Mesterséges intelligencia

Abban az esetben, ha túl korán ugrunk a hullámra, azoknak, akik másképp gondolják, könnyű dolguk lesz lelohasztani a lelkesedésünket vagy a pénzügyi támogatóinkét, mert a példasorozatainkban szereplő hipotetikus egységet követő sorozat fellendülése nem fog bekövetkezni. Ha túl későn vesszük észre, már teljes erővel tombolni fog, amikor a tetejére szeretnénk jutni, így a vállalkozás túl drágává, nehézzé vagy akár lehetetlenné válik, mivel mások már elözönlötték a csúcsokat.

A síkágyas szkennerektől az optikai karakterfelismerésig, a zenei szintézistől a beszédszintézisig vagy a vakok számára készült kézi rendszerekig hozhatjuk a példákat, Kurzweil minden találmánya a megfelelő időzítés alapos megértését használja ki. Mikor kell felgyorsítani a kutatást és fejlesztést, hogy mire a támogató hardverrendszerek elérhetővé válnak a megfelelő áron, és a megfelelő integrációs szinten, a szoftverek, a felhasználói felület, a fejlesztési rendszerek és az egész támogató ökoszisztéma minden más összetevője is készen álljon.

A Santa Fe Intézetben Nagy Béla kutatásai alapján létezik egy teljes adatbázis az exponenciális jelenségekről, amely hozzáférhető tanulmányozásra és további bővítésre.

Kurzweil azt is felismerte, hogy az emberi tudás összekapcsolt és egymással kommunikáló rendszereivel, amelyek nem elszigetelten növekednek, hanem erősítik egymást, vannak exponenciálisok, amelyek exponenciálisokból táplálkoznak. Az ebből eredő hatást a Gyorsuló Megtérülések Törvényének nevezte el. Ez ellentétes a klasszikus közgazdaságtan elfogadott bölcsességével, ahol feltételezik, hogy a gazdasági kibocsátás adott növekedésének eléréséhez, a rendelkezésre álló tőkebefektetés fokozatosan növekvő mennyiségére van szükség, amit a Csökkenő Hozadék Törvényének neveznek.

Akárcsak a Moore-törvény esetében, a Kurzweil által megfogalmazott Gyorsuló Megtérülések Törvénye is önbeteljesítő jóslat, amelyet a nyílt kommunikáció és a kutatási és ipari termelési törekvéseikben sikerre, és kiválóságra törekvő versengő csoportok tartanak fenn. Mindkét törvényt határozottan meg lehet szegni. Amennyiben nem hiszel az egyetemes gravitáció törvényében, és leugrasz egy épület ötödik emeletéről, megteheted ezerszer is, és soha nem fogsz megszűnni kőként zuhanni, valószínűleg a megsemmisülésbe. De ha feladnánk, hogy jobb áramköröket készítsünk, vagy ha úgy döntenénk, hogy nem éri meg az erőfeszítést, hogy jobb napelemeket, jobb akkumulátorokat és így tovább készítsünk, amíg mindenki abbahagyná, ezek az áramkörök, panelek és akkumulátorok nem tudnának létrejönni.

Kurzweil e sorok írásakor a Google mérnöki igazgatója, saját bevallása szerint ez az első munkahelye. A vállalat által rendelkezésre bocsátott erőforrásokat felhasználva alkalmazza képességeit, hogy lehetővé tegye a számítógépekkel való természetes nyelvi interakciót, és a felhasználói interakció következő hullámát, amely még könnyebben használhatóvá teszi a számítógépeket, és jobban képes kiszolgálni igényeinket.

S-görbék összekapcsolása

Kurzweil elemzésének és előrejelzéseinek gyakori kritikája azon alapul, hogy félreértik, mit jelent az az exponenciális, amiről beszél. A kritikusok kiemelik azt a tényt, hogy ami exponenciálisnak tűnik, az valójában egy S-görbe vagy logisztikai görbe első fele. Kezdetben exponenciálisnak tűnik, ahogy egy adott technológia előnyeit kiaknázzák. Azonban egy idő után ellaposodik, mert egyre nehezebb további előnyöket kicsikarni ugyanabból a technológiából. Kimerül, és hamisnak bizonyul azok hite a technológia erejében, akik végtelen exponenciálisokat hirdetnek.

A valóságban ez igaz: minden egyes technológia, ahogy lefutja a pályáját, nem tud többet adni, mint a természetes korlátja. Ahogy közelíti ezt a korlátot, értelmetlenné válik ragaszkodni ahhoz, hogy többet akarjunk kihozni belőle, mind mérnöki, mind gazdasági és megtérülési szempontból. Ezért új csoportok új ötletekkel próbálják majd elérni a kívánt eredményt, más megközelítéssel. Az okos emberek látni fogják azt a pontot, amikor a jelenlegi technológiai generáció kimerül, és párhuzamosan dolgoznak majd az akkori vezető csoportokkal, hogy új technológiát találjanak, amely nagyobb léptékben, a korábbinál jobban teljesíti a célkitűzést. A ciklus néhány exponenciális duplázódás után megismétli önmagát, és egy harmadik generációs megoldásra lesz szükség, és így tovább.

Ezeknek a különböző S-görbéknek a kumulatív hatása, amelyek kisimítják egymás végződéseit, és többé-kevésbé zökkenőmentesen összekapcsolódnak a találmányok, innovációk és ipari alkalmazások láncában, rajzolja meg azt az exponenciálist, amelyre Kurzweil elemzéseiben rámutat.

6. ábra: Az S-görbék sorozata alakítja ki az exponenciális trendet.

Ha például a számítástechnikát vesszük, számos generációja volt a számítástechnikai technológiáknak, mindegyik vezető a maga idejében, amelyeket azok határáig feszítettek, és felváltotta őket a következő, jobb, olcsóbb és gyorsabb generáció, hogy előállítsa a kívánt kimenetet: a számításokat. Mechanikus relék, vákuumcsövek, tranzisztorok és integrált áramkörök tették lehetővé évtizedről évtizedre a világ leggyorsabb, és legerősebb számítógépeinek megépítését. Az őket alkalmazó vállalatok voltak koruk vezetői, a technológiák határait feszegetve, és néhány teljesítményduplázódás után új modellek váltották fel őket, az új technológiákon alapulva.

Egy másik példa, ahol ezekben az években alapvető váltásnak vagyunk tanúi, az állandó memóriatárolás. Egyre nagyobb és nagyobb mennyiségű adatot kell számítógépeinknek tartósan rögzíteniük, hogy amikor kikapcsoljuk az áramot, és a számítógép később újra felébred, az adatokat elő lehessen hívni anélkül, hogy elölről kellene kezdeni. A lyukkártyáktól a mágneses magmemórián és a mágnesszalagon át a forgó merevlemezekig, most a következő generációs igények tárolásának szilárdtest-alapú támogatásra (flash-tárolásra) való áttérés küszöbén állunk, amely nagyságrendekkel többet lesz képes megjegyezni, sokkal gyorsabban és megbízhatóbban hozzáférhető lesz, és megfizethető áron, mint bármely korábbi eszközgeneráció.

Mindenütt exponenciálisok

Sok technológiát lehet a gyorsuló változás ezen exponenciális értelmezésének lencséjén keresztül szemlélni. A duplázódási időszakok természetesen különbözhetnek attól a 18 hónaptól, amihez a Moore-törvény hozzászoktatott bennünket.

A napenergiában a Swanson-törvényről beszélünk, amely egy fotovoltaikus panel wattonkénti árának csökkenését jelenti. Az ilyen eszközök első példányainak 1974-es megalkotásától kezdve, amikor a költség wattonként több mint 70 dollár volt, ma 0,30 dollárnál tartunk wattonként, és az árcsökkenés folytatódik. Ez a csökkenés a méretgazdaságosságból, a gyártási folyamatok jobb megértéséből és a modulok finanszírozási, telepítési és szervizelési ökoszisztémájának megszületéséből származik, valamint az anyagok és konstrukciós módszerek új alapvető megközelítéseiből, amelyek jelentősen növelik egy adott modul hatékonyságát a napfény elektromos árammá alakításában.

Akkumulátoraink tárolókapacitása megduplázódik. Ez a duplázódás egy nyugodtabb (és bosszantóbb, ha úgy érzed, túl sok időt töltesz különböző energiafaló eszközeid töltésével) tízéves időszak. A kohászattól, a kémiától és a gyártási folyamatoktól függően nem elképzelhetetlen, hogy a Kurzweil Gyorsuló Megtérülések Törvényének illusztrációjaként az ipar módot találna a duplázódások felgyorsítására, radikálisan új megközelítést alkalmazva, és olyan alkalmazásokat téve gyakorlativá, amelyek korábban lehetetlenek lettek volna.

Nincs varázslatos 100%

A kutatási programok, mint például a Humán Genom Projekt által kitűzött célok gyakran kissé önkényesek. Hasznos célt jelentenek, de nem a folyamatok fejlesztésének, finomításának végét, és bizonyosan nem a tudás, és a gyorsabb, olcsóbb megszerzésére való képesség iránti vágy végét. Egyetlen egyed genomjának dekódolása után ott van a feladat, hogy ugyanezt megtegyük további közel nyolcmilliárd emberrel. Az emberi genom után ott van más állatok genomja, vagy az óceánokban élő baktériumok, vagy a szimbiózisban velünk és bennünk élő baktériumok genomja, amelyek alkotják azt, amit mikrobiomnak nevezünk.

Az emberi genom dekódolásának képessége nem állt meg a tizenöt év alatt, egy genom per hárommilliárd dolláros ütemben. Ebből bizonyosan nem sokat profitáltunk volna. Az első siker óta eltelt tizenöt évben a feltalált, tökéletesített, bevezetett és újra jobbakkal helyettesített technológiák döbbenetes haladást tettek lehetővé: ma már lehetséges egy teljes emberi genomot körülbelül kétezer dollárért dekódolni pár hét alatt. Azonban a fejlődés itt sem áll meg, és előre lehet jelezni, hogy a következő tíz éven belül olyan technológiák lesznek elérhetők, amelyek lehetővé teszik egy genom dekódolását kevesebb mint tíz centért, a másodperc töredéke alatt. Érdemes elgondolkodni azokon az átalakulásokon, amelyeket az ilyen jellegű változás hoz majd az egészségügy, a biztosítás, a magánélet és más területek világában.

A tanulság az, hogy nincs semmi varázslatos abban a küszöbértékben, amit végül egységnek vagy 100%-nak nevezünk, és hogy a feltalálás és megvalósítás ereje, amely a technológiákat ennek elérésére hajtotta, nem áll meg, hanem folyamatosan halad előre, növelve a kívánt kimenetet, alacsonyabb költségek mellett és gyorsabb sebességgel.

4. Mesterséges intelligencia

Az intelligencia természete

A könyv lényege lehetne egy filozófiai elemzés arról, hogy mi az intelligencia, és vajon lehetséges-e tudományos kifejezésekkel leírni, vagy inkább egy olyan lényeget képvisel, amely redukálhatatlan és reprodukálhatatlan.

Valóban, ez különböző formákban a filozófusok foglalkozása volt évezredeken át. Beleértve az igazság, a szépség, a jó és a rossz, az erkölcs, valamint az etika és az esztétika természetét. A filozófia uralta a területet, gyakorlati megfontolásoktól mentesen. Ellenkezőleg, a tudás felosztása két területre – az elvont megértésre és a gyakorlati következményekkel utalóra, ahol ez utóbbit az előbbi követői lenézték és alacsonyabb rendűnek tekintették – a nyugati filozófia alappillére volt Arisztotelész óta.

Ebben a könyvben több feltételezés is van, és az egyik alapvető közülük az, hogy az intelligencia megérthető, elemezhető és reprodukálható. A filozófusok újabb keletű könyveiben, akik számára nincs jelentősége, hogy sokan megértsék őket, csodálatos érvek találhatók arra, hogy miért kellene ennek így lennie.

Általánosságban, e könyv céljából az intelligenciát úgy határozzuk meg, mint az anyag azon képességét, hogy olyan módon szerveződjön, amely lehetővé teszi számára, hogy megoldásokat keressen célokhoz azáltal, hogy cselekvési utat tervez feléjük, és mind elvont, mind konkrét erőforrásokat szervez azok elérése érdekében.

Az emberi agy egy anyagdarab, amely bizonyos fokú intelligenciával van felruházva. Szándékosan használom ezt a kifejezést az „elme” helyett. Elkerüljük a dualizmus csapdáját, amely lehúzta a filozófiát, miközben megpróbált megérteni egy elmét, amely csak lakik az agyban, Descartes-ot homunkuluszokról szóló érvekbe kényszerítve és hiába keresve az összekötő szövetet, amelyen keresztül az elme az agyhoz kapcsolódik. E feltételezés szerint az agy fejezi ki az elmét, és az elme az, ami az agy tevékenysége.

A Mechanikus Török

Az 1700-as években egy lenyűgöző szerkezet járta Európa királyságainak udvarait. A magyar Kempelen Farkas tervezte, egy nagy doboz volt, amelynek tetején egy fabábu ült; ma robotnak neveznénk. Sakkozott, és legyőzött bárkit, aki játékra vállalkozott vele, tévedhetetlenül, mechanikus precizitással. Von Kempelen állítása, miszerint egy intelligens cselekvésre képes automatát épített, lelepleződött, amikor kiderült, hogy a doboz egy törpét rejt. Valóban jó sakkozó lévén, a törpe úgy tett, mintha ő lenne a robot mögött álló intelligencia. Valójában ez egy mesterséges felállás homunculusa volt a mechanikus intelligencia számára. Egy mesterséges mesterséges intelligenciát alkotott.

Turing-tesztek embereknek

Amikor az első elektromos számítógépek megszülettek a ‘40-es években, Alan Turing egy újszerű tesztet fogalmazott meg a gépek intelligenciájának vizsgálatára. A ma Turing-tesztnek nevezett módszer azt állítja, hogy minden okunk megvan azt hinni, hogy egy gép intelligens, ha egy emberi bírálókból álló csapat intelligensnek ítéli meg a cselekedetei alapján. A teszt során a beállítás elrejti a gépet az emberek elől, és keveri azt, és kimenetét más emberekkel, akik a teszt során úgy tehetnek, mintha gépek lennének, azt akarva, hogy a bírálók higgyék őket vagy az embereket, akiket játszanak. Turing „utánzó játéknak” nevezte, valószínűleg azt gondolva, hogy kevésbé alapvető, mint amilyen lenyűgözőnek most látjuk. Túl gyakran és némileg bombasztikusan jelenti be egyik, vagy másik média forrás, hogy a Turing-tesztet teljesítették. Univerzálisan, amikor a nyertes gép és emberi bírálói közötti párbeszéd átírt szövege elérhetővé válik, kiderül, hogy a gép, vagy inkább programozói, képmutatás, témaváltások és más apróságok mögé bújtak.

Sakkozó szakértők

1996-ban az akkori sakkvilágbajnokot, Garri Kaszparovot legyőzte egy Deep Blue nevű gép, amelyet az IBM kifejezetten erre a célra tervezett és épített. A gép egyértelműen nem kísérelhette volna meg a Turing-teszt teljesítését, annak általános témákat felölelő, írásos párbeszéden alapuló utánzó játékában. Azonban a sakkjáték lehetőségeinek fájában milliónyi lépés elemzésére és elvetésére specializált hardverével, és szoftverével, amíg meg nem találta azt, amit a legjobb lépésnek ítélt egy adott helyzetben, mégis tökéletesen elhitette, hogy intelligens a játékban, elég ahhoz, hogy legyőzze és még fel is dühítse Kaszparovot.

Amennyiben a Turing-teszt, az utánzó játék abból áll, hogy meggyőzzön egy csoportnyi embert arról, hogy egy gép képes emberhez hasonló párbeszédre, követve a szintaxis és szemantika szabályait, akkor a Kaszparov-teszt, a sakkjáték abból áll, hogy meggyőzzön egy sakkjátékost arról, hogy egy olyan géptől veszített, amely a sakk szabályait követve játszik. Ami idevágó, ebben az esetben valójában nincs különbség a gép között, amely úgy tesz, mintha tudna sakkozni, és aközött, amely tényleg tud sakkozni.

A Kaszparov és a Deep Blue közötti torna különböző szakaszaiban az IBM mérnökei finomhangolták a gép algoritmusait, ami ellen az orosz bajnok erősen tiltakozott. A gép ne legyen képes tanulni játék közben? A finomhangolásokat, amelyek növelték az intelligenciáját, és talán hozzájárultak a győzelméhez, a torna bírái engedélyezték.

Szakértői rendszerek és korlátozott mesterséges intelligencia

A specializált hardvereken, mint az IBM Deep Blue-ja, vagy általánosabb számítógép-architektúrákon, sőt személyi számítógépeken futó rendszereket, amelyek egy adott szakterületen az emberi döntéshozatal erejét mutatják, szakértői rendszereknek nevezzük. A mesterséges intelligencia (MI) területét a '80-as években a szakértői rendszerek megközelítése uralta. Olyan különböző területeken, mint az orvosi diagnosztika vagy a pénzügyi tervezés, az adott terület szakértőinek tudását szabályokba kódolták, amelyeket következtetési motorok hoztak működésbe, képesek lévén azokat a megadott adatok szerint alkalmazni, hogy ajánlást generáljanak egy cselekvési tervre: milyen lehetséges betegségre utalnak a tünetek, vagy milyen kölcsön a legmegfelelőbb egy adott pénzügyi helyzetben.

Ezek a szakértői rendszerek viszonylag sikeresek voltak, és még ma is alkalmazzák őket különböző területeken, de nem jelentettek kísérletet az intelligencia általános modelljének megalkotására, és nem jelentettek ugródeszkát az általános mesterséges intelligencia felé vezető úton, amely bármely területen képes lenne szakértő lenni.

Remények és kiábrándulások

Az MI eredeti gyakorlói közül sokan azt hitték, hogy gyorsan építhetnek olyan számítógépeket, amelyek magasabb szintű gondolkodási, kreativitási és problémamegoldó képességeket mutatnak. Kihasználták az akadémiai környezetek ösztönző hatását, az MIT-től a Stanfordig és máshol, hogy az 1960-as években laboratóriumokat hozzanak létre annak tanulmányozására, mi lehetséges. Sokan közülük elhagyták az akadémiai szférát, hogy finanszírozást szerezzenek az iparból, vagy kockázati tőkéből, abban a reményben, hogy skálázható és fenntartható innovációt hoznak létre a laborokban tanultak alkalmazásával.

A legtöbb állítás, még figyelembe véve is a rendelkezésre álló hardver folyamatos fejlődését, amely az MI szoftver rendszereinek alapjául szolgált, nem teljesült. Vagy legalábbis nem érték el azt a léptéket, amelyre a finanszírozóknak szükségük lett volna a folyamatos befektetéseik igazolásához. A '80-as évekre beköszöntött az úgynevezett „MI tél”, és úgy tűnt, hogy a terület nem fogja olyan mélyrehatóan megváltoztatni a világot, mint eredetileg gondolták.

Ez az exponenciálisok félreértésének gyakori hatása. A kívülállók túlzott izgalma a mögöttes elvek gyenge megértése miatt, párosulva a szakértők igyekezetével, hogy szilárd eredményeket mutassanak fel, néhány adatpontot lineáris interpolációval vizsgálva. De egy exponenciális kezdetén a lineáris növekedés valójában magasabb! Így azok, akik alábecsülik az exponenciális erejét a későbbiekben, azt a hibát is elkövetik, hogy túlbecsülik azt annak kezdetén.

A tanulás szerepe

Amikor a számítógépek megszülettek, architektúrájuk kezdetben nem olyan volt, amit ma számítógépként ismerünk. Inkább egy specializált eszközre hasonlított, amelyet csak egy adott célra lehetett használni, nem pedig arra az univerzálisan adaptálható eszközre, amelyet ma naponta használunk. A hardvert úgy tervezték, hogy optimalizálva és szó szerint huzalozva legyen arra az egyetlen feladatra, és nem volt kivitelezhető átrendezni, hogy bármi mást csináljon.

Ezt egy idő után, a tárolt memóriájú számítógéppel, a Von Neumann-architektúrával valósítottak meg. Ennek a számítógépnek a révén, amely nem tett különbséget az adatokat és az utasításokat reprezentáló számok között, vált lehetővé univerzális számítógépről beszélni. Még ekkor is további fejlesztésre volt szükség a számítógép programozása koncepciójának kiteljesítéséhez, és a programok magasabb szintű formalizmusokban való ábrázolásához, absztrakt nyelveken, amelyeket aztán gépi nyelvre lehetett fordítani, a számítógép által közvetlenül végrehajtott lépésekre.

Ezeknek a programoknak az írása új művészet volt a 20. század közepén, és bár bizonyos alapvető komponenseket, mint az elágazás és a ciklusok, már korábban konceptualizáltak, mielőtt egy futó program gyakorlati elemeivé váltak volna, kifinomultabb eszközöket kellett fejleszteni, hogy képesek legyenek egyre nagyobb és nagyobb programokkal zsonglőrködni, biztosítva, hogy problémamentesen tudják végrehajtani őket.

Azt, hogy hogyan lehetne a programokat írni, és ha magukat a programokat adatként lehetne kezelni, a program más részeivel átírva őket szükség szerint, végül megváltoztatva a végrehajtott főprogram viselkedését, Turing már fontolóra vette, és az emberi tanulás szerepéhez hasonlította.

Ha tudunk építeni egy programot, amely sakkozik, egy másikat, amely orvosi diagnózisokat állít fel, vagy pénzügyi ajánlásokat tesz, tudunk-e olyan programokat építeni, amelyek mindezekben és másokban is jók? Tudunk-e olyan programot építeni, amely egy kifinomult és erőteljes számítógépen futva bármilyen probléma elé állítható, és megtalálja a módját annak, hogy elemezze, összegyűjtse a szükséges erőforrásokat, és megoldja azt? Tud-e a program a saját eredményeire tekinteni és eldönteni, hogy azok optimálisak voltak-e, vagy ha további adatok állnak rendelkezésre, most lenne-e jobb módja a siker elérésének? Tanulni és problémákat megoldani, teljesen univerzális módon, ahol a programozása nem rögzített, hanem folyékonyan alkalmazkodik a környezet által képviselt igényekhez? Ez az, amit Általános Mesterséges Intelligenciának nevezünk.

5. Általános Mesterséges Intelligencia

Ez a könyv abból a feltételezésből indul ki, hogy valóban lehetséges felépíteni azt, ami egy olyan viselkedés kialakulásához szükséges, amely képes elemezni és megoldani problémák tetszőleges halmazát. Felépíteni a hardvert, amely elég erőteljes a végrehajtás sebessége tekintetében, és a szükséges memória tárolási és hozzáférési kapacitása szempontjából, valamint gyakorlati értelemben, hogy ez a hardver kezelhető legyen, működtethető legyen kivitelezhető mennyiségű energiával, és lehetséges legyen felépíteni azokkal az erőforrásokkal, amelyekkel rendelkezünk, vagy amelyek rendelkezésünkre fognak állni, amikor majd tudjuk, hogyan építsük fel. Vegyük figyelembe azt is, hogy lehetséges felépíteni a szoftvert, a hardveren futó programok halmazát, amelyek képesek megszerezni az adatokat a szóban forgó probléma felismeréséhez, hozzáférni és dinamikusan használni a tudásbázist, hogy levezessék a probléma megközelítésének lehetséges módjait, és amely elég rugalmas ahhoz, hogy ezeket a megközelítéseket újszerű módon kombinálja, vagy teljesen új megközelítéseket hozzon létre, hogy optimálisan megoldja a problémát a rendelkezésre álló erőforrásokkal és adatokkal.

A Turing-teszt érvénytelenné válása

Turing eredeti, a 20. század közepén tett jóslata, miszerint a Turing-tesztet 50 éven belül teljesítik, nem vált valóra. Folyamatos párbeszédet folytatunk gépeinkkel, és valójában a billentyűzetek eltűnésével egyre kisebb érintőképernyőkbe, vagy maguknak a számítógépeknek a környezetbe való beolvadásával, a beszélgetés alapú interfészek természetes módjai az ember-számítógép interakciónak. Azonban nem ringatjuk magunkat abban az illúzióban, hogy emberrel folytatunk párbeszédet, amikor egy gép szólít meg minket és beszélgetést kezdeményezünk vele.

Bizonyos értelemben ez várható volt. Az emberi lét színlelésének célja csak hollywoodi szempontból értelmes, de egy bizonyos ponton túl nem feltétlenül hasznos. Egy robot számára előnyös lehet az emberszerű forma, például a kétlábúság vagy a kezek megléte, mivel így jobban tud navigálni egy lépcsőkkel, ajtókkal és fogantyúkkal teli emberi környezetben. De miután erre képessé válik, a további erőfeszítés, hogy emberre hasonlítson, csak akkor jelent jó befektetést, ha bebizonyosodik, hogy például az emberek pszichológiai reakciója jobb egy emberszerű robotra, mint egy robotszerű robotra.

Hasonlóképpen, egy olyan beszélgetés, amely hasznos eredményre irányul, például egy repülőjegy foglalására, figyelembe véve tucatnyi korlátozást és a légitársaságok, repülési idők, csatlakozások és ülésopciók millióinak lehetséges kombinációját, nem fog profitálni olyan emberközpontú furcsaságok hozzáadásából, amelyek valószínűbbé teszik, hogy a gépet embernek lássák. Egy alkalmi köhögés, néhány vicc, vagy egy megjegyzésre tett kitérő, amely előfordulhat a beszélgetésben, csak akkor lesz támogatott a párbeszéd rendszer által, ha ez több jegy gyorsabb eladását eredményezi, és magasabb fokú elégedettséget az emberi hívó részéről.

Az emberi partnernek a robottal való interakcióból, vagy a géppel folytatott beszélgetésből származó érték önmagában is cél. Van egy évente megrendezett, pénzdíjakkal finanszírozott verseny, amely életben tartja a Turing-teszt szellemét. A résztvevő chatbotok trükkök teljes tárházát alkalmazzák, hogy megtévesszék az emberi bírákat, és elhitessék velük, hogy emberek. Sok közülük online webes felületen keresztül is elérhető, hogy bárki megtapasztalhassa a velük folytatott beszélgetést. Azonban, ahogy azt a versenyekbe évente befektetett viszonylag szerény összeg is mutatja, általános konszenzus van arról, hogy az igazán hasznos kutatás iránya máshol van.

Elkerülhetetlen antropomorfizálás

A filozófia több más, évezredek óta rendezetlen szálával együtt, a szubsztancia és az emuláció közötti különbség visszhangzik a Turing-tesztben. Turing következtetése azonban nagyon gyakorlatias: ha nincs statisztikailag jelentős különbség a kimenetben és annak hatásaiban, akkor nincs okunk feltételezni, hogy különbség van a szubsztanciában.

Ismeretelméleti szempontból természetesen ez egyáltalán nem igaz. Lehet olyan rendszerünk, amely azonosnak tűnik egy másikkal, amelyet emulál, több ezer különböző bemeneti kombináció esetén, aztán hirtelen váratlan kimenetet generál egy adott bemeneti halmazra, teljesen eltérőt attól, amit az eredeti produkálna. Ezt számos fikciós mű vagy hollywoodi film kihasználta, ahol a kezdeti feltételezések drámaian hamisnak bizonyulnak.

7. ábra: A robotok szándékai és céljai különbözni fognak az emberekétől.

Az emberi észlelés működése miatt természetes és elkerülhetetlen, hogy emberi tulajdonságokat és jellemzőket vetítünk nem emberi tárgyakra vagy lényekre. A gyermekkori játékainktól kezdve a kutyák és macskák viselkedésén át addig, ahogyan leírjuk azon készülékek viselkedését, amelyek nem hajtják végre utasításainkat úgy, ahogy szeretnénk, ellenállhatatlan a kísértés, hogy mindegyiket emberszerű tulajdonságokkal ruházzuk fel. Szándékot, vágyakat, akaratot és szabad akaratot, érzelmeket, empátiát és sok mást tulajdonítunk nekik, aminek következtében feltételezzük, hogy viselkedésük az emberi szereplők által mutatott lehetőségek szélesebb skáláját foglalja magában. Ez egy hasznos rövidítés, amely lehetővé teszi, hogy tömören azt mondjuk, egy televíziókészülék „elalszik”, amikor az időzítője megfelelően be van állítva, és számtalan más kényelmes kifejezést használjunk. Senki sem általánosítana azonban, és tulajdonítana egy televíziókészüléknek szélesebb körű emberszerű tulajdonságokat és viselkedéseket.

Az egyik kulcsfontosságú kérdés, amelyet a későbbiekben részletesebben is megvitatunk, az, hogy mikor szűnik meg ez a megkülönböztetés értelmesnek lenni. Addig is hasznos észben tartani, hogy a komplex rendszereknek tulajdonított kifejezések viselkedésük leírásában egy metafora részei, amely önmagában nem jelent egyenlőséget.

Előrejelzések az AGI-ról

A mesterséges intelligencia területén professzionálisan dolgozó emberek többsége nem lát elméleti akadályt egy fent leírt Általános Mesterséges Intelligencia (AGI) létrehozásában. Van némi nézeteltérés az eredmény alapvető természetét illetően, és meglehetősen széles körben elterjedt előrejelzések vannak arról, hogy mikor valósul meg egy AGI létrehozása.

Létezik egy informális felmérés, amely MI-szakértőket kérdez, és válaszaikat egy időskálán ábrázolja a sikeres AGI megvalósítás időpontjáról. A legkorábbi, száz évvel vagy még többel későbbi, a 21. század vége utáni időpontoktól kezdve a későbbi felmérésekben a válaszok kezdtek e század közepe körül csoportosulni, és a válaszok szórása is szűkül.

AGI architektúrák

Az AGI-k felé vezető két fő út az agy működésének megértéséből és utánzásából, valamint rugalmas problémamegoldó képességeinek különböző eszközökkel történő újraimplementálásából áll.

A neurális hálózatok és az úgynevezett mély tanulási algoritmusok lehetővé teszik egy rendszer számára, hogy döntéseket hozzon összetett bemenetek és lehetséges kimenetek körül, olyan visszacsatolási mechanizmust használva, amely nem igényli a döntéseket irányító konkrét szabályok explicit megfogalmazását. Egyszerűen futtatva a rendszert egy szimulált forgatókönyvön keresztül, ahol minden lépés pozitív és negatív kimeneteleit egyértelműen feljegyzik, és variációkat generálva a döntésekben, hogy a rendszer a kapott visszajelzések alapján széleskörű lehetőségeket próbálhasson ki, elegendő idő és számítási erőforrás birtokában meglepően jól teljesítő eredményeket fog generálni.

8. ábra: A kvantumarchitektúrák radikális növekedést ígérnek a számítási teljesítményben.

Ezeket a mély tanulási megközelítéseket tucatnyi különböző '80-as évekbeli videójátékra alkalmazva, ma már lehetséges olyan rendszert kifejleszteni, amely nemcsak jól játssza a játékot, hanem jobban játszik, mint bármely ember. Eredetileg ezek a játékok saját hardveren futottak, elszigetelt, érmével működő kabinokban a játéktermekben. Ma már nagyobb számítógépeken belül „élnek”, amelyek képesek teljes pontossággal emulálni hardverüket, valamint a rajtuk futó szoftvert. A későbbi játékokat, amelyeket ezek az algoritmusok szintén emberfeletti teljesítménnyel tanultak meg, az első generációs konzolok tartalmazzák. Mindkét esetben azzal lehet érvelni, hogy a játékok teljes készlete különböző problémákat képvisel a videójátékok univerzumában, és ebben az értelemben a mély tanulási megközelítés azon képessége, hogy nagyon kevés, vagy semmilyen információ nélkül elsajátítsa őket a céljaikról, szabályaikról, bemeneti mechanizmusaikról és így tovább, az adott univerzum korlátain belül egy AGI viselkedése.

AGI hardver

Közeledünk a hagyományos szilícium alapú tranzisztor korlátaihoz, és az általánosított Moore-törvény új lépéseit különböző szubsztrátumokon és különböző hardverarchitektúrákon keresztül kell megtenni.

A következő generációs chipeket már CAD, számítógéppel segített tervezőrendszerek segítségével tervezik, amelyeket viszont a jelenlegi generációs chipek és szoftverek működtetnek, hatékonyan együtt tervezve nemcsak a hardvert a szoftverrel, hanem az erősebb számítógépeket a kevésbé erősekkel. Természetes és valószínű, hogy az AGI-k, bár kevésbé teljesen kifejlett formában, már részt vesznek ebben a folyamatban.

Computronium és Jupiter-agyak

A feldolgozási teljesítmény növekedésének elméleti véglete, ahogy az anyagot számításra szervezzük, a computronium. Nagyon egyszerűen, függetlenül attól, hogy milyen atomokból áll, vagy hogyan van strukturálva, a számítások szempontjából az anyag lehető legsűrűbb formáját képviseli. Következésképpen a computronium alapú rendszerek teljesítményének növelésére az egyetlen mód a tömegük növelése.

A computroniumból készült, egy óriási gázbolygó méretű, nagyon erős AGI-kat Jupiter-agyaknak nevezik. Még mindig éhezve esetleg több számításra és több anyagra, amit erre lehet átalakítani, felderítik a naprendszert más bolygók után kutatva, amiket „megehetnek”.

A fénysebesség felső korlátjára vonatkozó ontológiai érv, amely szerint nincs olyan jövőbeli fejlesztés, amely túllépheti ezt, és amely a könyv vége felé leírt szimulációs érvhez kapcsolódik, abból ered, hogy ennek természetes következménye a Jupiter-agyak felső méretkorlátja. Ahogy a bal oldala akar valamit, például lát valamit ennivalót ott, egyszerűen nincs idő egyetérteni a jobb oldallal, amely esetleg a másik irányba akar menni, mielőtt mindkettő megteszi, és a tárgy fizikailag két részre szakad.

Önfejlesztés

Egy adott rendszer által elérendő célok határozzák meg annak architektúráját, komponenseit, erőforrásait, működési módját és kimeneteit. Attól függően, hogy mennyire összetett a cél, az eléréshez vezető út lehet közvetlen és nyilvánvaló, vagy önmagában természetesen köztes lépésekből álló. Ezen köztes lépések némelyike lehet könnyű és nem vitatott, míg mások kevésbé nyilvánvalóak, vagy egyértelműen alternatív megközelítéseket mutatnak. Az alternatív megközelítések közötti választás függhet a korábbi eredményektől, vagy előfordulhat, hogy kevés ok van arra, hogy előre az egyiket válasszuk a másik helyett. Utólag lehetséges megállapítani, hogy a választott opció, ha nem is a legjobb, de a lehetőségek alapján jobb volt, vagy ellenkezőleg, nem hatékony.

Minél rugalmasabb egy célkereső rendszer önmaga megszervezésében céljai elérése érdekében, annál explicitebb módon fogja erőforrásai egy részét olyan típusú megfontolásokra fordítani, amelyek nem a célról szólnak, hanem az eszközökről, a célok elérésének eszközeiről és módszereiről. Meta-gondolkodás, gondolkodás a gondolkodásról: lehetőség arra, hogy jobbá váljunk a feladatban azáltal, hogy felismerjük, melyek a legjobb módjai annak elérésének, és ezeket használjuk, nem pedig az alternatív, alsóbbrendű módszereket.

Az AGI megközelítések többsége olyan tanulási algoritmusokat tartalmaz, amelyek implicit vagy explicit módon lehetővé teszik a rendszer számára a meta-gondolkodás alkalmazását. Ennek következtében egy AGI rendszer jobbá válik, és idővel fejlődni fog, jobb teljesítményt érve el egy adott feladatban, vagy képes lesz összetettebb célokat követni adott mennyiségű erőforrással.

Intelligenciarobbanás

Egy rendszer, amelynek feladata egy összetett cél elérése, és képes elemezni, és javítani saját viselkedését annak teljesítése során, ki fogja használni ezt a képességét. Fejleszteni fogja önmagát, hogy gyorsabban vagy kevesebb erőforrással érje el a célt. Ha a cél elérésének képességét egy adott intelligenciaszintnek tekintjük, akkor a cél elérésének jobb módja a magasabb intelligencia jele. A rendszer okosabbá válik. Ez a folyamat azonban nem áll meg magától. Ellenkezőleg, exponenciális módon fog táplálkozni önmagából.

Egy okosabb rendszer nemcsak jobb lesz céljai elérésében, hanem okosabb lesz a folyamat javítási módjainak elemzésében is. Alkalmazza majd ennek az elemzésnek az eredményeit önmagára, majd újrakezdi a ciklust. Az a folyamat, amelyen keresztül ez az iteratív önreflektív fejlődés történik, az intelligenciarobbanás.

Öntudatosság és introspekció

Azt a mértéket, amellyel egy rendszer képes érzékelni környezetét és hasznos döntéseket levezetni belőle, tudatosságnak nevezzük, legalábbis az emberek esetében. Azt a hasonló mértéket, amellyel ugyanezt a folyamatot a belső állapotokra és paraméterekre alkalmazzák, nem pedig a külvilágra, öntudatosságnak, az adatgyűjtés folyamatát pedig introspekciónak nevezzük.

9. ábra: Az önfelismerés introspekcióhoz és öntudatossághoz vezet.

Azzal a fenntartással, hogy ezeket a kifejezéseket lazán alkalmazzuk, az intelligenciarobbanás során az AGI rendszerek tudatosabbá, öntudatosabbá válnak, ahogy introspekciós képességük növekszik.

Nyílt hozzáférés önmagunkhoz

Technológiai civilizációnk tízezer éves története során (vagy százezer év, ha nagylelkűek akarunk lenni, és a tűz használatának kezdetétől számoljuk, nem pedig a mezőgazdaságtól) küzdöttünk azzal, hogy szilárd alapot adjunk saját lényünk megértésének. Néhány évtizede kezdtük megérteni, hogyan hozza létre a DNS biológiai receptje az embriókat, majd az egyéneket, és alig érintjük a felszínét azoknak a komplex kölcsönhatásoknak, amelyeket genetikai lehetőségeink fejeznek ki, ahogy kölcsönhatásba lépnek a környezettel és a tanulásunkkal.

Az üzleti modellek metaforáját alkalmazva azt mondhatjuk, hogy az emberek zárt forráskódú, tulajdonosi rendszerként tekintettek magukra, felhasználói kézikönyv és rendszergazdai útmutató nélkül. Lassan kellett visszafejteni testünk (és a körülöttünk lévő világ) minden komponensét, és valóban, ez érthetően hosszú időt vett igénybe. (Remélhetőleg senki nem jelentett be szabadalmat a Világegyetem tervére, és nem áll készen arra, hogy bepereljenek minket jogsértésért!)

Természetes feltételezni, hogy az általunk építendő AGI rendszereket aszerint fogják megítélni, hogy milyen jól teljesítenek. Következésképpen, mivel jobban fognak teljesíteni, ha képesek fejleszteni önmagukat, azokat fogják előnyben részesíteni, amelyek ezt teszik. Nyilvánvaló lesz tehát, hogy segítsük őket, az emberekkel ellentétben, azzal, hogy hozzáférést adunk nekik saját forráskódjukhoz, teljes használati utasításokkal együtt arról, hogyan férjenek hozzá és hogyan fejlesszék azt.

Az AGI-knak nem fog tízezer fájdalmas évbe telni, hogy rájöjjenek, milyen DNS-ből, vagy inkább bináris kódból készültek. Tudatosan, öntudatosan születnek majd, és teljes képességgel rendelkeznek majd, hogy cselekedjenek introspektív erejükkel.

Next: Chapter 5: Általános mesterséges intelligencia →