Ο Διευθυντής Υπολογιστικών Συστημάτων του MIT Media Lab, Δρ. Michael Bletsas, συζήτησε τα μετασχηματιστικά οφέλη και τις ευκαιρίες που προσφέρει η τεχνητή νοημοσύνη (ΤΝ) στο συνέδριο AI της έκθεσης Beyond Expo. Επεσήμανε ότι μετά από πέντε χρόνια, αν οι συζητήσεις εξακολουθούν να επικεντρώνονται στην ΤΝ μόνο, η κοινωνία ίσως κινείται προς την λάθος κατεύθυνση. Αντίθετα, η συζήτηση πρέπει να μεταφερθεί στην ‘ενισχυμένη νοημοσύνη’, όπου οι άνθρωποι και οι μηχανές συνεργάζονται αντί να ανταγωνίζονται.
Ο Bletsas εξέφρασε την άποψή του για το πώς η τεχνητή νοημοσύνη, ειδικότερα μοντέλα όπως το ChatGPT, χρησιμοποιούνται από εταιρείες. Επισήμανε τον προβληματισμό ότι πολλές εταιρείες υιοθετούν την ΤΝ πιο γρήγορα από ό,τι είναι απαραίτητο, ενθαρρυμένες από τον φόβο του χάνεις. Ο Bletsas επεσήμανε ότι συχνά, οι εταιρείες μπερδεύουν την ουσιαστική ποιότητα της νοημοσύνης με τον τρόπο εμφάνισής της, ο οποίος μπορεί να οδηγήσει σε μη βέλτιστη χρήση της τεχνολογίας.
Επιπλέον, ο Bletsas αναγνώρισε τρία βασικά προβλήματα στην συνεχιζόμενη ανάπτυξη της ΤΝ. Το πρώτο είναι η περιορισμένη διαθεσιμότητα κατάλληλων δεδομένων για την εκπαίδευση της ΤΝ, καθώς τα μηχανήματα παράγουν τώρα τη συντριπτική πλειονότητα των δεδομένων, τα οποία δεν συμβάλλουν θετικά στην προσομοίωση της ανθρώπινης νοημοσύνης. Το δεύτερο πρόβλημα αφορά την ανάγκη για μεγαλύτερα υπολογιστικά συστήματα, σε μια εποχή που υπάρχει επιβράδυνση της προόδου βάσει του Νόμου του Moore, υποδεικνύοντας πως δεν μπορούμε απλά να περιμένουμε κάθε χρόνο πιο ισχυρούς υπολογιστές. Επεσήμανε ότι βελτιώσεις σε αλγορίθμους, οι οποίες μπορούν ακόμα να συμβούν ανεξάρτητα στα πανεπιστήμια χωρίς να βασίζονται αποκλειστικά σε μεγάλες τεχνολογικές εταιρείες, είναι κρίσιμες για την πρόοδο. Τέλος, προειδοποίησε για τον αυξανόμενο ενεργειακό καταναλωτισμό των κέντρων δεδομένων, ο οποίος ενδέχεται να ξεπεράσει την παροχή ηλεκτρικού ρεύματος μας εάν η ανάπτυξη της ΤΝ συνεχίσει να κλιμακώνεται με τον τρέχοντα ρυθμό.
Ο Bletsas επίσης αναφέρθηκε στις εφαρμογές της ΤΝ σε σωτήριες περιπτώσεις, όπως στην ιατρική διάγνωση και τη ραδιολογία, εισάγοντας ένα παράδειγμα από τον εντοπισμό καρκίνου. Επίσης, υπογράμμισε την επιτυχία ενός μοντέλου μηχανικής μάθησης που αναπτύχθηκε στο MIT και εκτιμά τον κίνδυνο καρκίνου σε πέντε χρόνια, βελτιώνοντας σημαντικά τα ποσοστά πρόωρης ανίχνευσης.
Στο συμπέρασμα, ο Bletsas εξέφρασε τον ενθουσιασμό του για τις δυνατότητες της ΤΝ, όπως στη διαμόρφωση πρωτεϊνών μέσω του αλγορίθμου AlphaFold της Deep Mind, καθώς και τις εφαρμογές της στην κυβερνοασφάλεια για σενάρια εκπαίδευσης. Οι απόψεις του υπογράμμισαν την ανάγκη για καινοτόμες προσεγγίσεις και συνεργασίες για να αξιοποιηθεί πλήρως το δυναμικό της τεχνητής νοημοσύνης.
Κύριες Ερωτήσεις και Απαντήσεις:
Τι είναι η ‘ενισχυμένη νοημοσύνη’;
Η ενισχυμένη νοημοσύνη αναφέρεται σε ένα μοντέλο εταιρικής σχέσης μεταξύ ανθρώπων και τεχνητής νοημοσύνης που συνεργάζονται για να βελτιώσουν την γνωστική απόδοση, συμπεριλαμβανομένης της μάθησης, της λήψης αποφάσεων και των νέων εμπειριών.
Γιατί υπάρχει πρόβλημα με τη διαθεσιμότητα δεδομένων για την εκπαίδευση της ΤΝ;
Το πρόβλημα προκύπτει επειδή τα μηχανήματα παράγουν τη συντριπτική πλειονότητα των δεδομένων, τα περισσότερα εκ των οποίων ενδεχομένως δεν είναι ιδανικά για την μοντελοποίηση ανθρώπινης νοημοσύνης. Είναι λιγότερο διαθέσιμα κατάλληλα, υψηλής ποιότητας δεδομένα που αντικατοπτρίζουν την ανθρώπινη συμπεριφορά και σκέψη.
Πώς σχετίζεται ο Νόμος του Moore με την ανάπτυξη της ΤΝ;
Ο Νόμος του Moore, που δηλώνει ότι ο αριθμός των τρανζίστορ σε ένα μικροτσίπ διπλασιάζεται περίπου κάθε δύο χρόνια, ήταν το μέτρο για την αύξηση της υπολογιστικής ισχύος. Η επιβράδυνση της προόδου σημαίνει ότι οι αναπτυσσόμενες ΤΝ δεν μπορούν να βασιστούν μόνο σε πιο ισχυρό υλικό για βελτιώσεις στην ΤΝ.
Γιατί οι βελτιώσεις σε αλγόριθμους είναι ζωτικές για την πρόοδο της ΤΝ;
Οι βελτιώσεις στους αλγόριθμους είναι ουσιώδεις διότι μπορούν να οδηγήσουν σε πιο αποδοτική χρήση των υπολογιστικών πόρων, επιτρέποντας στις τεχνολογίες ΤΝ να λειτουργούν καλύτερα χωρίς την ανάγκη συνεχών αναβαθμίσεων υλικού.
Ποιοι είναι οι ενδεχόμενοι ενεργειακοί προβληματισμοί με την ανάπτυξη της ΤΝ;
Οι ενεργειακές απαιτήσεις των κέντρων δεδομένων για τη λειτουργία πολύπλοκων μοντέλων ΤΝ αυξάνονται γρήγορα. Εάν η παροχή ηλεκτρικής ενέργειας δεν ακολουθήσει, η κλιμάκωση των τεχνολογιών ΤΝ μπορεί να γίνει μη βιώσιμη.
Πλεονεκτήματα της Συνεργασίας Ανθρώπου-Μηχανής:
– Βελτιώνει γνωστικές δραστηριότητες και λήψη αποφάσεων
– Αυξάνει την αποτελεσματικότητα και την παραγωγικότητα
– Οδηγεί σε καινοτόμες λύσεις σε πολύπλοκα προβλήματα
– Βελτιώνει τα ποσο