Η νέα τεχνολογία της τεχνητής νοημοσύνης είναι κυρίαρχη σε πολλούς τομείς της ζωή μας. Από τη λειτουργία εξειδικευμένων καμερών, την πολύπλοκη χρήση τους σε δορυφόρους και εξαρτήματα της NASA μέχρι την εφαρμογή τους στην ιατρική, η τεχνητή νοημοσύνη με τα νευρωνικά της δίκτυα έχουν εξελίξει και βοηθήσει την καθημερινότητα μας. Πολλοί από τους πρωτοπόρους που άρχισαν να αναπτύσσουν τεχνητά νευρωνικά δίκτυα δεν ήταν σίγουροι για το πώς λειτουργούν και ποιες είναι οι δυνατότητές τους. Στην πραγματικότητα όμως, ακόμα και σήμερα υπάρχουν πολλά θέματα που δε γνωρίζουμε και δεν μπορούμε να εξηγήσουμε με βεβαιότητα.
Το 1956, κατά τη διάρκεια ενός ταξιδιού στο Λονδίνο, ο μαθηματικός Jack D Cowan επισκέφθηκε τον Wilfred Taylor και την παράξενη νέα του «μηχανή μάθησης». Κατά την άφιξή του, αντιμετώπισε μία «τεράστια μάζα συσκευών» και χωρίς να είναι εύκολο να καταλάβει τι συμβαίνει απλά στάθηκε να την παρακολουθεί να κάνει τη δουλειά για την οποία είχε προγραμματιστεί. Να εκτελεί ένα «σύστημα συσχετικής μνήμης» βρίσκοντας νέες διασυνδέσεις και ανακτώντας δεδομένα. Μπορεί να φαινόταν σαν ένα σπασμένο σύστημα κυκλωμάτων, συγκολλημένα μαζί με το χέρι σε μια μάζα καλωδίων και κουτιών, αλλά αυτό που ο Cowan παρακολουθούσε ήταν μια πρώιμη αναλογική μορφή ενός νευρωνικού δικτύου – έναν πρόδρομο της πιο προηγμένης τεχνητής νοημοσύνης που έχουμε σήμερα, συμπεριλαμβανομένου του πολυσυζητημένου ChatGPT.
Καθώς ο Cowan και ο Taylor στέκονταν και παρακολουθούσαν τη μηχανή, δεν είχαν ιδέα πώς ακριβώς καταφέρνει να εκτελέσει αυτό το έργο. Η απάντηση μπορεί να βρεθεί κάπου στους «αναλογικούς νευρώνες» του μυστηριώδους μηχανικού εγκέφαλου του Τέιλορ, στις συσχετίσεις που δημιουργεί η μηχανική του μνήμη και, το πιο σημαντικό, στο γεγονός ότι η αυτοματοποιημένη λειτουργία του δεν μπορούσε πραγματικά να εξηγηθεί πλήρως.
«Προσπαθούσα να τον κάνω να μου εξηγήσει πώς λειτουργούσε αυτό το περίπλοκο σύστημα. Αποτελείτο από αναλογικά κυκλώματα, που του πήρε χρόνια να κατασκευάσει. Δεν ήταν όμως εφικτό. Δεν καταλάβαινε στην πραγματικότητα τι συνέβαινε. Θεωρώ ότι ακόμα και τώρα, που έχουν δημοσιευθεί τόσα άρθα, δεν είναι εύκολο να καταλάβεις πώς ακριβώς αυτά τα συστήματα δουλεύουν.»
Θα χρειαστούν δεκαετίες να βρεθεί ο τρόπος με τον οποίο λειτουργούν τα δίκτυα της τεχνητής νοημοσύνης και να ξεκλειδωθεί η ακριβής πορεία που κάνουν μέσα από την περίπλοκη δομή τους. Είναι τέτοια η πολυπλοκότητά τους, που ακόμα και οι άνθρωποι που τα χτίζουν και τα λειτουργούν δεν μπορούν στο τέλος της ημέρας να καταλάβουν τη σειρά των διασυνδέσεων που ακολουθείται.
Στη δεκαετία του 70, ο Αμερικανός ψυχολόγος David Everett Rumelhart -που συνέβαλε στην επίσημη ανάλυση της ανθρώπινης γνώσης, δουλεύοντας κυρίως στα πλαίσια της μαθηματικής ψυχολογίας, της συμβολικής τεχνητής νοημοσύνης και της παράλληλης κατανεμημένης επεξεργασίας- είχε υπογραμμίσει: «Δουλεύαμε ώρες ατελείωτες φτιάχνοντας τον υπολογιστή. Καθίσαμε και χτίζαμε κάθε κομμάτι του συστήματος, και φτιάξαμε υπλογιστικά μοντέλα και απλά δεν τα καταλαβαίναμε. Δεν καταλαβαίναμε γιατί δούλευαν ή δεν δούλευαν ή τι ήταν σημαντικό σε αυτά.»
Ας πάρουμε όμως τα πράγματα με τη σειρά.
Το νευρωνικό δίκτυο είναι ένα δίκτυο από απλούς υπολογιστικούς κόμβους (νευρώνες), διασυνδεδεμένους μεταξύ τους. Ο όρος νευρωνικό δίκτυο ενσωματώνει ένα ευρύ φάσμα συστημάτων, αλλά κεντρικά -σύμφωνα με την IBM– αυτά τα «νευρωνικά δίκτυα – επίσης γνωστά ως τεχνητά νευρωνικά δίκτυα (ANNs) ή νευρωνικά δίκτυα προσομοίωσης (SNNs) – είναι ένα υποσύνολο της μηχανικής μάθησης και βρίσκονται στον πυρήνα των αλγορίθμων βαθιάς εκμάθησης». Ο όρος, η μορφή και η δομή τους «εμπνέονται από τον ανθρώπινο εγκέφαλο, μιμούνται τον τρόπο που οι βιολογικοί νευρώνες σηματοδοτούν ο ένας τον άλλον». Είναι εμπνευσμένα δηλαδή από το Κεντρικό Νευρικό Σύστημα το οποίο και προσπαθούν να προσομοιώσουν.
Η Μηχανική μάθηση (Machine Learning) στους υπολογιστές διερευνά τη μελέτη και την κατασκευή αλγορίθμων που μπορούν να μαθαίνουν από τα δεδομένα και να κάνουν προβλέψεις σχετικά με αυτά. Η Μηχανική Μάθηση εφαρμόζεται σε μια σειρά από υπολογιστικές εργασίες, όπου τόσο ο σχεδιασμός όσο και ο ρητός προγραμματισμός των αλγορίθμων είναι ανέφικτος. Κάθε νευρώνας σε ένα τεχνητό νευρωνικό δίκτυο αθροίζει τις πολλαπλές εισόδους του και εφαρμόζει μια συνάρτηση για τον προσδιορισμό της εξόδου του. Αυτή η αρχιτεκτονική είναι εμπνευσμένη από αυτό που συμβαίνει στον εγκέφαλο μας, όπου οι νευρώνες μεταδίδουν σήματα μεταξύ τους μέσω συνάψεων.
Εφαρμογές νευρωνικών δικτύων της τεχνητής νοημοσύνης
Τα νευρωνικά δίκτυα ωστόσο, δεν είναι αποκλειστικά για εντυπωσιακά, ακριβά και εξεζητημένα νέα gadgets. Μπορεί να υπήρξε κάποια αμφιβολία σχετικά με την αξία τους στα αρχικά στάδια, αλλά καθώς τα χρόνια έχουν περάσει, η μόδα της τεχνητής νοημοσύνης έχει κυλήσει σταθερά προς τα νευρωνικά δίκτυα. Τώρα πια θεωρούνται ότι είναι το μέλλον της Τεχνητής νοημοσύνης.
Πρόκειται για μία τεχνολογία που έχει εδραιωθεί και είναι παρούσα στην καθημερινότητά μας. Η πρόσφατη ανακοίνωση της Microsoft ότι οι αναζητήσεις του Bing θα τροφοδοτούνται από την τεχνητή νοημοσύνη, καθιστώντας το «συνοδηγό για το διαδίκτυο», δείχνει πώς τα πράγματα που ανακαλύπτουμε και πώς τα κατανοούμε θα είναι όλο και περισσότερο προϊόν αυτού του είδους του αυτοματισμού.
Χρησιμοποιώντας τεράστια δεδομένα για να βρει μοτίβα, η τεχνητή νοημοσύνη μπορεί επίσης να εκπαιδευτεί για να κάνει πράγματα όπως η αναγνώριση εικόνας με ταχύτητα – με αποτέλεσμα να ενσωματωθούν σε κάθε εφαρμογή αναγνώρισης προσώπου. Αυτή η ικανότητα εντοπισμού μοτίβων έχει οδηγήσει σε πολλές άλλες εφαρμογές, όπως η πρόβλεψη των χρηματιστηριακών αγορών.
Τα νευρωνικά δίκτυα αλλάζουν επίσης τον τρόπο με τον οποίο ερμηνεύουμε και επικοινωνούμε. Οι εφαρμογές της Google Brain Team, το Google Translate είναι μια άλλη εξέχουσα εφαρμογή ενός νευρωνικού δικτύου. Μία παρτίδα σκάκι, ή ενός παιχνιδιού στρατηγικής όπως το Go, με ένα σύστημα τεχνητής νοημοσύνης είναι αρκετά απαιτητική. Η κατανόηση των κανόνων και η ανάκληση των στρατηγικών και όλων των καταγεγραμμένων κινήσεων σημαίνει ότι τα νευρωνικά δίκτυα είναι εξαιρετικά καλά στα παιχνίδια (αν και το ChatGPT φαίνεται να δυσκολεύεται με το παιχνίδι λέξεων Wordle).
Αλλά η εμβέλειά τους υπερβαίνει κατά πολύ αυτές τις περιπτώσεις και συνεχίζει να επεκτείνεται. Μια απλή αναζήτηση των διπλωμάτων ευρεσιτεχνίας που περιέχουν την ακριβή φράση “νευρωνικά δίκτυα” παρήγαγε 135.828 αποτελέσματα. Με αυτήν την ταχεία και συνεχή επέκταση, γίνεται ολοένα και πιο δύσκολο να εξηγήσουμε πλήρως την επιρροή της τεχνητής νοημοσύνης στην καθημερινότητά μας καθώς οι εφαρμογές της είναι αναρίθμητες και η έρευνα για περαιτέρω εξέλιξή της είναι ανεξάντλητη.
Η μυστήρια πλευρά της τεχνητής νοημοσύνης
Κοιτάζοντας πίσω στην ιστορία των νευρωνικών δικτύων, ανακαλύπτουμε κάτι σημαντικό για τις αυτοματοποιημένες αποφάσεις που καθορίζουν το παρόν μας ή εκείνες που θα έχουν πιθανώς πιο βαθύ αντίκτυπο στο μέλλον. Η πορεία τους και η ταχύτατη ανάπτυξή τους, δείχνει ότι με την πάροδο του χρόνου είναι ολοένα και πιο δύσκολο να κατανοήσουμε τις αποφάσεις και τις επιπτώσεις της τεχνητής νοημοσύνης στη ζωή μας.
Αυτά τα συστήματα δεν είναι απλά μαύρα κουτιά, δεν είναι απλώς κρυμμένα κομμάτια ενός συστήματος που δεν μπορούν να φανούν ή να κατανοηθούν. Είναι κάτι διαφορετικό, κάτι που έχει τις ρίζες του στους στόχους και τον σχεδιασμό αυτών των συστημάτων. Υπάρχει μια μακροχρόνια επιδίωξη του ανεξήγητου. Όσο πιο αδιαφανές, τόσο πιο αυθεντικό και προηγμένο θεωρείται το σύστημα. Δεν πρόκειται μόνο για τα συστήματα που γίνονται πιο πολύπλοκα. Το μυστήριο κωδικοποιείται ακόμη και στην ίδια τη μορφή και τον λόγο του νευρωνικού δικτύου. Πρόκειται για μία διαδικασία στην οποία αρκετά «επίπεδα» απλών μονάδων επεξεργασίας συνδέονται σε ένα δίκτυο, το ένα πίσω από το άλλο, με αποτέλεσμα η είσοδος στο σύστημα να διέρχεται διαδοχικά μέσα από κάθε ένα από αυτά. Αποτελεί λοιπόν ένα σύστημα από βαθιά συσσωρευμένα στρώματα – εξ ου και η φράση βαθιά μάθηση (Deep Learning) – και μέσα σε αυτά τα βάθη βρίσκονται τα ακόμη πιο μυστηριώδη «κρυμμένα στρώματα» που βρίσκονται μεταξύ της εισόδου και της εξόδου (του τελευταίου στρώματος). Τα μυστήρια αυτών των συστημάτων βρίσκονται βαθιά κάτω από την επιφάνεια, και παρόλο που όλη αυτή η διαστρωμάτωση είναι αποτέλεσμα ανθρώπινου προγραμματισμού, ακόμα και οι ίδιοι οι δημιουργοί, όταν τα στρώματα είναι πολλά, δυσκολεύονται να εξηγήσουν τη λογική τους.
Είναι ολοένα και πιο φανερό ότι όσο μεγαλύτερη είναι η επίδραση της τεχνητής νοημοσύνης στη ζωή μας τόσο λιγότερο θα καταλάβουμε τα πώς και τα γιατί. Η επιρροή τους στην καθημερινότητά μας είναι τεράστια και υπάρχει μεγάλη συζήτηση σχετικά με τους κινδύνους που ενέχουν για την ανθρωπότητα.
Σήμερα υπάρχει μια ισχυρή ώθηση για μία τεχνητή νοημοσύνη που είναι εξηγήσιμη. Θέλουμε να ξέρουμε πώς λειτουργεί και πώς καταλήγει σε αποφάσεις και αποτελέσματα. Η Ευρωπαϊκή Ένωση ανησυχεί τόσο πολύ για τους δυνητικά «απαράδεκτους κινδύνους» και ακόμη και «επικίνδυνες» εφαρμογές που αυτή τη στιγμή προωθεί έναν νέο νόμο για την τεχνητή νοημοσύνη που αποσκοπεί να θέσει ένα παγκόσμιο πρότυπο για την «ανάπτυξη ασφαλούς, αξιόπιστης και ηθικής τεχνητής νοημοσύνης».
Αυτοί οι νέοι νόμοι θα βασίζονται στην ανάγκη επεξήγησης, απαιτώντας ότι «για συστήματα τεχνητής νοημοσύνης υψηλού κινδύνου, οι απαιτήσεις υψηλής ποιότητας δεδομένων, τεκμηρίωσης και ιχνηλασιμότητας, διαφάνειας, ανθρώπινης επίβλεψης, ακρίβειας και ευρωστίας, είναι απολύτως απαραίτητες για τον μετριασμό των κινδύνων στα θεμελιώδη δικαιώματα και την ασφάλεια που θέτει η τεχνητή νοημοσύνη». Αυτό δεν αφορά μόνο πράγματα όπως τα αυτόνομα χωρίς οδηγό αυτοκίνητα (αν και τα συστήματα που αφορούν στην ασφάλεια εμπίπτουν στην κατηγορία της τεχνητής νοημοσύνης υψηλού κινδύνου της ΕΕ), είναι επίσης ανησυχητικό ότι θα εμφανιστούν στο μέλλον συστήματα που θα μπορούσαν να έχουν επιπτώσεις στην εφαρμογή και διεκδίκηση των ανθρωπίνων δικαιωμάτων.
Αυτό αποτελεί μέρος ευρύτερων εκκλήσεων για διαφάνεια στην τεχνητή νοημοσύνη, ώστε οι δραστηριότητές της να μπορούν να ελεγχθούν, να ρυθμιστούν και να αξιολογηθούν. Κάτι απαιτεί μία επεξήγηση του τρόπου λειτουργίας των πολύπλοκων αυτών συστημάτων ώστε να μπορούν να ενσωματωθούν στη λειτουργία τους ηθικές αρχές και πρωτόκολλα ασφαλείας. Αλλά η ιστορία των νευρωνικών δικτύων μας λέει ότι είναι πιθανό να απομακρυνθούμε περισσότερο από αυτόν τον στόχο στο μέλλον, αντί να τον πλησιάσουμε.
Εμπνευσμένο από τον ανθρώπινο εγκέφαλο
Τα νευρωνικά δίκτυα μπορεί να είναι πολύπλοκα συστήματα, αλλά έχουν κάποιες βασικές αρχές. Εμπνευσμένα από τον ανθρώπινο εγκέφαλο, επιδιώκουν να αντιγράψουν ή να προσομοιώσουν μορφές βιολογικής και ανθρώπινης σκέψης. Από την άποψη της δομής και του σχεδιασμού, όπως εξηγεί επίσης η IBM, αποτελούνται από «στρώματα κόμβων, που περιέχουν ένα στρώμα εισόδου, ένα ή περισσότερα κρυμμένα στρώματα και ένα στρώμα εξόδου». Μέσα σε αυτό, «κάθε κόμβος, ή τεχνητός νευρώνας, συνδέεται με έναν άλλο». Επειδή χρειάζονται εισροές και πληροφορίες για να δημιουργήσουν εξόδους, «εξαρτώνται από τα δεδομένα εκπαίδευσης για να μάθουν και να βελτιώσουν την ακρίβειά τους με την πάροδο του χρόνου». Ο ανθρώπινος εγκέφαλος λειτούργησε λοιπόν ως ένα είδος πρότυπου για αυτά τα συστήματα. Έτσι, αυτά τα πειραματικά νέα συστήματα μοντελοποιήθηκαν με βάση ενός συστήματος του οποίου η ίδια η λειτουργία ήταν σε μεγάλο βαθμό άγνωστη. Οι δυνατότητες του ανθρώπινου εγκεφάλου είναι τεράστιες. Μέχρι τώρα όμως δεν έχει αποκωδικοποιηθεί λεπτομερώς κάθε του λειτουργία και μας είναι άγνωστο του μέχρι που μπορεί να φτάσει. Ο εγκέφαλος συχνά παρομοιάζεται με ένα παγόβουνο. Το κομμάτι που είναι ορατό πάνω από την επιφάνεια της θάλασσας αποτελεί το ένα δέκατο της μάζας του. Επομένως, περίπου το 90% του παγόβουνου βρίσκεται κρυμμένο κάτω από το νερό. Κάπως έτσι είναι και το ανθρώπινο μυαλό. Χωρίζεται σε συνειδητό και ασυνείδητο, και μόλις το 15% μας είναι γνώριμο, αφορά τις συνειδητές δηλαδή λειτουργίες. Κάπως έτσι λοιπόν είναι και τα νευρωνικά δίκτυα. Είναι γνώριμα κάποια κομμάτια τους, αλλά ο τρόπος που συνδυάζονται όλα τα στρώματα για να καταλήξουν σε κάθε αποτέλεσμα δεν είναι ξεκάθαρος ούτε στους δημιουργούς τους.
Σε μια λεπτομερή αναφορά στην εφημερίδα Financial Times το 2018, ο δημοσιογράφος Richard Waters σημείωσε πώς τα νευρωνικά δίκτυα «διαμορφώνονται με βάση μια θεωρία για το πώς λειτουργεί ο ανθρώπινος εγκέφαλος, μεταφέροντας δεδομένα μέσω στρωμάτων τεχνητών νευρώνων μέχρι να προκύψει ένα αναγνωρίσιμο μοτίβο». Αυτό δημιουργεί ένα πρόβλημα, πρότεινε ο Waters, καθώς «σε αντίθεση με τα λογικά κυκλώματα που χρησιμοποιούνται σε ένα παραδοσιακό πρόγραμμα λογισμικού, δεν υπάρχει τρόπος να παρακολουθείται αυτή η διαδικασία για να προσδιοριστεί ακριβώς γιατί ένας υπολογιστής έρχεται με μια συγκεκριμένη απάντηση». Η εφαρμογή του μοντέλου του εγκεφάλου, λαμβάνοντας τα δεδομένα μέσα από πολλά στρώματα, σημαίνει ότι η απάντηση δεν μπορεί εύκολα να ανιχνευθεί.
Ο κοινωνικός αντίκτυπος της τεχνητής νοημοσύνης και των νευρωνικών δικτύων
Η τεχνητή νοημοσύνη βασίζεται σε τεράστια σύνολα δεδομένων για να βοηθήσει αυτά τα συστήματα να μάθουν. Αλλά πολλά από αυτά τα σύνολα δεδομένων είναι γεμάτα με πολλές ανθρώπινες προκαταλήψεις. Μια έκθεση του 2019 που δημοσιεύθηκε από την UNESCO προειδοποίησε ότι μεταξύ των πιο εξεχόντων αυτών προκαταλήψεων είναι εκείνες που περιλαμβάνουν «επιβλαβή στερεότυπα φύλου που κινδυνεύουν να στιγματίσουν περαιτέρω και να περιθωριοποιήσουν τις γυναίκες σε παγκόσμια κλίμακα». Οι προκαταλήψεις μπορούν επίσης να εισέλθουν στο στάδιο του σχεδιασμού αλγορίθμων – σύμφωνα με το Ινστιτούτο Alan Turing, μόνο το 22% των επαγγελματιών της τεχνητής νοημοσύνης είναι γυναίκες. Μεταξύ των συστάσεων στην έκθεση της UNESCO ήταν η αύξηση της ισότητας των φύλων στον τομέα της έρευνας για την τεχνητή νοημοσύνη.
Προσαρμοστικότητα και αυτονομία
Η κατανόηση της φιλοδοξίας πίσω από αυτά τα συστήματα είναι ζωτικής σημασίας για να κατάλαβουμε τι σημαίνουν αυτές οι τεχνικές λεπτομέρειες στην πράξη. Σε μια συνέντευξη του 1993, ο επιστήμονας νευρονικών δικτύων Teuvo Kohonen κατέληξε στο συμπέρασμα ότι ο στόχος των δικτύων αυτών ήταν η δημιουργία ενός «αυτο-οργανωτικού» σύστηματος, λειτουργώντας «κάτι σαν αυτό που το νευρικό μας σύστημα κάνει ενστικτωδώς». Ως παράδειγμα, ο Kohonen απεικονίζει πώς ένα σύστημα που παρακολουθεί και διαχειρίζεται τον εαυτό του «μπορεί να χρησιμοποιηθεί ως πίνακας παρακολούθησης για οποιοδήποτε μηχάνημα… σε κάθε αεροπλάνο, τζετ, ή κάθε πυρηνικό σταθμό ή κάθε αυτοκίνητο». Ο γενικός στόχος ήταν να δημιουργηθεί λοιπόν ένα σύστημα ικανό να προσαρμόζεται στο περιβάλλον του, λειτουργώντας με το στυλ του νευρικού συστήματος. Να υπάρχουν δηλαδή συστήματα που θα μπορούσαν να χειριστούν τους εαυτούς τους χωρίς την ανάγκη μεγάλης ανθρώπινης παρέμβασης.
Καθώς όμως τα στρώματα αυξάνονται για να το επιτύχουν αυτό (συμπεριλαμβανομένων εκείνων των κρυφών στρωμάτων), γίνονται ακόμη λιγότερο κατανοητά ακόμη και σε εκείνους που τα δημιουργούν. Κάνοντας ένα παρόμοιο σημείο, η διεπιστημονική στοχαστής και κριτικός λογοτεχνίας Katherine Hayles σημείωσε επίσης ότι υπάρχουν όρια στο «πόσα μπορούμε να γνωρίζουμε για το σύστημα», που σχετίζονται με τα «κρυφά στρώματα των δικτύων αυτών και τους αλγόριθμους βαθιάς μάθησης». Επεκτείνοντας την επιρροή της έρευνας του σχετικά με την επιστημονική γνώση στον τομέα της τεχνητής νοημοσύνης, ο Βρετανός κοινωνιολόγος Harry Collins έχει επισημάνει ότι τα νευρωνικά δίκτυα μπορεί να παράγονται από έναν άνθρωπο, αρχικά τουλάχιστον, αλλά «μόλις γραφτεί το πρόγραμμα ζει τη δική του ζωή, χωρίς τεράστια προσπάθεια. Το πώς ακριβώς όμως λειτουργεί, παραμένει μυστηριώδες». Αυτό αντανακλά εκείνα τα μακροχρόνια όνειρα ενός αυτοοργανωμένου συστήματος.
Αυτές οι άγνωστες πτυχές της νέας αυτής τεχνολογίας δημιουργεί σε πολλούς ανασφάλεα και την ανησυχία ότι ίσως κάποια στιγμή ξεπεράσει και τον ανθρώπινο εγκέφαλο. Έτσι υπάρχουν πολλές προσπάθειες αποκωδικοποίησης της πορείας των νευρωνικών δικτύων και εξήξησης της λειτουργίας αυτού του άγνωστου κόσμου. Καθώς οι εξελίξεις στην τεχνητή νοημοσύνη συνεχίζουν να διαμορφώνουν τις γνώσεις μας και την κατανόησή μας για τον κόσμο, καθορίζουν τι ανακαλύπτουμε, πώς μας αντιμετωπίζουν, πώς μαθαίνουμε, καταναλώνουμε και αλληλεπιδρούμε, αυτή η ανάγκη για κατανόηση ολοένα και θα αυξάνεται. Η ιστορία όμως των νευρωνικών δικτύων μας λέει ότι πιθανότατα, όσο τα συστήματα αυτά θα εξελίσσονται και θα γίνονται πιο πολύπλοκα και πιο αποτελεσματικά, τόσο θα απομακρυνόμαστε από την ιδέα της διαφάνειας και της ξεκάθαρης λειτουργίας τους.
Με πληροφορίες από: BBC, Techcrunch
Η νέα τεχνολογία της τεχνητής νοημοσύνης είναι κυρίαρχη σε πολλούς τομείς της ζωή μας. Από τη λειτουργία εξειδικευμένων καμερών, την πολύπλοκη χρήση τους σε δορυφόρους και εξαρτήματα της NASA μέχρι την εφαρμογή τους στην ιατρική, η τεχνητή νοημοσύνη με τα νευρωνικά της δίκτυα έχουν εξελίξει και βοηθήσει την καθημερινότητα μας. Πολλοί από τους πρωτοπόρους που άρχισαν να αναπτύσσουν τεχνητά νευρωνικά δίκτυα δεν ήταν σίγουροι για το πώς λειτουργούν και ποιες είναι οι δυνατότητές τους. Στην πραγματικότητα όμως, ακόμα και σήμερα υπάρχουν πολλά θέματα που δε γνωρίζουμε και δεν μπορούμε να εξηγήσουμε με βεβαιότητα.
Το 1956, κατά τη διάρκεια ενός ταξιδιού στο Λονδίνο, ο μαθηματικός Jack D Cowan επισκέφθηκε τον Wilfred Taylor και την παράξενη νέα του «μηχανή μάθησης». Κατά την άφιξή του, αντιμετώπισε μία «τεράστια μάζα συσκευών» και χωρίς να είναι εύκολο να καταλάβει τι συμβαίνει απλά στάθηκε να την παρακολουθεί να κάνει τη δουλειά για την οποία είχε προγραμματιστεί. Να εκτελεί ένα «σύστημα συσχετικής μνήμης» βρίσκοντας νέες διασυνδέσεις και ανακτώντας δεδομένα. Μπορεί να φαινόταν σαν ένα σπασμένο σύστημα κυκλωμάτων, συγκολλημένα μαζί με το χέρι σε μια μάζα καλωδίων και κουτιών, αλλά αυτό που ο Cowan παρακολουθούσε ήταν μια πρώιμη αναλογική μορφή ενός νευρωνικού δικτύου – έναν πρόδρομο της πιο προηγμένης τεχνητής νοημοσύνης που έχουμε σήμερα, συμπεριλαμβανομένου του πολυσυζητημένου ChatGPT.
Καθώς ο Cowan και ο Taylor στέκονταν και παρακολουθούσαν τη μηχανή, δεν είχαν ιδέα πώς ακριβώς καταφέρνει να εκτελέσει αυτό το έργο. Η απάντηση μπορεί να βρεθεί κάπου στους «αναλογικούς νευρώνες» του μυστηριώδους μηχανικού εγκέφαλου του Τέιλορ, στις συσχετίσεις που δημιουργεί η μηχανική του μνήμη και, το πιο σημαντικό, στο γεγονός ότι η αυτοματοποιημένη λειτουργία του δεν μπορούσε πραγματικά να εξηγηθεί πλήρως.
«Προσπαθούσα να τον κάνω να μου εξηγήσει πώς λειτουργούσε αυτό το περίπλοκο σύστημα. Αποτελείτο από αναλογικά κυκλώματα, που του πήρε χρόνια να κατασκευάσει. Δεν ήταν όμως εφικτό. Δεν καταλάβαινε στην πραγματικότητα τι συνέβαινε. Θεωρώ ότι ακόμα και τώρα, που έχουν δημοσιευθεί τόσα άρθα, δεν είναι εύκολο να καταλάβεις πώς ακριβώς αυτά τα συστήματα δουλεύουν.»
Θα χρειαστούν δεκαετίες να βρεθεί ο τρόπος με τον οποίο λειτουργούν τα δίκτυα της τεχνητής νοημοσύνης και να ξεκλειδωθεί η ακριβής πορεία που κάνουν μέσα από την περίπλοκη δομή τους. Είναι τέτοια η πολυπλοκότητά τους, που ακόμα και οι άνθρωποι που τα χτίζουν και τα λειτουργούν δεν μπορούν στο τέλος της ημέρας να καταλάβουν τη σειρά των διασυνδέσεων που ακολουθείται.
Στη δεκαετία του 70, ο Αμερικανός ψυχολόγος David Everett Rumelhart -που συνέβαλε στην επίσημη ανάλυση της ανθρώπινης γνώσης, δουλεύοντας κυρίως στα πλαίσια της μαθηματικής ψυχολογίας, της συμβολικής τεχνητής νοημοσύνης και της παράλληλης κατανεμημένης επεξεργασίας- είχε υπογραμμίσει: «Δουλεύαμε ώρες ατελείωτες φτιάχνοντας τον υπολογιστή. Καθίσαμε και χτίζαμε κάθε κομμάτι του συστήματος, και φτιάξαμε υπλογιστικά μοντέλα και απλά δεν τα καταλαβαίναμε. Δεν καταλαβαίναμε γιατί δούλευαν ή δεν δούλευαν ή τι ήταν σημαντικό σε αυτά.»
Ας πάρουμε όμως τα πράγματα με τη σειρά.
Το νευρωνικό δίκτυο είναι ένα δίκτυο από απλούς υπολογιστικούς κόμβους (νευρώνες), διασυνδεδεμένους μεταξύ τους. Ο όρος νευρωνικό δίκτυο ενσωματώνει ένα ευρύ φάσμα συστημάτων, αλλά κεντρικά -σύμφωνα με την IBM– αυτά τα «νευρωνικά δίκτυα – επίσης γνωστά ως τεχνητά νευρωνικά δίκτυα (ANNs) ή νευρωνικά δίκτυα προσομοίωσης (SNNs) – είναι ένα υποσύνολο της μηχανικής μάθησης και βρίσκονται στον πυρήνα των αλγορίθμων βαθιάς εκμάθησης». Ο όρος, η μορφή και η δομή τους «εμπνέονται από τον ανθρώπινο εγκέφαλο, μιμούνται τον τρόπο που οι βιολογικοί νευρώνες σηματοδοτούν ο ένας τον άλλον». Είναι εμπνευσμένα δηλαδή από το Κεντρικό Νευρικό Σύστημα το οποίο και προσπαθούν να προσομοιώσουν.
Η Μηχανική μάθηση (Machine Learning) στους υπολογιστές διερευνά τη μελέτη και την κατασκευή αλγορίθμων που μπορούν να μαθαίνουν από τα δεδομένα και να κάνουν προβλέψεις σχετικά με αυτά. Η Μηχανική Μάθηση εφαρμόζεται σε μια σειρά από υπολογιστικές εργασίες, όπου τόσο ο σχεδιασμός όσο και ο ρητός προγραμματισμός των αλγορίθμων είναι ανέφικτος. Κάθε νευρώνας σε ένα τεχνητό νευρωνικό δίκτυο αθροίζει τις πολλαπλές εισόδους του και εφαρμόζει μια συνάρτηση για τον προσδιορισμό της εξόδου του. Αυτή η αρχιτεκτονική είναι εμπνευσμένη από αυτό που συμβαίνει στον εγκέφαλο μας, όπου οι νευρώνες μεταδίδουν σήματα μεταξύ τους μέσω συνάψεων.
Εφαρμογές νευρωνικών δικτύων της τεχνητής νοημοσύνης
Τα νευρωνικά δίκτυα ωστόσο, δεν είναι αποκλειστικά για εντυπωσιακά, ακριβά και εξεζητημένα νέα gadgets. Μπορεί να υπήρξε κάποια αμφιβολία σχετικά με την αξία τους στα αρχικά στάδια, αλλά καθώς τα χρόνια έχουν περάσει, η μόδα της τεχνητής νοημοσύνης έχει κυλήσει σταθερά προς τα νευρωνικά δίκτυα. Τώρα πια θεωρούνται ότι είναι το μέλλον της Τεχνητής νοημοσύνης.
Πρόκειται για μία τεχνολογία που έχει εδραιωθεί και είναι παρούσα στην καθημερινότητά μας. Η πρόσφατη ανακοίνωση της Microsoft ότι οι αναζητήσεις του Bing θα τροφοδοτούνται από την τεχνητή νοημοσύνη, καθιστώντας το «συνοδηγό για το διαδίκτυο», δείχνει πώς τα πράγματα που ανακαλύπτουμε και πώς τα κατανοούμε θα είναι όλο και περισσότερο προϊόν αυτού του είδους του αυτοματισμού.
Χρησιμοποιώντας τεράστια δεδομένα για να βρει μοτίβα, η τεχνητή νοημοσύνη μπορεί επίσης να εκπαιδευτεί για να κάνει πράγματα όπως η αναγνώριση εικόνας με ταχύτητα – με αποτέλεσμα να ενσωματωθούν σε κάθε εφαρμογή αναγνώρισης προσώπου. Αυτή η ικανότητα εντοπισμού μοτίβων έχει οδηγήσει σε πολλές άλλες εφαρμογές, όπως η πρόβλεψη των χρηματιστηριακών αγορών.
Τα νευρωνικά δίκτυα αλλάζουν επίσης τον τρόπο με τον οποίο ερμηνεύουμε και επικοινωνούμε. Οι εφαρμογές της Google Brain Team, το Google Translate είναι μια άλλη εξέχουσα εφαρμογή ενός νευρωνικού δικτύου. Μία παρτίδα σκάκι, ή ενός παιχνιδιού στρατηγικής όπως το Go, με ένα σύστημα τεχνητής νοημοσύνης είναι αρκετά απαιτητική. Η κατανόηση των κανόνων και η ανάκληση των στρατηγικών και όλων των καταγεγραμμένων κινήσεων σημαίνει ότι τα νευρωνικά δίκτυα είναι εξαιρετικά καλά στα παιχνίδια (αν και το ChatGPT φαίνεται να δυσκολεύεται με το παιχνίδι λέξεων Wordle).
Αλλά η εμβέλειά τους υπερβαίνει κατά πολύ αυτές τις περιπτώσεις και συνεχίζει να επεκτείνεται. Μια απλή αναζήτηση των διπλωμάτων ευρεσιτεχνίας που περιέχουν την ακριβή φράση “νευρωνικά δίκτυα” παρήγαγε 135.828 αποτελέσματα. Με αυτήν την ταχεία και συνεχή επέκταση, γίνεται ολοένα και πιο δύσκολο να εξηγήσουμε πλήρως την επιρροή της τεχνητής νοημοσύνης στην καθημερινότητά μας καθώς οι εφαρμογές της είναι αναρίθμητες και η έρευνα για περαιτέρω εξέλιξή της είναι ανεξάντλητη.
Η μυστήρια πλευρά της τεχνητής νοημοσύνης
Κοιτάζοντας πίσω στην ιστορία των νευρωνικών δικτύων, ανακαλύπτουμε κάτι σημαντικό για τις αυτοματοποιημένες αποφάσεις που καθορίζουν το παρόν μας ή εκείνες που θα έχουν πιθανώς πιο βαθύ αντίκτυπο στο μέλλον. Η πορεία τους και η ταχύτατη ανάπτυξή τους, δείχνει ότι με την πάροδο του χρόνου είναι ολοένα και πιο δύσκολο να κατανοήσουμε τις αποφάσεις και τις επιπτώσεις της τεχνητής νοημοσύνης στη ζωή μας.
Αυτά τα συστήματα δεν είναι απλά μαύρα κουτιά, δεν είναι απλώς κρυμμένα κομμάτια ενός συστήματος που δεν μπορούν να φανούν ή να κατανοηθούν. Είναι κάτι διαφορετικό, κάτι που έχει τις ρίζες του στους στόχους και τον σχεδιασμό αυτών των συστημάτων. Υπάρχει μια μακροχρόνια επιδίωξη του ανεξήγητου. Όσο πιο αδιαφανές, τόσο πιο αυθεντικό και προηγμένο θεωρείται το σύστημα. Δεν πρόκειται μόνο για τα συστήματα που γίνονται πιο πολύπλοκα. Το μυστήριο κωδικοποιείται ακόμη και στην ίδια τη μορφή και τον λόγο του νευρωνικού δικτύου. Πρόκειται για μία διαδικασία στην οποία αρκετά «επίπεδα» απλών μονάδων επεξεργασίας συνδέονται σε ένα δίκτυο, το ένα πίσω από το άλλο, με αποτέλεσμα η είσοδος στο σύστημα να διέρχεται διαδοχικά μέσα από κάθε ένα από αυτά. Αποτελεί λοιπόν ένα σύστημα από βαθιά συσσωρευμένα στρώματα – εξ ου και η φράση βαθιά μάθηση (Deep Learning) – και μέσα σε αυτά τα βάθη βρίσκονται τα ακόμη πιο μυστηριώδη «κρυμμένα στρώματα» που βρίσκονται μεταξύ της εισόδου και της εξόδου (του τελευταίου στρώματος). Τα μυστήρια αυτών των συστημάτων βρίσκονται βαθιά κάτω από την επιφάνεια, και παρόλο που όλη αυτή η διαστρωμάτωση είναι αποτέλεσμα ανθρώπινου προγραμματισμού, ακόμα και οι ίδιοι οι δημιουργοί, όταν τα στρώματα είναι πολλά, δυσκολεύονται να εξηγήσουν τη λογική τους.
Είναι ολοένα και πιο φανερό ότι όσο μεγαλύτερη είναι η επίδραση της τεχνητής νοημοσύνης στη ζωή μας τόσο λιγότερο θα καταλάβουμε τα πώς και τα γιατί. Η επιρροή τους στην καθημερινότητά μας είναι τεράστια και υπάρχει μεγάλη συζήτηση σχετικά με τους κινδύνους που ενέχουν για την ανθρωπότητα.
Σήμερα υπάρχει μια ισχυρή ώθηση για μία τεχνητή νοημοσύνη που είναι εξηγήσιμη. Θέλουμε να ξέρουμε πώς λειτουργεί και πώς καταλήγει σε αποφάσεις και αποτελέσματα. Η Ευρωπαϊκή Ένωση ανησυχεί τόσο πολύ για τους δυνητικά «απαράδεκτους κινδύνους» και ακόμη και «επικίνδυνες» εφαρμογές που αυτή τη στιγμή προωθεί έναν νέο νόμο για την τεχνητή νοημοσύνη που αποσκοπεί να θέσει ένα παγκόσμιο πρότυπο για την «ανάπτυξη ασφαλούς, αξιόπιστης και ηθικής τεχνητής νοημοσύνης».
Αυτοί οι νέοι νόμοι θα βασίζονται στην ανάγκη επεξήγησης, απαιτώντας ότι «για συστήματα τεχνητής νοημοσύνης υψηλού κινδύνου, οι απαιτήσεις υψηλής ποιότητας δεδομένων, τεκμηρίωσης και ιχνηλασιμότητας, διαφάνειας, ανθρώπινης επίβλεψης, ακρίβειας και ευρωστίας, είναι απολύτως απαραίτητες για τον μετριασμό των κινδύνων στα θεμελιώδη δικαιώματα και την ασφάλεια που θέτει η τεχνητή νοημοσύνη». Αυτό δεν αφορά μόνο πράγματα όπως τα αυτόνομα χωρίς οδηγό αυτοκίνητα (αν και τα συστήματα που αφορούν στην ασφάλεια εμπίπτουν στην κατηγορία της τεχνητής νοημοσύνης υψηλού κινδύνου της ΕΕ), είναι επίσης ανησυχητικό ότι θα εμφανιστούν στο μέλλον συστήματα που θα μπορούσαν να έχουν επιπτώσεις στην εφαρμογή και διεκδίκηση των ανθρωπίνων δικαιωμάτων.
Αυτό αποτελεί μέρος ευρύτερων εκκλήσεων για διαφάνεια στην τεχνητή νοημοσύνη, ώστε οι δραστηριότητές της να μπορούν να ελεγχθούν, να ρυθμιστούν και να αξιολογηθούν. Κάτι απαιτεί μία επεξήγηση του τρόπου λειτουργίας των πολύπλοκων αυτών συστημάτων ώστε να μπορούν να ενσωματωθούν στη λειτουργία τους ηθικές αρχές και πρωτόκολλα ασφαλείας. Αλλά η ιστορία των νευρωνικών δικτύων μας λέει ότι είναι πιθανό να απομακρυνθούμε περισσότερο από αυτόν τον στόχο στο μέλλον, αντί να τον πλησιάσουμε.
Εμπνευσμένο από τον ανθρώπινο εγκέφαλο
Τα νευρωνικά δίκτυα μπορεί να είναι πολύπλοκα συστήματα, αλλά έχουν κάποιες βασικές αρχές. Εμπνευσμένα από τον ανθρώπινο εγκέφαλο, επιδιώκουν να αντιγράψουν ή να προσομοιώσουν μορφές βιολογικής και ανθρώπινης σκέψης. Από την άποψη της δομής και του σχεδιασμού, όπως εξηγεί επίσης η IBM, αποτελούνται από «στρώματα κόμβων, που περιέχουν ένα στρώμα εισόδου, ένα ή περισσότερα κρυμμένα στρώματα και ένα στρώμα εξόδου». Μέσα σε αυτό, «κάθε κόμβος, ή τεχνητός νευρώνας, συνδέεται με έναν άλλο». Επειδή χρειάζονται εισροές και πληροφορίες για να δημιουργήσουν εξόδους, «εξαρτώνται από τα δεδομένα εκπαίδευσης για να μάθουν και να βελτιώσουν την ακρίβειά τους με την πάροδο του χρόνου». Ο ανθρώπινος εγκέφαλος λειτούργησε λοιπόν ως ένα είδος πρότυπου για αυτά τα συστήματα. Έτσι, αυτά τα πειραματικά νέα συστήματα μοντελοποιήθηκαν με βάση ενός συστήματος του οποίου η ίδια η λειτουργία ήταν σε μεγάλο βαθμό άγνωστη. Οι δυνατότητες του ανθρώπινου εγκεφάλου είναι τεράστιες. Μέχρι τώρα όμως δεν έχει αποκωδικοποιηθεί λεπτομερώς κάθε του λειτουργία και μας είναι άγνωστο του μέχρι που μπορεί να φτάσει. Ο εγκέφαλος συχνά παρομοιάζεται με ένα παγόβουνο. Το κομμάτι που είναι ορατό πάνω από την επιφάνεια της θάλασσας αποτελεί το ένα δέκατο της μάζας του. Επομένως, περίπου το 90% του παγόβουνου βρίσκεται κρυμμένο κάτω από το νερό. Κάπως έτσι είναι και το ανθρώπινο μυαλό. Χωρίζεται σε συνειδητό και ασυνείδητο, και μόλις το 15% μας είναι γνώριμο, αφορά τις συνειδητές δηλαδή λειτουργίες. Κάπως έτσι λοιπόν είναι και τα νευρωνικά δίκτυα. Είναι γνώριμα κάποια κομμάτια τους, αλλά ο τρόπος που συνδυάζονται όλα τα στρώματα για να καταλήξουν σε κάθε αποτέλεσμα δεν είναι ξεκάθαρος ούτε στους δημιουργούς τους.
Σε μια λεπτομερή αναφορά στην εφημερίδα Financial Times το 2018, ο δημοσιογράφος Richard Waters σημείωσε πώς τα νευρωνικά δίκτυα «διαμορφώνονται με βάση μια θεωρία για το πώς λειτουργεί ο ανθρώπινος εγκέφαλος, μεταφέροντας δεδομένα μέσω στρωμάτων τεχνητών νευρώνων μέχρι να προκύψει ένα αναγνωρίσιμο μοτίβο». Αυτό δημιουργεί ένα πρόβλημα, πρότεινε ο Waters, καθώς «σε αντίθεση με τα λογικά κυκλώματα που χρησιμοποιούνται σε ένα παραδοσιακό πρόγραμμα λογισμικού, δεν υπάρχει τρόπος να παρακολουθείται αυτή η διαδικασία για να προσδιοριστεί ακριβώς γιατί ένας υπολογιστής έρχεται με μια συγκεκριμένη απάντηση». Η εφαρμογή του μοντέλου του εγκεφάλου, λαμβάνοντας τα δεδομένα μέσα από πολλά στρώματα, σημαίνει ότι η απάντηση δεν μπορεί εύκολα να ανιχνευθεί.
Ο κοινωνικός αντίκτυπος της τεχνητής νοημοσύνης και των νευρωνικών δικτύων
Η τεχνητή νοημοσύνη βασίζεται σε τεράστια σύνολα δεδομένων για να βοηθήσει αυτά τα συστήματα να μάθουν. Αλλά πολλά από αυτά τα σύνολα δεδομένων είναι γεμάτα με πολλές ανθρώπινες προκαταλήψεις. Μια έκθεση του 2019 που δημοσιεύθηκε από την UNESCO προειδοποίησε ότι μεταξύ των πιο εξεχόντων αυτών προκαταλήψεων είναι εκείνες που περιλαμβάνουν «επιβλαβή στερεότυπα φύλου που κινδυνεύουν να στιγματίσουν περαιτέρω και να περιθωριοποιήσουν τις γυναίκες σε παγκόσμια κλίμακα». Οι προκαταλήψεις μπορούν επίσης να εισέλθουν στο στάδιο του σχεδιασμού αλγορίθμων – σύμφωνα με το Ινστιτούτο Alan Turing, μόνο το 22% των επαγγελματιών της τεχνητής νοημοσύνης είναι γυναίκες. Μεταξύ των συστάσεων στην έκθεση της UNESCO ήταν η αύξηση της ισότητας των φύλων στον τομέα της έρευνας για την τεχνητή νοημοσύνη.
Προσαρμοστικότητα και αυτονομία
Η κατανόηση της φιλοδοξίας πίσω από αυτά τα συστήματα είναι ζωτικής σημασίας για να κατάλαβουμε τι σημαίνουν αυτές οι τεχνικές λεπτομέρειες στην πράξη. Σε μια συνέντευξη του 1993, ο επιστήμονας νευρονικών δικτύων Teuvo Kohonen κατέληξε στο συμπέρασμα ότι ο στόχος των δικτύων αυτών ήταν η δημιουργία ενός «αυτο-οργανωτικού» σύστηματος, λειτουργώντας «κάτι σαν αυτό που το νευρικό μας σύστημα κάνει ενστικτωδώς». Ως παράδειγμα, ο Kohonen απεικονίζει πώς ένα σύστημα που παρακολουθεί και διαχειρίζεται τον εαυτό του «μπορεί να χρησιμοποιηθεί ως πίνακας παρακολούθησης για οποιοδήποτε μηχάνημα… σε κάθε αεροπλάνο, τζετ, ή κάθε πυρηνικό σταθμό ή κάθε αυτοκίνητο». Ο γενικός στόχος ήταν να δημιουργηθεί λοιπόν ένα σύστημα ικανό να προσαρμόζεται στο περιβάλλον του, λειτουργώντας με το στυλ του νευρικού συστήματος. Να υπάρχουν δηλαδή συστήματα που θα μπορούσαν να χειριστούν τους εαυτούς τους χωρίς την ανάγκη μεγάλης ανθρώπινης παρέμβασης.
Καθώς όμως τα στρώματα αυξάνονται για να το επιτύχουν αυτό (συμπεριλαμβανομένων εκείνων των κρυφών στρωμάτων), γίνονται ακόμη λιγότερο κατανοητά ακόμη και σε εκείνους που τα δημιουργούν. Κάνοντας ένα παρόμοιο σημείο, η διεπιστημονική στοχαστής και κριτικός λογοτεχνίας Katherine Hayles σημείωσε επίσης ότι υπάρχουν όρια στο «πόσα μπορούμε να γνωρίζουμε για το σύστημα», που σχετίζονται με τα «κρυφά στρώματα των δικτύων αυτών και τους αλγόριθμους βαθιάς μάθησης». Επεκτείνοντας την επιρροή της έρευνας του σχετικά με την επιστημονική γνώση στον τομέα της τεχνητής νοημοσύνης, ο Βρετανός κοινωνιολόγος Harry Collins έχει επισημάνει ότι τα νευρωνικά δίκτυα μπορεί να παράγονται από έναν άνθρωπο, αρχικά τουλάχιστον, αλλά «μόλις γραφτεί το πρόγραμμα ζει τη δική του ζωή, χωρίς τεράστια προσπάθεια. Το πώς ακριβώς όμως λειτουργεί, παραμένει μυστηριώδες». Αυτό αντανακλά εκείνα τα μακροχρόνια όνειρα ενός αυτοοργανωμένου συστήματος.
Αυτές οι άγνωστες πτυχές της νέας αυτής τεχνολογίας δημιουργεί σε πολλούς ανασφάλεα και την ανησυχία ότι ίσως κάποια στιγμή ξεπεράσει και τον ανθρώπινο εγκέφαλο. Έτσι υπάρχουν πολλές προσπάθειες αποκωδικοποίησης της πορείας των νευρωνικών δικτύων και εξήξησης της λειτουργίας αυτού του άγνωστου κόσμου. Καθώς οι εξελίξεις στην τεχνητή νοημοσύνη συνεχίζουν να διαμορφώνουν τις γνώσεις μας και την κατανόησή μας για τον κόσμο, καθορίζουν τι ανακαλύπτουμε, πώς μας αντιμετωπίζουν, πώς μαθαίνουμε, καταναλώνουμε και αλληλεπιδρούμε, αυτή η ανάγκη για κατανόηση ολοένα και θα αυξάνεται. Η ιστορία όμως των νευρωνικών δικτύων μας λέει ότι πιθανότατα, όσο τα συστήματα αυτά θα εξελίσσονται και θα γίνονται πιο πολύπλοκα και πιο αποτελεσματικά, τόσο θα απομακρυνόμαστε από την ιδέα της διαφάνειας και της ξεκάθαρης λειτουργίας τους.
Με πληροφορίες από: BBC, Techcrunch
