elgavrilis's blog

2-Ευφυή Συστήματα

Αυτό το άρθρο αφορά στους ευφυείς μεσολαβητές (inteligent agents). Θα περιγράψουμε τι είναι και πού εφαρμόζονται. Θα γνωρίσουμε επίσης τις προκλήσεις που αντιμετωπίζουν οι ευφυείς αυτοί agents όταν λειτουργούν στο περιβάλλον τους.

Τι είναι τα Ευφυή Συστήματα;

Τα ευφυή συστήματα είναι μηχανές τεχνολογικά προηγμένες ώστε να αντιλαμβάνονται και να ανταποκρίνονται στο περιβάλλον τους. Τα ευφυή συστήματα έχουν φέρει επανάσταση σε διάφορους κλάδους όπως η ασφάλεια, η κατασκευή, οι μεταφορές και η εφοδιαστική. Έχουν βοηθήσει στη βελτίωση της ποιότητας, της ενεργειακής απόδοσης και της ευελιξίας των συστημάτων.

Ένας από τους τρόπους με τους οποίους τα ευφυή συστήματα αντιλαμβάνονται το περιβάλλον τους είναι μέσω της όρασης. Η μελέτη του πώς οι υπολογιστές μπορούν να ερμηνεύσουν τις οπτικές πληροφορίες ξεκίνησε τη δεκαετία του 1950. Έκτοτε, έχει γίνει μια πολύ ισχυρή τεχνολογία και έχει εφαρμοστεί σε εμπορικούς, βιομηχανικούς και κυβερνητικούς τομείς. Μερικοί από τους παράγοντες που έχουν συμβάλει σε αυτήν την ανάπτυξη περιλαμβάνουν τη βελτιωμένη ταχύτητα του επεξεργασίας πληροφοριών, τους προηγμένους αλγόριθμους και την αυξημένη χωρητικότητα μνήμης.

Ο τομέας των ευφυών συστημάτων ασχολείται επίσης με τη μελέτη του τρόπου με τον οποίο τα συστήματα αλληλεπιδρούν με τους ανθρώπους για να επιφέρουν αλλαγές στο δυναμικό κοινωνικό και φυσικό περιβάλλον. Τα πρώτα ρομπότ είχαν πολύ μικρή αυτονομία στη λήψη αποφάσεων, δηλαδή υπέθεταν ότι ο κόσμος είναι προβλέψιμος και βασίζονταν στις ίδιες ενέργειες επανειλημμένα υπό παρόμοιες συνθήκες.

Εφαρμογές των Ευφυών Συστημάτων

Τα ευφυή συστήματα εφαρμόζονται στους ακόλουθους τομείς:

• Αυτοματισμός εργοστασίων
• Υποστηρικτική ρομποτική
• Ρομποτική πεδίου και υπηρεσίας
• Στρατιωτικές εφαρμογές
• Εκπαίδευση
• Ψυχαγωγία
• Ιατρική περίθαλψη
• Οπτική επιθεώρηση
• Αναγνώριση χαρακτήρα
• Οπτική επιτήρηση
• Ανθρώπινη ταυτοποίηση με βιομετρικές μεθόδους όπως το πρόσωπο, η ίριδα, το δακτυλικό αποτύπωμα, το χέρι.
• Ευφυείς μεταφορές.

Προκλήσεις που αντιμετωπίζουν τα Ευφυή Συστήματα

Υπάρχουν ορισμένες προκλήσεις που αντιμετωπίζουν τα ευφυή συστήματα.

Αυτές περιλαμβάνουν τις ακόλουθες:

1. Αβεβαιότητα – Οι φυσικοί αισθητήρες/ενεργοποιητές παρέχουν μόνο περιορισμένες, ανακριβείς και θορυβώδεις πληροφορίες/ενέργειες. Αυτό σημαίνει ότι ορισμένες από τις ενέργειες που λαμβάνει το σύστημα μπορεί να είναι ανακριβείς ως αποτέλεσμα του θορύβου στους αισθητήρες και των περιορισμών κατά την εκτέλεση των ενεργειών.

2. Δυναμικό κόσμο – ο κόσμος στον οποίο ζούμε αλλάζει δυναμικά. Αυτό σημαίνει ότι οι αποφάσεις πρέπει να λαμβάνονται σε γρήγορες χρονικές κλίμακες, ώστε να μπορούν να ληφθούν υπόψη οι αλλαγές στο περιβάλλον.

3. Χρονοβόρους υπολογισμούς – η διαδικασία αναζήτησης της βέλτιστης διαδρομής που οδηγεί στον στόχο περιλαμβάνει μια εκτεταμένη αναζήτηση που γίνεται σε έναν μεγάλο χώρο. Πρόκειται για μια υπολογιστικά δαπανηρή διαδικασία. Αυτό δημιουργεί μια πρόκληση, καθώς ο δυναμικός κόσμος μπορεί να αλλάξει κατά τη διάρκεια του υπολογισμού και το υπολογισμένο αποτέλεσμα μπορεί να είναι άχρηστο.

4. Χαρτογράφηση – πολλές πληροφορίες χάνονται κατά τη μετατροπή από έναν τρισδιάστατο σε έναν δισδιάστατο κόσμο. Η υπολογιστική όραση πρέπει να αντιμετωπίσει προβλήματα όπως οι αλλαγές στην προοπτική της όρασης, θόρυβος ή κίνηση φόντου, φωτισμός και κλίμακα, και ομαδοποιήσεις αντικειμένων με βάση την ενδοκλασική/διακλαδική διακύμανση.

Συμπέρασμα

• Τα ευφυή συστήματα είναι μηχανές τεχνολογικά προηγμένες ώστε να αντιλαμβάνονται και να ανταποκρίνονται στο περιβάλλον τους.
• Αρκετοί τομείς, όπως η ασφάλεια και η κατασκευή, έχουν επωφεληθεί πολύ από τα ευφυή συστήματα.
• Τα ευφυή συστήματα αντιλαμβάνονται το περιβάλλον τους χρησιμοποιώντας αισθητήρες και ενεργούν στο ίδιο περιβάλλον μέσω τελεστών.
• Τα ευφυή συστήματα εφαρμόζονται σε μια μεγάλη ποικιλία βιομηχανιών, συμπεριλαμβανομένων των μεταφορών, της ασφάλειας, της κατασκευής και άλλων, της υγειονομικής περίθαλψης.
• Μία από τις μεγαλύτερες προκλήσεις που αντιμετωπίζουν τα ευφυή συστήματα είναι η δυναμική φύση του περιβάλλοντος στο οποίο ενεργούν.

1-Βασικά στοιχεία της Τεχνητής Νοημοσύνης

Σε αυτό άρθρο, θα συζητηθούν τα βασικά της τεχνητής νοημοσύνης. Θα μάθουμε τι είναι η τεχνητή νοημοσύνη και πού εφαρμόζεται. Θα γνωρίσουμε επίσης τα διάφορα συστατικά της.

Τι είναι η Τεχνητή Νοημοσύνη;

Η τεχνητή νοημοσύνη αποτελείται από δύο λέξεις, την τεχνητή και την νοημοσύνη. Η λέξη τεχνητή σημαίνει ανθρώπινο δημιούργημα (man made), ενώ η λέξη νοημοσύνη σημαίνει δυνατότητα (ισχύ) σκέψης. Από αυτό, μπορούμε να πούμε ότι η τεχνητή νοημοσύνη είναι η ανθρωπογενής δύναμη σκέψης.

Η τεχνητή νοημοσύνη είναι ένας κλάδος της επιστήμης των υπολογιστών που ασχολείται με την ανάπτυξη υπολογιστών ή μηχανών που είναι τόσο νοήμονες όσο οι άνθρωποι. Η τεχνητή νοημοσύνη περιλαμβάνει τη μελέτη του τρόπου με τον οποίο σκέφτεται ο ανθρώπινος εγκέφαλος, του τρόπου με τον οποίο οι άνθρωποι μαθαίνουν, λαμβάνουν αποφάσεις και εργάζονται κατά την επίλυση προβλημάτων. Τα αποτελέσματα μιας τέτοιας μελέτης χρησιμοποιούνται στη συνέχεια για την ανάπτυξη ισχυρού (με υπολογιστική ισχύ) λογισμικού και συστημάτων.

Λέμε ότι έχουμε τεχνητή νοημοσύνη όταν έχουμε μια μηχανή που παρουσιάζει ανθρώπινα χαρακτηριστικά, όπως συλλογιστική, μάθηση και επίλυση προβλημάτων. Στην τεχνητή νοημοσύνη, μια μηχανή δεν χρειάζεται να είναι προγραμματισμένη εκ των προτέρων για να εκτελέσει κάποια εργασία, αλλά μπορεί κανείς να δημιουργήσει μια μηχανή με προγραμματισμένους αλγόριθμους που λειτουργούν με βάση τη δική της νοημοσύνη

Με την τεχνητή νοημοσύνη, μπορούμε να δημιουργήσουμε λογισμικό και συσκευές ικανές να λύσουν προβλήματα του πραγματικού κόσμου, όπως η κυκλοφορία, η υγεία και το μάρκετινγκ, εύκολα και με υψηλό βαθμό ακρίβειας. Η τεχνητή νοημοσύνη έχει χρησιμοποιηθεί για την ανάπτυξη ρομπότ που μπορούν να λειτουργούν σε περιβάλλοντα που είναι επικίνδυνα για τους ανθρώπους.

Στόχοι της Τεχνητής Νοημοσύνης

Οι ακόλουθοι είναι οι στόχοι της τεχνητής νοημοσύνης:

1. Να αναπαράγει την ανθρώπινη νοημοσύνη – Η Τεχνητή Νοημοσύνη έχει ως στόχο την προσομοίωση της ανθρώπινης νοημοσύνης σε μηχανές, για την επίλυση προβλημάτων.

2. Επίλυση εργασιών γνωστικής έντασης – Οι άνθρωποι μπορεί να κατακλυστούν από εργασίες που απαιτούν ένταση γνώσης. Μια τέτοια εργασία μπορεί να εκτελεστεί χρησιμοποιώντας έξυπνες μηχανές και συστήματα.

3. Ευφυής σύνδεση αντίληψης και δράσης με την τεχνητή νοημοσύνη, συνδέουμε τις αντιλήψεις και τις ενέργειες.

4. Κατασκευή μηχανών που μπορούν να εκτελούν εργασίες που απαιτούν ανθρώπινη νοημοσύνη – η τεχνητή νοημοσύνη είναι ένα εξαιρετικό εργαλείο, καθώς μας βοηθά να αναπτύξουμε μηχανές που μπορούν να χρησιμοποιηθούν για την εκτέλεση εργασιών που απαιτούν ανθρώπινη εργασία. Παραδείγματα τέτοιων προβλημάτων περιλαμβάνουν το σκάκι, την επίλυση ενός θεωρήματος, την οδήγηση αυτοκινήτου στην κυκλοφορία και την εκτέλεση χειρουργικών επεμβάσεων.

5. Δημιουργία συστημάτων ικανών να επιδεικνύουν έξυπνη συμπεριφορά – οι τεχνητά έξυπνες μηχανές μπορούν να επιδεικνύουν έξυπνη συμπεριφορά, όπως η εκμάθηση νέων πραγμάτων μόνες τους και η παροχή συμβουλών στον χρήστη.

Στοιχεία της Τεχνητής Νοημοσύνης

Η τεχνητή νοημοσύνη δεν είναι απλώς ένας κλάδος της επιστήμης των υπολογιστών, αλλά αποτελείται από μια σειρά επιστημονικών κλάδων που συμβάλλουν σε αυτήν. Η τεχνητή νοημοσύνη είναι μια αλληλεπίδραση των ακόλουθων επιστημονικών κλάδων:

• Επιστήμη Υπολογιστών
• Μαθηματικά
• Ψυχολογία
• Βιολογία
• Κοινωνιολογία
• Μελέτη Νευρώνων
• Στατιστική

Συμπέρασμα

• Η τεχνητή νοημοσύνη είναι ένας κλάδος της επιστήμης των υπολογιστών που ασχολείται με την ανάπτυξη υπολογιστών  ή μηχανών που είναι τόσο έξυπνες όσο οι άνθρωποι.
• Η τεχνητή νοημοσύνη λέγεται ότι επιτυγχάνεται όταν έχουμε μια μηχανή που παρουσιάζει ανθρώπινα χαρακτηριστικά, όπως συλλογιστική, μάθηση και επίλυση προβλημάτων.
• Η Τεχνητή Νοημοσύνη έχει ως στόχο την αναπαραγωγή της ανθρώπινης νοημοσύνης σε μηχανές για την επίλυση προβλημάτων.
• Με την τεχνητή νοημοσύνη, συνδέουμε αντιλήψεις και ενέργειες.
• Η τεχνητή νοημοσύνη συνδυάζει πολλούς κλάδους όπως η βιολογία, η επιστήμη των υπολογιστών, τα μαθηματικά και άλλους.

Η εμπειρία μας για τον κόσμο βασίζεται σε υποθέσεις που φαίνονται απλές και προφανείς στους ανθρώπους. Μαθαίνουμε ότι ένα γρήγορο περπάτημα μισού μιλίου μας κάνει να νιώθουμε καλά όταν ο καιρός είναι εύκρατος, όχι τόσο καλό όταν η θερμοκρασία είναι κάτω από το μηδέν και εντελώς επικίνδυνο στη μέση μιας χιονοθύελλας ή τυφώνα. Τέτοιες υποθέσεις, που μαθαίνουμε από την εμπειρία του πραγματικού κόσμου, εμπίπτουν συλλογικά στην κατηγορία της κοινής λογικής. Αυτές οι διαισθητικές κατανοήσεις του κόσμου και των ανθρώπων αποδεικνύονται οι πιο προβληματικές στην κωδικοποίηση των μηχανών, αλλά χωρίς αυτές καμία μηχανή δεν θα μπορούσε να θεωρηθεί πραγματικά «έξυπνη».

Ένα από τα πιο απογοητευτικά μαθήματα που μας έχουν διδάξει ξανά και ξανά οι υπολογιστές είναι ότι πολλές από τις ενέργειες που θεωρούμε δύσκολες είναι εύκολο να αυτοματοποιηθούν – και αντίστροφα. Το 1944, δεκάδες άνθρωποι αφιέρωσαν μήνες εκτελώντας τους υπολογισμούς που απαιτούνται για το Manhattan Progect. Σήμερα, η τεχνολογία για να κάνει το ίδιο πράγμα κοστίζει ελάχιστα. Αντίθετα, όταν οι ερευνητές συναντήθηκαν στο Dartmouth College το καλοκαίρι του 1956 για να θέσουν τις βάσεις για την τεχνητή νοημοσύνη, κανένας τους δεν φανταζόταν ότι 40 χρόνια αργότερα θα είχαν διανύσει τόσο μικρή απόσταση προς αυτόν τον στόχο.

Πράγματι, οι λίγες επιτυχίες που είχε σημειώσει ως τότε η Τεχνητή Νοημοσύνη επισήμαιναν την αδυναμία της υπολογιστικής συλλογιστικής όσο και τα στενά της πλεονεκτήματα. Το 1965, για παράδειγμα, το project Dendral του Πανεπιστημίου Stanford αυτοματοποίησε τo εξελιγμένο λογισμικό σχετικά με τις χημικές δομές. Δημιούργησε μια λίστα με όλες τις πιθανές τρισδιάστατες δομές για μια ένωση και στη συνέχεια εφάρμοσε ένα μικρό σύνολο απλών κανόνων για να επιλέξει τις πιο εύλογες. Ομοίως, το 1975, ένα πρόγραμμα που ονομαζόταν Mycin ξεπερνούσε τον μέσο γιατρό στην ακρίβεια με την οποία έκανε διάγνωση μηνιγγίτιδας σε ασθενείς.

Εφάρμοζε αυστηρά τα κριτήρια που είχαν αναπτύξει οι έμπειροι κλινικοί γιατροί όλα αυτά τα χρόνια για να διακρίνουν μεταξύ των τριών διαφορετικών αιτιών της νόσου. Τέτοιες εργασίες είναι πολύ πιο κατάλληλες για έναν υπολογιστή παρά για έναν ανθρώπινο εγκέφαλο, επειδή μπορούν να κωδικοποιηθούν ως ένα σχετικά μικρό σύνολο κανόνων που πρέπει να ακολουθηθούν. Οι υπολογιστές μπορούν να εκτελούν τις ίδιες λειτουργίες επ’ αόριστον χωρίς να κουράζουν.

Εν τω μεταξύ, πολλές από τις εργασίες που είναι εύκολες για τους ανθρώπους – να βρουν μια ασαφή λέξη σε μια συζήτηση ή να αναγνωρίσουν το πρόσωπο ενός φίλου – ήταν σχεδόν αδύνατο να αυτοματοποιηθούν, επειδή δεν υπήρχε πραγματικά ιδέα για το πώς γίνονταν τέτοια πράγματα. Ποιος μπορούσε τότε να γράψει κανόνες για την αναγνώριση ενός προσώπου;

Ως αποτέλεσμα, εν μέσω της εκρηκτικής προόδου στα δίκτυα υπολογιστών, τους παράγοντες διεπαφής χρήστη και το hardware, η τεχνητή νοημοσύνη φαινόταν να μην επιτυγχάνει τα επιθυμητά αποτελέσματα. Μετά τα αρχικά κέρδη που οδήγησαν σε υψηλές προσδοκίες στα τέλη της δεκαετίας του 1970 και στις αρχές της δεκαετίας του 1980, υπήρξε μια πικρή αντίδραση κατά της ΤΝ τόσο στη βιομηχανία όσο και στην κυβέρνηση. Κατά ειρωνικό τρόπο, το 1984, ακριβώς τη στιγμή που η μανία βρισκόταν στο αποκορύφωμά της, ένα άρθρο για το Scientific American ήταν αρκετά απαισιόδοξος για την επόμενη δεκαετία. Και ενώ ο κόσμος είχε σχεδόν εγκαταλείψει το όνειρο της ΤΝ, βρισκόμαστε στο σημείο σήμερα να λέμε ότι η τεχνητή νοημοσύνη έχει ανοίξει την πόρτα της επιτυχίας.

Οι δυσοίωνες προβλέψεις τότε προέκυψαν επειδή τα προγράμματα που τροφοδότησαν τη διαφημιστική εκστρατεία για την Τεχνητή Νοημοσύνη δεν ήταν σοφοί αλλά ηλίθιοι σοφοί. Αυτά τα λεγόμενα έμπειρα συστήματα είχαν συχνά δίκιο, στους συγκεκριμένους τομείς για τους οποίους είχαν κατασκευαστεί, αλλά ήταν εξαιρετικά εύθραυστα. Ακόμα και σε ένα απλό πρόβλημα που ξεπερνούσε ελάχιστα την εξειδίκευσή τους, συνήθως έδιναν λάθος απάντηση, χωρίς να αναγνωρίζουν ότι βρίσκονταν εκτός του πεδίου των αρμοδιοτήτων τους. Ρωτούσες ένα ιατρικό πρόγραμμα για ένα σκουριασμένο παλιό αυτοκίνητο και αυτό μπορούσε να διαγνώσει ιλαρά αδιαφορώντας.

Επιπλέον, αυτά τα προγράμματα δεν μπορούσαν να μοιραστούν τις γνώσεις τους. Το Mycin πχ δεν μπορούσε να μιλήσει με προγράμματα που διέγνωσαν πνευμονικές παθήσεις ή να συμβουλεύσει γιατρούς για χημειοθεραπεία καρκίνου, και κανένα από τα ιατρικά προγράμματα δεν μπορούσε να επικοινωνήσει με εξειδικευμένα συστήματα προγραμματισμού που μπορεί να προσπαθούσαν να κατανείμουν νοσοκομειακούς πόρους. Καθένα αντιπροσώπευε το κομμάτι του κόσμου με ιδιόμορφους και ασύμβατους τρόπους, επειδή οι προγραμματιστές είχαν κάνει περικοπές ενσωματώνοντας πολλές υποθέσεις που αφορούσαν συγκεκριμένες εργασίες. Αυτό ίσως να ισχύει ακόμα και σήμερα.

Κανένα Πρόγραμμα Δεν Είναι απομονωμένο Νησί

Οι άνθρωποι μοιράζονται γνώσεις τόσο εύκολα που σπάνια τις σκεφτόμαστε. Δυστυχώς, αυτό καθιστά ακόμη πιο δύσκολη την κατασκευή προγραμμάτων που κάνουν το ίδιο. Πολλές από τις προαπαιτούμενες δεξιότητες και υποθέσεις έχουν γίνει έμμεσες μέσα από χιλιετίες πολιτιστικής και βιολογικής εξέλιξης και μέσω καθολικών εμπειριών από την πρώιμη παιδική ηλικία. Πριν οι μηχανές μπορέσουν να μοιράζονται γνώσεις τόσο ευέλικτα όσο οι άνθρωποι, αυτές οι προϋποθέσεις πρέπει να ανακεφαλαιωθούν με κάποιο τρόπο σε σαφείς, υπολογίσιμες μορφές

Την τελευταία δεκαετία, οι ερευνητές στο έργο CYC στο Ώστιν του Τέξας εργάζονταν σκληρά κάνοντας ακριβώς αυτό. Αρχικά, η ομάδα εξέταζε αποσπάσματα άρθρων ειδήσεων, μυθιστορημάτων, διαφημίσεων και τα συναφή, και για κάθε πρόταση ρωτούσε: «Τι υπέθεσε ο συγγραφέας ότι ο αναγνώστης γνώριζε ήδη;» Αυτή η προαπαιτούμενη γνώση, όχι το περιεχόμενο του κειμένου, έπρεπε να κωδικοποιηθεί. Αυτή η διαδικασία οδήγησε την ομάδα να αναπαραστήσει 100.000 διακριτές έννοιες και περίπου ένα εκατομμύριο γνώσεις κοινής λογικής σχετικά με αυτές

Πολλές από αυτές τις οντότητες – για παράδειγμα, “BodyOfWater” – δεν αντιστοιχούν σε ούτε μία αγγλική λέξη. Αντίθετα, μια αβλαβής λέξη όπως το “in” αποδεικνύεται ότι έχει δύο δωδεκάδες σημασίες, καθεμία από τις οποίες αντιστοιχεί σε μια ξεχωριστή έννοια. Ο τρόπος με τον οποίο εσείς, ο αναγνώστης, βρίσκεστε σε ένα δωμάτιο είναι διαφορετικός από τον τρόπο με τον οποίο βρίσκεται ο αέρας στο δωμάτιο, τον τρόπο με τον οποίο βρίσκεται το χαλί στο δωμάτιο, τον τρόπο με τον οποίο βρίσκεται το χρώμα στους τοίχους στο δωμάτιο και τον τρόπο με τον οποίο βρίσκεται ένα γράμμα σε ένα συρτάρι γραφείου στο δωμάτιο. Κάθε τρόπος με τον οποίο κάτι μπορεί να βρίσκεται “μέσα” σε ένα μέρος έχει διαφορετικές επιπτώσεις – το γράμμα μπορεί να αφαιρεθεί από το δωμάτιο, για παράδειγμα, ενώ ο αέρας δεν μπορεί. Ούτε ο αέρας ούτε το γράμμα, ωστόσο, είναι ορατά με την πρώτη ματιά σε κάποιον που μπαίνει στο δωμάτιο.

Τι Γνωρίζουν Όλοι

Τα περισσότερα από αυτά τα κομμάτια γνώσης αποδείχθηκαν ότι δεν ήταν γεγονότα από κάποιο ημερολόγιο ή ορισμοί από κάποιο λεξικό, αλλά μάλλον κοινές παρατηρήσεις και ευρέως διαδεδομένες πεποιθήσεις. Το CYC έπρεπε να διδαχθεί πώς οι άνθρωποι τρώνε σούπα, ότι τα παιδιά μερικές φορές φοβούνται τα ζώα και ότι η αστυνομία στις περισσότερες χώρες είναι ένοπλη.

Για να γίνουν τα πράγματα ακόμη πιο περίπλοκα, πολλές από τις παρατηρήσεις που ενσωματώσαμε στη βάση γνώσεων του CYC αντιφάσκουν μεταξύ τους. Μέχρι τη στιγμή που ένα πρόγραμμα βασισμένο στη γνώση μεγαλώνει και περιέχει περισσότερους από 10.000 κανόνες – 1% του μεγέθους του CYC – γίνεται δύσκολο να προσθέσουμε νέα γνώση χωρίς να παρέμβουμε σε κάτι που ήδη υπάρχει. Ξεπεράσαμε αυτό το εμπόδιο χωρίζοντας τη βάση γνώσεων σε εκατοντάδες ξεχωριστές μικροθεωρίες ή πλαίσια. Όπως οι μεμονωμένες πλάκες σε μια πανοπλία, κάθε πλαίσιο είναι αρκετά άκαμπτο και συνεπές, αλλά οι αρθρώσεις μεταξύ τους επιτρέπουν εμφανείς αντιφάσεις μεταξύ των πλαισίων. Το CYC γνωρίζει ότι ο Δράκουλας ήταν βρικόλακας, αλλά ταυτόχρονα γνωρίζει ότι οι βρικόλακες δεν υπάρχουν

Τα φανταστικά συμφραζόμενα (όπως αυτό για το μυθιστόρημα του Bram Stoker) είναι σημαντικά επειδή επέτρεπαν στο CYC να κατανοεί μεταφορές και να χρησιμοποιεί αναλογίες για την επίλυση προβλημάτων. Πολλαπλά συμφραζόμενα ήταν επίσης χρήσιμα για συλλογισμό σε διαφορετικά επίπεδα λεπτομέρειας, για την αποτύπωση των πεποιθήσεων διαφορετικών ηλικιακών ομάδων, εθνικοτήτων ή ιστορικών εποχών, και για την περιγραφή διαφορετικών προγραμμάτων, καθένα από τα οποία έκανε τις δικές του υποθέσεις σχετικά με την κατάσταση στην οποία θα χρησιμοποιηθεί. Μπορούσαν ακόμη και να χρησιμοποιήσουμε όλους τους εύθραυστους ηλίθιους σοφούς από προηγούμενες γενιές Τεχνητής Νοημοσύνης, περικλείοντας το καθένα σε ένα συμφραζόμενο που περιγράφει πότε και πώς να το χρησιμοποιήσετε κατάλληλα.

Το εύρος της γνώσης του CYC έγινε εμφανές ακόμη και σε μια απλή εφαρμογή ανάκτησης δεδομένων που δημιουργήθηκε το 1994, η οποία ανακτούσε εικόνες των οποίων οι περιγραφές ταιριάζουν με τα κριτήρια που επιλέγει ένας χρήστης. Σε απάντηση σε ένα αίτημα για εικόνες που περιέχουν καθισμένους ανθρώπους, το CYC μπόρεσε τότε να εντοπίσει αυτήν τη λεζάντα: “Υπάρχουν μερικά αυτοκίνητα.”

Βρίσκονται σε έναν δρόμο. Υπάρχουν μερικά δέντρα στην άκρη του δρόμου. Ρίχνουν τα φύλλα τους. Μερικά από αυτά είναι κίτρινα ταξί. Ο ορίζοντας της Νέας Υόρκης είναι στο φόντο. Είναι ηλιόλουστος.» Το πρόγραμμα χρησιμοποίησε στη συνέχεια την τυποποιημένη κοινή λογική του για τα αυτοκίνητα – έχουν θέση οδηγού και τα αυτοκίνητα σε κίνηση γενικά οδηγούνται για να συμπεράνει ότι υπήρχε μεγάλη πιθανότητα η εικόνα να ήταν σχετική. Ομοίως, το CYC θα μπορούσε να αναλύσει το αίτημα «Δείξε μου χαρούμενους ανθρώπους» και να παραδώσει μια εικόνα της οποίας η λεζάντα γράφει: «Ένας άντρας παρακολουθεί την κόρη του να μαθαίνει να περπατάει». «Καμία από τις λέξεις δεν είναι συνώνυμη ή έστω στενά συνδεδεμένη, αλλά λίγη κοινή λογική διευκολύνει την εύρεση της σύνδεσης.

Έτοιμοι για απογείωση

Το CYC απείχε πολύ από το να είναι ολοκληρωμένο, αλλά πλησίαζε το επίπεδο στο οποίο μπορούσε να χρησιμεύσει ως ο σπόρος από τον οποίο μπορούσε να αναπτυχθεί μια βάση κοινής γνώσης. Προγράμματα που κατανοούσαν φυσικές γλώσσες χρησιμοποίησαν την υπάρχουσα βάση γνώσεων για να κατανοήσουν μια μεγάλη ποικιλία κειμένων φορτωμένων με ασάφεια και μεταφορές. Οι πληροφορίες που αντλήθηκαν από τις αναγνώσεις του CYC εμπλούτισαν τις έννοιές του και έτσι θα επέτρεψαν περαιτέρω επεκτάσεις. Το CYC θα μάθαινε επίσης μέσω της ανακάλυψης, σχηματίζοντας εύλογες υποθέσεις για τον κόσμο και δοκιμάζοντάς τες. Μία από τις προκλητικές αναλογίες που παρατήρησε και εξερεύνησε τότε λίγα χρόνια πριν την είσοδο της χιλιετίας, ήταν αυτή μεταξύ μιας χώρας και μιας οικογένειας. Όπως οι άνθρωποι, το CYC θα μαθαίνει στα όρια αυτών που ήδη γνωρίζει, και έτσι η ικανότητά του για εκπαίδευση θα εξαρτήθηκε σε μεγάλο βαθμό από τις υπάρχουσες γνώσεις του.

Κατά την επόμενη δεκαετία, οι ερευνητές εμπλούτισαν τη βάση κοινής γνώσης του CYC τόσο με χειροκίνητα όσο και με αυτοματοποιημένα μέσα. Άρχισαν επίσης να δημιουργούν εφαρμογές, ενσωματώνοντας την κοινή λογική σε γνωστά είδη συσκευών λογισμικού, όπως υπολογιστικά φύλλα, βάσεις δεδομένων, συστήματα προετοιμασίας εγγράφων και διαδικτυακές μηχανές αναζήτησης.

Οι επεξεργαστές κειμένου τώρα ελέγχουν το περιεχόμενο, όχι μόνο την ορθογραφία και τη γραμματική. Τα υπολογιστικά φύλλα επισημαίνουν καταχωρήσεις που είναι τεχνικά επιτρεπτές αλλά ενίοτε παραβιάζουν την κοινή λογική. Τα προγράμματα ανάκτησης εγγράφων κατανοούν αρκετά το περιεχόμενο αυτού που αναζητούν -και των ερωτήσεών σας- ώστε να βρουν τα κείμενα που αναζητάτε, ανεξάρτητα από το αν περιέχουν τις λέξεις που προσδιορίζετε.

Αυτού του είδους τα προγράμματα θα ενεργούν σε συνεννόηση με τις υπάρχουσες τάσεις στο υλικό και τα δίκτυα υπολογιστών για να κάνουν τις υπηρεσίες που βασίζονται σε υπολογιστές όλο και λιγότερο δαπανηρές και πιο πανταχού παρούσες, να δημιουργούν σταθερά καλύτερα μοντέλα χρήστη, σχετικό software και να βυθίζουν τον χρήστη βαθύτερα σε εικονικά περιβάλλοντα. Ο στόχος μιας γενικής τεχνητής νοημοσύνης είναι ορατό και ο κόσμος του 21^ου αιώνα θα αλλάξει ριζικά ως αποτέλεσμα. Ο αείμνηστος Allen Newell, ένας από τους ιδρυτές του πεδίου, παρομοίασε την επερχόμενη εποχή με τη χώρα του Φέρι: άψυχα αντικείμενα, όπως συσκευές που συνομιλούν μαζί σας, για να μην αναφέρουμε ότι συνομιλούν και συντονίζονται μεταξύ τους. Ωστόσο, σε αντίθεση με τα πλάσματα των περισσότερων παραμυθιών, γενικά συνωμοτούν για να κάνουν τους ανθρώπους καλό και όχι κακό.

Οι μόδες έρχονται και οι μόδες παρέρχονται, αλλά τα εικονίδια της ποπ κουλτούρας έχουν διαρκή ισχύ. Ορισμένες δημοφιλείς εικόνες μπορούν να επηρεάσουν τις βασικές υποθέσεις μιας γενιάς. Το HAL 9000, ο έξυπνος υπολογιστής του  “2001: Η Οδύσσεια του Διαστήματος”, είναι ένα τέτοιο. Οι Arthur C. Clarke και Stanley Kubrick προόριζαν τον HAL – και ολόκληρο το διαστημόπλοιο Discovery, που είχε σχήμα τεχνητού κεντρικού νευρικού συστήματος με το HAL ως εγκέφαλο, ως μεταφορά για τα επόμενα βήματα της ανθρωπότητας στην εξερεύνηση. Αλλά μια ολόκληρη γενιά, ή δύο, το έχουν θεωρήσει ως το σχέδιο για την εξέλιξη των ευφυών μηχανών. Με το πέρασμα πέντε και πλέον δεκαετιών, είναι διασκεδαστικό και ενημερωτικό να κοιτάξουμε πίσω στην ταινία και να δούμε πόσο υπέροχο ήταν το μέλλον, και πόσο μακριά έχουμε φτάσει στην υλοποίησή του.

Θα είναι πάντα ευκολότερο να φτιάχνεις οργανικούς εγκεφάλους με ανειδίκευτη εργασία παρά να δημιουργείς μια τεχνητή νοημοσύνη που βασίζεται σε μηχανές. Αυτό το αστείο για το πώς να κάνουμε τα πράγματα με τον παλιομοδίτικο τρόπο, το οποίο εμφανίζεται στην έκδοση βιβλίου του 2001: A Space Odyssey, εξακολουθεί να έχει μια αναμφισβήτητη δόση αλήθειας. Το αριστούργημα επιστημονικής φαντασίας θα μείνει στην ιστορία για το άψογα επεξεργασμένο πορτρέτο μιας μηχανής που μπορούσε όχι μόνο να συλλογιστεί αλλά και να βιώσει την επιτομή του τι σημαίνει να είσαι άνθρωπος: νευρωτικό άγχος και αυτοαμφισβήτηση.

Ο ευρετικά προγραμματισμένος αλγοριθμικός υπολογιστής, γνωστός και ως HAL, μπορεί να χρησιμεύσει ως μια πιο ολοκληρωμένη αναπαράσταση μιας πραγματικής σκεπτόμενης μηχανής από το πολυδιαφημισμένο τεστ Turing, στο οποίο μια μηχανή αποδεικνύει την έμφυτη νοημοσύνη της ξεγελώντας έναν άνθρωπο κάνοντάς τον να νομίζει ότι μιλάει σε κάποιον του είδους της. (Βλέπε «Σχετικά με τα Υπολογιστικά Φτερά».) Υπό αυτή την έννοια, οι ικανότητες του HAL – από το να παίζει σκάκι μέχρι τη διατύπωση φυσικής ομιλίας και την ανάγνωση χειλιών – μπορεί να χρησιμεύσουν ως καλύτερο σημείο αναφοράς για τη μέτρηση της ευφυΐας των μηχανών από έναν υπολογιστή που μπορεί να εκστομίζει αόριστες, τυποποιημένες απόψεις που ένας άνθρωπος μπορεί να ερμηνεύσει ως σημάδια έμφυτης νοημοσύνης.

Παραδόξως, ίσως, οι υπολογιστές σε ορισμένες περιπτώσεις έχουν ξεπεράσει στην πραγματικότητα το όραμα του συγγραφέα Arthur C. Clarke και του σκηνοθέτη Stanley Kubrick για την τεχνολογία υπολογιστών στις αρχές της χιλιετίας. Οι σημερινοί υπολογιστές είναι πολύ μικρότεροι, πιο φορητοί και χρησιμοποιούν διεπαφές λογισμικού που παραλείπουν τον τύπο χειροκίνητων χειριστηρίων που βρίσκονται στο διαστημόπλοιο Discovery 1. Αλλά σε γενικές γραμμές, η τεχνολογία υπολογιστών δεν έχει πλησιάσει ούτε κατά διάνοια το HAL. Ο David G. Stork, ο οποίος επιμελήθηκε το βιβλίο του HAL Legacy: Computer as Dream and Reality του 2001, μια συλλογή δοκιμίων που συγκρίνουν την κατάσταση της πληροφορικής με τις δυνατότητες του HAL, παρατηρεί ότι για ορισμένα καθοριστικά χαρακτηριστικά της νοημοσύνης – γλώσσα, αναγνώριση και κατανόηση ομιλίας, κοινή λογική, συναισθήματα, σχεδιασμός, στρατηγική και ανάγνωση χειλιών – είμαστε ανίκανοι να αποδώσουμε ούτε καν ένα πρόχειρο αντίγραφο ενός HAL. «Σε όλα τα προβλήματα ανθρώπινου τύπου, έχουμε αποτύχει πολύ, πολύ», λέει ο Stork.

Ακόμα και το σκάκι στον υπολογιστή, στο οποίο έχει σημειωθεί φαινομενική πρόοδος, απατά Το 1997, η Deep Blue της IBM νίκησε τον τότε παγκόσμιο πρωταθλητή Garry Kasparov. Η νίκη της Deep Blue, ωστόσο, ήταν περισσότερο ένας θρίαμβος της ακατέργαστης επεξεργαστικής ισχύος παρά ένα κατόρθωμα που σηματοδότησε την έναρξη της εποχής της ευφυούς μηχανής. Η ποσότητα είχε γίνει ποιότητα, είπε ο Kasparov περιγράφοντας την ικανότητα της Deep Blue να αναλύει 200 ​​εκατομμύρια θέσεις στο σκάκι το δευτερόλεπτο. Στην πραγματικότητα, ο Murray F. Campbell, ένας από τους δημιουργούς της Deep Blue, σημειώνει στο βιβλίο του HAL’s Legacy ότι, παρόλο που ο Kasparov, σε ένα πείραμα, μερικές φορές δεν κατάφερε να διακρίνει μεταξύ μιας κίνησης του Deep Blue και μιας κίνησης ενός ανθρώπινου grandmaster, το συνολικό στυλ σκακιού της Deep Blue δεν παρουσίαζε ανθρώπινες ιδιότητες και επομένως δεν ήταν «έξυπνο». Η HAL, αντίθετα, έπαιζε σαν πραγματικό πρόσωπο. Ο υπολογιστής με το αδιάφορο κόκκινο μάτι φάνηκε να διαισθάνεται από την αρχή ότι ο αντίπαλός του, ο Frank Poole, μέλος του πληρώματος του Discovery, ήταν ένας patzer [αδέξιος παίκτης], και έτσι προσάρμοσε τη στρατηγική του ανάλογα. Το HAL θα αντεπιτίθετο με μια κίνηση που δεν ήταν η καλύτερη δυνατή, για να παγιδεύσει τον Poole, σε αντίθεση με το Deep Blue, το οποίο υποθέτει ότι ο αντίπαλός του κάνει πάντα την ισχυρότερη κίνηση και ως εκ τούτου αντεπιτίθετο με μια βελτιστοποιημένη απόκρουση.

Το μυθιστόρημα του 2001 εξηγεί πώς αναπτύχθηκε η σειρά HAL 9000, χάρη στην εργασία του Marvin Minsky του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης και ενός άλλου ερευνητή τη δεκαετία του 1980, ο οποίος έδειξε πώς «τα νευρωνικά δίκτυα μπορούσαν να δημιουργηθούν αυτόματα και να αυτοαναπαραχθούν σύμφωνα με ένα αυθαίρετο πρόγραμμα μάθησης. Οι τεχνητοί εγκέφαλοι μπορούσαν να αναπτυχθούν με μια διαδικασία εντυπωσιακά ανάλογη με την ανάπτυξη του ανθρώπινου εγκεφάλου». Κατά ειρωνικό τρόπο, ο Minsky, ένας από τους πρωτοπόρους των νευρωνικών δικτύων, ο οποίος ήταν επίσης σύμβουλος των κινηματογραφιστών (και ο οποίος παραλίγο να σκοτωθεί από ένα κλειδί που έπεσε στο πλατό), λέει σήμερα ότι αυτή η προσέγγιση θα πρέπει να έχει δευτερεύοντα ρόλο στη μοντελοποίηση της νοημοσύνης, ενώ παράλληλα επικρίνει την ποσότητα της έρευνας που αφιερώνεται σε αυτήν. «Έχει γίνει μόνο μια ελάχιστη δουλειά πάνω στη συλλογιστική της κοινής λογικής, και θα μπορούσα σχεδόν να χαρακτηρίσω τα υπόλοιπα ως διάφορα είδη σχεδίων γρήγορου πλουτισμού, όπως γενετικοί αλγόριθμοι [και νευρωνικά δίκτυα] όπου ελπίζεις ότι δεν θα χρειαστεί να καταλάβεις τίποτα», λέει ο Minsky.

Σε κάθε περίπτωση, ο Κλαρκ παραμένει απτόητος από το πόσο μακριά έχει ξεστρατίσει το όραμά του. Η μηχανική νοημοσύνη θα γίνει κάτι περισσότερο από επιστημονική φαντασία, πιστεύει, αν όχι μέχρι φέτος. «Νομίζω ότι είναι αναπόφευκτο. Είναι απλώς μέρος της εξελικτικής διαδικασίας», λέει. Τα σφάλματα στις προβλέψεις, υποστηρίζει ο Κλαρκ, αντισταθμίζονται με την πάροδο του χρόνου από αποτελέσματα πιο φανταστικά από την αρχική γνώση. «Πρώτα οι προσδοκίες μας για το τι συμβαίνει ξεπερνούν αυτό που συμβαίνει στην πραγματικότητα, και τελικά αυτό που συμβαίνει στην πραγματικότητα υπερβαίνει κατά πολύ τις προσδοκίες μας.»

Παραθέτοντας τον εαυτό του (Νόμος του Κλαρκ), ο Κλαρκ παρατηρεί ότι «κάθε επαρκώς προηγμένη τεχνολογία δεν διακρίνεται από τη μαγεία. Καθώς η τεχνολογία προχωρά, δημιουργεί μαγεία, και [η Τεχνητή Νοημοσύνη] θα είναι ένας από αυτούς». Οι τομείς έρευνας που στοχεύουν στην απόλυτη σμίκρυνση, προσθέτει, μπορεί να είναι το κλειδί για τη δημιουργία καλών μυαλών.

«Όταν η νανοτεχνολογία αναπτυχθεί πλήρως, θα παράγουν [τεχνητούς εγκεφάλους] όσο γρήγορα θέλουν». Ο χρόνος θα δείξει αν αυτό είναι πρόβλεψη, όπως οι εικασίες του Κλαρκ για τους τηλεπικοινωνιακούς δορυφόρους, ή απλώς ένα στήριγμα επιστημονικής φαντασίας.

Το τεστ Turing για τη συνείδηση ​​διαμόρφωσε τις πρώτες προσπάθειες στον τομέα της τεχνητής νοημοσύνης. Μπορεί μια μηχανή να πείσει έναν άνθρωπο ότι η ίδια, η μηχανή, είναι άνθρωπος; Ίσως το τεστ να είναι ελαττωματικό και να πρέπει να απορριφθεί, λένε οι συγγραφείς Ford και Hayes. Η μεγαλύτερη αξία της τεχνητής νοημοσύνης μπορεί να έγκειται όχι στη μίμηση της ανθρώπινης σκέψης αλλά στην επέκτασή της σε νέα πεδία.

Πολλοί φιλόσοφοι και ουμανιστές στοχαστές ήταν πεπεισμένοι ότι η αναζήτηση της τεχνητής νοημοσύνης έχει αποδειχθεί αποτυχημένη. Επιφανείς επικριτές είχαν υποστηρίξει ότι μια πραγματικά έξυπνη μηχανή δεν μπορεί να κατασκευαστεί και είχαν μάλιστα προσφέρει μαθηματικές αποδείξεις για την αδυναμία της. Κι όμως, ο τομέας της τεχνητής νοημοσύνης σήμερα ακμάζει. Τα «έξυπνα» μηχανήματα αποτελούν μέρος του ιστού επεξεργασίας πληροφοριών της κοινωνίας, και η θεώρηση του εγκεφάλου ως «βιολογικού υπολογιστή» έχει γίνει η τυπική άποψη σε μεγάλο μέρος της ψυχολογίας και της νευροεπιστήμης.

Ενώ εξετάζουμε αυτή την αναντιστοιχία μεταξύ των κριτικών απόψεων ορισμένων παρατηρητών και των σημαντικών επιτευγμάτων στον τομέα, έχουμε παρατηρήσει μια παραλληλία με μια προηγούμενη προσπάθεια που επίσης επεδίωκε έναν φιλόδοξο στόχο και για αιώνες δεχόταν επίθεση ως σύμβολο της υπερβολικής αλαζονείας της ανθρωπότητας: την τεχνητή πτήση. Η αναλογία μεταξύ τεχνητής νοημοσύνης και τεχνητής πτήσης είναι διαφωτιστική. Καταρχάς, υποδηλώνει ότι η παραδοσιακή άποψη για τον στόχο της Τεχνητής Νοημοσύνης – να δημιουργήσει μια μηχανή που μπορεί να μιμηθεί με επιτυχία την ανθρώπινη συμπεριφορά – είναι λανθασμένη.

Για χιλιετίες, η πτήση ήταν ένα από τα πιο αγαπημένα όνειρα της ανθρωπότητας. Η προϊστορία της αεροναυπηγικής, τόσο η δημοφιλής όσο και η ακαδημαϊκή, επικεντρώθηκε στην ιδέα της μίμησης της πτήσης των πτηνών, συνήθως με κάποιο τρόπο προσαρτώντας φτερούγες που χτυπούσαν σε ένα ανθρώπινο σώμα ή σε ένα πλαίσιο που φορούσε ένα μόνο άτομο. Ήταν απογοητευτικά σαφές ότι τα πουλιά έβρισκαν εύκολη την πτήση, οπότε θα πρέπει να φαινόταν φυσικό να προσπαθήσουν να αποτυπώσουν το μυστικό τους. Ορισμένοι παρατηρητές υποστήριξαν ότι τα φτερά των πουλιών απλώς διέθεταν μια εγγενή «ελαφρότητα». Οι υποστηρικτές της πιθανότητας πτήσης υποστήριξαν ότι οι άνθρωποι και τα πουλιά ήταν ουσιαστικά παρόμοια, ενώ οι αντίπαλοι υποστήριξαν ότι τέτοιες συγκρίσεις ήταν υποτιμητικές, ανήθικες ή λανθασμένες. Αλλά και οι δύο ομάδες γενικά υπέθεταν ότι η πτήση σήμαινε μίμηση ενός πουλιού. Ακόμα και σχετικά εξελιγμένα σχέδια για ιπτάμενες μηχανές συχνά περιελάμβαναν ορισμένα χαρακτηριστικά που μοιάζουν με πτηνά, όπως το ράμφος στο σχέδιο του Άγγλου καλλιτέχνη Thomas Walker το 1810 για ένα ξύλινο ανεμόπτερο.

Αυτή η άποψη για την πτήση ως μίμηση πουλιών ήταν επίμονη. Ένα άρθρο στο English Mechanic το 1900 επέμενε ότι «η πραγματική ιπτάμενη μηχανή θα είναι ουσιαστικά ένα τεχνητό πουλί». Μια αίτηση ευρεσιτεχνίας για μια «ιπτάμενη στολή» καλυμμένη με φτερά υποβλήθηκε στα τέλη του 19^ου αιώνα, και οι μέθοδοι κουνήματος των φτερών συζητήθηκαν σε τεχνικές μελέτες της αεροπορίας που δημοσιεύθηκαν στις αρχές του 20^ου αιώνα.

Το Τεστ Turing

Η έννοια της νοημοσύνης είναι πιο αφηρημένη από εκείνη της πτήσης, αλλά η μακροπρόθεσμη φιλοδοξία της Τεχνητής Νοημοσύνης έχει επίσης παραδοσιακά χαρακτηριστεί ως η μίμηση ενός βιολογικού παραδείγματος. Όταν ο Βρετανός μαθηματικός Alan M. Turing έγραψε για πρώτη φορά για την πιθανότητα τεχνητής νοημοσύνης το 1950, πρότεινε ότι η έρευνα για την Τεχνητή Νοημοσύνη θα μπορούσε να επικεντρωθεί σε αυτό που ήταν πιθανώς το καλύτερο τεστ για την ανθρώπινη νοημοσύνη που ήταν διαθέσιμο εκείνη την εποχή: μια ανταγωνιστική συνέντευξη. Ο Turing πρότεινε ότι ένα κατάλληλο τεστ για την επιτυχία στην Τεχνητή Νοημοσύνη θα ήταν ένα «παιχνίδι μίμησης» στο οποίο ένας ανθρώπινος κριτής θα πραγματοποιούσε μια τριμερή συνομιλία με έναν υπολογιστή και έναν άλλο άνθρωπο και θα προσπαθούσε να τους πει χώρια. Ο κριτής θα ήταν ελεύθερος να στρέψει τη συζήτηση σε οποιοδήποτε θέμα, και η μηχανή που θα πετύχαινε θα μπορούσε να το συζητήσει τόσο πειστικά όσο και ο άνθρωπος. Αυτό θα απαιτούσε από τη μηχανή που συμμετέχει στο παιχνίδι να κατανοεί τη γλώσσα και τις συμβάσεις συζήτησης και να έχει μια γενική ικανότητα συλλογισμού. Εάν ο κριτής δεν μπορούσε να διακρίνει τη διαφορά μετά από κάποιο εύλογο χρονικό διάστημα, η μηχανή θα περνούσε το τεστ: θα μπορούσε να φαίνεται άνθρωπος σε έναν άνθρωπο.

Το τεστ Turing επινοήθηκε το 1950 από τον Βρετανό μαθηματικό Alan M. Turing (photo). Στο τεστ ένας κριτής συμμετέχει σε μια τριπλή επικοινωνία – συνομιλία με έναν υπολογιστή και έναν άλλο άνθρωπο. Αν ο κριτής δεν μπορεί να διακρίνει μεταξύ των απαντήσεων του ανθρώπου και εκείνων του υπολογιστή, τότε η υπολογιστική μηχανή έχει περάσει το τεστ.

Υπάρχει κάποια συζήτηση σχετικά με τους ακριβείς κανόνες του παιχνιδιού μίμησης του Turing, και μπορεί να μην είχε την πρόθεση να ληφθεί τόσο σοβαρά υπόψη. Αλλά κάποιο είδος «τεστ Turing» έχει γίνει ευρέως αντιληπτό, τόσο εντός όσο και εκτός του πεδίου, ως ο απώτερος στόχος της τεχνητής νοημοσύνης, και το τεστ εξακολουθεί να αναφέρεται στα περισσότερα εγχειρίδια. Όπως και με την πρώιμη σκέψη για την πτήση, η επιτυχία ορίζεται ως η μίμηση ενός φυσικού μοντέλου: για την πτήση, ένα πουλί· για την νοημοσύνη, ένας άνθρωπος

Το τεστ Turing έχει δεχτεί πολλές αναλύσεις και επικρίσεις, αλλά πιστεύουμε ότι είναι χειρότερο από ό,τι συχνά πιστεύουμε. Το τεστ έχει οδηγήσει σε μια ευρεία παρερμηνεία των πραγματικών φιλοδοξιών του τομέα μας. Είναι ένα κακώς σχεδιασμένο πείραμα (που εξαρτάται σε μεγάλο βαθμό από την υποκειμενικότητα του κριτή), έχει έναν αμφισβητήσιμο τεχνολογικό στόχο (έχουμε ήδη πολλή ανθρώπινη νοημοσύνη) και είναι απελπιστικά πολιτισμικά δεσμευμένο (μια συζήτηση που είναι αποδεκτή για έναν Βρετανό κριτή μπορεί να αποτύχει σύμφωνα με έναν Ιάπωνα ή Μεξικανό κριτή). Όπως σημείωσε ο ίδιος ο Turing, κάποιος θα μπορούσε να αποτύχει στο τεστ επειδή είναι πολύ έξυπνος – για παράδειγμα, κάνοντας νοητικές αριθμητικές πράξεις εξαιρετικά γρήγορα. Σύμφωνα με δημοσιεύματα των μέσων ενημέρωσης, ορισμένοι κριτές στον πρώτο διαγωνισμό Loebner το 1991 – ένα είδος διαγωνισμού τεστ Turing που πραγματοποιήθηκε στο Μουσείο Υπολογιστών στη Βοστόνη – αξιολόγησαν έναν άνθρωπο ως μηχανή με το σκεπτικό ότι παρήγαγε εκτεταμένες, καλογραμμένες παραγράφους πληροφοριακού κειμένου. (Προφανώς, αυτό θεωρείται πλέον απάνθρωπη ικανότητα σε μέρη του πολιτισμού μας.) Με το πλεονέκτημα της εκ των υστέρων γνώσης, είναι πλέον προφανές ότι το κεντρικό ελάττωμα του τεστ είναι η ειδοκεντρικότητά του: Υποθέτει ότι η ανθρώπινη σκέψη είναι η τελική, υψηλότερη κορυφή της σκέψης έναντι της οποίας πρέπει να κριθούν όλες οι άλλες. Το τεστ Turing δεν δέχεται ασθενέστερες, διαφορετικές ή ακόμη και ισχυρότερες μορφές νοημοσύνης από αυτές που θεωρούνται ανθρώπινες.

Οι περισσότεροι σύγχρονοι ερευνητές Τεχνητής Νοημοσύνης απορρίπτουν ρητά τον στόχο του τεστ Turing. Αντίθετα, ασχολούνται με την εξερεύνηση του ίδιου του υπολογιστικού μηχανισμού της νοημοσύνης, είτε πρόκειται για ανθρώπους, σκύλους, υπολογιστές ή εξωγήινους. Ο επιστημονικός στόχος της έρευνας Τεχνητής Νοημοσύνης είναι να κατανοήσει τη νοημοσύνη ως υπολογισμό, και ο μηχανικός στόχος της είναι να κατασκευάσει μηχανές που ξεπερνούν ή επεκτείνουν τις ανθρώπινες νοητικές ικανότητες με κάποιον χρήσιμο τρόπο. Η προσπάθεια μίμησης μιας ανθρώπινης συζήτησης (όσο «πνευματική» κι αν είναι) συμβάλλει ελάχιστα σε καμία από τις δύο φιλοδοξίες

Στην πραγματικότητα, σχεδόν καμία έρευνα για την Τεχνητή Νοημοσύνη (ΤΝ) δεν αφιερώνεται στην προσπάθεια επιτυχίας του τεστ Turing. Ασχολείται περισσότερο με ζητήματα όπως το πώς μπορούν να βελτιωθούν η μηχανική μάθηση και η όραση ή πώς να σχεδιαστεί ένα αυτόνομο διαστημόπλοιο που μπορεί να σχεδιάσει τις δικές του ενέργειες. Η πρόοδος στην ΤΝ δεν μετριέται ελέγχοντας την πιστότητα σε έναν άνθρωπο συνομιλητή. Κι όμως, πολλοί επικριτές παραπονιούνται για την έλλειψη προόδου προς αυτή την παλιά φιλοδοξία. Πιστεύουμε ότι το τεστ Turing θα πρέπει να υποβιβαστεί στην ιστορία της επιστήμης, με τον ίδιο τρόπο που ο στόχος της μίμησης ενός πουλιού τελικά εγκαταλείφθηκε από τους πρωτοπόρους της πτήσης. Το να ξεκινάς ένα εγχειρίδιο για την ΤΝ με το τεστ Turing (όπως εξακολουθούν να κάνουν πολλοί) μοιάζει με το να ξεκινάς ένα εισαγωγικό μάθημα στην αεροναυπηγική μηχανική με την εξήγηση ότι ο στόχος του πεδίου είναι να κατασκευάσει μηχανές που πετούν τόσο ακριβώς όπως τα περιστέρια που μπορούν να ξεγελάσουν ακόμη και άλλα περιστέρια.

Μίμηση έναντι Κατανόησης

Οι ερευνητές στον τομέα της τεχνητής νοημοσύνης μπορεί να πάρουν ένα χρήσιμο παράδειγμα από την ιστορία της τεχνητής πτήσης. Η ανάπτυξη των αεροσκαφών πέτυχε μόνο όταν οι άνθρωποι σταμάτησαν να προσπαθούν να μιμηθούν τα πουλιά και αντ’ αυτού προσέγγισαν το πρόβλημα με νέους τρόπους, σκεπτόμενοι τη ροή του αέρα και την πίεση, για παράδειγμα. Παρατηρώντας την αιώρηση, oι γλάροι ενέπνευσαν τους αδελφούς Ράιτ να χρησιμοποιήσουν την στρέβλωση των φτερών – την περιστροφή ενός αεροσκάφους στρίβοντας τα φτερά του – αλλά δεν έβαλαν στόχο να μιμηθούν την πτέρυγα του γλάρου. Ξεκινώντας με έναν χαρταετό-κουτί, αρχικά εργάστηκαν για την επίτευξη επαρκούς άνωσης, στη συνέχεια στη διαμήκη και πλευρική σταθερότητα, στη συνέχεια στο σύστημα διεύθυνσης και τέλος στον σχεδιασμό πρόωσης και κινητήρα, λύνοντας προσεκτικά κάθε πρόβλημα με τη σειρά του. Μετά από αυτό, κανένα αεροπλάνο δεν μπορούσε να συγχέεται με ένα πουλί ούτε ως προς το συνολικό του σχήμα ούτε ως προς τις ικανότητές του να πετάει. Κατά κάποιο τρόπο, τα αεροσκάφη μπορεί να μην φτάσουν ποτέ την κομψή ακρίβεια των πουλιών, αλλά κατά άλλους τρόπους, τα ξεπερνούν δραματικά. Τα αεροσκάφη δεν προσγειώνονται σε δέντρα, δεν μαζεύουν ψάρια από τον ωκεανό ούτε χρησιμοποιούν το φυσικό αεράκι για να αιωρούνται ακίνητα πάνω από την ύπαιθρο. Αλλά κανένα πουλί δεν μπορεί να πετάξει στα 45.000 πόδια ή πιο γρήγορα από τον ήχο.

Αντί να περιορίσουμε το πεδίο εφαρμογής της Τεχνητής Νοημοσύνης στη μελέτη του τρόπου μίμησης της ανθρώπινης συμπεριφοράς, μπορούμε πιο χρήσιμα να την ερμηνεύσουμε ως τη μελέτη του πώς πρέπει να οργανώνονται τα υπολογιστικά συστήματα για να συμπεριφέρονται με έξυπνο τρόπο. Τα προγράμματα Τεχνητής Νοημοσύνης είναι συχνά συστατικά μεγαλύτερων συστημάτων που δεν φέρουν την ένδειξη «ευφυή». Υπάρχουν εκατοντάδες τέτοιες εφαρμογές σε χρήση σήμερα, συμπεριλαμβανομένων εκείνων που κάνουν επενδυτικές συστάσεις, εκτελούν ιατρικές διαγνώσεις, σχεδιάζουν κινήσεις στρατευμάτων και εφοδιασμού σε πολεμικές επιχειρήσεις, προγραμματίζουν την ανακαίνιση του διαστημικού λεωφορείου και ανιχνεύουν δόλια χρήση πιστωτικών καρτών. Αυτά τα συστήματα λαμβάνουν εξειδικευμένες αποφάσεις, βρίσκουν ουσιαστικά μοτίβα σε σύνθετα δεδομένα και βελτιώνουν τις επιδόσεις τους μαθαίνοντας. Όλες αυτές οι ενέργειες, αν γίνονταν από έναν άνθρωπο, θα γίνονταν για να επιδείξουν ορθή κρίση, εμπειρογνωμοσύνη ή υπευθυνότητα. Πολλές από αυτές τις εργασίες, ωστόσο, δεν θα μπορούσαν να γίνουν από ανθρώπους, οι οποίοι είναι πολύ αργοί, αποσπώνται πολύ εύκολα ή δεν είναι επαρκώς αξιόπιστοι. Οι ευφυείς μηχανές μας ήδη μας ξεπερνούν με πολλούς τρόπους. Οι πιο χρήσιμες εφαρμογές υπολογιστών, συμπεριλαμβανομένων των εφαρμογών Τεχνητής Νοημοσύνης, είναι πολύτιμες ακριβώς λόγω της έλλειψης ανθρώπινης φύσης τους. Ένα πραγματικά ανθρώπινο πρόγραμμα θα ήταν εξίσου άχρηστο με ένα πραγματικά περιστέρι αεροσκάφος

Περιμένοντας την Επιστήμη

Η αναλογία με την πτήση παρέχει μια άλλη εικόνα: οι τεχνολογικές εξελίξεις συχνά προηγούνται των εξελίξεων στην επιστημονική γνώση. Οι σχεδιαστές των πρώτων αεροσκαφών δεν μπορούσαν να μάθουν τις αρχές της αεροδυναμικής μελετώντας την ανατομία των πτηνών. Η εξέλιξη είναι μια πρόχειρη μηχανική και τα ζωντανά συστήματα τείνουν να είναι πλούσια σε ad hoc μηχανήματα με πολλαπλές χρήσεις ή μηχανισμούς που βασίζονται σε δομές που εξελίχθηκαν νωρίτερα για διαφορετικό λόγο. Ως αποτέλεσμα, είναι συχνά πολύ δύσκολο να ανακαλύψουμε βασικές αρχές μιμούμενοι τους φυσικούς μηχανισμούς

Η πειραματική αεροδυναμική κατέστη δυνατή μόνο στις αρχές του 20^ου αιώνα, όταν τα τεχνητά φτερά μπορούσαν να δοκιμαστούν συστηματικά σε αεροσήραγγες. Δεν προέκυψε από τη μελέτη φυσικών παραδειγμάτων πτήσης. Το γεγονός ότι το φτερό ενός γλάρου είναι μια αεροτομή είναι πλέον εντυπωσιακά προφανές, ωστόσο η αεροτομή δεν ανακαλύφθηκε εξετάζοντας την ανατομία των πτηνών. Ακόμα και οι αδελφοί Ράιτ δεν κατάλαβαν ποτέ πραγματικά γιατί πετούσε το Flyer τους. Οι αεροδυναμικές αρχές της αεροτομής προέκυψαν από πειράματα που έγιναν το 1909 από τον Γάλλο μηχανικό Αλεξάντρ-Γκουστάβ Άιφελ, ο οποίος χρησιμοποίησε μια αεροδυναμική σήραγγα και τεχνητά φτερά με πυκνά όργανα. Το πρώτο αεροσκάφος με «σύγχρονες» αεροτομές – οι οποίες κατασκευάστηκαν παχύτερες αφού οι μηχανικοί απέδειξαν ότι οι παχύτερες αεροτομές βελτίωσαν την άνωση χωρίς να αυξήσουν την οπισθέλκουσα – δεν εμφανίστηκε μέχρι τα τέλη του Α’ Παγκοσμίου Πολέμου. Όπως ισχύει για πολλούς άλλους κλάδους, μια σταθερή θεωρητική κατανόηση ήταν δυνατή μόνο όταν μπορούσαν να γίνουν ελεγχόμενα πειράματα σε μεμονωμένες πτυχές του συστήματος. Η αεροδυναμική ανακαλύφθηκε στο εργαστήριο

Η ίδια συλλογιστική ισχύει και για τη μελέτη της ανθρώπινης νοημοσύνης. Μπορεί να είναι αδύνατο να ανακαλύψουμε τις υπολογιστικές αρχές της νοήμονος σκέψης εξετάζοντας τις περιπλοκές της ανθρώπινης σκέψης, όπως ακριβώς ήταν αδύνατο να ανακαλύψουμε τις αρχές της αεροδυναμικής εξετάζοντας τα φτερά των πτηνών. Η επιτυχία των αδελφών Ράιτ αποδόθηκε σε μεγάλο βαθμό στην αντίληψή τους για την πτήση όσον αφορά την άνωση, τον έλεγχο και την ισχύ. Ομοίως, μια επιστήμη, η νοημοσύνη πρέπει να απομονώνει συγκεκριμένες πτυχές της σκέψης, όπως η μνήμη, η αναζήτηση και η προσαρμογή, και να μας επιτρέπει να πειραματιζόμαστε με αυτές μία κάθε φορά χρησιμοποιώντας τεχνητά συστήματα. Μεταβάλλοντας συστηματικά τις λειτουργικές παραμέτρους της σκέψης, μπορούμε να προσδιορίσουμε τους τρόπους με τους οποίους διάφορα είδη νοητικών διεργασιών μπορούν να αλληλεπιδρούν και να υποστηρίζουν η μία την άλλη για να παράγουν ευφυή συμπεριφορά.

Αρκετοί τομείς της έρευνας για την Τεχνητή Νοημοσύνη έχουν μετασχηματιστεί την τελευταία δεκαετία λόγω της αποδοχής του γεγονότος ότι η πρόοδος πρέπει να είναι μετρήσιμη, ώστε οι διαφορετικές τεχνικές να μπορούν να συγκριθούν αντικειμενικά. Για παράδειγμα, πρέπει να διεξαχθούν εμπειρικές έρευνες μεγάλης κλίμακας για την αξιολόγηση της αποτελεσματικότητας διαφορετικών τεχνικών αναζήτησης ή μεθόδων συλλογισμού. Σε αυτό το είδος έρευνας για την Τεχνητή Νοημοσύνη, οι υπολογιστές παρέχουν τις πρώτες αεροδυναμικές σήραγγες για τη σκέψη.

Μια Επιστήμη της Νοημοσύνης

Η απόρριψη του τεστ Turing μπορεί να φαίνεται σαν μια υποχώρηση από την παλιά μεγάλη φιλοδοξία της δημιουργίας μιας «ανθρωπόμορφης» μηχανικής νοημοσύνης. Ωστόσο, πιστεύουμε ότι ο σωστός στόχος της Τεχνητής Νοημοσύνης είναι πολύ ευρύτερος από την απλή μίμηση της ανθρώπινης συμπεριφοράς. Είναι η δημιουργία μιας υπολογιστικής επιστήμης της ίδιας της νοημοσύνης, είτε ανθρώπινης, ζωικής είτε μηχανικής. Αυτός δεν είναι ένας νέος ισχυρισμός. Έχει διατυπωθεί στο παρελθόν από τους πρωτοπόρους της Τεχνητής Νοημοσύνης Allen Newell και Herbert A. Simon, τον γνωστικό ψυχολόγο Zenon Pylyshyn και τον φιλόσοφο Daniel C. Dennett, μεταξύ άλλων. Αλλά μόνο όταν παρατηρήσαμε την αναλογία με την τεχνητή πτήση, εκτιμήσαμε τον βαθμό στον οποίο το τεστ Turing, με την εστίασή του στη μίμηση της ανθρώπινης απόδοσης, έρχεται σε τόσο άμεση αντίθεση με τους σωστούς στόχους της Τεχνητής Νοημοσύνης. Μερικοί από τους συναδέλφους μας λένε ότι ο απώτερος στόχος τους είναι πράγματι η μίμηση της ανθρώπινης νοημοσύνης. Ακόμα και με αυτόν τον περιορισμένο στόχο, ωστόσο, πιστεύουμε ότι η προοπτική που σκιαγραφείται εδώ παρέχει έναν πιο ελπιδοφόρο τρόπο για την επίτευξη αυτής της φιλοδοξίας από ότι η μέθοδος που σκιαγραφεί ο Turing

Σκεφτείτε ξανά την αναλογία με την πτήση. Όπως ακριβώς οι αρχές της αεροδυναμικής ισχύουν εξίσου για κάθε φτερό, φυσικό ή τεχνητό, η υπολογιστική άποψη της νοημοσύνης – ή, ευρύτερα, της νοοτροπία – ισχύει εξίσου καλά τόσο για τους φυσικούς όσο και για τους τεχνητούς στοχαστές. Αν η γνωστική ψυχολογία και η ψυχογλωσσολογία είναι σαν τη μελέτη της πτήσης των πτηνών σε όλη της την πολυπλοκότητα, τότε η εφαρμοσμένη Τεχνητή Νοημοσύνη είναι σαν την αεροναυπηγική μηχανική. Η επιστήμη των υπολογιστών παρέχει τις αρχές που καθοδηγούν τη μηχανική, και η ίδια η υπολογιστική είναι ο αέρας που στηρίζει τα φτερά της σκέψης.

Η μελέτη της τεχνητής νοημοσύνης, όπως ένα μεγάλο μέρος της επιστήμης των υπολογιστών, είναι ουσιαστικά εμπειρική. Η εκτέλεση ενός προγράμματος συχνά σημαίνει την εκτέλεση ενός πειράματος σε μια μεγάλη, πολύπλοκη συσκευή (εν μέρει κατασκευασμένη από μέταλλο και πυρίτιο και εν μέρει από σύμβολα) για να ανακαλυφθούν οι νόμοι που συνδέουν τη συμπεριφορά της με τη δομή της. Όπως τα τεχνητά φτερά, αυτά τα συστήματα Τεχνητής Νοημοσύνης μπορούν να σχεδιαστούν και να οργανωθούν για να απομονώσουν συγκεκριμένες πτυχές αυτής της σχέσης. Σε αντίθεση με τη μεθοδολογία έρευνας της ψυχολογίας, η οποία χρησιμοποιεί προσεκτική στατιστική ανάλυση για να διακρίνει σχετικές πτυχές της συμπεριφοράς στην περίπλοκη πολυπλοκότητα της φύσης, η λειτουργία των συστημάτων Τεχνητής Νοημοσύνης είναι ανοιχτή σε άμεση επιθεώρηση. Χρησιμοποιώντας υπολογιστές, μπορούμε να ανακαλύψουμε και να πειραματιστούμε άμεσα με αυτό που οι Newell και Simon έχουν ονομάσει «νόμους της ποιοτικής δομής».

Αυτή η εικόνα της Τεχνητής Νοημοσύνης ορίζει τον τομέα με έναν πιο χρήσιμο και ώριμο τρόπο από ό,τι θα μπορούσε να προσφέρει ο Turing. Από αυτή την άποψη, η Τεχνητή Νοημοσύνη είναι η μηχανική γνωστικών αντικειμένων που βασίζονται στην υπολογιστική κατανόηση που διατρέχει και διαμορφώνει τη σύγχρονη γνωστική επιστήμη. Ο Turing ορθώς επέμεινε ότι το τεστ του δεν είχε σκοπό να ορίσει τη νοημοσύνη. Παρ’ όλα αυτά, δίνοντάς μας αυτό το σημείο αναφοράς της επιτυχίας, επέλεξε την ανθρώπινη νοημοσύνη – στην πραγματικότητα, την ικανότητα επιχειρηματολογίας ενός μορφωμένου Άγγλου άνδρα της μεσαίας τάξης που παίζει ένα είδος παιχνιδιού – ως στόχο μας. Αλλά η ίδια η επιστήμη στην οποία μας κατεύθυνε ο Turing παρέχει μια προοπτική από την οποία αναδύεται μια πολύ ευρύτερη και πιο ικανοποιητική ερμηνεία της νοημοσύνης.

Σχολαστική κριτική

Η τεχνητή νοημοσύνη και η τεχνητή πτήση είναι παρόμοιες ακόμη και στις κριτικές που δέχονται. Ο διακεκριμένος Αμερικανός αστρονόμος Simon Newcomb υποστήριξε με πάθος στις αρχές του 1900 την ιδέα της πτήσης βαρύτερης από τον αέρα. Οι επιθέσεις του Newcomb φαίνονται διασκεδαστικές τώρα, αλλά τα επιχειρήματά του ήταν αρκετά εντυπωσιακά και αντανακλούσαν την άποψη της ενημερωμένης διανόησης της εποχής του. Όπως ο Βρετανός μαθηματικός φυσικός Roger Penrose, ο οποίος χρησιμοποιεί το θεώρημα του Gödel για να «αποδείξει» ότι η Τεχνητή Νοημοσύνη είναι αδύνατη, ο Newcomb χρησιμοποίησε μαθηματικά επιχειρήματα. Επεσήμανε ότι καθώς τα πουλιά μεγαλώνουν, η επιφάνεια των φτερών τους αυξάνεται αναλογικά με το τετράγωνο του μεγέθους τους, αλλά το σωματικό τους βάρος αυξάνεται αναλογικά με τον κύβο, επομένως ένα πουλί στο μέγεθος ενός ανθρώπου δεν θα μπορούσε να πετάξει. Εξακολουθούσε να χρησιμοποιεί αυτό το επιχείρημα κατά της πιθανότητας επανδρωμένης πτήσης αρκετά χρόνια μετά την επιτυχία των αδελφών Wright στο Kitty Hawk της Βόρειας Καρολίνας, όταν τα αεροσκάφη πραγματοποιούσαν τακτικά ταξίδια που διαρκούσαν αρκετές ώρες. Είναι, στην πραγματικότητα, ένα αρκετά καλό επιχείρημα – τα βάρη απογείωσης των αεροσκαφών είναι πράγματι περίπου ανάλογα με τον κύβο του ανοίγματος των φτερών τους – αλλά ο Newcomb δεν είχε ιδέα πόσο απότομα αυξάνεται η άνωση από μια αεροτομή αναλογικά με την ταχύτητά της στον αέρα. Σκεφτόταν μια πτέρυγα ως απλώς μια επίπεδη, επίπεδη επιφάνεια.

Ο Newcomb χρησιμοποίησε επίσης έναν συνδυασμό νοητικού πειράματος και ρητορικής για να υποστηρίξει το επιχείρημά του – την ίδια τακτική που χρησιμοποίησε ο φιλόσοφος John R. Searle στο διάσημο επιχείρημά του «Κινέζικο Δωμάτιο» εναντίον της Τεχνητής Νοημοσύνης. Ο Newcomb δήλωσε περιφρονητικά: «Φανταστείτε τον περήφανο κάτοχο του αεροπλάνου να πετάει στον αέρα με ταχύτητα αρκετών εκατοντάδων ποδιών ανά δευτερόλεπτο! Μόνο η ταχύτητα τον συντηρεί. Πώς θα σταματήσει ποτέ;» Τα επιχειρήματα του Newcomb, με τον υπέροχο συνδυασμό ενέργειας, πάθους, πειστικότητας και απόλυτης λανθασμένης σκέψης, είναι τόσο παρόμοια με τα σύγχρονα επιχειρήματα κατά της τεχνητής νοημοσύνης που εδώ και αρκετά χρόνια προσφέρουμε το ετήσιο βραβείο Simon Newcomb για το πιο ανόητο νέο επιχείρημα που επιτίθεται στην Τεχνητή Νοημοσύνη. Καλωσορίζουμε υποψηφιότητες.

Μια συνηθισμένη απάντηση στην αναλογία μας μεταξύ τεχνητής νοημοσύνης και τεχνητής πτήσης είναι να ρωτήσουμε ποιο θα είναι το Kitty Hawk της Τεχνητής Νοημοσύνης και πότε θα συμβεί. Η απάντησή μας ακολουθεί αυτήν του Herbert Simon: έχει ήδη συμβεί. Οι υπολογιστές εκτελούν τακτικά-σχηματίζουν ευφυείς εργασίες και το κάνουν εδώ και πολλά χρόνια. Η τεχνητή νοημοσύνη πετάει γύρω μας, αλλά πολλές απλώς αρνούνται να τη δουν. Ανάμεσα στις χιλιάδες εφαρμογές που χρησιμοποιούνται σήμερα, ακολουθούν μερικά μόνο παραδείγματα: Τα συστήματα Τεχνητής Νοημοσύνης παίζουν πλέον σκάκι, ντάμα, μπριτζ και τάβλι σε επίπεδα παγκόσμιας κλάσης, συνθέτουν μουσική, αποδεικνύουν μαθηματικά θεωρήματα, εξερευνούν ενεργά ηφαίστεια, συνθέτουν τιμές δικαιωμάτων προαίρεσης μετοχών και παραγώγων στη Wall Street, λαμβάνουν αποφάσεις σχετικά με αιτήσεις πίστωσης, διαγιγνώσκουν αντλίες κινητήρα, παρακολουθούν γαλακτώματα σε χαλυβουργείο, μεταφράζουν τεχνικά εγχειρίδια σέρβις και λειτουργούν ως βοηθοί ανάγνωσης για παιδιά δημοτικού σχολείου. Στο εγγύς μέλλον, οι εφαρμογές Τεχνητής Νοημοσύνης θα καθοδηγούν αποστολές στο βαθύ διάστημα, θα εξερευνούν άλλους πλανήτες και θα οδηγούν φορτηγά σε αυτοκινητόδρομους.

Αλλά θα πρέπει όλα αυτά να θεωρούνται πραγματικά «ευφυή»; Η απόδοση των συστημάτων Τεχνητής Νοημοσύνης, όπως η ταχύτητα ή το υψόμετρο των αεροσκαφών, δεν αμφισβητείται, αλλά το αν κάποιος επιλέγει να τα ονομάσει «ευφυή» καθορίζεται περισσότερο από την κοινωνική στάση παρά από οποιονδήποτε αντικειμενικό σκοπό Όταν κάποια συγκεκριμένη ικανότητα μηχανοποιείται, συχνά δεν θεωρείται πλέον χαρακτηριστικό γνώρισμα νοητικής ικανότητας. Είναι εύκολο πλέον να ξεχνάμε ότι όταν ο Turing έγραφε, ένας «υπολογιστής» ήταν ένας άνθρωπος που ασχολούνταν με την αριθμητική για να ζήσει, και ήταν προφανές σε όλους ότι η πληροφορική απαιτούσε νοημοσύνη. Η σημασία της λέξης έχει πλέον αλλάξει και σημαίνει μηχανή, και η εκτέλεση γρήγορης, ακριβούς αριθμητικής δεν θεωρείται πλέον χαρακτηριστικό γνώρισμα νοητικής ικανότητας, όπως ακριβώς η σημασία του «πτήσης» έχει αλλάξει για να καλύψει την περίπτωση, κάποτε αδιανόητη, του να κοιμάσαι ήσυχα σε ένα κάθισμα αεροπλάνου ενώ ταξιδεύεις με εκατοντάδες μίλια την ώρα πολύ πάνω από τα σύννεφα. Ο Newcomb -ο οποίος ήταν διάσημος ως ένας από τους καλύτερους υπολογιστές της εποχής του- απεβίωσε αρνούμενος να παραδεχτεί ότι αυτό που έκαναν τα πρώτα αεροσκάφη θα έπρεπε να ονομάζεται «πτήση».

Ο Turing πρότεινε το τεστ του ως έναν τρόπο να αποφύγει άσκοπες διαμάχες σχετικά με το αν μια συγκεκριμένη εργασία θεωρούνταν πραγματικά έξυπνη. Με σημαντική πρόγνωση, προέβλεψε ότι πολλοί άνθρωποι δεν θα δεχόντουσαν ποτέ ότι η δράση μιας μηχανής θα μπορούσε ποτέ να χαρακτηριστεί ως «έξυπνος», όπως οι περισσότεροι άνθρωποι από τις ετικέτες. Αλλά όπως ακριβώς δεν υπήρχε αμφιβολία ότι οι πρώτοι που πέταξαν κινούνταν στον αέρα σε ορισμένα υψόμετρα και ταχύτητες, δεν υπάρχει αμφιβολία ότι οι ηλεκτρονικοί υπολογιστές κάνουν αριθμητικές πράξεις, κάνουν σχέδια, παράγουν εξηγήσεις και παίζουν σκάκι. Οι ετικέτες είναι λιγότερο σημαντικές από την πραγματικότητα.

Η αυθαιρεσία των κοινωνικών ετικετών μπορεί να καταδειχθεί με ένα νοητικό πείραμα στο οποίο η μηχανή αντικαθίσταται από κάτι μυστηριώδες αλλά φυσικό. Ενώ ένας σκύλος δεν θα περάσει ποτέ το τεστ Turing, κανείς εκτός από έναν φιλόσοφο δεν θα υποστήριζε ότι ένας σκύλος δεν επιδεικνύει κάποιο βαθμό νοημοσύνης – σίγουρα κανείς που έχει σκύλο δεν θα έκανε ένα τέτοιο επιχείρημα. Συχνά υποστηρίζεται ότι ο Deep Blue, ο υπολογιστής που νίκησε τον πρωταθλητή σκακιού Garry Kasparov, δεν είναι πραγματικά έξυπνος, αλλά φανταστείτε έναν σκύλο που έπαιζε σκάκι. Ένας σκύλος που έπαιζε σκάκι και μπορούσε να νικήσει τον  σίγουρα θα ανακηρύσσονταν εξαιρετικά έξυπνος σκύλος

Η ιδέα ότι η φυσική νοημοσύνη είναι μια σύνθετη μορφή υπολογισμού μπορεί προς το παρόν να είναι μόνο μια υπόθεση. Δεν βλέπουμε, ωστόσο, κανένα σαφή λόγο για τον οποίο οποιοδήποτε νοητικό φαινόμενο δεν μπορεί να εξηγηθεί με αυτόν τον τρόπο. Κάποιοι έχουν υποστηρίξει ότι η υπολογιστική άποψη δεν μπορεί να εξηγήσει τη φαινομενολογία της συνείδησης. Αν κάποιος εξετάσει τις τρέχουσες θεωρίες για τη φύση της συνείδησης, ωστόσο, μας φαίνεται ότι μια υπολογιστική άποψη προσφέρει την πιο πολλά υποσχόμενη. Εναλλακτικές απόψεις θεωρούν τη συνείδηση ​​ως κάποια μυστηριώδη φυσική ιδιότητα, ίσως που προκύπτει από κβαντικά φαινόμενα που επηρεάζονται από τη βαρύτητα του εγκεφάλου ή ακόμα και κάτι τόσο αινιγματικό που να είναι για πάντα πέρα ​​από την εμβέλεια της επιστήμης. Καμία από αυτές τις απόψεις δεν φαίνεται πιθανό να εξηγήσει πώς μια φυσική οντότητα, όπως ένας εγκέφαλος σε ένα σώμα, μπορεί να αποκτήσει επίγνωση του κόσμου και του εαυτού του. Αλλά η άποψη της Τεχνητής Νοημοσύνης για την ψυχική ζωή ως προϊόν υπολογισμού παρέχει μια λεπτομερή εξήγηση του πώς τα εσωτερικά σύμβολα μπορούν να έχουν νόημα για τη μηχανή και πώς αυτή η σημασία μπορεί να επηρεάσει και να επηρεαστεί από τις αιτιώδεις σχέσεις μεταξύ της μηχανής και του περιβάλλοντός της.

Ο επιστημονικός στόχος της Τεχνητής Νοημοσύνης είναι να παράσχει μια υπολογιστική εξήγηση της νοημοσύνης ή, γενικότερα, της ίδιας της νοητικής ικανότητας – όχι απλώς μια εξήγηση της ανθρώπινης νοοτροπίας. Αυτή η ίδια η κατανόηση, εάν είναι επιτυχής, πρέπει να αρνηθεί τη μοναδικότητα της ανθρώπινης σκέψης και, ως εκ τούτου, να μας επιτρέψει να την επεκτείνουμε και να την ενισχύσουμε. Ο απώτερος στόχος του Turing, τον οποίο μπορούμε να μοιραστούμε με χαρά, δεν ήταν να περιγράψει τη διαφορά μεταξύ των σκεπτόμενων ανθρώπων και των μη σκεπτόμενων μηχανών, αλλά να την εξαλείψει. Αυτό δεν έχει ως στόχο να υποτιμήσει ή να μειώσει την ανθρωπότητα και ακόμη λιγότερο να την απειλήσει. Αν μη τι άλλο, η κατανόηση των περιπλοκών της ροής του αέρα αυξάνει τον σεβασμό μας για το πόσο εξαιρετικά καλά πετούν τα πουλιά. Ίσως φαίνεται λιγότερο μαγικό, αλλά η πολυπλοκότητα και η λεπτότητά του είναι εντυπωσιακές. Υποψιαζόμαστε ότι το ίδιο θα ισχύει και για την ανθρώπινη νοημοσύνη. Αν οι εγκέφαλοί μας είναι πράγματι βιολογικοί υπολογιστές, τι αξιοσημείωτοι υπολογιστές είναι.