Συνέντευξη του Λυκ Zυλιά

Το βιβλίο σας ονομάζεται Η τεχνητή νοημοσύνη δεν υπάρχει. Τι ακριβώς εννοείτε με αυτό;

Για την τεχνητή νοημοσύνη ακούμε τα πάντα και ό,τι να ΄ναι. Αυτό που δεν υπάρχει είναι η TN όπως μας παρουσιάζεται. Νομίζω ότι αυτό εν μέρει οφείλεται στον όρο που επιλέχθηκε να χρησιμοποιηθεί σχετικά. Μιλάμε για τεχνητή νοημοσύνη, ενώ σε όλα αυτά δεν υπάρχει καμία νοημοσύνη. Το machine learning [μηχανομάθηση], το deep learning [βαθιά μάθηση] … όλα αυτά βεβαίως υπάρχουν. Υπάρχει μάλιστα μεγάλη πρόοδος σε αυτούς τους τομείς, και είμαστε μόνο στην αρχή. Αλλά ας μην το χαλάμε κάνοντας τους ανθρώπους να πιστεύουν πράγματα που δεν υπάρχουν ή φοβίζοντάς τους. Δεν υπάρχει γενικευμένη τεχνητή νοημοσύνη και, με τις τρέχουσες τεχνικές, δεν θα υπάρξει ποτέ. Αυτό που ονομάζουμε «αδύναμη» τεχνητή νοημοσύνη είναι η τεχνητή νοημοσύνη που υπάρχει σήμερα· είναι αυτό που κάνουμε με τη μηχανομάθηση και τη βαθιά μάθηση, και δεν έχει καμία σχέση με τη νοημοσύνη. Εδώ βρίσκεται το λάθος.

Ας πάρουμε το παράδειγμα του Κασπάροφ που ηττήθηκε από τον [υπολογιστή] Deep Blue το 1997. Είναι αυτό απόδειξη για την ευφυΐα της μηχανής; Καθόλου. Διότι, τι ακριβώς κάναμε εδώ; Τυποποιήσαμε σε μοντέλα όλες τις δυνατότητες που υπάρχουν στο σκάκι (10⁵³). Για έναν άνθρωπο, είναι πολλές. Αλλά το 1997, αυτή η τυποποίηση ήταν δυνατό να γίνει στο Deep Blue. Από εκεί και πέρα, ο Κασπάροφ, όσο πανέξυπνος και να ήταν, αναπόφευκτα έχασε.

Με το παιχνίδι του go είναι κάπως διαφορετικά, διότι δεν μπορείς να μοντελοποιήσεις όλες τις δυνατότητες. Ορισμένες εξ αυτών, πάντως, έχουν μοντελοποιηθεί και τα στατιστικά μοντέλα συμβάλλουν στην κάλυψη των κενών. Δεν είναι τόσο ξεκάθαρο όσο στο σκάκι, αλλά συνολικά έτσι έχουμε αποθηκευμένες πολύ περισσότερες δυνατότητες απ’ ό,τι στο μυαλό ενός ανθρώπινου παίκτη. Δεν υπάρχει λοιπόν νοημοσύνη, είναι απλώς ένας όγκος δεδομένων και λίγα στατιστικά στοιχεία.

Άλλωστε, αρκεί να δούμε τους αριθμούς: στο DeepMind, μιλάμε για 1.500 CPU, περίπου 300 GPU, λίγες TPU και 440 kWh. Ο άνθρωπος, αντίθετα, είναι 20 Wh. Και μπορεί να κάνει πολλά άλλα πράγματα εκτός από το να παίζει go! Αυτό δείχνει ότι πρόκειται για εντελώς διαφορετικές προσεγγίσεις και ότι είναι γελοίο να νομίζουμε ότι προσεγγίζουμε την ευφυΐα. Είναι επίσης κραυγαλέα η διαφορά αν το δούμε από τη μεριά της όρασης. Έχουμε κατασκευάσει συστήματα ικανά να αναγνωρίζουν γάτες με ποσοστό επιτυχίας 95% αν τα τροφοδοτήσουμε με 100.000 εικόνες γατών. Ενώ ένα παιδί χρειάζεται μόνο δύο εικόνες γάτας για να αναγνωρίζει μία σε όλη του τη ζωή, με ποσοστό επιτυχίας 100%.

Τι κάνει την τεχνητή νοημοσύνη τόσο απόμακρη από την ανθρώπινη νοημοσύνη;

Η τεχνητή νοημοσύνη έχει να κάνει με την αναγνώριση. Διδάσκουμε πράγματα στις μηχανές, τους δίνουμε παραδείγματα. Είναι χτισμένα με βάση την αναγνώριση. Ο άνθρωπος το χρησιμοποιεί και αυτό, αλλά έχει κάτι περισσότερο: τη γνώση. Από πού προέρχεται; Είναι έμφυτη; Είναι επίκτητη; Δεν έχω ιδέα. Όμως οι άνθρωποι έχουν κάτι παραπάνω.

Σε τι βασίζονται οι μέθοδοι εκμάθησης στην TN;

Σήμερα, η έρευνα προσπαθεί να κινηθεί προς διαφορετικές μεθόδους, βασισμένες σε μικρά δεδομένα, αλλά αυτή τη στιγμή οι περισσότερες μέθοδοι βασίζονται στα big data. Ωστόσο, εάν θέλουμε να επιτύχουμε πραγματική τεχνητή νοημοσύνη, θα πρέπει να καταφύγουμε σε μεθόδους άλλες από αυτές που χρησιμοποιούνται σήμερα. Θα πρόκειται άραγε για μεθόδους που περιέχουν βιολογία, φυσική, κβάντα …; Πιθανώς ένα μείγμα όλων αυτών. Πιστεύω σε κάθε περίπτωση ότι θα χρειαστεί μια πολυτομεακή προσέγγιση.

Ποιοι είναι οι τομείς όπου η τεχνητή νοημοσύνη έχει σημειώσει τη μεγαλύτερη πρόοδο;

Η όραση. Έχουμε κάνει εξαιρετικές προόδους σ’ αυτήν. Ας πάρουμε μόνο την ιατρική. Σήμερα, με μερικές δεκάδες εκατομμύρια εικόνες καρκίνου του μαστού, μπορούμε να διαγνώσουμε μια περίπτωση πολύ νωρίς με ποσοστό επιτυχίας 99,9%. Ένας ακτινολόγος που θα δει μερικές χιλιάδες ακτινογραφίες μαστού στη διάρκεια της καριέρας του δεν μπορεί να διαγνώσει με τέτοιο ποσοστό επιτυχίας σε τόσο πρώιμο στάδιο.

Ο άλλος τομέας όπου έχει σημειωθεί μεγάλη πρόοδος είναι η αναγνώριση φωνής.

Τι προβλήματα μπορεί να δημιουργήσει η τεχνητή νοημοσύνη;

Τα προβλήματα με την τεχνητή νοημοσύνη σήμερα τα δημιουργούν οι άνθρωποι από μόνοι τους. Το πρώτο είναι τα bug. Το δεύτερο έχει να κάνει με μεροληπτικά σύνολα δεδομένων. Εάν ηθελημένα ή ακούσια χρησιμοποιήσω δεδομένα που είναι προσανατολισμένα προς μια συγκεκριμένη κατεύθυνση – πολιτική για παράδειγμα- για να εκπαιδεύσω την τεχνητή νοημοσύνη μου, δημιουργώ προκατειλημμένη τεχνητή νοημοσύνη. Όλα αυτά θα χρειαστεί να ρυθμιστούν. Όχι πολύ νωρίς γιατί αυτό μπορεί να επιβραδύνει την καινοτομία, αλλά μακροπρόθεσμα θα χρειαστούν ρυθμιστικοί φορείς.

Το άλλο πρόβλημα είναι αυτό για το οποίο μίλησα νωρίτερα με τις 440 kWh: ορισμένα συστήματα απαιτούν τεράστιους πόρους. Ο οικολογικός κίνδυνος είναι υπαρκτός. Θα πρέπει να προσπαθήσουμε να το αποκεντρώσουμε όλο αυτό. Και να αναπτύξουμε συστήματα που να χρειάζονται μικρότερα σύνολα δεδομένων.

Πώς πιστεύετε ότι θα εξελιχθεί η τεχνητή νοημοσύνη;

Είμαστε στα σπάργανα της μηχανομάθησης. Θα έχουμε όλο και πιο αποδοτικά συστήματα. Όλοι οι τομείς που σχετίζονται με την αναγνώριση θα βελτιωθούν. Ελπίζω επίσης ότι θα προχωρήσουμε προς μια κοινωνία νοημοσύνης των αντικειμένων, όπου τα αντικείμενα θα γίνουν βοηθοί μας, όπου θα καταφέρει να αναδυθεί το smart home [έξυπνο σπίτι].

Πρώτη δημοσίευση: Journal du Geek. Μετάφραση: Α.Γ.