| : τα δεδομένα τα οποία έχουμε συλλέξει. Είπαμε λοιπόν στον αργοριθμό μας, κοίταξε να δεις, σου δίνω πάρα πολλά δεδομένα, σου δίνω μια αρχιτεκτονική, απλή αρχιτεκτονική, αλλά μεγάλη αρχιτεκτονική υπολογιστική και αυτό που θέλω να κάνεις είναι να την προσαρμόσεις, να την μασαζάρεις, ώστε το τελικό αποτέλεσμα να είναι ένας έξυπνος αργοριθμός. Σε γενικές γραμμές. Αυτή η προσέγγιση λειτουργήσε πάρα πολύ καλά και θέλω να σας πω λίγο για το τι έχουμε καταφέρει και θα το χωρίσω σε τι έχουμε καταφέρει πολύ καλά, τι έχουμε καταφέρει μέτρα και τι δεν έχουμε καταφέρει καθόλου. Αλλά σε γενικές γραμμές, η τεχνολογία αυτή τη στιγμή έχει καταφέρει να παράγει νοητικές διαργασίες που παίρνουν δευτερόλεπτα, ίσως μερικά λεπτά στον ανθρώπινο εγκέφαλο. Αυτό που έχουμε καταφέρει πολύ καλά, λοιπόν, είναι η κατανόηση φωνής και εικόνας και να παίζουμε κάποια αρκετά δύσκολα παιχνίδια. Και θέλω να σας μιλήσω λίγο για αυτό. Όπως προφανώς ξέρετε, αλληλεπιδρώντας με το κινητό σας, οι υπολογιστές πλέον είναι πάρα πολύ καλοί στο να καταλαβαίνουν τι τους λέτε. Ελπίζω και φαντάζομαι ότι στο κινητό σας έχετε πατήσει αυτό το κουμπί και έχετε μιλήσει στο κινητό σας, αντί να γράφετε με το πληκτρολόγιο έναν ώρα να ζήτησες. Ή αν έχετε Amazon Alexa, μιλάτε κάθε μέρα στο Alexa σας που λέτε, παίξε τα νέα, παίξε ένα τραγούδι, αγόρασε μου κάτι από το Amazon. Και απόδειξη από μία έννοια της φοβερής προόδου που έχει γίνει στην αναγνώριση εικόνας, είναι ότι μιλάμε πλέον για αυτοδηγούμενα αυτοκίνητα. Τα αυτοδηγούμενα αυτοκίνητα, όταν είναι στο δρόμο, πρόκειται να αντιμετωπίσουν πάρα πολλές προκλήσεις. Θα δουν πεζούς, θα δουν παιδιά να τρέχουν πίσω από μπάλες, θα δουν δεν ξέρω και εγώ τι. Και πρέπει να καταλάβουν το κόσμο γύρω τους, για να καθορίσουν τι αποφάσεις θα πάρουν. Για να το κάνουν αυτό, το ραντάρ δεν αρκεί, χρειάζεται μία ερμηνεία του κόσμου γύρω τους. Είναι πιο δύσκολο πρόβλημα από το πρόβλημα που αντιμετωπίζει το αεροπλάνο, με ραντάρ. Το αυτοδίγουμενο αυτοκίνητο μπορεί να βρεθεί σε πολύ πιο περίπλοκες καταστάσεις και χρειάζεται μία ερμηνεία του κόσμου γύρω του και γι'αυτό η ικανότητα των αργορίθμων πλέον να αναγνωρίζουν εικόνες είναι πάρα πάρα πολύ σημαντική. Συνήθως για να δείξω πόσο πολύ έχουμε προχωρήσει στην κατανόηση εικόνων μ'αρέσει να δείχνω δύο παραδείγματα τα οποία πλέον είναι περίπου δυο τριών χρόνων, τεσσάρων χρόνων, πέντε. Το πρώτο είναι αυτόματος ζωγράφος. Αυτός είναι ένας αργόριθμος ο οποίος παίρνει ως είσοδο δύο φωτογραφίες. Και αυτό που κάνει είναι ότι θέλει να αποδώσει το περιεχόμενο της μίας φωτογραφίας στην τεχνοτροπία της άλλης φωτογραφίας. Ο αργόριθμος παίρνει ως είσοδο μία εικόνα νομίζω είναι από το Tübingen και ένα πίνακα ζωγραφικής εμπροκειμένα του Van Gogh και αυτό που θέλει να κάνει είναι να αποδώσει το περιεχόμενο αυτής της εικόνας στην τεχνοτροπία αυτού του πίνακα και το αποτέλεσμα είναι αυτό που βλέπετε εδώ. Αυτό να υπογραμμίσω είναι πολύ διαφορετικό από τα φίλτρα που έχουν κάποια κινητά που μπορείς να πάρεις μια φωτογραφία και να αλλάξεις λίγο την υφή της φωτογραφίας. Δεν πρόκειται γι' αυτό. Αυτό που βλέπουμε εδώ είναι ότι ο αργόριθμος καταλαβαίνει τι αισθή περιεχόμενο σε μία εικόνα και τι αισθή τεχνοτροπία σε μία άλλη εικόνα. Αυτό μαθηματικά είναι πολύ δύσκολο να περιγραφεί. Είναι πολύ δύσκολο να φτιάξει, να σχεδιάζει κανείς κάποια συνάρτηση που κοιτώντας τα pixels μίας εικόνας, γιατί όπως είπαμε πριν, ο υπολογιστής καταλαβαίνει μόνο pixels. Είναι πολύ δύσκολο κανείς να σχεδιάσει μία συνάρτηση που κοιτάει pixels και αποφασίζει ότι το περιεχόμενο σε αυτά τα pixels είναι ένα κανάλι και κάποια σπίτια και να αποφασίζει ότι η τεχνοτροπία σε αυτά τα pixels είναι το πώς ζωγραφίζει ο Van Gogh. Αυτό δεν είναι μια καλώς ορισμένη συνάρτηση και όμως η απόδειξη ότι ο αργόριθμος το έχει καταφέρει είναι οι πίνακες που θα σας δείξω τώρα. Αλλάζοντας, κρατώντας την ίδια φωτογραφία αλλά αλλάζοντας τον πίνακα, προκειμένου δίνοντας ως παράδειγμα τεχνοτροπία σε ένα πίνακα του Picasso, το περιεχόμενο που βλέπουμε είναι μία απόδοση του καναλιού αυτού και των σπιτιών σε τεχνοτροπία κοιβιστική, δίνοντας ένα πίνακα του Turner, βλέπουμε μία απόδοση του περιεχομένου στην τεχνοτροπία του Turner. Ο αργόριθμος έχει καταλάβει κάτι βαθύτερο για το TST περιεχόμενο και TST τεχνοτροπία. Για τους περισσότερους από εμάς, αν σας δώσω μία φωτογραφία, το TST περιεχόμενο μπορείτε να μου περιγράψετε, αλλά για τους περισσότερους από εμάς, αν σας πω, εκτός από τη γυναίκα μου ίσως, αν σας πω τι είναι η τεχνοτροπία σε ένα πίνακα, να μου ορίσετε τι κάνει διαφορετικό αυτό τον πίνακα, από αυτόν τον πίνακα, ή από αυτόν τον πίνακα, είναι πολύ δύσκολο να το ορίσετε, να γράψετε μία παράγραφο για το πώς διαφέρουνε αυτοί μεταξύ τους. Ο αργόριθμος μόνος το καταλαβαίνει και επειδή το καταλαβαίνει, μπορεί να αποδώσει το περιεχόμενο της φωτογραφίας σε τεχνοτροπίες διαφορετικών ζωγράφων. Ένα άλλο παράδειγμα που μου αρέσει είναι ότι όχι μόνο οι αργόριθμοι μπορούν να καταλάβουν το περιεχόμενο ή την τεχνοτροπία μιας εικόνας, αλλά επίσης μπορούν να καταλάβουν κάτι αν θέλετε βαθύτερο για την γεωμετρία στην οποία ζούνε αυτές οι εικόνες. Εδώ στο slide σας δείχνω, σας δείχνω κάποιες εικόνες οι οποίες δεν υπάρχουν, είναι όλες αποκιήματα της φαντασίας ενός αργορίθμου. Ο αργόριθμος αυτός έχει δει πάρα πολλές πραγματικές φωτογραφίες από ένα σύνολο. Ο αργόριθμος που φαντάστηκε αυτά τα πρόσωπα έχει δει πάρα πολλές πραγματικές φωτογραφίες ανθρώπων και κατάλαβε κάτι για τη γεωμετρία πάνω στην οποία ζούνε αυτές οι φωτογραφίες και μετά αφού κατάλαβε τη γεωμετρία μπόρεσε και γέννησε από την ίδια γεωμετρία άλλα πρόσωπα τα οποία δεν είναι πραγματικά αλλά τα φαντάστηκε ο αργόριθμος. Παρομοίως ο αργόριθμος που έφτιαξε αυτές τις τραπεζαρίες εκπαιδεύτηκε με πολλές φωτογραφίες από πραγματικές τραπεζαρίες κατάλαβε τη γεωμετρία στην οποία ζούνε αυτές οι τραπεζαρίες και μετά έκανε δειγματολειψία πάνω από την ίδια επιφάνεια. Αυτού του τύπου οι αργόριθμοι λέγονται Generative Adversarial Networks και χρησιμοποιούν στατιστική και θεωρία παιγνίων με κάποιον ενδιαφέρον τρόπο. Και ήθελα να σας δείξω κάπως αν τα καταφέρω, βλέπετε τίποτα? Αν τα καταφέρω θα σας δείξω κάτι. Ο αργόριθμος που βλέπετε εδώ εκπαιδεύτηκε πάνω σε κάποιες πραγματικές φωτογραφίες. Οι φωτογραφίες που βλέπετε εδώ είναι φωτογραφίες από πραγματικές διασημότητες. Αυτοί οι άνθρωποι είναι όλοι υπαρκτοί. Και αυτές οι φωτογραφίες ήταν εκπαιδευτικό υλικό για τον αργόριθμό μας. Ο αργόριθμός μας βλέποντας αυτές τις φωτογραφίες προσπάθησε να καταλάβει αυτές οι φωτογραφίες είναι χίλια πιχίλια πίξελς, δηλαδή ζουν σε ένα εκατομμύριο διαστάσεις. Κάθε μία από αυτές τις φωτογραφίες είναι ένα σημείο σε ένα εκατομμύριο διαστάσεις. Και οι φωτογραφίες που δείξαμε στον αργόριθμό μας είναι πραγματικές φωτογραφίες, δηλαδή είναι σημεία σε ένα εκατομμύριο διαστάσεις, τα οποία είναι πραγματικά. Είναι πραγματικές φωτογραφίες. Αυτό που είπα στον αργόριθμό μας είναι ωραία. Σου δείξαμε πάρα πολλές τέτοιες φωτογραφίες πραγματικές. Τώρα αυτό που θέλουμε είναι να καταλάβεις κάτι για τη γεωμετρία στην οποία ζουνε αυτές οι πραγματικές φωτογραφίες και μετά να κάνεις δείγματοληψία πάνω από την ίδια γεωμετρία άλλων σημείων, τα οποία δεν είναι πραγματικά μεν, αλλά θα μπορούσαν να είναι πραγματικά, διότι σέβονται τη γεωμετρία στην οποία ζουνε οι πραγματικές φωτογραφίες που σου δώσαμε ως εκπαιδευτικό υλικό. Και οι φωτογραφίες που γεννάει ο αργόριθμος σε αυτή την περίπτωση, είναι αυτές που θα δείτε εδώ πέρα. Όλοι αυτοί οι άνθρωποι που βλέπετε δεν είναι πραγματικοί, είναι αποκιήματα της φαντασίας ενός αργορίθμου, ο οποίος έχει μάθει τη γεωμετρία στην οποία ζουνε οι φωτογραφίες διασημοτήτων και ο οποίος σαν πλάρι δειγματοληπτή κάνει δειγματοληψία πάνω στην ίδια επιφάνεια. Μερικές φορές φεύγει λίγο από την επιφάνεια και το αποτέλεσμα που βλέπετε είναι εδώ πέρα, αλλά έχει φύγει, έφυγε λίγο από την επιφάνεια και επειδή είναι σε ένα κατομμύριο διαστάσεις, αν φύγεις λίγο από την επιφάνεια μπορεί να γίνει χαμός. Αλλά σε γενικές γραμμές είναι εκπληκτική η ποιότητα των προσώπων που βλέπουμε εδώ, πάλι, υπάρχουν κάποια λάθη ας πούμε εκεί, αλλά σε γενικές γραμμές είναι εκπληκτικό το πόσο καλά μαθαίνει αργόριθμος από παραδείγματα πραγματικών φωτογραφιών, τη γεωμετρία τους και πώς μπορεί να φτιάξει δικές του αληθοφανείς φωτογραφίες. Και μάλιστα επιτυγχάνει κάτι πολύ πιο ενδιαφέρον. Αυτό που καταλαβαίνει για τη γεωμετρία των προσώπων είναι και το πώς να περπατήσει πάνω σε γεωδεσιακές γραμμές πάνω σε αυτές τις επιφάνειες. Οι γεωδεσιακές, όπως το όνομα λέει, είναι οι γραμμές οι οποίες σέβονται κάποια γεωμετρία. Ας πούμε, η γεωδεσιακή από την Αθήνα στο Παρίσι δεν τρυπάει την επιφάνεια της γης και βγαίνει Παρίσι, αλλά περπατάει πάνω στην επιφάνεια της γης για να φτάσει Παρίσι. Η διαδρομή πάνω στην επιφάνεια της γης είναι η γεωδεσιακή, αυτή που σέβεται τη γεωμετρία. Έτσι, όπως είπαμε εδώ, δεν είμαστε πλέον σε τρεις διαστάσεις και η επιφάνειά μας δεν είναι απλά μια σφαίρα. Εδώ πέρα επιφάνει να είναι κάτι πολύ πιο περίπλογο, αλλά παρ' όλα αυτά η έννοια του πια είναι η γεωδεσιακή είναι καλώς ορισμένη και μπορούμε να ζητήσουμε τον αργοριθμό μας να περπατήσει πάνω σε μια γεωδεσιακή. Και τα αποτελέσματα των περιπάτων πάνω σε γεωδεσιακές είναι αυτά που βλέπετε. Δεν έφυγε ποτέ ο αργοριθμός μας από την επιφάνεια, δεν τρύπησε τη γη, σεβάστηκε τη γεωμετρία και γι' αυτό με πολύ απαλλό τρόπο μπορεί να περπατάει από ένα πρόσωπο σε ένα άλλο πρόσωπο. Αυτά είναι κάποια από τα πολύ ενδιαφέροντα πράγματα που έχουν καταφέρει οι αργόριθμοί μας. Αλλά πάμε πίσω εδώ που είμαστε για να μιλήσουμε για το τι δεν έχει καταφέρει καλά η τεχνητή νεμοσύνη ή, εν πάση περιτώση, έχει καταφέρει αρκετά μέτρια. Και πριν από αυτό να πω ότι οι αργόριθμοί έχουν καταφέρει πολύ εντυπωσιακά να νικάνε ανθρώπινους παίκτες δύσκολα παιχνίδια όπως το σκάκι, το οποίο έγινε ήδη τη δεκαετία του 90, αλλά και πιο πρόσφατα το go, το 2015, το πόκερ και πιο πρόσφατα, ωστόσο εδώ πέρα υπάρχει ένα debate για το αν οι αργόριθμοί κερδίζουν τους ανθρώπους, το Starcraft. Υπάρχει ακόμα debate εδώ πέρα. Αυτό που οι αργόριθμοί κάνουνε μέτρια είναι η κατανόηση κειμένου και γενικότερα νοητικές λειτουργίες, στις οποίες χρειάζεται ο αργόριθμος να διατηρεί νόημα, το οποίο έχει διάρκεια. Το να καταλάβω τα περιεχόμενα μιας εικόνας είναι κάτι στατικό. Πρέπει να καταλάβω το περιεχόμενο μιας στατικής εικόνας. Το να καταλάβω το περιεχόμενο ως βίντεο, πρέπει να καταλάβω ποιοι πρωταγωνιστούν σε μια ακολουθία από εικόνες και το νόημα που διατρέχει αυτή την ακολουθία των εικόνων. Παρόμοια, το να καταλάβω μια πρόταση είναι κάτι στατικό. Το να καταλάβω κάποιο κείμενο απαιτεί από μένα να καταλάβω ξανά ποιοι είναι οι πρωταγωνιστές του νοήματος και πώς αυτοί οι πρωταγωνιστές εξελίσσονται στις διαφορετικές προτάσεις τις οποίες διαβάζω. Και εδώ η αργόριθμή μας δεν είναι τόσο καλή. Να σας δώσω κάποια παραδείγματα. Στη μετάφραση, που είναι πάρα πολύ καλή πλέον, παρόλα αυτά, για απλές προτάσεις όπως αυτή που έβαλα εδώ πέρα, ο αργόριθμος δίνει το λάθος αποτέλεσμα. Έγραψα στα αγγλικά, δίνω μια μιλία στην Αθήνα απόψε και το Google θεωρεί ότι μιλάω στον εαυτό μου. Μια πολύ απλή πρόταση, το Google δεν μετέφρασε σωστά. Ένα άλλο παράδειγμα είναι το εξής. Πώς μπορεί να ξεγελαστεί ένας αργόριθμος στην κατανόηση κειμένου. Στα αριστερά δίνω ένα κείμενο και μια ερώτηση. Δεν θα διαβάσω το κείμενο, αλλά να σας πω ότι δίνω την παράγραφο στον αργόριθμο. Και του ρωτάω μια ερώτηση για την παράγραφο αυτή και η απάντησή του είναι σωστή. Θα σας πω σε ποια πόλη ο πρωταγωνιστής της παράγραφου μετακόμισε το 1880 και η απάντηση που μου δίνει είναι πράγα, που πράγματι είναι σωστή, αν διαβάσετε την παράγραφο. Μετά από αυτό βάζω ότι είναι ένας άσχετος τύπος. Όλοι αυτοί παράγραφους αφορά έναν πρόσωπο που λέγεται Τέσλα, ο οποίος μετακομίζει την πράγα και κάνει διάφορα πράγματα. Κρατάω την ίδια παράγραφο και προσθέτω μια άσχετη πρόταση όπως άλλος πρωταγωνιστής, ο Ταντακάτσου, πήγε στο Σικάγο το 1881. Και ρωτάω τον αργόριθμό μου την ίδια ερώτηση, πού πήγε ο Τέσλα το 1880. Ωστόσο ο αργόριθμος απαντάει ότι πήγε στο Σικάγο και όχι στην πράγα που είναι η πραγματική ερώτηση. Και αυτό που δείχνει αυτό το παράδειγμα είναι ότι ο αργόριθμός μου δεν κατάλαβε ποιοι είναι οι πρωταγωνιστές του νοήματος στις δύο διαφορετικές παραγράφους και το τι κάνουνε καθώς οι προτάσεις της παραγράφου ακολουθούν μία την άλλη. Ο αργόριθμος προσπαθεί να κάνει pattern matching, δηλαδή διαβάζει μία παράγραφο και βλέπει μία ερώτηση που περιέχει μία πόλη, έναν άνθρωπο και μία ημερομηνία και σκανάρει το κείμενο λέει, έπιασα μία ημερομηνία, είδα τον Τέσλα εδώ πέρα, δεν έχει σημασία, δεν είδα και μία πόλη, ας δώσω αυτή την απάντηση αντί να καταλάβει ότι υπάρχουν δύο διαφορετικοί πλέον πρωταγωνιστές και ότι η ερώτηση μου αφορά τον έναν από τους δύο πρωταγωνιστές. Παρομοίως, όταν περνάμε στη δημιουργικότητα των αργορίθμων, εκεί τα πράγματα είναι ακόμα χειρότερα. Όταν ζητήσουμε από έναν αργόριθμο να δημιουργήσει κείμενο, τότε η ποιότητα του κείμενου που παράγεται είναι ακόμα χειρότερη και σας δίνω κάποια παραδείγματα εδώ. Το πρώτο μου παράδειγμα είναι ένας αργόριθμος που δημιουργεί Σέξπιρ. Ο αργόριθμος εκπαιδεύεται στα άπαντα του Σέξπιρ και μετά του ζητείτε να γεννήσει κείμενο το οποίο θα μπορούσε να έχει γράψει ο Σέξπιρ. Ο αργόριθμος μαθαίνει ταξίες πράγματα, του δίνουμε τα άπαντα του Σέξπιρ, μαθαίνει αγγλικά διαβάζοντας τα άπαντα του Σέξπιρ, μαθαίνει πώς να γράφει... πώς τα έγραφε κάποιος στην εποχή του Σέξπιρ. Αυτό το καταλαβαίνει καλά. Αυτό που δεν καταλαβαίνει καλά είναι να γράψει κείμενο το οποίο να βγάζει νόημα. Το ύφος του κειμένου προσωμιάζει Σέξπιρ, αλλά το περιεχόμενο του κειμένου είναι... Πώς θα το πω... Αλαντάλλαν, ναι. Παρομοίως, μπορείς να εκπαιδεύσεις στα άπαντα του Wikipedia έναν αλγόριθμο και να του ζητήσεις να σου γράψει ένα άρθρο Wikipedia και ο αλγόριθμος θα φτιάξει ένα ωραίο άρθρο, θα βάλει και hyperlinks, θα βάλει και τα λοιπά. Ωστόσο, το νόημα αυτό καθ' αυτό είναι άλλα τα άλλα. Μπορώ να εκπαιδεύσεις έναν αλγόριθμο σε άρθρα αλγευρικής γεωμετρίας και να ζητήσεις τον αλγόριθμος να σου γράψει άρθρα αλγευρικής γεωμετρίας, θα σταγράψει, θα βάλει θεωρήματα, θα βάλει απόδειξη, θα βάλει εξισώσεις κλπ. Ωστόσο, το περιεχόμενο αυτό καθ' αυτό θα είναι άλλα τα άλλα. Με τα παραδείγματα αυτά, αυτό που θέλω να δείξω είναι ότι οι αλγόριθμοι πλέον μπορούν να καταλάβουν νόημα μικρής διάρκειας, να καταλάβουν ύφος, να καταλάβουν τι σημαίνει να έχουμε το σωστή φράση αγγλικών, αλλά προφανώς δεν έχουν καμία εμπειρία από τον κόσμο, δεν είναι ότι θέλουν κάτι να εκφράσουν. Κι επομένως, πώς θα γράψεις Σέξπιρ, αν δεν είσαι Σέξπιρ, πώς θα γράψεις αλγευρική γεωμετρία, αν δεν είσαι αλγευρικός γεωμέτρης ή πώς θα καταλάβεις ένα κείμενο που αφορά ανθρώπους και το τι κάνουν στη ζωή τους, το κόσμο. Νομίζω ότι η προσέγγιση που έχουμε στην τεχνητή νοημοσύνη είναι αρκετά μονομερής αυτή τη στιγμή. Ζητάμε από τους αλγορίθμους κάτι ουσιαστικά δύνατο. Τους δίνουμε τα άπατα του Σέξπιρ και τους λέμε, γράφε σαν τον Σέξπιρ. Πώς θα γράψουν σαν τον Σέξπιρ, αν οι ίδιοι δεν έχουν εμπειρία ζωής. Για να φτιάξουμε τεχνητή νοημοσύνη, πρέπει να το κάνουμε με πολλούς τρόπους και όχι με έναν μονοτρόπο. Δεν μαθαίνει κανείς για τον κόσμο γύρω του βλέποντας απλά φωτογραφίες. Πρέπει να δράσει τον κόσμο, να πιάνει αντικείμενα. Δεν μπορείς να χτίσεις νοημοσύνη μόνο μέσα από ένα κανάλι διάδρασης με τον κόσμο γύρω σου. Λόγω που σε ανώτερες γνωστικές λειτουργίες, οι αργόριθμοί μας έχουν μέτρια ικανότητα. Τέλος, εκεί που είμαστε εντελώς απογοητευτικοί, είναι σε ακόμα πιο μακροπρόθεσμα πράγματα, όπως να σχεδιάσω την τροχιά μου στον χώρο ή πράγματα που με βγάζουν εκτός από την εμπειρία μου. Δηλαδή, μου ζητάνε να κάνω κάτι στο οποίο δεν έχω εμπειρία. Μου δίνουν δύο σκη και μου λένε κάνε σκη. Και λέω, παιδιά, δεν έχω ξανακάνει σκη, αλλά τουλάχιστον ξέρω να περπατάω. Θα με βοηθήσει στους ανθρώπους, μετά από δυο-τρεις προσπάθειες, θα αρχίσουν να κατεβαίνουν έτσι κάπως αργά την πλαγιά. Οι αργόριθμοι δεν είναι ικανείς στο να μεταφέρουν εμπειρία από μια γνωστική ικανότητα σε μια άλλη γνωστική ικανότητα. Κλείνοντας, θέλω να μιλήσω λίγο για τις προκλήσεις, εκτός από τις προφανείς προκλήσεις που βλέπετε εδώ και την εξέλιξη από πιο δύσκολες νοητικές λειτουργίες σε πιο εύκολες και πιο δύσκολες νοητικές λειτουργίες. Θέλω να μιλήσω λίγο για την καρδιά που είναι τεχνολογική κάπως των προκλήσεων που τίθενται αλλά και τις προκλήσεις που τίθονται σε ηθικό, νομοθετικό ή άλλο επίπεδο. Από τεχνικής σκοπιάς, ενώ όπως έλεγα και στην αρχή της ομιλίας μου, οι εφαρμογές της τεχνητής νοησύνης που διαβάζουμε στα μέσα ενημέρωσης ακούγονται εντυπωσιακές, υπάρχει ένα τεράστιο ζήτημα αξιοπιστίας της τεχνολογίας. Ενώ βλέπουμε εντυπωσιακές εφαρμογές, παράλληλα αυτά, τα παραδείγματα που βλέπουμε είναι αυτό που λένε αμερικάνοι cherry-picking, δηλαδή όταν βλέπουμε τα πιο επιτυχημένα πειράματα και δεν βλέπουμε τα λιγότερα επιτυχημένα πειράματα. Ακόμα δηλαδή και στην αναγνώριση εικόνας, τα οποία όπως είπα πριν, θεωρώ ότι έχουμε λύσει σε μεγάλο βαθμό, ακόμα και εκεί πέρα, η τεχνολογία δεν είναι αξιόπιστη. Πόσο μάλλον σε αυτά που είπα ότι κάνουμε μέτρια και σε αυτά που είπα ότι κάνουμε απογοητευτικά, εκεί η αξιοπιστία μας είναι ακόμα χειρότερη. Και εκεί στην καρδιά του, γιατί δεν είναι αξιόπιστη η τεχνολογία μας, τίθονται μεγάλα επιστημονικά τεχνολογικά θέματα. Τώρα, χωρίς αξιοπιστία της τεχνολογίας, τίθονται και ένα τεράστιο άλλο, μια πλειάδα άλλων προκλήσεων και ερωτημάτων που αφορούν στη χρήση της τεχνολογίας. Τα ερωτήματα αυτά, που έχουν να κάνουμε με το πώς τεχνολογία θα παίρνει αποφάσης ζωής και θανάτου, πώς δεν θα είναι μεροληπτική, πώς δεν θα παραβιάσει την ιδιωτικότητα των δεδομένων που χρησιμοποιεί, πώς δεν θα είναι χειραγωγίσιμη, αυτά τα ερωτήματα υπάρχουν ακόμα και να είχαμε αξιόπιστη τεχνολογία, αλλά οι χειραγώγεις της τεχνολογίας και οι κακοί χρήσεις της τεχνολογίας είναι ακόμα μεγαλύτερα προβλήματα όταν η τεχνολογία μας δεν είναι και αξιόπιστη. Έδωσα δύο παραδείγματα ήδη στα οποία η τεχνολογία μας δεν είναι αξιόπιστη στη μετάφραση και στην κατανόηση κειμένου. Εδώ έχω ένα βίντεο ενός Tesla αυτοκινήτου το οποίο συγκρίνεται σε μια ταλικά, ενός άλλου που έχει καταλήξει σε ένα χαντάκι, αλλά εδώ ήδη έχουμε περάσει σε ανώτερες γνωστικές λειτουργίες. Εδώ θέλω να σας δείξω μερικούς τρόπους αποτυχίας της αναγνώρισης εικόνας, ότι είναι σε πολύ καλό επίπεδο. Παρ' όλα αυτά η τεχνολογία μας, που είναι σε καλό επίπεδο, είναι χειραγωγίσιμη. Και τα παραδείγματα που σας δείχνω εδώ είναι διάφοροι τρόποι με τους οποίους η τεχνολογία αναγνώρισης εικόνας είναι χειραγωγίσιμη. Ας αρχίσουμε με αυτό εδώ κάτω. Σε αυτό εδώ κάτω παίρνουμε μια φωτογραφία, τη δείχνουμε σε έναν αργόριθμο με 45 μοίρες και ρωτάμε ξανά τον αργόριθμό μας και λέω ότι είναι φάκα και αποντίκη. Σε αυτή την περίπτωση παίρνουμε μια φωτογραφία ενός I2, τη δείχνουμε στον αργόριθμό μας και μας λέει ότι είναι ένα... αρπαχτικό. Τη στρίβουμε λίγο και μας λέει ότι είναι ουρακουτάγκος. Εδώ παίρνουμε μια φωτογραφία από μια μαρίνα, τη δείχνουμε στον αργόριθμο, λέει είναι ένα καράβι, τη στρίβουμε λίγο και είναι πλέον ένα σκύλος. Στις φωτογραφίες αυτές είναι κάποιες μικρές μεταβολές, βασικά στροφές μιας εικόνας, που παραπλανούν τους καλύτερους αργορίθμους αναγνώρισης εικόνας. Στο βιντεάκι εδώ, έχουμε μια χελονίτσα, την οποία φτιάξανε κάποιοι μαθητές στο MIT, ένας διδακτορικός μου φοιτητής. Αυτοί πήγαν σε έναν 3D printer, τυπώσανε μια χελονίτσα, βάψανε το καβούκι της με έναν εφάνταστο τρόπο, ώστε ο καλύτερος αργόριθμος αναγνώρισης εικόνας να θεωρεί ότι αυτή η χελονίτσα είναι μια καραμπίνα. Και εδώ στην αριστερή πλευρά σας δείχνω διάφορες φωτογραφίες, που αφού τους προσθέτεις θόρυβο, για έναν ανθρώπινο μάτι δεν υπάρχει σχεδόν καμία αλλαγή στις εικόνες, ωστόσο ο καλύτερος αργόριθμος αναγνώρισης εικόνας θεωρεί ότι οι εικόνες που προκύπτουν μετά την πρόσθεση θορύβου είναι... Ας με βοηθήσει κάποιος... Στερδοκάμηλος. Η τεχνητή νοημοσύνη δεν είναι αξιόπιστη. Και ένας από τους λόγους για τους οποίους η τεχνητή νοημοσύνη δεν είναι αξιόπιστη είναι ότι, όπως σας είπα πριν, η προσέγγιση μας στο να φτιάξουμε τεχνητή νοημοσύνη ήταν η εξής, λέμε, εμείς αποτύχαμε στο να σχεδιάσουμε από μόνοι μας έξυπνους αργορίθμους, οπότε να θέσαμε στον πρόσωπό μας, ο οποίος του είπαμε κοίταξε να δεις, να πάρα πολλά δεδομένα από τον κόσμο, να μία υπολογιστική αρχιτεκτονική, προσπάθησε να θέσεις τις παραμέτρεις αυτής της αρχιτεκτονικής ώστε στα δεδομένα που σου δώσαμε να έχει καλή απόδοση, καλή ακρίβεια. Και το θέμα που τίθεται είναι ποιος συνέλεξε τα δεδομένα και με ποιον τρόπο τα συνέλεξε. Αν τα δεδομένα, αντιπροσωπευτικά του πραγματικού κόσμου τότε η τεχνολογία μας θα εκπαιδευτεί με βάση αυτά τα δεδομένα, αλλά μπορεί να ξαφνιαστεί αν δει δεδομένα τα οποία δεν εμπιπτούν στο εκπαιδευτικό υλικό. Το άλλο πρόβλημα που υπάρχει είναι ότι οι αρχιτεκτονικές των αργορίθμων τεχνικής νεοσύνης είναι τόσο περίπλοκες που είναι πολύ δύσκολο να εκπαιδευτούν αντιπροσωπευτικά, να εκπαιδευτούν με στατιστική ασφάλεια ώστε να μην κάνουν λάθη παρότι η πληροφορία υπάρχει στο εκπαιδευτικό τους υλικό. Η αρχή λοιπόν, η πηγή αν θέλετε του γιατί η τεχνολογία δεν είναι αξιόπιστη είναι ότι αφενός μεν στηρίζεται στη συλλογή δεδομένων που είναι πολύ δύσκολο και είναι πολύ δύσκολο να συλλέξει για την εκπαίδευση ρίπλοκων αρχιτεκτονικών αργορίθμων θέτει μεγάλα τεχνικά θέματα. Αν δεν λύσουμε αυτά τα προβλήματα τα τεχνικά, οι προκλήσεις που ήδη υπάρχουν, που όπως σας είπα πριν είναι ηθικού τύπου, νομικού τύπου, κοινωνικού τύπου πολιτικού τύπου, είναι ακόμα μεγαλύτερες αλλά και πριν λύσουμε αυτά τα προβλήματα πρέπει όλοι μας να είμαστε λίγο να επαγρυπνούμε για το πώς η τεχνητή νομοσύνη θα χρησιμοποιηθεί τώρα, στο παρόν και στο μέλλον. Ο λόγος, αν θέλετε, της αναξιοπιστίας η πηγή από την οποία προκύπτει η αναξιοπιστία της τεχνητής νομοσύνης μας δίνει μια κατεύθυνση για το πώς θα προσεγγίσουμε και αυτά τα ερωτήματα. Να σας πω ένα παράδειγμα. Είπα πριν ότι ένα μεγάλο κομμάτι της αναξιοπιστίας προκύπτει από το ότι τα δεδομένα δεν είναι αντιπροσωπευτικά. Αυτό τι μας λέει από νομική σκοπιάς ή ηθική σκοπιάς, μας λέει ότι κοίταξε να δεις μπορεί εσύ να μαζεύεις δεδομένα από τον υπαρκτό κόσμο, ας πούμε από την κοινωνία αλλά η κοινωνία μπορεί να έχει κάποια στερεότυπα τα οποία αν δεν είσαι προσεκτικός σε αυτά τα δεδομένα που εμπεριέχουν στερεότυπα στον αργόριθμό σου, ο αργόριθμός σου εκπαιδευμένος σε αυτά τα δεδομένα θα υιοθετήσει τα στερεότυπα αυτά. Πρέπει λοιπόν να είσαι προσεκτικός για να αποφύγεις, να προσπαθείς να αφαιρέσεις πιθανά στερεότυπα που υπάρχουν μέσα στα δεδομένα σου. Σκεφτόμενοι λοιπόν τα τεχνικά ζητήματα το από πού προκύπτει η αναξιοπιστία μπορούμε να καταλάβουμε και κάποιες κατευθύνσεις για το πώς θα αντιμετωπίσουμε και τα ηθικά ή νομικά ζητήματα τα οποία μπορεί να προκύψουν. Πρέπει να είμαστε λοιπόν προφανώς αν οι αργόριθμοι μας έχουν στερεότυπα τότε να είμαστε προσεκτικοί διότι αν για παράδειγμα οι αργόριθμοι μας χρησιμοποιηθούν για λήψη αποφάσεων όταν μας πάρει μια δουλειά πρέπει να ξέρουμε ότι ο αργόριθμος μπορεί να έχει στερεότυπα τα οποία λένε ότι οι γυναίκες δεν είναι καλές στον προγραμματισμό. Γιατί ο αργόριθμος μας πιστεύει ότι οι γυναίκες μπορεί να μην είναι καλές στον προγραμματισμό διότι εμείς η κοινωνία μας εμπεριέχει αυτό το στερεότυπο και δεν το λέω ως παράδειγμα σε άρθρα και σε κείμενα. Πολλοί από τους αργορίθμους υιοθετούν στερεότυπα, για παράδειγμα πολλές φορές χρησιμοποιείς μια πλειάδα από κείμενα του τύπου ή του Wikipedia και χρησιμοποιείς αυτά τα άρθρα για να δώσεις ξανά γεωμετρία στις λέξεις, ώστε λέξεις που είναι κοντά σε αυτή τη γεωμετρία να έχουν κοντινά νοήματα. Και αφού εκπαιδεύεις αυτούς τους αργορίθμους μπορείς να τους χρησιμοποιήσεις για να κάνεις προβλέψεις διαφόρου τύπου. Μία από τις προβλέψεις είναι να παίξεις το εξής παιχνίδι, να πεις στον αργόριθμό σου ότι ο άντρας είναι για τον βασιλιά ότι η γυναίκα είναι για κενό. Και να ρωτήσεις στον αργόριθμό σου τι πρέπει να βάλεις στον κενό. Ο αργόριθμός κοιτάει στη γεωμετρία αυτή που περιέγραψα πριν, που είναι ο βασιλιάς, είναι ένα σημείο σε αυτό το χώρο, που είναι ο άντρας, που είναι η γυναίκα, προσπαθεί να γεμίσει το κενό προκειμένου ήταν μία σωστή απάντηση. Μετά μπορεί να παίξεις κι άλλα παιχνίδια του, τύπου ο άντρας είναι για τον προγραμματιστή, ότι η γυναίκα είναι κενό. Και ο αργόριθμός σου πάει να συμπληρώσει εκεί οικιακά. Γιατί το έκανε αυτό ο αργόριθμός σου? Διότι ο αργόριθμός σου εκπαιδεύτηκε σε ένα υλικό του υπαρκτού κόσμου της κοινωνίας μας, η οποία έχει στερεότυπα. Όταν χρησιμοποιείται για τη λήψη αποφάσεων ποιον θα προσλάβουμε στο δημόσιο, ποιον θα προσλάβουμε σε κάποια ταιρεία, ο αργόριθμός που έχει θετήσει τα στερεότυπα δεν θα προσλάβει η γυναίκα. Δεν είναι ότι αυτό είναι σωστό, αλλά τα δεδομένα είναι μεροληπτικά. Γνωρίζοντας, λοιπόν, τους διάφορους τρόπους με τους οποίους οι αργόριθμοι αλληπιδρούν σε αυτό το υλικό, μπορούμε ως νομοθέτες να καταλάβουμε τους πιθανούς τρόπους με τους οποίους η τεχνολογία μας μπορεί να είναι αξιόπιστη και να χρησιμοποιηθεί με τον λάθος τρόπο και πρέπει να προβλέψουμε το τι μπορεί να πάει στράβα. Εν κατακλείδι, να σας πω λίγο για το τι η δουλειά μου κοιτάει αυτές τις μέρες. Χρησιμοποιώ στατιστική θεωρία πιθανοτήτων και θεωρίας παιχνίων για να καταλάβω πώς μπορεί η μηχανή να κατανοήσει πολυδιάστατα και περίπλοκα αυτά τα φαινόμενα, πώς μπορεί να αναπτύξει τη δημιουργικότητα, πώς μπορεί να αποφύγει την υιοθέτηση προκαταλήψεων που περιέχονται στα δεδομένα από τα οποία μαθαίνει και πώς μπορεί να ελληλεπιδράσει με άλλες μηχανές που μαθαίνουν ταυτόχρονα με αυτή τη μηχανή. Η θέση μου, και κλείνω με αυτό, είναι ότι γενική και αξιόπιστη νοημοσύνη δεν θα υπάρξει χωρίς αυτή να έχει πολυδιαδραστική αλληλεπίδραση με τον κόσμο και η ασφαλής της χρήση δεν μπορεί να διασφαλιστεί χωρίς διαεπιστημονική προσέγγιση. Και εδώ να σας θυμίσω τον ουμανισμό που χαρακτήριζε τον Κωνσταντίνο Καραθαδωρή, να σας προσκαλέσω να σκεφτείτε και εσείς για αυτά τα σημαντικά ερωτήματα και να σας ευχαριστήσω για την προσοχή σας. Θα σας πω το εξής, είναι πολύ λίγα λεπτά ακόμη, αν έχω και την άδεια του Κωνσταντίνου, να μπορώ να δώσω μία-δυο ερωτήσεις. Να σας πω ότι σας βλέπω όλους σαν πίξελ, οπότε δεν ξέρω κανέναν. Σηκώστε χέρια, θα δω ποιο πίξελ και ποιο πίξελ είναι. Από ό,τι αντιλαμβάνομαι είναι σαν να προσπαθεί η τεχνητή νοημοσύνη να γίνει πρώτα άνθρωπος, να έχει τα ανθρώπινα χαρακτηριστικά, το λογικό, το οποίο αφού είναι επιστήμη και ψηφιακή, πώς θα μπορούσαμε να της δώσουμε αναλογικά κομμάτια, σαν να πρόπτει να φτιάξουμε τον υπεράνθρωπο και μετά, αφού φτιάξουμε τον υπεράνθρωπο, όπως βλέπουμε και στις ταινίες επιστημονικής φαντασίας, μετά να μπορούμε να καρποθούμε από αυτό το δημιούργημα το κάτι παραπάνω που μπορεί να γίνει από τις δυνατότητες που έχει τώρα ο άνθρωπος. Όταν όλοι σήμερα έχουμε, από όλες οι ηλικίες, τόσο πολύ μέσα στη ψηφιακή κατάσταση, δηλαδή όλοι είμαστε με κάτι κινητά, που πιστεύουμε ότι μας έχουν λύσει τα χέρια, και κάνουμε τα πάντα με αυτά. Και λέτε τώρα ότι το μόνο που κάνουν καλό είναι να βλέπουν εικόνες, όταν κάνουν και όλα τα άλλα καλά. Τι θα πρέπει να περιμένουμε. Ευχαριστώ. Η ερώτηση σας πηρήχε πολλά πράγματα. Το ένα είναι ότι τα προβλήματα κάποια από τα οποία έθεσα ειδικότερα στο τέλος, που αντιμετωπίζει αυτή τη στιγμή τεχνητή νεμοσύνη, πολλά από αυτά τα προβλήματα έχουμε και εμείς οι ίδιοι άνθρωποι. Έτσι, γι' αυτό υπάρχει και μεγάλη πολλές φορές πόλωση πολιτική ή ασυμφωνία γύρω από δεδομένα. Είναι γιατί ο καθένας μας έχει τον τρόπο του να χρησιμοποιεί τα δεδομένα για να βγάζει συμπεράσματα. Και, ναι, ζητάμε από τη τεχνολογία το να ζητήσεις μια τεχνολογία που είναι αξιόπιστη. Ζητάς να μην υιοθετήσει στερεότυπα που μπορεί να πάρουν στα δεδομένα. Τη ζητάς να βγάζει συμπεράσματα με στατιστική ασφάλεια, δύο προβλήματα τα οποία ούτε εμείς οι άνθρωποι δεν έχουμε καταφέρει να κάνουμε καλά. Το άλλο κομμάτι της ερώτησής σας, στο οποίο θέλω να σταθώ, είναι η χρήση της τεχνολογίας από τον άνθρωπο. Και εδώ να πω ότι ένας από τους λόγους που δίνω της διαλέξης μου σε ευρύτερο κοινό, είναι ότι θέλω λίγο να ευαισθητοποιήσω τον κόσμο που χρησιμοποιεί αυτήν την τεχνολογία χωρίς απαραίτητα να καταλαβαίνει τους μηχανισμούς πίσω από την επιφάνεια, τι συμβαίνει μέσα στο κινητό, εις τους servers με τους οποίους επικοινώνει το κινητό, το τι υπολογιστικές δεργασίες μπορεί να συμβαίνουν και πού αυτές οι υπολογιστικές δεργασίες μπορεί να μερολυπτούν ή να κάνουν λάθος πράγματα. Όλοι οι χρήστες της τεχνολογίας, και γι' αυτό πιστεύω ότι η δασκαλία της πληροφορικής είναι ένα πολύ σημαντικό μάθημα το οποίο πρέπει να γίνεται από το δημοτικό, ο λόγος που το θεωρώ αυτό είναι ότι δεν μπορείς πλέον να είσαι ολοκληρωμένος άνθρωπος αν δεν ξέρεις, όχι απλά να χρησιμοποιείς το κινητό σου, αλλά να ξέρεις τις δεργασίες που είναι στο παρασκήνιο και οι οποίες καθορίζουν τι πληροφορίες διαβάζεις στο Facebook, τι πληροφορίες διαβάζεις στο Google, τι αποτελέσματα σου δίνει το Google, τι διαφημίσεις σου δείχνει το Google, αν δεν ξέρεις πώς λειτουργούν αυτοί οι αλγόριθμοι και πού μπορεί να παίσουν σωστά ή λάθος ή πώς τα δεδομένα σου μπορεί να χρησιμοποιηθούν από κάποιες εταιρίες, τότε δεν μπορείς να ζήσεις ως ολοκληρωμένος άνθρωπος και δεν μπορείς να είσαι υπεύθυνος πολίτης. Άλλη ερώτηση. Πρέπει κάπως να ακουστείτε. Θα σταθώ λίγο στο τελευταίο κομμάτι που είπατε, το κομμάτι της εκπαίδευσης και επίσης αναφέρεται και τη χρήση των δεδομένων των προσωπικών από το πιχί Facebook που ανέφερε το MIT Labs για την προηγούμενη δεκαετία. Προφανώς υπάρχουν διαφορετικές οπτικές στο πώς χρησιμοποιείς την εναλλογία. Οι quantum υπολογιστές είναι εξαιρετικά καλείς στο να φτιάχνουν αλγόριθμους και να αποδεικνύουν πράγματα τα οποία με έκανε άλλο τρόπο δεν μπορούσαμε να τα αποδείξουμε στον βάθος του χρόνου. Ή για το zero sum game επίσης μπορούμε με δύο υπολογιστές να αποδείξουν τελικά ότι αυτό ισχύει πάντα και άρα έχουμε ένα, ας πούμε, κυβερνικό αξίωμα. Η ερώτηση είναι αυτή που βάλετε πάλι μέσα στο λόγω σας, στη μέση. Ποια προβλήματα θα δώσουμε σε μηχανές παιχνίδις νοημοσύνης να χειριστούν. Θα είναι μόνο trading στο χρωματιστήριο που γίνεται ήδη ή θα είναι και life and death decision making, δηλαδή πατάω το κουμπί γιατί μου έχω πάρει cyber attack. Ή δεν πατάω το κουμπί, διότι περιμένω το τεθρώτο ή το τεταρτοσομερό check για να ξέρω και ανθρώπινο τέλος, κουμπί ok ή πατάω. Γιατί, πιθανώς, αυτό το κομμάτι θα δούμε μπροστά μας τα επόμενα χρόνια και είναι αυτό που θα κρίνει, ίσως, και ανθρώπινες ζωές. Ναι, εντάξει, για τους κυβαντικούς υπολογιστές δεν ήταν ακριβής η περιγραφή σας για το τι μπορούν να κάνουν ή όχι. Μπορούν να λύσουν κάποια προβλήματα πιο καλά από τους κλασικούς υπολογιστές, αλλά ούτως ή άλλως αυτό δεν έχει σημασία στο ερώτημά σας. Αυτό που έλεγα πριν είναι ότι δεν εμπιστεύουμε τους ανθρώπους στη λήψη αποφάσεων απαραίτητα. Θεωρώ ότι οι άνθρωποι έχουν πολλούς τρόπους με τους οποίους παίρνουν λανθασμένες αποφάσεις και κάνουν κακή στατιστική ανάλυση των δεδομένων που έχουν. Το άλλο που θέλω να πω είναι ότι ο διαχωρισμός μεταξύ ανθρώπου και μηχανής δεν νομίζει ότι είναι σωστή οπτική γρονία για να σκεφτόμαστε το πρόβλημα. Ο άνθρωπος του μέλλοντος, όπως και ο άνθρωπος του παρόντος, χρησιμοποιεί την τεχνολογία ως βοήθεια. Για να δώσω ένα απλό παράδειγμα, ο υπολογιστής κερδίζει τον Κασπάρωφ, ο Κασπάρωφ με υπολογιστή κερδίζει τον υπολογιστή. Αυτό πρέπει να σκεφτόμαστε για το μέλλον, ότι ο άνθρωπος χρησιμοποιεί τη μηχανή για υπολογισμούς στους οποίους είναι καλύτερη η μηχανή. Η ευθύνη της πράξης είναι ο άνθρωπος που παίρνει την απόφαση ή ο ιδιοκτήτης της μηχανής, ή ο δημιουργός της μηχανής. Όχι, το ρώτημα έχει ενδιαφέρον. Παραμένει ότι σας βλέπω όλους σαν σύνολο από pixels. Το μόνο που βλέπω κανονικά είναι το ρολόι. Έχουμε άλλες δύο ερωτήσεις. Αρκεί να είναι ερωτήσεις, να μην είναι τοποθετήσεις. Ο κύριος που τον είδα εκεί. Ναι, ναι. Διαβάζοντας την αρραικήνωση του προέδρου της DeepMind, του Ντέμις Χασσάμπη, με άλλα τις ευχαριστίες του προστολή Σέντολ, σκέφτηκα ότι είχαμε τον πρώτο επίσημα άνεργο από την τεχνητή νοημοσύνη. Τον ευχαρίστηση για τη δεκαετή του προσφορά, δηλαδή στην εξέλιξη της νοημοσύνης του DeepMind. Πείτε μου, παρακαλώ, αν είναι βάσιμος ο φόβος ότι οδηγούμαστε σε μια κοινωνία ανθρώπων μελλοντικά άχρηστον και μια ζωή χωρις νόημα. Δηλαδή στο βαθμό που η τεχνητή μου, η νοημοσύνη, θα υποκαταστήσει τους ανθρώπους σε ένα μεγάλο φάσμα αποδουλειάς. Όπως σας περιέγραψα, η εποχή αυτή είναι πολύ μακριά στο μέλλον, διότι οι μηχανές μας δεν είναι και τόσο φοβερές, όσο παριστάρονται στον τύπο. Ωστόσο αυτό που θέλω να πω είναι ότι αυτό που θέλουμε είναι να αντικαταστήσουμε τους ανθρώπους. Ο ανθρώπινος εγκέφαλος είναι από τις πιο ενδιαφέρεισες μηχανές που έχουν προκύψει. Ο ανθρώπινος εγκέφαλος είναι ένας υπολογιστής. Ο υπολογιστής αυτός είναι από τους πιο ενδιαφέροντες και εκπληκτικούς υπολογιστές που έχουν προκύψει από την εξέλιξη των ειδών. Αυτό που θέλουμε είναι να απαλλάξουμε αυτόν τον εγκέφαλο από πιο τετριμένες χρήσεις του και να τον εκμεταλλευτούμε ή να τον αφήσουμε ελεύθερο να αναπτύξει τις πιο ενδιαφέροντες χρήσεις του. Για παράδειγμα, θέλουμε να απελευθερώσουμε τον ανθρώπινο εγκέφαλο από τετριμένες δουλειές και να τον αφήσουμε να είναι πιο δημιουργικός. Πάντα σε κάθε... Πρόκειται για μια βιομηχανική επανάσταση αυτή η οποία διανύουμε και θα συνεχίσουμε να διανύουμε. Σε κάθε τέτοια καμπί της ιστορίας υπήρχε ακριβώς ο ίδιος προβληματισμός. Τι θα γίνει αν κάποιος μετατωπιστεί από τη δουλειά του. Τον ίδιο διάλογο κάνουμε τώρα. Ωστόσο, πράγματι, οι εξελίξεις είναι πιο γρήγορες τώρα σε σχέση με το παρελθόν. Και η πρόκληση που τήθεται είναι το πώς θα γίνει αυτή η μετάβαση. Αυτή η αντικατάσταση κάποιων εργασιών από μηχανές. Ποιος θα λάβει αυτά τα ωφέλη και πώς θα μοιραστούν αυτά τα ωφέλη. Ο σκοπός των επιστήμων είναι να λύσει, ας πούμε, τις επιστημονικές προκλήσεις που προκύπτουν στο να φτιάξει έξυπνες μηχανές. Αλλά επίσης προβληματίζεται για την κακή χρήση ή για τον τρόπο που θα γίνει αυτή η μετάβαση ή για ποιος θα έχει πρόσβαση στην τεχνολογία. Και ένα από τα πράγματα που μας ενδιαφέρουν πολύ είναι σε ποιον θα ανήκει το IP, δηλαδή το Intellectual Property, το οποίο δημιουργείται στα πανεπιστήμια και το οποίο δημιουργούν οι επιστήμονες. Αυτά τα ζητήματα είναι πολύ σημαντικά από νομοθετικό πλαίσιο και από πλαίσιο σχεδιασμού του ασφαλιστικού συστήματος και θα προκύψουν. Οπότε καλό είναι να αρχίσουμε ήδη ή χθες να τα σκεφτόμαστε. Ωραία. Μία τελευταία. Ήθελα να σας ρωτήσω αν μπορούσατε να διακυνδυνεύσετε, όπως σε όλες τις φάσεις της εξέλιξης της τεχνολογίας, της βιομηχανίας, πάντοτε υπήρχαν προβλέψεις για το μέλλον. Πότε πιστεύετε το ισοζύγιο μεταξύ της απόδοσης της τεχνητής νοημοσύνης και του ανθρώπου θα αρχίζει να γέρνει προς την τεχνητή νοημοσύνη σε τι βάθος χρόνου? Εξαρτάται καθαρά από το για ποιο... για τι μιλάμε. Δηλαδή, ας πούμε, στο Skaki έγινε το 90, στο Go έγινε τώρα. Συνολικά. Δηλαδή, ας πούμε, εγώ θεωρώ ότι όταν καταφέρει ο υπολογιστής να γράψει κάποιο δοκίμιο ή να γράψει μία νουβέλα, τότε θα είμαστε σε πολύ καλό δρόμο. Πότε το τοποθετείτε αυτό, λέω, αν μπορείτε να διακυνδυνεύσετε, για να την καταγράψουμε εδώ ότι το 2020 υπόθηκε αυτό. Ξέρεις, το... Ξέρεις, για να είμαστε έτσι σαφείς στο στίχημα που θα παίξουμε, πρέπει να πούμε τι καθιστά ικανοποιητικό κείμενο. Λοιπόν, όχι, όχι, άλλη μία. Είναι η τελευταία, γιατί θέλω να πω το εξής. Είναι ερώτηση. Είναι... Ποιος κάνει? Πείτε, πείτε. Είναι ερώτηση της διπλανής μου. Λοιπόν, Αμαλία. Είπατε πριν για τα δεδομένα. Τα δεδομένα, το συναισθήμα, αυτός υπάρχει περίπτωση ποτέ να μπουν στο pixel. Για ποιον λόγο? Για να λυθεί ένα πολύ σημαντικό κομμάτι της συντροφικότητας. Λοιπόν, ναι, και εγώ το συνομίζω. Θέλω να πω το εξής, ότι λέγοντας ο Κωνσταντίνος στην αρχή τα χαρακτηριστικά του Κωνσταντίνου Καραθοδωρής, σκέφτομαι ότι όπως και ο Κωνσταντίνος, δεν είναι μόνο ένας τεράστιος επιστήμονας, είναι και ένας οραματιστής. Επίσης και με τις ομιλίες του όπως σημερινή, αυτό που τον νοιάζει πρωτίστως είναι η διαμεσολάβηση της νόσεις. Αυτό το καταλαβαίνουμε όλοι. Και επίσης θέλω να πω ότι ο Κωνσταντίνος Καραθοδωρής ήταν έναν παγκόσμιο γεγονός. Ο Κωνσταντίνος Καραθοδωρής είναι έναν παγκόσμιο γεγονός. Πρέπει να το αντιληφθούμε, παρότι είναι ο δικός μας άνθρωπος, είναι έναν παγκόσμιο γεγονός και συγκαταλέγεται στις θετικές δυνάμεις της εποχής μας. Και τον ευχαριστούμε πάρα πολύ που είναι τριγύρω μας και τον ευχαριστούμε πάρα πολύ που διαμεσολαβεί τη γνώση και οραματίζεται και σας ευχαριστούμε και σας, που θα είναι απόψε εδώ. Ευχαριστούμε πολύ. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. Καλησπέρα. |
