Η τεχνητή νοημοσύνη βρίσκεται συχνά στο επίκεντρο ταινιών και σειρών ως μία απειλή για την ανθρωπότητα ή ως μία οντότητα που προσπαθεί να επιβιώσει από το κυνήγι των ανθρώπων. Στην πραγματική ζωή για τον απλό κόσμο, παραμένει ένα θέμα συζήτησης και όχι μία πραγματική εμπειρία. Η έννοια της AI χρησιμοποιείται τόσο συχνά, που πολλές φορές χάνει τον πραγματικό ορισμό της. Μπορεί να μην έχει φτάσει ακόμα το επίπεδο συνειδητότητας που βλέπουμε στις sci-fi παραγωγές, αλλάζει όμως τη θεώρησή μας για το τι μπορεί να κάνει.
Τον προηγούμενο μήνα μία τεχνητή νοημοσύνη, η ChatGPT, έγινε διαθέσιμη στο ευρύ κοινό. Πρόκειται για μία “παραγωγική AI” η οποία μπορεί με μερικές λέξεις-εντολές να συνθέσει μία έκθεση, μία συνταγή ή ένα τραγούδι. Πρόκειται για το πιο επιτυχημένο παράδειγμα παραγωγικής τεχνητής νοημοσύνης, ενώ υπάρχουν παρόμοια συστήματα που δημιουργούν μοναδικό περιεχόμενο με μερικές λέξεις ως εντολές.
Για να οριστεί ως AI, ένα σύστημα πρέπει να επιδείξει ένα επίπεδο εκμάθησης και προσαρμογής. Τα συστήματα λήψης αποφάσεων, αυτοματισμού και στατιστικών δεν είναι AI. Η τεχνητή νοημοσύνη χωρίζεται σε δύο κατηγορίες, την περιορισμένη τεχνητή νοημοσύνη (ANI) και τη γενική τεχνητή νοημοσύνη (AGI).
Η AGI δεν υπάρχει μέχρι σήμερα. Αυτό που αναφέρουμε ως τεχνητή νοημοσύνη σήμερα είναι η ANI, όπου ένα συγκεκριμένο πρόγραμμα λύνει ένα συγκεκριμένο πρόβλημα. Σε αντίθεση με την ανθρώπινη νοημοσύνη, η περιορισμένη τεχνητή νοημοσύνη είναι αποτελεσματική μόνο στον τομέα στον οποίο εκπαιδεύτηκε – αναγνώριση προσώπου, προτάσεις των social media κλπ.
Μία AGI, θα λειτουργούσε όπως οι άνθρωποι. Θα χρησιμοποιούσε τα τεράστια ποσά δεδομένων των νευρωνικών δικτύων και τη βαθιά εκμάθηση μηχανής για να μάθει τα πάντα για τον κόσμο. Τα περισσότερα μοντέλα εκμάθησης μηχανής τρέχουν υπολογισμούς στα δεδομένα εκπαίδευσης. Τα νευρωνικά δίκτυα όμως έχουν εμπνευστεί από τον τρόπο που λειτουργεί ο εγκέφαλος των ανθρώπων. Τροφοδοτούν ένα-ένα τα data points σε ένα διασυνδεδεμένο δίκτυο, ρυθμίζοντας κάθε φορά τις παραμέτρους. Όσο πληθαίνουν τα δεδομένα, οι παράμετροι σταθεροποιούνται και το αποτέλεσμα είναι ένα “εκπαιδευμένο” νευρωνικό δίκτυο που μπορεί να παράγει το επιθυμητό αποτέλεσμα σε νέα δεδομένα. Για παράδειγμα να αναγνωρίσει αν μία νέα εικόνα που δεν έχει ξαναδεί, περιέχει ένα σκύλο ή μία γάτα.
Η τεχνολογική πρόοδος έχει βελτιώσει σημαντικά τα νευρωνικά δίκτυα και οι τεράστιες υποδομές cloud-computing οδήγησαν σε νευρωνικά δίκτυα όπως το ChatGPT το οποίο τρέχει 175 δισεκατομμύρια παραμέτρους.
Η AI χρειάζεται τρεις παράγοντες για να είναι επιτυχημένη. Πρώτον, υψηλής ποιότητας δεδομένα σε τεράστιες ποσότητες. Ολοένα και περισσότερα δεδομένα γίνονται διαθέσιμα καθώς η κοινωνία μας ψηφιοποιείται. Όσο οι υπολογιστές μας γίνονται πιο ισχυροί, χρειάζεται και περισσότερη υπολογιστική δύναμη. Και τέλος χρειάζεται βελτιωμένα μοντέλα και αλγορίθμους.
Καθώς όμως ο κόσμος γύρω μας αλλάζει, η AI πρέπει να εκπαιδεύεται συνεχώς με νέα δεδομένα. Αυτό είναι ένα πολύ κρίσιμο βήμα, αφού αν δεν λαμβάνονται υπόψη οι νέες πληροφορίες, οι απαντήσεις της θα γίνουν τελικά λανθασμένες ή παρωχημένες.