι ειδικοί της IBM συνεργάστηκαν με το Μεμόριαλ Σλόαν Κέτερινγκ της Νέας Υόρκης, ένα από τα μεγαλύτερα κέντρα καρκίνου των ΗΠΑ.

Χρησιμοποιώντας τις γνώσεις τον καρκινολόγων, η τεχνητή νοημοσύνη έμαθε να αναλύει τις ακτινογραφίες, τα αποτελέσματα των μαγνητικών ή αιματολογικών εξετάσεων και να αναγνωρίζει τα χαρακτηριστικά συμπτώματα κάθε όγκου.

Παράλληλα με την εκπαίδευσή του, ο Watson «τράφηκε» με όλες τις διαθέσιμες πληροφορίες σχετικά με τον καρκίνο, με ένα κυκεώνα πληροφοριών, που ακόμα και οι καλύτεροι γιατροί αδυνατούν ουσιαστικά να διαβάσουν στο σύνολό τους.


Εκπαιδεύσαμε τον Watson να διαβάζει και να κατανοεί το σύνολο της ιατρικής βιβλιογραφίας
που αφορά στον καρκίνο. Μιλάμε για πάρα πολλές δημοσιεύσεις, όλα τα άρθρα
IMAGE DESCRIPTIONτων ιατρικών περιοδικών που μιλούν για την ασθένεια, όλες τις κλινικές δοκιμές
και όλα τα φύλλα οδηγιών των επιτρεπόμενων φαρμάκων.

Το σύστημα συγκεντρώνει όλες αυτές τις πληροφορίες και λέει στο γιατρό
ποιες να λάβει υπόψη, για να επιλέξει τη θεραπεία.

Αυτή τη στιγμή διαθέτουμε ένα τεράστιο όγκο ιατρικών δεδομένων.
Περί τα ενενήντα εκατομμύρια ψηφιακά ιατρικά αρχεία, τριάντα εκατομμύρια
ακτινογραφίες και διακόσια εκατομμύρια ασφαλιστικούς φακέλους.

Ατζάι Ροϊγιούρου, IBM, Αντιπρόεδρος «Έρευνας Υγείας και Βιοεπιστημών».


Φανταστείτε ένα κόσμο όπου όλα αυτά τα δεδομένα, όχι μόνο όσα αφορούν τον καρκίνο, αλλά κι όλα τα δεδομένα που προκύπτουν από τις ανθρώπινες εμπειρίες, χρησιμοποιούνται για να μας βοηθήσουν να ζήσουμε μία καλύτερη ζωή. Εκτός από την ιατρική, πολλοί άλλοι τομείς της ζωής μας πρόκειται να υποστούν ριζικές αλλαγές από την τεχνητή νοημοσύνη. Για μερικούς, η άφιξή της σημαίνει ακόμα και την ξεκάθαρη αντικατάσταση του ανθρώπου από τη μηχανή.


Αυτόνομα αυτοκίνητα

Οι συνεργάτες της πολύ νέας εταιρείας NuTonomy startup στη Μασαχουσέτη, δεν έχουν δουλέψει ποτέ στην αυτοκινητοβιομηχανία. Παρόλα αυτά, σχεδιάζουν μια τεχνητή νοημοσύνη ικανή να μάθει, όπως ένας άνθρωπος, να οδηγεί ένα αυτοκίνητο. Σε όλον τον κόσμο δεκάδες startup συμμετέχουν στην κούρσα για τα αυτοκίνητα, που ονομάζονται αυτόνομα.

Η NuTonomy, που δημιουργήθηκε από ένα πρόγραμμα του αμερικάνικου πανεπιστημίου MIT, έχει αναμφίβολα τα πιο πολλά υποσχόμενα αποτελέσματα.

IMAGE DESCRIPTIONΣήμερα, σκοπός μας είναι να βγάλουμε ένα αυτοκίνητο στο δρόμο χωρίς κανέναν μέσα. Ένα αυτόνομο αυτοκίνητο, που θα σας παίρνει για να σας πάει όπου θέλετε.

Προκειμένου ένα αυτοκίνητο να οδηγείται μόνο του, πρέπει να επιτευχθούν πολλά πράγματα.

Ξεκινάμε παίρνοντας ένα αυτοκίνητο απόλυτα φυσιολογικό και το μετατρέπουμε, προκειμένου να ελέγχεται από έναν υπολογιστή. Επιτρέπουμε στον υπολογιστή να «μιλά» στο τιμόνι, στα φρένα ή στο γκάζι, για να μπορεί να ελέγχει το αυτοκίνητο.

Μετά, ενσωματώνουμε αισθητήρες, προκειμένου το αυτοκίνητο να κατανοεί το περιβάλλον του. Οι αισθητήρες ενός αυτόνομου αυτοκινήτου αλληλοσυμπληρώνονται. Υπάρχουν κάμερες που παρατηρούν τον κόσμο και αναλύουν τα γύρω αντικείμενα. Είναι πολύ χρήσιμες για να διαχωρίζουμε ένα άτομο από ένα αυτοκίνητο.

IMAGE DESCRIPTIONΥπάρχουν αισθητήρες τύπου lidar (συστήματα τηλεπισκόπησης παλμικής ακτινοβολίας), που μετρούν τη γεωμετρία του περιβάλλοντος.

Οι άνθρωποι χρησιμοποιούμε σημεία αναφοράς σε μία σκηνή. Μπορεί να είναι ένα κατάστημα ή οι πινακίδες σηματοδότησης. Τα αυτόνομα αυτοκίνητα δεν προσανατολίζονται με τον ίδιο τρόπο. Δημιουργούν ένα γεωμετρικό μοντέλο του κόσμου χρησιμοποιώντας, μεταξύ άλλων, τα δεδομένα του lidar. Ενώ το αυτοκίνητο κινείται, συγκρίνει συνεχώς τα δεδομένα που καταγράφει, χάρη στους αισθητήρες του με το αποθηκευμένο στη μνήμη του γεωμετρικό μοντέλο.

Το πιο περίπλοκο κομμάτι της δημιουργίας αυτού του λογισμικού είναι να μάθουμε στο αυτοκίνητο να οδηγεί. Να δημιουργήσουμε την τεχνητή νοημοσύνη ή, αν θέλετε, τον εγκέφαλο του αυτοκινήτου. Αυτό ονομάζεται «λήψη απόφασης». Αυτό είναι η πρόκληση. Και είναι εξαιρετικά δύσκολο, επειδή ένα αυτοκίνητο αντιμετωπίζει άπειρες καταστάσεις οδήγησης. Διαφορετικά διαμορφωμένες διασταυρώσεις, διαφορετικό αριθμό πεζών κ.λπ..

Στη NuTonomy, αντί να μαθαίνουμε στο αυτοκίνητο πώς να διαχειρίζεται κάθε κατάσταση, του δίνουμε απλώς ένα εγχειρίδιο οδήγησης. Όταν το αυτοκίνητο κινείται, ερμηνεύει τους κανόνες και αποφασίζει τι πρέπει να κάνει.

Καρλ Ιαγκνέμα, Διευθύνων σύμβουλος NuTonomy.


Προς το παρόν, οι περισσότερες χώρες επιβάλλουν έναν οδηγό ασφαλείας στα αυτόνομα αυτοκίνητα που δοκιμάζονται στο δρόμο, προκειμένου ο άνθρωπος να μπορεί να πάρει τον έλεγχο οποιαδήποτε στιγμή. Όμως, μέχρι πότε; Οι έρευνες προχωρούν και γρήγορα.

Θα δούμε, λοιπόν, σύντομα χιλιάδες αυτόνομα αυτοκίνητα να κατακτούν τις πόλεις του κόσμου;

Ο ευσεβής πόθος μας είναι να είμαστε τόσο σίγουροι, ώστε να αφαιρέσουμε τον οδηγό ασφαλείας. Πολλές εταιρείες πλησιάζουν όλο και πιο πολύ τον στόχο αυτό. Προβλέπω ότι στα δύο ή τρία επόμενα χρόνια θα κυκλοφορούν εντελώς αυτόνομα αυτοκίνητα σε μερικές από τις σημαντικότερες πόλεις στον κόσμο.

Αυτά τα αυτοκίνητα θα βγουν σιγά σιγά στους δρόμους. Στην αρχή, θα βλέπετε ένα πού και πού. Με το πέρασμα του χρόνου θα βλέπετε όλο και περισσότερα. Τα αυτοκίνητα χωρίς οδηγό θα αντικαταστήσουν σταδιακά τα υπόλοιπα.

Πιστεύω ότι είσαι τριάντα χρόνια, στις κοινωνίες που θα έχουν πρόσβαση στην τεχνολογία αυτή, θα μειωθούν τα τροχαία ατυχήματα κατά 90% ή ακόμα και περισσότερο.

Καρλ Ιαγκνέμα, Διευθύνων σύμβουλος NuTonomy.



Πέρυσι σε όλο τον κόσμο είχαμε πάνω από ένα εκατομμύριο θανάτους στους δρόμους. Τα αυτόνομα αυτοκίνητα δεν κουράζονται ποτέ, δεν πίνουν αλκοόλ, δεν κοιτούν το τηλέφωνό τους
κι επιπλέον έχουν όραση που καλύπτει 360 μοίρες, μπορούν να πάρουν αποφάσεις και να ενεργήσουν πολύ γρήγορα.


Τριάντα χρόνια μέχρι να βουτήξουμε σε ένα μέλλον επιστημονικής φαντασίας, όπου τα αυτοκίνητα δεν θα μοιάζουν με αυτοκίνητα, αλλά με χώρους αναψυχής ή εργασίας.

Πίσω από την ανάπτυξη μιας τεχνητής νοημοσύνης, που οδηγεί καλύτερα από έναν άνθρωπο, κρύβεται μια άλλη πραγματικότητα. Το τέλος του επαγγέλματος του οδηγού ταξί ή φορτηγού. Στους κόλπους της επιστημονικής κοινότητας, οι ίδιοι ερευνητές της τεχνητής νοημοσύνης είναι οι πρώτοι που ενημερώνουν τον κόσμο για τις επικείμενες αλλαγές.

Είμαι σίγουρος ότι θα λάβει χώρα μiα βιομηχανική επανάσταση, που θα προκληθεί
IMAGE DESCRIPTIONαπό την τεχνητή νοημοσύνη και θα αναταράξει την αγορά εργασίας.

Δεν γνωρίζουμε την ταχύτητα με την οποία θα συμβεί. Όμως, μπορούμε με βεβαιότητα να πούμε, ότι αυτή η ταχύτητα θα είναι πολύ μεγαλύτερη από εκείνη των άλλων βιομηχανικών επαναστάσεων, που χρειάστηκαν δεκαετίες, έναν αιώνα για να εφαρμοστούν.

Έτσι, ενώ στο παρελθόν οι άνθρωποι ολοκλήρωναν την καριέρα τους σε έναν τομέα χωρίς να αντικατασταθούν, σήμερα αυτό που θα συμβεί είναι ότι οι άνθρωποι στα 30, 40 ή 50 τους, θα χάνουν την εργασία τους χωρίς να είναι έτοιμοι για τις εργασίες που θα δημιουργηθούν.

Γιόσουα Μπέντζιο, Ινστιτούτο Εκμάθησης Αλγορίθμων του Μόντρεαλ.


Η αντικατάσταση του ανθρώπου από τη μηχανή και ο φόβος που δημιουργεί στους ανθρώπους είναι ένας αδυσώπητος νόμος της ιστορίας μας. Βιοτέχνες της κλωστοϋφαντουργίας, αμαξάδες, χειριστές ασανσέρ, τηλεφωνήτριες. Ποια σημερινά επαγγέλματα θα προστεθούν στη μακρά λίστα εκείνων που εξαφανίστηκαν εξαιτίας της προόδου;

Είναι σαφές ότι το μέλλον είναι ομιχλώδες και όσο περισσότερο προσπαθούμε να είμαστε διορατικοί τόσο πιο δύσκολο είναι να πούμε κάτι που να έχει νόημα.


Εφαρμογή στη διαφήμιση

Στο Τόκιο, οι εργαζόμενοι μιας εταιρείας επικοινωνίας αποφάσισαν να σχεδιάσουν μια τεχνητή νοημοσύνη, για να τους βοηθήσει στη δημιουργία διαφημίσεων. Έφτιαξαν μια τεχνητή διευθύντρια δημιουργικού τμήματος. Ονομάστηκε AI-CB β. Για τον προγραμματισμό της, η ομάδα της εταιρείας εξέτασε εξονυχιστικά πάνω από χίλιες ιαπωνικές διαφημίσεις που είχαν βραβευτεί σε φεστιβάλ.

IMAGE DESCRIPTIONΞεκινήσαμε αναλύοντας τη δομή των διαφημίσεων για να δούμε πώς είχαν σχεδιαστεί
και πώς υλοποιήθηκαν.

IMAGE DESCRIPTIONΜε την ομάδα της εταιρείας, τις αποσυνθέσαμε σε διαφορετικά στοιχεία και για κάθε μία από αυτές περιγράψαμε την ιδέα, τον τύπο της μουσικής, είδαμε αν η διαφήμιση κατέφυγε σε κάποιον διάσημο ή όχι, καταγράψαμε τα συναισθήματα
που νιώθαμε αφού την είχαμε δει κ.λπ..

Στο τέλος είχαμε καταγράψει περίπου είκοσι σημεία, που συνολικά χαρακτηρίζουν μια διαφήμιση.

Ξεκινώντας από εκεί, δημιουργήσαμε τη βάση δεδομένων της τεχνητής μας νοημοσύνης.

Σουν Ματσουζάκα, Εταιρεία Μακάν, Τόκιο.


Η λειτουργία του λογισμικού είναι απλή. Η ομάδα εισάγει στο σύστημα το αίτημα του πελάτη. Η AI-CD β αναλύει τα εκατομμύρια των δεδομένων της. Ο αλγόριθμος βρίσκει κοινά σημεία του προϊόντος προς πώληση και των προϊόντων που πουλήθηκαν στα διαφημιστικά σποτ που έχει στη μηχανή. Τυποποιώντας τη δημιουργική διαδικασία η τεχνητή νοημοσύνη προτείνει την ιδέα που θεωρεί πως θα προσελκύσει περισσότερο τον πελάτη.

Κι επειδή είμαστε στην Ιαπωνία, οι δημιουργοί της AI-CD β τη συνέδεσαν με ένα μικρό ρομπότ εξοπλισμένο με ένα πινέλο για να παρουσιάζουν γραπτώς στους πελάτες τους τις προτάσεις της τεχνητής τους νοημοσύνης.

Ό,τι βγαίνει από το λογισμικό μας είναι συνήθως πολύ εντυπωσιακό. Είναι προτάσεις, που ένας άνθρωπος που δουλεύει στη διαφήμιση δεν θα έκανε ποτέ. Κάθε φορά που ανακαλύπτουμε μία από τις προτάσεις του, μένουμε πραγματικά έκπληκτοι.

Σουν Ματσουζάκα, Εταιρεία Μακάν, Τόκιο.


Αυτό αποδείχτηκε με έναν πρωτοφανή διαγωνισμό που διοργάνωσε η εταιρεία για να δοκιμάσει την απόδοση της νέας διευθύντριας δημιουργικού. Οι ιάπωνες έπρεπε να επιλέξουν ανάμεσα σε δύο διαφημίσεις. Η μία είχε σχεδιαστεί από έναν διευθυντή δημιουργικού και η άλλη από την AI-CD β. Το προϊόν ήταν μία νέα τσίχλα με γεύση μέντας.

Το πρόγραμμα πρότεινε:

Δώστε στη διαφήμιση μία άγρια πλευρά με ένα τραγούδι, σε ένα αστικό περιβάλλον προσθέτοντας μία αίσθηση καθαρότητας για να νιώσετε απελευθερωμένοι.

Σύστημα τεχνητής νοημοσύνης AI-CD β.



Το αποτέλεσμα από την πλευρά της τεχνητής νοημοσύνης ήταν ένας άνθρωπος-σκύλος που τραγουδά και πετά πάνω από την πόλη.
Από την πλευρά του ανθρώπου ήταν μια ξυπόλητη γυναίκα που ζωγραφίζει στην ταράτσα ενός κτιρίου.
Η ετυμηγορία του κοινού ήταν ότι κέρδισε η ανθρώπινη διαφήμιση με πολύ μικρή διαφορά όμως. Συγκέντρωσε το 54% των ψήφων.


Φυσικά, η τεχνητή διευθύντρια δημιουργικού θα ήταν άχρηστη χωρίς τα δεδομένα που συνέλεξαν οι δημιουργοί της. Οι επιδόσεις της όμως δείχνουν ότι μπορεί εφεξής να δουλέψει αποτελεσματικά στο πλευρό των ομάδων της εταιρείας.

Τεχνητές νοημοσύνες όπως η AI-CD β, αναπτύσσονται σχεδόν παντού για να μας βοηθήσουν, να μας συμβουλέψουν. Επιπλέον, μερικές δεν περιορίζονται στη δουλειά μας, αλλά διεισδύουν σιγά σιγά στη ζωή μας.


Μιτσούκου, το chatbot.

Chatbot

Βλέπουμε ήδη να εμφανίζονται στο διαδίκτυο πολλά chatbot. Γνωστά με την ονομασία «μέσα συνομιλίας», είναι λογισμικά ικανά να συζητούν με τους συνομιλητές τους σε ανθρώπινη γλώσσα. Οι ειδικοί της τεχνητής νοημοσύνης είναι σίγουροι ότι αυτά τα chatbot θα καταλάβουν προοδευτικά όλο και μεγαλύτερο χώρο στη ζωή μας.

Σχεδόν όλες οι εφαρμογές που μπορείτε να φανταστείτε θα τροποποιηθούν από την τεχνητή
IMAGE DESCRIPTIONνοημοσύνη. Αυτό όμως που θα συμβεί στα επόμενα έτη δεν είναι μόνο μηχανές που θα αντιμετωπίζουν συγκεκριμένα προβλήματα, αλλά μηχανές που θα αλληλεπιδρούν μαζί σας για να καταλάβουν την κατάσταση που έχετε να αντιμετωπίσετε, να σας βοηθήσουν να βρείτε την καλύτερη λύση και να σας πουν τι χρειάζονται για να την αντιμετωπίσουν.

Είναι σίγουρο ότι στα επόμενα είκοσι χρόνια θα δούμε την άφιξη λογισμικών στα οποία θα μιλάμε, θα μας καταλαβαίνουν και θα αναλύουν τα δεδομένα μας. Και καθώς αυτά τα λογισμικά θα διαδίδονται, όλες οι ενέργειές μας, όλες οι πτυχές της ύπαρξής μας θα τροποποιηθούν με τον έναν ή τον άλλον τρόπο.

Μάικλ Γουίτμπροκ, ερευνητής IBM.


Αυτή η μελλοντική προοπτική προκαλεί σχεδόν ίλιγγο, καθώς το μέλλον διαφαίνεται ακόμα πιο ανησυχητικό. Αυτά τα έξυπνα λογισμικά θα μπορούν να ενσωματωθούν σε ρομπότ, με τα οποία θα μπορούμε να αλληλεπιδράσουμε, όπως με έναν άνθρωπο.


Το ρομπότ Πέπερ σχεδιάστηκε από την Softbank Robotics στο Παρίσι, για να υποδέχεται τους πελάτες στα καταστήματα ή να κρατά συντροφιά σε ηλικιωμένους που νιώθουν μοναξιά.

Ρομπότ

IMAGE DESCRIPTIONΈνα μεγάλο μέρος της επικοινωνίας του Πέπερ γίνεται με τη φωνή.

Το ρομπότ μιλάει και η φωνή του είναι μηχανική, ρομποτική, αλλά ταυτόχρονα και ομαλή. Ακούει και απαντάει στις ερωτήσεις μας.

Κατά συνέπεια, όταν αντικρίζουμε τον Πέπερ, ο τρόπος αλληλεπίδρασης είναι εξαιρετικά φυσικός και αποκτάτε γρήγορα εμπιστοσύνη για να του ζητήσετε κάτι.

Ροντόλφ Γκελέν, Softbank Robotics, Παρίσι.


Ο Πέπερ φαίνεται να έχει το ίδιο λεξιλόγιο και τις ίδιες εκφράσεις με έναν άνθρωπο. Όμως, οι επικοινωνιακές του δυνατότητες δεν είναι έμφυτες και οφείλονται αποκλειστικά στο ταλέντο των προγραμματιστών του.

Σήμερα, αυτά τα ρομπότ είναι μηχανές εξ ολοκλήρου προγραμματισμένες.

Όπως στις ταινίες κάποιοι προβλέπουν τους διαλόγους, έτσι κι εδώ οι ειδικοί μαθαίνουν στα ρομπότ όλες τις απαντήσεις που θα μπορούν να δώσουν σε μια ερώτηση ή σε μια παρατήρηση. Άρα, χρειαζόμαστε μια τεχνογνωσία για να κωδικοποιήσουμε με ένα λογικό κι επαναχρησιμοποιούμενο τρόπο όλο το φάσμα, όλες τις πιθανές ερωταπαντήσεις που ίσως προκύψουν.

Παρά το ότι μοιάζει με έναν ρομποτικό άνθρωπο, ο Πέπερ απέχει ακόμα πάρα πολύ από την απόκτηση της ευφυίας ενός ανθρώπου.

Το ρομπότ δεν κατανοεί τον κόσμο. Πρέπει να του εξηγούμε τα πάντα αργά αργά. Όταν σε μια συνταγή γράφει «ένα ολόκληρο αυγό», δεν σημαίνει με το τσόφλι. Σημαίνει το ασπράδι και ο κρόκος χωρίς το τσόφλι. Αυτή η διαφορετική αντίληψη του κόσμου είναι που δυσκολεύει τα ρομπότ να κατανοήσουν τον κόσμο μας.

Σήμερα με την τεχνητή νοημοσύνη που βασίζεται στη βαθιά μάθηση, παρέχουμε στο ρομπότ δισεκατομμύρια παραδείγματα λέγοντας: «Όταν συμβαίνει αυτό, αυτή πρέπει να είναι η αντίδραση». Άρα, η μάθηση είναι πολύ χρονοβόρα.

Ροντόλφ Γκελέν, Softbank Robotics, Παρίσι.



Τεχνητή ανοησία

Η Google είναι καλή σε τεχνητή νοημοσύνη, γιατί έχει δισεκατομμύρια δεδομένα και εκατοντάδες ανθρώπους, που θα εξηγήσουν στο ρομπότ ποιο συμπέρασμα πρέπει να βγάλει. Ένα παιδί δεν λειτουργεί έτσι. Δεν χρειάζεται χίλιες φωτογραφίες αυτοκινήτου για να το αναγνωρίσει.

IMAGE DESCRIPTIONΈνα δίχρονο παιδί ξέρει φυσική, την λέμε «διαισθητική φυσική», γιατί το παιδί δεν γνωρίζει τις εξισώσεις που επεξηγούν τον κόσμο, αλλά κατανοεί βασικές έννοιες, όπως τη βαρύτητα, την πίεση και τη δύναμη χωρίς να τις ονομάζει.

Όμως, διαισθητικά, τα καταλαβαίνει αυτά χωρίς ποτέ οι γονείς του να του έχουν εξηγήσει, να του έχουν διδάξει ή να το έχουν υποβάλει σε τεστ.

Όλα αυτά γίνονται μέσω της παρατήρησης και της αλληλεπίδρασης με τον κόσμο.

Λείπει η κοινή λογική στους υπολογιστές σήμερα. Γνωρίζουμε πολλά πράγματα που δεν τα επικοινωνούμε λεκτικά, γιατί όλοι τα ξέρουν.

Θεωρώ ότι τα λογισμικά που έχουμε σήμερα είναι ακόμη ελάχιστα έξυπνα. Μπορούμε να μιλάμε για τεχνητή ανοησία κι όχι για τεχνητή νοημοσύνη σε πολλές περιπτώσεις. Ακόμα κι αν υπάρχουν κατορθώματα τα οποία αναδεικνύουμε, όταν δουλεύουμε καθημερινά με αυτά τα λογισμικά βλέπουμε πόσο περιορισμένα είναι, πόσο δεν καταλαβαίνουν τον κόσμο γύρω μας.

Γιόσουα Μπέντζιο, Ινστιτούτο Εκμάθησης Αλγορίθμων του Μόντρεαλ.



Χωρίς κοινή λογική

Οι σημερινές τεχνητές νοημοσύνες είναι ανίκανες να βγουν από το πλαίσιο, για το οποίο έχουν προγραμματιστεί. Ο κόσμος μας είναι πολύ περίπλοκος για να αποθηκευτεί στη μνήμη ενός υπολογιστή.

Αυτή τη στιγμή δεν υπάρχει μηχανή που να έχει την ευφυία ενός αρουραίου. Μοιάζει απίστευτο, όμως, οι μηχανές που νικούν τους καλύτερους παίκτες στο Γκο, είναι μηχανές εξαιρετικά εξειδικευμένες. Υπάρχουν μηχανές που αναγνωρίζουν χιλιάδες είδη φυτών σε μία εικόνα, πράγμα που λίγοι άνθρωποι μπορούν να κάνουν. Άρα, ναι μεν αυτές οι μηχανές έχουν υπεράνθρωπες ικανότητες, όμως πρόκειται για ικανότητες πολύ εξειδικευμένες.

Οι μηχανές εκπαιδεύτηκαν με τεράστιες βάσεις δεδομένων που συλλέχθηκαν και ορίστηκαν με το χέρι. Αν δεν βλέπετε και σας πω: «Ο Πιερ πήρε τον σάκο κι έφυγε», αν έχετε κοινή λογική με μόνο αυτές τις λέξεις έχετε ένα σωρό πληροφορίες.

Ξέρετε ότι ο Πιέρ είναι ένα άτομο και όχι μία πέτρα. Το ξέρετε επειδή έφυγε, άρα δεν μπορεί να είναι πέτρα. Μπορεί να πιάσει τον σάκο, να τεντώσει το χέρι, να πιάσει τη λαβή του σάκου, να περπατήσει, να πάει στην πόρτα, να την ανοίξει. Αφού βγει, δεν θα είναι πια εκεί, δεν γίνεται ταυτόχρονα να είναι σε δύο μέρη. Δεν θα πετάξει, δεν θα εξαϋλωθεί για να εμφανιστεί αλλού. Δεν θα μεταφέρει τηλεκινητικά τον σάκο.

Όλα αυτά ξέρουμε ότι δεν θα συμβούν, γιατί γνωρίζουμε τους περιορισμούς του κόσμου. Αυτό μας επιτρέπει με αυτές τις λίγες λέξεις να συμπληρώσουμε μια τεράστια ποσότητα πληροφοριών σχετικά με το τι συμβαίνει χωρίς να έχουμε δει στο ελάχιστο τη σκηνή.

Αυτό ονομάζουμε κοινή λογική.

Η ποσότητα των πληροφοριών που μαθαίνουν οι μηχανές είναι πολύ μικρή, επειδή περιορίζεται σε ό,τι τους μαθαίνουμε με τη βαθιά μάθηση. Επομένως, δεν έχουν ίχνος κοινής λογικής εξαιτίας της μικρής ποσότητας πληροφοριών που απορρόφησαν κατά την εκμάθηση. Για να απορροφήσουν περισσότερες πληροφορίες θα πρέπει να μαθαίνουν μόνες τους, παρατηρώντας τον κόσμο. Και δεν έχουν φτάσει εκεί.

Γιάν Λεκάν, πανεπιστήμιο Νέας Υόρκης, Facebook Artificial Intelligence Research.



Γενική τεχνητή νοημοσύνη

Επομένως, για να αποκτήσουν αυτή την κοινή λογική, θα πρέπει το λογισμικό να βιώνει εμπειρίες, όπως τις έχουμε εμείς βιώσει.

Οι ερευνητές εργάζονται σήμερα πάνω σε ένα νέο τύπο μάθησης για τις μηχανές. Μία μάθηση που ονομάζεται «μη επιβλεπόμενη μάθηση». Η αρχή είναι η μηχανή να μπορεί να μάθει μόνη της πώς λειτουργεί ο κόσμος μας μόνο παρατηρώντας τον στο διαδίκτυο.

Απορροφώντας τα εκατομμύρια των ωρών των διαθέσιμων βίντεο στο διαδίκτυο θα μπορούσε ένας αλγόριθμος να δημιουργήσει μόνος του την περίφημη κοινή λογική;

Μετά τη γέννηση της πληροφορικής, την εφεύρεση της έννοιας της τεχνητής νοημοσύνης και των νικών της έναντι των ανθρώπων, θα δούμε κάποια μέρα να εμφανίζεται μια μηχανή, οι ικανότητές της οποίας θα φτάνουν αυτές των ανθρώπων; Οι ειδικοί την έχουν ήδη βαφτίσει γενική τεχνητή νοημοσύνη.

Είναι σαφές για όλους όσους εργάζονται στον τομέα αυτό, ότι είναι δυνατόν, θεωρητικά βέβαια, να κατασκευάσουμε μηχανές τόσο έξυπνες όσο οι άνθρωποι στους αντίστοιχους τομείς.

Το μεγάλο ερώτημα είναι πόσος χρόνος θα χρειαστεί;

Δηλαδή, υπάρχουν κάποιοι πολύ αισιόδοξοι για το θέμα, που θεωρούν ότι έχουμε σχεδόν λύσει το πρόβλημα κι ότι μένει μόνο να κάνουμε πιο ισχυρές τις μηχανές κ.λπ..

Υπάρχουν άλλοι, που θεωρούν ότι θα χρειαστούν αιώνες.

Εγώ είμαι μεταξύ των δύο. Πιστεύω ότι πρέπει να ξεπεραστούν κάποια εμπόδια. Μερικά τα βλέπουμε ήδη, για παράδειγμα, πώς να καταφέρουμε να ανακαλύψουμε το μυστικό της μη επιβλεπόμενης μάθησης;

Πρέπει να ξεπεράσουμε το εμπόδιο για να φτάσουμε στο στόχο. Αλλά αυτό το εμπόδιο κρύβει άλλα. Δεν ξέρουμε πόσα εμπόδια υπάρχουν μετά κι ίσως χρειαστούμε πολύ περισσότερο χρόνο για να τα ξεπεράσουμε.

Γιάν Λεκάν, πανεπιστήμιο Νέας Υόρκης, Facebook Artificial Intelligence Research.



Υπερνοημοσύνη

Η ιδέα ότι μια τεχνητή νοημοσύνη μπορεί να φτάσει το επίπεδο της γενικής ανθρώπινης ευφυίας άρχισε να διεισδύει στην επιστημονική κοινότητα σε σημείο να δημιουργηθούν ερευνητικές ομάδες για να μελετήσουν το μέλλον μας ενόψει της ανάπτυξης της ευφυίας των μηχανών.

Υπάρχουν δύο ερωτήματα που πρέπει να διαχωρίσουμε.

IMAGE DESCRIPTIONΤο πρώτο είναι: «Σε σχέση με το πού βρισκόμαστε σήμερα, πόσο χρόνο χρειαζόμαστε, ώστε μια τεχνητή νοημοσύνη να μπορεί να κάνει ό,τι μπορούν και οι άνθρωποι;».

Η απάντηση στο ερώτημα αυτό είναι: «Δεν ξέρουμε, ίσως μερικές δεκαετίες».

Όμως, το δεύτερο ερώτημα είναι: «Αν ή όταν φτάσουμε στο σημείο να έχουμε μια καθολική τεχνητή νοημοσύνη, πόσος χρόνος θα χρειαστεί μέχρι να εμφανιστεί κάτι, που να είναι ριζοσπαστικά υπερνοήμον;».

Και εδώ η απάντηση είναι: «Πιθανότατα, όχι πολύς».

Αν, εξ ορισμού, μια υπέρ νοημοσύνη είναι ικανή να μας υπερνικήσει σε κάθε τομέα νοημοσύνης και η εφευρετικότητα είναι ένας από αυτούς, αν μπορεί να το κάνει φθηνότερα, ταχύτερα και καλύτερα, τότε οι δικές μας προσπάθειες θα είναι πλέον παρωχημένες. Η υπερνοημοσύνη θα είναι η τελευταία εφεύρεση που θα χρειαστεί να δημιουργήσουμε.

Σκεφτείτε κάθε δυνατή εφεύρεση, την τεχνολογία που ο άνθρωπος θα μπορούσε να δημιουργήσει πολύ μακροπρόθεσμα, αν είχαμε, ας πούμε, διαθέσιμα για αυτό 40.000 χρόνια. Ίσως να φτιάχναμε αποικίες στο διάστημα ή μια θεραπεία για τη γήρανση, όλα αυτά που άπτονται της επιστημονικής φαντασίας, που ξεπερνούν όσα μπορούμε να κάνουμε σήμερα, αλλά παραμένουν, εν τούτοις, επιτεύξιμα, τουλάχιστον από την άποψη των νόμων της φυσικής.

Όλα αυτά θα μπορούσαν να επιτευχθούν γρήγορα μετά τη δημιουργία μιας υπερνοήμονος μηχανής, ικανής να κάνει περαιτέρω τεχνολογική έρευνα σε ψηφιακά χρονικά περιθώρια.

Νικ Μπόστρομ, Ινστιτούτο Μέλλοντος Ανθρωπότητας πανεπιστημίου Οξφόρδης.



Χωρίς συναίσθημα

Ανάμεσα στο φόβο της δημιουργίας χάους σε μία κοινωνία όπου χιλιάδες άνθρωποι θα είχαν χάσει την εργασία τους εξαιτίας της αντικατάστασης τους από μηχανές και σε εκείνον μιας υπερνοημοσύνης που θα μας ξεπερνούσε, υπάρχει ακόμα σήμερα στην πρόοδο της τεχνητής νοημοσύνης η ελπίδα μιας καλύτερης ζωής για εμάς τους ανθρώπους;

Πιστεύω πως στο μέλλον θα υπάρχουν περισσότεροι μουσικοί και χορευτές,
IMAGE DESCRIPTIONεπειδή τα ρομπότ θα κατασκευάζουν ο,τιδήποτε υλικό και θα μας βοηθούν
στην καθημερινότητα επιτρέποντάς μας να επικεντρωθούμε στα πραγματικά
σημαντικά πράγματα. Κατά κανόνα, αυτά είναι οι ανθρώπινες αλληλεπιδράσεις,
η επικοινωνία συναισθημάτων, η τέχνη.

Λατρεύω τη τζαζ. Είναι αντιπροσωπευτικό παράδειγμα άμεσης επικοινωνίας
δύο ψυχών κατά τον αυτοσχεδιασμό. Είναι καθαρά ανθρώπινο. Μπορούμε
να φτιάξουμε μηχανές που θα παίζουν τζαζ, αλλά τι θα επικοινωνούν
ως συναίσθημα; Δεν θα υπάρχει συναίσθημα.

Άρα, αυτές οι δραστηριότητες θα αποκτήσουν σημασία στην ανθρωπότητα.
Ο κόσμος θα αλλάξει.

Γιάν Λεκάν, πανεπιστήμιο Νέας Υόρκης, Facebook Artificial Intelligence Research.



Υπάρχουν κίνδυνοι

Πρέπει να θυμόμαστε, αν και δεν είναι πάντα εύκολο, τόσο τις τεράστιες δυνατότητες για τους ανθρώπους όσο και τους κινδύνους της τεχνητής νοημοσύνης.

Για μένα, η μετάβαση προς την εποχή των έξυπνων μηχανών είναι ένας δρόμος που η ανθρωπότητα θα πρέπει ούτως ή άλλως να περπατήσει. Και θα μας προσφέρει τη δυνατότητα να κάνουμε εκπληκτικά πράγματα, που θα ήταν υπό άλλες συνθήκες αδύνατο να πραγματοποιηθούν.

Όμως, υπάρχουν προφανώς κίνδυνοι που σχετίζονται με αυτή τη μετάβαση. Έτσι, βρισκόμαστε αντιμέτωποι με μία τεράστια πρόκληση, δηλαδή τον έλεγχο της τεχνητής νοημοσύνης. Πώς να δημιουργήσουμε ένα σύστημα, ένα είδος δομής, ώστε ένας ευφυής παράγοντας σχεδιασμένος σε αυτή τη βάση, με όποια ποσότητα νοημοσύνης κι αν του εισάγετε, να είναι ασφαλής και ωφέλιμος για τον άνθρωπο;

Νικ Μπόστρομ, Ινστιτούτο Μέλλοντος Ανθρωπότητας πανεπιστημίου Οξφόρδης.


Ο έλεγχος αυτών των προγραμμάτων που θα μας κυριεύσουν είναι μία σημαντική πρόκληση της εποχής μας. Όμως, αντιμετωπίζοντας αλγόριθμους σε γλώσσες ακαταλαβίστικες για τους περισσότερους από εμάς, πώς να αποφύγουμε το διχασμό της κοινωνίας ανάμεσα σε αυτούς που κατέχουν την τεχνολογία και στους άλλους;

Όταν κυβερνούμαστε από το χρήμα και τη δύναμη των μεγάλων εταιρειών και των επενδυτών, ποιος θα έχει τον τελευταίο λόγο; Η αγορά; Οι επιστήμονες; Οι πολιτικοί; Οι καταναλωτές;

Είμαι πολύ θετικός άνθρωπος και ο λόγος που κάνω αυτή τη δουλειά είναι γιατί θεωρώ ότι η τεχνητή νοημοσύνη που αναπτύσσεται τώρα, θα έχει ένα θετικό αντίκτυπο στην κοινωνία, που ίσως να είναι τεράστιος.

Ταυτόχρονα, πιστεύω πως είναι σημαντικό να μην τα βλέπουμε όλα ρόδινα και να σκεφτούμε τις νοσηρές χρήσεις αυτής της τεχνολογίας.

Γιόσουα Μπέντζιο, Ινστιτούτο Εκμάθησης Αλγορίθμων του Μόντρεαλ.



Επίλογος

Σε κάποια φάση, αν η τεχνητή νοημοσύνη είναι τόσο παντογνώστης, μπορεί να την εμπιστευτούμε τόσο πολύ, που ίσως χάσουμε κάτι. Την αίσθηση της ελεύθερης βούλησης, την εντύπωση ότι ελέγχουμε τη ζωή μας.

Σίγουρα, τίθενται σοβαρά φιλοσοφικά ζητήματα.

Αργούμε να φτάσουμε εκεί, αλλά μπορούμε να αρχίσουμε να το σκεφτόμαστε.


Περισσότερη επιστήμη, λιγότερος φόβος.


Εδώ και μερικά χρόνια, η αντιπαράθεση ανάμεσα στην ανθρώπινη νοημοσύνη και στην τεχνητή νοημοσύνη είναι στο επίκεντρο όλων των συζητήσεων. Σήμερα δεν μπορούμε ακόμα να γνωρίζουμε τη θέση της τεχνητής νοημοσύνης στη ζωή μας.

Ένα όμως είναι σίγουρο: Αυτή η συνάντηση του ανθρώπου με τη μηχανή μπορεί να καθορίσει το μέλλον μας.



Πηγή:
Guilain Depardieu και Thibaut Martin:
«L'intelligence artificielle va-t-elle nous dépasser?»,
παραγωγή: Arte France et Docland Yard.




ΓΡΑΨΤΕ ΤΟ ΜΗΝΥΜΑ ΣΑΣ


8 ΣΧΟΛΙΑ

  • Ανώνυμος 47166

    30 Μαρ 2019

    «Δεν πρόκειται για έναν Θεό με την έννοια ότι ρίχνει κεραυνούς ή προκαλεί τυφώνες. Ωστόσο, υπάρχει κάτι το οποίο είναι ένα δισεκατομμύριο φορές πιο έξυπνο από τον άνθρωπο, πώς θα το λέγατε εσείς αν όχι Θεό;», δήλωσε στο Wired στις 15 Νοεμβρίου 2017. Δηλαδή η τεχνητή νοημοσύνη.
    https://www.iefimerida.gr/news/379554/mia-nea-thriskeia-gennithike-o-theos-tis-tehnitis-noimosynis-eikones

  • Ανώνυμος 47163

    29 Μαρ 2019

    Συμβουλευτική ομάδα αποτελούμενη από οκτώ ερευνητές και ειδικούς εκτός του δυναμικού της αποφάσισε να δημιουργήσει η Google, προκειμένου να αντιμετωπίσει τα ηθικά ζητήματα που τίθενται από την ανάπτυξη της τεχνητής νοημοσύνης (AI) για σειρά εφαρμογών, μεταξύ άλλων και για αναγνώριση προσώπου.
    Τεχνολογικές αστοχίες έχουν γίνει στο παρελθόν ιδιαίτερα ντροπιαστικές για την Google και τα συστήματα μηχανικής μάθησής της, όπως όταν ο αλγόριθμος των φωτογραφιών της αναγνώριζε μαύρους ανθρώπους ως "γορίλες".
    https://www.capital.gr/forbes/3351339/h-google-antimetopi-me-ta-ithika-zitimata-pou-thetei-i-texniti-noimosuni

  • Ανώνυμος 47155

    27 Μαρ 2019

    Ενώ στην παραδοσιακή πληροφορική ένα πρόγραμμα λογισμικού κατευθύνει βήμα-βήμα τον υπολογιστή να κάνει κάτι, στη βαθιά μηχανική μάθηση ο υπολογιστής δεν έχει σαφείς εντολές, αλλά χρησιμοποιεί ένα αλγόριθμο μάθησης για να εξάγει μοτίβα από τα δεδομένα και έτσι να εκτελέσει αυτό που του έχει ανατεθεί (π.χ. να αναγνωρίσει ένα πρόσωπο σε μια εικόνα). Τα νευρωνικά δίκτυα βελτιώνουν περαιτέρω αυτή τη διαδικασία, μιμούμενα τον τρόπο που λειτουργούν οι νευρώνες του ανθρώπινου εγκεφάλου. Σήμερα τα «τεχνητά νευρωνικά δίκτυα» αποτελούν πια τον πυρήνα της μηχανικής μάθησης και σε αυτό οι τρεις βραβευόμενοι είχαν σημαντική συμβολή στη διάρκεια μιας περιόδου άνω των 30 ετών.
    https://www.iefimerida.gr/news/487914/stoys-treis-pateres-tis-tehnitis-noimosynis-vraveio-turing-nompel-pliroforikis-eikona

  • Ανώνυμος 47108

    17 Μαρ 2019

    Go experts were impressed by the program's performance and its nonhuman play style; Ke Jie stated that "After humanity spent thousands of years improving our tactics, computers tell us that humans are completely wrong... I would go as far as to say not a single human has touched the edge of the truth of Go."
    https://en.wikipedia.org/wiki/AlphaGo#Sixty_online_games

    Go is a popular game in China, Japan and Korea, and the 2016 matches were watched by perhaps a hundred million people worldwide. Many top Go players characterized AlphaGo's unorthodox plays as seemingly-questionable moves that initially befuddled onlookers, but made sense in hindsight: "All but the very best Go players craft their style by imitating top players. AlphaGo seems to have totally original moves it creates itself." AlphaGo appeared to have unexpectedly become much stronger, even when compared with its October 2015 match.
    https://en.wikipedia.org/wiki/AlphaGo#Go_community

  • Ανώνυμος 47105

    17 Μαρ 2019

    Τρία σχόλια έγραψα και δεν βρέθηκε κανείς πελάτης να τον φιλέψω.
    Τί γίνεται ρε φούστη μου!
    Ρωμιοσύνη είσαι καλά;

  • Ανώνυμος 47103

    15 Μαρ 2019

    Και μερικές ταινίες με A.I. που μας έχουν κατακλύσει τα τελευταία χρόνια:

    Her (2013)
    Ex Machina (2014)
    Transcendence (2014)
    Automata (2014)
    Morgan (2016)
    Blade Runner 2049 (2017)
    Tau (2018)

  • Ανώνυμος 47102

    15 Μαρ 2019

    Για να πάρουμε όμως μια γεύση τί εστί επαλήθευση και τις δυσκολίες αυτής σε δύσκολα προλήματα με την εικασία του Κέπλερ που διατυπώθηκε το 1611.
    Το πρόβλημα είναι πολύ απλό. Ποιος είναι ο καλύτερος τρόπος από άποψη πυκνότητας να στοιβάξουμε αντικείμενα σφαιρικού σχήματος στον τρισδιάστατο χώρο.
    Γνωρίζουμε π.χ. από τα φρούτα που τοποθετούνται στα ράφια των μανάβικων ότι πρακτικά ο καλύτερος τρόπος είναι οριζόντια επίπεδα φρούτων όπου το πάνω επίπεδο φρούτων κάθεται στα διάκενα που σχηματίζουν τα φρούτα του κάτω επιπέδου. Ο ίδιος ο Κέπλερ πειραματίστηκε με πορτοκάλια και παρατήρησε ότι όταν τα στοίβαζε σε κύβο, με το ένα στρώμα πορτοκαλιών ακριβώς πάνω στο άλλο, του έμενε κενό το 48% του συνολικού όγκου. Αν τα έριχνε τυχαία, έμενε κενό περίπου το 35% του χώρου . Αν όμως έστρωνε πρώτα το κάτω στρώμα σε εξαγωνική διάταξη και πάνω του στοίβαζε το επόμενο έτσι ώστε τα πορτοκάλια του να μπαίνουν στα διάκενα του από κάτω στρώματος, σχηματίζοντας μια πυραμίδα, τότε έμενε ανεκμετάλλευτο μόνο το 26% του συνολικού όγκου.
    Αυτό το φαινομενικά απλό πρόβλημα παρέμενε χωρίς μαθηματική απόδειξη για αιώνες.
    Το 1998 ο αμερικανός μαθηματικός Thomas Hales παρουσίασε μια απόδειξη 250 σελίδων και 3GB δεδομένων από υπολογιστή. Προκειμένου όμως η απόδειξη να δημοσιευθεί στο μαθηματικό περιοδικό του πανεπιστημίου του Πρίνστον, ανατέθηκε σε μια ομάδα 12 κριτών να την αξιολογήσουν. Η ομάδα κατόπιν εργασίας 4 ετών αποφάνθηκε ότι η προτεινόμενη απόδειξη είναι ορθή κατά 99%..
    Η απόδειξη του Hales ήταν με τη βοήθεια γραμμικού προγραμματισμού και τη μέθοδο της εξάντλησης, όπου προσπαθούσε να υπολογίσει όλες τις δυνατές σφαιρικές διατάξεις και να τις συγκρίνει, προκειμένου να βρει την βέλτιστη από άποψη οικονομίας χώρου. Αποτέλεσμα ήταν να υπολογίσει πάνω από 5.000 διαφορετικές σφαιρικές διατάξεις και να επιλύσει 100.000 προβλήματα γραμμικού προγραμματισμού.
    Το 2003 ξεκίνησε το σχέδιο "Flyspeck", μιας επίσημης και πλήρης απόδειξης της εικασίας με τη βοήθεια λογισμικού που αυτόματα ελέγχει τις αποδείξεις. Ο ίδιος υπολόγισε ότι το project του θα χρειαζόταν 20 χρόνια για να ολοκληρωθεί. Το 2015 δημοσιεύτηκε το αποτέλεσμα και δύο χρόνια μετά η απόδειξη έγινε επισήμως δεκτή.
    Η εικασία του Κέπλερ πλέον θεωρείται θεώρημα.

  • Ανώνυμος 47101

    15 Μαρ 2019

    Αυτό που λέμε τεχνητή νοημοσύνη βασίζεται στον τεχνητό νευρώνα (artificial neuron). Πρόκειται για τεχνολογία αντιγραφής/μίμησης της φύσης και συγκεκριμένα του βιολογικού νευρώνα του εγκεφάλου των ζώων και των συνάψεων. Τί είναι ο τεχνητός νευρώνας; Είναι μια μαθηματική μοντελοποίηση του βιολογικού νευρώνα και των συνάψεων με άλλους νευρώνες για τη δημιουργία ενός τεχνητού νευρωνικού δικτύου. Εξυπακούεται ότι η εξομοίωση "τρέχει" σε έναν υπερυπολογιστή που καταναλώνει πολλά kW ή ακόμα και MW ενέργειας, σε σύγκριση με τον ανθρώπινο εγκέφαλο που καταναλώνει 20W και καταλαμβάνει πολύ μικρότερο χώρο. Αντί λοιπόν να δημιουργούμε υπερυπολογιστές που καταναλώνουν πολλά MW και GW ηλεκτρικής ενέργειας και προσπαθούν να υπολογίσουν όλες τις δυνατές καταστάσεις για να λύσουν ένα πρόβλημα, μπορούμε να βασιστούμε στο εργαλείο της φύσης που λέγεται εγκέφαλος και να προσπαθήσουμε να υπολογίζουμε πολύ λιγότερες καταστάσεις, προτιμώντας ικανοποιητικές προσεγγίσεις ή κάποιες βέλτιστες επιλογές (αντί την τέλεια, απόλυτη λύση/κίνηση), αλλά με δυνατότητες εκμάθησης (deep learning) και ανάπτυξης στρατηγικής με μπλόφες, δημιουργία παγίδων κ.λπ.

    Για παράδειγμα ο DeeBlue τη δεκαετία του '90 υπολόγιζε 200 εκατομμύρια θέσεις το δευτερόλεπτο. Σήμερα τα προγράμματα σκάκι είναι πιο αποτελεσματικά από αυτά που έτρεχε ο DeeBlue και ένας διπύρηνος επεγεργαστής που μπορεί να υπολογίζει μόνο 8 εκατομμύρια θέσεις το δευτερόλεπτο, βλέποντας 17 με 18 κινήσεις μπροστά χάρει μεθόδων heuristics, αποδίδει καλύτερα.
    Το κινέζικο παιχνίδι Go είναι άλλη ιστορία σε σχέση με το σκάκι, διότι διαθέτει πολλούς περισσότερους δυνατούς συνδυασμούς. Επίσης θεωρείται ότι απαιτεί περισσότερα στοιχεία που μιμούνται την ανθρώπινη συμπεριφορά από το σκάκι. Ο αριθμός των νόμιμων κινήσεων κατά τη διάρκεια ενός παινιδιού Go είναι συνήθως 150-250 ανά γύρο, ενώ στο σκάκι είναι 37 κατά μέσο όρο. Ένας σύγχρονος υπερυπολογιστής χρειάζεται πολλές ώρες για να υπολογίσει όλους τους δυνατούς συνδυασμούς προκειμένου να δει 8 κινήσεις μπροστά στο Go.

    Το AlphaGo που νίκησε το 2016 με σκορ 4-1 διέθετε 2.000 επεξεργαστές περίπου, καταναλώνοντας περίπου 1MW ενέργειας. Όπως και οι διάδοχοί του (AlphaGo Master, AlphaGo Zero, AlphaZero) χρησιμοποιεί τον αλγόριθμο "Monte Carlo tree search" για να αποφασίσει τις κινήσεις του, βασισμένο σε γνώση που ανέπτυξε με μεδόδους βαθιάς μάθησης, δηλαδή με τεχνητό νευρωνικό δίκτυο, το οποίο βελτιώνει την απόδοση του αλγόριθμου, με αποτέλεσμα υψηλότερη ποιότητα στην επιλογή της επόμενης κίνησης και ακόμα καλύτερες επιδόσεις στα επόμενα παιχνίδια. Ο αλγόριθμος Monte Carlo tree search είναι ένας ευριστικός αλγόριθμος που χρησιμοποιεί τυχαιότητα για ντετερμινιστικά προβλήματα που είναι δύσκολο έως αδύνατο πρακτικά να λυθούν με άλλες προσεγγίσεις (π.χ. exhaustive search, brute-force attack).

    Το 2016 νίκησε με σκορ 4-1 έναν κορυφαίο νοτιοκορεάτη στο Go.
    Το 2017 το AlphaGo Master νίκησε τον κινέζο παγκόσμιο πρωταθλητή στο Go με σκορ 3-0, έχοντας σκορ σε online παιχνίδια 60-0.
    Το AlphaGo Zero παίζοντας παιχνίδια με τον εαυτό του ξεπέρασε σε ικανότητα το AlphaGo μέσα σε τρεις μέρες, νικώντας το με σκορ 100-0.
    Το τελευταίο δημιούργημα της Google, to AlphaZero, γνωρίζοντας μόνο τους κανόνες του παιχνιδιού και αυτοεκπαιδευόμενο, παίζοντας παιχνίδια με τον εαυτό του, ήταν σε θέση μέσα σε λίγες ώρες να νικήσει όλα τα κορυφαία αντίπαλα προγράμματα και τους προγόνους του. Χρησιμοποιεί 5.000 TPU (tensor processing unit) πρώτης γενιάς, μια πατέντα της Google, ειδικά βελτιστοποιημένη για νευρωνικό δίκτυο και βαθιά μάθηση, που καταναλώνουν περίπου 1MW ενέργειας.

    Στο μεταξύ η DARPA τρέχει το πρόγραμμα SyNAPSE, νευρομορφική τεχνολογία που προασπαθεί να εξομοιώσει τον εγκέφαλο σε επίπεδο hardware (memristor chip).
    http://www.artificialbrains.com/darpa-synapse-program
    https://en.wikipedia.org/wiki/SyNAPSE

    Το μεγάλο στοίχημα της τεχνητής νοημοσύνης είναι η σμίκρυνση (εκτός βέβαια και από το να είναι πραγματικά ευφυής, να διαθέτει κοινή λογική), τόσο σε όγκο, όσο και σε κατανάλωση ενέργειας. Δεν είναι τυχαίο τα πολλά λεφτά που επενδύονται από εταιρίες και κράτη σε αυτόν τον τομέα. Διότι η δημιουργία τέτοιας τεχνητής νοημοσύνης θα έχει τεράστιες εφαρμογές. Π.χ. δεν θα χρειάζεται να επανδρώνονται οι πολεμικές μηχανές του μέλλοντος με ανθρώπους, οι αποφάσεις θα παίρνονται καλύτερα και ταχύτερα από την φορητή τεχνητή νοημοσύνη και γενικά οποιαδήποτε "δύσκολη αποστολή". Επίσης υπερνοήμονες τεχνητές νοημοσύνες που θα ασχολούνται με πολύ δύσκολα προβλήματα, δεν θα είμαστε σε θέση να τις επαληθεύσουμε και θα δεχόμαστε τα αποτελέσματα που μας δίνουν τοις μετρητοίς.

    Στο μέλλον εξελίξεις στον τομέα των κβαντικών υπολογιστών μπορούν να επιφέρουν την εμφάνιση και αλληλεπίδραση νέων παραμέτρων στο όλο θέμα. Το πρόβλημα με τη δημιουργία πραγματικών κβαντικών υπολογιστών είναι τεχνικό και έχει να κάνει με τη διατήρηση ταυτόχρονα όλων των qbit σε κατάσταση υπέρθεσης. Το qbit είναι είτε 0 είτε 1 είτε 0 και 1 ταυτόχρονα, κάτι που δίνει τεράστιο πλεονέκτημα σε σχέση με έναν ντετερμινιστικό υπολογιστή από άποψη μνήμης και επεξεργαστικής ισχύος.

    Τα βιντεοπαιχνίδια είναι μία από τις σημαντικότερες εφαρμογές της τεχνητής νοημοσύνης εδώ και δεκαετίες, αξιοποιώντας τις μεθόδους της για να παράσχουν ανταγωνισμό στον παίκτη. Θα έχετε για παράδειγμα ακούσει για τη γεννήτρια ψευδοτυχαίων αριθμών που χρησιμοποιείται στα videogames για να προσομοιώσει π.χ. το ρίξιμο του ζαριού ή την πιθανότητα να εκτελεστεί ένα skill που δεν είναι σίγουρο 100%.
    Ο γράφων έχει νικήσει στο Master of Orion 1 με τους Klackon στο επίπεδο δυσκολίας "impossible" πάνω από μία φορά. Για τους ανίδεους το εν λόγω παλιό παιχνίδι αποτελεί το σημείο αναφοράς για μια κατηγορία παιχνιδιών στρατηγικής που καλείται 4Χ (explore, expand, exploit, exterminate).
    https://www.gog.com/game/master_of_orion_1_2