Φεβ 06 2025
Τι είναι τελικά η εντροπία;
«Τίποτα στη ζωή δεν είναι σίγουρο εκτός από τον θάνατο, τους φόρους και τον δεύτερο νόμο της θερμοδυναμικής», έγραψε ο Seth Lloyd, ένας φυσικός στο Ινστιτούτο Τεχνολογίας της Μασαχουσέτης. Δεν μπορούμε να αποφύγουμε αυτή την μοίρα. Η αύξηση της εντροπίας είναι βαθιά συνυφασμένη με τις πιο βασικές εμπειρίες μας, εξηγώντας γιατί ο χρόνος ρέει προς το μέλλον και γιατί ο κόσμος φαίνεται ντετερμινιστικός και όχι κβαντομηχανικά αβέβαιος.
Η κινητήρια δύναμη της φωτιάς
Η έννοια της εντροπίας προέκυψε από μια προσπάθεια τελειοποίησης των μηχανών κατά τη διάρκεια της βιομηχανικής επανάστασης. Ένας 28χρονος Γάλλος στρατιωτικός μηχανικός ονόματι Sadi Carnot υπολόγισε την απόλυτη απόδοση μιας ατμοκίνητης μηχανής. Το 1824, δημοσίευσε ένα μικρό βιβλίο 118 σελίδων με τίτλο «Σκέψεις επί της κινητήριας δυνάμεως του πυρός» το οποίο επωλείτο στις όχθες του Σηκουάνα για 3 φράγκα και εξαντλήθηκε πολύ γρήγορα. Στο βιβλίο αυτό εισαγόταν έμμεσα για πρώτη φορά η έννοια της εντροπίας, μια ιδέα που θα ποσοτικοποιούσε τoν αδυσώπητo κατήφορο του σύμπαντος προς την φθορά.

Η επίδρασή του στην φυσική σε σχέση με την ποσότητα των γραπτών του, συγκρίνεται με εκείνη του Évariste Galois (1811-1832) στα μαθηματικά και του Arthur Rimbaud (1854-1891) στην ποίηση.
Ο Carnot πέθανε από χολέρα σε ηλικία 36 ετών, οκτώ χρόνια μετά την δημοσίευση του βιβλίου του, το οποίο αγνοήθηκε σε μεγάλο βαθμό από την επιστημονική κοινότητα. Ένα άρθρο που δημοσιεύτηκε το 1834 (δύο χρόνια μετά τον θάνατο του Carnot και δέκα χρόνια μετά τη δημοσίευση του βιβλίου του) από τον μηχανικό Émile Clapeyron κατάφερε τελικά να επιστήσει την προσοχή στο έργο του Carnot. Έτσι, μερικά χρόνια αργότερα χρησιμοποιήθηκε από τον Λόρδο Kelvin (o οποίος δυσκολεύθηκε πολύ να βρει αντίγραφο του βιβλίου του Carnot) και τον Rudolf Clausius για να ορίσουν τις έννοιες της απόλυτης θερμοκρασίας, της εντροπίας και να διατυπώσουν τον δεύτερο νόμο της Θερμοδυναμικής. Το 1890 δημοσιεύθηκε μια αγγλική μετάφραση του βιβλίου του Carnot από τον R.H. Thurston «Reflections on the Motive Power of Fire«.
Ο Carnot συνειδητοποίησε ότι η ατμομηχανή εκμεταλλεύεται την τάση της θερμότητας να ρέει από τα θερμά σώματα στα ψυχρά. Και σχεδίασε μια θερμική μηχανή με την μέγιστη απόδοση που μπορούσε να φανταστεί κανείς, θέτοντας ένα όριο στο κλάσμα της θερμότητας που μπορεί να μετατραπεί σε ωφέλιμο έργο, ένα αποτέλεσμα που σήμερα είναι γνωστό ως θεώρημα του Carnot. Η σπουδαιότερη δήλωσή του εμφανίζεται ως περιορισμός στην τελευταία σελίδα του βιβλίου: «Στην πράξη, δεν θα μπορέσουμε ποτέ να χρησιμοποιήσουμε όλη την κινητήρια δύναμη των καύσιμων υλικών». Κάποια ενέργεια θα διαχέεται πάντα μέσω τριβής, δονήσεων ή άλλης ανεπιθύμητης μορφής κίνησης. Η τελειότητα είναι ανέφικτη.
Διαβάζοντας το βιβλίο του Carnot μερικές δεκαετίες αργότερα, το 1865, ο Γερμανός φυσικός Rudolf Clausius εισήγαγε την έννοια της εντροπίας και στη συνέχεια διατύπωσε αυτό που έγινε γνωστό ως ο δεύτερος νόμος της θερμοδυναμικής: «Η εντροπία του σύμπαντος αυξάνεται».
Όμως, παρά την θεμελιώδη σημασία της, η εντροπία είναι ίσως η πιο διχαστική έννοια στη φυσική. Σύμφωνα με τον Lloyd: «Η εντροπία ήταν πάντα πρόβλημα. Η σύγχυση πηγάζει εν μέρει από τον τρόπο με τον οποίο ο όρος χρησιμοποιείται και διακινείται σε διάφορους τομείς- έχει παρόμοια, αλλά ξεχωριστή σημασία σε κάθε τομέα, από την φυσική έως τη θεωρία πληροφοριών, την οικολογία και την ψυχανάλυση. Αλλά για να κατανοήσουμε πραγματικά την έννοια της εντροπίας απαιτούνται κάποια βαθιά άβολα φιλοσοφικά άλματα.
Καθώς οι φυσικοί του περασμένου αιώνα εργάστηκαν για να ενώσουν φαινομενικά ανόμοια πεδία έριξαν στην έννοια της εντροπίας νέο φως, μετατόπισαν την συνήθη ερμηνεία της, από μέτρο της αταξίας σε μέτρο της άγνοιας. Η εντροπία δεν θεωρείται ως μια ιδιότητα εγγενής σε ένα σύστημα, αλλά ως μια ιδιότητα που σχετίζεται με έναν παρατηρητή που αλληλεπιδρά με το σύστημα. Αυτή η σύγχρονη άποψη φωτίζει τον βαθύ δεσμό μεταξύ της πληροφορίας και της ενέργειας, η οποία βοηθά τώρα να εγκαινιαστεί μια μίνι-βιομηχανική επανάσταση στις μικρότερες κλίμακες.
διαβάστε περισσότερα στο άρθρο του Zack Savitsky με τίτλο: «Τι είναι εντροπία; Ένα μέτρο για το πόσο λίγα γνωρίζουμε πραγματικά.» – https://www.quantamagazine.org/what-is-entropy-a-measure-of-just-how-little-we-really-know-20241213/
Φεβ 06 2025
Η απίστευτη βραδύτητα της ανθρώπινης σκέψης
Σύμφωνα με μια νέα έρευνα που δημοσιεύτηκε στο περιοδικό Neuron, τα ανθρώπινα όντα σκέφτονται με βασανιστικά αργή ταχύτητα, περίπου 10 bit ανά δευτερόλεπτο – θυμούνται, λαμβάνουν αποφάσεις και φαντάζονται τα πράγματα με αυτόν τον ρυθμό. Αντιθέτως, τα ανθρώπινα αισθητήρια συστήματα συγκεντρώνουν δεδομένα με ρυθμό περίπου ένα δισεκατομμύριο bit ανά δευτερόλεπτο. Αυτό το βιολογικό παράδοξο, που τονίζεται στη νέα εργασία, πιθανότατα συμβάλλει στην ψευδή αίσθηση ότι το μυαλό μας μπορεί να εμπλακεί σε φαινομενικά άπειρες σκέψεις ταυτόχρονα – ένα φαινόμενο που οι συγγραφείς της μελέτης θεωρούν ως «η ψευδαίσθηση του Μασκ». Κι αυτό γιατί ο Ίλον Μασκ φιλοδοξεί να συνδέσει τον ανθρώπινο εγκέφαλο με υπολογιστή ώστε να αυξηθεί η ταχύτητα με την οποία λειτουργεί ο εγκέφαλός μας. Φαίνεται ότι κάτι τέτοιο δεν θα γίνει ποτέ πραγματικότητα, αφού οι άνθρωποι σκέφτονται με τον ασήμαντο ρυθμό 10 bit ανά δευτερόλεπτο, τον ρυθμό μιας συνομιλίας.
«Ο ανθρώπινος εγκέφαλος είναι πολύ λιγότερο εντυπωσιακός από όσο πιστεύουμε», λέει ο συν-συγγραφέας της μελέτης Markus Meister, νευροεπιστήμονας στο Caltech. «Είναι απίστευτα αργός όταν πρόκειται για την λήψη αποφάσεων και είναι γελοία πιο αργός από οποιαδήποτε από τις συσκευές με τις οποίες αλληλεπιδρούμε.»
Ο Meister και η συν-συγγραφέας Jieyu Zheng, υποψήφια διδάκτωρ νευροβιολογίας στο Caltech, υποστηρίζουν επίσης ότι ο εγκέφαλός μας μπορεί να κάνει μόνο ένα πράγμα τη φορά. Κι αυτό σιγά-σιγά. Έτσι, ακόμη κι αν ο Μασκ κατάφερνε να συνδέσει τον εγκέφαλό του σε έναν υπολογιστή, λέει ο Meister, δεν θα μπορούσε να επικοινωνήσει μαζί του γρηγορότερα.
Η νέα μελέτη θα μπορούσε να αλλάξει τον τρόπο με τον οποίο οι νευροεπιστήμονες προσεγγίζουν ορισμένα ερωτήματα. Γιατί το περιφερικό μας νευρικό σύστημα μπορεί να επεξεργάζεται χιλιάδες αντικείμενα παράλληλα, αλλά μπορούμε να κάνουμε μόνο ένα πράγμα τη φορά; Οποιαδήποτε θεωρία του εγκεφάλου που επιδιώκει να εξηγήσει όλα τα συναρπαστικά πράγματα που μπορούμε να κάνουμε, όπως ο σχεδιασμός και η επίλυση προβλημάτων, θα πρέπει να εξηγήσει αυτό το παράδοξο.
διαβάστε περισσότερες λεπτομέρειες στο άρθρο με τίτλο «The Unbelievable Slowness of Thinking» – https://www.scientificamerican.com/article/the-human-brain-operates-at-a-stunningly-slow-pace/
Φεβ 06 2025
Τι είναι η πιθανότητα;
Η ζωή είναι αβέβαιη. Κανείς μας δεν ξέρει τι πρόκειται να συμβεί. Γνωρίζουμε ελάχιστα για το τι έχει συμβεί στο παρελθόν ή τι συμβαίνει τώρα πέρα από την άμεση εμπειρία μας. Η αβεβαιότητα ονομάστηκε «συνειδητή επίγνωση της άγνοιας» – είτε πρόκειται για τον αυριανό καιρό, είτε για το αποτέλεσμα του ποδοσφαιρικού αγώνα Ολυμπιακού-Παναθηναϊκού, ή για το αν θα γίνει τις επόμενες ημέρες μεγάλος σεισμός.
Στην καθημερινή ζωή, γενικά εκφράζουμε την αβεβαιότητα με λόγια, λέγοντας ότι ένα γεγονός «θα μπορούσε», «μπορεί» ή «είναι πιθανό» να συμβεί. Αλλά οι αβέβαιες λέξεις μπορεί να είναι ύπουλες. Όταν, το 1961, ο νεοεκλεγείς πρόεδρος των ΗΠΑ Τζον Φ. Κένεντι ενημερώθηκε για ένα σχέδιο εισβολής στην Κούβα υπό την αιγίδα της CIA και ζήτησε μια αξιολόγηση από την ανώτατη στρατιωτική του ομάδα. Κατέληξαν στο συμπέρασμα ότι η αποστολή είχε 30% πιθανότητες επιτυχίας – δηλαδή 70% πιθανότητα αποτυχίας. Στην έκθεση που έφτασε στον πρόεδρο, αυτό αναφερόταν ως «μια καλή ευκαιρία». Έτσι αποφασίστηκε η εισβολή στον Κόλπο των Χοίρων και κατέληξε σε φιάσκο. Σήμερα υπάρχουν καθιερωμένες κλίμακες για την αριθμητική εκτίμηση πιθανοτήτων αβέβαιων γεγονότων. Για παράδειγμα, οποιοσδήποτε στην κοινότητα πληροφοριών του Ηνωμένου Βασιλείου χρησιμοποιεί τον όρο «πιθανό», αυτό θα πρέπει να σημαίνει πιθανότητα μεταξύ 55% και 75% (βλέπε go.nature.com/3vhu5zc).
Ανοίξτε οποιοδήποτε επιστημονικό περιοδικό, για παράδειγμα και θα βρείτε άρθρα που είναι πασπαλισμένα με τιμές σημαντικότητας P, διαστήματα εμπιστοσύνης και πιθανώς εκ των υστέρων Μπεϋζιανές κατανομές, όπου όλα εξαρτώνται από την πιθανότητα.
Κι όμως, οποιαδήποτε αριθμητική πιθανότητα – είτε σε μια επιστημονική εργασία, ως μέρος των μετεωρολογικών προβλέψεων, ή στην πρόβλεψη της έκβασης ενός ποδοσφαιρικού αγώνα ή στον ποσοτικό προσδιορισμό ενός κινδύνου για την υγεία – δεν είναι μια αντικειμενική ιδιότητα του κόσμου, αλλά μια κατασκευή που βασίζεται σε προσωπικές ή συλλογικές κρίσεις και (συχνά αμφίβολες) υποθέσεις. Επιπλέον, στις περισσότερες περιπτώσεις, δεν υπολογίζει καν κάποια υποκείμενη «αληθινή» ποσότητα. Πράγματι, η πιθανότητα σπανιότατα μπορεί να ειπωθεί ότι «υπάρχει».
Η πιθανότητα εισήλθε σχετικά αργά στα μαθηματικά. Αν και οι άνθρωποι έπαιζαν «κόκκαλα» ή ζάρια για χιλιετίες, μόνο όταν οι Γάλλοι μαθηματικοί Blaise Pascal και Pierre de Fermat άρχισαν στη δεκαετία του 1650 την συστηματική ανάλυση των «τυχαίων» γεγονότων. Έκτοτε, η πιθανότητα έχει πλημμυρίσει τομείς τόσο διαφορετικούς όπως η οικονομία, η αστρονομία και η νομική – για να μην αναφέρουμε τον τζόγο.
Για να καταλάβετε την παρανόηση που κρύβεται πίσω από την έννοια της πιθανότητας, σκεφτείτε πώς χρησιμοποιείται η έννοια στις σύγχρονες μετεωρολογικές προβλέψεις. Οι μετεωρολόγοι κάνουν προβλέψεις για την θερμοκρασία, την ταχύτητα του ανέμου και την ποσότητα της βροχής, και πολύ συχνά για την πιθανότητα βροχής – ας πούμε 70% για δεδομένο χρόνο και τόπο. Οι τρείς πρώτες μπορούν να συγκριθούν με τις «αληθινές» τιμές τους. Μπορείτε να βγείτε έξω και να τις μετρήσετε. Αλλά δεν υπάρχει «αληθινή» πιθανότητα να συγκρίνει την τελευταία με την εκτίμηση της πρόγνωσης. Δεν υπάρχει «πιθανόμετρο». Ή βρέχει ή δεν βρέχει.
Επιπλέον, όπως υπογράμμισε ο φιλόσοφος Ian Hacking, η πιθανότητα έχει «το πρόσωπο του Ιανού»: χειρίζεται τόσο την τύχη όσο και την άγνοια. Φανταστείτε ότι ρίχνω ένα νόμισμα και σας ρωτάω ποιά είναι η πιθανότητα να έλθει «κορώνα». Λέτε άνετα «50%». Στη συνέχεια ρίχνω το νόμισμα και πιάνοντάς το με τα δυο μου χέρια στον αέρα. Αφού ρίξω μια γρήγορη κρυφή ματιά στο κέρμα, ξαναρωτάω: ποια είναι η πιθανότητά σας να είναι τώρα «κορώνα»;
Σημειώστε ότι λέω η πιθανότητά «σας», όχι «η» πιθανότητα. Οι περισσότεροι άνθρωποι τώρα διστάζουν να δώσουν μια απάντηση, πριν επαναλάβουν διστακτικά «50–50». Αλλά το γεγονός συνέβη τώρα, και δεν υπάρχει τυχαιότητα – μόνο η άγνοιά σας. Η κατάσταση έχει μετατραπεί από την «τυχαία» αβεβαιότητα, για το μέλλον που δεν μπορούμε να γνωρίζουμε, στην «γνωσιολογική» αβεβαιότητα, γι αυτό που προς το παρόν δεν γνωρίζουμε. Η αριθμητική πιθανότητα χρησιμοποιείται και για τις δύο αυτές καταστάσεις.
Ακόμα κι αν υπάρχει ένα στατιστικό μοντέλο για το τι πρέπει να συμβεί, αυτό βασίζεται πάντα σε υποκειμενικές υποθέσεις – στην περίπτωση ρίψης νομίσματος, ότι υπάρχουν δύο εξίσου πιθανά αποτελέσματα. Όλοι θεωρούμε ότι η ρίψη ενός νομίσματος έχει μοιρασμένες πιθανότητες «50-50» να έρθει κορώνα ή γράμματα, όταν (υποκειμενικά) εμπιστευόμαστε αυτόν που εκτελεί τη ρίψη ότι δεν χρησιμοποιεί ένα νόμισμα π.χ. με δυο κορώνες.
Όποιαδήποτε πρακτική χρήση της πιθανότητας περιλαμβάνει υποκειμενικές κρίσεις. Αυτό δεν σημαίνει ότι μπορώ να επιλέξω οποιουσδήποτε αριθμούς – θα αποδεικνυόμουν κακός εκτιμητής πιθανοτήτων αν ισχυριζόμουν με βεβαιότητα 99,9% ότι μπορώ να πετάξω από τη στέγη μου, για παράδειγμα. Ο αντικειμενικός κόσμος μπαίνει στο παιχνίδι όταν οι πιθανότητες και οι υποκείμενες υποθέσεις τους ελέγχονται έναντι της πραγματικότητας. Αλλά αυτό δεν σημαίνει ότι οι ίδιες οι πιθανότητες είναι αντικειμενικές.
Ορισμένες υποθέσεις που χρησιμοποιούν οι άνθρωποι για να εκτιμήσουν τις πιθανότητες θα έχουν ισχυρότερη αιτιολόγηση από άλλες. Αν έχω εξετάσει προσεκτικά ένα νόμισμα προτού το ρίξω, και προσγειωθεί σε μια σκληρή επιφάνεια και αναπηδά χαοτικά, θα αισθανθώ πιο δικαιωμένος με την κρίση μου 50-50, παρά αν κάποιος άγνωστος μυστηριώδης τύπος ρίξει ένα δικό του νόμισμα περιορίζοντάς το σε μερικές τυχαίες στροφές. Αλλά αυτοί οι ίδιοι περιορισμοί ισχύουν οπουδήποτε χρησιμοποιούνται πιθανότητες – ακόμη και σε επιστημονικά πλαίσια, στα οποία θα μπορούσαμε να είμαστε λιγότερο υποψιασμένοι για την υποτιθέμενη αντικειμενικότητά τους.
Είναι όμως αυτοί οι αριθμοί, οι υποκειμενικές μας, και ίσως εσφαλμένες εκτιμήσεις μας για κάποια υποκείμενη «αληθινή» πιθανότητα, ένα αντικειμενικό χαρακτηριστικό του κόσμου; Πώς ορίζεται στην πραγματικότητα μια αντικειμενική πιθανότητα;
Έχουν γίνει πολλές προσπάθειες για να δοθεί μια απάντηση στο ερώτημα αυτό, αλλά όλες φαίνονται είτε ελαττωματικές είτε περιορισμένες. Αυτές περιλαμβάνουν την πιθανότητα συχνότητας, μια προσέγγιση που ορίζει τη θεωρητική αναλογία γεγονότων που θα μπορούσαν να εμφανιστούν σε άπειρες επαναλήψεις ουσιαστικά πανομοιότυπων καταστάσεων – για παράδειγμα, επανάληψη της ίδιας κλινικής δοκιμής στον ίδιο πληθυσμό με τις ίδιες καταστάσεις ξανά και ξανά, όπως στην ταινία Ημέρα της Μαρμότας. Αυτό φαίνεται μάλλον μη ρεαλιστικό. Ο Βρετανός στατιστικολόγος Ronald Fisher πρότεινε να σκεφτούμε ένα μοναδικό σύνολο δεδομένων ως δείγμα από έναν υποθετικό άπειρο πληθυσμό, αλλά αυτό φαίνεται να είναι περισσότερο ένα πείραμα σκέψης παρά μια αντικειμενική πραγματικότητα. Ή υπάρχει η ημι-μυστικιστική ιδέα της τάσης, ότι υπάρχει κάποια αληθινή υποκείμενη τάση να συμβεί ένα συγκεκριμένο γεγονός σε ένα συγκεκριμένο πλαίσιο, όπως για παράδειγμα να πάθω καρδιακή προσβολή τα επόμενα δέκα χρόνια ή να εκραγεί ένα συγκεκριμένο ηφαίστειο στους επόμενους μήνες. Οι πιθανότητες που αποδίδονται σε τέτοια γεγονότα φαίνονται πρακτικά μη επαληθεύσιμες.
Υπάρχει ένα περιορισμένο εύρος καλά ελεγχόμενων, επαναλαμβανόμενων καταστάσεων με τεράστια πολυπλοκότητα που, ακόμη κι αν είναι ουσιαστικά ντετερμινιστικές, ταιριάζουν με το παράδειγμα συχνότητας, έχοντας μια κατανομή πιθανότητας με προβλέψιμες ιδιότητες μακροπρόθεσμα. Αυτές περιλαμβάνουν τυπικές διατάξεις τυχαιοποίησης, όπως τροχούς ρουλέτας, ανακατεμένες κάρτες, ρίξιμο νομισμάτων, ζαριών και σφαιρίδια λοταρίας, καθώς και γεννήτριες ψευδοτυχαίων αριθμών, που βασίζονται σε μη γραμμικούς, χαοτικούς αλγόριθμους για να δώσουν αποτελέσματα που περνούν τα τεστ τυχαιότητας.
Στον φυσικό κόσμο, π.χ. μπορούμε να θεωρήσουμε την συμπεριφορά πολύ μεγάλου αριθμού μορίων αερίων τα οποία, ακόμα κι αν ακολουθούν τη νευτώνεια φυσική, υπακούουν στους νόμους της στατιστικής μηχανικής. ή στη γενετική, όπου η τεράστια πολυπλοκότητα της επιλογής και του ανασυνδυασμού των χρωμοσωμάτων οδηγεί σε σταθερά ποσοστά κληρονομικότητας. Μπορεί να είναι λογικό σε αυτές τις περιορισμένες περιστάσεις να υποθέσουμε μια ψευδο-αντικειμενική πιθανότητα – αντί για «μια» (υποκειμενική) πιθανότητα.
Ωστόσο, σε κάθε άλλη κατάσταση στην οποία χρησιμοποιούνται πιθανότητες – από μεγάλα τμήματα της επιστήμης μέχρι τον αθλητισμό, την οικονομία, τον καιρό, το κλίμα, την σεισμολογία, την ανάλυση κινδύνου, τα μοντέλα καταστροφών κ.λπ. – δεν έχει νόημα να θεωρούμε ότι οι κρίσεις μας είναι εκτιμήσεις για αληθινές πιθανότητες. Αυτές είναι απλώς καταστάσεις στις οποίες μπορούμε να προσπαθήσουμε να εκφράσουμε την προσωπική ή συλλογική μας αβεβαιότητα ως προς τις πιθανότητες, με βάση τις γνώσεις και την κρίση μας.
Όλα αυτά απλώς εγείρουν περισσότερα ερωτήματα. Πώς ορίζουμε την υποκειμενική πιθανότητα; Και γιατί οι νόμοι των πιθανοτήτων είναι λογικοί, αν βασίζονται σε πράγματα που ουσιαστικά επινοούμε; Αυτό έχει συζητηθεί στην ακαδημαϊκή βιβλιογραφία σχεδόν επί έναν αιώνα, αλλά χωρίς καθολικά αποδεκτό αποτέλεσμα.
O μαθηματικός Bruno de Finetti ξεκινά το βιβλίο του «Θεωρία των Πιθανοτήτων» με την προκλητική δήλωση: οι πιθανότητες δεν υπάρχουν! Παρ’ όλα αυτά υποστήριξε ότι ξεκινώντας από μια συγκεκριμένη, αλλά καθαρά υποκειμενική, έκφραση πεποιθήσεων, θα πρέπει να ενεργούμε σαν τα γεγονότα να οδηγούνται από αντικειμενικές πιθανότητες.
Είναι εκπληκτικό το γεγονός ότι ένα τόσο σημαντικό σύνολο έργου, στο οποίο βασίζεται όλη η στατιστική επιστήμη, όπως και πλήθος επιστημονικών και οικονομικών δραστηριοτήτων, έχει προκύψει από μια τόσο ασαφή ιδέα. Ίσως στον καθημερινό μας κόσμο, οι πιθανότητες πιθανότατα δεν υπάρχουν – αλλά είναι συχνά χρήσιμο να ενεργούμε σαν να υπάρχουν.
διαβάστε περισσότερες λεπτομέρειες στο άρθρο του David Spiegelhalter με τίτλο «Probability Probably Doesn’t Exist» – http://www.scientificamerican.com/article/why-probability-probably-doesnt-exist-but-its-useful-to-act-like-it-does/
Ιαν 23 2025
Αυτά είναι τα 13 επαγγέλματα του μέλλοντος – 170 εκατ. θέσεις εργασίας μέχρι το 2030
Το Παγκόσμιο Οικονομικό Φόρουμ (WEF) προβλέπει τη δημιουργία 170 εκατομμυρίων νέων θέσεων εργασίας έως το τέλος της δεκαετίας, σύμφωνα με την έκθεσή του για το Μέλλον της Εργασίας 2025. Η έκθεση αναδεικνύει πώς οι τεχνολογικές εξελίξεις, η πράσινη μετάβαση και οι οικονομικές και δημογραφικές αλλαγές αναδιαμορφώνουν την παγκόσμια αγορά εργασίας.
Παρότι οι ίδιες τάσεις θα οδηγήσουν στην απώλεια 92 εκατομμυρίων θέσεων εργασίας, η συνολική αύξηση στην απασχόληση αναμένεται να φτάσει τα 78 εκατομμύρια καθαρές νέες θέσεις εργασίας. Αυτές οι θέσεις αντιστοιχούν στο 14% της σημερινής παγκόσμιας απασχόλησης.
Οι ταχύτερα αναπτυσσόμενοι τομείς
Η ζήτηση για ρόλους που σχετίζονται με την τεχνολογία, όπως ειδικοί δεδομένων, μηχανικοί fintech και ειδικοί στην τεχνητή νοημοσύνη (AI) και μηχανική μάθηση, αυξάνεται ραγδαία. Σε απόλυτους αριθμούς, οι 15 επαγγελματικοί κλάδοι με τη μεγαλύτερη ανάπτυξη περιλαμβάνουν:
- Εργαζόμενοι στη γεωργία: Η πράσινη μετάβαση θα δημιουργήσει 34 εκατομμύρια νέες θέσεις έως το 2030.
- Οδηγοί διανομής, προγραμματιστές λογισμικού, εργαζόμενοι στην οικοδομή και πωλητές: Συμπληρώνουν την πρώτη πεντάδα.
- Εργαζόμενοι στη μεταποίηση τροφίμων και στον τομέα της φροντίδας: Οι νοσηλευτές, κοινωνικοί λειτουργοί και σύμβουλοι αναμένεται να γνωρίσουν σημαντική αύξηση λόγω της γήρανσης του πληθυσμού.
Μέχρι το 2030, το 39% των βασικών δεξιοτήτων στην αγορά εργασίας θα έχει αλλάξει. Παρά τη μείωση σε σχέση με το 44% του 2023, η ανάγκη για αναβάθμιση και επανεκπαίδευση παραμένει κρίσιμη.
Οι δεξιότητες που θα αυξήσουν τη σημασία τους περιλαμβάνουν:
- Τεχνολογικές δεξιότητες: Τεχνητή νοημοσύνη, μεγάλα δεδομένα, κυβερνοασφάλεια και τεχνολογικός εγγραμματισμός.
- Δημιουργική σκέψη, ανθεκτικότητα και ευελιξία: Η διαρκής περιέργεια και μάθηση θεωρούνται πλέον απαραίτητες.
- Ηγεσία, κοινωνική επιρροή και διαχείριση ταλέντων: Συμπληρώνουν τις βασικές δεξιότητες για το μέλλον.
Οι επιχειρήσεις επενδύουν όλο και περισσότερο σε προγράμματα αναβάθμισης και επανεκπαίδευσης για να ανταποκριθούν στις νέες απαιτήσεις. Το WEF, μέσω των πρωτοβουλιών Jobs Initiative και Reskilling Revolution, συνεργάζεται με επιχειρήσεις, ακαδημαϊκούς και κυβερνήσεις για να προετοιμάσει τους εργαζόμενους για την οικονομία του αύριο.
Επαγγέλματα με τη μεγαλύτερη αύξηση και μείωση έως το 2030
- Κτηνοτρόφοι, εργάτες και άλλοι αγροτικοί εργαζόμενοι
- Οδηγοί ελαφρών φορτηγών ή υπηρεσιών διανομής
- Προγραμματιστές λογισμικού και εφαρμογών
- Οικοδόμοι
- Πωλητές καταστημάτων
- Εργαζόμενοι στη μεταποίηση τροφίμων και σχετικών επαγγελμάτων
- Οδηγοί αυτοκινήτων, βαν και μοτοσυκλετών
- Νοσηλευτές και επαγγελματίες υγείας
- Εργαζόμενοι σερβιρίσματος φαγητού και ποτών
- Γενικοί και επιχειρησιακοί διευθυντές
- Επαγγελματίες κοινωνικής εργασίας και συμβουλευτικής
- Διαχειριστές έργων (project managers)
- Καθηγητές πανεπιστημίου και ανώτατης εκπαίδευσης
Επαγγέλματα με τη μεγαλύτερη μείωση
- Ταμίες και υπάλληλοι εισιτηρίων
- Διοικητικοί βοηθοί και εκτελεστικοί γραμματείς
- Οικονόμοι, καθαριστές και φροντιστές κτιρίων
- Υπάλληλοι καταγραφής υλικών και αποθήκης
- Εργαζόμενοι σε εκτυπώσεις και σχετικές εργασίες
- Υπάλληλοι λογιστικής, μισθοδοσίας και τήρησης βιβλίων
- Λογιστές και ελεγκτές
- Συνοδοί μεταφορών και ελεγκτές
- Φύλακες ασφαλείας
- Υπάλληλοι τραπεζών και σχετικών κλάδων
- Υπάλληλοι καταχώρισης δεδομένων
- Υπάλληλοι πληροφοριών πελατών και εξυπηρέτησης
- Γραφίστες
Νοέ 28 2024
Οι εγκύκλιοι για την υποβολή Αίτησης–Δήλωσης για συμμετοχή στις Πανελλαδικές Εξετάσεις
Από Παρασκευή 29-11-2024 ως και Παρασκευή 20-12-2024 για όλους τους υποψηφίους που επιθυμούν να συμμετάσχουν στις Πανελλαδικές εξετάσεις
- Πατήστε εδώ γα να ανοίξετε την εγκύκλιο για τα ΓΕΛ
- Πίνακας με τις Ομάδες προσανατολισμού, τα Επιστημονικά Πεδία και τα Εξεταζόμενα Μαθήματαμε τα πανελλαδικώς εξεταζόμενα μαθήματα
- Υπόδειγμα Αίτησης – Δήλωσης Μαθητή/τριας ή Αποφοίτου για τα ΓΕΛ
- Αναλυτικές Οδηγίες Συμπλήρωσης της Αίτησης
- Αίτηση – Υπεύθυνη Δήλωση για τα 5 Μουσικά Τμήματα των ΑΕΙ με την ειδική διαδικασία εισαγωγής ΓΕΛ 2025
- Κατάλογος Μουσικών Οργάνων για το εξεταζόμενο μάθημα “Μουσική Εκτέλεση και Ερμηνεία”
Οκτ 30 2024
28η Οκτωβρίου 2024 7ο Λύκειο Καλλιθέας
Όσο ευχόμαστε πως θα μιμηθούν τους παλιότερους μας, όσο πιστεύουμε πως θα είναι καλύτεροι από εμάς, η ελπίδα ποτέ δεν πεθαίνει η Ελλάδα είναι παρούσα, τιμά ευλαβικά, αγωνίζεται και συνεχίζει.
Οκτ 14 2024
Πώς ένα χαζό κομμάτι ύλης αποκτά νοημοσύνη;
Η εντυπωσιακότερη εξέλιξη τα τελευταία 13,8 δισεκατομμύρια χρόνια από την Μεγάλη Έκρηξη μέχρι σήμερα, είναι ότι τα άτομα της ύλης αυτοοργανώθηκαν, ώστε να προκύψουν όντα με νοημοσύνη και αυτεπίγνωση. Όντα που μεταξύ πολλών άλλων μπορούν να θυμούνται, να υπολογίζουν, να αισθάνονται, να μαθαίνουν και πλέον να κατασκευάζουν μηχανές που κάνουν τα ίδια πράγματα. Πώς γίνεται ένα σύνολο άψυχων σωματιδίων που κινούνται με βάση τους νόμους της φυσικής να επιδεικνύουν συμπεριφορά που χαρακτηρίζουμε νοήμονα;
Φαίνεται πως παρόμοιους προβληματισμούς είχε και η Βασιλική Σουηδική Ακαδημία Επιστημών όταν αποφάσιζε να βραβεύσει από κοινού με το Νόμπελ Φυσικής 2024 στον φυσικό John Hopfield και τον αποτυχημένο φυσικό Geoffrey E. Hinton για την έρευνά τους στην μηχανική μάθηση Τεχνητών Νευρωνικών Δικτύων (TNΔ). Μια έρευνα που συνεισφέρει προς την εξιχνίαση του αναπάντητου μέχρι στιγμής θεμελιώδους ερωτήματος: με ποιό τρόπο η ύλη αποκτά νοημοσύνη;
Το επιστημονικό υπόβαθρο για το Νόμπελ Φυσικής 2024

Εισαγωγή
Με τις ρίζες της στη δεκαετία του 1940, η μηχανική μάθηση που βασίζεται σε τεχνητά νευρωνικά δίκτυα (TNΔ) έχει εξελιχθεί τις τελευταίες τρεις δεκαετίες σε ένα ευέλικτο και ισχυρό εργαλείο, τόσο με καθημερινές όσο και με προηγμένες επιστημονικές εφαρμογές. Με τα τεχνητά νευρωνικά δίκτυα (ΤΝΔ) τα όρια της φυσικής επεκτείνονται στα φαινόμενα της ζωής καθώς επίσης και στους υπολογισμούς.
Εμπνευσμένα από βιολογικούς νευρώνες στον εγκέφαλο, τα τεχνητά νευρωνικά δίκτυα (TNΔ) είναι μεγάλες συλλογές «νευρώνων» ή κόμβων, συνδεδεμένων με «συνάψεις» ή σταθμισμένες συζεύξεις, που εκπαιδεύονται να εκτελούν ορισμένες εργασίες αντί να τους ζητείται να εκτελέσουν ένα προκαθορισμένο σύνολο εντολών. Η βασική τους δομή έχει στενές ομοιότητες με τα μοντέλα σπιν στη στατιστική φυσική που εφαρμόζονται στον μαγνητισμό ή στη θεωρία κραμάτων. Το φετινό βραβείο Νόμπελ Φυσικής αναγνωρίζει την έρευνα που εκμεταλλεύεται αυτή τη σύνδεση για να κάνει καινοτόμες μεθοδολογικές προόδους στον τομέα των τεχνητών νευρωνικών δικτύων.
Ιστορικό υπόβαθρο
Οι πρώτοι ηλεκτρονικοί υπολογιστές εμφανίστηκαν τη δεκαετία του 1940 και εφευρέθηκαν για στρατιωτικούς και επιστημονικούς σκοπούς. Σκοπός τους ήταν να πραγματοποιήσουν υπολογισμούς που ήταν επίπονοι και χρονοβόροι για τους ανθρώπους. Στη δεκαετία του 1950, προέκυψε η αντίθετη ανάγκη, δηλαδή να μπορούν οι υπολογιστές να κάνουν αυτό στο οποίο είναι ικανοί οι άνθρωποι και άλλα θηλαστικά – να αναγωρίζουν μοτίβα ή σχήματα.
Αυτός ο συγκεκριμένος στόχος της τεχνητής νοημοσύνης προσεγγίστηκε πρώτη φορά από μαθηματικούς και επιστήμονες υπολογιστών, οι οποίοι ανέπτυξαν προγράμματα βασισμένα σε λογικούς κανόνες. Αυτή η προσέγγιση ακολουθήθηκε μέχρι τη δεκαετία του 1980, αλλά οι υπολογιστικοί πόροι που απαιτούνταν για τις ακριβείς ταξινομήσεις, για παράδειγμα, των εικόνων ήταν απαγορευτικά τεράστιοι.
Παράλληλα, είχαν ξεκινήσει έρευνες για να βρεθεί πώς τα βιολογικά συστήματα επιλύουν το πρόβλημα της αναγνώρισης προτύπων. Ήδη από το 1943, ο Warren McCulloch και ο Walter Pitts [1], ένας νευροεπιστήμονας και ένας θεωρητικός της Λογικής, αντίστοιχα, είχαν προτείνει ένα μοντέλο για το πώς συνεργάζονται οι νευρώνες στον εγκέφαλο. Στο μοντέλο τους, ένας νευρώνας σχημάτιζε ένα σταθμισμένο άθροισμα δυαδικών εισερχόμενων σημάτων από άλλους νευρώνες, το οποίο καθόριζε ένα δυαδικό εξερχόμενο σήμα. Το έργο τους έγινε σημείο αφετηρίας για την μετέπειτα έρευνα τόσο σε βιολογικά όσο και σε τεχνητά νευρωνικά δίκτυα.
Μια άλλη σημαντική πρώιμη συνεισφορά προήλθε από τον ψυχολόγο Donald Hebb [2]. Το 1949, ο Hebb πρότεινε έναν μηχανισμό για τη μάθηση και τις αναμνήσεις, όπου η ταυτόχρονη και επαναλαμβανόμενη ενεργοποίηση δύο νευρώνων οδηγεί σε αυξημένη ένταση της σύναψης μεταξύ τους.

Στον τομέα των τεχνητών νευρωνικών δικτύων, διερευνήθηκαν δύο αρχιτεκτονικές για συστήματα διασυνδεδεμένων κόμβων, τα «επαναλαμβανόμενα» και τα «ανατροφοδοτούμενα προς τα εμπρός (feedforward)» δίκτυα, όπου η πρώτη επιτρέπει αλληλεπιδράσεις ανάδρασης (βλέπε παρακάτω τις εικόνες 1 και 2). Ένα δίκτυο προώθησης έχει επίπεδα εισόδου και εξόδου και μπορεί επίσης να περιέχει ενδιάμεσα πρόσθετα στρώματα κρυφών κόμβων.
Το 1957, ο Frank Rosenblatt πρότεινε ένα δίκτυο ανατροφοδότησης προς τα εμπρός για την ερμηνεία εικόνας, το οποίο εφαρμόστηκε επίσης σε υλισμικό υπολογιστή [3]. Είχε τρία στρώματα κόμβων, με ρυθμιζόμενα βάρη μόνο μεταξύ του μεσαίου και του στρώματος εξόδου. Αυτά τα βάρη προσδιορίστηκαν με συστηματικό τρόπο.
Το σύστημα του Rosenblatt τράβηξε μεγάλη προσοχή, αλλά είχε περιορισμούς όταν επρόκειτο για μη γραμμικά προβλήματα. Ένα απλό παράδειγμα είναι το πρόβλημα της αποκλειστικής διάζευξης «το ένα ή το άλλο αλλά όχι και τα δύο» (XOR). Αυτοί οι περιορισμοί επισημάνθηκαν σε ένα σημαντικό βιβλίο από τους Marvin Minsky και Seymour Papert το 1969 [4], το οποίο οδήγησε σε διακοπή χρηματοδότησης της έρευνας για τα τεχνητά νευρωνικά δίκτυα. Μια παράλληλη εξέλιξη προέκυψε, εμπνευσμένη από τα μαγνητικά συστήματα, η οποία δημιούργησε μοντέλα για επαναλαμβανόμενα νευρωνικά δίκτυα και διερεύνησε τις συλλογικές τους ιδιότητες [5-10].

Η δεκαετία του 1980
Στη δεκαετία του 1980 σημειώθηκαν σημαντικές ανακαλύψεις στους τομείς τόσο των επαναλαμβανόμενων όσο και των αναδρομικών νευρωνικών δικτύων, που οδήγησαν σε μια ταχεία επέκταση του πεδίου των τεχνητών νευρωνικών δικτύων.
Ο John Hopfield, ένας θεωρητικός φυσικός, θεωρείται ένας από τους σημαντικότερους επιστήμονες στη βιοφυσική. Η θεμελιώδης εργασία του την δεκαετία του 1970 εξέτασε τη μεταφορά ηλεκτρονίων μεταξύ βιομορίων [11] και τη διόρθωση σφαλμάτων στις βιοχημικές αντιδράσεις (kinetic proofreading=κινητικός διορθωτικός έλεγχος) [12]. Το 1982, ο Hopfield δημοσίευσε ένα δυναμικό μοντέλο για μια συνειρμική μνήμη που βασίζεται σε ένα απλό επαναλαμβανόμενο νευρωνικό δίκτυο [13]. Συλλογικά φαινόμενα εμφανίζονται συχνά σε φυσικά συστήματα, όπως τομείς σε μαγνητικά συστήματα και δίνες στη ροή ρευστού. Ο Hopfield διερεύνησε αν τα αναδυόμενα συλλογικά φαινόμενα σε μεγάλες συλλογές νευρώνων θα μπορούσαν να προκαλέσουν «υπολογιστικές» ικανότητες.
Επισημαίνοντας ότι οι συλλογικές ιδιότητες σε πολλά φυσικά συστήματα είναι ανθεκτικές σε αλλαγές στις λεπτομέρειες του μοντέλου, αντιμετώπισε αυτό το ερώτημα χρησιμοποιώντας ένα νευρωνικό δίκτυο με N δυαδικούς κόμβους si (0 ή 1). Η δυναμική ήταν ασύγχρονη με ενημερώσεις κατωφλίου μεμονωμένων κόμβων σε τυχαίους χρόνους. Η νέα τιμή ενός κόμβου si προσδιορίστηκε από ένα σταθμισμένο άθροισμα σε όλους τους άλλους κόμβους,
όπου ορίζεται si=1 αν hi>0, διαφορετικά si=0 (θέτοντας κατώφλι το μηδέν). Οι ζεύξεις wij θεωρήθηκαν συμμετρικές και αντικατοπτρίζουν συσχετισμούς ανά ζεύγη μεταξύ των κόμβων στις αποθηκευμένες μνήμες, κάτι που αναφέρεται ως ο κανόνας Hebb. Η συμμετρία των βαρών εγγυάται σταθερή δυναμική. Οι στάσιμες καταστάσεις αναγνωρίστηκαν ως μνήμες, κατανεμημένες στους Ν κόμβους σε μια μη τοπική αποθήκευση. Επιπλέον, στο δίκτυο εκχωρήθηκε μια ενέργεια Ε που δίνεται από την εξίσωση , η οποία είναι μια μονότονα φθίνουσα συνάρτηση ως προς το δυναμικό του δικτύου. Αξίζει να σημειωθεί ότι η σύνδεση μεταξύ του κόσμου της φυσικής και των τεχνητών νευρωνικών δικτύων, όπως καθοριζόταν στη δεκαετία του 1980, ήταν ήδη προφανής από αυτές τις δύο εξισώσεις. Η πρώτη εξίσωση μπορεί να χρησιμοποιηθεί για να αναπαραστήσει το μοριακό πεδίο Weiss (από τον Γάλλο φυσικό Pierre Weiss) που περιγράφει πώς ευθυγραμμίζονται οι ατομικές μαγνητικές ροπές σε ένα στερεό και αργότερα χρησιμοποιούνταν συχνά για την εκτίμηση της ενέργειας μιας μαγνητικής διαμόρφωσης, π.χ. ενός σιδηρομαγνήτη. Ο Hopfield γνώριζε φυσικά πολύ καλά πώς χρησιμοποιούνταν αυτές οι εξισώσεις για την περιγραφή των μαγνητικών υλικών.
Μεταφορικά, η δυναμική οδηγεί το σύστημα με Ν κόμβους στις κοιλάδες ενός ενεργειακού τοπίου Ν διαστάσεων, στο οποίο βρίσκονται οι στάσιμες καταστάσεις. Οι στάσιμες καταστάσεις αντιπροσωπεύουν μνήμες που μαθαίνονται από τον κανόνα Hebb. Αρχικά, ο αριθμός των μνημών που μπορούσαν να αποθηκευτούν στο δυναμικό μοντέλο του Hopfield ήταν περιορισμένος. Μέθοδοι για την επίλυση αυτού του προβλήματος αναπτύχθηκαν σε μεταγενέστερη εργασία [14]. Ο Hopfield χρησιμοποίησε το μοντέλο του ως συνειρμική μνήμη ή ως μέθοδο διόρθωσης σφαλμάτων ή συμπλήρωσης προτύπων. Ένα σύστημα αρχικοποιημένο με λανθασμένο μοτίβο, ίσως μια ανορθόγραφη λέξη, έλκεται από το πλησιέστερο τοπικό ελάχιστο ενέργειας στο μοντέλο του, οπότε λαμβάνει χώρα μια διόρθωση. Το μοντέλο έγινε ελκυστικό όταν έγινε σαφές ότι βασικές ιδιότητες, όπως η χωρητικότητα αποθήκευσης, μπορούσαν να κατανοηθούν αναλυτικά, χρησιμοποιώντας μεθόδους από τη θεωρία των υαλωδών σπιν [15,16].

Ένα εύλογο ερώτημα εκείνη την εποχή ήταν αν οι ιδιότητες αυτού του μοντέλου είναι ένα πλαστό αποτέλεσμα της ακατέργαστης δυαδικής δομής του. Ο Hopfield απάντησε σε αυτό το ερώτημα δημιουργώντας μια αναλογική έκδοση του μοντέλου [17], με δυναμική συνεχούς χρόνου που δίνεται από τις εξισώσεις κίνησης για ένα ηλεκτρονικό κύκλωμα. Η ανάλυσή του για το αναλογικό μοντέλο έδειξε ότι οι δυαδικοί κόμβοι θα μπορούσαν να αντικατασταθούν από αναλογικούς χωρίς να χαθούν οι αναδυόμενες συλλογικές ιδιότητες του αρχικού μοντέλου. Οι στάσιμες καταστάσεις του αναλογικού μοντέλου αντιστοιχούσαν σε λύσεις μέσου πεδίου του δυαδικού συστήματος σε μια αποτελεσματικά ρυθμιζόμενη θερμοκρασία και προσέγγισε τις στάσιμες καταστάσεις του δυαδικού μοντέλου σε χαμηλή θερμοκρασία.
Η στενή αντιστοιχία μεταξύ του αναλογικού και του δυαδικού μοντέλου χρησιμοποιήθηκε στη συνέχεια από τους Hopfield και David Tank [18,19] για την ανάπτυξη μιας μεθόδου για την επίλυση δύσκολων διακριτών προβλημάτων βελτιστοποίησης με βάση τη δυναμική συνεχούς χρόνου του αναλογικού μοντέλου. Εδώ, το πρόβλημα βελτιστοποίησης που πρέπει να λυθεί, συμπεριλαμβανομένων των περιορισμών, κωδικοποιείται στις παραμέτρους αλληλεπίδρασης (βάρη) του δικτύου. Επέλεξαν να χρησιμοποιήσουν τη δυναμική του αναλογικού μοντέλου για να έχουν ένα πιο «ήπιο» ενεργειακό τοπίο και έτσι να διευκολύνουν την αναζήτηση. Η προαναφερθείσα αποτελεσματική θερμοκρασία του αναλογικού συστήματος μειώθηκε σταδιακά, όπως στην καθολική βελτιστοποίηση με προσομοίωση ανόπτησης (η θερμική κατεργασία στην οποία υποβάλλεται ένα μέταλλο ή κράμα) [20].
Η βελτιστοποίηση πραγματοποιείται μέσω της ολοκλήρωσης των εξισώσεων κίνησης ενός ηλεκτρονικού κυκλώματος, κατά το οποίο οι κόμβοι εξελίσσονται χωρίς οδηγίες από μια κεντρική μονάδα. Αυτή η προσέγγιση αποτελεί ένα πρωτοποριακό παράδειγμα χρήσης ενός δυναμικού συστήματος για την αναζήτηση λύσεων σε δύσκολα διακριτά προβλήματα βελτιστοποίησης [21]. Ένα πιο πρόσφατο παράδειγμα είναι η κβαντική ανόπτηση [22].
Με τη δημιουργία και την εξερεύνηση των παραπάνω δυναμικών μοντέλων βασισμένων στη φυσική – όχι μόνο του σημαντικότατου συνειρμικού μοντέλου μνήμης αλλά και εκείνων που ακολούθησαν – ο Hopfield συνέβαλε στην βαθύτερη κατανόησή μας για τις υπολογιστικές ικανότητες των νευρωνικών δικτύων.
Στο διάστημα 1983-1985 ο Geoffrey Hinton, μαζί με τον Terrence Sejnowski και άλλους συναεργάτες, ανέπτυξαν μια στοχαστική επέκταση του μοντέλου Hopfield από το 1982, που ονομάζεται μηχανή Boltzmann [23,24].
Εδώ, σε κάθε κατάσταση του δικτύου εκχωρείται μια πιθανότητα που δίνεται από την κατανομή Boltzmann
, με
, όπου T είναι μια εικονική θερμοκρασία και θi είναι μια τάση ή τοπικό πεδίο.
Η μηχανή Boltzmann είναι ένα παραγωγικό μοντέλο. Σε αντίθεση με το μοντέλο Hopfield, εστιάζει σε στατιστικές κατανομές προτύπων και όχι σε μεμονωμένα μοτίβα. Περιέχει ορατούς κόμβους που αντιστοιχούν στα μοτίβα προς εκμάθηση καθώς και πρόσθετους κρυφούς κόμβους, όπου οι τελευταίοι περιλαμβάνονται για να επιτρέψουν τη μοντελοποίηση πιο γενικών κατανομών πιθανοτήτων.

Οι παράμετροι του δικτύου, που ορίζουν την ενέργεια Ε, προσδιορίζονται έτσι ώστε η στατιστική κατανομή των ορατών μοτίβων που παράγονται από το μοντέλο να αποκλίνει ελάχιστα από τη στατιστική κατανομή ενός δεδομένου συνόλου προτύπων εκπαίδευσης. Ο Hinton και οι συνεργάτες του ανέπτυξαν έναν τυπικά κομψό αλγόριθμο μάθησης για τον προσδιορισμό των παραμέτρων [24]. Ωστόσο, κάθε βήμα του αλγορίθμου περιλαμβάνει χρονοβόρες προσομοιώσεις ισορροπίας για δύο διαφορετικά σύνολα.
Αν και θεωρητικά ενδιαφέρουσα, στην πράξη, η μηχανή Boltzmann ήταν αρχικά περιορισμένης χρήσης. Όμως, μια μικρότερη έκδοσή της με λιγότερα βάρη, που ονομάζεται περιορισμένη μηχανή Boltzmann, εξελίχθηκε σε ένα ευέλικτο εργαλείο (βλ. επόμενη ενότητα).
Τόσο το μοντέλο Hopfield όσο και η μηχανή Boltzmann είναι επαναλαμβανόμενα νευρωνικά δίκτυα. Στη δεκαετία του 1980 σημειώθηκε επίσης σημαντική πρόοδος στα ανατροφοδοτούμενα προς τα εμπρός δίκτυα. Μια βασική πρόοδος ήταν η επίδειξη από τους David Rumelhart, Hinton και Ronald Williams το 1986 για το πώς οι αρχιτεκτονικές με ένα ή περισσότερα κρυφά επίπεδα θα μπορούσαν να εκπαιδευτούν για ταξινόμηση χρησιμοποιώντας έναν αλγόριθμο γνωστό ως οπισθοδιάδοση (backpropagation) [25]. Εδώ, ο στόχος είναι να ελαχιστοποιηθεί η μέση τετραγωνική απόκλιση, D, μεταξύ της εξόδου από το δίκτυο και των δεδομένων εκπαίδευσης, με βαθμιδωτή κάθοδο. Αυτό απαιτεί τον υπολογισμό των μερικών παραγώγων του D σε σχέση με όλα τα βάρη στο δίκτυο. Οι Rumelhart, Hinton και Williams ανακάλυψαν εκ νέου ένα σχέδιο για αυτό, το οποίο είχε εφαρμοστεί προηγουμένως σε σχετικά προβλήματα από άλλους [26,27]. Επιπλέον, και πιο σημαντικό, απέδειξαν ότι τα δίκτυα με ένα κρυφό επίπεδο θα μπορούσαν να εκπαιδευτούν με αυτή τη μέθοδο για να εκτελούν εργασίες που είναι άλυτες χωρίς ένα τέτοιο επίπεδο. Επιπλέον, αποσαφήνησαν την λειτουργία των κρυφών κόμβων.
Προς την βαθιά μάθηση (deep learning)
Tις μεθοδολογικές ανακαλύψεις από την δεκαετία του 1980 ακολούθησαν σύντομα επιτυχημένες εφαρμογές, συμπεριλαμβανομένης της αναγνώρισης προτύπων σε εικόνες, γλώσσες και κλινικά δεδομένα. Μια σημαντική μέθοδος ήταν τα πολυεπίπεδα Νευρωνικά Δίκτυα Συνέλιξης ή ΝΔΣ (convolutional neural networks) που εκπαιδεύτηκαν με οπισθοδιάδοση, όπως ανέπτυξαν οι Yann LeCun και Yoshua Bengio [28,29]. Η αρχιτεκτονική των ΝΔΣ είχε τις ρίζες της στη μέθοδο neocognitron που δημιουργήθηκε από τον Kunihiko Fukushima [30], που με τη σειρά του εμπνεύστηκε από το έργο των David Hubel και Torsten Wiesel, βραβευθέντων με το βραβείο Νόμπελ Ιατρικής το 1981. Η προσέγγιση των ΝΔΣ που αναπτύχθηκε από τον LeCun και τους συνεργάτες του χρησιμοποιήθηκε από πολλές αμερικανικές τράπεζες για την ταξινόμηση χειρόγραφων ψηφίων σε επιταγές από τα μέσα της δεκαετίας του 1990. Ένα άλλο επιτυχημένο παράδειγμα αυτής της περιόδου είναι η μέθοδος μακράς βραχύχρονης μνήμης που δημιουργήθηκε από τους Sepp Hochreiter και Jürgen Schmidhuber [31]. Αυτό είναι ένα επαναλαμβανόμενο δίκτυο για την επεξεργασία διαδοχικών δεδομένων, όπως στην ομιλία και τη γλώσσα, και μπορεί να αντιστοιχιστεί σε ένα πολυεπίπεδο δίκτυο που ξεδιπλώνεται στο χρόνο.
Ενώ ορισμένες πολυεπίπεδες αρχιτεκτονικές οδήγησαν σε επιτυχημένες εφαρμογές στη δεκαετία του 1990, παρέμεινε μια πρόκληση να εκπαιδεύονται βαθιά πολυεπίπεδα δίκτυα με πολλές συνδέσεις μεταξύ διαδοχικών επιπέδων. Σε πολλούς ερευνητές του πεδίου, η εκπαίδευση σε πυκνά πολυεπίπεδα δίκτυα φαινόταν απρόσιτη. Η κατάσταση άλλαξε τη δεκαετία του 2000. Ηγετική φυσιογνωμία σε αυτή την ανακάλυψη ήταν ο Hinton και σημαντικό εργαλείο ήταν η περιορισμένη μηχανή Boltzmann (restricted Boltzmann machine=RBM).
Ένα δίκτυο RBM έχει βάρη μόνο μεταξύ ορατών και κρυφών κόμβων και κανένα βάρος δεν συνδέει δύο κόμβους του ίδιου τύπου. Για μία RBM, ο Hinton δημιούργησε έναν αποτελεσματικό κατά προσέγγιση αλγόριθμο μάθησης [32], που ονομάζεται contrastive divergence (αντιφατική απόκλιση), ο οποίος ήταν πολύ ταχύτερος από αυτόν της πλήρους μηχανής Boltzmann [24]. Στη συνέχεια ανέπτυξε, με τους Simon Osindero και Yee-Whye Teh, μια διαδικασία προεκπαίδευσης για δίκτυα πολλαπλών επιπέδων, στην οποία τα στρώματα εκπαιδεύονται ένα προς ένα χρησιμοποιώντας μία RBM [33]. Μια πρώιμη εφαρμογή αυτής της προσέγγισης ήταν ένα δίκτυο αυτόματου κωδικοποιητή για μείωση διαστάσεων [34,35]. Μετά την προεκπαίδευση, έγινε δυνατή η εκτέλεση μιας συνολικής ρύθμισης παραμέτρων χρησιμοποιώντας τον αλγόριθμο οπισθοδιάδοσης. Η προ-γύμανση με RBM εντόπιζε δομές σε δεδομένα, όπως γωνίες σε εικόνες, χωρίς τη χρήση ταξινομημένων δεδομένων εκπαίδευσης. Έχοντας βρει αυτές τις δομές, η επισήμανση αυτών με οπισθιοδιάδοση αποδείχθηκε μια σχετικά απλή εργασία.
Συνδέοντας επίπεδα προεκπαιδευμένα με αυτόν τον τρόπο, ο Hinton μπόρεσε να εφαρμόσει με επιτυχία παραδείγματα βαθύτερων και πυκνότερων δικτύων, ένα βήμα προς αυτό που σήμερα είναι γνωστό ως βαθιά μάθηση (deep learning). Αργότερα, κατέστη δυνατή η αντικατάσταση της προ-εκπαίδευσης που βασίζεται σε RBM από άλλες μεθόδους για την επίτευξη της ίδιας απόδοσης βαθιών και πυκνών πολυεπίπεδων Νευρωνικών Δικτύων Συνέλιξης (ΝΔΣ).
Τα Τεχνητά Νευρωνικά Δίκτυα (TNΔ) ως ισχυρά εργαλεία στη φυσική και σε άλλους επιστημονικούς κλάδους
Μεγάλο μέρος της παραπάνω συζήτησης επικεντρώνεται στο πώς η φυσική υπήρξε η κινητήριος δύναμη στις εφευρέσεις και την ανάπτυξη των TNΔ. Αντιστρόφως τώρα, τα TNΔ διαδραματίζουν ολοένα και περισσότερο σημαντικό ρόλο ως ισχυρό εργαλείο μοντελοποίησης και ανάλυσης σχεδόν σε όλο το εύρος της φυσικής.
Σε ορισμένες εφαρμογές, τα TNΔ χρησιμοποιούνται ως προσέγγιση συνάρτησης [36]. Δηλαδή, τα TNΔ χρησιμοποιούνται για να παρέχουν έναν «μιμητή (copycat)» για κάποιο μοντέλο φυσικής. Αυτό μπορεί να μειώσει σημαντικά τους υπολογιστικούς πόρους που απαιτούνται, επιτρέποντας έτσι την ανίχνευση μεγαλύτερων συστημάτων σε υψηλότερη ανάλυση. Με αυτόν τον τρόπο έχουν επιτευχθεί σημαντικές προόδοι, π.χ. στα κβαντομηχανικά προβλήματα πολλών σωμάτων [37-39]. Εδώ, οι αρχιτεκτονικές βαθιάς μάθησης εκπαιδεύονται να αναπαράγουν ενέργειες των φάσεων των υλικών, καθώς επίσης την μορφή και τη ισχύ των ενδοατομικών δυνάμεων, με ακρίβεια συγκρίσιμη με τα εξαρχής κβαντομηχανικά μοντέλα. Με αυτά τα εκπαιδευμένα ατομικά μοντέλα Tεχνικών Nευρωνικών Δικτύων (ΤΝΔ), μπορεί να γίνει σημαντικά ταχύτερος προσδιορισμός της σταθερότητας φάσης και της δυναμικής των νέων υλικών. Παραδείγματα που δείχνουν την επιτυχία αυτών των μεθόδων περιλαμβάνουν την πρόβλεψη νέων φωτοβολταϊκών υλικών.
Με αυτά τα μοντέλα, είναι επίσης δυνατό να μελετηθούν οι μετατροπές φάσης [40] καθώς και οι θερμοδυναμικές ιδιότητες του νερού [41]. Ομοίως, η ανάπτυξη αναπαραστάσεων TNΔ κατέστησε δυνατή την επίτευξη υψηλότερων αναλύσεων σε ξεκάθαρα κλιματικά μοντέλα βασισμένα στη φυσική [42,43] χωρίς να καταφύγουμε σε πρόσθετη υπολογιστική ισχύ.
Κατά τη διάρκεια της δεκαετίας του 1990, τα TNΔ έγιναν ένα τυπικό εργαλείο ανάλυσης δεδομένων σε πειράματα σωματιδιακής φυσικής διαρκώς αυξανόμενης πολυπλοκότητας. Τα περιζήτητα θεμελιώδη σωματίδια, όπως το μποζόνιο Higgs, επιβιώνουν μόνο για ένα κλάσμα του δευτερολέπτου αφότου δημιουργηθούν σε συγκρούσεις υψηλής ενέργειας (π.χ. ~10-22 s για το μποζόνιο Higgs). Η παρουσία τους πρέπει να συναχθεί από την παρακολούθηση πληροφοριών και απόθεσης ενέργειας σε τεράστιους ανιχνευτές. Συχνά η αναμενόμενη υπογραφή του ανιχνευτή είναι τόσο σπάνια που χάνεται στα γεγονότα υποβάθρου. Για να αναγνωρίζουν τις διασπάσεις των σωματιδίων και να αυξάνουν την αποτελεσματικότητα των αναλύσεων, τα ΝΔΣ εκπαιδεύτηκαν ώστε να επιλέγουν συγκεκριμένα μοτίβα στους μεγάλους όγκους δεδομένων ανιχνευτών που παράγονται με υψηλό ρυθμό.
Τα Tεχνητά Nευρωνικά Δίκτυα (TNΔ) βελτίωσαν την ευαισθησία των αναζητήσεων για το μποζόνιο Higgs στον επιταχυντή Large ElectronPosrtion (LEP) στο CERN κατά τη δεκαετία του 1990 [44] και χρησιμοποιήθηκαν στην ανάλυση δεδομένων που οδήγησαν στην ανακάλυψή του σωματιδίου Χιγκς στον Μεγάλο Επιταχυντή Αδρονίων (LHC) το 2012 [45]. Τα TNΔ χρησιμοποιήθηκαν επίσης σε μελέτες του κορυφαίου κουάρκ στο Fermilab [46].
Στην αστροφυσική και την αστρονομία, τα TNΔ έχουν γίνει επίσης ένα τυπικό εργαλείο ανάλυσης δεδομένων. Ένα πρόσφατο παράδειγμα είναι μια ανάλυση δεδομένων από τον ανιχνευτή νετρίνων IceCube στο Νότιο Πόλο, βασισμένη σε TNΔ, η οποία οδήγησε στην απεικόνιση των νετρίνων του Γαλαξία [47]. Οι διελεύσεις εξωπλανητών έχουν εντοπιστεί από την αποστολή Kepler χρησιμοποιώντας επίσης TNΔ [48]. Και η εικόνα του τηλεσκοπίου Event Horizon της μαύρης τρύπας στο κέντρο του Γαλαξία χρησιμοποίησε TNΔ για την επεξεργασία δεδομένων [49].
Μέχρι στιγμής, η πιο εντυπωσιακή επιστημονική ανακάλυψη που χρησιμοποιεί τεχνητή νοημοσύνη είναι το εργαλείο AlphaFold για την πρόβλεψη τρισδιάστατων πρωτεϊνικών δομών, δεδομένων των αλληλουχιών αμινοξέων τους [50]. Στη μοντελοποίηση εφαρμογών βιομηχανικής φυσικής και χημείας, τα TNΔ διαδραματίζουν επίσης ολοένα και πιο σημαντικό ρόλο.
Τα TNΔ στην καθημερινή ζωή
Η λίστα των εφαρμογών που χρησιμοποιούνται στην καθημερινή ζωή και βασίζονται στα Τεχνητά Νευρωνικά Δικτύα (ΤΝΔ) είναι μεγάλη. Αυτά τα δίκτυα βρίσκονται πίσω από σχεδόν οτιδήποτε κάνουμε με τους υπολογιστές, όπως η αναγνώριση εικόνων, η δημιουργία γλώσσας και πολλά άλλα.
Η υποστήριξη αποφάσεων στο πλαίσιο της υγειονομικής περίθαλψης είναι επίσης μια καθιερωμένη εφαρμογή για τα TNΔ. Για παράδειγμα, μια πρόσφατη μελέτη εικόνων μαστογραφικού προσυμπτωματικού ελέγχου έδειξε ένα σαφές όφελος από τη χρήση μηχανικής μάθησης για τη βελτίωση της ανίχνευσης του καρκίνου του μαστού [51]. Ένα άλλο πρόσφατο παράδειγμα είναι η διόρθωση κίνησης στις σαρώσεις μαγνητικής τομογραφίας (MRI) [52].
Συμπερασματικές παρατηρήσεις
Οι πρωτοποριακές μέθοδοι και έννοιες που αναπτύχθηκαν από τους Hopfield και Hinton ήταν καθοριστικής σημασίας για τη διαμόρφωση του πεδίου των TNΔ. Επιπλέον, ο Hinton έπαιξε πρωταγωνιστικό ρόλο στις προσπάθειες επέκτασης των μεθόδων σε βαθύτερα και πυκνότερα TNΔ.
Με τις ανακαλύψεις τους, που στηρίζονται στα θεμέλια της φυσικής επιστήμης, έδειξαν έναν εντελώς νέο τρόπο για να χρησιμοποιούμε τους υπολογιστές για να αντιμετωπίσουμε πολλές από τις προκλήσεις που αντιμετωπίζει η κοινωνία μας. Με απλά λόγια, χάρη στην εργασία τους, η ανθρωπότητα διαθέτει τώρα ένα νέο εργαλείο, το οποίο μπορεί να επιλέξει να το χρησιμοποιεί μόνο για καλούς σκοπούς. Η μηχανική μάθηση που βασίζεται σε TNΔ φέρνει επανάσταση στην επιστήμη, τη μηχανική και την καθημερινή ζωή. Το πεδίο έχει πάρει ήδη τον δρόμο του για να δημιουργήσει καινοτομίες προς την οικοδόμηση μιας βιώσιμης κοινωνίας, π.χ. βοηθώντας στην ανακάλυψη νέων χρήσιμων υλικών. Το πώς η βαθιά μάθηση από τα TNΔ θα χρησιμοποιηθεί στο μέλλον, εξαρτάται από το πώς οι άνθρωποι θα επιλέξουν να χρησιμοποιήσουν αυτά τα απίστευτα ισχυρά εργαλεία, που ήδη είναι παρόντα σε πολλές πτυχές της ζωής μας.
παραπομπές:
- W.S. McCulloch and W. Pitts, Bull. Math. Biophys. 5, 115 (1943).
- D.O. Hebb, The organization of behavior (Wiley & Sons, New York, 1949).
- F. Rosenblatt, Principles of neurodynamics:Perceptrons and theory of brain
mechanisms (Spartan Book, Washigton D.C., 1962). - M.L. Minsky and S.A. Papert, Perceptrons: An introduction to computational
geometry (MIT Press, Cambridge, 1969). - B.G. Cragg and H.N.V. Temperley, Brain 78, 304 (1955).
- E.R. Caianiello, J. Theor. Biol. 2, 204 (1961).
- K. Nakano, IEEE Trans., Syst., Man, Cybern. SMC-2, 380 (1972).
- S.-I. Amari, IEEE Trans. Comput. C-21, 1197 (1972).
- W.A. Little, Math. Biosci. 19, 101 (1974).
- W.A. Little and G.L. Shaw, Math. Biosci. 39, 281 (1978).
- J.J. Hopfield, Proc. Natl. Acad. Sci USA 71, 3640 (1974).
- J.J. Hopfield, Proc. Natl. Acad. Sci USA 71, 4135 (1974).
- J.J. Hopfield, Proc. Natl. Acad. Sci. USA 79, 2554 (1982).
- D. Krotov and J.J. Hopfield. In Advances in Neural Information Processing
Systems 29, 1172 (2016). - D. J. Amit, H. Gutfreund and H. Sompolinsky, Phys. Rev. A 32, 1007 (1985).
- M. Mézard, G. Parisi and M. Virasoro, Spin glass theory and beyond: An
introduction to the replica method and its applications (World Scientific,
Singapore, 1987). - J.J. Hopfield, Proc. Natl. Acad. Sci. USA 81, 3088 (1984).
- J.J. Hopfield and D.W. Tank, Biol. Cybern. 52, 141 (1985).
- J.J. Hopfield and D.W. Tank, Science 233, 625 (1986).
- S. Kirkpatrick, C.D. Gelatt and M.P. Vecchi, Science 220, 671 (1983).
- N. Mohseni, P. McMahon and T. Byrnes, Nat. Phys. Rev. 4, 363 (2022).
- T. Kadowaki and H. Nishimori, Phys. Rev. E 58, 5355 (1998).S.E. Fahlman, G.E. Hinton and T.J. Sejnowski. In Proceedings of the AAAI-83
conference, pp. 109-113 (1983). - D.H. Ackley, G.E. Hinton and T.J. Sejnowski, Cogn. Sci. 9, 147 (1985).
- D.E. Rumelhart, G.E. Hinton and R.J. Williams, Nature 323, 533 (1986).
- P.J. Werbos. In System Modeling and Optimization, pp. 762-770 (1982).
- S. Linnainmaa, Master’s thesis (in Finnish), Univ. Helsinki (1970); published in
BIT 16, 146 (1976). - Y. LeCun, B.Boser, J.S. Denker, D. Henderson, R.E. Howard, W. Hubbard and
L.D. Jackel, Neural Comput. 1, 541 (1989). - Y. LeCun, L. Bottou, Y. Bengio and P. Haffner, Proc. IEEE 86, 2278 (1998).
- K. Fukushima, Biol. Cybern. 36, 193 (1980).
- S. Hochreiter and J. Schmidhuber, Neural Comput. 9, 1735 (1997).
- G.E. Hinton, Neural Comput. 14, 1771 (2002).
- G.E. Hinton, S. Osindero and Y.-W. The, Neural Comput. 18, 1527 (2006).
- Y. Bengio, P. Lamblin, D. Popovici and H. Larochelle. In Advances in Neural
Information Processing Systems 19, 153 (2006). - G.E. Hinton and R. Salakhutdinov, Science 313, 504 (2006).
- K. Hornik, Neural Netw. 4, 251 (1991).
- J. Behler and M. Parrinello, Phys. Rev. Lett. 98, 146401 (2007).
- G. Carleo and M. Troyer, Science 355, 602 (2017).
- P.M. Piaggi, J. Weis, A.Z. Panagiotopoulos, P.G. Debenedetti and R. Car, Proc.
Natl. Acad. Sci. USA 119, e2207294119 (2022). - R. Jinnouchi, J. Lahnsteiner, F. Karsai, G. Kresse and M. Bokdam, Phys. Rev.
Lett. 122, 225701 (2019). - P.M. de Hijes, C. Dellago, R. Jinnouchi, B. Schmiedmayer and G. Kresse, J.
Chem. Phys. 160, 114107 (2024). - S. Rasp, M.S. Pritchard and P. Gentine, Proc. Natl. Acad. Sci USA 115, 9684
(2018). - C. Wong, Nature 628, 710 (2024).ALEPH Collaborations, Phys. Lett B 447, 336 (1999).
- ATLAS Collaboration, Phys. Lett. B 716, 1 (2012).
- D0 Collaboration, Phys. Rev. Lett. 103, 092001 (2009).
- IceCube Collaboration, Science 380, 1338 (2023).
- K.A. Pearson, L. Palafox and C.A. Griffith, Mon. Not. R. Astron. Soc. 474, 478
(2017). - EHT Collaboration, ApJL 930, L15 (2022).
- J. Jumper et al., Nature 596, 583 (2021).
- K. Lång et al., Lancet Oncol. 24, 936 (2023).
- V. Spieker et al., IEEE Trans. Med. Imaging 43, 846 (2024).
πηγές:
1. Scientifc Background to the Nobel Prize in Physics 2024 – https://www.nobelprize.org/uploads/2024/09/advanced-physicsprize2024.pdf
2. LIFE 3.0, Max Tegmark, εκδόσεις ΤΡΑΥΛΟΣ
3. H χαρακτηριστική εικόνα της ανάρτησης δημιούργηθηκε με βάση τον τίτλο της από την τεχνητή νοημοσύνη.
Οκτ 10 2024
Ντέμης Χασάμπης: Αυτός είναι ο Ελληνοκύπριος “σούπερ ήρωας” της τεχνητής νοημοσύνης, που πήρε το Νόμπελ Χημείας
Αυτή είναι η ιστορία του
Ο Ντέμης Χασάμπης είναι αναγνωρισμένος ως ένας από τους πιο σημαντικούς ειδικούς στον τομέα της τεχνητής νοημοσύνης, με την εφημερίδα “Guardian” να τον χαρακτηρίζει ως “τον σούπερ ήρωα της AI” – Μιλά περήφανα για τις ελληνικές του ρίζες

Η Βασιλική Σουηδική Ακαδημία Επιστημών αποφάσισε να απονείμει το Βραβείο Νόμπελ Χημείας για το 2024 κατά το ήμισυ στον Ντέιβιντ Μπέικερ «για τον υπολογιστικό σχεδιασμό πρωτεϊνών» και το άλλο μισό στους Ντέμη Χασάμπη και Τζον Μ. Τζάμπερ «για την πρόβλεψη της δομής των πρωτεϊνών».
Ο Ντέιβιντ Μπέικερ κατάφερε το σχεδόν αδύνατο κατόρθωμα να κατασκευάσει εντελώς νέα είδη πρωτεϊνών, αναφέρεται στη σελίδα του βραβείου στο Twitter.
Όσον αφορά τους Ντέμη Χασάμπη και Τζον Τζάμπερ, ανέπτυξαν ένα μοντέλο τεχνητής νοημοσύνης, το AlphaFold2, για να λύσουν ένα πρόβλημα 50 ετών: την πρόβλεψη των πολύπλοκων δομών των πρωτεϊνών.
Το βραβείο αυτό, από τα πιο περίβλεπτα στον επιστημονικό κόσμο, απονέμεται από τη Σουηδική Βασιλική Ακαδημία Επιστημών και συνοδεύεται από χρηματικό έπαθλο ύψους 11 εκατομμυρίων σουηδικών κορονών.
Ντέμης Χασάμπης: Ο “σούπερ ήρωας της AI” έστρεψε τους προβολείς πάνω του από παιδί – Το σκάκι και η Ελλάδα
Ο Ντέμης Χασάμπης είναι αναγνωρισμένος ως ένας από τους πιο σημαντικούς ειδικούς στον τομέα της τεχνητής νοημοσύνης, με την εφημερίδα «Guardian» να τον χαρακτηρίζει ως «τον σούπερ ήρωα της AI».
Όπως έχει αναφέρει, «φέρω μέσα μου τον ελληνικό τρόπο σκέψης και θεωρώ τη συνεισφορά της Ελλάδας στον δυτικό πολιτισμό, από τους αρχαίους χρόνους, ως ένα βαθύτατο κομμάτι της προσωπικότητάς μου». Αν και δεν μιλάει την ελληνική γλώσσα -σε παλαιότερες συνεντεύξεις του σε κυπριακά Μέσα Ενημέρωσης έχει πει «κατανοώ λίγα ελληνικά, επειδή ο παππούς μου ζούσε με την οικογένειά μας για αρκετό καιρό και επικοινωνούσε στα ελληνικά με τον πατέρα μου»-, εκφράζει την περηφάνια του για τις ελληνικές του ρίζες.Ο 47χρονος, πλέον, νευροεπιστήμονας πρωτοσυστήθηκε στον κόσμο ως σκακιστής και σχεδιαστής ηλεκτρονικών παιχνιδιών, απασχολώντας τον κόσμο της τεχνολογίας με τα καμώματά του ήδη από παιδί. Ως σκακιστής έφθασε στο Νο2 της παγκόσμιας κατάταξης για παιδιά κάτω των δεκατεσσάρων ετών! Έτσι τον έμαθαν αυτοί που έπρεπε, ως ιδιοφυΐα.
Ο Demis Hassabis γεννήθηκε στις 27 Ιουλίου 1976 στο Λονδίνο από Ελληνοκύπριο πατέρα με καταγωγή από την Αμμόχωστο και μητέρα από τη Σιγκαπούρη. Ήταν το μεγαλύτερο από τα τρία παιδιά δύο δασκάλων. Η μουσική παιδεία του πατέρα επρόκειτο να περάσει στην αδελφή του Ντέμη, που είναι πιανίστρια και συνθέτρια, ενώ ο μικρότερος αδελφός του σπουδάζει ακόμα (δημιουργική γραφή).
Ο ίδιος ο Demis είχε εξομολογηθεί στον «Guardian»: «Οι γονείς μου φοβούνται την τεχνολογία, δεν τους αρέσουν οι υπολογιστές. Είναι σχετικά μποέμ τύποι. Η αδελφή μου και ο αδελφός μου ακολούθησαν κι αυτοί τον δρόμο της τέχνης. Κανείς τους δεν στράφηκε στα μαθηματικά ή την επιστήμη. Είναι περίεργο, δεν ξέρω από πού προήλθαν όλα αυτά».
Ο Demis παντρεύτηκε μια μοριακή βιολόγο, έφτιαξε τη δική του οικογένεια και σήμερα είναι πατέρας δύο αγοριών. Θυμάται, βέβαια, ακόμα τον Κύπριο μετανάστη στη Βρετανία παππού του, με τον οποίο άρχισε να πρωτοπαίζει σκάκι, νικώντας τον τελικά πριν καν κλείσει τα τέσσερα χρόνια του!
Η κλίση του στο σκάκι έγινε, λοιπόν, φανερή από ιδιαίτερα τρυφερή ηλικία, όπως και η κλίση του σε άλλα επιτραπέζια παιχνίδια. Το σκάκι το έμαθε από τον πατέρα και τον θείο του, οι οποίοι έπαιζαν με τις ώρες. Το περίεργο της υπόθεσης ήταν πως το τετράχρονο αγόρι άρχισε να τους κερδίζει έπειτα από δύο μόλις βδομάδες εξάσκησης!
Μέχρι τα πέντε του διαγωνιζόταν σε πανεθνικούς βρετανικούς διαγωνισμούς σκακιού και στα έξι του κέρδισε το βρετανικό πρωτάθλημα για παιδιά κάτω των οκτώ χρόνων. Στα εννιά του ήταν πια αρχηγός της εθνικής ομάδας της Αγγλίας για παιδιά κάτω των έντεκα ετών. Μέσα σε όλα, με το χρηματικό έπαθλο από έναν διαγωνισμό σκακιού -με τις 200 λίρες του βραβείου- αγόρασε μόνος του, στα οκτώ του, τον πρώτο του ηλεκτρονικό υπολογιστή, έναν ZX Spectrum.
Chess master
Μέχρι τα δεκατρία του ο Χασάμπης είχε αγγίξει το καθεστώς του chess master! Τώρα ήταν ο δεύτερος καλύτερα αμειβόμενος παίκτης του σκακιού κάτω των δεκατεσσάρων ετών σε όλο τον κόσμο. Στα δεκατέσσερά του, εξάλλου, είχε ήδη ολοκληρώσει με επιτυχία τις ακαδημαϊκές εξετάσεις της Δευτεροβάθμιας Εκπαίδευσης, δύο χρόνια νωρίτερα, δηλαδή, από κάθε άλλο συμμαθητή του. Οι βαθμοί του στα μαθηματικά, τη φυσική και τη χημεία ήταν τέτοιοι που έγινε δεκτός στο Πανεπιστήμιο του Κέιμπριτζ ήδη από τα δεκαέξι του. Αν και τελικά δεν τον άφησαν να πάει στο πανεπιστήμιο, καθώς παραήταν μικρός. Του είπαν πως καλύτερο θα ήταν να ξεκινήσει την επόμενη χρονιά…
Μέσα σε όλα αυτά, ο πιτσιρίκος πρόλαβε να κάνει μια βουτιά και στον επαγγελματικό στίβο! Στα δεκαπέντε του κέρδισε ένα διαγωνισμό σε κάποιο περιοδικό τεχνολογίας και προσλήφθηκε από ένα βρετανικό στούντιο δημιουργίας βιντεογκέιμ. Ήταν στην «Bullfrog Productions» όπου θα συνυπέγραφε το πρώτο του παιχνίδι, τόσο στον σχεδιασμό όσο και τον προγραμματισμό, το «Theme Park», που καλούσε τους παίκτες να φτιάξουν ένα θεματικό πάρκο.
«Ήμουν τυχερός που βρέθηκα στην Bullfrog στην πιο χρυσή εποχή που πέρασε. Η πιο μεγάλη πλάκα που έζησα με τα ηλεκτρονικά παιχνίδια ήταν στις αρχές της καριέρας μου τη δεκαετία του ’90», είπε σε περιοδικό gaming. To «Theme Park» κυκλοφόρησε τελικά το 1994 και πούλησε μερικά εκατομμύρια αντίτυπα!
Ο Χασάμπης έφυγε όμως από την Bullfrog εκείνη τη χρονιά για να σπουδάσει πληροφορική στο Κέιμπριτζ. Από εκεί αποφοίτησε το 1997 με διπλό πτυχίο στα χέρια του, πριν πιάσει δουλειά σε άλλο ένα δημιουργικό στούντιο ηλεκτρονικών παιχνιδιών, το Lionhead. Εκεί ασχολήθηκε για πρώτη φορά με μια πρώιμη εκδοχή τεχνητής νοημοσύνης, συνεργαζόμενος σε έναν τίτλο που θα έμενε κλασικός, το τρομερό βιντεογκέιμ «Black & White».
Την επόμενη χρονιά θα έφευγε, όμως, και από το Lionhead για να ιδρύσει τη δική του εταιρεία βιντεογκέιμ. Έτσι, το 1998 άνοιξε τις πύλες του το Elixir Studios. Οι τίτλοι που βγήκαν απέσπασαν διεθνή βραβεία και μπήκαν κάτω από τις ομπρέλες κολοσσών του χώρου, όπως η Vivendi Universal και η Microsoft! Για τους gamers το όνομα της Elixir σημαίνει πολλά.
Βραβεία BAFTA και το εργαστήριο DeepMind – Η εξαγορά από την Google και η τεχνητή νοημοσύνη
Και καθώς είχε πάντα το θέμα του με την τεχνητή νοημοσύνη, οι 60 υπάλληλοί του ασχολούνται και με τίτλους προσομοίωσης τεχνητής νοημοσύνης σε πραγματικές συνθήκες. Όλοι τους πουλούν ιδιαιτέρως καλά και μάλιστα δύο, τα παιχνίδια «Republic: The Revolution» και «Evil Genius», είναι υποψήφια για βραβεία BAFTA.
Η αξία της εταιρείας του αποτιμάται πια στην αγορά στα 13,5 εκατ. δολάρια! Ο Demis πουλά το 5% αυτής στο στούντιο Eidos (το οποίο έφτιαξε τη σειρά παιχνιδιών με τη Lara Croft «Tomb Raider») έναντι 670.000 ευρώ και επιστρέφει τάχιστα στον ακαδημαϊκό κόσμο. Το 2005 θα τον βρει στο University College London να κάνει το διδακτορικό του στη γνωστική νευροεπιστήμη, το οποίο θα πάρει έπειτα από τέσσερα χρόνια.
Ήταν στη διάρκεια των χρόνων που έκανε το διδακτορικό του που «κοίταξε» καλύτερα στον ανθρώπινο εγκέφαλο, ψάχνοντας έμπνευση για τους αλγόριθμους που σκάρωνε στην τεχνητή νοημοσύνη. Η έρευνά του, μάλιστα, στη μνήμη και τους μηχανισμούς της φαντασίας αναγορεύτηκε το 2007 από την έγκριτη επιστημονική επιθεώρηση «Science» ως μια από τις δέκα επιστημονικές τομές της χρονιάς.
Τέτοια ήταν τα συμπεράσματα της μελέτης του, που το 2009 απέσπασε περίβλεπτη υποτροφία για να ασχοληθεί με το θέμα του σε μεταδιδακτορικό επίπεδο στο University College London. Έχοντας περάσει μέχρι τότε από ερευνητικά εργαστήρια του Χάρβαρντ και του ΜΙΤ, καθώς αυτά που έκανε ενδιέφεραν άπαντες. Και τότε επρόκειτο να κάνει την κίνηση-ματ…
Ήταν το 2010 όταν θα ίδρυε αυτό που έμελλε να γίνει η μεγαλύτερή του επιτυχία, το εργαστήριο DeepMind, το οποίο δημιούργησε με τον παιδικό του φίλο Μουσταφά Σουλεϊμάν. Το εργαστήριο έχει έδρα το Λονδίνο και επιδίωξε από την αρχή να «λύσει το θέμα της νοημοσύνης» και να χρησιμοποιήσει τη γνώση ώστε να «κάνει τον κόσμο ένα καλύτερο μέρος».
Το εργαστήριο εξαγοράστηκε από την Google το 2015 και πλέον ως υπεύθυνος 2.500 στελεχών στο Λονδίνο και την Καλιφόρνια, ο Hassabis βρίσκεται στο επίκεντρο της μητρικής Alphabet ως επικεφαλής της Google DeepMind. Ο ίδιος παρομοιάζει την ομάδα του ως «ασταμάτητη γραμμή παραγωγής», που έχει στόχο τη δημιουργία ενός άρτιου συστήματος τεχνητής γενικής νοημοσύνης (AGI), που θα μπορεί να επιφορτιστεί με κάθε ανθρώπινη εργασία.
«Από τις πρώτες ημέρες στην DeepMind υπήρχε πάντα η εντύπωση ότι η τεχνολογία αυτή ήταν υποσχόμενη και πρέπει να είμαστε προσεκτικοί», σχολίασε αρχές Απριλίου ένας από τους στενότερους συνεργάτες του στη Wall Street Journal. Λίγες ημέρες πριν, ο ίδιος ο Demis Hassabis είχε εκφράσει στους Financial Times την πεποίθηση πως η δημιουργία ενός συστήματος AGI είναι εφικτή μέσα στην επόμενη δεκαετία κόντρα στην άποψη μερίδας ερευνητών πως υποστηρίζουν πως είναι απίθανο να συμβεί εντός των ερχόμενων δεκαετιών. «Δεν υποστηρίζω απόλυτα πως κάτι τέτοιο θα γίνει, αλλά δεν θα με εξέπληττε», είχε δηλώσει στη βρετανική εφημερίδα τέλη Μαρτίου. Πρόσθεσε πως υπάρχει μια 50% πιθανότητα, τονίζοντας πως το χρονοδιάγραμμα αυτό παραμένει σταθερό από την ίδρυση της DeepMind. Εξάλλου, ο Χασάμπης πάντα ενθάρρυνε τα στελέχη του να στοχεύουν σε μοντέλα AGI που θα έχουν τη δυνατότητα καινοτομιών άξιων για Νόμπελ, αναφέρουν πηγές της Wall Street Journal.
Το πρόγραμμά του νίκησε τον καλύτερο του κόσμου σε ένα παιχνίδι 3.000 ετών
Κάποια στιγμή έβαλε στο στόχαστρο το «Go», ένα κινεζικό επιτραπέζιο ηλικίας 3.000 ετών, στο οποίο ήθελε να φτιάξει ένα πρόγραμμα που να νικήσει τον καλύτερο ανθρώπινο παίκτη του. Η δουλειά του, να αναπτύξει προγράμματα που να σκέφτονται αυθόρμητα, όπως οι άνθρωποι, δηλαδή, αντί να προγραμματίζονται εκ των προτέρων και να εκτελούν δοσμένες εντολές, ήταν έρευνα αιχμής ήδη από τα γεννοφάσκια της. Την ώρα που το DeepMind επικεντρωνόταν στην εξέλιξη της τεχνολογίας και την ιατρική έρευνα με στόχο τη δημιουργία μηχανών που να μπορούν να αυτοβελτιώνονται (και να αυτοθεραπεύονται!), ο ίδιος ο Χασάμπης αφιερωνόταν ολοένα και περισσότερο στην παραγωγή αλγορίθμων που να μιμούνται την ανθρώπινη ικανότητα του ελεύθερου στοχασμού.
Η κατανόηση της κλιματικής αλλαγής και η μακροοικονομία, για παράδειγμα, είναι τομείς που θα εξελιχθούν με βάση την τεχνητή νοημοσύνη, όπως πιστεύει ο ίδιος. Άλλωστε, απέδειξε την αλήθεια των λόγων του με το «Go», ένα πνευματικό παιχνίδι που η επιφάνειά του είναι διαιρεμένη σε 361 τετράγωνα (19×19), παρέχοντας άπειρες πρακτικά κινήσεις στον παίκτη.
Το πρόγραμμά του, το «AlphaGo», κατάφερε να μάθει και να αφομοιώσει δημιουργικά (αυτό είναι το νέο χαρακτηριστικό που κομίζει ο Ντέμης) 30 εκατομμύρια κινήσεις από επαγγελματίες παίκτες, όταν και ήταν πια έτοιμος να αντιμετωπίσει τον καλύτερο των καλυτέρων. «Μιλάμε για ένα παιχνίδι. Περίπλοκο, αλλά όχι όσο τα προβλήματα που αντιμετωπίζει ο κόσμος. Επιπλέον, καταλήξαμε σε συμφωνία με την Google ότι δεν θα χρησιμοποιηθεί για στρατιωτικούς σκοπούς» είπε μετά ο Χασάμπης!
Η υπεροχή του «AlphaGo» αποδείχτηκε περίτρανα όταν νίκησε δύο διαδοχικές φορές τον παγκόσμιο πρωταθλητή, δείχνοντας πως η τεχνητή νοημοσύνη έχει πλέον και αντίληψη. Η νίκη-ορόσημο της τεχνητής νοημοσύνης έναντι του ανθρώπινου νου έλαβε χώρα στη Σεούλ τον Μάρτιο του 2016, καθώς εκεί ζει ο Λι Σεντόλ, δεκαοκτώ φορές παγκόσμιος πρωταθλητής του «Go» και απόλυτος κυρίαρχος του παιχνιδιού εδώ και τουλάχιστον μία δεκαετία.
Τα βιντεοπαιχνίδια κάνουν καλό
Εσχάτως, και σε συνάρτηση των παραπάνω, ο Χασάμπης προσέφερε άφθονο υλικό για συζήτηση, εκφράζοντας την αρκετά αντισυμβατική άποψη ότι τα βίντεο παιχνίδια, αντίθετα απ’ ό,τι τείνει να επικρατεί ως αντίληψη στην κοινή γνώμη, μπορούν να ωφελήσουν, όχι απαραιτήτως να αποβλακώσουν τα παιδιά, να προκαλέσουν εξάρτηση κ.λπ.
Συγκεκριμένα, έχει την πεποίθηση ότι «είναι πολύ σημαντικό για τα παιδιά να μυούνται στη δημιουργική όψη των παιχνιδιών, δηλαδή να προχωρούν βαθύτερα στα video games από το επίπεδο του απλού παίκτη. Γιατί ποτέ δεν ξέρεις πού θα σε οδηγήσει το πάθος σου, οπότε εγώ θα ήθελα να ενθαρρύνω τους γονείς να αφήνουν τα παιδιά τους να αναπτύσσουν πάθος με όποια ενασχόληση τα έλκει και κατόπιν να εξελίσσουν τις δεξιότητές τους μέσα από τα αντικείμενα με τα οποία καταπιάνονται επίμονα». Θεωρεί, δηλαδή, ότι το κόλλημα των παιδιών με το gaming οξύνει την προσαρμοστικότητά τους σε έναν κόσμο που αλλάζει διαρκώς και πολύ γρήγορα.
Οκτ 06 2024
Παγκόσμια Ημέρα Εκπαιδευτικών: «Να αγναντεύετε άλλες κορφές ψηλότερες…»
«Όσα βουνά κι αν ανεβείτε, /
απ’ τις κορφές τους θ’ αγναντεύετε άλλες / κορφές / ψηλότερες, µιαν άλλη πλάση ξελογιάστρα· / Και στην κορυφή σα φτάστε την κατάψηλη, / πάλε θα καταλάβετε πως βρίσκεστε / σαν πρώτα κάτω απ’ όλα τ’ άστρα» (Παλαμά, «Ο Δωδεκάλογος του Γύφτου»).
Κατά έναν παράξενο και απροσδιόριστο λόγο και που δύσκολα μπορείς να τον εντάξεις σε κάποιο νόμο της Ψυχολογίας την πρώτη ημέρα έναρξης της σχολικής χρονιάς ο νους μου εστιάζει στην παραπάνω στροφή του ποιήματος του Παλαμά. Είναι περίεργο, παράξενο και ενδιαφέρον να αισθάνεσαι πως επιστρέφεις σε παλιά ποιητικά αναγνώσματα που κάποτε σε καθήλωναν διαβάζοντάς τα.
Διαβάζοντας στις εφημερίδες και στα social media τα σχετικά κείμενα-μηνύματα των πολιτικών, των αυτοδιοικητικών και των υπηρεσιακών παραγόντων προς τους μαθητές και τους εκπαιδευτικούς επ΄ ευκαιρία της νέας σχολικής χρονιάς εύκολα το βλέμμα εστιάζει στις συνήθεις για την περίπτωση ευχές και προτροπές. Διαβάζοντας ή και ακούγοντας, λοιπόν, τις ευχές-προτροπές αυτές εύκολα επιστρέφουν στη μνήμη μου σαν ξεθωριασμένες φωτογραφίες οι παραπάνω στίχοι του Παλαμά.
Θεωρώ πως οι συμβουλές-προτροπές του Παλαμά μπορούν κάλλιστα να έχουν ως δέκτη όλους τους νέους που στην αρχή της νέας σχολικής χρονιάς ρίχνονται στο στίβο της Γνώσης.
Ο ποιητής με τον ποιητικό του οίστρο και με το ύφος του (προστακτικές, προτρεπτικές υποτακτικές, εικόνες…) διατυπώνει και διατυμπανίζει ως ευχή- προτροπή ή και προσταγή μία κοσμική, διαχρονική αλλά και τόσο επίκαιρη αλήθεια: To ανικανοποίητο του ανθρώπινου πνεύματος και το ερευνητικό στοιχείο της ανθρώπινης ψυχής-ύπαρξης.
Με τους στίχους-προτροπές του ο ποιητής δεν μάς υπενθυμίζει μόνον την αξία και τη χαρά να κατακτούμε συνεχώς καινούριες κορυφές, δεν επιδιώκει να μάς γεμίσει με το αίσθημα της ματαιότητας και της απογοήτευσης αλλά να μάς διδάξει και την μετριοφροσύνη μπροστά σε αυτά που κατακτήσαμε ως τώρα και σε όσα μάς μένουν ή μπορούμε ακόμη να κατακτήσουμε.
Εμφαντικά ο ποιητής μάς προκαλεί να ξαναδοκιμάσουμε, να ξαναπροσπαθήσουμε ή να συνεχίσουμε την προσπάθεια και τον αγώνα για κάτι περισσότερο και ψηλότερο και να μην αρκούμαστε ούτε να εφησυχάζουμε στα κεκτημένα. Κι αυτό γιατί στη ζωή μας υπάρχει πάντα ένα άλλο βουνό, μία άλλη κορυφή που μάς καλεί-προκαλεί για κατάκτηση.
Ο αγώνας και ο στίβος της Γνώσης (πνευματικός αγώνας) δεν έχει όρια, δεν έχει τελειωμό. Το όριο της αναζήτησης και των ανθρώπινων φιλοδοξιών που θέτει ο ποιητής με το στίχο «πάλε θα καταλάβετε πως βρίσκεστε / σαν πρώτα κάτω απ΄ όλα τα΄ άστρα» δεν είναι αποτρεπτικό της προσπάθειά μας, ούτε σημάδι-προμήνυμα της ματαιότητας και της απογοήτευσης.
Αντίθετα με το «κάτω απ΄ όλα τ΄ άστρα» υπονοεί το άπιαστο, το απίθανο, το ατελεύτητο. Όλα αυτά εμπεριέχουν κι ένα μήνυμα ελπίδας ή και μία προτροπή να θέσουμε καινούριους και πιο υψηλούς στόχους στη Γνώση και τη Ζωή μας. Είναι λάθος να ερμηνεύουμε αυτήν την επισήμανση του ποιητή πως ο αγώνας μας είναι τελικά ατελέσφορος. Ούτε, επίσης, θέλει να καταδείξει και να καταδικάσει την ματαιότητα και την αδηφαγία του ανθρώπου.
Η ανάβαση νέων βουνών και η κατάκτηση νέων κορυφών συνιστά μία εσωτερική ανάγκη του ανθρώπου και όχι κατ΄ ανάγκη τεκμήριο της απληστίας και της αδηφαγίας μας. Η κατάκτηση μιας κορυφής δεν αποτελεί το τέλος της προσπάθειάς μας- όση ικανοποίηση κι αν μας παρέχει- αλλά το κίνητρο να κατακτήσουμε μιαν άλλη “ψηλότερη κορφή”.
Ίσως ο άνθρωπος να είναι έτσι πλασμένος. Να μην αρκείται στα κεκτημένα και να στοχεύει ψηλότερα. Η αδηφαγία και η απληστία στο χώρο της Γνώσης είναι επιτρεπτές και καθαγιασμένες. Αυτή η ανάγκη, πνοή- θεϊκή για πολλούς- για κάτι ψηλότερο ίσως να είναι η έκφραση της ανθρώπινης δημιουργικότητας που δεν υπάρχει στο άλλο ζωικό βασίλειο (ακόμη και η μέλισσα γνωρίζει μόνον έναν τρόπο να δημιουργεί τις κηρήθρες…).
Θα ήταν πολύ χρήσιμο, λοιπόν, για τους νέους, τους οδοιπόρους της Γνώσης, στην αρχή της σχολικής χρονιάς να γνωρίζουν ή να ακούσουν το σάλπισμα του Παλαμά που συμπυκνώνει μία διαχρονική και κοσμική “αλήθεια”:
«Όσα βουνά κι αν ανεβείτε, /
απ’ τις κορφές τους (να) θ’ αγναντεύετε άλλες / κορφές / ψηλότερες, µιαν άλλη πλάση ξελογιάστρα».
Στο ανερμήνευτο και παράξενο παιχνίδι των μετεφηβικών μου αναμνήσεων τέτοιες μέρες (αρχή της νέας σχολικής χρονιάς) δεσπόζουσα θέση κατέχει και το γνωστό μουσικό άλμπουμ των Pink Floyd, το «The Wall» (Ο Τοίχος) και ιδιαίτερα εκείνο το άσμα που σχετίζεται με το σχολείο, τους μαθητές και τους δασκάλους, το εμβληματικό “Another Brick in the Wall” (Ακόμα ένα τούβλο στον τοίχο).
“Δεν χρειαζόμαστε εκπαίδευση
Δεν χρειαζόμαστε έλεγχο στη σκέψη
Όχι μαύρο σαρκασμό στην τάξη
Δάσκαλοι, αφήστε τα παιδιά ήσυχα
Έ! Δάσκαλε, άσε τα παιδιά ήσυχα
Στο κάτω κάτω είναι απλά ένα ακόμα τούβλο στον τοίχο
Στο κάτω κάτω είσαι απλά ένα ακόμα τούβλο στον τοίχο”
(“Ακόμα ένα τούβλο στον τοίχο», Pink Floyd).
Το «The Wall” από την εποχή που κυκλοφόρησε (30/11/1979) μέχρι και σήμερα παραμένει ένας από τους πιο επιδραστικούς μουσικούς δίσκους όλων των εποχών και ιδιαίτερα στο χώρο της νεολαίας. Ένας δίσκος που γρήγορα ταυτίστηκε με τον αγώνα των νέων αλλά και όλων εκείνων που χρόνια πάσχιζαν και αγωνίζονταν για ένα άλλο, πιο φιλελεύθερο και δημοκρατικό σύστημα Εκπαίδευσης.
Ακούγοντας και διαβάζοντας κάποιος προσεχτικά τους στίχους-κραυγή-διαμαρτυρία του τραγουδιού εύκολα αντιλαμβάνεται πως καταγγέλλεται ο λανθασμένος – αυταρχικός τρόπος εκπαίδευσης των νέων στο σχολείο.
Σε αυτό το σχολείο ο δάσκαλος ως η απόλυτη αυθεντία καταχράται τα δικαιώματά του και την sui generis εξουσία του και περιφρονεί, υποβαθμίζει ή και καταπιέζει τους μαθητές του. Γι αυτό ακούγεται με τον πιο ξεκάθαρο τρόπο-έστω και με κάποια υπερβολή για έμφαση-το: «Δεν θέλουμε εκπαίδευση, δε θέλουμε έλεγχο της σκέψης».
Η επίθεση γίνεται στον παρωχημένο τύπο δασκάλου που λειτουργεί και επιβάλλεται στην τάξη του με στρατιωτικές εντολές χάριν της περιλάλητης “πειθαρχίας”. Κι αυτό γιατί ο δάσκαλος με την συμπεριφορά του και την παιδαγωγική του και χάνοντας κάθε ίχνος ανθρωπιάς – ίσως και ασυνείδητα – καθίσταται ένα άψυχο και σκληρό αντικείμενο που εμποδίζει την επικοινωνία με τους μαθητές και με τη γνώση.
Γίνεται, δηλαδή, ένα τούβλο στον τοίχο που επαναλαμβάνεται συνεχώς ως διαπίστωση-καταγγελία.
“Στο κάτω κάτω είσαι απλά ένα ακόμα τούβλο στον τοίχο”.
To “τούβλο στον τoίχο” αποτυπώνει με ενάργεια όχι μόνον το παιδαγωγικό κλίμα στη σχολική τάξη αλλά και την εικόνα της σύγχρονης κοινωνίας μας. Όλοι υψώνουμε τον δικό μας “τοίχο”. Τοίχο με τον διπλανό μας, τοίχο με τον ξένο (αλλοδαπό), τοίχο με τον “άλλον”- τον διαφορετικό, τοίχο ακόμα και με τον εαυτό μας για να μη βλέπουμε το αληθινό μας πρόσωπο που κάποτε μας τρομάζει. Δεν λείπουν και οι περιπτώσεις που πολλοί χρησιμοποιούν τον “Τοίχο” ως το τελευταίο προσωπικό τους καταφύγιο. Επί ματαίω όμως…
Στο αυτοβιογραφικό μουσικό κομμάτι «Ένα άλλο τούβλο στον τοίχο» κατακρίνεται και η ομογενοποιημένη σκέψη που επιβάλλει το κυρίαρχο μοντέλο εκπαίδευσης και κοινωνικοποίησης των νέων. Η ισοπέδωση των προσωπικών ιδιαιτεροτήτων και η επιβολή μιας ενιαίας ταυτότητας συνιστά το θάνατο του ανθρώπου. Η ομογενοποιημένη σκέψη επωάζει την αγελαία συνείδηση κι αυτή με τη σειρά της τον άβουλο και υποτακτικό πολίτη. Γι αυτό στο τραγούδι ακούγεται εμφαντικά το “Δεν χρειαζόμαστε έλεγχο στη σκέψη”.
Στην κινηματογραφική απόδοση του μουσικού άλμπουμ και ιδιαίτερα του μουσικού κομματιού «Ένα τούβλο στον Τοίχο» η διαδικασία της ομογενοποιημένης σκέψης αποδόθηκε θαυμάσια με τον κοινό βηματισμό των νέων και με την κρεατομηχανή που μετέτρεπε την διαφορετικότητα των μαθητών σε μία άμορφη μάζα κρέατος-κιμά.
Ωστόσο ως άτομα, ως κοινωνία και πολιτισμός χρειαζόμαστε ένα σχολείο που να ευνοεί και να καλλιεργεί την διαφορετικότητα και όχι να την ενοχοποιεί. Επιβάλλεται να απαλλαγούμε από το αίσθημα δυσφορίας και εχθρότητας προς εκείνον που σκέπτεται διαφορετικά από εμάς και διατυπώνει μία σκέψη-θέση αντίθετη από την “καθεστηκυία” .
“Αυτό που το πλήθος απεχθάνεται περισσότερο είναι εκείνος που σκέφτεται διαφορετικά. Δεν είναι τόσο η ίδια η άποψη, αλλά το θράσος του να θέλει να σκέφτεται μόνος του, κάτι που οι άλλοι δεν ξέρουν πώς να το κάνουν” .
Αν όλα τα παραπάνω αποτελούσαν μία θλιβερή πραγματικότητα στο σχολικό χώρο την εποχή της κυκλοφορίας του δίσκου (30/11/1979) μπορεί κανείς να καταλάβει καλύτερα την κραυγή-οργή του στίχου που αποδίδει θαυμάσια η παιδική χορωδία και μας συγκινεί ακόμη:
“Έ! Δάσκαλε, άσε τα παιδιά ήσυχα”
Φυσικά από τότε πολλά άλλαξαν στην παιδαγωγική και στο χώρο του σχολείου και θα ήταν άδικο να κατηγορούμε συλλήβδην την εκπαίδευση και το δάσκαλο. Κανείς σήμερα δεν θα ήθελε να νιώθει αυτό που καταγγέλλεται στο τραγούδι:
“Στο κάτω κάτω είναι απλά ένα ακόμα τούβλο στον τοίχο
Στο κάτω κάτω είσαι απλά ένα ακόμα τούβλο στον τοίχο”
Ωστόσο θα ήταν ασυγχώρητη εθελοτυφλία και επιλεκτική χρήση των αναμνήσεών μου αν δεν γινόταν μία σύντομη αναφορά στο έργο και στο ρόλο του δασκάλου, όπως αυτά αποτυπώθηκαν στο μουσικό έργο του Γιάννη Μαρκόπουλο «Θεσσαλικός Κύκλος» και ιδιαίτερα στο τραγούδι «Το δάσκαλο, το δάσκαλο»:
«Το δάσκαλο το δάσκαλο αυτόν τον σαρδανάπαλο
να μου τον φέρετε στο στρώμα
που λέει στους χουσμεκιάρηδες
που λέει στους μεσιακάρηδες
ότι δικό τους είν’ το χώμα.«Το δάσκαλο το δάσκαλο αυτόν τον σαρδανάπαλο
να σταματήσει πια να δασκαλεύει
με λόγια σαν και τούτα της φωτιάς
πως όποιος για το δίκιο δεν παλεύει
θα ζει και θα πεθαίνει σα ραγιάς».
Το παραπάνω τραγούδι συνιστά έναν διαχρονικό ύμνο στο δάσκαλο-κοινωνικό αγωνιστή που με τη δράση του άλλαξε όχι μόνον τις συνειδήσεις των αγροτών-κολίγων αλλά και ευρύτερων κοινωνικών στρωμάτων.
Μπορεί το τραγούδι να “φωτογραφίζει” και να υμνεί τους κοινωνικούς αγώνες του Μαρίνου Αντύπα στον Θεσσαλικό κάμπο, αλλά ταυτόχρονα αποτελεί κι ένα δοξαστικό στο διαχρονικό πρότυπο του δασκάλου-παιδαγωγού. Ενός δασκάλου που όλοι ευχόμασταν να έχουμε στα παιδικά μας χρόνια, αφού πάνω σε αυτά χτίζεται η μετέπειτα ζωή του ανθρώπου.
Και ήταν πολλοί αυτοί οι δάσκαλοι και είναι άδικο να ισοπεδώνουμε με εύκολες και ισοπεδωτικές κριτικές το διαχρονικό τους έργο τόσο στο επίπεδο της παιδαγωγικής και της μάθησης όσο και στο επίπεδο της κοινωνικής και πολιτικής ωρίμανσής μας (με την ευρύτερη έννοια του όρου).
Κατά το χρόνο γραφής αυτού του κειμένου στριφογυρίζει βασανιστικά στη μνήμη μου και με πιέζει να γράψω κάτι η εικόνα Δάσκαλού μου (με Δ κεφαλαίο) των παιδικών μου χρόνων (έκτη δημοτικού, του σχολικού έτους 1964-65 στην Πιαλεία Τρικάλων), του Γεωργίου Κούγκουλου. Δεν νομίζω να υπάρχει μαθητής του που να μην τον θυμάται. Η εικόνα του επανέρχεται τακτικά στην μνήμη μου κι ας διάγω τα 70 μου χρόνια.
Ας είναι το κείμενο αυτό, σήμερα Παγκόσμια Ημέρα των Εκπαιδευτικών, ένα Μνημόσυνο στον παλιό μου αλλά καθόλου ξεχασμένο ΔΑΣΚΑΛΟ μου.
Θέλω να ελπίζω πως με την επί 33 χρόνια παρουσία μου στη Μέση Εκπαίδευση να τον δικαίωσα.
Εξάλλου όλοι μπορούμε και πρέπει σε κάθε τομέα- ανεξαρτήτου επαγγέλματος – να λειτουργούμε ως Δ ά σ κ α λ ο ι.
Ίσως έτσι Άνθρωποι και Κοινωνία να γίνουμε καλύτεροι….
Εν τω μεταξύ εμείς και πριν οι δάσκαλοι αντικατασταθούν από τον αλγόριθμο της Τεχνητής Νοημοσύνης ας έχουμε υπόψη τον παιάνα-προτροπή του Παλαμά προς τον Δάσκαλο.
“Σμίλεψε πάλι, δάσκαλε, ψυχές!”
Σμίλεψε πάλι, δάσκαλε, ψυχές!
Κι ό,τι σ’ απόμεινε ακόμη στη ζωή σου,
Μην τ’ αρνηθείς! Θυσίασέ το ως τη στερνή πνοή σου!
Χτίσ’ το παλάτι, δάσκαλε σοφέ!
Κι αν λίγη δύναμη μές στο κορμί σου μένει,
Μην κουρασθείς. Είν’ η ψυχή σου ατσαλωμένη.
Θέμελα βάλε τώρα πιο βαθιά,
Ο πόλεμος να μην μπορεί να τα γκρεμίσει.
Σκάψε βαθιά. Τι κι αν πολλοί σ’ έχουνε λησμονήσει;
Θα θυμηθούνε κάποτε κι αυτοί
Τα βάρη που κρατάς σαν Άτλαντας στην πλάτη,
Υπομονή! Χτίζε, σοφέ, της κοινωνίας το παλάτι.
https://www.huffingtonpost.gr/entry/paykosmia-emera-ekpaideetikon-na-aynanteeete-alles-korfes-pseloteres_gr_66ffdc71e4b0c87ec5520281