«Σε πέντε χρόνια από σήμερα, αν εξακολουθούμε να μιλάμε απλά για Τεχνητή Νοημοσύνη, μάλλον θα έχουμε πάρει τον λάθος δρόμο. Θα πρέπει να μιλάμε για εκτεταμένη Νοημοσύνη, όχι για τον άνθρωπο εναντίον της μηχανής, αλλά για τον άνθρωπο (μαζί) με τη μηχανή»: με τη φράση αυτή, ο διευθυντής Υπολογιστικών Συστημάτων του ΜΙΤ Media Lab, δρ Μιχάλης Μπλέτσας, διοικητής της Εθνικής Αρχής Κυβερνοασφάλειας, έδωσε σήμερα, από τη Θεσσαλονίκη, το στίγμα των ευκαιριών και των προκλήσεων που διανοίγονται για τον άνθρωπο στη νέα εποχή που ανατέλλει, κατά την ομιλία του στο συνέδριο για την Τεχνητή Νοημοσύνη (ΤΝ) της έκθεσης Beyond.
Όπως είπε, ένα άλλο μεγάλο ερώτημα που έχει ανοίξει είναι αν θα μπορέσουμε να φτάσουμε σε ανώτερες μορφές ΤΝ, όπως η Γενική Τεχνητή Νοημοσύνη, συνεχίζοντας να αναπτύσσουμε και να επεκτείνουμε την κλίμακα των μεγάλων γλωσσικών μοντέλων (σ.σ. LLMs, τέτοιοι είναι και το ChatGPT). Δίπλα σε αυτό το ερώτημα, πρόσθεσε, υπάρχουν τρία μεγάλα προβλήματα. Το πρώτο είναι ότι δεν υπάρχουν διαθέσιμα επιπλέον δεδομένα (για την εκπαίδευση της ΤΝ): «Μπορεί να δημιουργούμε zeta bytes δεδομένων κάθε χρονο, αλλά τα περισσότερα από αυτά δημιουργούνται πλέον από μηχανές, εν ολίγοις δεν είναι κατάλληλα για να εκπαιδεύσεις μοντέλα ΤΝ, που θα πρέπει να μιμηθούν την ανθρώπινη νοημοσύνη» εξήγησε.
Το δεύτερο πρόβλημα είναι ότι απαιτούνται μεγαλύτερα υπολογιστικά συστήματα, σε μια εποχή που ο «νόμος του Μουρ»* σε μεγάλο βαθμό …μάς έχει τελειώσει: «Δεν μπορούμε πλέον να περιμένουμε ότι κάθε χρόνο θα έχουμε πιο γρήγορους υπολογιστές και επεξεργαστές» σημείωσε ο κ.Μπλέτσας και πρόσθεσε ότι πολλές βελτιώσεις που έχουν επιτευχθεί προέρχονται πλέον από αλγοριθμικές προόδους και αυτό είναι πολύ σημαντικό, γιατί αυτή η δουλειά μπορεί να γίνει ακόμα μέσα στα πανεπιστήμια, εκτός των μεγάλων τεχνολογικών εταιρειών. Το τρίτο πρόβλημα είναι ότι όσο ο αγώνας δρόμου για την ΤΝ επιταχύνεται και μεγαλώνει, «δεν θα έχουμε αρκετή (ηλεκτρική) ενέργεια για να “τρέξουμε” τα απαραίτητα κέντρα δεδομένων. Θα χρειαστούν πολλές αλγοριθμικές και νοητικές πρόοδοι για να βρούμε καινούργιους τρόπους (ανάπτυξης της ΤΝ) και νομίζω ότι ο δρόμος που προσπαθούν να ακολουθήσουν σήμερα οι μεγάλες εταιρείες Τεχνητής Νοημοσύνης δεν θα μας πάει παραπέρα. Νομίζω πως σύντομα θα χτυπήσουμε τοίχο εκεί» είπε χαρακτηριστικά.
Ως προς τη χρήση της ΤΝ, ειδικά της μορφής της που αποκαλείται «δημιουργική», «γεννητική» ή «παραγωγική» (generative AI), ο κ.Μπλέτσας εξέφρασε την πεποίθηση ότι πολλές εταιρείες έχουν βιαστεί να την αξιοποιήσουν σε βαθμό μεγαλύτερο από ό,τι πραγματικά χρειάζεται, δεδομένου ιδίως ότι οι άνθρωποι κάνουν προς το παρόν καλύτερη δουλειά. Όπως είπε, ο ζήλος αυτός οφείλεται μάλλον στο ότι (οι εταιρείες) δεν θέλουν να μείνουν πίσω, κινητοποιούμενες από το σύνδρομο του FOMO (Fear of Missing Out) και προσπαθούν να χρησιμοποιήσουν όσο το δυνατόν περισσότερο τα Μεγάλα Γλωσσικά Μοντέλα (σ.σ. τέτοιο είναι το ChatGPT), «μπερδεύοντας σε μεγάλο βαθμό τη νοημοσύνη καθεαυτήν με την έκφρασή της».
Η ΤΝ στον «Άγιο Σάββα»
Ο καθηγητής υπενθύμισε ακόμα οτι η Τεχνητή Νοημοσύνη είναι κάτι πολύ παλιό -το ιδρυτικό της συνέδριο έγινε το 1956- που εδώ και χρόνια σώζει ζωές, π.χ., με τη χρήση της στα διαγνωστικά τεστ για τον καρκίνο και στην ακτινολογία. Μάλιστα, προς επίρρωσιν των δυνατοτήτων της ΤΝ σε αυτό το πεδίο, ο κ.Μπλέτσας έδειξε στο κοινό δύο μαστογραφίες με διαφορά τριών ετών. Στην πρώτη ο καρκινικός όγκος ήταν ήδη εμφανής, αλλά ο ακτινολόγος δεν μπόρεσε να τον διακρίνει, γιατί ήταν πολύ μικρός και όχι εύκολα ορατός. Τότε, μια καθηγήτρια, που αναρωτήθηκε γιατί ο ακτινολόγος δεν είδε τον όγκο, πήγε στο Γενικό Νοσοκομείο της Μασαχουσέτης, που έχει πολύ ανεπτυγμένο σύστημα ηλεκτρονικών φακέλων υγείας και συγκέντρωσε δεδομένα από μερικές δεκάδες χιλιάδες μαστογραφίες και τα αποτελέσματά τους. Στη συνέχεια, εκπαίδευσε ένα στατιστικό μοντέλο Μηχανικής Μάθησης να εκτιμά το ρίσκο που έχει μια εξεταζόμενη να νοσήσει σε βάθος χρόνου πενταετίας. Με τη χρήση μοντέλων όπως αυτό, «αφενός “πιάνουμε” πιθανούς καρκίνους και αφετέρου μειώνουμε τον φόρτο στο σύστημα υγείας, γιατί δεν γίνονται περιττές εξετάσεις (…) Μια πολύ χρήσιμη εφαρμογή απλής ΤΝ που δεν χρειάζεται και ακριβούς υπολογιστικούς πόρους. Το μοντέλο αυτό το επικυρώσαμε με δεδομένα πολλών άλλων νοσοκομείων ανά τον πλανήτη (…) Τα μέχρι τώρα επικουρικά μοντέλα έπιαναν το 40%-44% των περιπτώσεων, αυτό πιάνει το 80%. Επιπλέον, το μοντέλο είναι ανοιχτού κώδικα και το ΜΙΤ το δίνει δωρεάν σε όποιον θέλει να το χρησιμοποιήσει» σημείωσε και υπενθύμισε ότι μαζί με μια ελληνική εταιρεία, που παράγει το σύστημα διαχείρισης διαγνωστικών εικόνων, που χρησιμοποιείται στα δύο τρίτα των νοσοκομείων του ΕΣΥ, κάνουμε προσπάθεια να επικυρώσουμε το μοντέλο και με ελληνικά δεδομένα στον “Άγιο Σάββα” και στη συνέχεια να το δώσουμε δωρεάν σε όλα τα υπόλοιπα νοσοκομεία του ΕΣΥ».
Ο κ.Μπλέτσας πρόσθεσε πως η εφαρμογή της ΤΝ που τον έχει «ιντριγκάρει» περισσότερο τον τελευταίο καιρό έχει να κάνει με τις πρωτεΐνες και τον (αλγόριθμο) AlphaFold 2 της Deep Mind (σ.σ. πρόκειται για έναν αλγόριθμο που προβλέπει την τρισδιάστατη δομή των πρωτεϊνών, που ως γνωστόν παίζουν καθοριστικό ρόλο στη λειτουργία των κυττάρων των ζωντανών οργανισμών. Το πρότζεκτ ξεκίνησε το 2016 και τον Ιούλιο του 2022 δημοσιοποιήθηκαν οι προβλέψεις δομής πρωτεϊνών του “AlphaFold” για σχεδόν όλες τις καταγεγραμμένες πρωτεΐνες που είναι γνωστές στην επιστήμη, λύνοντας σε μεγάλο βαθμό ένα από τα μεγαλύτερα μυστήρια της βιολογίας και ανοίγοντας νέους δρόμους σε ερευνητές και εργαστήρια σε όλο τον κόσμο).
«Εξαιτίας αυτής της προόδου, βλέπουμε ήδη πόσο έχουν αυξηθεί πλέον οι δημοσιεύσεις στον σχετικό τομέα έρευνας» είπε, ενώ πρόσθεσε πως σημαντικές είναι οι εφαρμογές της ΤΝ και στην κυβερνοασφάλεια, όπου μπορεί μεταξύ άλλων να χρησιμοποιηθεί για εκπαιδευτικά σενάρια και ασκήσεις εκπαίδευσης και σε ενέργειες που δεν μπορούν εύκολα και γρήγορα να διεκπεραιωθούν από ανθρώπους._
Αλ.Γ
*Κατά τον νόμο του Μουρ, που διατυπώθηκε το 1965, ο αριθμός των τρανζίστορ ενός πυκνού ολοκληρωμένου κυκλώματος διπλασιάζεται κάθε δύο χρόνια.