Η ιδέα της κατασκευής μηχανών που να σκέφτονται και να δρουν ως ανθρώπινα όντα δεν είναι καινούργια, αλλά διαπερνά την Ιστορία τόσο στη σύγχρονη εποχή όσο και στην αρχαιότητα. Ωστόσο, η αλματώδης ανάπτυξη της τεχνολογίας κατά τις τελευταίες δεκαετίες, και πιο συγκεκριμένα η ανάπτυξη των ηλεκτρονικών υπολογιστών, έχει δώσει νέα ώθηση σ’ αυτό το εγχείρημα.
Η αφετηρία ήταν η χρήση των υπολογιστών στην επαναληπτική εκτέλεση πράξεων με σκοπό την υποβοήθηση των ανθρώπινων δραστηριοτήτων (όπως η επιστημονική και τεχνολογική έρευνα). Σήμερα κάνουμε λόγο για Τεχνητή Νοημοσύνη, δηλαδή για τη δυνατότητα κατασκευής μηχανών οι οποίες να μπορούν να εκτελούν πράξεις σαν να είναι ευφυείς, όπως ακριβώς ένας άνθρωπος. Μέρος της Τεχνητής Νοημοσύνης αποτελεί η μηχανική μάθηση, δηλαδή η κατασκευή αλγόριθμων οι οποίοι εκπαιδεύονται από μεγάλο όγκο δεδομένων, κατασκευάζοντας μοντέλα με βάση τα οποία τα ταξινομούν και τα επεξεργάζονται.
Η δημιουργία ευφυών μηχανών σημαίνει βασικά δύο πράγματα: ότι είμαστε σε θέση να φτιάξουμε μηχανές που θα έχουν τα χαρακτηριστικά του ανθρώπινου νου και ότι γνωρίζουμε πώς λειτουργεί ο ανθρώπινους νους. Προφανώς το εγχείρημα αυτό διαπερνά μια μεγάλη γκάμα ερευνητικών πεδίων, όπως είναι οι Νευροεπιστήμες, η Επιστήμη των Υπολογιστών, η Ρομποτική, τα Μαθηματικά κ.ά. Ταυτόχρονα, λόγω της τεράστιας αύξησης του όγκου δεδομένων που έχουμε στη διάθεσή μας, η Τεχνητή Νοημοσύνη βρίσκει εφαρμογή σχεδόν σε όλες τις επιστήμες και πεδία γνώσης.
Πάντως, οι προκλήσεις παραμένουν επειδή μέχρι στιγμής δεν γνωρίζουμε πλήρως πώς λειτουργεί ο ανθρώπινος νους ούτε έχουμε καταφέρει να μετατρέψουμε πλήρως τις γνώσεις που έχουμε για την ανθρώπινη νόηση. Επομένως, αν εξαιρέσει κανείς τις απόψεις μερικών υπεραισιόδοξων μελλοντολόγων, το μεγαλύτερο μέρος της επιστημονικής και τεχνολογικής κοινότητας αναγνωρίζει ότι έχουμε ακόμα αρκετό δρόμο μπροστά μας. Παρ’ όλα αυτά, τα επιτεύγματα είναι εντυπωσιακά.
Εκτός από τα οφέλη των εφαρμογών της, προσπαθώντας να ανταποκριθούμε στις προκλήσεις της Τεχνητής Νοημοσύνης μαθαίνουμε ταυτόχρονα περισσότερα για τον ίδιο τον ανθρώπινο νου και για τις ανθρώπινες δραστηριότητες, όπως η τέχνη και η επιστήμη.
Τεχνητή Νοημοσύνη και παιχνίδια
Στην προσπάθεια να κατασκευαστούν αλγόριθμοι που θα προσεγγίζουν τις ανθρώπινες νοητικές λειτουργίες, ομάδες επιστημόνων έχουν εργαστεί εντατικά στην κατασκευή μηχανών που να μπορούν να ανταγωνιστούν ανθρώπους σε παιχνίδια στρατηγικής. Χαρακτηριστική περίπτωση είναι αυτή του υπολογιστή Deep Blue, ο οποίος κατάφερε να νικήσει στο σκάκι τον πρωταθλητή Gary Kasparov το 1996 και το 1997.
Πιο πρόσφατο παράδειγμα αποτελεί αυτό του Alpha Go της εταιρείας Τεχνητής Νοημοσύνης DeepMind. Το παιχνίδι Go είναι ένα παιχνίδι στρατηγικής που εφευρέθηκε πριν από περίπου 2.500 χρόνια στην Κίνα, κάνοντάς το ένα από τα αρχαιότερα παιχνίδια που παίζονται ακόμα. Το Go, που παίζεται από δύο παίκτες, αποτελείται από ένα πλέγμα δεκαεννέα κάθετων και δεκαεννέα οριζοντίων γραμμών, στα σημεία τομής των οποίων τοποθετούνται μικρές πέτρες, λευκές και μαύρες. Σκοπός του κάθε παίκτη είναι να περικυκλώσει με τις πέτρες του τη μεγαλύτερη δυνατή περιοχή και να αιχμαλωτίσει όσο γίνεται περισσότερες πέτρες του αντιπάλου. Το Go έχει τραβήξει την προσοχή της κοινότητας της Τεχνητής Νοημοσύνης διότι ο συνδυασμός των κινήσεων που απαιτούνται για να κερδίσει κανείς είναι πολύ μεγάλος και επομένως αποτελεί μια πρόκληση πολύ μεγαλύτερη από ό,τι το σκάκι.
Tο πρόγραμμα AlphaGo εκπαιδεύτηκε μελετώντας τις κινήσεις και τις στρατηγικές αγώνων Go μεταξύ ανθρώπων με τη χρήση τεχνικών βαθιάς μάθησης (deep learning). Tον Μάρτιο του 2016 τo AlphaGo κατάφερε να κερδίσει έναν από τους καλύτερους παίκτες Go παγκοσμίως. Σύμφωνα με τον David Silver, επικεφαλής της ερευνητικής ομάδας που βρίσκεται πίσω από την κατασκευή του προγράμματος, ο αλγόριθμος του AlphaGo επέδειξε σημάδια δημιουργικότητας όταν σε έναν από τους αγώνες επέλεξε να κάνει μια κίνηση η οποία ήταν εντελώς απροσδόκητη (η λεγόμενη «κίνηση 37»). Το να κάνει μια κίνηση έξω από τα αναμενόμενα είναι μια ένδειξη ότι ο αλγόριθμος έχει στην ουσία συσσωρεύσει μια εμπειρία για την οποία οι άνθρωποι χρειάστηκαν χιλιάδες χρόνια παιξίματος.
Η επόμενη έκδοση του AlphaGo, το AlphaZero, εκπαιδεύεται πλέον χωρίς τη χρήση παιχνιδιών μεταξύ ανθρώπων, αλλά μαθαίνει απλώς επαναλαμβάνοντας παιχνίδια ενάντια στον «εαυτό» του. Πιστεύεται ότι το AlphaZero είναι πολύ ικανότερο από τον προκάτοχό του και έχει ήδη δείξει πολύ καλά δείγματα, καθώς μπορεί να εκπαιδεύεται και σε άλλα παιχνίδια στρατηγικής και έχει νικήσει άλλα προγράμματα στο σκάκι.
Καλλιτέχνες με Τεχνητή Νοημοσύνη
Η χρήση των αλγόριθμων στη μουσική σύνθεση και την τέχνη έχει ξεκινήσει εδώ και δεκαετίες, καθώς οι εξελίξεις στο πεδίο των ηλεκτρονικών υπολογιστών έχουν εξάψει την περιέργεια καλλιτεχνών από πολύ νωρίς. Ωστόσο, σήμερα η εφαρμογή της Τεχνητής Νοημοσύνης στην τέχνη έχει επίσης μεγάλη σημασία, καθώς σ’ αυτό το πεδίο, περισσότερο από όλα τα άλλα, εξετάζεται το κατά πόσο η Τεχνητή Νοημοσύνη μπορεί να είναι δημιουργική.
Στη μουσική, πολύ μεγάλο ρόλο παίζουν τα μοτίβα των ήχων που επαναλαμβάνονται ή παραλλάσσονται μέσα σε ένα μουσικό κομμάτι. Τέτοια μοτίβα καθώς και άλλα στοιχεία που καθορίζουν το ύφος ενός καλλιτέχνη μπορούν να εντοπιστούν από αλγόριθμους μηχανικής μάθησης και να αναπαραχθούν. Μια τέτοια περίπτωση είναι αυτή του BachBot (https://bachbot.com), το οποίο εκπαιδεύεται με έργα του Μπαχ και στη συνέχεια καλείται να χρησιμοποιήσει αυτή τη γνώση για να δημιουργήσει νέα έργα. Πολλά από αυτά είναι τόσο ρεαλιστικά, ώστε έχουν ξεγελάσει ακόμα και πολύ «διαβασμένους» μελετητές του είδους.
Το Continuator (https://www.francoispachet.fr/continuator/) είναι ένα αντίστοιχο πρόγραμμα που εκπαιδεύεται όχι απαραίτητα από τα έργα κάποιου μεγάλου μουσικού, αλλά από οποιονδήποτε θέλει να το χρησιμοποιήσει. Το πρόγραμμα αυτό μπορεί να έχει μεγάλη εκπαιδευτική αξία. Ένας μουσικός που ακούει το πρόγραμμα να αναπαράγει σε πραγματικό χρόνο το στιλ της μουσική που παίζει ο ίδιος έχει τη δυνατότητα να ακούσει ως ακροατής και να κατανοήσει σε μεγαλύτερο βάθος τις ικανότητές του.
Το The Painting Fool (http://www.thepaintingfool.com/) είναι ένα πρόγραμμα που ισχυρίζεται ότι είναι ένας εμπνευσμένος ζωγράφος. Ο δημιουργός του είναι ο Simon Colton, καθηγητής Υπολογιστικής Δημιουργικότητας και Τεχνολογιών Ψηφιακών Παιχνιδιών στα Πανεπιστήμια του Falmouth και του Λονδίνου και εμπνεύστηκε το πρόγραμμα αυτό από ένα παλιότερο πρόγραμμα ζωγραφικής με το όνομα AARON. Με το The Painting Fool ο Colton δεν ήθελε απλώς να αναπαράγει ένα πρόγραμμα ζωγραφικής, αλλά να φτιάξει έναν κώδικα ο οποίος θα μπορούσε να θεωρηθεί κάποια μέρα ένας ανεξάρτητος ζωγράφος. Για αυτόν τον λόγο, εκτός από τη δυνατότητα να ζωγραφίζει πορτρέτα, θέλησε να προσδώσει στον αλγόριθμο τη δυνατότητα να εκφράζει μέσω αυτών και τον εσωτερικό του κόσμο. Προκειμένου να «δημιουργήσει» έναν εσωτερικό κόσμο και μια συγκεκριμένη διάθεση, έδινε στο The Painting Fool να «διαβάζει» καθημερινά άρθρα από την επικαιρότητα. Με αυτό τον τρόπο η «διάθεση» του τεχνητού ζωγράφου θα καθορίζεται τυχαία από τα άρθρα αυτά και αυτή θα καθορίζει με τη σειρά της το ύφος του πορτρέτου. Σε ακραίες, μάλιστα, περιπτώσεις, όπου το The Painting Fool έχει διαβάσει κάποιο πολύ στενάχωρο νέο, έχει τύχει να αρνηθεί να ζωγραφίσει το πορτρέτο επισκεπτών εξηγώντας τους ευγενικά τους λόγους. Με τη μέθοδό του ο Colton κατάφερε να εισαγάγει στον «τεχνητό του ζωγράφο» μια τυχαιότητα η οποία ξεπερνάει απλώς την αναπαραγωγή μοτίβων ώστε το τελικό αποτέλεσμα να πλησιάζει περισσότερο στην ανθρωπίνως οριζόμενη δημιουργικότητα. Όπως λέει ο ίδιος, όταν το The Painting Fool αρχίσει να παράγει έργα που δεν θα αρέσουν σε εμάς που το προγραμματίσαμε, ίσως τότε να μπορούμε να κάνουμε λόγο για μια πραγματικά τεχνητή δημιουργικότητα.
Ένας επιστήμονας με Τεχνητή Νοημοσύνη
Με τη βοήθεια, λοιπόν, της Τεχνητής Νοημοσύνης μπορούμε να αποκαλύψουμε μοτίβα και να κατασκευάσουμε μοντέλα με βάση τα οποία να κατηγοριοποιούμε τα δεδομένα. Μια τέτοια παρατήρηση προκαλεί το εξής ελκυστικό ερώτημα: μπορεί η Τεχνητή Νοημοσύνη να προχωρήσει ένα βήμα παραπέρα και να ανακαλύψει τους νόμους της φύσης παρατηρώντας την;
Σε αυτή την κατεύθυνση εργάστηκαν δυο ερευνητές του ΜΙΤ, οι Tegmark και Wu, οι οποίοι προσπάθησαν να κατασκευάσουν έναν «φυσικό Τεχνητής Νοημοσύνης» χρησιμοποιώντας αλγόριθμους βαθιάς μάθησης (https://arxiv.org/pdf/1810.10525.pdf).
Ο σκοπός του αλγόριθμου ήταν να περιγράψει την κίνηση ενός σώματος σε δύο διαστάσεις, αφού πρώτα έχει «μελετήσει» αμέτρητες εικόνες. Οι εικόνες αυτές , οι οποίες έχουν παραχθεί από προσομοιώσεις, απεικόνιζαν τις κινήσεις σωμάτων λόγω βαρύτητας ή ηλεκτρομαγνητικών δυνάμεων και ποικίλαν σε πολυπλοκότητα. Προκειμένου να προσομοιωθεί η επιστημονική μεθοδολογία, οι Tegmark και Wu ενσωμάτωσαν στον αλγόριθμο τέσσερα βασικά στοιχεία της, δηλαδή την ανάλυση σε επιμέρους προβλήματα, το ξυράφι του Όκαμ, τον συνδυασμό θεωριών και την εφαρμογή τους σε μελλοντικά προβλήματα. Στη συνέχεια, αντί να απαιτήσουν από τον αλγόριθμο να παρέχει ένα τελικό μοντέλο που να εξηγεί όλες τις παρατηρήσεις, αυτός είχε προγραμματιστεί να παρέχει τις απλούστερες θεωρίες για τα επιμέρους υποσύνολα παρατηρήσεων. Αυτές οι θεωρίες αποθηκεύονταν και μπορούσαν στη συνέχεια να ανακληθούν και να συνδυαστούν για να παρέχουν πιο ολοκληρωμένα μοντέλα. Ταυτόχρονα, ο αλγόριθμος μπορούσε να ανακαλέσει τους συνδυασμούς αυτούς, δηλαδή να τους «θυμηθεί» για να μελετήσει μελλοντικά προβλήματα.
Παρ’ όλο που οι πιο πολύπλοκες εικόνες δυσκόλεψαν τον αλγόριθμο, αυτός ήταν πολλές φορές πιο ακριβής από συμβατικούς αλγόριθμους μηχανικής μάθησης, αφού κατάφερε να δημιουργήσει σωστές θεωρίες για το 90% των περιπτώσεων. Οι δύο επιστήμονες της μελέτης θεωρούν ότι αυτή αποτελεί ένα πολύ σημαντικό βήμα για τον τρόπο που μπορεί κανείς να εξάγει συμπεράσματα από δεδομένα χρησιμοποιώντας μη επιτηρούμενη μάθηση, ανοίγοντας τονν δρόμο για την ανακάλυψη νέων θεωριών.
Γιάννης Κοντογιάννης
