Az igazi AI létrehozásához test is kellene

Csábító úgy gondolni az elmére, hogy az egy olyan réteg, ami több más, primitívebb struktúrából álló réteg tetején helyezkedik el, írja Ben Medlock, aki annak a prediktív technológiát használó mobilapplikációt fejlesztő cégnek (SwiftKey) az alapítója, ami Stephen Hawking fizikus számára épített kommunikációs rendszert. A tudatosságunkat ugyanis sokkal különlegesebbnek éljünk meg, folytatja a természetesnyelv-feldogozással foglalkozó kutató, mint a szívritmusunkat vagy a gyomrunk mozgásait. Ezért sokan reménykednek abban, hogy ha az elme működését le lehetne választani a többi rétegről, akkor létrehozhatnánk valami olyan emberszerű mesterséges intelligenciát (AI), ami csak a legfelsőbb réteghez hasonlít, és kikerüli a szerves életre jellemző rendetlen húst. Azonban valójában meg sem közelítjük az emberszerű AI létrehozásának lehetőségét, szögezi le Medlock. Ennek pedig az az oka, hogy a tudat nem rétegekből áll, és jelenleg a legtöbb mesterséges intelligencia kutató nem vesz tudomást a kirakósjáték központi eleméről: a testről.

Medlock szerint az elképzelések már az 1950-es években, a modern AI-kutatás kezdetén rossz útra tévedtek. A számítógép-kutatók úgy döntöttek, hogy a tudatos gondolkodást szimbólumokra alapozó logikai rendszerekkel próbálják meg modellezni. Ennek során a való világbeli dolgokhoz digitális kódokat rendeltek, így hozták létre a környezet virtuális modelljeit, amiket felhasználva aztán a világról magáról mondhattak állításokat.

Így pl. a szimbolikus logika felhasználásával – egy speciális tudásdarabka matematikai formula használatával történő, számítógépes nyelvre való kódolásával – utasíthatunk egy gépet arra, „tanulja meg”, hogy a macska egy állat („cat > is > animal”), majd az ilyen formulákat egyre bonyolultabb kijelentésekbe fűzve képessé tehetünk egy rendszert különböző kijelentések igazságtartalmának megállapítására – pl. „egy átlagos macska nagyobb, mint egy ló”, vagy „van arra esély, hogy egy macska egeret fogjon”. Mindazonáltal, a szimbolikus logika reménytelenül képtelen arra, hogy való életbeli problémák esetén helyt álljon, és elboldoguljon olyan bonyolult szimbólumok esetén, amelyek definíciója kétértelmű, és interpretációjuk milliónyi árnyalattal bír.

Az elmúlt évtizedekben a számítási kapacitás növekedése folytán az AI-kutatók új módszerhez folyamodtak, és arra törekednek, hogy statisztikai eszközökkel mintázatokat fedezzenek fel óriási mennyiségű adathalmazokban. Ezt a módszert gyakran nevezik „gépi tanulás”-nak. A gépi tanulás nem a magas szintű tudást és a logikus következtetést próbálja meg kódolni, hanem egy olyan alulról felfelé haladó megközelítést használ, amiben az algoritmusok a kapcsolatokat a feladatok ismételgetése révén képesek észrevenni (pl. fotókon megjelenő tárgyak azonosítása vagy beszéd írott szövegbe fordítása). Egy ilyen rendszer képes pl. megtanulni a macskák azonosítását a fotókon azáltal, hogy milliónyi macskafotót néz végig, vagy képes arra is, hogy felfedezze a kapcsolatot a macskák és az egerek között azáltal, hogy óriási szövegmennyiségeket olvas el.

A gépi tanulás számos kiváló gyakorlati alkalmazást tett lehetővé az elmúlt években, így pl. lehetővé vált a beszédfelismerés, a képfeldolgozás vagy a szájról történő olvasás; az AI meg tudja verni az embert sakkban vagy go-ban, és zene komponálására is képes. Bizonyos fokig ezek az algoritmusok képesek utánozni azt, amit az agy tudattalan folyamatairól tudunk, azzal analóg módon, ahogy a vizuális cortex elektromos jeleket kap a szemből, és azokat azonosítható mintázatokként értelmezi.

Azonban az algoritmusok messze vannak attól, hogy képesek legyenek úgy gondolkodni, mint mi. A legnagyobb különbséget az evolúció során kialakult biológiánk jelenti, és az, ahogy a biológia az információt kezeli. Az emberek sokmilliárd eukarióta sejtből épülnek fel, amelyek ősei 2,5 milliárd évvel ezelőtt jelentek meg. Minden eukarióta sejt legalább annyi hálózatosan összekötött komponensből épül fel, mint egy modern sugárhajtású repülőgép, és ezek a komponensek mind a természettel való találkozások végtelen láncolata során alakultak mai formájukra.

A tradicionális elképzelés szerint ez a celluláris komplexitás random genetikai mutációk szelekciója révén alakult ki az evolúció során. 2005-ben azonban a University of Chicago biológusa, James Shapiro egy radikálisan új narratívával állt elő, amit, úgy tűnik, mikrobiológiai kutatások eredménye is alátámaszt. Eszerint az eukarióta sejtek saját DNS-ük manipulálásával „tudatosan” segítik a szervezet adaptálódását a környezethez (A 21st century view of evolution: genome system architecture, repetitive DNA, and natural genetic engineering; Gene). Így pl. az emlősök immunrendszere képes arra, hogy megkettőzzön egyes DNS-szekvenciákat, ezáltal hatékony betegségellenes antitesteket hozzon létre, és az is kiderült, hogy legalább a genom fele ugráló génekből áll, amik természetes génmérnökösködés révén időről időre újrastrukturálják a genomot.

Azaz, mint Medlock kifejti, a gondolkodás és a tudatosság legfelső rétege alatt jóval mélyebben, már a sejtjeink is olvasnak a környezetből és egymással együttműködve reagálnak arra, vagyis az intelligenciánk nem egyszerűen az objektív külvilág szimbólumokkal történő reprezentálását végzi. A világ ehelyett inkább úgy jelenik meg, ahogy azt az evolúció során formálódott szükségleteink lehetővé teszik a számunkra. A természet a racionalitást nem a biológiai szabályozásra helyezte mintegy legfelső rétegként, hanem, mint ahogy azt világhíres munkájában (Descartes tévedése) az idegkutató Antonio Damasio kifejti, a racionalitás a biológiai szabályozás révén, a biológiai szabályozás elemeiből jön létre. Más szóval: a teljes testünkkel gondolkodunk, nem csak az agyunkkal.

Azonban kevés AI-kutató ismerte fel eleddig, hogy mindez mit is jelent valójában, írja Medlock. Az algoritmusok sokmillió macskafénykép megnézése révén felismerik a macskát jelentő mintázatot, ezzel ellentétben az élőlények biológiai szükségleteik révén a testük és szélesebb környezetük igen gazdag modelljével rendelkeznek; e modellt és tapasztalataikat felhasználva kis számú minta megfigyelése alapján képesek racionális következtetésre. Amikor egy ember egy macskára gondol, lelki szemei előtt látja az állatot mozogni, hallja, ahogy morog, érzi, ahogy karmol, és a szenzoros információ gazdag tárházával rendelkezik, ami segíti őt a „macska” megértésében. Ez azt jelenti, hogy amikor egy ember egy új problémát közelít meg, a munka nehezét már végre is hajtotta. Olyan módszerekkel, amiket csak épp elkezdtünk megérteni, a testünk és az agyunk, a sejtektől kezdve a felsőbb szintek közreműködésével, már felépített egy olyan világmodellt, amit szinte azonnal el tudunk kezdeni használni rengeteg féle egyéb probléma megoldására is. Ezzel ellentétben, egy AI-algoritmus számára minden egyes alkalommal elölről kell kezdeni a problémamegoldást.

Bár sokan rémisztgetnek azzal, hogy küszöbön áll az intelligens gépek hatalomátvétele, valójában igen messze vagyunk attól, hogy bármi egy kicsit is megközelítse az emberi intelligenciát, és mindaddig kicsi az esély ennek elérésére, amíg nem kezdünk el azon gondolkozni, hogyan lehetne az algoritmusoknak valamifajta hosszú távú, megtestesült kapcsolatot biztosítani a környezetükkel.