Παρά τη θεαματική πρόοδο των τελευταίων ετών, η τεχνητή νοημοσύνη εξακολουθεί να απέχει σημαντικά από την πραγματική κατανόηση του κόσμου. Τα σημερινά συστήματα μπορεί να συντάσσουν κείμενα, να λύνουν μαθηματικά προβλήματα και να γράφουν κώδικα, ωστόσο δεν διαθέτουν ακόμη την αντίληψη του φυσικού περιβάλλοντος που έχει ακόμη και ένα απλό ζώο, όπως ένας αρουραίος.
Την άποψη αυτή εκφράζει ο Yann LeCun, μία από τις σημαντικότερες προσωπικότητες στον χώρο της τεχνητής νοημοσύνης. Έπειτα από περίπου μία δεκαετία στη θέση του επικεφαλής επιστήμονα AI της Meta, αποχώρησε το 2025 για να ιδρύσει την Advanced Machine Intelligence Labs, γνωστή ως AMI Labs.
Βασική επιδίωξή του είναι να οδηγήσει την τεχνητή νοημοσύνη πέρα από τα σημερινά μεγάλα γλωσσικά μοντέλα, όπως το ChatGPT, το Claude και το Gemini. Σύμφωνα με τον ίδιο, τα συγκεκριμένα εργαλεία είναι εξαιρετικά χρήσιμα, αλλά δύσκολα θα μπορέσουν να διαχειριστούν περίπλοκες και απρόβλεπτες καταστάσεις στον πραγματικό κόσμο, όπως εκείνες που αντιμετωπίζει ένα ρομπότ όταν εκτελεί καθημερινές οικιακές εργασίες.
Επενδυτικό στοίχημα άνω του 1 δισ. δολαρίων
Η AMI Labs αναπτύσσει έναν διαφορετικό τύπο τεχνητής νοημοσύνης, ο οποίος δεν βασίζεται στην τεχνολογία που βρίσκεται πίσω από το ChatGPT και τα ανταγωνιστικά συστήματα.
Το όραμα του LeCun έχει ήδη προσελκύσει ισχυρό επενδυτικό ενδιαφέρον. Η εταιρεία ανακοίνωσε νωρίτερα μέσα στο έτος ότι εξασφάλισε χρηματοδότηση άνω του 1 δισ. δολαρίων, με τη συμμετοχή επενδυτών όπως η Nvidia και το επενδυτικό fund που διαχειρίζεται την προσωπική περιουσία του ιδρυτή της Amazon, Jeff Bezos.
Ο συγκεκριμένος γύρος χρηματοδότησης χαρακτηρίστηκε ως ένας από τους μεγαλύτερους γύρους «seed» που έχουν πραγματοποιηθεί στην Ευρώπη. Πρόκειται για το αρχικό στάδιο άντλησης κεφαλαίων μιας νεοφυούς επιχείρησης, γεγονός που αποτυπώνει το μέγεθος των προσδοκιών γύρω από το εγχείρημα.
Ικανά αλλά προβλέψιμα τα γλωσσικά μοντέλα
Ο LeCun αναγνωρίζει ότι τα Μεγάλα Γλωσσικά Μοντέλα, γνωστά ως LLMs, είναι ιδιαίτερα αποτελεσματικά σε τομείς όπως ο προγραμματισμός, η παραγωγή κειμένου και η επίλυση μαθηματικών προβλημάτων.
Κατά την άποψή του, όμως, τα περισσότερα από αυτά τα προβλήματα είναι σαφώς καθορισμένα και σχετικά προβλέψιμα.
«Τα LLM ουσιαστικά συσσωρεύουν γνώση. Μπορούν να αναπαράγουν κάτι στο οποίο έχουν εκπαιδευτεί, αλλά δεν είναι ιδιαίτερα έξυπνα και δεν διαθέτουν βαθύτερη κατανόηση», επισημαίνει στο BBC.
Η πραγματική ζωή είναι πολύ πιο σύνθετη. Κάθε ενέργεια μπορεί να οδηγήσει σε μεγάλο αριθμό διαφορετικών αποτελεσμάτων, τα οποία συχνά δεν μπορούν να προβλεφθούν με ακρίβεια. Για την αντιμετώπιση τέτοιων καταστάσεων απαιτείται, σύμφωνα με τον LeCun, ένας πολύ πιο ευέλικτος τύπος τεχνητής νοημοσύνης.
Το παράδειγμα με το στυλό
Για να εξηγήσει τα όρια των σημερινών συστημάτων, ο LeCun χρησιμοποιεί το παράδειγμα ενός στυλό που τοποθετείται όρθιο πάνω στη μύτη κάποιου και στη συνέχεια αφήνεται ελεύθερο.
Ακόμη και ένα μικρό παιδί γνωρίζει ότι το στυλό θα πέσει. Κανείς, ωστόσο, δεν μπορεί να γνωρίζει με βεβαιότητα προς ποια κατεύθυνση θα κινηθεί.
Ένα μεγάλο γλωσσικό μοντέλο ενδέχεται να επιχειρήσει να δώσει μία συγκεκριμένη πρόβλεψη, βασιζόμενο στα στατιστικά μοτίβα που έχει εντοπίσει στα δεδομένα εκπαίδευσής του.
Η πρόβλεψη αυτή θα ήταν πιθανότατα λανθασμένη, καθώς το σύστημα δεν κατανοεί τη φυσική πραγματικότητα της κατάστασης. Απλώς παράγει την απάντηση που μοιάζει στατιστικά πιθανότερη.
Η αρχιτεκτονική JEPA
Η τεχνολογία που αναπτύσσει η AMI Labs ονομάζεται Joint Embedding Predictive Architecture, ή JEPA, και έχει σχεδιαστεί ώστε να αντιμετωπίζει τέτοιου είδους προβλήματα.
Αντί να προσπαθεί να προβλέψει κάθε λεπτομέρεια, το σύστημα δημιουργεί αφαιρετικές αναπαραστάσεις του πραγματικού κόσμου και αξιολογεί τις πιθανές συνέπειες διαφορετικών ενεργειών.
Η διαδικασία βασίζεται σε σύνθετα μαθηματικά μοντέλα, τα οποία φιλτράρουν τις μη χρήσιμες πληροφορίες και διατηρούν μόνο όσα είναι ουσιαστικά για τη λήψη μιας απόφασης.
Στην περίπτωση του στυλό, για παράδειγμα, η τεχνητή νοημοσύνη θα κατανοούσε ότι είναι σημαντικό να προβλέψει πως το αντικείμενο θα πέσει, αλλά όχι να μαντέψει την ακριβή κατεύθυνση της πτώσης του.
Το μεγάλο στοίχημα της ρομποτικής
Η ανάπτυξη πιο ευέλικτων και προσαρμοστικών συστημάτων AI θεωρείται κρίσιμη για το μέλλον της ρομποτικής.
Τα τελευταία χρόνια έχουν επενδυθεί δισεκατομμύρια δολάρια στην ανάπτυξη ανθρωποειδών ρομπότ, των οποίων οι δυνατότητες βελτιώνονται συνεχώς. Παρ’ όλα αυτά, η εκπαίδευσή τους ώστε να εκτελούν με ασφάλεια απλές οικιακές εργασίες, όπως το σιδέρωμα ή το γέμισμα ενός πλυντηρίου πιάτων, παραμένει ιδιαίτερα δύσκολη και δαπανηρή.
Ο LeCun εκτιμά ότι τα σημερινά μεγάλα γλωσσικά μοντέλα είναι απίθανο να αποδειχθούν αποτελεσματικά σε αυτό το περιβάλλον.
«Τα LLM είναι σε μεγάλο βαθμό άχρηστα για τη ρομποτική», αναφέρει. Παράλληλα, απορρίπτει την άποψη ότι η απλή αύξηση της κλίμακας των γλωσσικών μοντέλων θα οδηγήσει τελικά σε υπερανθρώπινη νοημοσύνη.
Η επόμενη δεκαετία των «World Models»
Τις επιφυλάξεις του συμμερίζονται και άλλοι επιστήμονες του κλάδου, μεταξύ των οποίων ο Ingmar Posner, καθηγητής Εφαρμοσμένης Τεχνητής Νοημοσύνης στο Πανεπιστήμιο της Οξφόρδης και επικεφαλής του Εργαστηρίου Εφαρμοσμένης AI.
Ο Posner εκτιμά ότι η επόμενη δεκαετία θα επικεντρωθεί στην ανάπτυξη συστημάτων που δεν θα περιορίζονται στην αναγνώριση μοτίβων, αλλά θα μπορούν να εξηγούν τις αιτιακές σχέσεις.
«Χρειαζόμαστε μοντέλα που μπορούν να απαντήσουν σε ερωτήματα όπως: Τι έχει σημασία; Τι προκαλεί τι; Τι θα συνέβαινε εάν έκανα κάτι διαφορετικό;», τονίζει.
Η ομάδα του, η οποία αριθμεί περίπου δέκα ερευνητές, εργάζεται τα τελευταία τέσσερα χρόνια πάνω σε μια εναλλακτική κατηγορία τεχνητής νοημοσύνης, γνωστή ως «Μοντέλα Κόσμου» ή World Models.
Η βασική ιδέα είναι ότι ένα σύστημα AI μπορεί να μάθει να εκτελεί μια εργασία δημιουργώντας πρώτα μια εσωτερική, «νοητική» προσομοίωση του περιβάλλοντος και των πιθανών συνεπειών κάθε επιλογής.
Χαρακτηριστικό παράδειγμα αποτελεί μια παραλλαγή του συστήματος Dreamer της Google, η οποία κατάφερε να μάθει να συλλέγει διαμάντια στο βιντεοπαιχνίδι Minecraft, εξετάζοντας νοητικά πιθανά μελλοντικά σενάρια πριν λάβει αποφάσεις.
Από το Dreamer στα μηχανιστικά μοντέλα
Ο Posner χαρακτηρίζει το σύστημα που αναπτύσσει ως «μηχανιστικό μοντέλο κόσμου». Στόχος είναι η γνώση να οργανώνεται με τέτοιο τρόπο ώστε η τεχνητή νοημοσύνη να μπορεί να την ανακαλεί, να τη συνδυάζει και να την τροποποιεί ανάλογα με τις ανάγκες.
Παρόμοια έρευνα πραγματοποιείται και από άλλες εταιρείες του κλάδου. Η DeepMind, που ανήκει στην Alphabet, αναπτύσσει το μοντέλο Genie, ενώ η βρετανική Wayve διαθέτει το σύστημα Gaia.
Ο LeCun εκτιμά ότι η AMI Labs θα θέσει το νέο της μοντέλο σε πρακτική εφαρμογή μέσα στο επόμενο έτος, αρχικά σε βιομηχανικά περιβάλλοντα. Εφόσον τα πρώτα αποτελέσματα είναι θετικά, η τεχνολογία θα μπορούσε στη συνέχεια να αξιοποιηθεί σε πολύ μεγαλύτερη κλίμακα.
Μακροπρόθεσμα, προβλέπει την εμφάνιση γενικών συστημάτων τεχνητής νοημοσύνης, τα οποία θα μπορούν να εφαρμόζονται σχεδόν σε κάθε δραστηριότητα με περιορισμένη πρόσθετη εκπαίδευση ή προσαρμογή.
Η AI ως συνεργάτης του ανθρώπου
Το ενδεχόμενο ανάπτυξης πλήρως αυτόνομων ρομπότ δημιουργεί αναπόφευκτα ερωτήματα για τον μελλοντικό ρόλο των ανθρώπων.
Ο LeCun, ωστόσο, εκτιμά ότι η ανθρώπινη παρουσία θα παραμείνει απαραίτητη. Οι άνθρωποι θα συνεχίσουν να καθορίζουν ποια ερωτήματα πρέπει να τεθούν, ποια προβλήματα αξίζει να επιλυθούν και τι πρέπει να κατασκευαστεί ή να δημιουργηθεί.
Κατά την άποψή του, η σχέση των ανθρώπων με τα μελλοντικά συστήματα τεχνητής νοημοσύνης θα μοιάζει με εκείνη ενός επιχειρηματικού ή πολιτικού ηγέτη με τους συμβούλους και τους συνεργάτες του.
Οι συνεργάτες αυτοί μπορεί να είναι εξυπνότεροι ή ικανότεροι σε επιμέρους τομείς, αλλά η τελική κατεύθυνση, οι στόχοι και οι αποφάσεις θα εξακολουθούν να καθορίζονται από τον άνθρωπο.
Διαβάστε ακόμη
72 δόσεις: Ο επίσημος οδηγός της ΑΑΔΕ με τα «ψιλά γράμματα» της ρύθμισης
Η Citi αλλάζει το αφήγημα για τις «Magnificent Seven» – Αυτές είναι οι νέες επενδυτικές ευκαιρίες
Για όλες τις υπόλοιπες ειδήσεις της επικαιρότητας μπορείτε να επισκεφτείτε το Πρώτο Θέμα
Σχολίασε εδώ
Για να σχολιάσεις, χρησιμοποίησε ένα ψευδώνυμο.