Ο λόγος και η γλώσσα είναι κεντρικά στοιχεία της ανθρώπινης νοημοσύνης, της επικοινωνίας και των γνωστικών λειτουργιών. Η κατανόηση της φυσικής γλώσσας θεωρείται συχνά ως η μεγαλύτερη πρόκληση για την τεχνητή νοημοσύνη – μια πρόκληση που, αν επιλυθεί, θα μπορούσε να φέρει τις μηχανές πολύ πιο κοντά στην ανθρώπινη νοημοσύνη.
Το 2019, η Microsoft και η Alibaba ανακοίνωσαν ότι προέβησαν σε βελτιώσεις σε μια τεχνολογία της Google που νίκησε τους ανθρώπους σε μια εργασία επεξεργασίας φυσικής γλώσσας (NLP – Natural Language Processing) που ονομάζεται κατανόηση ανάγνωσης. Η Επεξεργασία Φυσικής Γλώσσας (NLP) είναι ένας κλάδος της Τεχνητής Νοημοσύνης που επιτρέπει στις μηχανές να κατανοούν την ανθρώπινη γλώσσα. Στόχος της είναι η δημιουργία συστημάτων που μπορούν να κατανοούν το κείμενο και να εκτελούν αυτόματα εργασίες όπως η μετάφραση, ο ορθογραφικός έλεγχος ή η ταξινόμηση θεμάτων.
Στο μεταξύ, το 2015, ερευνητές της Microsoft και της Google ανέπτυξαν συστήματα που νίκησαν τους ανθρώπους στην αναγνώριση εικόνων. Είχε προβλεφθεί τότε ότι οι εφαρμογές υπολογιστικής όρασης θα ανθίσουν, και πολλές εταιρείες έκαναν επενδύσεις σε άλλες εταιρείες που κατασκευάζουν εφαρμογές ή προϊόντα υπολογιστικής όρασης. Σήμερα, τα προϊόντα αυτά χρησιμοποιούνται στο λιανικό εμπόριο, τη μεταποίηση, την εφοδιαστική αλυσίδα, την υγειονομική περίθαλψη και τις μεταφορές. Οι επενδύσεις αυτές αξίζουν σήμερα πάνω από 20 δισεκατομμύρια δολάρια.
Με βάση αυτό, η ανακάλυψη ότι οι μηχανές μπορούν να υπερβούν τις δυνατότητες των ανθρώπων στο NLP οδηγεί στην πρόβλεψη ότι οι αλγόριθμοι NLP θα δώσουν το έναυσμα για απίστευτα ακριβή αναγνώριση ομιλίας και μηχανική μετάφραση, που θα τροφοδοτήσουν μια μέρα έναν “παγκόσμιο μεταφραστή”, όπως απεικονίζεται και στο Star Trek. Το NLP θα επιτρέψει επίσης να δημιουργηθούν ολοκαίνουργιες εφαρμογές, όπως μια ακριβής μηχανή αναζήτησης που θα απαντά σε ερωτήσεις, αλλά και τη σύνθεση στοχευμένου περιεχομένου που θα κάνει τη σημερινή εξατομικευμένη διαφήμιση πανεύκολη. Αυτές θα μπορούσαν να χρησιμοποιηθούν σε εφαρμογές οικονομικών, υγειονομικής περίθαλψης, marketing και καταναλωτικών εφαρμογών. Μάλιστα, πιστεύεται ότι μπορεί να υπάρξει μεγαλύτερος αντίκτυπος από το NLP απ’ ό,τι από την υπολογιστική όραση.
Η φύση του NLP βασίζεται σε μια τεχνολογία που ονομάζεται μάθηση με αυτό-επίβλεψη. Οι προηγούμενοι αλγόριθμοι NLP απαιτούσαν συλλογή δεδομένων και λεπτομερή ρύθμιση για κάθε τομέα (όπως με την Alexa του Amazon ή με ένα chatbot εξυπηρέτησης πελατών για μια τράπεζα), κάτι που είναι δαπανηρό και επιρρεπές σε σφάλματα. Αλλά η εκπαίδευση με αυτο-επίβλεψη λειτουργεί ουσιαστικά σε όλα τα δεδομένα του κόσμου, δημιουργώντας ένα γιγαντιαίο μοντέλο που μπορεί να έχει έως και αρκετά τρισεκατομμύρια παραμέτρους.
Αυτό το γιγαντιαίο μοντέλο εκπαιδεύεται χωρίς ανθρώπινη επίβλεψη. Μια τεχνητή νοημοσύνη “αυτο-εκπαιδεύεται” καταλαβαίνοντας από μόνη της τη δομή της γλώσσας. Στη συνέχεια, μπορεί να προσαρμοστεί το γιγαντιαίο αυτό μοντέλο σε συγκεκριμένους τομείς και να χρησιμοποιηθεί για πράγματα όπως η μηχανική μετάφραση, η απάντηση ερωτήσεων και ο φυσικός διάλογος. Για την εξειδικευμένη προσαρμογή λαμβάνονται επιλεκτικά τμήματα του γιγαντιαίου μοντέλου και απαιτείται πολύ μικρή τροποποίηση. Ακριβώς δηλαδή όπως οι άνθρωποι μαθαίνουν πρώτα μια γλώσσα και στη συνέχεια, με βάση αυτή, μαθαίνουν συγκεκριμένες γνώσεις ή μαθήματα.
Από την ανακάλυψη του 2019, έχουν ήδη δημιουργηθεί γιγαντιαία μοντέλα NLP που αυξάνονται ραγδαία σε μέγεθος (περίπου 10 φορές ετησίως), με αντίστοιχες βελτιώσεις στις επιδόσεις. Έχουμε επίσης δει εκπληκτικές επιδείξεις – όπως το Google Lambda, το οποίο συνομιλεί φυσικά με ανθρώπινη ομιλία, ή μια κινεζική startup που ονομάζεται Langboat και παράγει διαφημιστικό υλικό με διαφορετικό τρόπο για κάθε άτομο.
Η τεχνητή νοημοσύνη έναντι της ανθρώπινης
Η Τεχνητή Νοημοσύνη, η επιστήμη της κατασκευής πιο έξυπνων και ευφυών μηχανών που μοιάζουν με τον άνθρωπο, έχει προκαλέσει μια αναπόφευκτη συζήτηση για την Τεχνητή Νοημοσύνη έναντι της Ανθρώπινης Νοημοσύνης. Πράγματι, οι αλγόριθμοι Μηχανικής Μάθησης (ML – Machine Learning) και Βαθιάς Μάθησης (DL – Deep Learning) έχουν κατασκευαστεί για να κάνουν τις μηχανές να μαθαίνουν από μόνες τους και να λαμβάνουν αποφάσεις όπως ακριβώς κάνουμε εμείς οι άνθρωποι. Ωστόσο, με τη συνεχή πρόοδο της μηχανικής μάθησης, έχει όλο και λιγότερο νόημα να συγκρίνουμε την τεχνητή νοημοσύνη με το ανθρώπινο μυαλό.
Οι σκεπτικιστές λένε ότι αυτοί οι αλγόριθμοι απλώς απομνημονεύουν τα δεδομένα όλου του κόσμου και ανακαλούν υποσύνολα με έξυπνο τρόπο, αλλά δεν έχουν κατανόηση και δεν είναι πραγματικά ευφυείς. Κεντρικό ρόλο στην ανθρώπινη νοημοσύνη παίζουν οι ικανότητες να σκέφτεται κανείς, να σχεδιάζει και να είναι δημιουργικός.
Υπάρχουν ρομπότ και ανθρωποειδή που είτε ξεπερνούν τους ανθρώπους είτε συντονίζονται μαζί μας με πολλούς τρόπους. Αυτές οι εφαρμογές που βασίζονται στην τεχνητή νοημοσύνη έχουν μεγαλύτερη ταχύτητα εκτέλεσης, έχουν υψηλότερη επιχειρησιακή ικανότητα και ακρίβεια, ενώ παράλληλα είναι ιδιαίτερα σημαντικές σε κουραστικές και μονότονες εργασίες σε σύγκριση με τους ανθρώπους.
Αντίθετα, η ανθρώπινη νοημοσύνη σχετίζεται με την προσαρμοστική μάθηση και την εμπειρία. Δεν εξαρτάται πάντα από δεδομένα που έχουν προ-τροφοδοτηθεί, όπως αυτά που απαιτούνται για την AI. Η ανθρώπινη μνήμη, η υπολογιστική της ισχύς και το ανθρώπινο σώμα ως οντότητα μπορεί να φαίνονται ασήμαντα σε σύγκριση με την υποδομή υλικού και λογισμικού της μηχανής. Όμως, το βάθος και τα στρώματα που υπάρχουν στον εγκέφαλό μας είναι πολύ πιο πολύπλοκα και εξελιγμένα, τα οποία οι μηχανές εξακολουθούν να μην μπορούν να νικήσουν, τουλάχιστον όχι στο εγγύς μέλλον.
Διαβάστε επίσης: Ποια είναι τα επαγγέλματα του μέλλοντος, σύμφωνα με τον Elon Musk
Πολλοί πιστεύουν ότι η πραγματική νοημοσύνη θα απαιτήσει μεγαλύτερη κατανόηση της ανθρώπινης γνωστικής διαδικασίας. Άλλοι υποστηρίζουν τη “νευρομορφική πληροφορική”, δηλαδή την κατασκευή κυκλωμάτων που μοιάζουν περισσότερο με τον ανθρώπινο εγκέφαλο, μαζί με έναν νέο τρόπο προγραμματισμού. Άλλοι πάλι ζητούν στοιχεία της “κλασικής” τεχνητής νοημοσύνης, δηλαδή εξειδικευμένα συστήματα που βασίζονται σε κανόνες, σε συνδυασμό με βαθιά μάθηση σε υβριδικά συστήματα.
Αυτό που είναι αδιαμφισβήτητο είναι ότι οι υπολογιστές απλώς “σκέφτονται” διαφορετικά από ό,τι ο ανθρώπινος εγκέφαλός. Ο καλύτερος τρόπος για την αύξηση της νοημοσύνης των υπολογιστών είναι η ανάπτυξη γενικών υπολογιστικών μεθόδων, όπως η βαθιά μάθηση και η αυτο-εποπτευόμενη μάθηση, που κλιμακώνονται με μεγαλύτερη επεξεργαστική ισχύ και περισσότερα δεδομένα. Καθώς προσθέτονται 10 φορές περισσότερα δεδομένα κάθε χρόνο για την εξέλιξη της τεχνητής νοημοσύνης, δεν υπάρχει καμία αμφιβολία ότι η τεχνολογία αυτή θα είναι σε θέση να κάνει πολλά πράγματα που εμείς οι άνθρωποι δεν μπορούμε.
Πάντως για τα επόμενα 20 χρόνια δεν προβλέπεται να γίνει η βαθιά μάθηση “τεχνητή γενική νοημοσύνη” (AGI – Artificial General Intelligence), που θα ταιριάζει με την ανθρώπινη νοημοσύνη από κάθε άποψη. Υπάρχουν πολλές προκλήσεις στις οποίες δεν έχει σημειωθεί μεγάλη πρόοδος, όπως το πώς να μοντελοποιηθούν η δημιουργικότητα, η στρατηγική σκέψη, η συλλογιστική, η αντιφατική σκέψη, τα συναισθήματα και η συνείδηση.
Πάντως, σύντομα η βαθιά μάθηση και οι επεκτάσεις της θα ξεπεράσουν τους ανθρώπους σε όλο και μεγαλύτερο αριθμό εργασιών, αλλά θα εξακολουθούν να υπάρχουν και πολλές δραστηριότητες που οι άνθρωποι μπορούν να χειριστούν πολύ καλύτερα από αυτήν.
ή αποκτήστε ετήσια συνδρομή εδώ.
