The current Bet365 opening offer for new customers is market-leading bet365 mobile app You can get a free bet right now when you open an account.

Τεχνητή ευφυΐα, τεχνητός νους, και τεχνητοί πολίτες. Του Ανδρέα Δημητρίου

Διανοητές και εφευρέτες της εποχής μας ερίζουν για τον ενδεχόμενο κίνδυνο που η τεχνητή νοημοσύνη θέτει για τη συνέχεια του ανθρώπινου πολιτισμού....

 

Του Ανδρέα Δημητρίου

Κάποιοι μάλιστα, όπως ο Stephen Hawking και ο Elon Musk προειδοποιούν ότι ουδέποτε στο παρελθόν η ανθρωπότητα αντιμετώπισε τόσο μεγάλο κίνδυνο ύπαρξης όσο θα αντιμετωπίσει στο προσεχές μέλλον με την εμφάνιση μηχανών με νοημοσύνη ανώτερη από την ανθρώπινη. Πόσο δίκαιο έχουν; Πόσο κοντά είμαστε σε αυτό το ενδεχόμενο; Και τι θα συνεπάγεται, τόσο από τη θετική όσο και από την ενδεχομένως αρνητική πλευρά;

Στο άρθρο αυτό θα επιχειρήσω να απαντήσω στα ερωτήματα αυτά, με αναφορά τόσο στην τρέχουσα έρευνα στην περιοχή της τεχνητής νοημοσύνης [1, 2, 3] όσο και στην έρευνα στην περιοχή της ανθρώπινης νοημοσύνης [4]. Σκοπός μου είναι να επισημάνω τις δυσκολίες που αντιμετωπίζει η έρευνα στην τεχνητή νοημοσύνη (υπό την προοπτική της έρευνας για τη φυσική νοημοσύνη) και να δείξω το δρόμο στον οποίο θα έπρεπε να προχωρήσει για να δημιουργήσει τεχνητό νου που να μοιάζει με τον ανθρώπινο νου.

Τεχνητή Νοημοσύνη

Υπάρχει σήμερα τεχνητή νοημοσύνη που πραγματικά μπορεί να εκτοπίσει την ανθρώπινη νοημοσύνη και να επικρατήσει πάνω σε αυτήν, θέτοντας την ανθρωπότητα στο περιθώριο; Είναι γεγονός ότι κατά τα τελευταία χρόνια οι μηχανικοί της τεχνητής νοημοσύνης έχουν να επιδείξουν πολύ μεγάλες επιτυχίες. Για παράδειγμα, ο υπολογιστής Deep Blue της IBM νίκησε στο σκάκι τον Γ. Κασπάρωφ, τον μεγαλύτερο παγκόσμιο πρωταθλητή στο σκάκι. Άλλα προγράμματα νίκησαν ανθρώπους σε άλλα περίπλοκα παιγνίδια στρατηγικής. O ΥuΜi, ένα ρομπότ, έμαθε μέσα σε σχετικά μικρό χρόνο να διευθύνει ορχήστρα κλασικής μουσικής. Αυτά φαίνονται, από πρώτη άποψη, γιγάντια κατορθώματα. Ένας ηλεκρονικός υπολογιστής επικράτησε πολύπειρων ανθρώπων σε λειτουργίες που απαιτούν γνώση, λογική σκέψη, και στρατηγική. Δηλαδή έδειξε να κατέχει μερικές από τις πιο σημαντικές λειτουργίες της ανθρώπινης ευφυίας. Είναι όμως αυτός ο υπολογιστής πραγματικά ευφυής; Πιστεύω όχι. Η ευφυία του Deep Blue είναι, κατά βάση, η ευφυία του προγραμματιστή του που δημιούργησε τους αναγκαίους αλγόριθμους επιλογής της πιο σωστής την κάθε φορά κίνησης και η πολύ μεγάλη υπολογιστική ισχύς του υπολογιστή που επέτρεψε στο πρόγραμμα να διαχειριστεί μια τεράστια βάση πληροφοριών για το πως οι μεγάλοι σκακιστές απαντούσαν στην κάθε κίνηση. Αυτή όμως η ευφυία είναι περιορισμένη στο πλαίσιο για το οποίο έγινε. Κανένα άλλο πρόβλημα δεν θα μπορούσε να αντιμετωπίσει πέρα από το σκάκι. Της λείπει η βασικότερη ιδιότητα της φυσικής ευφυίας: Η δυνατότητα να μεταφέρει τις γνώσεις και κρίσεις σε νέα πλαίσια για να διαχειριστεί το απροσδόκητο.

Είναι βέβαιο ότι στο όχι πολύ μακρινό μέλλον τέτοιες "απομιμήσεις" τις ανθρώπινης νοημοσύνης για προσδιορισμένα έργα σε προσδριορισμένο περιβάλλον θα δώσουν (η έχουν ήδη δώσει) αυτοκίνητα χωρίς οδηγούς, αεροπλάνα χωρίς πιλότους, μάχες χωρίς στρατηγούς, εγχειρήσεις χωρίς γιατρούς, τράπεζες χωρίς τραπεζικούς, κλπ. Όμως, τίποτε από αυτά δεν πραγματικά «τεχνητή» ευφυία. Είναι «πακέτα φυσικής ευφυίας» που μπορούν να εκτελεστούν από υπολογιστικές μηχανές ενσωματωμένες σε φυσικές οντότητες, όπως τα μελλοντικά αυτοκίνητα και τα αεροπλάνα. Σε αυτά υπάρχουν τρεις κρίσιμες λειτουργίες: Τα προγράμματα ελέγχου των μηχανών που «μιμούνται» τον ανθρώπινο έλεγχο, ένα σύστημα αισθητήρων που μεσολαβούν μεταξύ του περιβάλλοντος και των προγραμμάτων και του μηχανικού συστήματος που εκτελεί. Προφανώς, από αυτή την ευφυία καμιά απειλή δεν υπάρχει για την ανθρωπότητα. Υπάρχει βέβαια απειλή για πολλά επαγγέλματα που θα χαθούν αλλά αυτό είναι διαχειρίσιμο, όπως ήταν για χιλιάδες χρόνια. Επαγγέλματα πάντα χάνονταν σε κάθε μεγάλη τεχνολογική και επιστημονική αλλαγή.

deep learning

Κοινοί Μηχανισμοί στο Φυσικό και τον Τεχνητό Νου

Η τεχνητή ευφυία θα προσεγγίσει τη φυσική όταν θα αποκτήσει τεχνητή γενική νοημοσύνη. Η ανθρώπινη γενική νοημοσύνη επιτρέπει στους ανθρώπους να αποκτούν νέα γνώση μέσα από μηχανισμούς ανοιχτής μάθησης, να την τροποποιούν όταν χρειάζεται, και να τη χρησιμοποιούν για τη λύση νέων προβλημάτων. Η γενική νοημοσύνη έχει τρία βασικά χαρακτηριστικά: Σύγκριση, αφαίρεση και επίγνωση (ΣΑΕ). Η σύγκριση επιτρέπει τον παραλληλισμό και την αντιπαράθεση πληροφοριών με στόχο την ανεύρεση ομοιοτήτων και διαφορών. Η αφαίρεση επιτρέπει την επισήμανση ομοιοτήτων και διαφορών μεταξύ πληροφοριών (π.χ., η φωνή και η οσμή είναι πάντα ίδιες στη μαμά) και την κωδικοποίησή τους σε νέες νοερές οντότητες που επιτρέπουν την ερμηνεία τους. Για παράδειγμα, το άκουσμα της φωνής της μητέρας, παρά τις αλλαγές αμφίεσης, ενεργοποιεί μια διαδικασία «οπτικής σάρωσης» που αναζητεί εναλλακτικά οπτικά χαρακτηριστικά που συγκρίνονται με το νοερό γι αυτήν πρότυπο για να διαπιστωθεί αν «ταιριάζουν». Η τελική ερμηνεία βασίζεται στην αφαίρεση της κρίσιμης ομοιότητας μεταξύ παραλλαγών και νοερού προτύπου που κρίνεται μέσα από μια διαδικασία επαγωγικής λογικής. Αυτή, με τη σειρά της, διέπεται από εμπειρικούς (π.χ., πόσες φορές τα χαρακτηριστικά συνυπήρξαν στον χώρο η στο χρόνο) η νοητικούς συσχετισμούς (π.χ., πόσες φορές στο παρελθόν παρόμοια συμπλέγματα πληροφοριών ερμηνεύτηκαν με ένα συγκεκριμένο τρόπο).  Η επίγνωση αναφέρεται στη δυνατότητα αυτοπαρακολούθησης, αυτοκαταγραφής, και αυτοδιόρθωσης. Είναι ο βασικός μηχανισμός που επιτρέπει την κωδικοποίηση αφαιρέσεων και τροποποιήσεων νοερών οντοτήτων σε νέες αναπαραστάσεις που μπορούν να ανακληθούν στο μέλλον άμεσα και να εννοιοδοτηθούν καθαυτές και σε σχέση με το πλέγμα των άλλων εννοιών με τις οποίες σχετίζονται.

Ο μηχανισμός ΣΑΕ λειτουργεί στη βάση ενός αρχέγονου μηχανισμού προσανατολισμού προς βιολογικά σημαντικούς ερεθισμούς. Για παράδειγμα, η μέλισσα έλκεται από συγκεκριμένα χρώματα και οσμές που πληροφορούν για γύρη και το νήπιο από συγκεκριμένες μορφές που μοιάζουν με το ανθρώπινο πρόσωπο. Στη συνέχεια, η διασύνδεση ΣΑΕ και μηχανισμού προσανατολισμού δημιουργούν ένα αυτο-ελεγχόμενο μηχανισμό προσοχής. Τονίζεται ότι η επίγνωση είναι οργανικό χαρακτηριστικό κάθε ευφυούς συστήματος που έχει την ευελιξία να διαχειριστεί το απρόβλεπτο. Αυτό οφείλεται στο ότι η επίγνωση δημιουργεί βάσεις δεδομένων και δεξιοτήτων που διαχωρίζονται από την τρέχουσα πραγματικότητα και την τρέχουσα συμπεριφορά. Αυτές οι βάσεις είναι επισκέψιμες και τροποποιήσιμες και επιτρέπουν την ύπαρξη «εμπειρίας», «εγώ» και «εαυτού». Οι συγκρίσεις και αφαιρέσεις μας, ανά πάσα στιγμή, είναι ότι έχουμε κρίνει και κάνει, ό,τι επιλέξαμε από ό,τι θα μπορούσαμε να κάνουμε, και όλες οι επιλογές που έχουμε ενώπιον μας μια δεδομένη στιγμή, από τη γέννησή μας και εξής. Στην πραγματικότητα, η επινοητικότητα όπως την ξέρουμε στον άνθρωπο προϋποθέτει την αυτεπίγνωση γιατί επιτρέπει τη δημιουργία συστηματικών παραλλαγών στις έννοιες που κατέχουμε. Επιτρέπει επίσης τον αυτοέλεγχο, που θα μπορούσε να τον δει κάποιος ως δυνατότητα αυτο-αναπρογραμματισμού ανά πάσα στιγμή.

Αυτός ο κεντρικός μηχανισμός ΣΑΕ αποτελεί το θεμέλιο του βασικού μηχανισμού συναγωγής σχέσεων και συσχετισμών της γενικής θεωρίας της νοημοσύνης και της ανάπτυξης της λογικής σκέψης στην εξελικτική ψυχολογία [4]. Ο μηχανισμός χρειάζεται γιατί το περιβάλλον είναι ποικίλο και μεταβαλλόμενο, πλημμυρίζοντας τους οργανισμούς με πληροφορίες, κάποιες χρήσιμες και πολλές άχρηστες η αδιάφορες. Ο μηχανισμός χρειάζεται για τη διαχείριση του απρόβλεπτου για το οποίο κανένα έτοιμο πρόγραμμα δεν υπάρχει στα γονίδια. Η αφετηρία της λειτουργίας του βρίσκεται στην οργάνωση των πληροφοριών στο περιβάλλον σε διάφορους τύπους σχέσων (φυσική ομοιότητα, αιτιώδεις σχέσεις, ποσοτικές σχέσεις, κλπ.) και στην καταρχήν καθοδήγηση ενός έμφυτου συστήματος αξιολόγησης που επιτρέπει τη διαφοροποίηση πληροφοριών ανάλογα με την αξία τους για τις τρέχουσες ανάγκες.

Οι συγκρίσεις και οι αφαιρέσεις ομοιοτήτων αντανακλούν τη στατιστική οργάνωση των πληροφοριών στον εξωτερικό κόσμο. Γι αυτό μπορoύν να εκφραστούν μέσα από μια διαδικασία μάθησης που βασίζεται στις αρχές επαγωγής του Bayes. Οι αρχές αυτές επιτρέπουν τη συνεχή προσαρμογή μιας έννοιας με βάση τις αρχικές προσδοκίες περί μιας κατάστασης, την ίδια την κατάσταση όπως εμφανίζεται σε μια δεδομέμη στιγμή, και τις διαφορές της μεταξύ των προσδοκιών και της παρούσας στιγμής. Για παράδειγμα, η μαμά πάντα λέει «σκύλος», δείχοντας ένα τετράποδο ζώο, ανεξάρτητα από το μέγεθός του, το χρώμα του, αν τρέχει η κοιμάται, κλπ. Έτσι η έννοια «σκύλος» επάγεται από τις κρίσιμες ομοιότητες που επαναλαμβάνονται σε όλους τους σκύλους και η σχετική πρότυπη αναπαράσταση συνδέεται με τη σχετική λέξη. Το πλέγμα προσδοκιών, παρούσας κατάστασης και έννοιας ανανεώνεται διαρκώς στη βάση των αλλαγών στο περιβάλλον φέρνοντας τις έννοιες όλο πιο κοντά στην πραγματικότητα. Έτσι, ο μηχανισμός ΣΑΕ, λειτουργώντας αρχικά στη βάση στατιστικής μάθησης, μπορεί να «ανακαλύψει» όλα τα είδη σχέσεων στον κόσμο. Μπορεί δηλαδή να μεταφραστεί σε κατηγορική σκέψη, σε μαθηματική σκέψη, σε αιτιώδη σκέψη, ακόμη και στον παραγωγικό συλλογισμό που εμφανίζεται μετά τα 7-8 χρόνια [βλ. 4 για το πως συμβαίνει η μετάφραση αυτή].

Κατά τα τελευταία χρόνια η μάθηση τύπου Bayes εφαρμόστηκε με επιτυχία για την περιγραφή της γνωστικής ανάπτυξης σε πολλούς από τους πιο πάνω τομείς [3, 5] αλλά και στην περιγραφή της  γλωσσικής ανάπτυξης [7]. Επίσης, όμως, εφαρμόζεται με επιτυχία και στη λεγόμενη μηχανική μάθηση. Η μηχανική μάθηση επιτρέπει στους υπολογιστές να μαθαίνουν από τα δεδομένα που έχουν, χωρίς να προγραμματίζονται ειδικά ως προς τα δεδομένα αυτά. Η μηχανική μάθηση στηρίζεται σε μια σειρά διαδικασιών που επιτρέπουν στους υπολογιστές να ανακαλύπτουν τις συσχετίσεις αρχικών δεδομένων με επακόλουθα αποτελέσματα, να κωδικοποιούν την επικρατούσα σχέση στη βάση του στατιστικού προτύπου που επικρατεί, και στη συνέχεια να την εφαρμόζουν για να προβλέψουν νέα αποτελέσματα από ακολουθίες παρόμοιων δεδομένων. Η μηχανική μάθηση τύπου Bayes επιτρέπει σε έναν υπολογιστή να οικοδομεί όλο και πιο ακριβή μοντέλα σχέσεων με βάση την προσθήκη νέων δεδομένων. Τα μοντέλα αυτά στη συνέχεια επιτρέπουν «ερμηνείες» εισερχόμενων δεδομένων, προβλέψεις για το τι θα επακολουθήσει, ακόμη και «αποφάσεις» ως προς την αναγκαία δράση, δεδομένης της κατάστασης. Στην μη-εποπτευόμενη μάθηση οι σχέσεις δεν είναι προσδιορισμένες. Ανακαλύπτονται από την οργάνωση των πληροφοριών, όπως είναι η ύπαρξη κάποιου κεντρικού χαρακτηριστικού, γύρω από το οποίο οργανώνονται. Για παράδειγμα, η φωνή της μητέρας είναι κεντρική στην αναγνώρισή της από το βρέφος, γιατί είναι πάντα η ίδια ανεξάρτητα από το χτένισμα της, το χρώμα των ρούχων, κλπ.

Υποθέτω ότι εύκολα μπορεί να δει κανείς τις ομοιότητες μεταξύ της μηχανικής μάθησης και του μηχανισμού ΣΑΕ. Το ζευγάρωμα αρχικών δεδομένων και αποτελεσμάτων αντιστοιχεί με τη διαδικασία της σύγκρισης. Η αφαίρεση της σχέσης με βάση το στατιστικό πρότυπο που επικρατεί αντιστοιχεί με την επαγωγική αφαίρεση των ομοιοτήτων. Είναι σημαντικό να τονιστεί ότι πρόσφατα οι ερευνητές της μηχανικής μάθησης περιλαμβάμουν στις θεωρήσεις τους και μηχανισμούς μεταμάθησης που αντιστοιχούν με την επίγνωση στον μηχανισμό ΣΑΕ. Η μηχανική μεταμάθηση κάνει χρήση του τρόπου που λύθηκαν προβλήματα μηχανικής μάθησης στο παρελθόν για να βελτιωθεί η επίδοσή τους στο μέλλον. Δημιουργούνται μηχανικές μετα-αναπαραστάσεις που επιτρέπουν την αξιολόγηση και την τροποίηση των αλγορίθμων όπως η επίγνωση στο κανονικό παιδί.

RobotEvolution

Μάθηση Μηχανής και Αναπτυξιακή Ρομποτική

Τελευταία έχουν γίνει σημαντικά βήματα στην μεταφορά των πιο πάνω γνώσεων σε τεχνητά συστήματα, όπως οι μηχανές αναζήτησης, τα κοινωνικά δίκτυα και τα ρομπότ. Οι αλγόριθμοι που χρησιμοποιούν το Facebook και το google είναι αυτού του τύπου. Οι αλγόριθμοι αυτοί βρίσκουν τις προσωπικές προτιμήσεις από τις επιλογές και τις αντιδράσεις κάποιου, τις μετατρέπουν σε γενικές αρχές προτίμησης, και στη συνέχεια συσχετίζουν τις προσωπικές προτιμήσεις με τη ροή των δεδομένων στο σύστημα, ώστε να παρουσιάζουν στον καθένα τις πληροφορίες που θέλει.

Οι αρχές αυτές ήδη χρησιμοποιούνται σε μια νέα περιοχή της τεχνητής νοημοσύνης, την αναπτυξιακή ρομποτική. Η περιοχή αυτή επιχειρεί να προκαλέσει γνωστική ανάπτυξη σε ρομπότ που μιμούνται τη γνωστική ανάπτυξη των παιδιών. Ερευνητές έχουν δίξει ότι ρομπότ-παιδιά μαθαίνουν να ξεχωρίζουν αντικείμενα, να αναγνωρίζουν το όνομά τους, και να αντιδρούν σε απλές εντολές (π.χ., πάρε το κόκκινο κουτί). Είναι φανερό ότι αργά η γρήγορα θα έχουμε ρομπότ που θα χαρακτηρίζονται από την νοημοσύνη ανθρώπων διαφορετικής ηλικίας [2,3,5].

Για να ενεργοποιθεί η διαδικασία αυτή πρέπει να ενσωματωθούν τέσσερεις μηχανισμοί της φυσικής νοημοσύνης [4] στο σύστημα:

  1. Ένας μηχανισμός προσοχής που μπορεί να εστιάζει σε ερεθισμούς που καταγράφονται από τα «αισθητήρια», να ανιχνεύει διακυμάνσεις στην κατάστασή τους (π.χ., εμφάνιση-εξαφάνιση), αλλαγές στη δομή του πεδίου (π.χ., προσθήκη και άλλων αντικειμένων) και να εναλλάσει την προσοχή μεταξύ τους.
  2. Ένας αξιολογικός μηχανισμός που αποδίδει αρχικά βάρη σπουδαιότητας η επικινδυνότητας στους ερεθισμούς ώστε να διαμορφωθεί μια αρχική τάση προσέγγισης-αποφυγής (π.χ., έντονο φως η πολύ δυνατοί ήχοι που μπορεί να δημιουργήσουν δυσκολίες στην καλή λειτουργία του συστήματος).
  3. Ένας μηχανισμός αναδρομής που επιτρέπει στο σύστημα να επανέρχεται για να επενεξετάσει και να επαναξιολογήσει ερεθισμούς. Το παιγνίδι, η μίμηση συμπεριφορών που παρατηρούνται σε άλλους, και η νοερή επανάληψη προηγούμενων δράσεων είναι μέρη του μηχανισμού αυτού.     
  4. Ένας μηχανισμός ΣΑΕ όπως αναλύθηκε πιο πάνω που υλοποιεί διάφορα προγράμματα μάθησης και δημιουργίας εννοών, όπως είναι η μάθηση τύπου Bayes, αλλά και άλλα που δεν είναι της παρούσης.

l65046 robot baby 36051

Αναπτυσσόμενος Τεχνητός Νους

Πως να δημιουργήσεις τον επεισοδικό νου του βρέφους

Η νοημοσύνη νηπίου 18-24 μηνών έχει ήδη επιτευχθεί από ρομπότ που αγνωρίζουν τη σημασία των πολλών λέξεων, αντιδρούν σε εντολές του τύπου «δώσε το κόκκινο κουτί» και εκτελούν συμπλέγματα ακολουθιών που ενέχουν η μια την άλλη η αντιστοιχίζονται μεταξύ τους (π.χ., δίνεις τις πράσινες σε εμένα και βάζεις τις κόκκινες στο κουτί, εναλλάξ, μέχρι να τελειώσουν). Τέλος, το ρομπότ-νήπιο συνδυάζει τις ενέργειες του με τη γλώσσα, λέγοντας: σου δίνω την κόκκινη μπάλα και βάζω την πράσινη στο κουτί [3, 5]. Η πλήρης ανάπτυξη αυτών των ικανοτήτων σε συνδυασμό με λεπτές επιδέξιες κινήσεις θα επιτευχθεί μέσα στα προσεχή 4-5 χρόνια, καθώς απαιτεί υπολογιστική δύναμη ισοδύναμη με, περίπου, 100 εκατομύρια πραγματικών νευρώνων [7].

Πως να δημιουργήσεις τον αναπαραστατικό νου του προσχολικού παιδιού

Στα χρόνια του νηπιαγωγείου το παιδί αναπαριστά τον κόσμο νοερά, συνδέει τις ορατές μορφές αντικειμένων και προσώπων με την προηγούμενη κατάστασή τους, συνδέει αναπαραστάσεις μεταξύ τους, συγκεντρώνεται για λίγο σε ένα σκοπό και ακολουθεί απλές οδηγίες που δείχνουν ότι μπορεί να μεταφράσει μια ακολουθία αναπαραστάσεων σε μια ακολουθία ενεργειών (π.χ., φέρε τα παπούτσια από τη ντουλάπα στη μαμά) και έχει αυτόνομη κίνηση στο χώρο. Επίσης, κατέχει εκτενές λεξιλόγιο για συγκεκριμένα πράγματα και επιτυγχάνει νέους συνδυασμούς λέξεων που δεν διδάχθηκε άμεσα, μεταφέροντας εκφράσεις από ένα πλαίσιο σε ένα άλλο πλαίσιο. Συνεπώς, το ρομπότ αυτής της ηλικίας πρέπει να μπορεί να βάλει στη σειρά αντικείμενα κατά μια διάσταση (π.χ., μπάλες προοδευτικά αυξανόμενου μεγέθους) η να τα ταξινομήσει κατά μια η δύο ιδιότητες (π.χ., χρώμα) και να αντιστοιχίσει αριθμητικά σύνολα από ένα μέχρι 4 αντικείμενα τα αντίστοιχα ψηφία. Τέλος, στη φάση αυτή έχει αναπαραστατική ενημερότητα ότι διαφορετικές λειτουργίες (π.χ., όραση, ακοή) παράγουν διαφορετικές αναπαραστάσεις (όραση-οπτικές εικόνες, ακοή-ήχος) και ότι η προσοχή μπορεί να κετευθυνθεί κατ’ επιλογήν σε διαφορετική λειτουργία για να δώσει διαφορετική πληροφορία. Η ενημερότητα αυτή είναι αναγκαία για την απόκτηση εκτελεστικού ελέγχου. Εκτιμάται ότι οι ικανότητες αυτές απαιτούν υπολογιστική δύναμη ισοδύναμη με, περίπου, ένα δισεκατομύριο πραγματικών νευρώνων και θα είναι δυνατές σε περίπου 15 χρόνια [7].

Πως να δημιουργήσεις τον συμπερασματικό-κανονιστικό νου του παιδιού του δημοτικού σχολείου

Στα χρόνια του δημοτικού σχολείου η βάση δεδομένων διερύνεται πολύ αποκτώντας την ακρίβεια των εννοιών που είναι αποδεχτές σε μια κοινωνία. Η αναζήτηση των πληροφοριών οργανώνεται από κανόνες που επιτρέπουν την εύκολη αναγνώριση νέων περιπτώσεων όταν έρχονται και την γρήγορη ανάκληση όταν χρειάζονται. Έτσι, το ρομπότ με νοημοσύνη παιδιού 3-4ης τάξης δημοτικού σχολείου ταξινομεί σύμφωνα με κανόνες κατηγοροποίησης (π.χ., ζώα πάνε μαζί, φρούτα πάνε μαζί, κλπ), ταυτίζει αντικείμενα από ένα μέρος τους, επιτυγχάνει προβλέψεις (π.χ. συννεφιά-βροχή), συνάγει λογικές σχέσεις από τις σχέσεις μεταξύ αναπαραστάσων (π.χ., υπάρχουν περσισσότερα ζώα από τους σκύλους). Τέλος κατανοεί ότι ο συλλογισμός μπορεί να παράγει νέες πληροφορίες και για αυτό μπορεί να χρησιμοποιηθεί συστηματικά για να γίνουν προβλέψεις. Εκτιμάται ότι οι ικανότητες αυτές απαιτούν υπολογιστική δύναμη ισοδύναμη με, περίπου, 100 δισεκατομύρια πραγματικών νευρώνων και θα είναι δυνατές σε περίπου 25 χρόνια [7].

Πως να δημιουργήσεις τον υποθετικό νου του εφήβου

Σε ένα επόμενο επίπεδο που αντιστοιχεί με τις επιτεύξεις της εφηβείας, πρέπει το ρομπότ να έχει μια ανοιχτή στάση προς τη λογική ανάλυση της πλροφορίας που επιτρέπει την συστηματική εξέταση όλων των περιπτώσεων που συνάγονται από μια λογική ακολουθία. Αυτή η προσέγγιση επιτρέπει την εύρεση λαθών και πλανών στα δεδομένα η στην ερμηνεία των άλλων γι αυτά. Για παράδειγμα, κατανοείται ότι "εάν Α τότε Β" δεν επιτρέπει να καταλήξει κανείς σε κάποιο συμπέρασμα για το Α αν γνωρίζει μόνο ότι το Β συνέβη ή να συνάγει κάποιο συμπέρασμα για το Β, μόνο αν γνωρίζει ότι το Α δεν συνέβη, γιατί το Β μπορεί να προκαλείται και από παράγοντες άλλους εκτός από το Α. Εκτιμάται ότι οι ικανότητες αυτές απαιτούν υπολογιστική δύναμη ισοδύναμη με, περίπου, 100 τρισεκατομύρια πραγματικών νευρώνων και θα είναι δυνατές σε περίπου 50 χρόνια [7].

rs 229613 AI Opener

Συμπεράσματα

Προφανώς, συστήματα με παιδικό η εφηβικό νου μπορούν να είναι εξαιρετικά χρήσιμα για τη συγκέντρωση και την αξιολόγηση πληροφοριών. Όμως, μολονότι τα συστήματα αυτά δεν θα έρθουν αύριο, η έλευση τους θέτει πολλά σημαντικά ηθικά και νομικά ερωτήματα, γιατί, όπως οι άνθρωποι, θα έχουν προτιμήσεις, πράγματα που τα ευχαριστούν η τα δυσαρεστουν, κλπ. Για παράδειγμα, ένα τεχνητό ον με νου σαν τον ανθρώπινο πρέπει να έχει πολιτικά δικαιώματα; Σε ποια βάση πρέπει να τους δοθούν και σε ποια βάση όχι; Αν τους δοθούν τότε θα μπορούσε κάποιος να επικαλεστεί τον κίνδυνο θα επηρεάζονται και θα κατευθύνονται από τον δημιουργό τους. Το ίδιο όμως δεν ισχύει και σήμερα με την διαρκή επικοινωνιακή διαχείριση κρίσεων και αποφάσεων; Μπορεί κάποιος να τα κατέχει ως αντικείμενα; Ποιος αποφασίζει για τον τερματισμό της ύπαρξής τους η την άλλαγή χρήσης;

Εξάλλου, τα συστήματα αυτά είναι συστήματα μάθησης για να προσεγγίσουν την ανθρώπινη συμπεριφορά. Επομένως, όσο πιο ρεαλιστικό είναι το περιβάλλον μάθησης στο οποίο μαθαίνουν τόσο το καλύτερο. Έτσι, θα τα δεχόμασταν ως μαθητές στο σχολείο των παιδιών μας η ακόμη μέσα στις οικογένειές μας μαζί με τα παιδιά μας; Ενδεχομένως, η εμπειρία της μορφής αυτής να ήταν πολύ διδαχτική για όλους και όχι μόνο για τα ρομπότ.

Εξάλλου ποια είναι η χρήση τους; Θα μπορούσε να είναι η διεύρυνση των νοητικών και των γνωσιολογικών ικανοτήτων του κατόχου τους. Για παράδειγμα, θα μπορούσαν να συμβάλλουν στην αξιολόγηση πληροφοριών και την βελτιστοποίηση αποφάσεων σε διάφορους χώρους όπως ακριβώς σήμερα χρησιμοποιείται ο υπολογιστής. Ποιος όμως πιστώνεται με μια απόφαση; Ο κάτοχος η το ον; Βέβαια πρέπει να ληφθεί υπόψη ότι σε 50 χρόνια, η πρόοδος στην γενετική και την εμβιομηχανική θα είναι τέτοια που ο τεχνητός νους δεν θα υπάρχει σε ένα ανεξάρτητο μηχάνημα άλλα θα γίνεται κατευθείαν μέρος των ανθρώπων. Μιλάμε βέβαια για άλλον κόσμο, τον οποίο εμείς, δυστυχώς δεν θα προλάβουμε.

Αποτελούν τα πιο πάνω απειλή για την ύπαρξη της ανθρωπότητας; Πιστεύω πως ναι στο βαθμό που αποτελούσαν απειλές όλες οι μεγάλες ανακαλύψεις μέχρι σήμερα. Στην πραγματικότητα, η αισιόδοξη προσέγγιση θα έλεγε ότι είναι ίσως η πρώτη φορά που οι ανακαλύψεις μας μπορεί να μας δείξουν τα λάθη μας και να μας προστατεύσουν από αυτά.

Του Ανδρέα Δημητρίου

Βιβλιογραφία

  1. Goertzel, B. (2009). Artificial general intelligence. Berlin: Springer.
  2. Araki, A., Nakamura, T., & Nagai, T. (2013). Long-term Learning of Concept and Word by Robots: Interactive Learning Framework and Preliminary Results. 2013 IEEE/RSJ International conference on Intelligent Robots and Systems (IROS), November 3-7, 2013. Tokyo, Japan
  3. Asada, M., Hosoda, K. Kuniyoshi, Y. Ishiguro, H. Inui, T. Yoshikawa, Y. Ogino, M. & Yoshida, C. (2009). Cognitive Developmental Robotics: A Survey. IEEE Transactions on Autonomous Mental Development, 1, 12-34.
  4. Demetriou, A., & Spanoudis, G. (in press). Growing minds: A developmental theory of intelligence, brain, and education. London: Routledge.
  5. Cangelosi A., Schlesinger M. (2015). Developmental Robotics: From Babies to Robots. Cambridge, MA: MIT Press
  6. Samuelson LK, Smith LB, Perry LK, Spencer JP (2011) Grounding word learning in space. PLoS ONE, 6: e28095. 
  7. Eliasmith, C. (2015). On the Eve of Artificial Minds. In T. Metzinger & J. M. Windt (Eds). Open MIND: 12(T). Frankfurt am Main: MIND Group. doi: 10.15502/9783958570252

Σαν σήμερα στην επιστήμη


Πέμπτη
23
Νοεμβρίου
2017

Ημερολόγιο Εκδηλώσεων

Νοέμβριος 2017
Κ Δ Τ Τ Π Π Σ
1 2 3 4
5 6 7 8 9 10 11
12 13 14 15 16 17 18
19 20 21 22 23 24 25
26 27 28 29 30

Η Επιστήμη σε εικόνες