Τι είναι τελικά η Τεχνητή Νοημοσύνη;

Ένας απλός ορισμός

Φαντάσου έναν άνθρωπο που έχει διαβάσει εκατομμύρια βιβλία, άρθρα και συζητήσεις, αλλά δεν "θυμάται" όπως εμείς. Αντ' αυτού, έχει κρατήσει μοτίβα: πώς συνδέονται οι λέξεις μεταξύ τους, πώς μοιάζουν οι προτάσεις, ποιες απαντήσεις ταιριάζουν σε ποιες ερωτήσεις.

Αυτό, σε πολύ απλά λόγια, είναι ένα σύγχρονο σύστημα τεχνητής νοημοσύνης. Δεν "γνωρίζει" πράγματα με τον τρόπο που γνωρίζουμε εμείς. Έχει μάθει να αναγνωρίζει και να αναπαράγει μοτίβα από τεράστιες ποσότητες κειμένου, εικόνων ή δεδομένων και χρησιμοποιεί αυτά τα μοτίβα για να απαντήσει σε κάτι καινούριο που δεν έχει ξαναδεί ακριβώς έτσι.

Πώς "σκέφτεται" και γιατί τα εισαγωγικά έχουν σημασία

Όταν λέμε ότι ένα σύστημα AI "σκέφτεται", είναι λίγο παραπλανητικό. Δεν σκέφτεται όπως εμείς, με συνείδηση ή συναίσθημα. Δεν είναι πραγματική νοημοσύνη. Αυτό που κάνει στην πραγματικότητα είναι υπολογισμός πιθανοτήτων.

Ας πούμε ότι γράφεις "Ο ήλιος ανατέλλει στην..." , το σύστημα δεν "ξέρει" τη γεωγραφία. Έχει δει όμως τόσα εκατομμύρια παραδείγματα τέτοιων προτάσεων, που υπολογίζει με μεγάλη ακρίβεια ποια λέξη είναι πιο πιθανό να ακολουθήσει. Κάνει αυτό, λέξη προς λέξη, χτίζοντας ολόκληρες απαντήσεις, σαν να συμπληρώνει συνέχεια το κενό που λείπει, βασισμένο σε ό,τι έχει δει ξανά.

Το εντυπωσιακό είναι ότι όσο περισσότερα παραδείγματα έχει δει ένα σύστημα, τόσο πιο σύνθετα μοτίβα μπορεί να αναγνωρίσει, όχι μόνο "ποια λέξη ταιριάζει εδώ", αλλά και "ποια λογική συλλογισμού ταιριάζει σε αυτό το πρόβλημα".

Πώς μαθαίνει

Η διαδικασία μοιάζει λίγο με το πώς μαθαίνει ένα παιδί να αναγνωρίζει γάτες. Δεν του δίνεις έναν ορισμό ("η γάτα έχει τέσσερα πόδια, ουρά, αυτιά..."). Βλέπει γάτες στο δρόμο, σε σπίτια, του δείχνεις φωτογραφίες γατών, μέχρι να αρχίσει μόνο του να αναγνωρίζει το μοτίβο.

Ένα σύστημα AI περνάει από κάτι αντίστοιχο, αλλά σε τεράστια κλίμακα: "βλέπει" δισεκατομμύρια παραδείγματα κειμένου ή εικόνων και προσαρμόζει σιγά σιγά εσωτερικές του ρυθμίσεις, ώστε οι προβλέψεις του να γίνονται όλο και πιο ακριβείς. Αυτή η διαδικασία λέγεται εκπαίδευση, και χρειάζεται τεράστια υπολογιστική ισχύ, κάτι σαν να λύνεις το ίδιο πρόβλημα δισεκατομμύρια φορές, διορθώνοντας κάθε φορά λίγο το λάθος σου.

Μόλις ολοκληρωθεί αυτή η εκπαίδευση, το σύστημα είναι έτοιμο να απαντά σε νέα ερωτήματα, χρησιμοποιώντας όλα όσα έχει "δει", χωρίς να χρειάζεται να ξαναμάθει από την αρχή κάθε φορά.

Πώς εξελίσσεται

Η εξέλιξη γίνεται με λίγους διαφορετικούς τρόπους:

Περισσότερα και καλύτερα δεδομένα. Όσο πιο ποικίλα και ποιοτικά είναι τα παραδείγματα από τα οποία μαθαίνει ένα σύστημα, τόσο πιο σωστά γίνονται τα μοτίβα που αναγνωρίζει.

Καλύτερη αρχιτεκτονική. Οι ερευνητές βρίσκουν συνεχώς πιο έξυπνους τρόπους να οργανώνουν το πώς "σκέφτεται" ένα σύστημα εσωτερικά, ώστε να συνδέει ιδέες πιο αποτελεσματικά.

Ανατροφοδότηση από ανθρώπους. Μετά την αρχική εκπαίδευση, ανθρώπινοι αξιολογητές συχνά βαθμολογούν τις απαντήσεις, ποιες είναι χρήσιμες, ποιες παραπλανητικές, ποιες επικίνδυνες και το σύστημα προσαρμόζεται ξανά, ώστε να συμπεριφέρεται πιο κοντά σε αυτό που πραγματικά θέλουμε από αυτό.

Το αποτέλεσμα είναι ότι κάθε νέα γενιά αυτών των συστημάτων γίνεται πιο ικανή να χειρίζεται σύνθετα, πολύπλευρα ερωτήματα όχι επειδή "καταλαβαίνει" περισσότερο με την ανθρώπινη έννοια, αλλά επειδή τα μοτίβα που έχει μάθει να αναγνωρίζει γίνονται πιο λεπτομερή και πιο ακριβή.

Τι δεν είναι

Αξίζει να το πούμε καθαρά: η τεχνητή νοημοσύνη δεν έχει συνείδηση, δεν έχει προθέσεις, δεν "θέλει" τίποτα. Δεν σκέφτεται όταν δεν της μιλάς. Είναι ένα εργαλείο, εξαιρετικά ισχυρό και πολλές φορές εντυπωσιακό στο πώς μιμείται την ανθρώπινη σκέψη, αλλά στον πυρήνα του παραμένει ένα σύστημα αναγνώρισης μοτίβων, εκπαιδευμένο να προβλέπει τι έρχεται μετά.

Αυτό δεν το κάνει λιγότερο χρήσιμο. Aντίθετα, το κάνει πιο κατανοητό. Και όσο πιο κατανοητό γίνεται, τόσο πιο σωστά μπορούμε να το χρησιμοποιήσουμε.