Δεν είναι ακριβώς αυτό. Όμως, με μια αυστηρή εξέταση από τις σκοπιές της βιολογικής εξέλιξης και της θεωρίας των συστημάτων, ο ίδιος ο όρος «τεχνητή νοημοσύνη», άν τον δούμε ως κυριολεξία και αυστηρά λογικά, παραπέμπει σ' ένα διαδεδομένο είδος λογικού σφάλματος στο οποίο μπορεί να οδηγήσει ένας επιπόλαιος, επιφανειακός τρόπος σκέψης. Πρόκειται για το κατηγοριακό σφάλμα (categorical mistake).
Πράγμα που σημαίνει, το να κατατάσσεις ένα γνωστικά προσδιορίσιμο αντικείμενο ή δραστηριότητα σε μια κατηγορία ή ομάδα αντικειμένων ή δραστηριοτήτων που δεν του ταιριάζει, χρησιμοποιώντας επιχειρήματα άκυρα, ατελή ή ατεκμηρίωτα. Εν προκειμένω, ένα επίτευγμα της πληροφορικής τεχνολογίας κατατάσσεται επιπόλαια στην κατηγορία που περιλαμβάνει ικανότητες νοητικής προσπέλασης της πραγματικότητας δημιουργημένες μέσω της φυσικής εξέλιξης των έμβιων ειδών.
Πράγμα που σημαίνει, το να κατατάσσεις ένα γνωστικά προσδιορίσιμο αντικείμενο ή δραστηριότητα σε μια κατηγορία ή ομάδα αντικειμένων ή δραστηριοτήτων που δεν του ταιριάζει, χρησιμοποιώντας επιχειρήματα άκυρα, ατελή ή ατεκμηρίωτα. Εν προκειμένω, ένα επίτευγμα της πληροφορικής τεχνολογίας κατατάσσεται επιπόλαια στην κατηγορία που περιλαμβάνει ικανότητες νοητικής προσπέλασης της πραγματικότητας δημιουργημένες μέσω της φυσικής εξέλιξης των έμβιων ειδών.
Η νοημοσύνη είναι άρρηκτα συνδεδεμένη με το φαινόμενο της ζωής. Είναι παράγωγο της φυσικής εξέλιξης, η οποία άρχισε από τον μονοκύτταρο οργανισμό και έφθασε μέχρι ανεπτυγμένα είδη ζωής με εξαιρετικά πολύπλοκο εγκέφαλο και λοιπό νευρικό σύστημα.
Από τη σκοπιά της θεωρίας των συστημάτων, ένα νευρικό σύστημα ανώτερου ζώου αποτελείται από ένα σύνολο 80 εκατομμυρίων εγκεφαλικών κυττάρων (νευρώνων), χωρίς να συνυπολογίζονται οι περιφερειακοί νευρώνες ή άλλα συνοδευτικά νευρικά κύτταρα. Δηλαδή εμπεριέχει εκατοντάδες χιλιάδων ή και εκατομμύρια φορές περισσότερα λειτουργικά στοιχεία (όπως λέμε, «μονάδες μνήμης» και «επεξεργασίας»), από οποιοδήποτε σύνολο μηχανικών μονάδων επεξεργασίας που ίσως μπορέσουν κάποτε στο μέλλον να λειτουργήσουν ένα σύστημα μηχανικών «υπερυπολογιστών». Επίσης, ένα νευρικό σύστημα ανώτερου ζώου εμπεριέχει σύνολα συνάψεων (δενδριτικών υλικών συνδέσεων και λειτουργικών σχέσεων) μεταξύ των κυττάρων και δημιουργεί δίκτυα αλληλεπιδραστικών - αναδραστικών λειτουργιών, εκατομμύρια φορές πιο πλούσια και πολύπλοκα από τις εσωτερικές λειτουργίες οποιουδήποτε νοητού μηχανικού και αλγοριθμικού συστήματος. Ένα και μόνον εγκεφαλικό κύτταρο με τις δενδριτικές προεκτάσεις του μπορεί να έχει έως και 30.000 συνδέσεις με άλλα κύτταρα.
Κάθε νευρικό σύστημα ανώτερου ζώου είναι λειτουργικό σύνολο στο οποίο ανήκει πλήθος στοιχείων και συνάψεων εντελώς διαφορετικής τάξης μεγέθους από το πλήθος στοιχείων και συνάψεων που ανήκουν σε ένα οποιοδήποτε σύστημα μηχανικών υπολογιστών (hardware + software) . Και ξέρουμε ότι κάθε σύνολο είναι οντότητα πολύ διαφορετική και πολύ πιο πλούσια σε μαθηματικό περιεχόμενο από ένα απλό άθροισμα των στοιχείων που ανήκουν σ΄ αυτό. Μεγάλη διαφορά πλήθους στοιχείων συνεπάγεται πολύ μεγαλύτερη διαφορά μαθηματικού περιεχομένου ανάμεσα στα δύο σύνολα.
Από τη σκοπιά της θεωρίας των συστημάτων, ένα νευρικό σύστημα ανώτερου ζώου αποτελείται από ένα σύνολο 80 εκατομμυρίων εγκεφαλικών κυττάρων (νευρώνων), χωρίς να συνυπολογίζονται οι περιφερειακοί νευρώνες ή άλλα συνοδευτικά νευρικά κύτταρα. Δηλαδή εμπεριέχει εκατοντάδες χιλιάδων ή και εκατομμύρια φορές περισσότερα λειτουργικά στοιχεία (όπως λέμε, «μονάδες μνήμης» και «επεξεργασίας»), από οποιοδήποτε σύνολο μηχανικών μονάδων επεξεργασίας που ίσως μπορέσουν κάποτε στο μέλλον να λειτουργήσουν ένα σύστημα μηχανικών «υπερυπολογιστών». Επίσης, ένα νευρικό σύστημα ανώτερου ζώου εμπεριέχει σύνολα συνάψεων (δενδριτικών υλικών συνδέσεων και λειτουργικών σχέσεων) μεταξύ των κυττάρων και δημιουργεί δίκτυα αλληλεπιδραστικών - αναδραστικών λειτουργιών, εκατομμύρια φορές πιο πλούσια και πολύπλοκα από τις εσωτερικές λειτουργίες οποιουδήποτε νοητού μηχανικού και αλγοριθμικού συστήματος. Ένα και μόνον εγκεφαλικό κύτταρο με τις δενδριτικές προεκτάσεις του μπορεί να έχει έως και 30.000 συνδέσεις με άλλα κύτταρα.
Κάθε νευρικό σύστημα ανώτερου ζώου είναι λειτουργικό σύνολο στο οποίο ανήκει πλήθος στοιχείων και συνάψεων εντελώς διαφορετικής τάξης μεγέθους από το πλήθος στοιχείων και συνάψεων που ανήκουν σε ένα οποιοδήποτε σύστημα μηχανικών υπολογιστών (hardware + software) . Και ξέρουμε ότι κάθε σύνολο είναι οντότητα πολύ διαφορετική και πολύ πιο πλούσια σε μαθηματικό περιεχόμενο από ένα απλό άθροισμα των στοιχείων που ανήκουν σ΄ αυτό. Μεγάλη διαφορά πλήθους στοιχείων συνεπάγεται πολύ μεγαλύτερη διαφορά μαθηματικού περιεχομένου ανάμεσα στα δύο σύνολα.
Ρεαλισμός και Οράματα: «Οποιος βλέπει οράματα, να πάει στο γιατρό» (Χέλμουτ Σμιτ)
Η «νοημοσύνη» αφενός, και ο,τιδήποτε «τεχνητό» αφετέρου, ανήκουν σε δύο διακριτές κατηγορίες της πραγματικότητας.
Ό,τι είναι τεχνητό, εξαιτίας συστημικών-μαθηματικών λόγων δεν μπορεί να είναι νοημοσύνη, ακόμη και άν εκ πρώτης όψεως μοιάζει με νοημοσύνη επειδή επιτελεί μερικές από τις λειτουργίες της. Και κάθε τί που είναι νοημοσύνη με την κυριολεκτική σημασία αυτού του όρου, δεν είναι τεχνητά κατασκευασμένο αλλά παράγωγο της φυσικής εξέλιξης.
Αυτό που επιτελεί η λεγόμενη τεχνητή νοημοσύνη δεν είναι νοητική (πόσο μάλλον επιστημονική) απευθείας προσπέλαση της πραγματικότητας, φυσικής, κοινωνικής ή άλλης. Είναι διαχείριση τεράστιων, αλλά ήδη «κατακτημένων» ποσοτήτων πρωτογενούς πληροφορίας, μέσω αλγοριθμικών, όλο και πιο διευρυμένων, μεγάλων γλωσσικών μοντέλων (LLM) και «μοντέλων συλ-λογιστικής» (LRM).²
Τόσο στην σημερινή «παραγωγική (generative) τεχνητή νοημοσύνη», όσο και στην μελλοντολογική εικασία περί «τεχνητής γενικής (general) νοημοσύνης» (AGI ή Human Level AI), πρωτογενής πληροφορία είναι ό,τι αποκομίζουν νοητικά από την αντικειμενική πραγματικότητα νοήμονα ζωντανά όντα, τεχνικά υποβοηθούμενα από μηχανές τις οποίες κατασκευάζουν νοήμονα ζωντανά όντα. Οι δε μηχανές λειτουργούν με εντολές δεδομένες, οι οποίες έχουν αρχή και τέλος (αλγόριθμοι), δηλαδή τις λειτουργούν παράγωγα της λογικής-μαθηματικής ικανότητας νοήμονων ζωντανών όντων.
Επίσης, αυτή η πρωτογενής πληροφορία, πριν την «αναλάβουν» οι αλγόριθμοι των μεγάλων γλωσσικών μοντέλων, είναι ήδη ταξινομημένη επιλεκτικά και αξιολογικά από νοήμονα ζωντανά όντα, με γνώμονα λογικές και αξιολογικές σταθμίσεις τις οποίες παράγει η διυποκειμενική αλληλεπίδραση νοήμονων ζωντανών όντων.
Η «νοημοσύνη» αφενός, και ο,τιδήποτε «τεχνητό» αφετέρου, ανήκουν σε δύο διακριτές κατηγορίες της πραγματικότητας.
Ό,τι είναι τεχνητό, εξαιτίας συστημικών-μαθηματικών λόγων δεν μπορεί να είναι νοημοσύνη, ακόμη και άν εκ πρώτης όψεως μοιάζει με νοημοσύνη επειδή επιτελεί μερικές από τις λειτουργίες της. Και κάθε τί που είναι νοημοσύνη με την κυριολεκτική σημασία αυτού του όρου, δεν είναι τεχνητά κατασκευασμένο αλλά παράγωγο της φυσικής εξέλιξης.
Αυτό που επιτελεί η λεγόμενη τεχνητή νοημοσύνη δεν είναι νοητική (πόσο μάλλον επιστημονική) απευθείας προσπέλαση της πραγματικότητας, φυσικής, κοινωνικής ή άλλης. Είναι διαχείριση τεράστιων, αλλά ήδη «κατακτημένων» ποσοτήτων πρωτογενούς πληροφορίας, μέσω αλγοριθμικών, όλο και πιο διευρυμένων, μεγάλων γλωσσικών μοντέλων (LLM) και «μοντέλων συλ-λογιστικής» (LRM).²
Τόσο στην σημερινή «παραγωγική (generative) τεχνητή νοημοσύνη», όσο και στην μελλοντολογική εικασία περί «τεχνητής γενικής (general) νοημοσύνης» (AGI ή Human Level AI), πρωτογενής πληροφορία είναι ό,τι αποκομίζουν νοητικά από την αντικειμενική πραγματικότητα νοήμονα ζωντανά όντα, τεχνικά υποβοηθούμενα από μηχανές τις οποίες κατασκευάζουν νοήμονα ζωντανά όντα. Οι δε μηχανές λειτουργούν με εντολές δεδομένες, οι οποίες έχουν αρχή και τέλος (αλγόριθμοι), δηλαδή τις λειτουργούν παράγωγα της λογικής-μαθηματικής ικανότητας νοήμονων ζωντανών όντων.
Επίσης, αυτή η πρωτογενής πληροφορία, πριν την «αναλάβουν» οι αλγόριθμοι των μεγάλων γλωσσικών μοντέλων, είναι ήδη ταξινομημένη επιλεκτικά και αξιολογικά από νοήμονα ζωντανά όντα, με γνώμονα λογικές και αξιολογικές σταθμίσεις τις οποίες παράγει η διυποκειμενική αλληλεπίδραση νοήμονων ζωντανών όντων.
 |
| Ο «Κύκλος Gartner» των αναδυόμενων τεχνολογιών: Η «προώθηση» («σπρώξιμο στις αγορές» - φυσικά με το αζημίωτο), φέρνει υπερενθουσιασμό και εκκωφαντικό ντόρο. Ύστερα έρχεται η απομυθοποίηση, ο μετριασμός των ανορθολογικών προσδοκιών και η όποια παραγωγική χρήση (© Architecture & Governance Magazine) |
Στα μεγάλα γλωσσικά μοντέλα δίνεται αρχικά τεράστια ποσότητα πρωτογενούς πληροφορίας για να «εκπαιδευτούν» με αυτήν, ώστε μετά να μπορούν να «χειρίζονται παραγωγικά» αυτήν αλλά και ευρύτερα σύνολα πρωτογενούς πληροφορίας, με γνώμονα το σύνολο εντολών που έχουν ενσωματώσει στα μοντέλα οι προγραμματιστές τους. Φυσικά, μπορούν να κάνουν αυτές τις δύο λειτουργίες με τρόπους, αποτελεσματικότητα, ενεργειακή-φυσική απόδοση, ολικό κόστος (οικονομικό, περιβαλλοντικό, κοινωνικό)9 και περιορισμούς, οι οποίοι είναι εγγενείς του συνδυασμού τέτοιων μοντέλων με το hardware που τα υποστηρίζει. Επιτελούν ό,τι και όπως είναι εφικτό εκ της φύσεως τους.
Ο δείκτης (ή συντελεστής) ενεργειακής απόδοσης είναι χαρακτηριστικός. Ένας ανθρώπινος εγκέφαλος, για να επιτελέσει συγκεκριμένες λειτουργίες ώστε να παραγάγει μετρήσιμη ποσότητα «λογικών συμπερασμάτων», συνήθως δαπανά κλάσματα του γραμμαρίου γλυκόζης και χρησιμοποιεί την πρωτογενή ενέργεια την εκλυόμενη κατά την καύση της, μετατρέποντας την σε άλλες μορφές (χημικών δεσμών, ηλεκτρική) για να λειτουργήσει.
Τα λεγόμενα συστήματα τεχνητής νοημοσύνης, για να επιτελέσουν μικρό κλάσμα της ίδιας λειτουργίας, έστω και σε πολύ μικρότερο χρόνο, χρειάζονται τεράστιες ποσότητες ενέργειας, ηλεκτρικής. Και μάλιστα το μεγαλύτερο μέρος της το σπαταλούν αχρησιμοποίητο ως «θερμικό απόβλητο»· διασπείρεται ως μη επαναχρησιμοποιήσιμη θερμότητα στο νερό ψύξης των data centers και στην ατμόσφαιρα. Με άλλα λόγια, ο ανθρώπινος εγκέφαλος (1) χρειάζεται χιλιάδες φορές μικρότερη ποσότητα πρωτογενούς ενέργειας για να επιτελέσει ισοδύναμο έργο - στην πραγματικότητα πολύ μεγαλύτερο, επειδή λειτουργεί συνθετικά και πολυεπίπεδα. Και το σημαντικότερο (2), στις μετατροπές της στις άλλες μορφές ενέργειας, ο εγκέφαλος χειρίζεται την ενέργεια που παραλαμβάνει με βαθμό ενεργειακής απόδοσης πολλές εκατοντάδες φορές μεγαλύτερο από τον βαθμό ενεργειακής απόδοσης που επιτυγχάνει ένα σύστημα γλωσσικού μοντέλου + hardware για να επιτελέσει το δικό του έργο. Δηλαδή, το τεχνητό σύστημα, και πολύ περισσότερη ενέργεια χρειάζεται συνολικά, αλλά και σπαταλά αχρησιμοποίητο, ως «θερμικό απόβλητο», ένα πολύ μεγάλο μέρος της, σε αντίθεση με ένα σύστημα «φυσικής νοημοσύνης». 9.b - 9.c. Πράγμα που συνεπάγεται, άν μας ενδιαφέρουν τα απόλυτα μεγέθη δαπανούμενων ποσοτήτων ενέργειας για την παραγωγή ενός συγκεκριμένου έργου, διαφορά τάξης μεγέθους του εκατομμυρίου: (a.103)x(b.103)
= ab.106
H ΑΙ είναι μια ψηφιακή τεχνολογία όπως όλες οι άλλες. Ανήκει στην κατηγορία «εργαλεία». Παρά την «προώθηση», τον ντόρο και την δημοσιολογούσα ευπιστία, δεν της ταιριάζουν ούτε ενθουσιασμός ούτε τρόμος
Μα τί ακριβώς κάνουν;
«Δεν σκέπτονται, δημιουργούν στατιστικά πιθανές απαντήσεις, με βάση τεράστια σύνολα δεδομένων» πρωτογενούς πληροφορίας. «Αυτά τα συστήματα δεν κατανοούν· συγκρίνουν και κάνουν αντιστοιχίσεις με δεδομένα πρότυπα. Δεν κάνουν λογική επεξεργασία για να βγάλουν λογικά συμπεράσματα· κάνουν προσεγγιστικές παρεμβολές (interpolations) έχοντας ως βάση τα δεδομένα με τα οποία τροφοδοτήθηκαν για να εκπαιδευτούν».4
Στο σημείο αυτό υπάρχει μια άλλη παγίδα, η οποία σχετίζεται με την ίδια την εσωτερική τεχνολογική βάση της τεχνητής νοημοσύνης. Και γι΄ αυτό είναι ακόμη πιο κρίσιμη από τις άλλες παγίδες, τις «εξωτερικές», π.χ. την διαφημιστική έξαρση και τον πυροδοτούμενο ντόρο για χάρη της «ευημερίας» μιας ολιγαρχικής ομάδας, ή την συνεργούσα ευπιστία πολλών δημοσιολογούντων (οι οποίοι, όχι σπάνια, καταλήγουν ακούσια να γίνουν παπαγαλάκια για χάρη της εκρηκτικής χρηματιστηριακής πορείας των ολιγαρχικών ομίλων) ή και πολιτικών (οι οποίοι συχνά συμπράττουν με το αζημίωτο). Αυτή η κρίσιμη «εσωτερική» παγίδα αφορά πολύ δηλητηριώδεις πτυχές: Data contamination ή αλλιώς data poisoning.10 Πρόκειται για την μόλυνση του ίδιου του αλγόριθμου του γλωσσικού μοντέλου από το ψηφιακό υλικό με το οποίο το τροφοδοτούν για να εκπαιδεύεται.
Στο σημείο αυτό υπάρχει μια άλλη παγίδα, η οποία σχετίζεται με την ίδια την εσωτερική τεχνολογική βάση της τεχνητής νοημοσύνης. Και γι΄ αυτό είναι ακόμη πιο κρίσιμη από τις άλλες παγίδες, τις «εξωτερικές», π.χ. την διαφημιστική έξαρση και τον πυροδοτούμενο ντόρο για χάρη της «ευημερίας» μιας ολιγαρχικής ομάδας, ή την συνεργούσα ευπιστία πολλών δημοσιολογούντων (οι οποίοι, όχι σπάνια, καταλήγουν ακούσια να γίνουν παπαγαλάκια για χάρη της εκρηκτικής χρηματιστηριακής πορείας των ολιγαρχικών ομίλων) ή και πολιτικών (οι οποίοι συχνά συμπράττουν με το αζημίωτο). Αυτή η κρίσιμη «εσωτερική» παγίδα αφορά πολύ δηλητηριώδεις πτυχές: Data contamination ή αλλιώς data poisoning.10 Πρόκειται για την μόλυνση του ίδιου του αλγόριθμου του γλωσσικού μοντέλου από το ψηφιακό υλικό με το οποίο το τροφοδοτούν για να εκπαιδεύεται.
Έτσι, το πρόβλημα δεν είναι απλά και μόνον η αναπόφευκτη επιλεκτικότητα στη σύνθεση του «εκπαιδευτικού υλικού», ανάλογα με τις (καθόλου αθώες) προτιμήσεις ανθρώπων και όχι μηχανών, δηλαδή τις προτιμήσεις των τροφοδοτών-εκπαιδευτών αλλά και των προγραμματιστών του αλγόριθμου. Η όλη παγκόσμια ψηφιακή σφαίρα, από την οποία αντλούν εκπαιδευτικό υλικό τα μοντέλα, διαρκώς διογκώνεται και εξαιτίας της παραγωγής της ΑΙ. Έτσι, τα γλωσσικά μοντέλα μολύνονται, εκτός των άλλων και επειδή καταλήγουν να «εκπαιδεύονται» και με προϊόντα δικά τους.
Αυτός είναι ο φαύλος κύκλος στον οπoίο οδηγεί το hyperscaling, δηλαδή η υπερ-κλιμάκωση σε εξαιρετικά υψηλό βαθμό του όλου συστήματος λειτουργίας ενός γλωσσικού μοντέλου, τόσο σε λειτουργικές υποδομές αποθήκευσης δεδομένων και επεξεργαστικής ισχύος (κέντρα δεδομένων), όσο και στην εμβέλεια και έκταση της πρόσβασης του σε ψηφιακό υλικό.
«Data Poisoning is the neu Fake News». Π.χ., πολλοί παρατηρούν ότι στις περιπτώσεις των μοντέλων της OpenAI και του Grok, όσο πιο πολύ ψάχνεις στο «κουτί», τόσο πιο πολύς Πούτιν και πιο πολλή Ρωσία πετιέται από μέσα. Ειδικά η τροφοδοσία από το X στο ενσωματωμένο Grok το μετατρέπει σε μηχανισμό παραπληροφόρησης. Όμως για να μη μένουμε μόνον στην επιφάνεια των πραγμάτων, το data poisoning είναι αφενός θέμα πολύ τεχνικό και με υπερβολικά πολλές πτυχές, όχι μόνον τεχνικές, αφετέρου, για να παρουσιαστεί εδώ.
Ας επιστρέψουμε όμως, με δυό λόγια, στον πυρήνα του θέματος, ο οποίος μας δείχνει και τον δρόμο για το τί να κάνουμε. Τι είναι τεχνητή νοημοσύνη; Αυτό που αποκαλείται τεχνητή νοημοσύνη, σε πείσμα του ονόματος της, είναι μια κανονική τεχνολογία, όπως οι άλλες. Ανήκει στην κατηγορία «εργαλεία». Είναι εργαλείο, τεχνολογικό μέσο· και αυτό το εργαλείο μπορεί να κάνει μόνον ό,τι του «διδάσκουν» ή του υπαγορεύουν οι χειριστές του όταν προγραμματίζουν τον ψηφιακό του κώδικα. Δεν είναι αυτό το ίδιο παραγωγός γνώσης, επιστήμης, τεχνολογικών εφαρμογών της επιστήμης. Δεν είναι κάτι ξεχωριστό, δυνητικά αυτόνομο από τον κατασκευαστή του, από το βιολογικό είδος άνθρωπος. Ούτε οι (συλ)λογιστικές ικανότητες της έχουν ως όμοιο ή ομόλογο τους τις νοητικές ικανότητες νοήμονων ζωντανών όντων. Εκτός των άλλων, επειδή οι τελευταίες δεν είναι, απλώς, εργαλεία.
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου