Az AI-buborék akár hamarosan ki is pukkadhat

„Három-nyolc éven belül olyan gépeink lesznek, amelyek olyan intelligensek lesznek, mint egy átlagos ember. Olyan gépek, amelyek képesek lesznek Shakespeare-t olvasni, politikai játszmákba bonyolódni, viccet mesélni. Mihelyst ez megtörténik, a gépek fantasztikus sebességgel kezdik el oktatni magukat. Néhány hónapon belül elérik a zsenik szintjét, néhány hónap múlva pedig már beláthatatlan erejük lesz.”

Ilyen és ehhez hasonló jóslások keringenek napjainkban az emberfeletti mesterséges intelligencia (AI) közeljövőbeli kialakulásával kapcsolatban, írja Sally Adee a New Scientistben, azonban a fent idézett mondás nem a mai AI-orákulumoktól, Nick Bostromtól vagy Elon Musktól származnak. A jóslat 1970-ben született, és attól az embertől származik, akit széles körben az AI atyjának tartanak: Marvin Minsky-től. Azonban nyolc év múlva a technika csúcsterméke még mindig csak az igen kezdetleges számítógépes logikát alkalmazó Speak&Spell nevű játék volt, teszi hozzá Adee. És amikor Minsky ígérete és a valóság közötti szakadék nyilvánvalóvá vált, a csalódás évtizedekre tönkretette az AI-kutatást. A kialakult helyzet olyan katasztrofális következményekkel járt a szakterületen, hogy azóta az időszak „a mesterséges intelligencia hideg tele” elnevezést kapta.

Ma is kezdenek egyesek arról beszélni, hogy hamarosan valami hasonló következhet be a mély tanulás – a technika, ami képessé tette az AI-t, hogy ez év elején megverje a gó játék világbajnokát – körül kialakult lelkesedés nyomán, nyilatkozta Roger Schank, a Northwestern University in Evanston kognitív pszichológia professzora a New Scientistnek.

Az eredeti „AI-tél” több tényező miatt következett be. Az egyik az volt, hogy a kutatók csak egyetlen technikára fókuszáltak, az ú.n. szabály alapú tanulásra, amivel az emberi gondolkodást akarták utánozni. A szabály alapú tanulás nagy reményeket keltett a kutatókban, azonban amikor 1973-ban egy, a brit Tudományos Tanács megrendelésére készült jelentés – Lighthill report – megállapította, hogy a remények alaptalanok, a kormányok abbahagyták a szakterület finanszírozását, és a szakemberek egyéb kutatási területekre távoztak. Az AI-kutatás csak két évtized elteltével éledt újjá.

A rehabilitáció 1997-ben kezdődött, amikor az IBM Deep Blue elnevezésű számítógépe megverte a sakkvilágbajnokot. Az új hullám kiváltója a mély tanulás nevű technika volt. A mély tanulás algoritmusok gyűjteményén alapul, ami azáltal értelmezi a világot, hogy átszűri az információt egy neurális hálózatnak nevezett hierarchián, magyarázza Sally Adee. Mindez valamennyire hasonlít ahhoz, ahogy az agyunk értelmezi a dolgokat: képzeljük el, hogy egy macskát nézünk; a szenzoros információ számos, specializált idegsejtet tartalmazó rétegen jut át; az első réteg mondjuk a szögletek érzékelésére képes, és ha elég ilyennel találkozik, továbbadja az ingerületet egy magasabb szintű neuron-rétegnek, ami sok hasonló alacsonyabb rendű réteg információját integrálja. Az integráció következtében az agyunk képessé válik arra, hogy eldöntse, amit látunk, az „macska”, vagy „nem macska”.

A neurális hálózatok már évtizedek óta működnek a kutatólaborokban, azonban a számítási sebesség közelmúltbeli felgyorsulása miatt egyre több mindenre képesek, így ma már több ezer kép segítségével arra is megtaníthatók, hogy azonosítsanak számukra ismeretlen tárgyakat olyan képeken, amiket korábban sose láttak. Ez a 2012-es eredmény adott okot nagy lelkesedésre, és azokra a jóslatokra, hogy elegendő számítási kapacitás esetén a mély tanulás révén a gépek képesek lesznek koncepciók kialakítására, azaz a világ megértésére. Két év múlva a Google megvette a DeepMind nevű céget – az általuk fejlesztett gép volt az, ami ez év elején megverte a gó világbajnokot –, és beindult az AI „aranyláz”, aminek igencsak bátor ígéretei vannak: a rák meggyógyítása, az öregedés visszafordítása, a terrorizmusra hajlamos egyének arcról történő felismerése.

Mindegyikben közös, hogy azt remélik, megfelelő algoritmusok kombinációjával (a rétegek komplexitása jelentős: akár 157 rétegből is állhat egy neurális hálózat) megoldhatóvá válnak eddig megoldhatatlan problémák. Azonban, mint Schank mondja, az AI is csak egy gép, ami matematikai szabályok szerint működik, a komplexitás nem hoz létre intelligenciát, és a neurális hálózatok semmi olyat nem csinálnak, ami akár távolról is hasonlítana a tanulásra. Ehelyett arra képesek, hogy mintázatokat ismerjenek fel, olyan bonyolult adathalmazok közötti kapcsolatokat, amelyeket az emberek nem képesek átlátni, viszont távolról sem képesek megérteni a világot, és nagyon rossz hatásfokkal működnek. Egy neurális hálózat meg tudja mondani, hogy egy macska „macska”, de nem tud különbséget tenni egy valódi macska és egy macska képe között.

Ennek ellenére ma is előállt a korábbi AI-telet megelőző helyzet: a kutatók csak egyetlen területre koncentrálnak, és minden reményüket a mély tanulásba helyezik. Vagyis, szögezi le Sally Adee, a kutatók zöme és a befektetők nem úgy látják, hogy a jelenlegi lelkesedés az AI körül valójában egy buborék, ami hamarosan kipukkanhat, már csak azért is, mert sok az alacsonyan függő gyümölcs, és a tehetségek áramlanak az AI-kutatásba. Az orvoslás az az egyik szakterület, ahol különösen nagyok az azzal kapcsolatos remények, hogy az AI már a közeljövőben elhozza az aranykort. A többség itt sem érzékeli a problémákat, mondja Mark Bishop, a Goldsmiths University Of London számítógépes professzora,pl. azt, hogy milyen nehézségekbe ütközik olyan mennyiségű adatot összegyűjteni, amennyire szükség lenne annak megvalósításához, amit a szépreményű cégek ígérnek, mivel a személyes adatok védelme nem teszi ezt lehetővé.

A félreértés – miszerint a gépek hamarosan képesek lesznek a világ értelmezésére – oka az is lehet, hogy nem megfelelően alkalmazzuk a szavakat, azaz nem vagyunk tisztában azzal, hogy amikor ezeket a kifejezéseket használjuk: gépi tanulás, mély tanulás, neurális hálózatok – igazából metaforákat használunk. Mint Patrick Winston, a Massachusetts Institute of Technology AI és számítástechnika professzora magyarázza, a mesterséges intelligencia nem intelligenciát jelent, csak óriási számítási kapacitást, a neurális hálózatoknak, bár van közöttük párhuzam, valójában nincs közük a neuronokhoz, és a gépi tanulás, bár a tanulás szót használjuk, egyáltalán nem olyan, mint az emberi. „A probléma kezdete és vége azonban a mesterséges intelligencia kifejezés használata”, mondja Schank, „mondhatnánk ehelyett inkább ezt: azok a nagyszerű dolgok, amiket a számítógépek segítségével csinálunk”.