Meta Mesterséges Intelligencia (avagy egy lehetséges út az emberi szintű MI …

Meta Mesterséges Intelligencia (avagy egy lehetséges út az emberi szintű MI felé)

Ray Kurzweil kijelentése, mely szerint bő 30 éven belül eljuthatunk az emberi szintű mesterséges intelligenciáig sokakat bizonyára megmosolyogtat, hiszen elég csak körbenéznünk, mire képes manapság az MI. Felismeri a képen a labdát, hellyel-közzel képes írott szöveggé alakítani az emberi beszédet, egész jól játszik Go-t és pár egyszerűbb számítógépes játékot. És? – kérdezhetnénk. Ez még azért fényévekre van az absztrakt, általános emberi gondolkodástól. Hogy lesz ebből nekünk emberi szintű MI 30 éven belül? Pedig valójában lehet, hogy nem is vagyunk olyan nagyon messze, csak rosszul közelítjük meg a problémát. A gépi tanulás és azon belül is a deep learning célja nem a képek felismerése, vagy a Go játék minél magasabb fokú elsajátítása, a technológia ennél sokkal-sokkal általánosabb. A mély neurális hálózatok az összefüggések, a működés feltárásában jók. Abban jók, hogy ha nyakon öntjük őket iszonyatos mennyiségű bemeneti és kimeneti adattal, képesek elsajátítani azt a működést, ami által a bemenetből előáll a kimenet. Egy képfelismerő rendszer esetén például ha elég sok képet mutatunk a rendszernek, amikről megmondjuk neki, hogy mi szerepel rajta, egy idő után megtanulja felismerni ezeket az objektumokat, tehát megtanulj a módját, hogy lehet a bemenetből (labdás kép) előállítani a kimenetet (megmondani, hogy labda van rajta). Ugyanígy egy beszédet írott szöveggé alakító hálózat esetén sok hanganyag és a hozzá tartozó írott szöveg alapján képes elsajátítani annak a módját, hogy a hanginformációt írott szöveggé alakítsa. De ugyanez a helyzet a gépi fordításnál, ahol a bemenet a szöveg az egyik nyelven, a kimenet pedig a másik nyelven, vagy Go játék esetén a bemenet a tábla látott képe, a kimenet pedig a következő szükséges lépés. A neurális hálók tehát a működés feltárásában jók. Amikor emberi szintű MI-ről beszélünk, mindig úgy gondolunk a neurális hálókra, mint az agy modelljére. Ez alapján ahhoz, hogy agyat építsünk ilyen "digitális szövetből", először meg kell értenünk az agy működését, amitől nem hogy fényévekre vagyunk, de még csak az is kétséges, hogy valaha is képesek leszünk rá, hisz annyira komplex. Egyszerűen nem vagyunk elég okosak, hogy átlássuk ennek a rendkívül bonyolult szervnek a működését. De itt jön a csavar a történetben, hogy talán nem is kell megértenünk. Talán elég csak építenünk egy kellően komplex neurális hálózatot, ami majd "megérti" helyettünk az agy működését. Arról van szó, hogy az agy is felfogható egy fekete dobozként. Vannak bemenetek, van valami belső állapota, ami ugyancsak felfogható bemenetként, és működése során valami kimenetet generál, ami megváltoztatja a belső állapotát, illetve kódolhat valami cselekvést. Tehát például látjuk, hogy repül felénk egy labda (bemenet), tudjuk, hogy ha eltalál a labda, az fáj (belső állapot, ami ugyancsak bement), ezek hatására az agy parancsot ad a lábainknak, hogy menjünk arrébb (kimenet). Elméletileg bármilyen cselekvés, bármilyen gondolati folyamat, stb. leírható ilyen bemenetek és kimenetek formájában. A tudomány jelen állása szerint az agy neuronok rendkívül bonyolult hálózata, ahol a neuronokat ingerek érik, ami alapján azok további neuronokat ingerelnek. Ebből áll össze a gondolkodás folyamata, és végső soron teljes személyiségünk, az a valami, ami mi magunk vagyunk. Az egész bemenetek és az azokra adott kimenetek (amik rögtön más neuronok bemenetei is lehetnek egyben) összessége. Alapvetően egyszerű mechanizmusok dolgoznak az agyban, de a neuronok száma olyan nagy, a kapcsolati háló olyan rettenetesen komplex, hogy esélyünk sincs arra, hogy átlássuk. Egy mély neurális hálónak viszont pont ez a specialitása, a komplex összefüggések feltárása és "megtanulása". Kellő mennyiségű adat esetén egy megfelelő mély neurális háló képes lehet arra, hogy a bemenetek alapján megjósolja az adott válaszokat. Mivel a neurális háló működését ugyanúgy nem látjuk át, ezért az agyról nem fogunk megtudni semmi újat, viszont lesz egy rendszerünk, ami képes azt szimulálni. Ez elvileg csak neurális háló és számítási kapacitás kérdése. Nem vagyok szakértője a témának, de úgy sejtem, hogy egy ilyen hálózat megépítése egyszerűbb feladat lehet mint darabonként felépíteni egy emberi agyat. Ez a hálózat tehát nem az agy másolata, ami képes dolgokat megtanulni, hanem egy olyan rendszer, aminek azt tanítjuk meg, hogyan kell agyként viselkedni. Innen is a név, meta mesterséges intelligencia. Egy ilyen rendszer működését valahogy úgy tudnám elképzelni, hogy pl. nanorészecskéket juttatunk az agy neuronjaiba (lehet, hogy nem kell minden sejtbe, elég csak nagyobb részekbe), hogy a rendszer folyamatosan monitorozhassa az agy működését. Az is lehet, hogy nem is kellenek nanorészecskék, elég lesz valamilyen MRI szerű technológia. A lényeg, hogy a neurális hálózat rendelkezésére álljanak az adatok. Eztán a rendszernek egy ideig együtt kéne élnie a másolandó tulajdonossal, hogy minél behatóbban megismerje annak agyát. A folyamat végével pedig a neurális hálózat átveheti az adott személy helyét, mivel képes lesz tökéletesen szimulálni azt. Ezzel megvalósulhat az emberi agy hálózatba történő feltöltése. A gyakorlatban az egészet egy folyamatként tudom elképzelni. Először csak agy-gép interfészeket fogunk használni, amik csak kiegészítik az agyunk működését képesek megtanulni, és átvenni egy egy rész feladatát, így olvadhatnak bele az agyunkba. A folyamat végén pedig már agyunk teljes egészét szoftver fogja alkotni. Hogy eközben mi meghalunk, és ami tovább él, az csak másolat, vagy mi vagyunk magunk érdekes filozófiai kérdés, de talán nem annyira lényeges, hisz mi mindvégig úgy fogjuk érezni, hogy mi mi maradtunk, és szép folyamatosan, évek alatt hagytuk el a valóságot, és léptünk át egy szimulált világba. Egy ilyen rendszer paradicsomi állapotokkal, örök élettel, és végül valamiféle isteni állapottal (a szimulált valóságban mi hozzuk a fizikai törvényéket) kecsegtet, így az én szememben az MI a fentiek miatt minden tudományok szent grálja.

#blog