Όταν η Μηχανή νίκησε(;) τον Άνθρωπο...
Υπάρχει μια θεμελιώδης διαφορά ανάμεσα στον τρόπο που οι υπολογιστές μαθαίνουν και τον τρόπου που οι άνθρωποι μαθαίνουν. Τα ανθρώπινα όντα μπορούν να δουν ένα παράδειγμα και να μάθουν πώς θα μπορούσε αυτό το αντικείμενο ή παράδειγμα να χρησιμοποιηθεί και πολύ γρήγορα να αρχίσουν να αναγνωρίζουν παρόμοια αντικείμενα.
Αντίθετα, ένας υπολογιστής μπορεί μόνο να φτάσει στα ίδια συμπεράσματα έχοντας «ταϊστεί» με χιλιάδες παραδείγματα: αυτό συνήθως αναφέρεται ως γλώσσα μηχανής.
Ωστόσο, τα πράγματα μπορεί να αλλάξουν και ως προς αυτό.
Επιστήμονες στο Πανεπιστήμιο της Νέας Υόρκης ανακάλυψαν έναν τρόπο, όχι μόνον για να μιμούνται οι υπολογιστές αυτά τα πνευματικά άλματα, αλλά ταυτόχρονα να αναπαράγουν απλά σύμβολα και ζωγραφιές με τέτοιο τρόπο, ώστε να είναι σχεδόν δυσδιάκριτα σε σχέση με αυτά που δημιουργούνται από ανθρώπους.
Σε μια έρευνα που δημοσιεύθηκε πρόσφατα στο επιστημονικό περιοδικό Science, οι ερευνητές περιγράφουν πώς κατασκεύασαν έναν ειδικό αλγόριθμο, τον BPL (Bayesian Program Learning), ο οποίος μετατρέπει ιδέες και σχέδια σε απλά προγράμματα υπολογιστών και επιτρέπει στις μηχανές να μαθαίνουν μια μεγάλη κατηγορία οπτικοποιημένων εννοιών από ένα απλό παράδειγμα.
Στο ψηφιακό αλφάβητο το γράμμα «Α» θα αναπαρίστατο με κώδικα του δυαδικού συστήματος. Ωστόσο, αντί ο προγραμματιστής να γράψει τον κώδικα αυτό, ο υπολογιστής δημιουργεί τον κώδικα, ώστε να αναπαριστά το γράμμα και εν συνεχεία δημιουργεί παραλλαγές του, οι οποίες βασίζονται σε αυτό το πρώτο γράμμα.
Οι ερευνητές ξέρουν ότι το μοντέλο χρησιμοποιεί γνώση από προγενέστερες συλλήψεις ιδεών, ώστε να μάθει. Για παράδειγμα, εάν ο υπολογιστής ξέρει το λατινικό αλφάβητο, αυτό μπορεί να τον βοηθήσει στο να μάθει το παρόμοιο ελληνικό αλφάβητο.
«Εάν ρωτήσει μια χούφτα κόσμου να ζωγραφίσουν έναν πρωτότυπο χαρακτήρα, υπάρχει μια αξιοσημείωτη συνέπεια ως προς τον τρόπο που οι άνθρωποι σχεδιάζουν... Δεν βλέπουν τους χαρακτήρες ως απλά στατικά οπτικά αντικείμενα. Αντίθετα, οι άνθρωποι βλέπουν μια πλουσιότερη δομή, η οποία περιγράφει πώς μπορούν με πιο αποτελεσματικό τρόπο να παράγουν νέα παραδείγματα μιας ιδέας ή μιας έννοιας», σημειώνει ο Μπρένταν Λέικ, ερευνητής του Πανεπιστημίου της Νέας Υόρκης.
Και προσθέτει: «Στόχος μας ήταν να αναπτύξουμε έναν αλγόριθμο με τις ίδιες δυνατότητες κι έπειτα να τον συγκρίνουμε με την ανθρώπινη δραστηριότητα».
Κατά τη διάρκεια μιας παρουσίασης της εργασίας τους, οι επιστήμονες είπαν πως όχι μόνον κατασκεύασαν ένα πρόγραμμα εκμάθησης για τις μηχανές, αλλά και πως «ό,τι το πρόγραμμα μαθαίνει – οι ιδέες και έννοιες – είναι επίσης προγράμματα».
«Νομίζουμε πως αυτό ισχύει και για τους ανθρώπους επίσης: οι συλλήψεις των ιδεών είναι προγράμματα ή μέρη προγραμμάτων», λέει ο Τζόσουα Τένενμπαουμ, ερευνητής του Τμήματος Εγκεφαλικών και Γνωσιακών Επιστημών στο πανεπιστήμιο MIT.
Το πλέον απίστευτο είναι πως όταν ζητήθηκε από τον υπολογιστή να δημιουργήσει νέα παραδείγματα βασισμένα στην πρωτότυπη σύλληψη της ιδέας, και αυτές οι εικόνες συγκρίθηκαν με παραδείγματα που είχαν δημιουργηθεί από ανθρώπους, οι ίδιοι οι άνθρωποι δεν ήταν σε θέση να ξεχωρίσουν εάν το παράδειγμα ήταν δημιούργημα ανθρώπου ή μηχανής.
Με άλλα λόγια, το υπολογιστικό μοντέλο πέρασε μια ακατέργαστη μορφή του Τεστ Τιούρινγκ. Ο θρυλικός μαθηματικός του 20ου αιώνα Άλαν Τιούρινγκ (έσπασε τον Κώδικα Enigma των Ναζί) είχε προβλέψει ότι τον 21ο αιώνα ένας υπολογιστής θα είχε 70% πιθανότητες να κοροϊδέψει έναν άνθρωπο ως προς τον τρόπο που επικοινωνεί με έναν άλλο άνθρωπο.
Σε κάθε περίπτωση, ακόμη κι αν κάποιος πιστέψει πως η μελέτη αυτή αποτελεί ένα σημαντικό βήμα στον τομέα της Τεχνητής Νοημοσύνης, η εφαρμογή της στην πράξη απέχει χρόνια ακόμη και δεκαετίες. Ακόμη και με τα δεδομένα των επιστημόνων, το πρόγραμμα δεν μπορεί να δει με τον ίδιο βαθμό δομικής λεπτομέρειας, όπως κάνει ο ανθρώπινος εγκέφαλος.
Το γεγονός αυτό και μόνον αποδεικνύει πως ο εγκέφαλος αποτελεί μέχρι και σήμερα ένα από τα μεγαλύτερα μυστήρια της ανθρώπινης φύσης.
Πηγή: Mashable
.jpg)
