Η εξέλιξη της τεχνητής νοημοσύνης: Η υπόσχεση του 1958

Αυτό το άρθρο παρουσιάστηκε αρχικά στο


Η συζήτηση

.

Ένας υπολογιστής μεγέθους δωματίου εξοπλισμένος με ένα νέο τύπο κυκλώματος, το Perceptron, παρουσιάστηκε στον κόσμο το 1958 σε ένα

σύντομη είδηση

θαμμένος βαθιά στους

New York

Times. Η ιστορία ανέφερε ότι το Ναυτικό των ΗΠΑ είπε ότι το Perceptron θα οδηγούσε σε μηχανές που «θα μπορούν να περπατούν, να μιλάνε, να βλέπουν, να γράφουν, να αναπαράγονται και να έχουν συνείδηση ​​της ύπαρξής του».

Περισσότερες από έξι δεκαετίες αργότερα, παρόμοιοι ισχυρισμοί γίνονται για την τρέχουσα τεχνητή νοημοσύνη. Τι άλλαξε λοιπόν στα χρόνια που μεσολάβησαν; Κατά κάποιο τρόπο, όχι πολύ.

Ο τομέας της τεχνητής νοημοσύνης διέρχεται από έναν κύκλο άνθησης και κατάρρευσης από τις πρώτες μέρες του. Τώρα, καθώς ο τομέας βρίσκεται σε μια ακόμη άνθηση, πολλοί υποστηρικτές της τεχνολογίας φαίνεται να έχουν ξεχάσει τις αποτυχίες του παρελθόντος – και τους λόγους για αυτές. Ενώ η αισιοδοξία οδηγεί την πρόοδο, αξίζει να δώσουμε προσοχή στην ιστορία.

Το Perceptron,

εφευρέθηκε από τον Frank Rosenblatt

αναμφισβήτητα που το

θεμέλια για την τεχνητή νοημοσύνη

. Ο ηλεκτρονικός αναλογικός υπολογιστής ήταν μια μηχανή εκμάθησης σχεδιασμένη να προβλέπει εάν μια εικόνα ανήκε σε μία από τις δύο κατηγορίες. Αυτό το επαναστατικό μηχάνημα ήταν γεμάτο με καλώδια που συνέδεαν φυσικά διαφορετικά εξαρτήματα μεταξύ τους. Τα σύγχρονα τεχνητά νευρωνικά δίκτυα που στηρίζουν το γνώριμο AI όπως το ChatGPT και το

DALL-E

είναι

εκδόσεις

λογισμικού του Perceptron, εκτός από σημαντικά περισσότερα επίπεδα, κόμβους και συνδέσεις.

Όπως και η σύγχρονη μηχανική μάθηση, εάν το Perceptron επέστρεφε λάθος απάντηση, θα άλλαζε τις συνδέσεις του, ώστε να μπορεί να κάνει μια καλύτερη πρόβλεψη για το τι θα ακολουθήσει την επόμενη φορά. Τα γνωστά σύγχρονα συστήματα AI λειτουργούν με τον ίδιο τρόπο. Χρησιμοποιώντας μια μορφή που βασίζεται σε προβλέψεις, τα μεγάλα μοντέλα

γλώσσα

ς ή τα LLM μπορούν να παράγουν εντυπωσιακά

απαντήσεις μακράς μορφής που βασίζονται σε κείμενο

και συσχετίστε εικόνες με κείμενο για παραγωγή

νέες εικόνες βασισμένες σε προτροπές

. Αυτά τα συστήματα γίνονται όλο και καλύτερα καθώς αλληλεπιδρούν περισσότερο με τους χρήστες.

Έκρηξη και κατάρρευση της AI

Στη δεκαετία περίπου μετά την παρουσίαση του Mark I Perceptron από τη Rosenblatt, αρέσει στους ειδικούς

Μάρβιν Μίνσκι

ισχυρίστηκε ότι ο κόσμος θα «

έχουν μια μηχανή με τη γενική νοημοσύνη ενός μέσου ανθρώπου

από τα μέσα έως τα τέλη της δεκαετίας του 1970. Όμως, παρά την επιτυχία, η ανθρώπινη νοημοσύνη δεν υπήρχε πουθενά.

Γρήγορα έγινε φανερό ότι η

Τα συστήματα AI δεν γνώριζαν τίποτα για το θέμα τους

. Χωρίς το κατάλληλο υπόβαθρο και τη γνώση των συμφραζομένων, είναι σχεδόν αδύνατο να επιλυθούν με ακρίβεια οι ασάφειες που υπάρχουν στην καθημερινή γλώσσα – μια εργασία που οι άνθρωποι εκτελούν αβίαστα. Ο πρώτος «χειμώνας» της τεχνητής νοημοσύνης, ή περίοδος απογοήτευσης, χτύπησε το 1974 μετά την

αντιληπτή αστοχία του Perceptron

.

Ωστόσο, μέχρι το 1980, η τεχνητή νοημοσύνη άρχισε να λειτουργεί και η πρώτη επίσημη έκρηξη της τεχνητής νοημοσύνης ήταν σε πλήρη εξέλιξη. Υπήρχαν νέα

έμπειρα συστήματα

ΤΝ που έχουν σχεδιαστεί για την επίλυση προβλημάτων σε συγκεκριμένους τομείς γνώσης, που θα μπορούσαν να προσδιορίσουν αντικείμενα και

διάγνωση ασθενειών από παρατηρήσιμα δεδομένα

. Υπήρχαν προγράμματα που μπορούσαν να κάνουν

σύνθετα συμπεράσματα από απλές ιστορίες

ο

πρώτο αυτοκίνητο χωρίς οδηγό

ήταν έτοιμος να βγει στο δρόμο και

ρομπότ που μπορούσαν να διαβάσουν και να παίξουν μουσική

έπαιζαν για ζωντανό κοινό.

Δεν άργησε όμως τα ίδια προβλήματα να καταπνίξουν τον ενθουσιασμό για άλλη μια φορά. Το 1987, το δεύτερο χειμερινό χτύπημα της AI. Τα έμπειρα συστήματα απέτυχαν γιατί

δεν μπορούσαν να χειριστούν νέες πληροφορίες

.

Η δεκαετία του 1990 άλλαξε τον τρόπο με τον οποίο οι ειδικοί αντιμετώπιζαν τα προβλήματα στην τεχνητή νοημοσύνη. Αν και η ενδεχόμενη απόψυξη του δεύτερου χειμώνα δεν οδήγησε σε επίσημη έκρηξη, η τεχνητή νοημοσύνη υπέστη σημαντικές αλλαγές. Οι

ερευνητές

αντιμετώπιζαν το

πρόβλημα απόκτησης γνώσης

με

προσεγγίσεις που βασίζονται σε δεδομένα

στη μηχανική μάθηση που άλλαξε τον τρόπο με τον οποίο η τεχνητή νοημοσύνη απέκτησε γνώση.

Αυτή η φορά σηματοδότησε επίσης μια επιστροφή στο perceptron τύπου νευρωνικού δικτύου, αλλά αυτή η έκδοση ήταν πολύ πιο περίπλοκη, δυναμική και, το πιο σημαντικό, ψηφιακή. Η επιστροφή στο νευρωνικό δίκτυο, μαζί με την εφεύρεση του προγράμματος περιήγησης ιστού και την αύξηση της υπολογιστικής ισχύος,

διευκόλυνε τη συλλογή εικόνων, τη συλλογή δεδομένων και τη διανομή συνόλων δεδομένων για εργασίες μηχανικής εκμάθησης

.

Γνωστά ρεφρέν

Γρήγορα μπροστά στο σήμερα και η εμπιστοσύνη στην πρόοδο της τεχνητής νοημοσύνης έχει αρχίσει για άλλη μια φορά να απηχεί υποσχέσεις που δόθηκαν πριν από σχεδόν 60 χρόνια. Ο όρος “

τεχνητή γενική νοημοσύνη

” χρησιμοποιείται για να περιγράψει τις δραστηριότητες των LLMs όπως αυτά που τροφοδοτούν chatbots AI όπως το ChatGPT. Η τεχνητή γενική νοημοσύνη, ή AGI, περιγράφει μια μηχανή που έχει νοημοσύνη ίση με την ανθρώπινη, που σημαίνει ότι η μηχανή θα έχει αυτογνωσία, θα μπορεί να λύνει προβλήματα, να μαθαίνει, να σχεδιάζει το μέλλον και πιθανώς να έχει συνείδηση.

Ακριβώς όπως ο Rosenblatt πίστευε ότι το Perceptron του ήταν ένα θεμέλιο για μια συνειδητή, ανθρώπινη μηχανή, το ίδιο κάνουν και ορισμένοι σύγχρονοι θεωρητικοί της τεχνητής νοημοσύνης σχετικά με τα σημερινά τεχνητά νευρωνικά δίκτυα. Το 2023, η Microsoft δημοσίευσε ένα έγγραφο που έλεγε ότι «

Η απόδοση του GPT-4 είναι εντυπωσιακά κοντά στην απόδοση σε ανθρώπινο επίπεδο

.»

Αλλά πριν ισχυριστεί κανείς ότι τα LLM επιδεικνύουν νοημοσύνη σε ανθρώπινο επίπεδο, θα μπορούσε να βοηθήσει να αναλογιστούμε την κυκλική φύση της προόδου της τεχνητής νοημοσύνης. Πολλά από τα ίδια προβλήματα που στοίχειωσαν προηγούμενες επαναλήψεις της τεχνητής νοημοσύνης εξακολουθούν να υπάρχουν σήμερα. Η διαφορά είναι πώς εκδηλώνονται αυτά τα προβλήματα.

Για παράδειγμα, το πρόβλημα της γνώσης παραμένει μέχρι σήμερα. Το ChatGPT αγωνίζεται συνεχώς να ανταποκριθεί

ιδιωματισμούς, μεταφορές, ρητορικές ερωτήσεις και σαρκασμό

– μοναδικές μορφές γλώσσας που υπερβαίνουν τις γραμματικές συνδέσεις και αντ’ αυτού απαιτούν συμπέρασμα της σημασίας των λέξεων με βάση τα συμφραζόμενα.

Τα τεχνητά νευρωνικά δίκτυα μπορούν, με εντυπωσιακή ακρίβεια, να διακρίνουν αντικείμενα σε πολύπλοκες σκηνές. Αλλά δώστε σε μια τεχνητή νοημοσύνη μια εικόνα ενός σχολικού λεωφορείου που βρίσκεται στο πλάι και θα το κάνει με μεγάλη σιγουριά

πες ότι είναι εκχιονιστικό

97% του χρόνου.

Μαθήματα που πρέπει να προσέξετε

Στην πραγματικότητα, αποδεικνύεται ότι το AI είναι

αρκετά εύκολο να ξεγελαστεί

με τρόπους που οι άνθρωποι θα εντόπιζαν αμέσως. Νομίζω ότι αξίζει να ληφθεί σοβαρά υπόψη το πώς έχουν πάει τα πράγματα στο παρελθόν.

Η τεχνητή νοημοσύνη του σήμερα φαίνεται αρκετά διαφορετική από την τεχνητή νοημοσύνη κάποτε, αλλά τα προβλήματα του παρελθόντος παραμένουν. Όπως λέει και η παροιμία: Η ιστορία μπορεί να μην επαναλαμβάνεται, αλλά συχνά κάνει ομοιοκαταληξία.