Μιχάλης Μπλέτσας: Υπερβολικές οι ανησυχίες για την τεχνητή νοημοσύνη

«Κυκλοφορούν διάφορα σενάρια, στα οποία η τεχνητή νοημοσύνη θα ξεπεράσει την ανθρώπινη. Έχουν μια χρησιμότητα γιατί μας κάνουν να σκεφθούμε κάποια πράγματα, αλλά σίγουρα δεν πρόκειται να μας επηρεάσουν στον βαθμό που φοβάται ο κόσμος».

Γιατί ο όρος τεχνητή νοημοσύνη δεν αντικατοπτρίζει με ακρίβεια τα όσα συμβαίνουν αυτήν την περίοδο στον τομέα της τεχνολογίας υπολογιστών; Είναι έτοιμοι οι υπολογιστές να λάβουν σημαντικές αποφάσεις; Ποιος θα είναι ο ρόλος των κβαντικών υπολογιστών στις ερχόμενες τεχνολογικές εξελίξεις;

Σε μια συζήτηση με τον Μιχάλη Μπλέτσα, διευθυντή πληροφορικής στο Media Lab του MIT, αναζητούμε απαντήσεις στα παραπάνω ερωτήματα, με στόχο να βάλουμε τα πράγματα σε μια πιο ρεαλιστική βάση σε σχέση με τα όσα ακούγονται και γράφονται το τελευταίο διάστημα.

– Τι είναι αυτό που κάνει το ΜΙΤ φημισμένο;

– Το εργαστήριά μας είναι ένα παράθυρο στο μέλλον της τεχνολογίας, με ορίζοντα 10 έως 20 χρόνων. Οι εταιρείες που μας χρηματοδοτούν θέλουν νέες ιδέες που θα εξασφαλίσουν τη βιωσιμότητα και την ανάπτυξή τους. Το ΜΙΤ ήταν από τα πρώτα ερευνητικά κέντρα, τα οποία βασίστηκαν κυρίως σε εταιρείες-μέλη, οι οποίες έχουν τη δυνατότητα να αξιοποιούν τα ευρήματά μας, χωρίς να χρειάζεται να αναφέρουν το MIT ως πνευματικό ιδιοκτήτη. Με αυτόν τον τρόπο, είμαστε αρκετά ανεξάρτητοι από τις κρατικές επιχορηγήσεις, γεγονός που μας αφήνει σχετικά ανεπηρέαστους από τις διάφορες πολιτικές μεταβολές.

– Λογικά η τεχνητή νοημοσύνη θα πρέπει να βρίσκεται αυτό το διάστημα στο κέντρο του ενδιαφέροντός σας;

– Η τεχνητή νοημοσύνη είναι κάπως υπερεκτεθειμένο θέμα. Θεωρώ ότι ο ορισμός υπερβάλλει της πραγματικότητας, γιατί αυτό που έχουμε σήμερα είναι βαθιά μηχανική μάθηση (deep learning) και είναι ένα πολύ μικρό υποσύνολο της τεχνητής νοημοσύνης. Ωστόσο, η αξία αυτής της τεχνολογίας είναι σημαντική, δεδομένου ότι έχουμε μεγάλη ανάγκη από βοηθητικές λύσεις για να επεξεργαστούμε τον τεράστιο όγκο δεδομένων που παράγουμε, τον οποίο είναι αδύνατο να επεξεργαστούν ο ανθρώπινος εγκέφαλος και οι κλασικές υπολογιστικές μέθοδοι.

Επίσης, θεωρώ ότι υπάρχει και υπερβολή στα όσα αναφέρονται σχετικά με τις αλλαγές που θα προκαλέσει αυτή η τεχνολογία στην εργασία και στην κοινωνία. Κυκλοφορούν διάφορα σενάρια, στα οποία σύντομα η τεχνητή νοημοσύνη θα ξεπεράσει την ανθρώπινη και το επόμενο βήμα θα είναι να στραφεί εναντίον της ανθρωπότητας. Τα σενάρια αυτά έχουν μια χρησιμότητα γιατί μας κάνουν να σκεφθούμε κάποια πράγματα, αλλά σίγουρα δεν πρόκειται να επηρεάσουν τα πράγματα στον βαθμό που φοβάται ο κόσμος. Θα συνεχίσουμε βέβαια να έχουμε αλλαγές στους τομείς της εργασίας και της κοινωνίας, τις οποίες όμως είναι στο χέρι μας να διαμορφώσουμε προς όφελος της ανθρωπότητας. Είναι για παράδειγμα αναμενόμενο, οι εκθετικές τεχνολογικές αλλαγές να ενισχύσουν το χάσμα που υπάρχει στην κοινωνία με τη συμπίεση της μεσαίας τάξης που έχει παρατηρηθεί τα τελευταία χρόνια. Αρχικά, η παγκοσμιοποίηση λειτούργησε ως καταλύτης στη δημιουργία του χάσματος και τώρα λειτουργεί ενισχυτικά και η τεχνολογία.

– Η ερευνητική κοινότητα κάνει κάτι για να αποτρέψει τη μεγέθυνση του χάσματος;

– Στο εργαστήριο μελετάμε κάποια από αυτά τα προβλήματα και εκείνο που μπορούμε να κάνουμε αρχικά, είναι να καταστήσουμε αυτά τα εργαλεία πιο τίμια και πιο δίκαια. Η μηχανική μάθηση στη συντριπτική της πλειονότητα είναι επιτηρούμενη, δηλαδή βασίζεται σε δεδομένα, τα οποία έχουν κατηγοριοποιηθεί από ανθρώπους. Ο τρόπος που γίνεται η κατηγοριοποίηση συνήθως φυτεύει μέσα στις ομάδες δεδομένων τις πολώσεις της ανθρώπινης σκέψης. Αυτό το βλέπουμε συχνά τον τελευταίο καιρό σε συστήματα που χρησιμοποιούνται στη Δικαιοσύνη για να επιταχύνουν τις διαδικασίες. Eχει παρατηρηθεί ότι οι αποφάσεις αυτών των συστημάτων δεν αντιμετωπίζουν εξίσου δίκαια τις μειονότητες. Για παράδειγμα, ένα σύστημα εκτίμησης του ρίσκου φυγής ενός υποδίκου, συχνά θεωρεί πιο ύποπτο ένα άτομο που ανήκει σε μια μειονοτική κατηγορία.

Οπότε χρειάζεται να κάνουμε προσεκτικά βήματα και να οριοθετήσουμε την τεχνολογία τεχνητής νοημοσύνης.

– Είμαστε σε θέση να γνωρίζουμε τη λογική πορεία της απόφασης μιας ευφυούς μηχανής, όπως ένα αυτόνομο αυτοκίνητο για παράδειγμα;

– Σε μια διαδικασία απόφασης που δεν βασίζεται σε προκαθορισμένα βήματα, αλλά αφήνει βαθμούς ευελιξίας, όπως συμβαίνει με τη μηχανική μάθηση και με τον ανθρώπινο εγκέφαλο, είναι δύσκολο, να γνωρίζουμε με ακρίβεια τα βήματα που ακολούθησε ένα πρόγραμμα για να βγάλει ένα αποτέλεσμα.

Πρακτικά, ένα πρόγραμμα μηχανικής μάθησης λαμβάνει ψηφιακά ερεθίσματα και στη συνέχεια με στατιστικές μεθόδους κάνει τα βήματα προς τη λήψη της απόφασης. Επομένως, δεν μπορούμε να γνωρίζουμε ποια από τα ερεθίσματα συνετέλεσαν περισσότερο. Ωστόσο, έχουμε μεθόδους που μπορούμε να ενεργοποιήσουμε συγκεκριμένους ψηφιακούς νευρώνες του προγράμματος και να δούμε πώς αλλάζει το αποτέλεσμα, όπως για παράδειγμα να αλλάξουμε μερικά στοιχεία σε μια εικόνα ή κάποιες λέξεις σε ένα κείμενο. Και πάλι όμως τα συμπεράσματα που θα βγάλουμε δεν έχουν απόλυτη βεβαιότητα.

Αυτό είναι μια σημαντική πρόκληση για τους επιστήμονες, διότι κάποιες αποφάσεις μπορεί να μην είναι εξηγήσιμες. Ωστόσο, είναι σημαντικό να κατανοήσουμε ότι οι ευφυείς μηχανές δεν ασχολούνται με την αιτία της απόφασής τους, όπως κάνει ο άνθρωπος. Η αιτίαση είναι μια λειτουργία υψηλότερου νοητικού επιπέδου και ενώ αρχικά προσπαθήσαμε να δημιουργήσουμε συστήματα τεχνητής νοημοσύνης, τα οποία να γνωρίζουν την αιτία της απόφασής τους, οδηγηθήκαμε σε αδιέξοδο. Για να το πούμε απλούστερα, δεν έχουμε καταφέρει να δημιουργήσουμε το ψηφιακό ανάλογο της κοινής λογικής και έτσι τα προγράμματα που εξελίσσουμε τώρα βασίζονται κυρίως στη βιομιμητική, δηλαδή μια επιφανειακή μίμηση της δομής του ανθρώπινου εγκεφάλου. Το επόμενο βήμα θα γίνει, όταν κατανοήσουμε καλύτερα τον ανθρώπινο εγκέφαλο και μεταφέρουμε τη γνώση μας στα προγράμματα τεχνητής νοημοσύνης.

– Είναι πιθανό οι κβαντικοί υπολογιστές να μας βοηθήσουν να κάνουμε τα επόμενα βήματα;

– Είναι μια πιθανότητα, αλλά σε αυτόν τον τομέα είμαστε ακόμα πιο μακριά σε σχέση με τα βήματα που έχουμε κάνει στη μηχανική μάθηση. Αυτήν την περίοδο, η έρευνα στους κβαντικούς υπολογιστές έχει εστιάσει κυρίως στον τομέα της κρυπτογράφησης και αν τελικά τα προγράμματα που δοκιμάζονται λειτουργήσουν, θα καταρρεύσουν τα σημερινά συστήματα κρυπτογράφησης. Γι’ αυτό και όλες οι χώρες προσπαθούν να φτάσουν πρώτες στην ανακάλυψη, ώστε να έχουν το στρατηγικό πλεονέκτημα.

Ωστόσο, όσον αφορά την ερώτησή σας, δεν βλέπω γενική χρήση των κβαντικών υπολογιστών στο άμεσο μέλλον. Από την άλλη, οι σύγχρονες έρευνες δείχνουν ότι η λειτουργία του ανθρώπινου εγκεφάλου βασίζεται σε κβαντικούς υπολογισμούς. Aρα επιστρέφουμε στο θέμα που θίξαμε και προηγουμένως και αφορά την κατανόηση της λειτουργίας του ανθρώπινου εγκεφάλου, μία από τις μεγαλύτερες προκλήσεις που αντιμετωπίζει η πορεία της ανθρωπότητας προς τη γνώση.

– Πιστεύετε ότι κάποια στιγμή θα συμβεί αυτό;

– Βλέπουμε ότι οι κλασικές ψηφιακές μέθοδοι αναπαράστασης της λειτουργίας του ανθρώπινου εγκεφάλου φτάνουν προς τα όριά τους. Οπότε για να φτιάξουμε ένα υπολογιστή ανάλογης πολυπλοκότητας με τον ανθρώπινο εγκέφαλο, θα πρέπει να πραγματοποιεί το λιγότερο ένα δισεκατομμύριο δισεκατομμύρια πράξεις το δευτερόλεπτο (exaflop). Ενας τέτοιος υπολογιστής, χρησιμοποιώντας την πιο αποδοτική τεχνολογία τροφοδοσίας που υπάρχει αυτή τη στιγμή, θέλει 300 μεγαβάτ ενέργεια για να λειτουργήσει, ενώ ο ανθρώπινος εγκέφαλος δαπανά μόλις 20 βατ, δηλαδή εκατοντάδες εκατομμύρια φορές λιγότερη ενέργεια. Aρα αποκλείεται με τις σημερινές αρχιτεκτονικές να πετύχουμε τη γενικευμένη τεχνητή νοημοσύνη. Θεωρώ όμως ότι κάποια στιγμή θα το πετύχουμε ανακαλύπτοντας νέες αρχιτεκτονικές.

– Η τεχνητή νοημοσύνη έχει εξελιχθεί σε μια κούρσα με έντονο ανταγωνισμό. Πώς επηρεάζει αυτό την επιστημονική κοινότητα;

– Αυτό που μας ανησυχεί είναι ότι βλέπουμε να υψώνονται τείχη μεταξύ των χωρών. Η επιστήμη προτιμά τα ανοιχτά σύνορα στη διακίνηση των ιδεών και των αποτελεσμάτων της έρευνας. Ειδικά, στον τομέα της τεχνητής νοημοσύνης, η ποσότητα και η ποικιλία των διαθέσιμων δεδομένων συμβάλει στην ταχύτερη βελτίωση της μηχανικής μάθησης. Επομένως, οι χώρες που βάζουν φραγμούς στη συλλογή δεδομένων, με διάφορα ρυθμιστικά πλαίσια, έχουν ένα μειονέκτημα. Σημαντικός όμως είναι και ο παράγοντας του επιπέδου των επιστημόνων που θα γράψουν τα προγράμματα για την επεξεργασία των δεδομένων. Οι δύο αυτοί παράγοντες προσωρινά ισορροπούν την κατάσταση μεταξύ των χωρών και επιπλέον, τα στεγανά στη διακίνηση της επιστημονικής γνώσης έχουν ακόμα διαπερατότητα.

Πηγή: Καθημερινή

ΑΦΗΣΤΕ ΜΙΑ ΑΠΑΝΤΗΣΗ