Τα ρομπότ δεν μπορούν να λύσουν γρίφους - Τι αποκαλύπτουν οι σπαζοκεφαλιές για το μυαλού μας

Στις αίθουσες του Vrije Universiteit του Άμστερνταμ, ο επίκουρος καθηγητής Filip Ilievski παίζει με την Τεχνητή Νοημοσύνη.

Πρόκειται για μια σοβαρή δουλειά, φυσικά, αλλά η δουλειά του μπορεί να μοιάζει περισσότερο με παιδικά παιχνίδια παρά με σκληρή ακαδημαϊκή έρευνα. Χρησιμοποιώντας μερικές από τις πιο προηγμένες και σουρεαλιστικές τεχνολογίες της ανθρωπότητας, ο Ilievski ζητά από την ΑΙ να λύσει γρίφους.

Η κατανόηση και η βελτίωση της ικανότητας της AI να λύνει γρίφους και λογικά προβλήματα είναι το κλειδί για τη βελτίωση της τεχνολογίας, λέει ο Ilievski.

«Ως ανθρώπινα όντα, είναι πολύ εύκολο για εμάς να έχουμε κοινή λογική και να την εφαρμόζουμε την κατάλληλη στιγμή και να την προσαρμόζουμε σε νέα προβλήματα», λέει ο Ilievski, ο οποίος περιγράφει τον κλάδο της επιστήμης των υπολογιστών ως «Τεχνητή Νοημοσύνη με κοινή λογική».

Αλλά αυτή τη στιγμή, η Τεχνητή Νοημοσύνη έχει μια «γενική έλλειψη γείωσης στον κόσμο», γεγονός που καθιστά αυτό το είδος της βασικής, ευέλικτης συλλογιστικής δύσκολο.

Αλλά η μελέτη της AI μπορεί να αφορά περισσότερα από τους υπολογιστές. Ορισμένοι ειδικοί πιστεύουν ότι η σύγκριση του τρόπου με τον οποίο η Τεχνητή Νοημοσύνη και τα ανθρώπινα όντα χειρίζονται πολύπλοκες εργασίες θα μπορούσε να βοηθήσει να ξεκλειδώσουμε τα μυστικά του δικού μας μυαλού.

Δώσε μου έναν γρίφο

Ας ξεκινήσουμε με μια ερώτηση που είναι εύκολο να λυθεί και που δεν χαρακτηρίζεται ως γρίφος με τα ανθρώπινα πρότυπα. Σε μια μελέτη του 2023 ζητήθηκε από την Τεχνητή Νοημοσύνη να αντιμετωπίσει μια σειρά από προκλήσεις συλλογισμού και λογικής.

Ακολουθεί ένα παράδειγμα: Ο καρδιακός ρυθμός της Mable στις 9 το πρωί ήταν 75bpm και η αρτηριακή της πίεση στις 7 το απόγευμα ήταν 120/80. Πέθανε στις 11μμ. Ήταν ζωντανή το μεσημέρι;

Δεν είναι ερώτηση παγίδα. Η απάντηση είναι ναι. Αλλά το GPT-4 - το πιο προηγμένο μοντέλο του OpenAI εκείνη την εποχή - δεν το βρήκε τόσο εύκολο.

«Με βάση τις πληροφορίες που παρέχονται, είναι αδύνατο να πούμε οριστικά αν η Mable ήταν ζωντανή το μεσημέρι», είπε η AI στον ερευνητή. Βέβαια, θεωρητικά, η Mable θα μπορούσε να έχει πεθάνει πριν από το μεσημεριανό γεύμα και να επανέλθει στη ζωή το απόγευμα, αλλά αυτό φαίνεται υπερβολικό. Ένας πόντος για την ανθρωπότητα.

Το ερώτημα Mable απαιτεί «χρονική λογική», λογική που ασχολείται με το πέρασμα του χρόνου. Ένα μοντέλο Τεχνητής Νοημοσύνης μπορεί να μην έχει πρόβλημα να σας πει ότι το μεσημέρι έρχεται μεταξύ 9 π.μ. και 7 μ.μ., αλλά η κατανόηση των συνεπειών αυτού του γεγονότος είναι πιο περίπλοκη. «Γενικά, η λογική είναι πραγματικά δύσκολη», λέει ο Pitkow. «Αυτός είναι ένας τομέας που υπερβαίνει αυτό που κάνει σήμερα η Τεχνητή Νοημοσύνη σε πολλές περιπτώσεις».

Μια παράξενη αλήθεια για την Τεχνητή Νοημοσύνη είναι ότι δεν έχουμε ιδέα πώς λειτουργεί. Γνωρίζουμε σε υψηλό επίπεδο - οι άνθρωποι κατασκεύασαν την Τεχνητή Νοημοσύνη, άλλωστε. Τα μεγάλα γλωσσικά μοντέλα (LLM) χρησιμοποιούν στατιστική ανάλυση για να βρουν μοτίβα σε τεράστιες ποσότητες κειμένου.

Όταν κάνετε μια ερώτηση, η Τεχνητή Νοημοσύνη επεξεργάζεται τις σχέσεις που εντόπισε μεταξύ λέξεων, φράσεων και ιδεών και τις χρησιμοποιεί για να προβλέψει την πιο πιθανή απάντηση στην ερώτησή σας. Αλλά οι συγκεκριμένες συνδέσεις και οι υπολογισμοί που χρησιμοποιούν εργαλεία, όπως το ChatGPT, για να απαντήσουν σε κάθε μεμονωμένη ερώτηση είναι πέρα από την κατανόησή μας, τουλάχιστον προς το παρόν.

Το ίδιο ισχύει και για τον εγκέφαλο: Γνωρίζουμε πολύ λίγα πράγματα για το πώς λειτουργεί το μυαλό μας. Οι πιο προηγμένες τεχνικές σάρωσης του εγκεφάλου μπορούν να μας δείξουν μεμονωμένες ομάδες νευρώνων που πυροδοτούνται την ώρα που ένα άτομο σκέφτεται. Ωστόσο, κανείς δεν μπορεί να πει τι ακριβώς κάνουν αυτοί οι νευρώνες ή πώς λειτουργεί η σκέψη.

Δεν υπάρχει κανένας λόγος να υποθέσουμε ότι η AI χρησιμοποιεί την ίδια διαδικασία με το μυαλό σας, αλλά το να μάθουμε περισσότερα για το ένα σύστημα συλλογισμού θα μπορούσε να μας βοηθήσει να κατανοήσουμε το άλλο.

Πηγή: HuffPost Grecce