Ακόμη και τα πιο προηγμένα νευρωνικά δίκτυα δεν είναι ακόμη πιο έξυπνα από ένα παιδί ενός έτους — και δεν είναι υπερβολή

Παρά τις εντυπωσιακές επιτυχίες της τεχνητής νοημοσύνης, τα σύγχρονα νευρωνικά δίκτυα εξακολουθούν να υστερούν σημαντικά έναντι των μικρών παιδιών σε μία από τις πιο θεμελιώδεις πτυχές της νοημοσύνης — την ικανότητα να κατανοούν γρήγορα τη λειτουργία του κόσμου γύρω τους και να μαθαίνουν από ελάχιστη εμπειρία. Σε αυτό το συμπέρασμα καταλήγουν όλο και συχνότερα ειδικοί στις γνωστικές επιστήμες, τη νευροβιολογία και τη μηχανική μάθηση.

Το παράδοξο είναι ότι τα γλωσσικά μοντέλα μπορούν να γράφουν κώδικα, να περνούν δύσκολες εξετάσεις, να διεξάγουν ουσιαστικούς διαλόγους και να αναλύουν τεράστιους όγκους πληροφοριών. Ωστόσο, αν τοποθετήσουμε την ΤΝ σε ένα νέο, άγνωστο περιβάλλον που απαιτεί κατανόηση των φυσικών νόμων, των σχέσεων αιτίου-αποτελέσματος και της αλληλεπίδρασης με αντικείμενα, οι δυνατότητές της μειώνονται απότομα. Εκεί όπου ένα παιδί ενός έτους αρχίζει να κατανοεί μόνο του τα πράγματα κυριολεκτικά μέσα σε λίγες ημέρες ή εβδομάδες, η τεχνητή νοημοσύνη χρειάζεται εκατομμύρια παραδείγματα εκπαίδευσης και τεράστια υπολογιστική ισχύ.

Γιατί ένα παιδί μαθαίνει αποτελεσματικότερα από την ΤΝ

Η βασική διαφορά έγκειται στον τρόπο μάθησης.

Το βρέφος λαμβάνει πληροφορίες ταυτόχρονα μέσω πολλών καναλιών: όραση, ακοή, αφή, κίνηση, ισορροπία, κοινωνική αλληλεπίδραση και συναισθηματική ανατροφοδότηση. Κάθε ενέργεια γίνεται ένα πείραμα. Αν το παιδί πετάξει ένα παιχνίδι, παρατηρεί πώς πέφτει. Αν σπρώξει ένα αντικείμενο, καταλαβαίνει ότι κινείται. Αν χαμογελάσει σε έναν ενήλικα, λαμβάνει μια ανταπόκριση. Έτσι, ο εγκέφαλος δημιουργεί συνεχώς ένα εσωτερικό μοντέλο του κόσμου γύρω του.

Μάλιστα, για να σχηματίσει τέτοιες αναπαραστάσεις, το παιδί χρειάζεται ελάχιστα δεδομένα.

Τα σύγχρονα νευρωνικά δίκτυα λειτουργούν εντελώς διαφορετικά. Εκπαιδεύονται κυρίως σε τεράστιους όγκους ήδη διαθέσιμων πληροφοριών — κείμενα, εικόνες, βίντεο ή ηχογραφήσεις. Για να κατακτήσει μια κανονικότητα, ένα μοντέλο χρειάζεται συχνά εκατομμύρια παραδείγματα, ενώ ένα παιδί μπορεί μερικές φορές να αρκεστεί σε λίγες παρατηρήσεις.

Γι’ αυτό οι ειδικοί λένε ότι τα σύγχρονα συστήματα ΤΝ αναγνωρίζουν εξαιρετικά καλά τις στατιστικές κανονικότητες, αλλά κατανοούν πολύ χειρότερα την ίδια τη φύση όσων συμβαίνουν.

Η τεράστια διαφορά στην αποδοτικότητα

Το χάσμα γίνεται ιδιαίτερα εμφανές αν συγκρίνουμε τον όγκο των δεδομένων που χρησιμοποιούνται.

Κατά τον πρώτο χρόνο της ζωής του, ένα παιδί βλέπει μόνο ένα μικρό μέρος του κόσμου γύρω του, όμως αυτό αρκεί για να σχηματίσει σύνθετες αντιλήψεις σχετικά με τα αντικείμενα, τους ανθρώπους, τον χώρο και τις σχέσεις αιτίου-αποτελέσματος.

Τα μεγάλα γλωσσικά μοντέλα, αντίθετα, εκπαιδεύονται σχεδόν σε ολόκληρο το διαθέσιμο διαδίκτυο, σε βιβλιοθήκες, επιστημονικές δημοσιεύσεις και άλλες ψηφιακές πηγές. Για τη δημιουργία τους χρησιμοποιούνται χιλιάδες ισχυροί επεξεργαστές γραφικών, οι οποίοι καταναλώνουν τεράστιες ποσότητες ηλεκτρικής ενέργειας.

Παρά ταύτα, η ΤΝ εξακολουθεί να κάνει λάθη που ένα παιδί συνήθως δεν κάνει μετά τους πρώτους μήνες γνωριμίας με το περιβάλλον του.

Ποιο είναι το βασικό πρόβλημα των σύγχρονων μοντέλων

Μία από τις βασικές αιτίες θεωρείται η απουσία πραγματικής αλληλεπίδρασης με τον φυσικό κόσμο.

Τα περισσότερα υπάρχοντα μοντέλα στην πραγματικότητα «κάθονται μέσα σε έναν υπολογιστή». Αναλύουν δεδομένα, αλλά δεν μπορούν τα ίδια να εξερευνήσουν το περιβάλλον, να πειραματιστούν, να κάνουν λάθη και να αποκτήσουν νέα εμπειρία όπως κάνει ο άνθρωπος.

Ωστόσο, ακριβώς η ενεργή αλληλεπίδραση με τον κόσμο θεωρείται θεμέλιο της ανθρώπινης νοημοσύνης.

Γι’ αυτό όλο και περισσότερες ερευνητικές ομάδες εργάζονται σε έναν τομέα που συνδυάζει τη ρομποτική, τη νευροβιολογία και την τεχνητή νοημοσύνη. Στόχος τους είναι να δημιουργήσουν συστήματα που θα μπορούν να μαθαίνουν όχι μόνο από έτοιμα δεδομένα, αλλά και μέσω της δικής τους εμπειρίας.

Τι προτείνουν οι επιστήμονες

Σήμερα οι ερευνητές στρέφονται όλο και συχνότερα στις αρχές λειτουργίας του ανθρώπινου εγκεφάλου.

Μεταξύ των πιο πολλά υποσχόμενων κατευθύνσεων είναι:

η μάθηση μέσω αλληλεπίδρασης με το περιβάλλον και όχι μόνο μέσω προκαθορισμένων δεδομένων·

η ανάπτυξη μοντέλων ικανών να εξερευνούν αυτόνομα νέες καταστάσεις·

η ενοποίηση της όρασης, της ακοής, της αφής και της κίνησης σε ένα ενιαίο σύστημα αντίληψης·

η δημιουργία μηχανισμών μακροπρόθεσμης μνήμης και συσσώρευσης εμπειρίας·

η ανάπτυξη του λεγόμενου «μοντέλου του κόσμου» (world model) — ενός εσωτερικού μοντέλου για το πώς είναι οργανωμένη η πραγματικότητα.

Ακριβώς τέτοιες προσεγγίσεις μπορούν να κάνουν τα μελλοντικά συστήματα ΤΝ πολύ πιο ευέλικτα και οικονομικά στην εκπαίδευση.

Το επόμενο στάδιο στην εξέλιξη της τεχνητής νοημοσύνης

Οι ειδικοί συμφωνούν όλο και περισσότερο ότι η περαιτέρω πρόοδος στον τομέα της ΤΝ δεν θα εξαρτάται πλέον τόσο από την αύξηση του όγκου των δεδομένων ή της ισχύος των καρτών γραφικών, όσο από τη βαθύτερη κατανόηση του τρόπου με τον οποίο μαθαίνει ο ανθρώπινος εγκέφαλος.

Αν οι μηχανικοί καταφέρουν να αναπαράγουν έστω και ένα μέρος των μηχανισμών χάρη στους οποίους τα βρέφη μαθαίνουν απίστευτα γρήγορα τον κόσμο γύρω τους, αυτό θα μπορούσε να αποτελέσει την επόμενη μεγάλη ανακάλυψη στην εξέλιξη της τεχνητής νοημοσύνης.

Γι’ αυτό σήμερα η νευροβιολογία και η γνωστική ψυχολογία γίνονται εξίσου σημαντικές για το μέλλον της ΤΝ με τον προγραμματισμό και την υπολογιστική τεχνολογία. Ίσως ο δρόμος προς τη δημιουργία μιας πραγματικά καθολικής τεχνητής νοημοσύνης να μην περνά από ολοένα ισχυρότερους υπολογιστές, αλλά από την κατανόηση του τρόπου με τον οποίο μερικά δισεκατομμύρια νευρώνες στον εγκέφαλο ενός παιδιού μετατρέπουν την περιορισμένη εμπειρία ζωής σε ολοκληρωμένη γνώση για τον κόσμο.