Ακολουθήστε την «ΑΥΓΗ»
Ο επιλεγμένος κατάλογος δεν υπάρχει πλέον.

Μπορεί η Τεχνητή Νοημοσύνη να είναι δημιουργική;

  Μεγάλο μέρος της έρευνας στην Τεχνητή Νοημοσύνη εστιάζει στη δημιουργία αλγορίθμων, οι οποίοι, εκτός από τη δυνατότητα να αναπαράγουν προβλέψιμα αποτελέσματα βάσει κάποιων δεδομένων, επιδεικνύουν...

Μεγάλο μέρος της έρευνας στην Τεχνητή Νοημοσύνη εστιάζει στη δημιουργία αλγορίθμων, οι οποίοι, εκτός από τη δυνατότητα να αναπαράγουν προβλέψιμα αποτελέσματα βάσει κάποιων δεδομένων, επιδεικνύουν και δημιουργικότητα. Ενδείξεις γι’ αυτή τη δυνατότητα έχουν υπάρξει σε εφαρμογές της Τεχνητής Νοημοσύνης σε παιχνίδια στρατηγικής (όπως το AlphaGo) ή στην τέχνη. Οι πιο αισιόδοξοι από τους επιστήμονες και μερικοί μελλοντολόγοι κάνουν συχνά λόγο για μια Τεχνητή Νοημοσύνη που θα ξεπεράσει την ανθρώπινη δημιουργικότητα και θα παρουσιάζει υπεράνθρωπες ικανότητες. Ωστόσο, πολλοί φιλόσοφοι εκφράζουν σοβαρές αντιρρήσεις σε τέτοιου είδους τοποθετήσεις. Οι αντιρρήσεις αυτές βασίζονται στο πώς ορίζεται η ανθρώπινη δημιουργικότητα, τι σημαίνει πραγματικά καινοτόμα σκέψη και τι προεκτάσεις μπορεί να έχει ένα μέλλον στο οποίο θα έχει αποθεωθεί η Τεχνητή Νοημοσύνη.

Δημιουργικότητα: Τάξη, μοτίβα και τυχαιότητα

Είναι ίσως εύκολο διαισθητικά να καταλάβουμε τι είναι δημιουργικότητα, αλλά λιγότερο εύκολο να δώσουμε έναν πλήρη ορισμό. Μια δημιουργική διαδικασία, όπως είναι η ενασχόληση με την τέχνη ή την επιστήμη, συμπεριλαμβάνει τη μελέτη μιας πράξης, τη μίμησή της, την αλλοίωση ή την πλήρη απόρριψή της και μπορεί να υπόκειται σε τυχαίους περιβαλλοντικούς ή εσωτερικούς παράγοντες. Για παράδειγμα, ένας μουσικός μαθαίνει τους κανόνες της μουσικής, τα αισθητικά όρια που τίθενται από τα διάφορα ιδιώματα, αναπαράγει ακούσματα ή μουσικά έργα ή τα χρησιμοποιεί ως επιρροές και προσπαθεί να εκφραστεί σύμφωνα με τη διάθεση ή τα ερεθίσματά του.

Μέσα από αυτό το παράδειγμα φαίνεται ότι η δημιουργικότητα χαρακτηρίζεται από παράγοντες όπως η αναπαραγωγή μοτίβων, η τυχαιότητα, η καινοτομία και το ευρύτερο πλαίσιο στο οποίο ένα δημιουργικό ον δρα.

Η αναγνώριση των μοτίβων που εντοπίζονται στην επιστήμη, την τέχνη ή στα παιχνίδια είναι ο κατεξοχήν τομέας στον οποίο η Τεχνητή Νοημοσύνη είναι αποτελεσματική. Χαρακτηριστικά παραδείγματα είναι τα συστήματα Τεχνητής Νοημοσύνης που αναπαράγουν διάφορα είδη μουσικής, οι μηχανές που παίζουν σκάκι κ.λπ. Ωστόσο, η αναπαραγωγή των μοτίβων που ένας αλγόριθμος έχει εκπαιδευτεί να εντοπίζει δεν αποτελεί από μόνη της δημιουργικότητα, αλλά μίμηση.

Θα μπορούσε βέβαια κανείς με ευκολία να ενσωματώσει σε έναν αλγόριθμο και έναν παράγοντα τυχαιότητας, είτε μέσω γεννητριών τυχαίων αριθμών ή χρησιμοποιώντας πιο εκλεπτυσμένους τρόπους, όπως γίνεται στην περίπτωση του The Painting Fool. Άλλωστε, χρησιμοποιώντας και πάλι το παράδειγμα της τέχνης, η τυχαιότητα είναι κάτι που συναντάμε συχνά, σε καλλιτέχνες όπως, π.χ., ο Pollock. Βέβαια, η τυχαιότητα αν και μπορεί να οδηγήσει σε νέες κατευθύνσεις, από μόνη της δεν συνιστά δημιουργικότητα ή καινοτομία, καθώς ο καλλιτέχνης (ή ο επιστήμονας κ.λπ.) χρησιμοποιεί ένα κριτήριο επιλογής για να αξιολογήσει το αποτέλεσμα. Αυτό καθιστά μέχρι στιγμής την Τεχνητή Νοημοσύνη εργαλείο και όχι αυθεντικό δημιουργό.

Καινοτομία και ευρύτερο πλαίσιο

Υπάρχουν χαρακτηριστικά παραδείγματα που μας δείχνουν ότι η δημιουργικότητα, τόσο στην τέχνη όσο και στην επιστήμη, είναι κάτι που εκτιμάται και αποτιμάται σε συγκεκριμένες εποχές. Ο Μπαχ έγινε τον 17ο αιώνα ο κύριος εκφραστής του μπαρόκ σε μια εποχή που το ακροατήριο, θρησκευτικό και κοσμικό, ήταν σε θέση να εκτιμήσει το έργο του. Η μουσική του Μπαχ χαρακτηρίζεται από μια σχεδόν ευλαβική τήρηση των κανόνων και των μοτίβων που αυτοί συνεπάγονται και ο ίδιος τους χρησιμοποίησε στο έπακρο, αναζητώντας τα όριά τους προκειμένου να εκφραστεί. Μια τέτοια πράξη από μηχανές που απλώς αναπαράγουν αυτά τα μοτίβα, ειδικότερα στη σημερινή εποχή, δεν φαίνεται να διακρίνεται από την ίδια δημιουργικότητα.

Το ίδιο επιχείρημα είναι ακόμη ισχυρότερο αν επικαλεστούμε μια περίπτωση από το άλλο άκρο του μουσικού φάσματος, αυτή του Σούνμπεργκ (Shoenberg). Στις αρχές του 20ού αιώνα, μετά από αιώνες τονικής μουσική, ο Σούνμπεργκ πρότεινε έναν άλλο τρόπο σύνθεσης, που καταργούσε αυτούς τους κανόνες. Ο ρόλος της κάθε νότας μέσα σε ένα μουσικό έργο άλλαζε πλέον για πάντα στο έργο του Σούνμπεργκ, αλλά, το κυριότερο, δεν επρόκειτο απλώς για έναν διαφορετικό τρόπο οργάνωσης των ήχων. Ήταν στην ουσία ένας νέος τρόπος κατανόησης της μουσικής, η οποία απευθυνόταν επίσης σε ένα κοινό που ήταν πρόθυμο να δεχτεί το σπάσιμο της έως τότε μουσικής παράδοσης. Αυτού του είδους η σύνδεση με το ευρύτερο πλαίσιο, σύμφωνα με το φιλόσοφο Sean Dorrance Kelly, καθηγητή Φιλοσοφίας του Πανεπιστημίου του Χάρβαρντ, δεν φαίνεται να υπάρχει στην Τεχνητή Νοημοσύνη που παράγει έργα τέχνης.

Ομοίως ισχύει και σε ό,τι αφορά την επιστήμη. Πριν τη διατύπωση της Θεωρίας της Ειδικής Σχετικότητας από τον Αϊνστάιν, και άλλοι επιστήμονες είχαν διατυπώσει κάποιες από τις εξισώσεις (Lorentz, Poincare κ.λπ.). Ήταν όμως ο ριζικά διαφορετικός τρόπος που είδαμε τον κόσμο υπό το πρίσμα της θεωρίας του Αϊνστάιν και οι επιστημονικές και τεχνολογικές συγκυρίες που μας έκαναν να συνειδητοποιήσουμε τον βαθμό της δημιουργικότητας του επιστήμονα και τη σημασία της καινοτομίας του.

Σε ό,τι, τέλος, αφορά την αποτίμηση της δημιουργικότητας, μπορεί κανείς σ’ αυτό το σημείο να κάνει τη σύγκριση με τα παιχνίδια και την απροσδόκητη δημιουργικότητα που επιδεικνύουν οι αλγόριθμοι Τεχνητής Νοημοσύνης μέσω φαινομενικά λανθασμένων κινήσεων (βλ. AlphaGo). Στην περίπτωση των παιχνιδιών υπάρχει ένα ξεκάθαρο μετρήσιμο αποτέλεσμα με βάση το οποίο μπορεί ο αλγόριθμος να αξιολογήσει ένα αποτέλεσμα. Στην περίπτωση της τέχνης, της επιστήμης, αλλά και της ζωής οι δημιουργικές πράξεις δεν έχουν απαραίτητα ένα μετρήσιμο αποτέλεσμα ή έναν μετρήσιμο στόχο. Η Τεχνητή Νοημοσύνη μπορεί να λειτουργήσει πολύ αποτελεσματικά στο πλαίσιο ορισμένων κανόνων και μετρήσιμων αποτελεσμάτων, αλλά η ανθρώπινη Ιστορία είναι πολύ πιο πολύπλοκη από αυτό. Παρ’ όλο που και η τελευταία διακρίνεται από κανόνες, είναι η δυνατότητά μας να σπάμε αυτούς τους κανόνες που μας χαρακτηρίζει ως δημιουργικούς.

Δεν μπορεί η τεχνητή νοημοσύνη να είναι δημιουργική;

Προφανώς σε όλα αυτά υπάρχει και ο αντίλογος. Ήδη αναφερθήκαμε σε προσπάθειες να ενσωματωθούν η επίδραση, π.χ., του περιβάλλοντος και της διάθεσης του «τεχνητού καλλιτέχνη» (βλ. σελ. 2-3 του παρόντος τεύχους). Μπορεί κανείς να ισχυριστεί ότι όσο πολύπλοκο κι αν είναι το πρόβλημα της δημιουργικότητας, μπορεί κανείς τελικά να εντοπίσει τους επιμέρους παράγοντες και να κατασκευάσει τους αντίστοιχους αλγόριθμους.

Οι εκφραστές αυτής της άποψης συχνά ασπάζονται απερίφραστα και την προσέγγιση που θέλει τον ανθρώπινο νου να λειτουργεί όπως ένας ηλεκτρονικός υπολογιστής. Για την πλήρη προσομοίωση των λειτουργιών του αρκεί μονάχα να βρούμε τον κατάλληλο συνδυασμό αλγόριθμων. Η υπολογιστική αυτή προσέγγιση έχει τους υποστηρικτές και τους πολέμιούς της. Ακόμα κι αν δεχτούμε, όμως, αυτή την προσέγγιση, πολλοί ερευνητές υποστηρίζουν ότι είμαστε ακόμα πολύ μακριά από μια Τεχνητή Νοημοσύνη εφάμιλλη του ανθρώπινου νου, πόσο μάλλον μηχανών οι οποίες να ξεπερνούν κατά πολύ την ανθρώπινη ευφυΐα.

Ο ίδιος ο Kelly δεν απορρίπτει το ενδεχόμενο μελλοντικές τεχνολογικές εξελίξεις να οδηγήσουν σε ένα είδος Τεχνητής Νοημοσύνης με διαφορετικά χαρακτηριστικά, αλλά βασίζει τα επιχειρήματά του στον τρόπο με τον οποίο έχουν εξελιχθεί τα πράγματα μέχρι στιγμής. Με τα έως τώρα δεδομένα, και δεδομένου ότι ο τρόπος που αντιλαμβανόμαστε τη δημιουργικότητα εξαρτάται από τις αξίες και τις προσδοκίες μας, θα απαιτούνταν μια ριζική αλλαγή αυτών των αξιών και του τρόπου που αντιλαμβανόμαστε τη δημιουργικότητα.

Σε αυτό το σημείο, ο ίδιος επισημαίνει τον κίνδυνο που επιφέρει στην πολύπλευρη ανθρώπινη δημιουργικότητα η καθημερινή μας προθυμία να συμβιβαζόμαστε με έναν μηχανικό τρόπο ζωής, ανάγοντας λιγότερο ή περισσότερο σημαντικά, απλούστερα ή πιο πολύπλοκα ζητήματα σε ερωτήματα τύπου ναι ή όχι. Αυτό θα σήμαινε ενδεχομένως ότι είμαστε έτοιμοι να αποδώσουμε στην Τεχνητή Νοημοσύνη, ως έχει, το κύρος μιας αυθεντίας και να αντικαταστήσουμε την αυθεντική δημιουργικότητα του ανθρώπου με αυτή των μηχανών.

Το κινέζικο δωμάτιο

Ένα ωραίο παράδειγμα κατά της υπολογιστικής προσέγγισης της νοημοσύνης, δηλαδή της προσέγγισης που θέλει τον ανθρώπινο νου να μπορεί να αναπαραχθεί μέσω ενός συνόλου από αλγόριθμους, είναι το επιχείρημα του κινέζικου δωματίου. Το επιχείρημα διατυπώθηκε το 1980 από τον John Searle, καθηγητή Φιλοσοφίας του Νου και της Γλώσσας του Πανεπιστημίου του Μπέρκλεϊ.

Ας υποθέσουμε ότι ένα πρόσωπο που δεν μιλάει κινέζικα βρίσκεται κλεισμένο μέσα σε ένα δωμάτιο. Μέσα στο δωμάτιο βρίσκονται επίσης τυπωμένοι διάφοροι κινέζικοι χαρακτήρες και ένα εγχειρίδιο με οδηγίες, οι οποίες περιγράφουν τους συνδυασμούς των χαρακτήρων αυτών που μπορούν να δοθούν ως απαντήσεις σε συνδυασμούς χαρακτήρων που τίθενται ως ερωτήματα. Το πρόσωπο στο δωμάτιο επικοινωνεί μέσω γραπτών μηνυμάτων στα κινέζικα με ένα πρόσωπο το οποίο βρίσκεται έξω από το δωμάτιο και γνωρίζει την κινεζική γλώσσα. Κάθε φορά που το πρόσωπο στο δωμάτιο δέχεται ένα μήνυμα, ανατρέχει στο εγχειρίδιο και αναζητά την κατάλληλη απάντηση στο μήνυμα που δέχτηκε. Αυτό ενδεχομένως να χρειαστεί χρόνο, αλλά, εν τέλει, χρησιμοποιώντας τους τυπωμένους χαρακτήρες συντάσσει την απάντησή του, την οποία στέλνει στο πρόσωπο που βρίσκεται έξω από το δωμάτιο.

Μετά από αρκετό χρόνο και έχοντας ανταλλάξει αρκετά μηνύματα, το πρόσωπο που βρίσκεται εκτός δωματίου μπορεί να σχηματίσει την εντύπωση ότι το πρόσωπο μέσα στο δωμάτιο μιλάει κινέζικα, ωστόσο κάτι τέτοιο δεν ισχύει. Παρ’ όλο που το πρόσωπο μέσα στο δωμάτιο έχει καταφέρει να συντάξει τις σωστές απαντήσεις βάσει των οδηγιών, σε καμία περίπτωση δεν έχει γνώση της γλώσσας. Το επιχείρημα αυτό μπορεί να επικαλεστεί κανείς για να ισχυριστεί ότι η αναγνώριση προτύπων, όσο ακριβής κι αν είναι, δεν συνεπάγεται γνώση του περιεχομένου των μοτίβων που αναγνωρίζονται και ταξινομούνται. Ένας αλγόριθμος μπορεί να έχει απόλυτη επιτυχία στη σωστή αναγνώριση και ταξινόμηση αυτών των προτύπων, ωστόσο αυτό δεν συνεπάγεται ότι ο αλγόριθμος έχει συνείδηση του περιεχομένου των μοτίβων.

Επομένως, οι ισχυρισμοί που θέλουν τη συνείδηση να είναι απλώς μια αλγοριθμική πράξη που μας περιμένει να την αποκωδικοποιήσουμε δεν είναι απαραίτητα ορθοί, διότι ο νους μας, μέσω της συνείδησης, έχει επίγνωση και του περιεχομένου αυτών των πράξεων.

Το κινέζικο δωμάτιο παρουσιάζεται πολύ γλαφυρά σε ένα απόσπασμα από το ντοκιμαντέρ του BBC με τίτλο «The Hunt for AI» με τον Βρετανό μαθηματικό Marcus de Sautoy (https://www.youtube.com/watch?v=D0MD4sRHj1M).

O De Sautoy εξετάζει στο τελευταίο του βιβλίο, το «The creativity Code», το ζήτημα της δημιουργικότητας στην Τεχνητή Νοημοσύνη και τις προεκτάσεις που έχει. Συνολικά, η προσέγγιση του De Sautoy είναι πιο αισιόδοξη και λιγότερο κατηγορηματική από αυτή του Kelly.

Κοινές παρανοήσεις της συνείδησης

Γνωρίζουμε τι είναι συνείδηση; Μπορούμε να φτιάξουμε ρομπότ με συνείδηση βασισμένοι στους κατάλληλους αλγόριθμους; Γιατί η συνείδηση αντιμετωπίζεται με προβληματισμό από τους επιστήμονες;

Ο John Searle εξηγεί σε μια ομιλία του στο TEDx στο CERN πώς βλέπουν τη συνείδηση οι επιστήμονες και ποιες είναι οι πιο κοινές και σοβαρές παρανοήσεις σχετικά με αυτή. Μέρος της παρανόησης αποτελεί το λεγόμενο πρόβλημα νου - σώματος, του οποίου η σύγχρονη εκδοχή έχει τις ρίζες της στον Καρτέσιο.

Η σημαντική διάκριση που κάνει ο Searle είναι ότι ένας αλγόριθμος είναι κατά βάση μια αντιμετώπιση ενός προβλήματος ή η εκτέλεση μιας πράξης με βάση μια σύνταξη που στηρίζεται σε μια συμβολική απεικόνιση των δεδομένων εισόδου και των προσδοκώμενων αποτελεσμάτων. Αντιθέτως, η συνείδηση χαρακτηρίζεται από περιεχόμενο, δεν αποτελείται απλώς από πράξεις αλλά και από επίγνωση του περιεχομένου των πράξεων αυτών.

Σχετικά με τους ακραίους τρόπους που αντιμετωπίζουν οι επιστήμονες τη συνείδηση, σύμφωνα με τον Searle, υπάρχει μια σύγχυση ανάμεσα στην υποκειμενικότητα και την αντικειμενικότητα ως χαρακτηριστικά της πραγματικότητας και την υποκειμενικότητα και την αντικειμενικότητα ως χαρακτηριστικά των ισχυρισμών που αφορούν την πραγματικότητα. Κατά βάση ισχυρίζεται ότι μπορεί να υπάρχει μια καθόλα αντικειμενική επιστήμη σχετικά με ένα πεδίο το οποίο είναι υποκειμενικό. Παράδειγμα αποτελούν οι Νευροεπιστήμες, οι οποίες διακρίνονται από την αντικειμενικότητα των επιστημών και μελετούν την υποκειμενική ανθρώπινη συνείδηση, αφού αυτό που ο καθένας αντιλαμβάνεται ως συνείδηση είναι μια εκ των πραγμάτων υποκειμενική (δηλαδή του υποκειμένου) εμπειρία.

https://www.youtube.com/watch?v=j_OPQgPIdKg

 

Πηγές για περαιτέρω μελέτη

* Μία από τις πιο πρόσφατες κριτικές δημοσιεύτηκε στο περιοδικό «MIT Technology Review» από τoν καθηγητή Φιλοσοφίας του Πανεπιστημίου του Χάρβαρντ Sean Dorrance Kelly. (https://www.technologyreview.com/s/612913/a-philosopher-argues-that-an-ai-can-never-be-an-artist/). Μέρος της κριτικής αυτής σκιαγραφήθηκε στο παρόν άρθρο.

* https://lithub.com/what-are-we-saying-when-we-call-an-algorithm-creative/?fbclid=IwAR2i7yqGn8bkNfNrCJgMuYUWuAt5pqGVRNOhfh_xSoJJyb7sDJ1U4F-mC1s

* https://www.theverge.com/2019/4/10/18303438/artificial-intelligence-ai-art-book-interview-marcus-du-sautoy-the-creativity-code?fbclid=IwAR2blUCzolbtYwPfo-c18czk1Gen4qRiZoLAlhq7KYYkB7sUleQfhaTQKws

Γιάννης Κοντογιάννης

 

Δείτε όλα τα σχόλια