Prvi deo teksta možete pročitati ovde.
U stvari, kao i sve druge tehnologije, roboti postepeno zamenjuju čoveka kroz 3D okvir: Dull – Dirty – Dangerous (Tupo – Prljavo – Opasno), odnosno svuda tamo gde je dosadno (tupavo), prljavo ili opasno. Istina je u tome da živimo u vremenu takozvane „Druge podele rada”, vremenu koje asocira na „podelu rada“ Adama Smita – koncept koji je sama suština industrijske revolucije, a koji je kroz specijalizaciju omogućio ekonomski prosperitet u razmerama koje se ničim ne mogu porediti u kompletnoj istoriji naše civilizacije.
Da, drugo mašinsko doba (The Second Machine Age) donosi i novu podelu rada. I to je nezaustavljiv proces, kao i mnogo puta ranije. I u tome nema ničeg lošeg. Naprotiv! Ljudi će na fabričkim linijama raditi ono u čemu su bolji od robota, a to su kreativni i misaoni procesi. Roboti će raditi repetitivne, neinteligentne, a posebno nekreativne poslove, kao i svaka druga mašina. Suština ideje robota u industriji je da ljudi rade sa robotima, a ne da rade kao roboti!
A veštačka inteligencija? Pa jednostavno, 99,999 odsto robota koji danas rade u industriji prosto nemaju bilo kakve atribute inteligentnog ponašanja. Oni su brzi, neumorni, precizni… pa i tehnički lepi, ali nisu inteligentni. Inteligentni roboti su u laboratorijuma, kao istraživačke platforme na kojima se proveravaju smele istraživačke ideje.
I tako redom, kroz vrlo širok spektar različitih primena digitalnih tehnologija, koje se bezrazložno poistovećuju sa veštačkom inteligencijom, a da njihova suština ničeg zajedničkog nema sa inteligencijom. Ne bar sa onim što bi bilo iole uporedivo sa ljudskom inteligencijom.
Neki razočarani istraživač je jednom prilikom konstatovao kako je pojam veštačke inteligencije toliko humanocentrično postavljen, da kao takav skoro ničemu ne može da koristi. Ova frustracija, koliko god bila patetična, zapravo je sjajna, jer dodiruje samu suštinu problema javnog diskursa na temu veštačke inteligencije – to je ontološki problem veštačke inteligencije, odnosno problem smisla samog pojma veštačka inteligencija, gde očigledno postoji totalna konfuzija. A konfuzija, otvara prostor za „lov u mutnom”.
Kako mozak saznaje…
Neuronske mreže su nekako najdirektnija asocijacija za veštačku inteligenciju. Koliko nervnih ćelija (neurona) ima u ljudskom mozgu, to je sasvim nepoznato. Većina istraživača tvrdi da ih ima oko 100 milijardi. Impresivan broj, već kosmoloških razmera. Ali, tajna je u nečem drugom. Tajna je u neuritima, nervnim nastavcima koji se iz tela nervne ćelije prostiru kao pipci hobotnice i spajaju sa drugim nervnim ćelijama. Ali, za razliku od hobotnice koja ih ima samo nekoliko, „pipci” svake nervne ćelije su mnogo brojniji. Ima ih na hiljade. I granaju se. I svi su povezani.
Svaka nervna ćelija je povezana sa hiljadama drugih. Svih tih 100 milijardi, ili koliko ih već stvarno ima. Te neuronske veze generišu nezamislivo mnogo spojeva, kombinatornu eksploziju jedne hiper, hiper, hiper komplikovane zapreminske mreže. I izgleda da se u tome krije kompjutaciona snaga ljudskog mozga, ali i mozga bilo kog živog stvora (neki tvrde da i biljke mogu da razmišljaju, da kreiraju sopstvene ideje, u sasvim drugim vremenskim razmerama, na primer 100 godina za jednu ideju!). Kako taj mistični univerzum funkcioniše za sada je potpuna tajna.
Sada je trenutak da se ponovo vratimo na filozofiju i čovekovu težnju da razume kognitivne funkcije sopstvenog mozga. Odnosno da mozak razume samog sebe. Ili još tajnovitije, da 100 milijardi isprepletanih nervnih ćelija, od kojih svaka ima gotovo trivijalnu logičku sposobnost sumiranja pobude koja dolazi od drugih nervnih ćelija, razume to isprepletano mnoštvo. Nema odgovora! Jednostavno, ne znamo kako to funkcioniše. Postoje samo hipoteze. Različite. I najčešće se međusobno isključuju.
Čak se, na primer, ne slažemo ni oko toga da li naše razumevanje stvarnosti zahteva interakciju sa tom istom stvarnošću, ili ne. Jedni svojim uverenjima idu ka empiricizmu, teorijskom pravcu filozofije koja počiva na stavu da ideje, a zatim i znanje koje vremenom gradimo, isključivo dolazi kroz naša čulna iskustva. Odatle i čuvena teza: „Nihil est in intellectu nisi prius fuerit in sensu” odnosno, ništa nije u razumu što prethodno nije bilo u čulima, koja se pripisuje engleskom filozofu Džon Loku, stožeru modernog empirizma i ocu danas omraženog liberalizma.
Nasuprot tome, stoji racionalizam. Racionalizam koji odbacuje čulno iskustvo i saznajne procese ljudskog mozga, kategorički se ograničavajući na njegov razum, odnosno na urođene ideje koje prethode svakom iskustvu i koje su dovoljne da razum može da shvati istinu stvarnosti pa i samog sebe. Rene Dekart, onaj koji je povezao geometriju i brojeve pa odatle imamo Dekartov koordinatni sistem, osnivač je modernog racionalizma. Modernog, jer i racionalizam kao i empirizam svoje korene vuku od, naravno, antičke filozofije.
Međutim, tu se pojavljuje Lajbnic. On je verovao da ta dva opozitna filozofska „izma” ipak nisu potpuni kontrasti, pa je gorespomenutu Lokovu tezu dopunio sa „nisi intellectus ipse”, vešto je transformišući u jednu novu istinu, mnogo složeniju od polazne: „Ništa nije u razumu što prethodno nije bilo u čulima, osim samog razuma!”
Empirizam i njemu kategorički kontrastiran racionalizam su samo dva od bezbroj „izama”, odnosno različitih pravaca filozofije, odnosno različitih uverenja o tome kako su organizovani saznajni procesi u ljudskom mozgu, kako konstruišemo znanje. Hiljade godina smo potrošili tragajući za odgovorom. Za sada, jedini izvesni odgovor je možda u onoj Sokratovoj igri reči, a zapravo poražavajućem saznanju da on zna da ništa ne zna, odnosno da je njegov um suočen sa nečim što jednostavno ne može ni da zamisli, pa time ni da razume.
Tako je i sa učenjem. Potpuno mističan proces, nasuprot naporima bezbrojnih kognitivnih psihologa i pedagoga. A i kako bi to mogli da razumemo, kad je ono što učenju prethodi – gradivni blok svakog učenja – saznajni proces, tajna. Postoji samo bezbroj hipoteza, iz kojih su građene manje ili više zaokružene teorije. Na primer, teorija iskustvenog učenja, građena decenijama i sumirana u odličnoj knjizi Dejvida Kolba – Iskustveno učenje (Experiential Learning).
Ta teorija počiva na empirizmu i racionalizmu. Jer, proces učenja, odnosno proces izgradnje ili konstruisanja znanja (to nas odmah povezuje sa konstrukcionizmom kao posebnim filozofskim pravcem) posmatra kao perpetualni kružni ciklus koji se sastoji iz četiri stanja, a kroz koja prolaze saznajni procesi ljudskog mozga, oscilujući između iskustava iz realnog sveta i mističnih procesa njihove apstrakcije i konceptualizacije, koji se dešavaju unutar razuma, naravno.
Težak je posao profesora! Jer oni moraju da upravljaju procesom učenja svojih studenata, a da je pritom sam proces učenja – ništa drugo do jedna „crna kutija”. Ili, da dozvolimo postojanje bar jednog zračka svetlosti – tamno siva. Ali baš tamno siva. Naravno, takva realnost nas ni malo ne sputava da govorimo o učenju u kontekstu mašina i veštačke inteligencije.
U lavirintu neuronske mreže
Ali, veštačka inteligencija postoji, bar tako mediji pišu, a ima toga i u govorima političara, pa u i strateškim dokumentima, i da ne nabrajamo dalje. Tu je, svuda oko nas. U svakom kompjuteru i svakom pametnom telefonu.
Pa kako je moguće da ono Sokratovo, i ne samo Sokratovo, već svih onih silnih filozofskih „izama”, sa neopisivom lakoćom poistovetimo sa, na primer, neuro-perceptronom i mašinskim učenjem? Na primer: Deep Learning, inspirisan funkcijom ljudskog mozga. Da tu možda nešto nismo pobrkali? Da možda nismo pomešali nauku i naučnu fantastiku? Šta su u stvari neuronske mreže i šta je mašinsko učenje (machine learning) koje im se pripisuje?
Neuronska mreža je bledi pokušaj imitacije fizičkog ustrojstva ljudskog mozga. Svaka nervna ćelija, u ovom slučaju njena matematička reprezentacija koja nije ništa drugo do racionalna funkcija sa eksponencijalnim članom u imeniocu, najčešće sigmoidnog profila (zovemo je i aktivacionom funkcijom), poseduje potreban broj neuronskih veza, odnosno mogućnost matematičkog povezivanja sa matematičkim reprezentacijama drugih nervnih ćelija. Svakoj od tih sinaptičkih veza pridružujemo neki broj, takozvani težinski koeficijent. Višeslojni perceptron je kolektivitet neograničenog broja tih apstraktnih nervnih ćelija, tako topološki organizovanih da postoji grupa nervnih ćelija, neurona, koja formira ulazni sloj, na koje dovodimo ulazne signale, zatim grupa neurona koja formira jedan izlazni sloj na kojem se pojavljuju izlazni signali.
Signali su u ovom slučaju dva vektora, ulazni X i izlazni Y. Između ta dva sloja se umeću dodatni, takozvani skriveni slojevi neurona. Najčešće jedan, ili dva. Svo to mnoštvo neurona je međusobno povezano, odnosno svaki sloj sa njemu neposrednim susednim slojevima. Ta veza se formalno iskazuje matricom prethodno spomenutih težinskih koeficijenata, odnosno gomilom nepoznatih parametara organizovanih u matričnom obliku, ili kao polje brojeva. Često tu matricu metaforički nazivamo i sinaptičkom matricom.
Ako između ulaznog i izlaznog sloja imamo jedan skriveni sloj, onda ćemo imati dve sinaptičke matrice, a ako ih ima dva, onda ćemo imati tri. I tako redom. Zadatak je krajnje jednostavan: treba odrediti nepoznate vrednosti svih parametara svih sinaptičkih matrica, tako da preslikavanje između vektora ulaznih signala i vektora izlaznih signala, zadovolji neku nepoznatu relaciju y = f(x). I to je suština višeslojnog perceptrona. Kao takvog formulisao ga je Frenk Rosenblat, davne 1957. godine. Ali, Rosenblat, psiholog po obrazovanju, nije znao kako da odredi nepoznate parametre sinaptičkih matrica, jer njihovo određivanje, zbog ekstremne nelinearnosti, nije ni malo jednostavan matematički problem.
Mašinsko učenje, a svest?
Danas imamo rešenje tog problema bazirano na iterativnom pristupu, primenom takozvanog algoritma povratnog prostiranja greške – backpropagation algorithm. Postao je popularan trideset godina posle njegove izvorne formulacije, tačnije objavljivanjem Rumelhartovog rada 1989. godine, kojim je lavina istraživača dobila neodoljivu inspiraciju da ga dalje usavršava.
Iterativni proces određivanja nepoznatih parametara je nazvan obučavanjem, ili učenjem. A svaka iteracija je nazvana epohom obučavanja. I tako je ta zamršena nelinearna jednačina i komplikovano određivanje njenih nepoznatih parametara – proglašeno učenjem, a sam perceptron – sinonim za mašinsko učenje, pa i za veštačku inteligenciju. Iz ugla matematike – ništa više od stare i dobro poznate identifikacije parametara u jednom nelinearnom optimizacionom problemu.
Dalje je od toga nastao konekcionizam, posebna istraživačka oblast u svetu veštačke inteligencije. Oblast koja počiva na ideji kolektiviteta jednostavnih kompjutacionih elemenata, masovno povezanih i masovno paralelizovanih. Naravno, sa jednom glomaznom nelinearnom jednačinom y = f(x, w) koja preslikava ulaz X u izlaz Y, i koja to preslikavanje prilagođava konkretnom slučaju primene („učenja”) kroz podešavanja oblaka parametara W.
Ali, da li je to zapravo pravi put, da li se bilo kakva analitička jednačina uopšte može povezati sa inteligencijom, i dalje, kognitivnom funkcijom ljudskog mozga? Da li se inteligencija uopšte može da aritmetizira? I još nešto, a prilično indikativno, ta paralelna struktura, moćna alternativa Fon Nojmanovom digitalnom računaru (to je upravo onaj koji stoji na našim radnim stolovima) i opštem konceptu Turingove informacione mašine (matematička apstrakcija Fon Nojmanovog digitalnog računara), nikada nije doživela svoje ozbiljno fizičko otelotvorenje. U ovakvoj ili onakvoj formi, vrtela se uporno na Fon Nojmanovom digitalnom računaru koji je zapravo, sekvencijalna mašina – antipod paralelizma, koji je sama suština ideje neuronske mreže.
I još nešto, ali jako bitno, inteligencija – prirodna ili veštačka – podrazumeva mišljenje. U istraživanju ontološkog problema racionalizma, već spomenuti Dekart je zastupao stav da je prva i očigledna istina da mišljenje ima svest o samom sebi. Ovo, logično, nameće pitanje da li inteligencija može da postoji odvojeno od svesti, ili drugačije iskazano, da li je svest o samom sebi preduslov mišljenja, pa onda i inteligencije? One prirodne, a shodno tome i veštačke. Dekart je mislio da jeste, pa odatle i ono njegovo: „Cogito, ergo sum”, odnosno, „Mislim, dakle postojim!”.
Ovde u Srbiji, neuronskim mrežama smo počeli intenzivno da se bavimo još ranih 1990-ih. Autor ovih redova je bio jedan među mnogim – ushićeno je istraživao misteriju dinamike višeslojnog neuro-perceptrona, čitao prilično dobro napisanu knjigu Barta Koska i na PC 286 mašini kodirao rutinu po rutinu u Matlabu, pisanom za tada preovlađujući MS-DOS 3.x operativni sistem.
Beg od egzaktnosti
Nasuprot konekcionizmu, postoji jedan suštinski drugačiji pristup, u svojoj osnovi takođe vođen idejom paralelnih struktura, ali mnogo dublje utemeljen u fundamentalne kategorije matematike. On počiva na teoriji skupova. U stvari, na fazi skupovima, i dalje na fazi, logici i ideji intervalnog zaključivanja.
Napuštanje izvorne ideje kategoričke definicije funkcije pripadnosti nekog elementa nekom konkretnom skupu nije nova ideja. Poljski filozof i matematičar, Jan Lukašijevič je početkom dvadesetog veka radio na tzv. trivalentnoj logici, dozvoljavajući nekoj tvrdnji da bude čista laž, čista istina, i nešto između – niti laž niti istina. Time je razrešen problem tzv. grčkih antinomija, odnosno nerazrešivih logičkih protivurečnosti, poput poznate tvrdnje nekog Krićanina da su svi Krićani lažljivci.
Trivalentna logika to elegantno rešava kroz svođenje na izjednačavanje poluistine sa poluistinom. Koeficijent pripadnosti skupu je u ovom slučaju µ = 0,5. To je dalje otvorilo prostor za polivalentnu logiku, a na kraju se pojavila fazi logika i sa njom povezana teorija fazi skupova i fazi brojeva, koju je u svet matematike, ali i inženjerstva 1965. godine uveo Lotfi Zadeh.
Profesor Lotfi Zadeh (1921-2017) je čovek koji je rešio problem grčkih antinomija; Na primer, Lažljivca sa Krita. Bilo je potrebno da se osnovni principi antičke i Lajbnicove logike (i Bulove, takođe, mada je on tu stvar među poslednjima otkrio) kao i kategoričkog modus ponensa koji iz njih nastaje, zamene suštinski novim konceptom – polivalentnom logikom, generalizovanim modus ponensom, aproksimativnim zaključivanjem i sasvim novim pristupom matematičkom prepoznavanju oblika.
Da, to su tzv. fazi skupovi i fazi logika, koji će zauvek ostati vezani za ime Lotfija Zadeha, profesora kalifornijskog Berkli univerziteta, rođenog u SSSR-u, koji je 1965. godine u časopisu Informejšn end Kontrol (Information and Control), Vol 8/3, objavio rad pod nazivom: Fuzzy Sets. Rad koji se smatra pionirskim i kontroverznim, istovremeno; Rad, koji je citiran neverovatnih 118.554 puta; I rad koji svedoči o tome da su neki vrlo moderni koncepti na kojima počiva ideja veštačke inteligencije nastali pre mnogo, mnogo decenija, u tišini istraživačkih laboratorija i daleko od medijskog spina (ovde). Autor ovih redova imao je prilike da više puta sluša predavanja profesora Zadeha i da ga 1998. godine lično upozna i sa njim razgovara.
Rođen u Sovjetskom Savezu, Baku, tokom Drugog svetskog rata Zadeh odlazi u SAD, gde nastavlja svoje usavršavanje na MIT-u i zatim akademsku karijeru trajno vezuje za Berkli univerzitet u Kaliforniji, baveći se jednim značajnim delom i teorijom sistema automatskog upravljanja (profesor Milić Stojić sa beogradskog Elektrotehničkog fakulteta, u svom vanvremenskom udžbeniku iz Kontinualnih sistema automatskog upravljanja, na jednom mestu citira Zadeha). Ono što je, kao automatičara, istinski intrigiralo Zadeha jeste problem kompleksnosti i naša sposobnost da upravljamo kompleksnim sistemima. Između ostalog i onim koje ne možemo da analitički opišemo.
Poznat je njegov princip inkompatibilnosti između egzaktnosti i kompleksnosti. Zadeh tvrdi kako uvećanjem kompleksnosti nekog sistema naša sposobnost da donosimo egzaktne odluke opada do granice kada značenje počinje da dominira nad egzaktnošću. Ili, u izvornom obliku: „as the complexity of a system increases, human’s ability to make precise and significant statements about its behaviors decreases, until a threshold is reached beyond which precision and significance become impossible”, L. Zadeh 1973.
U kompleksnom svetu, za prelazak pešaka preko ulice, na primer, mnogo je bitnije da njegov mozak prepozna da je automobil koji se kreće prema njemu daleko, nego da egzaktno utvrdi stvarnu udaljenost. Naš mozak ne funkcioniše na milimetre! A nije ni potrebno. Za donošenje odluke on rezonuje aproksimativno, na sledeći način: ako je dolazeći automobil daleko, a kreće se sporo, mogu polako da pređem preko ulice. Nema brojeva, nema egzaktnosti na treću decimalu! Postoji samo značenje pojmova udaljenosti i brzine. Jer, mnogo je korisnije da oni, umesto egzaktnih, uzimaju intervalne vrednosti, deleći osu udaljenosti na, recimo tri intervala značajnosti: mala, srednja i velika.
Zadeh na osnovu toga uvodi koncept lingvističke promenljive, u ovom slučaju je to udaljenost, koja uzima tri intervalne vrednosti, pa zapisujemo: udaljenost = {„mala”, „srednja”, „velika”}. Te tri vrednosti se matematički iskazuju kao fazi skupovi koji leže na osi koja reprezentuje fizičku veličinu udaljenost. Takođe, a veoma bitno, oni se međusobno preklapaju. Nisu komplementi! Time se uvodi formalno-konsekventna osnova za matematičko operisanje nečim što je svojstveno svakom merenju – neodređenost. To znači da neka konkretna vrednost udaljenosti koju je naš sistem vizuelne percepcije (oči i mozak jer, na kraju, mi zapravo vidimo mozgom!) prepoznao, može da bude istovremeno i „mala” i „srednja” i „velika”. Ali, sa različitim stepenom pripadnosti tim trima skupovima, koja se kreće u intervalu od µ = 0 – ne pripada kategorički, do µ = 1 – kategorički pripada.
Sledi sada magija, sama suština fazi logike. Ona je sadržana u fazi-implikaciji, u logičkoj relaciji tzv. generalizovanog modus ponensa. Pa pišemo: Ako je udaljenost automobila „mala”, brzina kretanja automobila je „srednja”, onda je brzina prelaska ulice „mala”, ili još kolokvijalnije, takozvani konsekvent može da se iskaže kao „pređi ulicu bez žurbe”. I tako redom, pišemo skup fazi implikacija za sve kombinatorne relacije fazi vrednosti dve fazi lingvističke promenljive.
Lepota ovog pristupa je u mogućnosti da se postojeće, apriorno znanje o procesu lingvistički modelira na način koji je vrlo sličan načinu kojim mi ljudi komuniciramo, ali i rezonujemo. Takođe, lepota je i u intervalnosti fazi implikacija i time u njihovoj inherentnoj neosetljivosti na nesavršenosti, posebno onih koje se pojavljuju kod kategoričke bivalentne definicije skupova i kategoričkih tvrdnji koje se iz toga izvode. A lepota je i u paralelizmu – kompletan skup fazi implikacije se paralelno izvršava sa stepenom značajnosti uslovljenim oblikom funkcije pripadnosti fazi skupova pojedinih fazi vrednosti razmatranih fazi lingvističkih promenljivih. Naravno, paralelizam u aproksimativnom zaključivanju ove vrste donosi robusnost u odnosu na poremećaj. Iz ugla automatskog upravljanja: nešto što se samo poželeti može!
U matematičkom smislu, ovako formulisana fazi logička inferentna mašina, poznata kao Mamdani-Assilian struktura (postoji i Sugeno-Takagi struktura, bazirana na jednočlanim skupovima izlazne fazi promenljive, ali se ona lako matematički svodi na Mamdani-Assilijan, kao njen specijalni slučaj), zasnovana na generalizovanom modus ponensu, je zapravo univerzalni aproksimator kontinualnih funkcija koje preslikavaju gorespomenuti vektor ulaznih u vektor izlaznih promenljivih. Sa željenim stepenom tačnosti! I to je matematički rigorozno dokazao Džejms Bakli, sredinom devedesetih, u svoja dva rada, svaki obima po dve stranice.
Uspon i pad FLSI instituta
Iz ugla fazi logike, devedesete su bile godine totalne opčinjenosti tom idejom. Ne samo kroz istraživanja, već su građeni i specijalizovani instituti. Svakako je najveći među njima bio Fuzzy Logic Systems Institute – FLSI, smešten uz kampus čuvenog Kjušu univerziteta za tehnologiju u Japanu, na periferiji malog rudarskog gradića Izuka, stotinak kilometara od Fukuoke (kad su iskopali sav ugalj, kultivisali su brda jalovine i zaputili se ka nauci i veštačkoj inteligenciji).
Predivna zgrada – ugrađena u netaknuto prirodno okruženje, mir i tišinu divljine japanske prirode – imala je dva sprata namenjena za laboratorije i kancelarije, dva sprata iznad toga za smeštaj istraživača (dolazili su iz čitavog sveta), i dva sprata ispod nivoa zemlje, opremljena proizvodnim linijama za fizičku izradu poluprovodničkih elemenata. Namere japanske vlada su očigledno bile ozbiljne. Verovalo se u novu tehnologiju baziranu na fazi-logičkim elementima, fazi-logičkim procesorima. Ne na simulaciji njihovog rada na sekvencijalnom kompjuteru, kao što je to slučaj sa neuronskim mrežama, već na izgradnji radikalno nove tehnologije u kojoj je binarno I kolo zamenjeno fazi-I kolom, a binarni procesor fazilogičkim procesorom. A sve usmereno ka jednom cilju – VI.
Autor ovih redova je svedok tog vremena. Dva puta je sredinom devedesetih godina boravio na Fuzzy Logic Systems Institute – FLSI (kolege iz kompanije „Informatika” imali su razumevanje da finansijski pomognu te poduhvate) i sarađivao sa profesorom Jamakavom na temu fazilogičkog sistema upravljanja industrijskih robota, sa ciljem da se kompletna dinamika robota, umesto diferencijalnim analitičkim aparatom, iskaže Mamdani-Assilijan fazi-dinamičkim formalnim strukturama, da takvi modeli budu otvoreni za učenje sopstvene dinamike i učenje odgovarajućih ponašanja, kroz promenu parametara, odnosno oblika funkcija pripadnosti fazi vrednosti usvojenih lingvističkih promenljivih. I podjednako značajno, prirodno otporni na greške, neodređenosti i nejasnoće kojima je opterećena beskrajno složena realnost u kojoj živimo. I dobijeni su konkretni rezultati. Ali, vremenom su se stvari zaustavile.
Veštačka inteligencija zasnovana na konceptu fazi i intervalne logike više nije u najužem fokusu istraživanja. Matematičari koji nikada nisu voleli fazi skupove, verovatnu su srećni zbog toga. Fuzzy Logic Systems Institute (FLSI) više ne postoji. Problem je, verovatno, u prirodnoj tendenciji generalizovanog modus ponensa da akumulira neodređenost, do te mere da u logičkom smislu, pre ili kasnije gubi informacioni sadržaj u potpunosti. Ovde se misli na ono što se danas naziva jednom prilično ružnom frazom – duboko učenje (Deep Learning), kad se kaskadno akumuliraju logičke strukture, jedna na drugu i time formiraju složeni strukturirani konstrukti kakve prepoznajemo u našem mozgu.
A možda je razlog nešto sasvim drugo, što nema ničeg sa naukom i tehnikom – biznis. U svakom slučaju, ta putanja kretanja ka otkrivanju tajne kognitivnih procesa ljudskog mozga je najverovatnije samo jedna od mnogih slepih ulica nauke i njene beskrajne potrage za istinom.
Singularitet je blizu
„The singularity is near”, tvrdi Rej Kurcvel, u svojoj knjizi o veštačkoj inteligenciji sa istoimenim naslovom, objavljenoj 2005. godine. Koliko blizu? Pet, deset, pedeset, pet stotina godina? To niko ne zna. Ne zna ni Rej Kurcvel. Ali, ono što sigurno znamo je sledeće: kada jednog trenutka budemo otkrili sveti Gral automata, kada dosegnemo magičnu granicu informacione mašine čija je inteligencija ekvivalentna inteligenciji prosečnog ljudskog mozga, svet više neće biti isti. Jasnoće radi, ovde se ne misli na nešto što samo prolazi nekakav test osmišljen po ideji testa ekvivalencije automata Alana Tjuringa; već istinski, na automat koji će posedovati sve ključne atribute mentalnog sistema čoveka:
(a) sistem sopstva,
(b) sistem metakognicije i
(c) četiri komponente kognitivnog sistema.
Baš tim redom hijerarhijski organizovane. I još nešto, posebno bitno, obični smrtnici će biti poslednji koji će to saznati. Kao i svaka druga moćna tehnologija u istoriji naše tehnološke civilizacije, ona će biti prvo iskorišćena u vojne svrhe. I ljubomorno čuvana od znatiželjnih očiju onih drugih, valjda neprijatelja.
A dotle, naučnici, odnosno filozofi, psiholozi, medicinari, matematičari i ko zna još ko, tragaće za rešenjem, odlučno stremeći trenutku Ulamovog singulariteta, u nadi da to nije asimptota mentalnih kapaciteta kolektivne pameti ljudskog roda. Oni drugi, sa viškom mašte i manjkom ozbiljnosti, oni će nastaviti javni diskurs kroz medije, razvijajući svoju uobrazilju, onako kako to samo može naučna fantastika.
Da bi se stvari kretale napred, a kretaće se jer tehnološki razvoj je nezaustavljiv do granica sposobnosti entiteta u kojem se razvija, možda ipak treba napraviti nekakvu kategorizaciju na ontološkom nivou i to onda primeniti u javnom diskursu, ali i u politikama koje gradimo. Takva kategorizacija, zapravo, već postoji.
Prvo, Ulamov tehnološki singularitet moramo da kategorički povežemo sa takozvanom „Generalnom veštačkom inteligencijom” (Artificial General Intelligence – AGI), jer samo AGI hipotetički agent jeste ekvivalent inteligenciji čoveka, odnosno moći će da uspešno prođe Tjuringov test ekvivalencije automata.
Drugo, sve ostalo delimo na dve široke klase. Prva klasa van AGI je maglovita, i samo znamo da obuhvata one inteligentne agente čije mentalne performanse nadmašuju performanse najinteligentnijeg ljudskog bića, pa odatle dolazi naziv ove klase: Super veštačka inteligencija (Artificial Super Intelligence – ASI). Znamo i to da ASI klasu automata neće stvoriti čovek. Ona će biti stvorena autopoezom AGI klase automata. U tome je suština koncepta Ulamovog tehnološkog singulariteta.
Veštački slaba inteligencija
Drugu klasa van AGI čine svi oni automati koje smo do sada stvorili, nezavisno od primenjene tehnologije. Dakle i one mehaničke, na bazi bregastog točka, kao i one relejne na bazi elektromehaničkih logičkih elemenata. A posebno one koji danas vladaju i koji su bazirani na tehnologiji poluprovodnika. Takvu klasu inteligentnih tehnoloških agenata nazivamo Veštački slabom/suženom inteligencijom – Artificial Week/Narrow Intelligence, odnosno AWI ili ANI.
Čini se da je ANI najadekvatniji termin za ovu klasu automata. Oni definitivno nisu inteligentni iz perspektive inteligencije ljudskog mozga. Pre svega zbog nedostatka kompletnosti. Inteligencija ljudskog uma je kompozit logičke inteligencije, emotivne inteligencije, motoričke inteligencije, socijalne inteligencije, itd… Lista je baš dugačka. I bez takvog kompozita ne možemo da govorimo o veštačkoj inteligenciji, referencirajući se na inteligenciju čoveka. Naravno, AGI klasa nužno mora da poseduje atribute svesti, volje, emocija (od ljubavi do mržnje), empatije… svega onog što obuhvata sistem sopstva. Ovde se, naravno, treba setiti Dekarta, a i mnogih drugih umova koji su saznajne procese pre mnogo vekova uslovili postojanjem svesti.
Sistemi veštačkog gledanja, različitih tehnoloških osnova, zatim obrada slike u realnom vremenu, interakcija sa okruženjem – statičkim i dinamičkim, i još mnogo toga, zbirno gradi novu tehnološku platformu za mobilnost u budućnosti. Nebrojeno mnogo algoritama za semantičku obradu senzorskih informacija, komunikaciju i automatsko upravljanje odnosno, pomoć u vožnji (Advanced Driver Assistance System – ADAS), u suštini su jedan prilično isprepleten kompozit „Artificial Near Intelligence” (ANI) tehnologija. Bez ANI kompozita koncept autonomnih vozila jednostavno ne bi bio moguć
Dakle, danas govorimo o ANI klasi, automatima koji su specijalizovani za neke sužene mentalne zadatke ljudskog mozga. Po pravilu „mehaničke”. Na primer, vizuelna percepcija. U toj oblasti smo postigli odlične rezultate u prepoznavanju lica, optičkog prepoznavanja karaktera (za digitalizaciju teksta), semantičke analize slike i robotsko veštačko gledanje koje treba da nas dovede do visoko-autonomnih vozila, na primer, ili u medicinskoj dijagnostici, ili analizi satelitskih slika, i slično. Zaista, fascinantni rezultati! I ono najbitnije, po nekim performansama, bitno ispred performansi vizuelne percepcije ljudskog mozga.
Šah je strateška misaona igra. Nesumnjivo! Deterministička, takođe! Već decenijama kompjuterski algoritmi u toj oblasti dominiraju – čovekov um više nije ravnopravni protivnik, jer nužno i bez izuzetka gubi. Ali ne i u pokeru. Poker je takođe misaona igra, ali nije deterministička. I skoro da je nemoguće napisati algoritam koji bi mogao da se pretvori u kompjuterski kod koji imitira igrača pokera i njegov varljiv „poker face”.
I tako redom, do danas intrigirajuće chatGPT platforme koja ima mogućnost semantičke obrade prirodnog jezika i na bazi toga sposobnost imitacije ljudskog dijaloga (chatGPT je skraćenica od Chat Generative Pre-Trained Transformer, a u tehničkom smislu to je chatbot – apstraktni robot za vodjenje neformalnih razgovora koji u sebi sadrži elemente VI). Mada su postignuti rezultati zaista fascinantni, to je i dalje neuporedivo sa konverzacijiskim sposobnostima čoveka, jer je ta uska oblast ljudske inteligencije izuzetno kompleksna.
Psihologija komunikacija nas uči da je ljudska komunikacija četvorodimenziona. Bez obzira na kontekst, čovek u verbalnoj komunikaciji uvek prenosi: (a) konkretan sadržaj, (b) odnos prema sagovorniku, (c) otkrivanje sebe i, (d) zahtev. Ekstremno složena interakcija, koja je po svom karakteru bliža pokeru nego šahu. Koja uvek sadrži manipulaciju. Koja uvek ima neodređenost. Koja ima podjednako bitnu neverbalnu, koliko i verbalnu komponentu. I koja se nužno oslanja na kontekst, koji nije eksplicitno vidljiv u poruci po sebi, ali je implicitno presudan. Zato, bar dok ne dostignemo nivo AGI, chatGPT robotska platforma, po svojim stvarnim performansama neće nuditi ništa više od verbalizma, odnosno onoga što je Jovan Cvijić nazivao „blebetanjem”. Dakle, chatGPT = blebetalo, apstraktni WEB robot koji ne misli već je plagijator po definiciji, koji, za sada, nikome neće oteti posao! Ne bar onaj koji ima smisla da postoji. Ali, može da koristi.
Izgled naslovne stranice WEB korisničkog interfejsa za ChatGPT platformu koja oponaša čovekovu neformalnu komunikaciju. Ovaj chatbot (apstraktni robot za neformalne komunikacije) razvijen je u OpenAI istraživačkoj laboratoriji koja je neprofitna organizacija nastala kao startap 2015. godine u San Francisku, SAD; 2019. Majkrosoft je u OpenAI uložio jednu milijardu dolara, a 2023. dodatnih 10 milijardi dolara! ChatGPT-2 je nastao 2019. godine i u svojoj osnovi sadrži algoritme za prepoznavanje oblika u rečenicama prirodnog govora i zatim njihovu semantičku analizu.
Simbioza čoveka i automata
Može da koristi, naravno! Jer ChatGPT je novi kognitivni alat. I tu dolazimo do jedne intrigantne igre reči na engleskom jeziku: AI i IA. Odnosno Artificial Intelligence (AI) i Intelligence Augmentation (IA).
IA pre nego AI je prikrivena suština realnosti u kojoj živimo, tema o kojoj bi zapravo trebalo govoriti. IA je suštinski sadržaj i smisao ANI. A ANI, u svim svojim pojavnim oblicima je fascinantno moćna tehnologija koja, kroz simbiozu čoveka i kompjutera u kognitivnom prostoru dramatično menja naš svet. Toliko, da možemo da kažemo da smo na pragu Druge kognitivne revolucije. Iz ugla antropologije, kognitivna revolucija je onaj dramatični moment u istoriji ljudske vrste u kojem su naši preci nekako razvili tri nove sposobnosti:
(a) fleksibilni govor,
(b) komunikacija o trećoj strani i
(c) funkcije kolektiviteta.
Kratka digresija: jezik, odnosno prirodni govor kao ključna determinanta koginitivne revolucije je nešto sasvim posebno kada je njegova formalizacija u pitanju. Noam Čomski, verovatno najveći mislilac i teoretičar u oblasti lingvistike, kategorički ga odbacuje u svojoj klasifikaciji jezika, odnosno gramatika. Pored te posebnosti postoji i još jedna – moderna filozofija stoji na uverenju da mišljenje kao ključni kognitivni proces ne može da postoji bez jezika!
Dakle, naredna duboka transformacija, odnosno Druga kognitivna revolucija, bi mogla da bude simbioza čoveka i automata. Kao pre mnogo desetina milenijuma, simbioza čoveka i alata. U ovom slučaju, ta nova tehnološka simbioza vodi nas ka konstruktu koji nazivamo kognitivnim kiborgom. Kroz takav konstrukt dolazimo do smisla IA, odnosno Intelligence Augmentation. Kognitivni kiborg = Čovekov mozak + Kompjuter, odnosno čovekov mozak ojačan simbiotskom spregom sa kompjuterom. I to je sasvim realni konstrukt koji već danas nesumnjivo postoji. U jednom primitivnom obliku. Ali, i kao takav dramatično, ubrzano i nezaustavljivo menja putanju društvenog razvoja modernog homo sapijensa.
Ne nužno na dobro. Ne nužno na loše. Na nama samima je da izaberemo sopstvenu budućnost. I zato je jako dobro što je Evropski parlament na putu da usvoji Artificial Intelligence Act, da taj prostor zakonski uredi. Bez obzira na tragično traljavu definiciju veštačke inteligencije od koje se polazi. Jer, izazovi pretnji koje se nad time nadvijaju su zaista užasni. Toliko ozbiljni da bi se mogli prepustiti samo nauci, ili samo političarima, ili samo biznisu. O tome piše Kisindžer u svojoj knjizi Doba veštačke inteligencije: i naša ljudska budućnost (The Age of AI: And Our Human Future), objavljenoj 2021. godine. A pisao je i ranije, pre nekoliko decenija, takođe u svojoj knjizi Svetski poredak (World Order), dovodeći internet i srodne digitalne tehnologije, pa i veštačku inteligenciju, u strateški kontekst koji određuje suštinu naše civilizacije – svetski poredak i kompoziciju sveta u kojem živimo.
Dr Petar B. Petrović je profesor Mašinskog fakulteta Univerziteta u Beogradu, šef Cyber-Manufacturing Systems Laboratory (CMSysLab); Beograd, jun 2023.
Izvor Balkan Magazin
Naslovna fotografija:
BONUS VIDEO:
