Azt mondhatnánk, hogy könnyű útját állni olyan mesterséges intelligenciának, amelynek saját meggyőződése és vágyai vannak, elég ha olyan szoftvert implementálunk, ami az teszi amire programozták. Tekintsünk el most attól az esettől, hogy a programozó is ember és hibázhat, mert ezt a kis malőrt ma már könnyű kivédeni a ma használatos hibajavító módszerekkel, különben is a komplex célorientált szoftverek nagyon kis százalékban omlanak össze, ha egyáltalán ez megtörténik. De abban az esetben, ha a "teszi amire programozták" alatt azt értjük, hogy a szoftver a programozók szándéka szerint viselkedik, akkor ez egy olyan feltétel, amelynek a mai programok már nem felelnek meg. Mert köszönhetően a modern technikának és a felgyorsult fejlődésnek, a játékszabályok újraíródtak.
A szoftveralgoritmusok sebességében és hatékonyságában drámai változások történtek az utóbbi pár évben. Rájöttünk ugyanis, hogy az összetett tervezési problémákat nem lehet úgy megoldani, hogy egyszerűen több számítási teljesítményt teszünk alájuk, mert a gyakran minden lehetőséget számba vevő algoritmusok nem tudnak mit kezdeni a lehetőségek ugrásszerű növekedésével. Még sok évig kéne várni, amíg megfelelő kapacitásunk lesz arra, hogy kezelni tudjunk egy ilyen kombinatorikai robbanást. Lealkonyult tehát a szakértői és egyéb szabály alapú merev logikájú rendszereknek és a figyelem a mesterséges neurális hálózatok és a genetikai algoritmusok felé irányult. Az új módszerek gyors fejlődéshez vezettek, többek között a gépi tanulás területén is. (1) Rövid idő alatt több mint 200.000 tudományos dolgozat született és világszerte mind többen kezdtek el fejleszteni olyan szoftvereket, amelyek az emberi agyhoz hasonlóan hatalmas mennyiségű adatot, köztük képeket és hangokat is tudnak elemezni, és intuitív módon kihámozzák belőlük a használható információkat és mintázatokat.
A forradalmi előretörés egyik kulcsa a mély-tanulásnak (deep learning) nevezett technológia. (2) A rendszer központi eleme a mély-tanulási algoritmus, amely a számára bemutatott mintákat rétegekre bontva elemzi, és ezek alapján önálló fejlődésre képes. A mély-tanuláshoz is rengeteg adatot kell feldolgozni, de a gép ilyenkor nem nyers számítási erővel nyomul előre, hanem a sok-sok neki mutatott példán keresztül megtanulja elvégezni az adott feladatot.
A következő lépést a megerősítéses tanulás (reinforcement learning) jelentette, amely a viselkedés pszichológiából emelt át alapokat a gépi tanuláshoz. A neurális hálózatokat így már nem is kell beprogramozni, hanem a kemény pofonok iskoláját kijárva tanulnak és gyakorlással tökéletesítik tudásukat és az un. ágensei úgy működnek, mint az agy jutalomközpontja; megtanítják a jó és a rossz közötti különbséget. (3)
Ennek a két módszernek az egyesítésével (deep reinforcement learning), egyes kutató cégek mostanában döbbenetes eredményeket értek el. Az általuk fejlesztett mesterséges intelligenciák képességei már a szuper-humán szintet is meghaladják! Lássunk egy példát.
Demis Hassabis amolyan programozó csodagyerek, 1993-ban még játékprogramokat írt megrendelésre, 1998-ban már saját játékszoftver cége volt, majd amikor az becsődölt, elkezdett mesterséges intelligencia programozással foglalkozni és kognitív idegtudományt tanulni (de komolyan, ezt csinálta). Aztán 2011-ben startup céget alapított DeepMind néven, amit 2014-ben a Google megvett 400 millió dollárért. Hassabis és csapata ugyanis az említett két tanulási folyamatot felhasználva létrehozott egy algoritmust, amelyik saját maga megtanult különböző videójátékokat játszani és rövid időn belül sokkal jobban teljesített, mint amire az ember képes volt. Ráadásul úgy, hogy az algoritmusba előzőleg semmit nem tápláltak be és pont ugyanannyi adattal rendelkezett, mint amennyivel egy ember rendelkezhet: azzal, amit a játékos a képernyőn lát. A program "nézte" a játékot és megtanította magának, hogyan kell győzni! (4) A legnagyobb sikereket azonban a Go játékban érték el.
Számítógép győzött már le embert sakkban és más hasonló játékban. Arra viszont soha nem volt ez idáig példa, hogy egy számítógép legyőzzön egy jobb Go-játékost. A Go azért olyan őrülten nehéz programozói feladat, mert rengeteg variáció és lehetséges lépés képzelhető el, sokkal több, mint bármilyen másik játéknál, és még a legerősebb mai számítógépeknek sincs elég számítási kapacitása arra, hogy véges idő alatt minden lépés összes kimenetelét kiszámolják. A Go-nál több variáció van, mint amit akkor kapnánk, ha az univerzum összes atomján egyszerre folyna egy-egy sakkjátszma és azok lehetséges lépéseit kellene kiszámolni! Belátható, hogy ezt puszta számolgatással már (még) nem lehet feldolgozni.
Még 2014 elején is neves kutatók kérdőjelezték meg, hogy mostanában sikerülhet egyenlő küzdelemben legyőzni egy emberi Go-mestert, és azt jósolták, hogy még legalább egy-két évtizedig biztosan nincs veszélyben az emberi intelligenciának ez a bástyája. A mesterséges intelligencia fejlesztőknek ez hatalmas kihívást jelentett, ugyanis olyan szintű intuícióra és helyzetfelismerésre van szükség, amivel a gépek nem tudnak mit kezdeni.
Egészen 2014-ig, amikor is a DeepMind AlphaGo nevű gépe simán legyőzte a regnáló Go-világbajnokot, Lee Szedolt 4-1-re. (5) Pedig az AlphaGo is többször hibázott, de sokszor olyan kreatívan tudott visszajönni belőlük, hogy a végén Szedol bevallotta, hogy bizony át kell értékelnie mindazt, amit a Go-ról tud (Szedol a legelején, a gép korábbi partijainak ismeretében elsöprő győzelmet jósolt saját magának). Ke Jie, a világ legjobbjának tartott kínai származású Go mester a játszma után még igen szkeptikus volt, szerinte csak Lee Sedol játszott rosszul. Ke-t azóta háromszor verte meg az AlphaGo (2015), ezek után elismerte: bár az emberiség évezredek óta tanulmányozza a Go-t és a stratégia művészetét, most elérkezett az ideje, hogy mi tanuljunk a gépektől. Na, ezért nem sajnálta a Google a 400 millió dollárt arra, hogy elhappolja a DeepMind-ot a Facebook elől. (6)
Figyeljük meg, az AlphaGo már nem egyszerűen egy nagyon erős rendszer, amellyel gondosan összeállított szabályokat tanultattak meg, hogy egyetlen feladatot tudjon, de azt nagyon. Ehelyett általános gépi tanulással maga jön rá, saját maga által generált adatból, hogyan oldhatja meg a neki szegezett feladatot (vagyis jelen esetben azt, hogy mindenkit porrá alázzon Go-ban)! Az AlphaGo mostanában főleg saját maga ellen játszik, és kiderült, hogy elképesztő tempóban fejlődik. Mostani sikere már az előszele annak a jövőnek, ahol a fizikai testtel rendelkező robotok képesek lesznek megtanulni fizikai feladatok elvégzését valódi fizikai környezetben.
És most gondolkodjunk el. Egy gépi tanulási technikákat használó szoftver, vagyis a tanulásra és az így megszerzett információra alapuló, önálló döntéshozásra képes rendszer, már képes olyan megoldásokat is találni, amelyre a programozók nem számítottak. Két eset is van amiből baj lehet. Az első a perverz megvalósítás esete, vagyis ha a szuper-intelligens keresési folyamat olyan új megoldást talál a végcél elérésére, amit a programozók nem láttak előre és ami ellentétes a programozók szándékával. A másik az, hogy a szoftver un-ortodox (nem emberközpontú) megoldásokra bukkanhat. Ezt akár elmebűnnek is tekinthetjük, mert az ember számára létkatasztrófával járhat. A hibajavító algoritmusoknak pedig nem lesz lehetőségük, hogy újra próbálkozzanak. Innen tovább mindenki a saját fantáziája szerint gondolja el, hogyan folytatódhat a történet. Arra azért vigyázzunk: ne párosítsuk a mesterséges intelligenciát a természetes hülyeséggel! 😊
A 2017-es Asilomar konferencián 23 kiáltvány pontba szedték a mesterséges intelligencia princípiumait, a kutatás céljait, etikai kérdéseit. (7) Elérhető a mozgalom honlapján (
https://futureoflife.org/ai-principles), ahol az egyetértést és támogatást aláírással lehet kifejezni (mostanára egyre divatosabb lett a különböző manifesztumok tömeges aláírása). (8) Nem lehet azonban nem észrevenni, hogy a kiáltvány úgy van megszerkesztve, hogy ne akadályozza a Google további fejlesztési terveit. Reméljük, hogy a kutatások egyelőre jó irányba tartanak mind technológiai, mind pedig etikai szempontból. És higgyünk abban, hogy a kutatók-fejlesztők, továbbra is a mértékletesség elvét tartják szem előtt. Elvégre nem csak a jövő, hanem a ma szakemberei is robotokkal fognak együtt dolgozni. A diákoknak pedig hamarosan a mesterséges intelligencia és a gépi tanulás alapjait úgy fogjuk tanítani, mint közműveltségi alaptantárgyat. (9)
________________________________________________
Megjegyzések
Megjegyzés küldése
Írd meg a véleményed: