«Γιατί η τεχνητή νοημοσύνη προχωρά τόσο γρήγορα»
Luc Ferry*
Le Figaro
Η συνεχώς αυξανόμενη υπολογιστική ικανότητα των υπολογιστών εξηγεί καταρχήν την εκθαμβωτική πρόοδο στην τεχνητή νοημοσύνη.
Έχετε δει το Sora, το νέο παιδί-θαύμα της Open AI που παράγει βίντεο κατά παραγγελία ; Αν όχι, σπεύστε ! Ακόμη και οι καλύτεροι ειδικοί, όπως ο Yann Le Cun, πίστευαν ότι αυτή η επίδοση ήταν αδύνατη μέχρι πριν από τρεις μήνες. Ανεξάρτητα από το γεγονός ότι οι τεχνικές deep learning έχουν σημειώσει ιλιγγιώδη πρόοδο τα τελευταία χρόνια, κυρίως χάρη στο open source, που καθιστά δυνατή την κοινοποίηση όλων των καινοτομιών, τρεις παράμετροι έχουν επιταχύνει εκθετικά την πρόοδο της τεχνητής νοημοσύνης.
Πρώτα απ ‘όλα, είναι η υπολογιστική ικανότητα των υπολογιστών που έχει εξελιχθεί εκπληκτικά τις τελευταίες δεκαετίες σε αναλογίες που κανείς δεν είχε προβλέψει. Αναφέρουμε συχνά τo παράδειγμα του Γερμανού μηχανικού, του Konrad Zuse, ενός πρωτοπόρου αυτού που ακόμα το 1941 ονομαζόταν «προγραμματιζόμενος υπολογιστής», ο πρόγονος των υπολογιστών και ο οποίος ήταν πολύ περήφανος για τη μηχανή που είχε αναπτύξει, την Z3, ικανή να πραγματοποιήσει έναν υπολογισμό ανά δευτερόλεπτο ! Το 2022, ένας αμερικανικός υπολογιστής έχει ξεπεράσει το ένα δισεκατομμύριο δισεκατομμύρια υπολογισμούς ανά δευτερόλεπτο, ενώ ο διάδοχός του θα είναι σύντομα σε θέση να κάνει δύο δισεκατομμύρια δισεκατομμύρια υπολογισμούς ανά δευτερόλεπτο. Ο Elon Musk ανακοίνωσε ότι ετοιμάζει την ανάπτυξη ενός νέου υπολογιστή ικανού να κάνει 100 δισεκατομμύρια δισεκατομμύρια υπολογισμούς ανά δευτερόλεπτο και πιστεύουμε ότι την επόμενη δεκαετία, χωρίς καν να αναφέρουμε τη δυνατότητα κβαντικών υπολογιστών, θα είμαστε σε θέση να κατασκευάζουμε μηχανές (αυτός είναι ο προγραμματισμός της Intel και της Dell) ικανές να πραγματοποιήσουν 1000 δισεκατομμύρια δισεκατομμύρια λειτουργίες ανά δευτερόλεπτο!
Η δεύτερη παράμετρος δεν είναι λιγότερο σημαντική από την πρώτη : είναι το μέγεθος των διαθέσιμων δεδομένων με τα οποία «εκπαιδεύουμε» τις μηχανές. Όπως εξηγεί ο Arthur Mensch, ο νεαρός ιδρυτής της Mistral AI, σε συνέντευξη στο Le Point στις 15 Φεβρουαρίου, «το 2014 εκπαιδευόμασταν σε δύο εκατομμύρια εικόνες, σήμερα σε εκατοντάδες δισεκατομμύρια εικόνες και σε τρισεκατομμύρια λέξεις… » Τώρα παράγονται ταινίες απόλυτου ρεαλισμού που η μηχανή μπορεί να δημιουργήσει όταν της δώσουμε το επιθυμητό σενάριο. Προφανώς, αυτή η νέα κατάσταση θέτει μια ολόκληρη σειρά ηθικών και νομικών προβλημάτων όσον αφορά τα δικαιώματα ιδιοκτησίας δεδομένων, την προστασία της ιδιωτικής ζωής, ιδιαίτερα στον ιατρικό τομέα, αλλά και την πιθανότητα κατασκοπείας, κυβερνοεπιθέσεων κ.λπ. Γεγονός παραμένει ότι όσο περισσότερο το κράτος δικαίου προστατεύει τους πολίτες του, τόσο λιγότερη πρόσβαση στα δεδομένα θα είναι ελεύθερη και τόσο λιγότερη τεχνητή νοημοσύνη θα προοδεύει, γεγονός που μπορεί να εξηγήσει γιατί μια χώρα όπως η Κίνα, όπου τα ιδιωτικά δεδομένα είναι ελάχιστα ή καθόλου προστατευμένα, μπορεί, τουλάχιστον ως προς την δεύτερη παράμετρο, η πρόοδος είναι ταχύτερη από τις δημοκρατίες.
Η τρίτη παράμετρος είναι αυτή των αλγορίθμων, μια λέξη που επινοήθηκε από το όνομα ενός Πέρση μαθηματικού του 9ου αιώνα, του al-Khwârizmî (λατινοποιημένος ως Αλγόριθμος). Για εκπαιδευτικούς σκοπούς, οι αλγόριθμοι έχουν συχνά συγκριθεί με συνταγές μαγειρικής. Στην πραγματικότητα, ακόμα κι αν είναι πολύ πιο περίπλοκο, πρόκειται πράγματι για πεπερασμένες ακολουθίες σαφών εντολών που δίνονται στη μηχανή σε κωδικοποιημένη γλώσσα για να της υποδείξουν τις λειτουργίες που πρέπει να εκτελεστούν προκειμένου να επιλυθεί ένα πρόβλημα. Η αποτελεσματικότητά τους εξελίσσεται επίσης εκθετικά χάρη στο έργο των «αλγοριθμοποιητών». Αυτοί οι μαθηματικοί διορθώνουν συνεχώς τους αλγόριθμους και τους βελτιώνουν εξαλείφοντας τις πολυάριθμες «στρεβλώσεις» που μπορούν να εισχωρήσουν στις οδηγίες και οι οποίες μερικές φορές οδηγούν σε αποτελέσματα που είναι επίσης «στρεβλά». Πολλά κριτήρια καθιστούν δυνατή την αξιολόγηση της απόδοσής τους, ξεκινώντας από τον χρόνο που τους παίρνει για να λύσουν το πρόβλημα που τους υποβλήθηκε, την κατανάλωση RAM ή την ενέργεια που χρειάζονται για να φτάσουν εκεί, αλλά φυσικά και την ακρίβεια των συμπερασμάτων τους, π.χ. ιατρική διάγνωση όταν χρησιμοποιούμε συμπεράσματα όπως: «Αν αυτός ο ασθενής έχει το ένα και το άλλο σύμπτωμα, τότε πρέπει να έχει αυτή και μια ασθένεια…»
Είναι ουσιαστικά η πρόοδος αυτών των τριών παραμέτρων που εξηγούν την απίστευτη ταχύτητα εξέλιξης της τεχνητής νοημοσύνης και, καθώς είναι δυνητικά άπειρες, κανείς δεν μπορεί να πει σήμερα πόσο μακριά θα μπορέσουν να πάνε οι μηχανές στην αντικατάσταση των ανθρώπων.
*Ο Λυκ Φερί είναι Γάλλος δοκιμιογράφος, πρώην καθηγητής της φιλοσοφίας και πρώην υπουργός Νεολαίας, Εθνικής Παιδείας και Έρευνας στη Γαλλία και στην κυβέρνηση του Ζαν-Πιέρ Ραφαρέν, με πρόεδρο τον Ζακ Σιράκ- To άρθρο δημοσιεύτηκε στη στήλη που αρθρογραφεί στο γαλλικό διαδικτυακό χώρο Le Figaro
