Καλή η τεχνητή νοημοσύνη, αλλά γιατί δεν μπορεί να σκεφτεί όπως ο άνθρωπος;

Οι σημερινές τεχνολογίες τεχνητής νοημοσύνης έχουν γίνει εντυπωσιακά καλές στη δημιουργία κειμένων και ιδεών που μοιάζουν βαθιά ανθρώπινες. Τα chatbot που βασίζονται σε μεγάλα γλωσσικά μοντέλα, όπως το ChatGPT, το Claude, το Google Gemini και το Perplexity AI, μπορούν να γράφουν ποιήματα, να προτείνουν ιδέες και να βρίσκουν λύσεις σε σύνθετα προβλήματα.

Οι δημιουργοί αυτών των τεχνολογιών εμπνεύστηκαν σε μεγάλο βαθμό από τον ανθρώπινο εγκέφαλο, αναπτύσσοντας τεχνητά νευρωνικά δίκτυα που βασίζονται στον τρόπο λειτουργίας των νευρώνων. Τα συστήματα αυτά παράγουν πλέον αποτελέσματα που συχνά θυμίζουν τον τρόπο με τον οποίο σκέφτονται οι άνθρωποι.

Ωστόσο, η τεχνητή νοημοσύνη και ο ανθρώπινος νους δεν λειτουργούν με τον ίδιο τρόπο. Το γεγονός ότι μπορεί να καταλήγουν σε παρόμοια αποτελέσματα δεν σημαίνει απαραίτητα ότι ακολουθούν και τις ίδιες διαδικασίες.

Μια νέα τεχνολογία, γνωστή ως «μοντέλα του κόσμου» (world models), θα μπορούσε να φέρει τα συστήματα τεχνητής νοημοσύνης πιο κοντά στον ανθρώπινο τρόπο σκέψης. Στόχος της είναι να τα βοηθήσει να προβλέπουν τι ενδέχεται να συμβεί και να χρησιμοποιούν αυτές τις προβλέψεις για να αποφασίζουν πώς θα ενεργήσουν. Παρ' όλα αυτά, η τεχνητή νοημοσύνη δεν θα αντιλαμβάνεται, δεν θα μαθαίνει και δεν θα κατανοεί τον κόσμο με τον ίδιο τρόπο που το κάνει ο άνθρωπος.

Ένα ποτήρι που πέφτει και η σύνθετη διαδικασία της πρόβλεψης

Ας φανταστούμε ότι προσπαθούμε να πιάσουμε ένα ποτήρι που βρίσκεται στην άκρη ενός πάγκου. Αν υπολογίσουμε λάθος την απόσταση, αν δεν το κρατήσουμε αρκετά σταθερά ή αν κινηθούμε πολύ γρήγορα, υπάρχει κίνδυνος να πέσει και να σπάσει.

Για έναν άνθρωπο, το να πιάσει ένα ποτήρι είναι μια απολύτως συνηθισμένη κίνηση. Ωστόσο, ακόμη και αυτή η απλή ενέργεια βασίζεται σε μια σύνθετη ικανότητα: να προβλέπουμε τι μπορεί να συμβεί στη συνέχεια.

Ο εγκέφαλός μας προσπαθεί διαρκώς να βρίσκεται ένα βήμα μπροστά, κατανοώντας τα γεγονότα και τις αιτίες που τα προκαλούν. Μπορούμε να φανταστούμε το χάος που θα δημιουργηθεί αν μετακινήσουμε ένα ποτήρι γεμάτο μέχρι το χείλος ή να προβλέψουμε ότι ένας καναπές δεν θα χωράει να περάσει από μια πόρτα, ακόμη και πριν τον αγοράσουμε.

Αυτές οι προβλέψεις βασίζονται στις προσδοκίες που διαμορφώνουμε μέσα από την καθημερινή μας επαφή με τον κόσμο. Με τη σειρά τους, όσα περιμένουμε να συμβούν επηρεάζουν τον τρόπο με τον οποίο αντιλαμβανόμαστε το περιβάλλον και τις κινήσεις μας.

Οι προσδοκίες του εγκεφάλου

Μία από τις σημαντικότερες θεωρητικές προσεγγίσεις στον συγκεκριμένο τομέα είναι η λεγόμενη «προβλεπτική επεξεργασία» (predictive processing). Σύμφωνα με αυτή, ο εγκέφαλος δημιουργεί διαρκώς προσδοκίες, τις συγκρίνει με τις πληροφορίες που λαμβάνει από τις αισθήσεις και προσαρμόζει την αντίδρασή του όταν διαπιστώνει ότι υπάρχει διαφορά ανάμεσα σε αυτό που περίμενε και σε αυτό που πραγματικά συμβαίνει.

Ας επιστρέψουμε στο παράδειγμα του ποτηριού. Φανταστείτε ότι απλώνετε το χέρι για να σηκώσετε ένα άδειο ποτήρι, πιστεύοντας όμως ότι είναι γεμάτο. Το χέρι σας, περιμένοντας να σηκώσει ένα βαρύτερο αντικείμενο, ασκεί μεγαλύτερη δύναμη από όση χρειάζεται. Το ποτήρι σηκώνεται απότομα και μοιάζει σχεδόν να μην έχει βάρος. Αυτή η διαφορά ανάμεσα στην προσδοκία και στην πραγματικότητα δίνει στον εγκέφαλο τις απαραίτητες πληροφορίες για να διορθώσει την κίνηση και να αναθεωρήσει την εκτίμησή του για το βάρος του αντικειμένου.

Με άλλα λόγια, όσα περιμένουμε να συμβούν επηρεάζουν τις πράξεις μας, ενώ όσα συμβαίνουν στη συνέχεια διαμορφώνουν εκ νέου τις προσδοκίες μας. Και όλα αυτά γίνονται ακόμη και όταν απλώς προσπαθούμε να σηκώσουμε ένα ποτήρι.

Προβλέπει διαφορετικά η τεχνητή νοημοσύνη;

Ακόμη και για τα σημερινά ρομπότ, το να μπορούν να πιάνουν και να μετακινούν ποτήρια με ασφάλεια και ακρίβεια απαιτεί εκτεταμένη εκπαίδευση και προσομοιώσεις. Η δυσκολία βρίσκεται στο να μάθουν πώς λειτουργεί ο φυσικός κόσμος και να προβλέπουν τις συνέπειες κάθε κίνησής τους.

Τα chatbot που χρησιμοποιούν μεγάλα γλωσσικά μοντέλα κάνουν επίσης προβλέψεις, αλλά διαφορετικού τύπου. Εκπαιδεύονται ώστε να προβλέπουν την επόμενη λέξη ή το επόμενο τμήμα ενός κειμένου. Παρότι αυτή η διαδικασία φαίνεται απλή, μπορεί να οδηγήσει στη δημιουργία ιδιαίτερα ικανών συστημάτων, τα οποία είναι σε θέση να επιλύουν ακόμη και σύνθετα προβλήματα.

Ας πάρουμε ως παράδειγμα την πρόταση: «Ένα χέρι χτυπά ένα ποτήρι που βρίσκεται κοντά στην άκρη ενός τραπεζιού. Το ποτήρι…».

Ένα chatbot, έχοντας εκπαιδευτεί σε τεράστιες ποσότητες δεδομένων, θα μπορούσε να συνεχίσει γράφοντας: «γέρνει, πέφτει από την άκρη και καταλήγει στο πάτωμα».

Μπορεί να δώσει αυτή την απάντηση αναγνωρίζοντας μοτίβα στα δεδομένα με τα οποία έχει εκπαιδευτεί, χωρίς να έχει αγγίξει ποτέ πραγματικά ένα ποτήρι.

Ωστόσο, το γεγονός ότι μπορεί να περιγράψει μια πιθανή εξέλιξη δεν σημαίνει απαραίτητα ότι έχει κατανοήσει γιατί συμβαίνει.

Πώς μαθαίνουμε ένα ρομπότ να προβλέπει

Σε αυτό το σημείο έρχονται τα «μοντέλα του κόσμου». Πρόκειται για μια ευρεία κατηγορία τεχνολογιών τεχνητής νοημοσύνης που έχουν ως στόχο να προβλέπουν πώς εξελίσσονται οι καταστάσεις και, σε ορισμένες περιπτώσεις, πώς οι ενέργειες μπορούν να αλλάξουν την εξέλιξή τους.

Τα συγκεκριμένα μοντέλα μπορούν να εκπαιδευτούν χρησιμοποιώντας βίντεο, προσομοιώσεις ή καταγραφές από όσα βλέπουν και κάνουν τα ρομπότ.

Για ένα οικιακό ρομπότ, αυτό θα μπορούσε να σημαίνει ότι μαθαίνει να προβλέπει πως αν πιάσει ένα ποτήρι με υπερβολική δύναμη μπορεί να το σπάσει ή ότι μια λανθασμένη κίνηση ενδέχεται να το ανατρέψει.

Πρώιμες επιστημονικές έρευνες δείχνουν ότι, όταν αυτά τα συστήματα συνδυάζουν τις ενέργειες και την κίνηση με πληροφορίες που λαμβάνουν από τους αισθητήρες τους, μπορούν να συνδέσουν καλύτερα τις προβλέψεις τους με όσα συμβαίνουν στον πραγματικό, φυσικό κόσμο.

Στο μέλλον, ένα μοντέλο του κόσμου θα μπορούσε να κάνει τις ίδιες προβλέψεις με έναν άνθρωπο σχετικά με το τι θα συμβεί σε ένα ποτήρι. Και όσο θα μαθαίνει μέσα από τις κινήσεις του και τις πληροφορίες που λαμβάνει από τις αισθήσεις ή τους αισθητήρες του, τόσο περισσότερο θα μοιάζει με τον ανθρώπινο τρόπο λειτουργίας.

Ωστόσο, το γεγονός ότι καταλήγει στην ίδια πρόβλεψη με έναν άνθρωπο δεν μας αποκαλύπτει ποιες γνώσεις χρησιμοποιεί για να φτάσει σε αυτήν ή με ποιον τρόπο τις απέκτησε.

Ίδια πρόβλεψη σημαίνει και ίδια σκέψη;

Για έναν άνθρωπο, ένα ποτήρι δεν είναι απλώς ένας κύλινδρος πάνω σε ένα τραπέζι. Είναι ένα αντικείμενο που μπορούμε να πιάσουμε, που μπορεί να σπάσει, που μπορεί να ανήκει σε εμάς ή σε κάποιον άλλο, να είναι πολύ ζεστό ή να βρίσκεται στο χείλος της πτώσης.

Η ανθρώπινη αντίληψη συνδέει τις φυσικές ιδιότητες ενός αντικειμένου με ένα ολόκληρο σύνολο πιθανών ενεργειών και συνεπειών.

Το να προβλέψουμε ότι ένα ποτήρι θα πέσει αποκαλύπτει μόνο ένα μικρό μέρος αυτής της σύνθετης κατανόησης.

Μάλιστα, αυτή η ικανότητα αρχίζει να αναπτύσσεται από πολύ νωρίς στη ζωή. Μελέτες δείχνουν ότι ακόμη και βρέφη λίγων μηνών έχουν ήδη διαμορφώσει βασικές προσδοκίες για τον τρόπο με τον οποίο συμπεριφέρονται τα φυσικά αντικείμενα.

Ο ερευνητής της παιδικής ανάπτυξης Ζαν Πιαζέ είχε υποστηρίξει ότι τα παιδιά αποκτούν γνώσεις μέσα από την ενεργή αλληλεπίδρασή τους με τον κόσμο. Καθώς αυτή η γνώση εξελίσσεται, αποκτούν σταδιακά την ικανότητα να προβλέπουν νοητικά τις συνέπειες μιας πράξης, χωρίς να χρειάζεται να την εκτελούν κάθε φορά στην πραγματικότητα.

Για τους ανθρώπους, λοιπόν, η μάθηση δεν περιορίζεται στη συγκέντρωση πληροφοριών για τα αντικείμενα. Περιλαμβάνει τη σύνδεση διαφορετικών εμπειριών: όταν απλώνουμε το χέρι για να πιάσουμε ένα ποτήρι, όταν αισθανόμαστε το βάρος του, όταν βλέπουμε το περιεχόμενό του να χύνεται και, τελικά, όταν μπορούμε να φανταστούμε τι θα συμβεί χωρίς καν να χρειαστεί να δοκιμάσουμε.

Με τη χρήση των μοντέλων του κόσμου, η τεχνητή νοημοσύνη μπορεί επίσης να μαθαίνει μέσα από ενέργειες και πληροφορίες που λαμβάνει από αισθητήρες, πέρα από τα βίντεο, τις προσομοιώσεις και τα υπόλοιπα δεδομένα. Όπως οι άνθρωποι, έτσι και τα συστήματα τεχνητής νοημοσύνης μπορούν να εκπαιδευτούν ώστε να αλληλεπιδρούν με το περιβάλλον τους.

Το βασικό ερώτημα, ωστόσο, παραμένει: με ποιον τρόπο οι εμπειρίες αυτές συμβάλλουν στη γνώση που αποκτούν και χρησιμοποιούν;

Η τεχνητή νοημοσύνη μπορεί αναμφίβολα να πλησιάσει περισσότερο την ανθρώπινη ικανότητα να προβλέπει τι πρόκειται να συμβεί και να χρησιμοποιεί αυτές τις προβλέψεις για να ενεργεί. Αυτό, όμως, δεν αποδεικνύει από μόνο του ότι αντιλαμβάνεται, μαθαίνει ή κατανοεί τον κόσμο όπως ένας άνθρωπος.

Καθώς η τεχνητή νοημοσύνη γίνεται όλο και καλύτερη στην αναπαραγωγή των αποτελεσμάτων της ανθρώπινης σκέψης, θα αποκτά ολοένα μεγαλύτερη σημασία να ξεχωρίζουμε το αποτέλεσμα από τη διαδικασία που οδήγησε σε αυτό.

Με πληροφορίες από το Theconversation