Περιεχόμενα
Κάποιες από τις σημαντικότερες εφευρέσεις στην ιστορία, από το εμβόλιο της ευλογιάς μέχρι τις λάμπες φωτισμού, έγιναν πραγματικότητα όταν δύο επιστήμες συνεργάστηκαν μεταξύ τους κι έδωσαν τα φώτα τους η μία στην άλλη. Μην αρχίσουμε τα αρχαία ρητά «η ισχύς εν τη ενώσει» και τέτοια θεωρητικά, όταν συνεργάζονται πολλά μυαλά και από διαφορετικούς χώρους, πάντα κάτι καλό συμβαίνει.
Στη θεωρία, κανείς δεν διαφωνεί. Στην πράξη, αρκεί να δούμε τι συμβαίνει με την τεχνητή νοημοσύνη και την νευροεπιστήμη. Έχουμε πολλά παραδείγματα επιστημών και χώρων επιστημονικής έρευνας που, αντί να βάλουν τις γνώσεις τους σ’ ένα τραπέζι και να ωφεληθούν, επιμένουν πεισματικά να υψώνουν τείχη ανάμεσά τους. Δύο πράγματα που στην ουσία εξετάζουν το ίδιο πράγμα, βεβαίως σε διαφορετικό αντικείμενο.
Η νευροεπιστήμη προσπαθεί να κατανοήσει τον τρόπο λειτουργείας του νευρικού συστήματος και του εγκεφάλου, δηλαδή του ανθρώπινου μυαλού. Η τεχνητή νοημοσύνη προσπαθεί να προσαρμόσει τις ανθρώπινες εγκεφαλικές λειτουργίες σε μηχανές, με τη μικρότερη δυνατή απόκλιση.
Από τις αρχές της δεκαετίας του 1930, όταν ο Καναδός ψυχολόγος Ντόναλντ Χεμπ διατύπωσε τη θεωρία «μάθησης» των νευρώνων, μέχρι τη δεκαετία του 1960, όπου ο Ντέιβιντ Χούμπελ και ο Τόρστεν Βίσελ κατανόησαν τον τρόπο λειτουργίας του ανθρώπινου αντιληπτικού συστήματος (και τιμήθηκαν με το βραβείο Νόμπελ το 1981) η νευροεπιστήμη έχει κάνει τεράστια άλματα. Η τεχνητή νοημοσύνη, όπως την μαθαίνουμε τα τελευταία χρόνια, έχει τις «κατασκευαστικές» της ρίζες στη λειτουργία των ανθρώπινων νευρωνικών δικτύων. Αυτά μελέτησαν οι επιστήμονες των υπολογιστών πριν ξεκινήσουν την επίπονη διαδικασία να μάθουν τους υπολογιστές να «σκέφονται». Γιατί, λοιπόν, δεν ρίχνουν γέφυρες επικοινωνίας;
Τεχνητή νοημοσύνη: Δεν καταλαβαίνουν οι ερευνητές
Η απάντηση είναι μάλλον θολή. Κι έχει τις ρίζες της σε μια αδιαφορία, ένα «σνομπάρισμα» του ενός για τη δουλειά του άλλου. Αν ρωτήσεις επιστήμονες των υπολογιστών για τις σύγχρονες προόδους της νευροεπιστήμης, θα σου απαντήσουν ότι δεν ασχολούνται. Δεν μπορούν να κατανοήσουν πώς θα βοηθηθούν απ’αυτό. Οι δε ασχολούμενοι με τη νευροεπιστήμη θεωρούν ότι ο ανθρώπινος εγκέφαλος είναι κάτι πολύ πιο πολύπλοκο από τις λειτουργίες μιας μηχανής, άρα το να ασχοληθούν με τη μεταφορά ανθρώπινων εγκεφαλικών λειτουργιών σ’ έναν υπολογιστή τους υποβιβάζει.
Η αλήθεια είναι ότι η τεχνητή νοημοσύνη μπορεί να βοηθήσει τον άνθρωπο να απαλλαγεί από βαρετές εργασίες (και να έχει το χρόνο, θεωρητικά, να χρησιμοποιήσει το μυαλό του σε πιο δύσκολα πράγματα). Από την άλλη, η κατανάλωση ενέργειας που χρειάζεται η τεχνητή νοημοσύνη για να λειτουργήσει πρέπει να μας απασχολήσει άμεσα.
Ο ανθρώπινος εγκέφαλος καταναλώνει περίπου 20 Watt ενέργειας για έναν μέσο ενήλικ. Λιγότερο από το μισό της κατανάλωσης μιας λάμπας. Τον περασμένο Ιανουάριο το ChatGPT κατανάλωσε ηλεκτρική ενέργεια ίση με την μηνιαία κατανάλωση 175.000 ανθρώπων. Μόλις έξι μήνες αργότερα, και δεδομένης της αλματώδους αύξησης του ChatGPT, η κατανάλωσή του σήμερα ισούται με αυτήν που χρειάζονται 1.000.000 άνθρωποι στο δυτικό κόσμο. Η έρευνα του πανεπιστημίου Άμχρεστ της Μασαχουσέτης αναφέρει ότι μόνο η διαδικασία εκπαίδευσης ενός μοντέλου στην τεχνητή νοημοσύνη μπορεί να εκπέμπει τόσο άνθρακα όσο πέντε αυτοκίνητα στη διάρκεια της ζωής τους.
Εκτός από την ενέργεια, το κόστος εφαρμογής της τεχνητής νοημοσύνης είναι και κοστοβόρα. Τα συστήματα «εκπαίδευσης» αλλάζουν κάθε τρεις-τέσσερις μήνες από το 2012. Κάτι που σημαίνει ότι για να προλάβει κάποιος τις εξελίξεις πρέπει να κάνει συνεχή update. Καθόλου καλό για τη τσέπη του.
Οι άνθρωποι μαθαίνουν, οι υπολογιστές εκπαιδεύονται
Ο ανθρώπινος εγκέφαλος όχι μόνο χρησιμοποιεί ένα μικροσκοπικό κλάσμα της ενέργειας που χρησιμοποιείται από τα μεγάλα μοντέλα στην τεχνητή νοημοσύνη, αλλά είναι επίσης… πραγματικά έξυπνος. Σε αντίθεση με την τεχνητή νοημοσύνη, ο εγκέφαλος μπορεί να κατανοήσει τη δομή του περιβάλλοντός του για να κάνει περίπλοκες προβλέψεις και να πραγματοποιήσει έξυπνες ενέργειες. Και φυσικά οι άνθρωποι μαθαίνουν συνεχώς και σταδιακά.
Αντίθετα, ο υπολογιστής δεν «μαθαίνει», προς το παρόν τουλάχιστον. Αν ένα μοντέλο τεχνητής νοημοσύνης κάνει ένα λάθος σήμερα, τότε θα συνεχίσει να επαναλαμβάνει αυτό το λάθος μέχρι να επανεκπαιδευτεί χρησιμοποιώντας νέα δεδομένα.
Πώς μπορούν οι δύο τομείς να συνεργαστούν; Κατ’ αρχάς χρειάζεται να χαμηλώσουν λίγο την υπερήφανη μύτη τους. Επιπλέον, πρέπει νεότεροι ερευνητές και από τους δύο τομείς να έλθουν κοντά, να ανταλλάξουν απόψεις για να συμβάλουν στην κάλυψη του κενού. Με αυτόν τον τρόπο οι ερευνητές που ασχολούνται με την τεχνητή νοημοσύνη μπορούν να κατανοήσουν καλύτερα τον τρόπο με τον οποίο τα νευροεπιστημονικά ευρήματα μπορούν να μεταφραστούν σε AI.
Αρκετοί οργανισμοί και εταιρείες έχουν κάνει σημαντική πρόοδο στην εφαρμογή αρχών που βασίζονται στον εγκέφαλο στην τεχνητή νοημοσύνη. Ανάμεσά τους συμπεριλαμβάνονται κυβερνητικές υπηρεσίες, ακαδημαϊκοί ερευνητές και ιδιώτες όπως η, Intel και η Google DeepMind.
H νευροεπιστήμη είναι, ούτως ή άλλως, πολύ «ανοιχτή» στο διεπιστημονικό επιστημονικό πεδίο. Συνεργάζεται με άλλους τομείς όπως τη χημεία, τη γνωσιακή επιστήμη, τη μηχανική, τη γλωσσολογία, τα μαθηματικά, την ιατρική (συμπεριλαμβανομένης της νευρολογίας), τη γενετική, και συναφείς κλάδους, συμπεριλαμβανομένης της φιλοσοφίας, της φυσικής και της ψυχολογίας. Κάπου εκεί δεν πρέπει να προστεθεί και η επιστήμη των υπολογιστών;
** Με πληροφορίες από Fortune.
