Ο Νεύτωνας είχε πει κάποτε: «Αν όντως κοίταξα μπροστά από την εποχή μου, αυτό συνέβη επειδή στεκόμουν σε πλάτες γιγάντων». Πράγματι, η επιστημονική έρευνα μοιάζει κάπως έτσι, όπως τα λέει ο Νεύτωνας. Θα μπορούσαμε επίσης να φανταστούμε την επιστημονική εξέλιξη σαν μια αέναη σκάλα, που το κάθε σκαλοπάτι της είναι μια επιστημονική ανακάλυψη απαραίτητη για το επόμενο σκαλοπάτι και ούτω καθεξής.
Μόνο που μερικές φορές, αυτή η σκάλα, οδηγεί σε αδιέξοδα που όταν συναντούμε πρέπει να κατέβουμε μερικά σκαλοπάτια και μετά να ακολουθήσουμε άλλη, εξίσου ανηφορική διαδρομή.
Νομίζω ότι οι έρευνες στον τομέα της Τεχνητής Νοημοσύνης έχουν φτάσει σε ένα τέτοιο αδιέξοδο.
Οι παλιοί φίλοι αυτού του ταπεινού δικτυακού τόπου , θα θυμούνται ίσως δύο παλαιότερα άρθρα μου για το θέμα , εκείνο με τα ποτήρια νερού που γεμίζουν μια θάλασσα και το άλλο με την ουτοπία μιας κοινωνίας χωρίς εργασία . Εάν δεν τα έχετε διαβάσει, μπορείτε να το κάνετε κάποια στιγμή, νομίζω πως θα τα βρείτε ενδιαφέροντα. Το είδος της τεχνητής νοημοσύνης που περιγράφεται σε εκείνα τα δύο άρθρα είναι η κρατούσα, η ορθόδοξη, η ακαδημαϊκή, η δημοφιλής αν θέλετε άποψη για τον τρόπο με τον οποίο θα επιτύχουμε “Τεχνητή Νοημοσύνη”
Αυτό εδώ το άρθρο , θα εξετάσει την αιρετική άποψη, τον αντίλογο.
To 1997 ήταν μια από τις σημαντικότερες χρονιές στην ιστορία της Τεχνητής Νοημοσύνης. Το άπιαστο όνειρο της πληροφορικής είχε γίνει πλέον πραγματικότητα. Για πρώτη φορά στην ανθρώπινη ιστορία, ένας Ηλεκτρονικός Υπολογιστής είχε νικήσει έναν άνθρωπο, Grand Master στο σκάκι. Το όνομα του υπολογιστή ήταν IBM Deep Blue. To όνομα του ανθρώπου ήταν Garry Kasparov.
Το κάστρο είχε πέσει. Ο Υπολογιστής ήταν πιο έξυπνος από τον Άνθρωπο.
Η μήπως όχι;
Ας δούμε μερικά αριθμητικά στοιχεία. O Deep Blue ήταν ένα θηριώδες μηχάνημα , με τριάντα επεξεργαστές P2SC και με 480 ειδικά κατασκευασμένους για αυτό το σκοπό συνεπεξεργαστές. Αυτό το κτήνος υπολογιστικής ισχύος υπολόγιζε, κατά την διάρκεια της παρτίδας, 200.000.000 (διακόσια εκατομμύρια!) πιθανές κινήσεις το δευτερόλεπτο.
Ο Garry Kasparov στην καλύτερη των περιπτώσεων , υπολόγιζε καμιά δεκαριά κινήσεις το δευτερόλεπτο.
Η νίκη του Deep Blue ήταν οριακή . Το τελικό σκορ ήταν 3½–2½.
Φαντάζομαι ότι ήδη θα εντόπισες το παράδοξο: Από την μια έχουμε μια μηχανή με κτηνώδη δύναμη, που υπολογίζει εκατοντάδες εκατομμύρια πιθανές κινήσεις το δευτερόλεπτο. Από την άλλη έχουμε έναν άνθρωπο που υπολογίζει λίγες μόνο , μετρημένες στα δάχτυλά, κινήσεις.
Και όμως αυτό οι δύο αντίπαλοι, ο βιολογικός και ο συνθετικός, παίζουν παρόμοια! Σχεδόν στα ίσια. Εάν λοιπόν θέλουμε να μην κρυβόμαστε πίσω από το δάχτυλό μας θα πρέπει να αναρωτηθούμε. “Εντάξει , νικήσαμε τον άνθρωπο, είναι όμως η μεθοδολογία μας σωστή; Είμαστε στον σωστό δρόμο; Ναί νικήσαμε, η μέθοδος όμως που ακολουθήσαμε για την νίκη μας δίδαξε κάτι για τον τρόπο με τον οποίο παίζει ο μεγαλοφυής Kasparov ; ” Εδώ σε θέλω κάβουρα να περπατάς στα κάρβουνα.
Θέλω να είμαι ειλικρινής μαζί σου. Ο Σπύρος Καλογήρου το είχε πει πολύ όμορφα: “Είναι πολλά τα λεφτά Άρη”.
Η έρευνα στο τομέα της τεχνητής νοημοσύνης είναι αυτό που λένε οι Αμερικάνοι Big Money. Στις αρχές της δεκαετίας του 80 το συνολικό ποσό που δαπανώνταν για έρευνα στον τομέα ήταν μερικά εκατομμύρια δολάρια. Σήμερα επενδύονται δεκάδες δισεκατομμύρια δολάρια . Όταν ο Deep Blue νίκησε τον Kasparov η συνολική αξία των μετοχών της IBM ανέβηκε κατά 18 δισεκατομμύρια δολάρια.
Η IBM είναι φυσικά η κορυφή μόνο του παγόβουνου. Η τεχνητή νοημοσύνη “τύπου Deep Blue” είναι πλέον παντού. Οι απαντήσεις που σου δίνει το Google όταν του γράφεις “συνταγή μαγειρικής που έβαλε χτeς ο Antenna στην εκπομπή Λιάγκα” είναι τεχνητή νοημοσύνη “τύπου Deep Blue”. Οι προτάσεις για το τι ταινία πιθανόν να σου άρεσε να δεις από το Netflix είναι TN “τύπου Deep Blue”. To Siri στα κινητά iPhone είναι TN “τύπου Deep Blue”
Δεν θέλω να με παρεξηγήσεις. Δεν λέω ότι η πρόοδος στον τομέα δεν είναι ήδη αξιοθαύμαστη. Εξάλλου , λέει ο αντίλογος, η πραγματική πρόοδος στον τομέα της αεροναυπηγικής έγινε όταν πάψαμε να προσπαθούμε να μιμηθούμε “πως πετάει ένα πουλί” και βρήκαμε δικό μας τρόπο να πετάμε.
Τι το κακό έχει η “τεχνητή” πτήση; Τι το κακό έχει η “τεχνητή” νοημοσύνη;
Νομίζω πως η απάντηση στο ρητορικό ερώτημα είναι εύκολη. Η “τεχνητή” πτήση είναι επαρκέστατη , καλύτερη από εκείνη ενός πουλιού. Μπορεί να σε πάει από το Λονδίνο ως την Νέα Υόρκη σε λίγες ώρες. Η ΤΝ “τύπου Deep Blue” είναι καλή, αλλά όχι αρκετά καλή. Και βρίσκεται και σε λάθος δρόμο.
Άφησε με να σου εξηγήσω. Θυμάσαι που στο προηγούμενο μου άρθρο, μιλούσαμε για το Semantic Web; Για το Web της επόμενης γενιάς που θα κατανοεί το περιεχόμενο του; Ας είμαστε ειλικρινείς. Πως θα διδάξουμε σε έναν υπολογιστή να “κατανοεί” το νόημα ενός κειμένου ; Απλά με τον να τον κάνουμε ταχύτερο; Λυπάμαι , ταχύτερος υπολογιστής δεν σημαίνει εξυπνότερος υπολογιστής.
Θέλεις να σου πω ένα βρώμικο μυστικό; Απλά σκέψου τα captcha, εκείνα δηλαδή τα κουτάκια με τα παραμορφωμένα γράμματα και αριθμούς που σε βάζουν να συμπληρώνεις τα site για “να πιστοποιήσεις ότι δεν είσαι μηχανή”. Καταλαβαίνεις τι γίνεται εδώ; Κομπάζουμε ότι έχουμε κάνει άλματα στον τομέα της τεχνητής νοημοσύνης αλλά ο υπολογιστής μας δεν είναι σε θέση να αναγνωρίσει αυτόματα το γράμμα Α, εάν αυτό είναι λίγο παραμορφωμένο. Τι συμβαίνει εδώ; Τι δεν μας λένε;
Το ανθρώπινο μυαλό είναι κάτι το θαυμαστό. Λες στο Ανθρώπινο Μυαλό : “Λοιπόν, Μυαλό άκουσε με προσεκτικά, εάν βάλεις αυτές τις τρεις γραμμές , έτσι και έτσι και έτσι , φτιάχνεις το γράμμα Α” ή του λες “Μυαλό, κοίτα, αυτά εδώ τα λέμε Χαρτονομίσματα” ή του λές “Αυτό εδώ που βλέπεις Μυαλό , το λένε Ντουλάπα”. Ξέρετε τι κάνει το Ανθρώπινο Μυαλό όταν του βάζουμε τέτοιες “δουλειές” ;
Παίρνει οπτικά ερεθίσματα και φτιάχνει έννοιες. Παίρνει ειδικές περιπτώσεις και τις αναγάγει σε γενικότητες. Μέγα Θαύμα.
Για να κατανοήσεις καλύτερα τους περιορισμούς που έχουμε – έως σήμερα- στο να περιγράψουμε κάτι τέτοιο αλγοριθμικά σε έναν υπολογιστή , σου ζωγράφισα (με τα χεράκια μου) το παρακάτω διάγραμμα.
Νομίζω ότι πλέον κατανοείς το πρόβλημα. Πως μπορείς να περιγράψεις σε έναν υπολογιστή την γενική εικόνα που περιμένεις να έχει μια δεσμίδα χαρτονομίσματα ; Πως μπορείς να περιγράψεις σε έναν Υπολογιστή τον τρόπο να φτιάχνει αφηρημένες – εγώ τις ονομάζω αρχετυπικές – εικόνες ή ακόμα και αρχετυπικές έννοιες ;
Πως μπορείς να του πεις πως να συμπεραίνει το γενικό όταν γνωρίζει το ειδικό;
Το Θαυμαστό Ανθρώπινο Μυαλό κάνει καταπληκτικά αυτή την δουλειά, δηλαδή να δημιουργεί αρχέτυπα κατά το δοκούν. Σκέψου ότι με αυτό τον τρόπο ακριβώς συζητάμε μεταξύ μας. Δημιουργούμε αφαιρετικά σχήματα για να ταξινομήσουμε αυτά που μας λέει ο συνομιλητής σε αρχέτυπα. Στο τέλος της πρότασης του συνομιλητή , στο κεφάλι μας δεν υπάρχουν λέξη προς λέξη οι φράσεις που βγήκαν από το στόμα του , υπάρχει όμως ο “σκελετός” που δημιούργησαν τα αρχέτυπα. Συγκρίνουμε τον σκελετό αυτό με άλλους σκελετούς που έχουμε στην μνήμη μας και απαντούμε.
Αρχέτυπα παντού.
Μην χάνεις όμως το θάρρος σου γιατί ακόμα υπάρχουν ελπίδες στον τομέα της Τεχνητής Νοημοσύνης. Θα σου διηγηθώ μια τελευταία ιστορία.
Οι παλαιότεροι ίσως θα θυμάστε πόσο φρικτές ήταν οι αυτόματες μηχανικές μεταφράσεις που έκαναν οι Ηλεκτρονικοί Υπολογιστές μέχρι και πριν 5-6 χρόνια. Οι πιο παρατηρητικοί από εσάς θα είδατε ότι τα πράγματα είναι ελαφρώς καλύτερα σήμερα. Οι “αυτόματες μεταφράσεις” που κάνει το Google, εντάξει το ξέρω, είναι ακόμη κακές, αλλά πλέον βγαίνει νόημα. Δεν είναι εντελώς φρικτές. Τι έχει αλλάξει; Σου έκανα μια ακόμη ζωγραφιά (πάλι με τα χεράκια μου)
Στο πάνω κομμάτι του διαγράμματος βλέπουμε την “κλασσική” μέθοδο με την οποία προσεγγίζαμε το θέμα της αυτόματης μετάφρασης μέχρι πριν λίγα χρόνια. Δίναμε στον υπολογιστή ένα λεξικό – εντάξει αυτό ήταν το εύκολο κομμάτι – και μετά του δίναμε και όλους τους κανόνες συντακτικού που μπορούσαμε να διατυπώσουμε αλγοριθμικά . Φυσικά, επειδή η ανθρώπινη γλώσσα μοιάζει με ζωντανό οργανισμό, όλοι αυτοί οι κανόνες είναι γεμάτοι εξαιρέσεις. Δώστου λοιπόν και αλγοριθμική περιγραφή των εξαιρέσεων.
Δεν θέλω να σε πολυζαλίζω , διότι το αποτέλεσμα το θυμάσαι : Αρες-μάρες κουκουνάρες. Ακόμα και όταν “εξοπλίζαμε” τον αλγόριθμο με γρηγορότερους επεξεργαστές το αποτέλεσμα ήταν γρηγορότερες άρες μάρες κουκουνάρες. Η μέθοδος ήταν λάθος.
Μέχρι που προσπαθήσαμε και μια εναλλακτική μέθοδο.
Στην μηχανική μετάφραση “νέας γενιάς” δεν υπάρχουν αρχικοί κανόνες , δεν υπάρχουν καν λεξικά! Ο Υπολογιστής είναι εφοδιασμένος με εκατοντάδες χιλιάδες σελίδες δίγλωσσων κειμένων, κειμένων δηλαδή που είναι ήδη μεταφρασμένα από τον άνθρωπο. (Παραδείγματα : Online βιβλία χωρίς πνευματικά δικαιώματα, online πρακτικά από πολύγλωσσα κείμενα της Ευρωπαϊκής Ένωσης κλπ κλπ)
Και μετά αφήνουμε τον Υπολογιστή “να κάνει παιχνίδι”
Στην πιο απλοϊκή μορφή του αλγόριθμου, ο υπολογιστής ανακαλύπτει ότι πχ το “This is a dog” αντιστοιχεί στο ήδη μεταφρασμένο “Αυτό είναι ένα σκυλί” και άρα μαθαίνει την πρώτη του φράση. Αυτό όμως είναι μόνο η αρχή , διότι ο αλγόριθμος είναι σύνθετος και κάνει στατιστική επεξεργασία στο ποιες λέξεις “πάνε” με ποιες λέξεις “όταν μεταφράζουμε” .
Για παράδειγμα λέμε “Το κάστρο προστατεύει την πόλη” και ο αυτόματος μεταφραστής μεταφράζει πολύ σωστά “The Citadel protects the town” . Λέμε όμως επίσης : “H Ακρόπολη με τον Παρθενώνα της” και ο αυτόματος μεταφραστής μεταφράζει ολόσωστα “The Acropolis and the Parthenon”. Εάν ο αυτόματος μεταφραστής πήγαινε “βάσει λεξικού” την λέξη ακρόπολη θα την μετάφραζε ως Citadel -> Κάστρο διότι έτσι αναγράφεται στα λεξικά και διότι πράγματι, αυτή ήταν η αρχική έννοια της ακρόπολης.
Όμως δεκάδες , εκατοντάδες χιλιάδες γραπτά κείμενα μας διδάσκουν ότι όταν λέμε ακρόπολη και μάλιστα όταν μιλάμε στην ίδια πρόταση (ταυτόχρονα) για ακρόπολη με παρθενώνα , εννοούμε πλέον Εκείνη Την Ακρόπολη. Την Ακρόπολη με κεφαλαίο Αλφα. Την Ξακουστή. Την The Acropolis of Athens
Δεν ξέρω αν το πήρες χαμπάρι.
