Τεχνητή Νοημοσύνη: Οι Κίνδυνοι, το Διαϋπολογιστικό Πρόβλημα και τα Όρια Bremermann/Landauer Μέρος 1ο

''Αν διαφωνείτε με την Tεχνητή Nοημοσύνη, τότε διαφωνείτε με τα ασφαλέστερα αυτοκίνητα που δεν πρόκειται να προκαλέσουν ατυχήματα. Αν διαφωνείτε με την Τεχνητή Νοημοσύνη είναι σαν να διαφωνείτε με τις καλύτερες και πετυχημένες Ιατρικές Διαγνώσεις των ανθρώπων που πάσχουν από κάθε λογής ασθένειες.''

Mark Zuckerberg, Διευθύνων Σύμβουλος του Facebook

'Η επερχόμενη εποχή της Τεχνητής Νοημοσύνης δεν θα είναι μια εποχή πολέμου και καταδυνάστευσης του ανθρώπου, αλλά μια εποχή βαθιάς συμπόνιας, μη-βίας και αγάπης."

Amit Ray, πρωτοπόρος του Κινήματος ''Συμπονετικής Τεχνητής Νοημοσύνης''.

Το Διεπιστημονικό Πεδίο της Γνωσιακής Επιστήμης (Cognitive Science)

Τεχνητή Νοημοσύνη: Μια Συναρπαστική Ιστορία (Amazing Story)

Η Τεχνητή Νοημοσύνη (AI) είναι το πεδίο Έρευνας κι Εφαρμογών που σκοπεύει στην σύνθεση Ευφυών Συστημάτων. Δηλαδή συστημάτων που έχουν την ικανότητα να αποθηκεύουν και να επεξεργάζονται πληροφορίες και να βελτιώνονται διαρκώς μέσω μαθησιακής εμπειρίας, όπως ακριβώς κι ένας άνθρωπος. Επιπλέον τα Ευφυή Συστήματα αυτά, σχεδιάζονται, προγραμματίζονται κι εκπαιδεύονται από τους κατασκευαστές τους να αξιολογούν και να συνθέτουν αφηρημένες έννοιες και ιδέες και να κάνουν χρήση των γνώσεων που απέκτησαν κατά την εκπαίδευσή τους, έτσι ώστε να μεταβάλλουν το περιβάλλον τους, επικοινωνώντας τόσο με άλλα τέτοια ευφυή συστήματα αλλά και με τους ανθρώπους (τους κατασκευαστές τους αλλά και τους υπόλοιπους απλούς ανθρώπους). Η Τεχνητή Νοημοσύνη, ενώ είχε ξεκινήσει ως μια ερευνητική κατεύθυνση Ερευνητών Επιστημόνων και Μηχανικών του Μεσοπολέμου, όπως ήταν οι προκαθήμενοι της Κυβερνητικής Norbert Wiener και John von Neumann, αλλά και Ηλεκτρολόγοι Μηχανικοί όπως ο Claude Shannon, στις μέρες μας εντάσσεται στο ευρύ Διεπιστημονικό Πεδίο της Γνωσιακής Επιστήμης (Cognitive Science). Το υπόβαθρό της ανήκει τόσο στην Εφαρμοσμένη Μηχανική (Applied Engineering) όσο και στη Φιλοσοφία (Επιστημολογία, Γνωσιοθεωρία και Λογική) και τη Βιολογία (Βιολογία Συστημάτων, Συστημική Νευροεπιστήμη, Υπολογιστική Μοντελοποίηση Έμβιων Συστημάτων και Τεχνητή Ζωή).

ΕΙΚΟΝΑ 1: O Norbert Wiener (αριστερά) και ο John von Neumann (δεξιά)

Ο 20ος αιώνας θεωρείται ο αιώνας-ορόσημο για την ανάδυση του πεδίου ερευνών κι εφαρμογών που καλείται ως ''Τεχνητή Νοημοσύνη''. Το 1918, ο Τσέχος Μυθιστοριογράφος Karel Čapek μαζί με τον αδελφό του Josev, συγγράφει ένα θεατρικό έργο με τίτλο R.U.R. (Rossum’s Universal Robots :Τα διεθνή ρομπότ του Ρόσσουμ), το οποίο κι εξέδωσε το 1921, ανεβάζοντας την πρώτη παράστασή του στο Λονδίνο. Η λέξη ''robota'', στα Τσεχικά σημαίνει ''αγγαρεία'', ''βάναυση εργασία'', και ''robotnik'' λέγεται ο ανειδίκευτος εργάτης, για τις βαριές δουλειές. Έτσι, γίνεται και η πρώτη χρήση της λέξης ''ρομπότ'' στην Αγγλική αλλά και στη διεθνή καθομιλουμένη. Αργότερα, ο Συγγραφέας Έργων Επιστημονικής Φαντασίας Isaac Asimov, Βιοχημικός και απόφοιτος του Πανεπιστημίου της Κολούμπια, το 1942 εισάγει τον όρο ''Ρομποτική'' και διατυπώνει τους 3 Νόμους της. Το 1943, ο Ψυχίατρος, Μαθηματικός και Φιλόσοφος Warren McCulloch και ο Μαθηματικός Walter Pitts πρότειναν ένα μοντέλο τεχνητών νευρώνων που είχε τη δυνατότητα να μαθαίνει και να υπολογίζει συναρτήσεις. Το 1948, ο Αμερικανός Μαθηματικός Norbert Wiener εισάγει τον όρο ''Κυβερνητική'' στο ομώνυμο βιβλίο του ''Κυβερνητική: Ή Έλεγχος και Επικοινωνία στο Ζώο και στη Μηχανή'' (Cybernetics: Or Control and Communications in the Animal and the Machine). Συνεπώς, επινοεί μια νέα Πλαισιακή Επιστήμη που αναφέρεται στον Έλεγχο, στην Επικοινωνία, στα Συστήματα και στην Πολυπλοκότητα.To 1949, o Καναδός Ψυχολόγος Donald Hebb πρότεινε τη μέθοδο της Μη-Επιβλεπόμενης Μάθησης (Unsupervised Learning) ως μέθοδο εκπαίδευσης των Νευρωνικών Δικτύων.

Εικόνα 2: Ο Karel Čapek και το ρομπότ του λογοτεχνικού του έργου ''R.U.R.'' (Rossum’s Universal Robots :Τα διεθνή ρομπότ του Ρόσσουμ)

ΕΙΚΟΝΑ 3: O Βιοχημικός και Συγγραφέας Έργων Επιστημονικής Φαντασίας και προκαθήμενος του Φουτουρισμού, Isaak Asimov. Οι 3 Nόμοι της Ρομποτικής που διατύπωσε, είναι κανόνες στους οποίους υπακούν τα περισσότερα ρομπότ που διαθέτουν ποζιτρονικό εγκέφαλο κι εμφανίζονται στα έργα επιστημονικής φαντασίας όπου ο ίδιος συνέγραψε, ενώ τους νόμους αυτούς, τους έχουν χησιμοποιήσει κι άλλοι συγγραφείς επιστημονικής φαντασίας στα έργα τους. Οι νόμοι αυτοί διατυπώθηκαν από τον Asimov στο διήγημα "Runaround" (1942) και είναι οι εξής: 1) Το ρομπότ δε θα κάνει κακό σε άνθρωπο, ούτε με την αδράνειά του θα επιτρέψει να πάθει βλάβη ανθρώπινο ον. 2) Το ρομπότ πρέπει να υπακούει τις διαταγές που του δίνουν οι άνθρωποι, εκτός αν αυτές οι διαταγές έρχονται σε αντίθεση με τον 1ο νόμο. 3) Το ρομπότ οφείλει να προστατεύει την ύπαρξή του, εφόσον αυτό δεν συγκρούεται με τον 2ο και τον 2ο νόμο.

ΕΙΚΟΝΑ 4: Η Σύναψη του Hebb κι ο περίφημος Κανόνας Μάθησής του

Στις αρχές τις δεκαετίας του '50, ο Αμερικανός Ηλεκτρολόγος Μηχανικός και Μαθηματικός Claude Shannon, ασχολήθηκε με την σύνθεση και την ανάπτυξη αυτών που αποκαλούνται σήμερα ''Ευφυή Συτήματα'', δηλαδή τα πρωταρχικά Συστήματα Τεχνητής Νοημοσύνης, μέσω της μελέτης της Κυβερνητικής που εισήγαγε ο Wiener. Από την έρευνα του Shannon αυτή προέκυψαν σημαντικές ανακαλύψεις που έθεσαν τη βάση για τις απαρχές της Τεχνητής Νοημοσύνης (χωρίς να έχει διαμορφωθεί τότε ακόμα ως τέτοιος όρος) αλλά και μια πολλή πρακτική ανακάλυψη που σηματοδότησε την ψηφιακή εποχή: Το γνωστό σε όλους μας ποντίκι (mouse) των υπολογιστών μας! Ακόμα, ο Shannon, έγραψε επίσης ένα άρθρο με τίτλο ''Programming a Computer for Playing Chess'', βάσει του οποίου και ανέπτυξε έναν υπολογιστή που έπαιζε σκάκι.

EIKONA 5: Ο Claude Shannon

Tο 1950, ο Βρετανός Μαθηματικός Alan Turing ανέπτυξε το ομώνυμο Τεστ Turing, το οποίο χρησιμεύει ως Κλίμακα Αξιολόγησης οποιασδήποτε υποψήφιας Τεχνητής Νοημοσύνης. Ο Turing, στο άρθρο του για την πιθανότητα ανάπτυξης Tεχνητής Nοημοσύνης, έχοντας ασχοληθεί επί μακρόν με το θέμα και καθώς ο ορισμός της νοημοσύνης αποτελούσε ένα περίπλοκο φιλοσοφικό ζήτημα, πρότεινε το ακόλουθο κριτήριο: Το Τεστ Turing. Σύμφωνα με το εν λόγω, ομώνυμο τεστ, το οποίο δημιούργησε ο Turing το 1950, μία μηχανή μπορεί να θεωρηθεί ότι ''σκέφτεται'' σαν άνθρωπος και μπορεί να προσδιοριστεί ως Τεχνητή Νοημοσύνη, εάν σε μία συζήτηση μαζί της δημιουργήσει την εντύπωση ότι δεν είναι υπολογιστής, αλλά άνθρωπος. Επιπλέον, εκτός από την ιδέα του εν λόγω τεστ, ο Turing, για την αξιολόγηση των -συλλήβδην- υπολογιστικών συστημάτων με νοημοσύνη που προσεγγίζουν την κλίμακα της ανθρώπινης, περιέγραψε μια αφηρημένη Υπολογιστική Μηχανή που αποτελείται από απεριόριστη μνήμη (memory) κι έναν σαρωτή (scanner) που κινείται μπρος-πίσω στη μνήμη, χαρακτήρα προς χαρακτήρα. Ο σαρωτής, σκανάρει ''διαβάζοντας'' ότι βρίσκει, εγγράφοντας περαιτέρω χαρακτήρες. Οι ενέργειες του σαρωτή υπαγορεύονται από ένα Πρόγραμμα Εντολών, το οποίο αποθηκεύεται στη μνήμη του με τη μορφή κώδικα συμβόλων. Αυτό το μοντέλο Υπολογιστικής Μηχανής ονομάζεται ''Καθολική Μηχανή Turing''. Στο Τεστ Turing, εάν ένα υποψήφιο υπολογιστικό σύστημα δεν ακολουθεί το mode λειτουργίας της Καθολικής Μηχανής Turing, ''κόβεται'' στην ''εξέταση'' και δεν θεωρείται Ισχυρή Τεχνητή Νοημοσύνη. Στο Τεστ Turing, εάν ένα υπολογιστικό σύστημα καταφέρει να ξεγελάσει τους ανθρώπους και να τους κάνει να πιστέψουν πως είναι άνθρωπος, τότε θα πρέπει να θεωρηθεί, τουλάχιστον, εξίσου έξυπνο με έναν άνθρωπο. Ο Turing μάλιστα είχε προβλέψει πως μέχρι το 2000 θα είχε αναπτυχθεί Τεχνητή Νοημοσύνη που θα μπορούσε να ξεγελάσει το 30% των ερωτώντων, έπειτα από πέντε λεπτά συζήτησης. Προέβλεψε κατά προσέγγιση ότι κάποια στιγμή ο άνθρωπος θα μπορέσει να θέσει τις απαρχές μιας πρωτόλειας μορφής Ισχυρής Τεχνητής Νοημοσύνης.

ΕΙΚΟΝΑ 6: O Alan Turing και το περίφημο Test του για την αξιολόγηση μιας Τεχνητής Νοημοσύνης

EIKONA 7: H Καθολική Μηχανή Turing ως σχηματικό μοντέλο (αριστερά) κι ως πιθανό ρεαλιστικό μοντέλο (δεξιά), το οποίο κατασκευάστηκε ως μακέτα από τον Mike Davey, στο Πανεπιστήμιο του Harvard

Είναι όμως η πρώτη φορά που ένα πρόγραμμα περνάει το τεστ Turing κι είναι τελικά αρκετός ως ορισμός αυτός της ''Τεχνητής Νοημοσύνης''; Τα τελευταία 5 χρόνια (2014), έγινε παγκοσμίως διάσημο ένα λογισμικό Τεχνητής Νοημοσύνης με το ψευδώνυμο ''Eugene Goostman''. Πρόκειται για λογισμικό που εξαπάτησε τους εξεταστές στο Τεστ Turing δίνοντάς την εντύπωση ότι επρόκειτο για ένα αγόρι 13 χρονών από την Ουκρανία. Στην ουσία βέβαια, επρόκειται για πρόγραμμα υπολογιστή σχεδιασμένο από το Μηχανικό Λογισμικού Vladimir Veselov. Το πρόγραμμα ήταν μάλιστα τόσο αληθοφανές, που κατάφερε να ξεγελάσει 10 από τους 30 κριτές που άνοιξαν συζήτηση μαζί του, μη μπορώντας να διακρίνουν εάν μιλούσαν με υπολογιστή ή άνθρωπο, κατά τη διάρκεια εκτέλεσης του Τεστ Turing. Στην ουσία ο Eugene Goostman είναι ένα chatbot που κάποιοι θεωρούν ότι έχει περάσει το τεστ Turing. Άλλοι το αμφισβητούν και θεωρούν ότι ακόμα δεν κατασκευάστηκε υπολογιστικό σύστημα που να πέρασε το συγκεκριμένο τεστ. Αλλά και στο παρελθόν, το 1976-77 είχε συμβεί κάτι παρόμοιο, που έκανε την αυθεντία του Τεστ Turing να σείεται, αλλά όχι να καταρρίπτεται: Tο υπολογιστικό πρόγραμμα ELIZA, που συνέτέθη το 1976 από τον Αμερικανό Μηχανικό Λογισμικού Joseph Weizenbaum, κατάφερε να πείσει τη γραμματέα του Weizenbaum ότι συνομιλούσε με τον ίδιο. Έκτοτε ακολούθησε η κατασκευή αρκετών τέτοιων προγραμμάτων, τα οποία έδειξαν μεταξύ άλλων πως το Τεστ Turing, παρόλο που μπορεί να αποδείξει πως οι άνθρωποι μπορούν να ξεγελαστούν από μηχανές, δεν απαντά στα σύγχρονα ερωτήματα για την Tεχνητή Nοημοσύνη, όπως πχ. η ποσοτικοποίηση της νοημοσύνης, τις συνέπειες της, ή η πρόβλεψή της για το το πότε θα επιτευχθεί.

ΕΙΚΟΝΑ 8: Το περίφημο chatbot του Vladimir Veselov, με την ονομασία ''Eugene Goostman''

ΕΙΚΟΝΑ 9: Το Πρόγραμμα ELIZA του Joseph Weizenbaum

Κατά τη γνώμη μου, εάν και υπάρχουν μέχρι στιγμής πολλά λογισμικά που προσπαθούν να περάσουν το τεστ Turing, όμως λειτουργικά και αντικειμενικά δεν αναδύουν σχεδόν καμία ανθρώπινη ικανότητα αποτελεσματικής και -λειτουργικά- ευέλικτης αλληλεπίδρασης με το εξωτερικό περιβάλλον και τους ανθρώπους που προσπαθούν να επικοινωνήσουν μαζί τους. Ένας αρκετά λεπτολόγος παρατηρητής, υποβάλλοντάς στα λογισμικά αυτά τις κατάλληλες ερωτήσεις, μπορεί κάλλιστα να διαπιστώσει πως δεν πρόκειται σε καμία περίπτωση για ανθρώπους αλλά για λογισμικά τύπου chatbots!

Πέραν από την καταλυτική συνεισφορά του Turing, τη δεκαετία του '50 υπήρχε πολύ χρυσάφι στην έρευνα των Τεχνητών Ευφυών Συστημάτων. Το 1951, ο Αμερικανός -τότε τελειόφοιτος Μαθηματικών- και αργότερα καταξιωμένος Επιστήμονας Υπολογιστών, Marvin Minsky, μαζί με τελειόφοιτο φοιτητή Φυσικής στο Πανεπιστήμιο του Princeton, Dean Edmonds, υλοποίησαν το πρώτο Νευρωνικό Δίκτυο, το SNARC (Stochastic Neural Analog Reinforcement Calculator). Το SNARC διέθετε 40 νευρώνες που συνδέονταν με βάση το μοντέλο Σύναψης του Donald Hebb και χρησιμοποιούσε 3.000 λυχνίες για να ''τρέξει'' και να επεξεργαστεί δεδομένα.

EIKONA 10: O Μαθηματικός, Επιστήμονας Υπολογιστών και Καθηγητής Γνωσιακών Επιστημών, Marvin Minsky. Ένας από τους πρωτοπόρους Ερευνητές της Τεχνητής Νοημοσύνης

Το παλαιότερο και λειτουργικά επιτυχημένο πρόγραμμα Τεχνητής Νοημοσύνης, αναπτύχθηκε το 1951 από τον Βρετανό Επιστήμονα Υπολογιστών Christopher Strachey. Το 1952, το πρόγραμμα αυτό βελτιστοποιήθηκε, σε σημείο όπου μπορούσε να παίξει ντάμα με έναν άνθρωπο, εκπλήσσοντας όλους με την ικανότητά του να προβλέπει τις κινήσεις του ανθρώπου-συμπαίκτη του.

To 1956 ήταν το σωτήριο έτος γέννησης της Τεχνητής Νοημοσύνης- τόσο ως όρος όσο και δυναμικό πεδίο ερευνών- διότι διοργανώθηκε για πρώτη φορά το 1ο Συνέδριο Τεχνητής Νοημοσύνης από τους John McCarthy, Marvin Minksy, Claude Shannon και Nathaniel Rochester. Επρόκειτο για μιας δίμηνη συνάντηση (δηλαδή workshop) στο Dartmouth, το οποίο στάθηκε ως γεγονός καθοριστικής σημασίας για τη γέννηση της Τεχνητής Νοημοσύνης ως επίσημο πεδίο επιστημονικών ερευνών, τεχνολογίας κι επιχειρηματικότητας. Το συνέδριο αυτό, αφορούσε τη Θεωρία Αυτομάτων, τα Νευρωνικά Δίκτυα και την Θεωρητική Μελέτη της Ευφυΐας. Είχε μόνο 10 συμμετέχοντες. Το κυριότερο ίσως αποτέλεσμα της συνάντησης ήταν η αποδοχή του ονόματος που πρότεινε ο John McCarthy για τη νέα ερευνητική περιοχή: Τεχνητή Νοημοσύνη (Artificial Intelligence). Ας σημειώσουμε ότι 2 χρόνια αργότερα, το 1958, ο John McCarthy, ανέπτυξε τη Γλώσσα Συναρτησιακού Προγραμματισμού LISP (List Processing), οπου πρόκειται στην ουσία για μια άρκως αποτελεσματική Γλώσσα Προγραμματισμού Συστημάτων Τεχνητής Νοημοσύνης.

ΕΙΚΟΝΑ 11: Ο John McCarthy και η LISP, η Γλώσσα Προγραμματισμού Τεχνητής Νοημοσύνης που επινοήσε

Κατά το 1961, ο Γνωσιακός Επιστήμονας της Εταιρείας RAND (RAND Corporation) Allan Newell κι o Οικονομολόγος Herbert Simon (Βραβείο Νόμπελ Οικονομίας το 1978), παρουσίασαν το πρόγραμμα Logic Theorist (LT) που ήταν σε θέση να αποδεικνύει απλά μαθηματικά θεωρήματα. Την ίδια χρονιά προτάθηκε το Θεώρημα Newel-Simon, όπου έθετε ότι η Γνωσιακή Επεξεργασία Πολύπλοκων Προβλημάτων βασιζόταν σε ένα πρόγραμμα απλών αλλά διαρκώς βελτιούμενων βασικών κανόνων. Μέσω του θεωρήματος αυτού, προτάθηκε και η ιδέα για έναν Γενικό Επιλυτή Προβλημάτων. Έναν General Problem Solver, ως αντιστοιχία με τη Μηχανή Turing. Επρόκειτο για ένα είδος Καθολικού Υπολογιστή που θα επιδείκνυε ανθρώπινη ευφυϊα, επιλύοντας αρκετά περίπλοκα προβλήματα αντί για τον άνθρωπο και στη διάρκεια των βελτιώσεών του, θα επιδείκνυε μεγαλύτερη ικανότητα κι ευελιξία στη λήψη αποφάσεων. Συνεπώς, αναπτύχθηκε στην πράξη το General Problem Solver (GPS), το υπολογιστικό πρόγραμμα που επίλυε απλά προβλήματα και ήταν δομημένο στο μοντέλο Soar, στο κατεξοχήν μοντέλο Γνωσιακής Αρχιτεκτονικής Συστημάτων Τεχνητής Νοημοσύνης. Υστερούσε φυσικά στην επίλυση οποιουδήποτε πραγματικού προβλήματος της πραγματικής ζωής και συνεπώς, το Θεώρημα Newel-Simon παραμένει ακόμα αναπόδεικτο, τόσο θεωρητικά όσο και τεχνικά. Το θεώρημα αυτό όμως, αποτελεί βασικό θεωρητικό μοντέλο δόμησης μελλοντικών εξελιγμένων συστημάτων Τεχνητής Νοημοσύνης, βασισμένων σε ευέλικτες λογισμικές (software) και υλισμικές (hardware) πλατφόρμες.

EIKONA 12: O Γνωσιακός Επιστήμονας Herbert Simon (Βραβείο Νόμπελ Οικονομίας, 1978)

Το 1986, επανήλθε το ενδιαφέρον για την έρευνα των Τεχνητών Νευρωνικών Δικτύων, ως Προσαρμοστικά Υπολογιστικά Συστήματα για την έρευνα της Τεχνητής Νοημοσύνης. Η Τεχνητή Νοημοσύνη, άρχισε πια να μετεξελίσσεται σε πραγματική Επιστήμη που εδιδάσκετο ως βασικό corpus στα προπτυχιακά εξάμηνα των Πανεπιστημίων κι όχι μόνο ως ερευνητικός τομέας στα ιδρύματα ερευνών και στις ιδιωτικές εταιρείες Πληροφορικής. Τα επιτεύγματά της Τεχνητής Νοημοσύνης άρχισαν να στηρίζονται πλέον σε σε αυστηρές θεωρίες κι οποιοδήποτε νέα καινοτομία του πεδίου αυτού γίνεται αποδεκτή μόνον κατόπιν αυστηρής απόδειξης ή εξαντλητικής πειραματικής επιβεβαίωσης.

Το 1995 παρουσιάζονται τα συστήματα Ευφυών Πρακτόρων (Intelligent Agents) τόσο ως κατανεμημένα συστήματα επεξεργασίας πληροφοριών όσο και ως συστήματα μοντελοποίησης διεργασιών (φυσικών φαινομένων, χρηματιστηρίου, κοινωνικών φαινομένων, ως φορείς λήψης ποικίλων αποφάσεων, κλπ). Ήδη από την ίδια χρονιά ξεκινά η εφαρμογή τους στο Διαδίκτυο ως πραγματικές καινοτομίες της Τεχνητής Νοημοσύνης. Το 1997, ο υπολογιστής Deep Blue κερδίζει τον παγκόσμιο πρωταθλητή σκακιού Garry Kasparov. Κι ενώ τα προηγούμενα επιτεύγματα αφορούν τα Συστήματα Τεχνητής Νοημοσύνης, ο τομέας της Ενσωματωμένης Τεχνητής Νοημοσύνης σε Ρομποτικές Διατάξεις, δηλαδή η Ρομποτική και τα ρομπότ, έχουν σημειώσει λαμπρές προόδους, από το 1970 μέχρι και αυτά τα λεπτά που γράφω αυτές τις σειρές.

EIKONA 13: Ο υπολογιστής Deep Blue της IBM, ένας από τους πρώτους υπερυπολογιστές ο οποίος το 1997 κέρδισε στο σκάκι τον διάσημο Ρώσο παγκόσμιο πρωταθλητή σκακιστή, Garry Kasparov

Παρόλα αυτά, το ερώτημα ''εάν και πότε θα καταφέρει η ανθρωπότητα να συνθέσει Τεχνητή Νοημοσύνη'' παραμένει ανοικτό κι αναπάντητο μέχρι στιγμής. Μία από τις πιο αληθοφανείς προβλέψεις, είναι αυτή του Αρχιμηχανικού και Futurist της Google, Ray Kurzweil, ο οποίος θέτει το έτος 2029 ως έτος ολοκληρωμένης κατασκευής Ισχυρής Τεχνητής Νοημοσύνης. Ο Kurzweil, για την πρόβλεψή του αυτή, βασίστηκε στο Νόμο του Moore για τον διπλασιασμό του αριθμού των transistors κάθε 2 χρόνια. Αυτός ο συνεχής διπλασιασμός σε συνδυασμό με τα νέα υλικά συμπυκνωμένης ύλης από τα οποία θα κατασκευάζονται τα υλισμικά υπολογιστικά συστήματα (hardware computer systems) θα επιφέρει μια ''Έκρηξη Νοημοσύνης'' στα -στοιχειωδώς νοήμονα μέχρι στιγμής- υπολογιστικά συστήματα αυτά. Αντιθέτως, ο Fred Brooks που είναι από τους πρωτοπόρους ιθύνοντες της IBM, εξετάζοντας το ζήτημα από την πλευρά του Μηχανικού Λογισμικού, υποστηρίζει ότι η ανθρωπότητα δεν βρίσκεται καν ούτε στα πρώτα βήματατα ενός τέτοιου εγχειρήματος, καθώς η Υπολογιστική Βιολογία δεν μπορεί ούτε καν να προσεγγίσει μέσω κώδικα προγραμματισμού την προσομοίωση των 100 δισεκατομμυρίων συνάψεων του ανθρώπινου εγκεφάλου.

EIKONA 14: O Ray Kurzweil, Φουτουριστής κι Αρχιμηχανικός της Google

EIKONA 15: O Νόμος του Moore, διατυπώθηκε από τον Χημικό Μηχανικό και συνιδρυτή της Intel, Gordon Moore το 1965 και σύμφωνα με αυτόν, ο αριθμός των τρανζίστορ ενός ολοκληρωμένου κυκλώματος διπλασιάζεται κάθε δύο χρόνια

Κατά τον Brooks, ένα τέτοιο εγχείρημα, για να είναι εφικτό θα χρειαστεί μεγάλο χρονικό διάστημα. Ο Brooks ισχυρίζεται ότι για να μπορέσει η ανθρωπότητα να κατασκευάσει Ισχυρή Τεχνητή Νοημοσύνη θα χρειαστεί περίπου 5 αιώνες σκληρής δουλειάς κι αναθεώρησης όσων μέχρι στιγμής ξέρουμε περί Νοημοσύνης, περί Έμβιων Μηχανισμών και περί της Φύσης του Υπολογιστικού Κώδικα, εν γένει. Κατά τη γνώμη μου βέβαια, μιας και η Επιστήμη προάγεται κατ'άλματα, υπάρχει ένα μικρό περιθώριο Επιταχυνόμενης Έκρηξης Καινοτομίας που θα οδηγήσει σε Εκθετική Αύξηση Πληροφορίας, Γνώσης και Ιδεών Καινοτομίας έτσι ώστε να καταστεί η ανθρωπότητα ικανή να επιτύχει ένα τέτοιο εγχείρημα πολύ πιο γρήγορα από το περιθώριο των 5 αιώνων που θέτει ο Brooks.

EIKONA 16: O Fred Brooks, Mηχανικός Λογισμικού, τιμημένος με το Βραβείο Turing και γνωστός για τη διαχείριση της ανάπτυξης της οικογένειας υπολογιστών IBM System/360 και του πακέτου υποστήριξης λογισμικού OS/360. Έχει προτείνει την Συνε-εξελικτική Προσέγγιση (Co-Evolutionary Approach) στην Επίλυση Προβλημάτων που άπτονται της Μηχανικής και Διαχείρισης Συστημάτων (Systems Engineering)

Η ιστορία θα κρίνει το ποιος έχει δίκαιο σε αυτό το διαρκές debate. Tο μόνο σίγουρο είναι πως το ζήτημα της Τεχνητής Νοημοσύνης θα συνεχίσει να απασχολεί την ανθρωπότητα και να εξάπτει τη φαντασία των συγγραφέων και των σεναριογράφων των scifi ταινιών και μυθιστορημάτων. Πολλοί άνθρωποι είναι επιρρεπείς σε σενάρια τύπου ''κατάκτηση των γαλαξιών από ευφυή ρομπότ'', ''εξέγερση των μηχανών'' κι άλλες ιστορίες Επιστημονικής Φαντασίας, όταν ακούνε για την Τεχνητή Νοημοσύνη. Όμως δεν χρειάζεται να πάει ο νους μας τόσο μακριά: Η Τεχνητή Νοημοσύνη χρησιμοποιείται ήδη στην καθημερινή ζωή.

Χάρη σε μια σειρά από τεχνολογίες που βασίζονται στην Τεχνητή Νοημοσύνη, έχει επιτευχθεί η αυτοματοποίηση μιας μεγάλης μερίδας εργασιών που στις παλαιότερες εποχές γίνονταν από ανθρώπινα χέρια κι ανθρώπινο μυαλό. Οι μηχανές πια, είναι σε θέση να επιλύουν όλο και περισσότερα προβλήματα, να εκτελούν όλο και περισσότερες εργασίες, πολύ καλύτερα και γρηγορότερα. Ειδικά στην επεξεργασία μεγάλου όγκου δεδομένων και στην διεξαγωγή βιώσιμων λύσεων και κρίσιμων συμπερασμάτων που απαιτούν περιορισμένο χρόνο επεξεργασίας δεδομένων και πληροφοριών, μια ειδικού τύπου Τεχνητή Νοημοσύνη μπορεί να επιλύσει τέτοια προβλήματα πολύ πιο αποτελεσματικά από ότι πολλοί άνθρωποι μαζί. Μερικοί άνθρωποι πιστεύουν ότι αυτή η νέα τάση στην Τεχνολογία θα αρχίσει να απειλεί τον εργασιακό κόσμο και την παγκόσμια κοινωνία με ραγδαία και μαζική απώλεια θέσεων εργασίας. Σύμφωνα με διεξαχθείσα έρευνα του Oxford Martin School, έως το 2035, η Τεχνητή Νοημοσύνη θα αυτοματοποιήσει πλήρως το 57% των θέσεων εργασίας κάθε λογής.

Αλήθεια όμως τι είδους Τεχνητή Νοημοσύνη επικρατεί μέχρι στιγμής σήμερα στους παραγωγικούς τομείς όπου ο άνθρωπος καταπιάνεται με σκοπό να προάγει την Καινοτομία και την Επιχειρηματικότητα; Η απάντηση είναι ''όχι και κάτι φαντασμαγορικό ή επίφοβο''. Ας δούμε λίγο τους τύπους Τεχνητής Νοημοσύνης, αφού πρώτα περιγράψουμε συνοπτικά το... Κινεζικό Δωμάτιο.

Το Κινεζικό Δωμάτιο και οι Τύποι Τεχνητής Νοημοσύνης

Η Τεχνητή Νοημοσύνη διακρίνεται σε 2 τύπους: Στην Αδύναμη και στην Ισχυρή.

Ο Αμερικανός Καθηγητής Φιλοσοφίας John Searle, είναι ο άνθρωπος που επινόησε τους προαναφερθέντες όρους ''Αδύναμη'' και ''Ισχυρή'' Τεχνητή Νοημοσύνη, το 1980. Ο Searle, στην επιστημονική του δημοσίευση (paper) "Minds, Brains, and Programs", στην εφημερίδα Behavioral and Brain Sciences (Επιστήμες Συμπεριφοράς και Εγκεφάλου), κάνει λόγο για την Υπόθεση του Κινέζικου Δωματίου. Η Υπόθεση του Κινεζικού Δωματίου είναι ένα Νοητικό Πείραμα ή Πείραμα Σκέψης (Thought Experiment), από τα πολλά που αναπτύσσουν οι Φιλόσοφοι κι από αυτά βρίθει η Φιλοσοφία από τα γεννοφάσκια της. Αποτελεί δε, ένα Νοητικό Πείραμα που άπτεται της Φιλοσοφίας του Νου (Philosophy of Mind) κι έχει συζητηθεί ευρέως από το 1980 μέχρι σήμερα, τόσο στα Φιλοσοφικά Συνέδρια όσο και στις Πολυεθνικές Εταιρείες Πληροφορικής που αναπτύσσουν Συστήματα Τεχνητής Νοημοσύνης.

Το Νοητικό Πείραμα του Κινεζικού Δωματίου, έχει ως εξής: Υποθέτουμε ότι σε ένα δωμάτιο υπάρχει ένα άτομο, το οποίο δε γνωρίζει Κινέζικα, αλλά γνωρίζει τη μητρική του γλώσσα, ας πούμε τα Αγγλικά ή τα Ελληνικά. Στο δωμάτιο αυτό, βρίσκονται 2 θυρίδες, μια Εισόδου που συμβολίζεται με το γράμμα I και μια Εξόδου που συμβολίζεται με το γράμμα O. Από τη θυρίδα Εισόδου (Ι) εισέρχονται κόλλες Α4 με Κινεζικά σύμβολα. Στο κέντρο του δωματίου υπάρχει ένας έντυπος οδηγός γραμμένος στα Αγγλικά ή στα Ελληνικά στον οποίο απαντώνται κατακεχωρημένοι όλοι οι απαραίτητοι γραμματικοί και συντακτικοί κανόνες του τύπου ''Όταν εισέρχεται μια κόλλα Α4 με το Κινεζικό σύμβολο Χ από τη θυρίδα εισόδου, τότε πάρε μια κόλλα Α4 και γράψε πάνω της το Ψ Κινεζικό σύμβολο και πέρασέ το στη θυρίδα εξόδου.'' Το σύστημα των κανόνων αυτών διαμορφώνουν ένα corpus από Τυπικούς Κανόνες, οι οποίοι καθοδηγούν το άτομο που βρίσκεται μέσα σε αυτό το δωμάτιο πως να ταιριάζει τα Χ Κινεζικά σύμβολα με τα Ψ, αλλά και πως να τα σχεδιάζει πάνω στις κόλλες Α4, χωρίς φυσικά το άτομο αυτό να έχει την παραμικρή ιδέα περί της Κινεζικής Γλώσσας, ούτε καν να την έχει ακούσει να αρθρώνεται από Κινέζους ομιλητές της.

Ύστερα από λίγο καιρό το άτομο μέσα στο δωμάτιο, με την αυτοματοποιημένη συνήθειά του να ενώνει Κινεζικά σύμβολα, αναγνωρίζοντας και σχηματίζοντας -ως απάντηση- Κινεζικές προτάσεις, αρχίζει να γίνεται αρκετά ικανό στο να χειρίζεται τους κανόνες των Κινεζικών συμβόλων και να δίνει τις κατάλληλες απαντήσεις στα μηνύματα εισόδου, σε σημείο που να είναι όμοιες με την απαντήσεις ενός ατόμου του οποίου η μητρική γλώσσα είναι η Κινεζική. Φυσικά, κάτι τέτοιο φαίνεται στον έξω κόσμο, καθώς στην πραγματικότητα, το άτομο που χειρίζεται κατόπιν αντιγραφής και πιστής εφαρμογής κανόνων τα Κινεζικά σύμβολα και σχηματίζει Κινεζικές προτάσεις, είναι ομιλητής της Αγγλικής ή της Ελληνικής και όχι φυσικά της... Κινεζικής! Συνεπώς, το άτομο αυτό, στον έξω κόσμο φαντάζει ως Κινέζος ή στην χειρότερη περίπτωση ως ένα άριστος ομιλητής της Κινεζικής Γλώσσας. Το άτομο αυτό όμως, όντας άσχετο με την Κινεζική Γλώσσα (Βρετανός, Αμερικανός ή Έλληνας γαρ) λειτουργεί όπως ακριβώς ένας υπολογιστής και απλά εκτελεί διεργασίες υπολογισμού πάνω σε στοιχεία που έχουν προσδιοριστεί με Τυπικούς Κανόνες Καθοδήγησης (στην ουσία Λογισμικούς Κανόνες), και συνεπώς αντιπροσωπεύει μια μορφή εξατομικευμένου προγράμματος υπολογιστή.

Βέβαια, ο εξωτερικός παρατηρητής υποθέτει ότι το άτομο μέσα στο δωμάτιο γνωρίζει Κινέζικά, πράγμα το οποίο δεν αληθεύει.

Με βάση το Νοητικό αυτό Πείραμα του Searle, το Κινεζικό Δωμάτιο αντιπροσωπεύει τη λειτουργία ενός υπολογιστή. Ο Searle με το πείραμά του αυτό, θέλει να καταδείξει ότι η απλή ακολουθία κι εκτέλεση τυπικών κανόνων δεν δύναται σε καμία περίπτωση να θεωρηθεί ούτε γνωσιακή λειτουργία αντίληψης και κατανόησης, ούτε διεργασία σκέψης ή εμπειρικής γνώσης, εφόσον το μοναδικό πράγμα που κάνει το άτομο μέσα στο Κινεζικό Δωμάτιο είναι ο απλός και τυπικός Χειρισμός των Συμβόλων βάσει Κανόνων, ότι ακριβώς κάνουν και οι Ηλεκτρονικοί Υπολογιστές που έχουμε στο σπίτι και στη δουλειά μας. Οι Ηλεκτρονικοί Υπολογιστές μπορούν να μας μεταφράσουν με διάφορα λογισμικά μετάφρασης κείμενα από τη μια γλώσσα στην άλλη, αλλά σαν οντότητες δεν γνωρίζουν καν τι εστί ''γλώσσα'', τι εστί ''μετάφραση'', τι εστί ''ομιλία'', ''σκέψη'', ''έκφραση'' αλλά και... ''ύπαρξη''.

EIKONA 17: Ο Καθηγητής Φιλοσοφίας John Searle και το Νοητικό Πείραμα του Κινεζικού Δωματίου

Εν κατακλείδι, στόχος της παράθεσης αυτού του Νοητικού Πειράματος από τον Searle, ήταν να τονιστεί ότι ένας Ψηφιακός Υπολογιστής που εκτελεί απλά ένα πρόγραμμα, δεν διαθέτει νου, δεν διαθέτει σκέψη, ούτε φυσικά και συνείδηση, όσο αποτελεσματικά κι αν επεξεργάζεται τις πληροφορίες εισόδου κι όσο πειστικά -λόγω της αποτελεσματικότητάς του- δίνει την (εσφαλμένη βέβαια) εντύπωση στον έξω κόσμο (παρατηρητές) ότι κατέχει και κατανοεί το πρόβλημα το οποίο επεξεργάζεται κι επιλύει.

Από το Κινεζικό Δωμάτιο του Searle, προκύπτει ένα σημαντικό επιχείρημα κατά των Φιλοσοφικών Θέσεων του Λειτουργισμού (Functionalism, Φιλοσοφική Θέση που διατυπώθηκε και διαδόθηκε κυρίως από τον Φιλόσοφο και Ψυχολόγο William James) και του Κομπιουταλισμού (Computalism, οι σκαπανείς της Γνωσιακής Επιστήμης όπως ο Hugh Christopher Longuet-Higgins υποστήριζαν τη θέση αυτή), οι οποίες υποστηρίζουν ότι ο νους μπορεί να εκληφθεί ως ένα Σύστημα Επεξεργασίας Πληροφοριών, το οποίο λειτουργεί με σύμβολα και κανόνες σύνταξης και σημειωτικής και ότι για να συνθέσεις έναν νου, αρκεί η προσομοίωση μιας γνωσιακής διεργασίας που θα εκδηλώνεται -απατηλά-στους εξωτερικούς παρατηρητές ως ''νους'', ''σκέψη'' και ''συνείδηση''. Και με βάση το Κινεζικό Δωμάτιο και το αντεπιχείρημα στις θέσεις του Λειτουργισμού και του Κομπιουταλισμού, o Searle δίνει ένα αποτελεσματικό ανατρεπτικό χτύπημα σε αυτό που καλείται ως ''Ισχυρή Τεχνητή Νοημοσύνη'' (Strong Artificial Intelligence). Ο Searle, επινόησε τον όρο αυτό και τον όρισε ως ''Την ανάπτυξη ενός κατάλληλα προγραμματισμένου υπολογιστή ή κατάλληλα δομημένου υπολογιστικού προγράμματος που θα ήταν διαμορφωμένος με τις κατάλληλες κι ορθές εισόδους κι εξόδους δεδομένων, σε σημείο που θα τον καθιστούσαν να διαθέτει έναν νου με την έννοια ακριβώς του νου όπου ορίζουν και διαθέτουν τα ανθρώπινα όντα''.

Παρόλα αυτά, το Κινεζικό Δωμάτιο του Searle, αν και παρουσιάστηκε ως επιχείρημα αντιλόγου στους ευσεβείς αλλά αφελείς πόθους των Ερευνητών της Τεχνητής Νοημοσύνης, δεν αποτελεί ανασταλτικό επιχείρημα κατά του εγχειρήματος της ακαδημαϊκής και τεχνοκρατικής έρευνας της Τεχνητής Νοημοσύνης. Κι αυτό διότι δεν οριοθετεί περιοριστικά τις διεργασίες αυτού που ορίζεται ως ''Ευφυής Λειτουργία'' σε ένα μηχανικό σύστημα. Το Κινεζικό Δωμάτιο του Searle, έχει εφαρμογή κυρίως στους Ψηφιακούς Υπολογιστές που τρέχουν λογισμικά -και μόνο- και δεν βρίσκει εφαρμογή στις διατάξεις συστημάτων διαφόρων τύπων hardware (υλισμικού) ή οποιασδήποτε άλλης πλατφόρμας που μπορεί να υποστηρίξει υπολογισμούς και πολύπλοκες διεργασίες συστημάτων, συλλήβδην.

Με βάση το Κινεζικό Δωμάτιο του Seatle, η Τεχνητή Νοημοσύνη χωρίζεται σε 2 τύπους, στην Αδύναμη και την Ισχυρή.

Η Αδύναμη Τεχνητή Νοημοσύνη (Weak Artificial Intelligence), ονομάζεται επίσης και ''Περιορισμένη'' ή ''Στενή'' ή ''Οριακή'' 'ή ''Εστιασμένη'' Νοημοσύνη (Artificial Narrow Intelligence), διότι μπορεί να τελεί εργασίες μόνο εντός συγκεκριμένου πλαισίου όρων κι δράσεων. Οι βαθμοί ελευθερίας της Αδύναμης Τεχνητής Νοημοσύνης είναι περιορισμένη και εξειδικευμένη σε συγκεκριμένες και αυστηρά οριοθετημένες εφαρμογές. Όλες οι τρέχουσες μορφές Τεχνητής Νοημοσύνης που υπάρχουν μέχρι σήμερα, ανήκουν στην κατηγορία της Αδύναμης Τεχνητής Νοημοσύνης.

Η Ισχυρή Τεχνητή Νοημοσύνη (Strong Artificial Intelligence) ή Τεχνητή Γενική Νοημοσύνη (Artificial General Intelligence/AGI), αποτελεί την πιο εξελιγμένη και πολύπλοκη μορφή Τεχνητής Νοημοσύνης και θα είναι σε θέση να λύσει οποιοδήποτε πρόβλημα σε απεριόριστο φάσμα πρακτικών, επιστημονικών αλλά και καθημερινών τομέων. Για να μπορέσετε να συλλάβετε το πως θα μπορούσε να είναι μια Ισχυρή AI, σκεφτείτε τον Jarvis, βοηθό του Tony Stark στη σειρά Iron Man. Μέχρι στιγμής, μια τέτοιου είδος Τεχνητή Νοημοσύνη είναι αδύνατο να συντεθεί και να υπάρξει στην πράξη και η ίδια η ιδέα της δημιουργίας της, αναγνωρίζεται μέχρι στιγμής ως καθαρή ουτοπία, ακόμα κι από αρκετούς ειδήμονες (Μαθηματικούς, Μηχανικούς, Γνωσιακούς Επιστήμονες, Νευρεπιστήμονες, Βιολόγους και Φιλοσόφους/Γνωσιολόγους).

EIKONA 18: Αδύναμη και Ισχυρή Τεχνητή Νοημοσύνη

Ο Searle, επεκτείνοντας το Κινεζικό Δωμάτιο, υποστηρίζει ότι, χωρίς την ιδιότητα της Προθετικότητας στα υπολογιστικά συστήματα και στις μηχανές, δεν μπορούμε να ανιχνεύσουμε και να περιγράψουμε το εάν σκέφτεται η μηχανή ή το σύστημα και συνεπώς δεν μπορούμε σε καμία περίπτωση να θεωρήσουμε ότι το σύστημα αυτό διαθέτει νοημοσύνη στο ίδιο επίπεδο με αυτό του ανθρώπου. Συνεπώς, ο Searle, καταλήγει στο συμπέρασμα ότι η Ισχυρή Τεχνητή Νοημοσύνη είναι ψευδής και κάθε προσπάθεια ανάπτυξή της, με βάση το κλασσικό υπολογιστικό μοντέλο εισόδου-επεξεργασίας-εξόδου, αποτελεί μια άπελπι προσπάθεια που βασίζεται σε φρούδες ελπίδες κι αφελείς πόθους.

Τέλος, στην κατηγορία της Τεχνητής Νοημοσύνης, ας προσθέσουμε και μια τρίτη κατηγορία, αυτή της Υπερνοημοσύνης (Superintelligence/SUI). Η Υπερνοημοσύνη, αποτελεί μια ακόμα πιο εξελιγμένη μορφή Ισχυρής Τεχνητής ή Γενικής Νοημοσύνης η οποία θα μπορούσε να θεωρηθεί ως πολλές Ισχυρές Τεχνητές Νοημοσύνες, συγχωνευμένες όλες μαζί σε ένα πολύπλοκο κατανεμημένο δίκτυο με εξαιρετικά ασύλληπτες αποδόσεις για τα ανθρώπινα φυσικά και νοητικά δεδομένα. Σύμφωνα με πολλούς Επιστήμονες, Μηχανικούς και Futurists (Φουτουριστές, δηλαδή Μελλοντολόγους), τα Συστήματα Υπερνοημοσύνης θα αποτελέσουν τους υπερ-ευφυείς διαδόχους ή και πλήρως αντικαταστάτες του ιδίου του ανθρωπίνου είδους.

EIKONA 19: Θα μπορούσαν άραγε τα Υπολογιστικά Συστήματα να αποκτήσουν Προθετικότητα;

Ο Σουηδός Καθηγητής Φιλοσοφίας του Πανεπιστημίου της Οξφόρδης, Nick Bostrom, ορίζει την Υπερνοημοσύνη ως "κάθε είδος νοημοσύνης που υπερβαίνει κατά πολύ την απόδοση των γνωσιακών διεργασιών των ανθρώπων, σε κάθε τομέα δραστηριότητας ανθρώπινου ενδιαφέροντος''. Ένας άλλος καθηγητής Φιλοσοφίας, ο Αυστραλός David Chalmers υποστηρίζει ότι η σύνθεση μιας αποτελεσματικής Ισχυρής Τεχνητής Γενικής Νοημοσύνης, θα είναι μια πολύ πιθανή πορεία προς την Υπερνοημοσύνη.

ΕΙΚΟΝΑ 20: Ο Νick Bostrom και το εξαιρετικό βιβλίο του ''Υπερνοημοσύνη: Μονοπάτια, Κίνδυνοι και Στρατηγικές''. Μέχρι στιγμής υπάρχει μόνο στα Αγγλικά, αλλά σας συνιστώ να το κατεβάσετε δωρεάν σε pdf και να το διαβάσετε! Αν δεν μπορείτε, σας το στέλνω εγώ! Αξίζει!

Ο Chalmers ισχυρίζεται ότι η Τεχνητή Νοημοσύνη έχει ισχυρές προοπτικές στο να επιτύχει ισοδυναμία με την ανθρώπινη νοημοσύνη και ότι επεκτεινόμενη και διαρκώς βελτιούμενη, θα μπορούσε να ξεπεράσει την ανθρώπινη. Κατά τον Chalmers, η διαρκής τεχνική αυτοβελτίωση μιας Τεχνητής Νοημοσύνης θα μπορούσε να οδηγήσει ακόμα και στην πλήρη κυριαρχία της πάνω στους ανθρώπους, με ότι αυτό συνεπάγεται.

EIKONA 21: O εξαιρετικά ευφυής Φιλόσοφος David Chalmers

Προσεγγίσεις Τεχνητής Νοημοσύνης

Υπάρχουν ποικίλες σχεδιαστικές κι ερευνητικές προσεγγίσεις για την κατασκευή Συστημάτων Τεχνητής Νοημοσύνης. Μέχρι στιγμής, σε ακαδημαϊκό κι ερευνητικό επίπεδο, διακρίνονται 4 προσεγγίσεις, οι οποίες μάλιστα τείνουν να είναι διαφορετικού συλλογιστικού πλαισίου:

1) Η Προσέγγιση της Συμβολικής και Μαθηματικής Λογικής.

Η συγκεκριμένη προσέγγιση στηρίζεται στη συλλογιστική της Άλγεβρας Boole. Αυτού του είδους η Μαθηματική Λογική, αναπτύχθηκε από τον Άγγλο ερασιτέχνη Μαθηματικό George Boole το 1847, και συνίσταται από ένα corpus λογικών κανόνων μετάθεσης, αναστροφής και διαχωρισμού διφυών τιμών, δηλαδή λογικών σχέσεων ποσοτήτων που χαρακτηρίζονται από δυο μεταβλητές τιμές (διφυείς λογικές μεταβλητές), τύπου 0 και 1, ''είναι'' ή ''δεν είναι'', ''γεμάτο'' και ''άδειο'' (πιο απλοϊκά). Η Άλγεβρα Boole καλείται και ''Δυαδική Άλγεβρα'', ή ''Άλγεβρα του Διακόπτη'' κι αποτέλεσε ένα εργαλείο συλλογιστικής με ποικίλες εφαρμογές στη σύγχρονη Τεχνολογία όπως στη Μηχανική Λογισμικού και στην Ηλεκτρονική Μηχανική της Σχεδίασης Λογικών Πυλών (Logic Gates όπως AND, OR, NOT, NAND, NOR, XOR και XNOR) των Ψηφιακών Κυκλωμάτων VLSI (Very Large Scale of Integration), επειδή καθίσταται ικανοποιητικό εργαλείο στο χειρισμό Λογικών Συναρτήσεων και Μετασχηματισμών του Δυαδικού Συστήματος. Οι πρώτες εργασίες με την Άλγεβρα Boole έγιναν το 1933, από τον Αμερικανό Μαθηματικό Edward V. Huntington, ο οποίος παρουσίασε και την πρώτη Αξιωματική Θεμελίωσή της. Σήμερα, ο κάθε Μηχανικός Λογισμικού, ο Αναλυτής αλλά κι ο απλός Developer (ο κοινώς ειπείν -ελληνιστί- ''Προγραμματιστής Εφαρμογών''), οφείλει να είναι εξοικειωμένος με την Άλγεβρα Boole και τους λογικούς τελεστές της, τα αξιώματά της και τις πρακτικές εφαρμογές της.

EIKONA 22: Συνοπτικό Διάγραμμα της Άλγεβρας Boole, βασικοί κανόνες και λογικές πύλες

Η Άλγεβρα Boole, προοδευτικά, αναπτύχθηκε ως μια ''γλωσσικού'' τύπου συλλογιστική προσέγγισης με τη μορφή Κατηγορικού Λογισμού (Predicate Calculus) ή Λογισμού και Χειρισμού Κατηγορημάτων (όρος της Συμβολικής Λογικής που είναι τομέας της Αναλυτικής Φιλοσοφίας), κατά την οποία εισάγονται στο corpus της διάφορα σύμβολα θέματος και χωρικές σχέσεις μεταξύ τους, ποσοτικοί προσδιοριστές και τελεστές καθολικότητας αναπαράστασης δεδομένων και ολοκλήρωσης του προβλήματος. Κάθε Σύστημα Τεχνητής Νοημοσύνης που βασίζεται σε αυτή την προσέγγιση, αποτελεί μια εικονική ή θεωρητική μηχανή τέλεσης και απόδειξης των Αξιωμάτων και Θεωρημάτων της Άλγεβρας Boole. Συνεπώς, με βάση τα παραπάνω, τα αρχικά Δεδομένα προς Ανάλυση κι Επεξεργασία από την Μηχανή Boole (Θεωρητική ή Εικονική Μηχανή Άλγεβρας Boole), αποθηκεύονται σε μια Βάση Δεδομένων με τη μορφή Αξιώματος. Κάθε Αξίωμα, διέπεται από Κανόνες Συμπερασμού (Inference Rules) που αναπαριστούν σχέσεις ανάμεσα σε ποιότητες και ποσότητες δεδομένων.

Ακόμα, κάθε τετοια Εικονική ή Θεωρητική Μηχανή Boole, διαθέτει και μια αντίστοιχη Μονάδα Παραγωγής Λύσεων σε κάθε προτεινόμενο υπολογιστικό πρόβλημα και το Σύστημα Συμπερασμάτων προσπαθεί να αποδείξει το κάθε τέτοιο πρόβλημα ως Θεώρημα. Εάν το πρόβλημα επιλυθεί, τότε το θεώρημα αποδεικνύεται και η υπολογιστική διεργασία περατώνεται. Κατά τη διεργασία περάτωσής της, πραγματοποιείται η ανίχνευση των κανόνων που θα είναι χρήσιμοι στη διεργασία αυτή κι επιτρέπει στον Μηχανικό ή Αναλυτή ή Προγραμματιστή Εφαρμογών να λάβει μια αλυσίδα απαραίτητων ενεργειών για την επίτευξη της επίλυσης του προβλήματος της Δεδομενικής Διεργασίας (Data Process). Έτσι η Δεδομενική Εργασία ολοκληρώνεται με επιτυχία κι αυτή είναι και η Συμβολική-Μαθηματική Συλλογιστική των Δεδομενικών Διεργασιών που επιλύονται με την Άλγεβρα Boole στη Μηχανική Λογισμικού (Software Engineering).

Η αποτελεσματικότητα και η ισχύς αυτής της συλλογιστικής της Άλγεβρας Boole, καθορίζεται από την ικανότητα της γεννήτριας επίλυσης, η οποία λειτουργεί στην ουσία ως μια Μηχανή Απόδειξης Θεωρήματος. Μια καινοτόμος συλλογιστική στην πιο εύρωστη (robust) επίλυση διαφόρων τύπων προβλήματος με ελάχιστες μεταβλητές ή αφηρημένου κατηγορικού συμβολισμού είναι η Ασαφής Λογική (Fuzzy Logic), η οποία επιτρέπει την επίτευξη μεγαλύτερης συγκεκριμενοποίησης του προβλήματος κι άρα και μεγαλύτερo ρεαλισμό κι αποτελεσματικότητα στην επίλυση πιο σύνθετων -ποιοτικά- προβλήμάτων. Η Ασαφής Λογική εισήχθη το 1965 από τον Ιρανο-Αζέρο Μαθηματικό Lotfi Zadeh κι επεκτάθηκε θεωρητικά και ερευνητικά από τον Πολωνό Φιλόσοφο (με ειδικότητα στη Συμβολική Λογική) Jan Łukasiewicz και τον επίσης Πολωνό Μαθηματικό και Λογικολόγο Alfred Tarski. Στην Ασαφή Λογική, υπάρχει μια πληθώρα τιμών και όχι μόνο η διφυής κατάσταση και οι συνδυασμοί της που επικρατεί στην Άλγεβρα Boole. Οι τιμές αληθείας στην Ασαφή Λογική μπορεί να είναι οποιοσδήποτε ενδιάμεσος πραγματικός αριθμός μεταξύ των 0 και 1 αλλά και ο κατενεμημένος συνδυασμός και των δυο τιμών μαζί. Πρόκειται για μια Λογική Μερικής Αληθείας όπου μια πιθανή αληθοτιμή μπορεί να κυμαίνεται μεταξύ των ορίων του εντελώς αληθούς και του εντελώς ψευδούς, σε αντίθεση με την Άλγεβρα Boole όπου οι αληθοτιμές είναι μόνο ακέραιες, 0 ή 1. Η Ασαφής Λογική βασίζεται στην παρατήρηση ότι οι άνθρωποι λαμβάνουν αποφάσεις με βάση ανακριβείς και μη αριθμητικές πληροφορίες. Τα Ασαφή Μοντέλα ή Σύνολα είναι μαθηματικά μέσα αναπαράστασης της Ασάφειας και Ανακριβών Πληροφοριών (εξ ου και ο όρος ''Ασαφής''). Αυτά τα μοντέλα έχουν την ικανότητα να αναγνωρίζουν, να αντιπροσωπεύουν, να χειρίζονται, να ερμηνεύουν και να χρησιμοποιούν δεδομένα και πληροφορίες που είναι ασαφείς και στερούνται κάθε βεβαιότητας. Συνεπώς, η Ασαφής Λογική βρίσκει εφαρμογές σε πολλά ερευνητικά πεδία όπως στη Μηχανική Αυτομάτου Ελέγχου (Automatic Control Engineering) και φυσικά στην Τεχνητή Νοημοσύνη.

ΕΙΚΟΝΑ 23: O Μαθηματικός Lotfi Zadeh, εισηγητής της Ασαφούς Λογικής

Η κύρια διαφορά της Ασαφούς Λογικής από την Άλγεβρα Boole είναι ότι στα Ασαφή Μοντέλα, εκτός από το ναι/όχι (1/0), η αλήθεια μιας δήλωσης μπορεί επίσης να πάρει ενδιάμεσες τιμές, όπως '' δεν ξέρω'' (0,5), ο ασθενής είναι πιο πιθανό να είναι ζωντανός από ότι νεκρός (0,75), ο ασθενής είναι πιο πιθανό να είναι νεκρός από ότι ζωντανός (0,25). Αυτή η προσέγγιση μοιάζει περισσότερο με την σκέψη ενός ανθρώπου, καθώς ο άνθρωπος σπάνια απαντά σε ερωτήσεις κλειστού τύπου, δηλαδή με μόνο ''ναι'' ή ''όχι''.

Γενικώς, η προσέγγιση της Άλγεβρας Boole και της Δυαδικής Λογικής υποδηλώνεται με τον γενικό μεταφορικό όρο ''Σκληρή Υπολογιστική'' (Hard Computing). Eνώ η προσέγγιση της Ασαφούς Λογικής υποδηλώνεται ως ''Μαλακή Υπολογιστική'' (Soft Computing). Οι τεχνικές Soft Computing χρησιμοποιούνται σε διάφορες Ιατρικές εφαρμογές όπως η Ιατρική Απεικόνιση (με τη χρήση Γενετικών Αλγορίθμων Βελτιστοποίησης), σε Τεχνικές Μηχανικής Μάθησης για την επίλυση Διαγνωστικών Προβλημάτων όπως η χρήση Τεχνητών Νευρωνικών Δικτύων στη Διαγνωστική του Καρκίνου (τόσο εργαστηριακή όσο και απεικονιστική). Ακόμα, η Συμβολική Προσέγγιση στην Τεχνητή Νοημοσύνη που βασίζεται στην Άλγεβρα Boole και στη Δυαδική Λογική, ονομάζεται και Παραδοσιακή κι έχει τον συντετμημένο τίτλο ως ''GOFAI'' (Good Old-Fashioned Artificial Intelligence/Καλή Παλιομοδίτικη Τεχνητή Νοημοσύνη).

ΕΙΚΟΝΑ 24: Διαφορές ανάμεσα στην Μαλακή Υπολογιστική (Soft Computing) και στην Σκληρή Υπολογιστική (Hard Coputing)

2) Η Διαρθρωτική Προσαρμοστική (Modular Adaptive) Προσέγγιση.

Η προσέγγιση αυτή, αναφέρεται στην ανάπτυξη Συστημάτων Τεχνητής Νοημοσύνης μέσω της Μοντελοποίησης της Δομής και Λειτουργίας του Ανθρώπινου Εγκεφάλου και στηρίζεται στην κατασκευή Νευρομορφικών Λογισμικών (Software) αλλα και Υλισμικών (Hardware) Συστημάτων. Το πρώτο Διαρθρωτό Προσαρμοστικό Σύστημα ήταν το Perceptron (Αντιληπτρόνιο), που αναπτύχθηκε το 1957, από τον Αμερικανό Γνωσιακό Ψυχολόγο (Cognitive Psychologist), Frank Rosenblatt. Το Perceptron ήταν το πρώτο Τεχνητό Νευρωνικό Δίκτυο το οποίο υλοποιήθηκε πάνω σε πλατφόρμα hardware και προσομοίωνε -στοιχειωδώς φυσικά- τις διαδικασίες της ανθρώπινης σκέψης. Η πιο βέλτιστη εκδοση του Perceptron του Rosenblatt ήταν το Mark I Perceptron, που κατασκευάστηκε και παρουσιάστηκε στη διεθνή επιστημονική κοινότητα και με σπόνσορα το Αμερικανικό Ναυτικό, το 1960. Η Αρχιτεκτονική Perceptron του Rosenblatt βασίζετο στην κωδικοποίηση των νευρωνικών διασυνδέσεων του εγκεφάλου σε λογισμικό κώδικα και στην δοκιμή των διασυνδέσεων αυτών σε περιβάλλοντα μάθησης απλών κανόνων και μεταβλητών δεχούμενων ερεθισμάτων. Έτσι, τα Perceptrons, αποτέλεσαν τα πρώτα Διαρθρωτικά-Συνδετιστικά Προσαρμοστικά Συστήματα, διότι μέσω της μάθησής τους, προσάρμοζαν το δυναμικό τους υπό νέες παραμέτρους και συνεπώς, ''εκπαιδεύονταν''. Τα Perceptrons ήταν οι πρώτοι Διαρθρωτικοί (Modular) Υπολογιστές που θα μπορούσαν να εκπαιδευτούν για να μάθουν νέες δεξιότητες μέσω της Δοκιμής-Σφάλματος (Trial and Error), προσομοιώνοντας ουσιαστικά και σε ένα πρωταρχικό επίπεδο τη γνωσιακή λειτουργία της σκέψης (και γενικότερα τις νοητικές διεργασίες των ζωικών οργανισμών).

EIKONA 25: Ο Frank Rosenblatt και το Perceptron

Τέκνα των Perceptrons, αποτελούν όλα τα σύγχρονα Διαρθρωτικά Προσαρμοστικά Συστήματα Υπολογιστών (Λογισμικού και Υλισμικού) αλλά κι ένα ολόκληρο το πεδίο έρευνας που καταπιάνεται με την Υπολογιστική Μοντελοποίηση του Ανθρωπίνου Εγκεφάλου και καλείται Υπολογιστική Νευροεπιστήμη (Computational Neuroscience). Στην ''παράδοση''' των Perceptrons του Rosenblatt, ξεπήδησαν αρκετά άλλα σύγχρονα Συνδετιστικού τύπου Διαρθρωτικά Προσαρμοστικά Συστήματα, όπως τα γνωστά σύγχρονά μας Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks/ANN's). Όπως έχω αναφέρει και σε προηγούμενο άρθρο μου ''Η Υγεία στο Μέλλον: Το Ιατρικό Επάγγελμα στη Δίνη της Τεχνολογικής Επιτάχυνσης'', τα Τεχνητά Νευρωνικά Δίκτυα χρησιμεύουν τα μέγιστα ως εργαλεία-μοντέλα στην πρωτοτυποποίηση των γνωσιακών διαδικασιών που αναδύονται από τα νευρωνικά συστήματα και γι'αυτό, χρησιμοποιούνται σχεδόν παντού, ως λογισμικά Ενσωματωμένων Συστημάτων (Embedded Systems) Μηχανικής Μάθησης κάθε εφαρμογής με πρώτο τομέα και καλύτερο αυτόν της Βιοϊατρικής.

EIKONA 26: Διάφοροι τύποι Νευρωνικών Δικτύων

Μεταξύ των σύγχρονων γνωστών κατηγοριών Τεχνητών Νευρωνικών Δικτύων, είναι τα Δίκτυα Hopfield, οι Αυτοοργανούμενοι Χάρτες (Δίκτυα Kohonen), τα Στοχαστικά Νευρωνικά Δίκτυα, τα Παραγωγικά Αντιπαλικά ή Ανταγωνιστικά Δίκτυα (Generative Adversarial Network/GAN's) και οι πιο σύγχρονες και βέλτιστες εκδοχές Διαρθρωτικών Συστημάτων, όπως τα Δίκτυα Βαθείας Μάθησης ή Deep Learning Networks. Η προσέγγιση των Διαρθρωτικών Συστημάτων στην Τεχνητή Νοημοσύνη είναι ευρύτερα γνωστή ως ''Συνδετιστική'' και η αντίληψη που επικρατεί στην προσέγγιση αυτή ''Συνδετιστισμός'' (αποδιδόμενη στη διεθνή βιβλιογραφία με τον αγγλικό όρο ''Connectivism'').

EIKONA 27: Βασική Αρχιτεκτονική Νευρωνικών Δικτύων

3) Η Εξελικτική Προσέγγιση.

Σύμφωνα με αυτήν την προσέγγιση, οι μηχανισμοί που αξιοποιούνται εδώ, είναι η Μετάλλαξη και η Ποικιλία του αρχικού μοντέλου-καλουπιού ενός λογισμικού και οι συσσωρεύσεις εύρωστων χαρακτηριστικών του στην τροχιά του χρόνου, δηλαδή Εξέλιξη. Διάφορες μεταβολές συσσωρεύονται σε ένα λογισμικό σύστημα, κάνοντάς το αποτελεσματικό στην επίλυση προβλημάτων άρα κι εξελισσόμενο. Κατά την εκτέλεση του ''Εξελικτικού Υπολογισμού'', το λογισμικό εκπαιδεύεται με μια ποικιλία μεθόδων όπως ακριβώς εκπαιδεύεται ένα Τεχνητό Νευρωνικό Δίκτυο ή όπως ένα Σύστημα Δυαδικής Λογικής, κατόπιν δοκιμαστικού ελέγχου πολλαπλών, εναλλακτικών μεθόδων καταλληλότητας επίλυσης προβλήματος, επιλέγεται η καλύτερη, η πιο αποτελεσματική και ικανοποιητική λύση. Με λίγα λόγια η βέλτιστη. Ο Εξελικτικός Υπολογισμός θεωρείται, συνεπώς, ένας Υπολογισμός Βελτιστοποίησης (Optimization). Κινητήριο ''γρανάζι'' του Εξελικτικού Υπολογισμού είναι ο Εξελικτικός Αλγόριθμος (Evolutionary Algorithm) ο οποίος ομαδοποιείται σε πολλαπλά sets τέτοιου είδους αλγορίθμων, επιτελώντας ένα περίπλοκο ρεπερτόριο λύσεων βελτιστοποίησης μιας σειράς προβλημάτων, επιλέγοντας την πιο δόκιμη, πρακτική και ρεαλιστικά αποτελεσματική λύση στον πραγματικό κόσμο και σε πραγματικό χρόνο. Η λογική των Εξελικτικών Αλγορίθμων ακολουθεί τη λογική της Δαρβινικής Εξέλιξης. Ο πιο διαδεδομένος και πρακτικά εφαρμόσιμος τύπος Εξελικτικού Αλγορίθμου είναι ο Γενετικός Αλγόριθμος (Genetic Algorithm), ο οποίος λειτουργεί με βάση τις αρχές των Δαρβινικών Νόμων, δηλαδή μέσω της Γενετικής Μετάλλαξης, της Διασταύρωσης και της Φυσικής Επιλογής.

EIKONA 28: Τα βήματα υλοποίηση ενός Γενετικού Αλγορίθμου: 1) Αρχικοποίηση (Initialization) 2) Επιλογή (Selection) 3) Διασταύρωση (Crossover) 4) Μετάλλαξη (Mutation) 5) Επιστροφή στο στάδιο της Επιλογής (Selection) και τέλος 6) Τερματισμός (Termination)

Στην αρχική φάση της λειτουργίας του, ο Γενετικός Αλγόριθμος παράγει πολλαπλά αντίγραφα της των μεταβλητών του υπό εξέταση προβλήματος. Το σύνολο των αντιγράφων των μεταβλητών αυτών, συνιστά τον ''Γενετικό Κώδικα'' του προβλήματος. Οι τυχαίες τιμές που μπορεί να λαμβάνουν οι μεταβλητές αυτές, παράγουν με τη σειρά τους έναν Πληθυσμό Υποψηφίων Λύσεων του υπό εξέταση προβλήματος. Κάθε λύση (δηλαδή τιμές για τις παραμέτρους του συστήματος) δοκιμάζεται για το πόσο κοντά φέρνει την αντίδραση του συστήματος στην επιθυμητή, μέσω μιας συνάρτησης που δίνει το μέτρο ικανότητας (καταλληλότητας) της λύσης και η οποία ονομάζεται Συνάρτηση Ικανότητας (ΣΙ). Συνεπώς, οι λύσεις του πληθυσμού αυτού, μέσω μεταλλάξεων, διασταυρώσεων κι επιλογής, εξελίσσονται μέχρι να φτάσουν σε μια αποτελεσματική φόρμουλα η οποία θα εκτελεί με τον καλύτερο δυνατό τρόπο μια συγκεκριμένη εργασία.

Οι Γενετικοί Αλγόριθμοι αποτελούν πρακτική Προγραμματιστική Τεχνική αλλά κι εργαλείο έρευνας στην Επιστήμη Υπολογιστών. Συνιστούν μια μέθοδο αναζήτησης βέλτιστων λύσεων σε συστήματα που μπορούν να περιγραφούν ως μαθηματικά προβλήματα. Ως Τεχνική Προγραμματισμού, οι Γενετικοί Αλγόριθμοι εισήχθησαν στα τέλη της δεκαετίας του 1960, από τον Αμερικανό Ηλεκτρολόγο Μηχανικό και Καθηγητή Ψυχολογίας στο Πανεπιστήμιο του Michigan (στην πόλη Ann Arbor) John Henry Holland, ο οποίος ήταν επίσης κι ερευνητής στο Ινστιτούτο Πολυπλοκότητας Santa Fe στο Νέο Μεξικό (ΗΠΑ). Οι Γενετικοί Αλγόριθμοι δεν επιλύουν το πρόβλημα με αναλυτικό/μαθηματικό ή δυαδικό τρόπο όπως η Άλγεβρα Boole, αλλά με τρόπο βιολογικό. Και λόγω αυτού, διαθέτουν μεγάλη εγγενή ευελιξία κι ελευθερία επιλογής της Βελτιστης Λύσης, ως μιας επιθυμητής πρακτικής και ρεαλιστικής λύσης με βάση τις προδιαγραφές και τα χαρακτηριστικά ενός προβλήματος. Στην ουσία, οι Γενετικοί Αλγόριθμοι δεν είναι ακριβώς ''Αλγόριθμοι'' αλλά Ευρετικές Τεχνικές Δρομολόγησης ή Αναζήτησης (Heuristics) που προσπαθούν να δρομολογήσουν την πιο εύρωστη λύση σε ένα πρόβλημα που τους αναθέτουμε.

EIKONA 29: O Καθηγητης John Henry Holland, εισηγητής των Γενετικών Αλγορίθμων

EIKONA 30: Στην ουσία, οι Γενετικοί Αλγόριθμοι δεν είναι ακριβώς ''Αλγόριθμοι'', αλλά Ευρετικές Τεχνικές Δρομολόγησης ή Αναζήτησης (Heuristics)

Οι Γενετικοί Αλγόριθμοι αποτελούν τη βάση για τα Προγράμματα Τεχνητής Ζωής (Artificial Life) η οποία αποτελεί έναν καινοτόμο τομέα έρευνας που επιχειρεί να αναπαράγει σε υπολογιστικό περιβάλλον (In Silico) τους μηχανισμούς της Βιολογικής Εξέλιξης με τον ίδιο τρόπο που η Τεχνητή Νοημοσύνη επιχειρεί να αναπαραστήσει και να μιμηθεί, υπολογιστικά, τις νοητικές διεργασίες. Μια από τις πιο σύγχρονες προσεγγίσεις της Τεχνητής Νοημοσύνης είναι ο συνδυασμός των Γενετικών Αλγορίθμων και της Τεχνητής Ζωής με τα Νευρωνικά Δίκτυα, έτσι ώστε σε επίπεδο Λογισμικού, να μελετάται η ανάπτυξη και η ανάπτυξη γνωσιακών διεργασιών σε υπολογιστικά προγράμματα μέσω Γενετικών Νευρωνικών Δικτύων (Genetic Neural Networks), όπου στην ουσία είναι η χρήση των Γενετικών Αλγορίθμων και του Εξελικτικού Υπολογισμού στην εκπαίδευση των Τεχνητών Νευρωνικών Δικτύων. Μια άλλη πιο σύγχρονη προσέγγιση με πολύ μέλλον για την ανάπτυξη Συστημάτων Τεχνητής Νοημοσύνης είναι ο συνδυασμός Αλγεβρικής Τοπολογίας και Αυτοοργανούμενων Χαρτών Νευρωνικών Δικτύων Kohonen με Γενετικούς Αλγορίθμους. Και η συγκεκριμένη προσέγγιση -εκτός από το επίπεδο του Λογισμικού- θα αποτελέσει και μια αρκετά καταλυτική προσέγγιση εάν διεξαχθεί πειραματισμός και σε επίπεδο Υλισμικού (Hardware).

ΕΙΚΟΝΑ 31: Η Τεχνητή Ζωή, αποτελεί ένα ''καυτό'' πεδίο έρευνας κι εφαρμογής της Γνωσιακής Επιστήμης, της Υπολογιστικής Βιολογίας και της Επιστήμης Υπολογιστών με μεγάλο αντίκτυπο στην ανάπτυξη κι εξέλιξη της Τεχνητής Νοημοσύνης. Iδρυτής του πεδίου της Τεχνητής Ζωής, ήταν ο Αμερικανός Επιστήμονας Υπολογιστών, το 1986

Η Εξελικτική Προσέγγιση στα Συστήματα Τεχνητής Νοημοσύνης δεν αφορά φυσικά μόνο το Λογισμικό. Αποτελεί και προσέγγιση κατασκευής Συστημάτων Υλισμικού. Ένας πολύ δυναμικός τομέας της Τεχνητής Νοημοσύνης είναι το Εξελισσόμενο Υλισμικό (Evolvable Hardware). Το Εξελισσόμενο Υλισμικό προκύπτει από την σύνδεση του Εξελικτικού Υπολογισμού/Γενετικών Αλγορίθμων με την Ηλεκτρονική Τεχνολογία Ολοκληρωμένων Κυκλωμάτων τύπου Διατάξεων Επιτοπίων Προγραμματιζόμενων Πυλών (Field Programmable Gate Arrays/FPGA). Πρόκειται για διατάξεις που υλοποιούν αυτόνομα και αναδιαμορφώσιμα δυναμικά ψηφιακά κυκλώματα μέσω προγραμματισμού κι άνευ χειροκίνητης μηχανικής. Το κύριο χαρακτηριστικό των Συστημάτων Εξελισσόμενου Υλισμικου είναι ότι μπορούν να μεταβάλλουν την αρχιτεκτονική και τη συμπεριφορά τους με δυναμικό κι αυτόνομο τρόπο εν συναρτήσει με τις μεταβολές ηλεκτρικού φορτίου των ψηφιακών πυλών του γειτνιάζοντος περιβάλλοντός τους. Και αυτό το πετυχαίνουν με τον συνδυασμό αναδιαμορφώσιμης υλισμικής πλατφόρμας ψηφιακού κυκλώματος, λογισμικό Εξελικτικού Υπολογισμού/Γενετικών Αλγορίθμων κι αρχιτεκτονικής συστήματος με υψηλή ανοχή στα σφάλματα.

ΕΙΚΟΝΑ 32: Το Εξελισσόμενο Υλισμικό (Evolvable Hardware) αποτελεί μια Βιοεμπνευσμένη (Bioinspired) προσπάθεια των Θεωρητικών και των Μηχανικών να προσδώσουν στο υλισμικό των υπολογιστών τις ευέλικτες αναδιαμορφώσιμες ιδιότητες των Έμβιων Συστημάτων. Λόγω του ότι η έννοια του Βιοϋπολογισμού και της Νοημοσύνης είναι συνυφασμένα από την Γνωσιολογική Ιστορία της Επιστημονικής Σκέψης, το Εξελισσόμενο Υλισμικό αποτελεί -για την ώρα βέβαια- μια πολύ καλή προσπάθεια

Η ιδέα του Εξελισσόμενου Υλισμικού αναπτύχθηκε τόσο θεωρητικά όσο και πρακτικά από τον Βρετανό Γνωσιακό Επιστήμονα Adrian Thompson στο Πανεπιστήμιο του Sussex της Αγγλίας, ο οποίος το 1996 χρησιμοποίησε μια υλισμική πλατφόρμα FPGA της εταιρείας Xilinx, για την υλοποίηση λογισμικού γενετικού σχεδιασμού μέσω αναδιατάξιμου φορτίου επιτοπίων πυλών. Πρόκειται για έναν εξαιρετικά λεπτή εφαρμογή που βασίστηκε στην εκμετάλλευση των ιδιαιτεροτήτων της υλισμικής πλατοφόρμας, την οποία συνήθως οι Μηχανικοί Υπολογιστών απέφευγαν τη δεκαετία του '90, λόγω των τεχνικών ιδιοτροπιών της. Η ειδοποιός διαφορά ανάμεσα στις λογικές πύλες των συμβατικών ολοκληρωμένων κυκλωμάτων και στις FPGA, έγκειται στο ότι οι FPGA δεν χρησιμοποιούν τις λογικές πύλες AND, OR, NOT, NAND, NOR, κλπ που χρησιμοποιούν οι τυπικές διαταξεις λογικών κυκλωμάτων που βρίσκονται στην πλειονότητα των ψηφιακών διατάξεων ευρείας καθημερινής χρήσης όπως οι ηλεκτρονικοί υπολογιστές, τα smartphones και τα tablets. Αντί για τις γνωστές λογικές πύλες Boole, οι FPGA περιέχουν βαθμίδες ή προγραμματιζόμενες πύλες (blocks).

ΕΙΚΟΝΑ 33: Ο Βρετανός Γνωσιακός Επιστήμονας Adrian Thompson στο Πανεπιστήμιο του Sussex της Αγγλίας, το 1996 χρησιμοποίησε μια υλισμική πλατφόρμα FPGA της εταιρείας Xilinx, για την υλοποίηση λογισμικού γενετικού σχεδιασμού μέσω αναδιατάξιμου φορτίου επιτοπίων πυλών (βαθμίδων)

Oι Διατάξεις Προγραμματιζόμενων Πυλών στο Πεδίο ή Προγραμματιζόμενες Διατάξεις Πυλών Πεδίου (FPGA) αποτελούν πλέον μια από τις σημαντικότερες τεχνολογίες υλοποίησης Ψηφιακών Ολοκληρωμένων Κυκλωμάτων, παρέχοντας δυνατότητα στην σύνθεση διατάξεων για συγκεκριμένους επιστημονικούς και σχεδιαστικούς σκοπούς (κι όχι για γενική χρήση στο ευρύ κοινό) και σε ελάχιστο χρονικό διάστημα. Η πρώτη FPGA που κυκλοφόρησε, ήταν βασισμένη σε μια SRAM (Static Random Access Memory) το 1967, αλλά η πρώτη ευέλικτη FPGA που ενσωμάτωνε μια συστοιχία προγραμματιζόμενων πυλών ή αλλιώς βαθμίδων (αρχιτεκτονική προγραμματιζόμενων ολοκληρωμένων που χρησιμοποιείται έως και σήμερα) κυκλοφόρησε το 1984 από την εταιρεία Xilinx. Ενώ η αρχική FPGA περιείχε 64 προγραμματιζόμενες πύλες (δηλ. βαθμίδες) και 58 εισόδους-εξόδους, σήμερα η ευελιξία τους, το μέγεθός τους και η πολυπλοκότητά τους έχουν αυξηθεί, το ίδιο και οι δυνατότητές τους, φτάνοντας πάνω από 20.000.000 πύλες και πάνω από 1.200 ακροδέκτες (pins) εισόδου-εξόδου. Η αύξηση αυτή, μαζί με την εισαγωγή πυλών ειδικού τύπου και καθηκόντων, όπως DSP slices (τομείς Διατάξεων Επεξεργασίας Ψηφιακών Σημάτων) που περιλαμβάνουν πολλαπλασιαστές κι αθροιστές σήματος, έχουν διευρύνει σε σημαντικό βαθμό το πλήθος των εφαρμογών των FPGA.

EIKONA 34: Διάταξη FPGA της Αμερικανικής Εταιρείας Xilinx. H Xilinx κατασκευάζει Προγραμματιζόμενες Λογικές Διατάξεις Υπολογιστών (εξειδικευμένο υλισμικό) και είναι η κύρια εφευρέτρια εταιρεία των FPGA. Ως start-up ξεκίνησε στη Silicon Valey το 1984, με έδρα το San Jose της Καλιφόρνιας κι επεκτάθηκε σχεδόν σε όλες τις ανεπτυγμένες χώρες του κόσμου

Σε γενικές γραμμές οι FPGA είναι πλακέτες ολοκληρωμένων κυκλωμάτων, οι οποίες έχουν σχεδιαστεί για να προγραμματιστούν από τον εκάστοτε χρήστη που τους χρησιμοποιεί για ποικίλες εφαρμογές όπως Βιοϊατρική Τεχνολογία, Κυβερνητική, Μηχατρονική, Ρομποτική και Υπολογιστική Νευροεπιστήμη (ειδικά στη Νευρορομποτική). Οι FPGA συνδυάζουν τα βασικά πλεονεκτήματα τόσο του υλισμικού, όσο και του λογισμικού: μεγάλη ταχύτητα επεξεργασίας λόγω των ξεχωριστών ιδιοτήτων των κυκλωμάτων τους, οικονομία στην κατανάλωση ενέργειας και δυνατότητα να εκτελούν πολυάριθμους παράλληλους υπολογισμούς κατανενημένους στις βαθμίδες τους. Και είναι τέτοια η αρχιτεκτονική τους ώστε οι Γενετικοί Αλγόριθμοι να βρίσκουν πρόσφορο έδαφος για προσομοίωση λύσεων σε προβλήματα βελτιστοποίησης, λόγω του της ευελιξίας των αναδιαμορφώσιμων πυλών μέσω ανακατανομής των ηλεκτρονίων κατά τις μεταβλητές φορτίσεις των κυκλωμάτων τρανζίστορ που απαντώνται στις επιτόπιες πύλες των FPGA. Συνεπώς, με βάση τα παραπάνω, συμπεραίνουμε ότι το Εξελισσόμενο Υλισμικό θα μπορούσε να περιγραφεί και ως Λογικό Ψηφιακό Αναδιαμορφώσιμο Lego με Εξελικτική Δυναμική στον χρόνο.

ΕΙΚΟΝΑ 35: Η ειδοποιός διαφορά ανάμεσα στις λογικές πύλες των συμβατικών ολοκληρωμένων κυκλωμάτων και στις FPGA, έγκειται στο ότι οι FPGA δεν χρησιμοποιούν τις λογικές πύλες AND, OR, NOT, NAND, NOR, κλπ που χρησιμοποιούν οι τυπικές διαταξεις λογικών κυκλωμάτων που βρίσκονται στην πλειονότητα των ψηφιακών διατάξεων ευρείας καθημερινής χρήσης όπως οι ηλεκτρονικοί υπολογιστές, τα smartphones και τα tablets. Αντί για τις γνωστές λογικές πύλες Boole, οι FPGA περιέχουν βαθμίδες ή προγραμματιζόμενες πύλες (blocks), οι οποίες συνδέονται μεταξύ τους με στοιχεία διασύνδεσης (interconnection resources).

4) Η Προσέγγιση της Προσομοίωσης.

Στην Επιστήμη Υπολογιστών, ο όρος Προσομοίωση (Simulation), αναφέρεται στην αναπαράσταση μιας διεργασίας με τη βοήθεια της κατασκευής ενός μοντέλου, το οποίο αναπαριστά όσο γίνεται πιο πιστά και ρεαλιστικά τις παραμέτρους και τις μεταβλητές που προσδιορίζουν τη δομή και λειτουργία μιας συγκεκριμένης διεργασίας ή ενός συνόλου διεργασιών που συνιστούν ένα σύστημα. Αυτή η προσέγγιση, είναι αντιπροσωπευτική προσέγγιση της Κυβερνητικής, από τα γεννοφάσκια της μέχρι τις μέρες μας. Πρώτος, ο ιδρυτής της Κυβερνητικής Norbert Wiener εισήγαγε την αναγκαιότητα της Προσομοίωσης στη μελέτη, τον σχεδιασμό και την αναπαραγωγή των συστημάτων. Η έννοια και το περιεχόμενο της Προσομοίωσης, μας εισάγει σε άλλη μια έννοια της Κυβερνητικής, σε αυτήν του Μαύρου Κουτιού. Οι μηχανισμοί λειτουργίας και η συμπεριφορά του συστήματος το οποίο προσομοιώνεται, είναι ακριβώς το ''Μαύρο Κουτί''.

To Μαύρο Κουτί αποτελεί τον καθολικό μηχανισμό του συστήματος που δέχεται δεδομένα και τα μετασχηματίζει με βάση τις επεξεργαστικές του ιδιότητες και τον ρυθμό λειτουργίας του (διεργασίες του στο χρόνο), μηχανισμοί που θα μπορούσαν να χαρακτηριστούν από συγκεκριμένες σταθερές και μεταβλητές. Συνεπώς, το Μαύρο Κουτί, θα μπορούσε να χαρακτηριστεί και ως η ίδια η διαδικασία της Προσομοίωσης καθεαυτής, αν λάβουμε υπόψιν το αποτέλεσμά της: Το προσομοιωθέν σύστημα είναι ακριβώς το ίδιο το μοντέλο που θέλουμε να κατανοήσουμε και να θέσουμε σε λειτουργία, προσδιορίζοντας μόνο τις βασικές παραμέτρους των ιδιοτήτων και των λειτουργιών του που μας είναι χρήσιμες για ένα τέτοιο εγχείρημα, χωρίς να μας ενδιαφέρουν οι -μάλλον κρίσιμες τόσο θεωρητικά όσο και πρακτικά- λεπτομέρειές τους, τις οποίες ενδέχεται και να μην μπορούμε ή να μην χρειαστεί τεχνικά να ασχοληθούμε μαζί τους και να τις κατανοήσουμε (λόγω του ότι κάτι τέτοιο θα ήταν μάλλον τεχνικά ασύμφορο, κοστοβόρο και χρονοβόρο, συγχρόνως).

EIKONA 36: Η Προσέγγιση της Προσομοίωσης των Συστημάτων, αποτελεί μια αποτελεσματική προσπάθεια για να κατανοηθούν οι βασικές παράμετροι του συστήματος κι όχι μόνο. Όσες μεταβλητές και παράμετροι του συστήματος είναι τεχνικά βιώσιμο να ταυτοποιηθούν στον πραγματικό κόσμο και να διασυνδεθούν ως εικονικοί παράμετροι σε ένα μοντέλο, η προσομοίωση του μοντέλου αυτού, καθίσταται ολοένα και πιο επιτυχημένη. Η Προσομοίωση και η δημιουργια -όσο το δυνατόν- πιο ρεαλιστικών μοντέλων της πραγματικότητας, είναι ένα και το αυτό

Συνεπώς, στην Προσομοιώση, δεν είναι σημαντικό για τον Επιστήμονα ή το Μηχανικό το τι περιλαμβάνει μέσα του το σύστημα προς προσομοίωση και πώς λειτουργεί η κάθε του δομή κι ''εξάρτημα''. Αρκεί που το μοντέλο του εκάστοτε προσομοιωθέντος συστήματος, συμπεριφέρεται ακριβώς με τον ίδιο τρόπο σε παρόμοιες καταστάσεις. Η Φιλοσοφία της Προσομοίωσης έγκειται στο ότι δεν είναι απαραίτητο να είναι γνωστές οι εκάστοτε τεχνικές λεπτομέρειες του συστήματος που προσομοιώνεται, παρά μόνο οι γενικές αρχές λειτουργίας του, οι οποίες αντιγράφονται κατά την προσομοίωσή του σε ένα -κατά προσέγγιση- όσο το δυνατόν πιο ρεαλιστικό μοντέλο. Ένα μοντέλο που στη συνέχεια ''τρέχει'', δηλαδή αναπαράγεται ως λειτουργία σε οποιοδήποτε ψηφιακό υπολογιστικό σύστημα και μελετάται τεχνικά, επιστημονικά αλλά και από τη σκοπιά της βελτιστοποίησής του (δηλαδή από τη σκοπιά του Μηχανικού).

Μιας και η Προσομοίωση αναπαριστά Συστήματα, ας δούμε με ποιο τρόπο προκύπτουν ή καλύτερα, ανακύπτουν, τα Συστήματα. Αν ανοίξετε ένα οποιοδήποτε επιστημονικό εκπαιδευτικό βιβλίο (προπτυχιακού επιπέδου) με τίτλο ''Σήματα και Συστήματα'', θα δείτε ότι το Σύστημα, ορίζεται ως ένα σύνολο από στοιχεία του οποίου αποτελούν οντότητες που έχουν το χαρακτηριστικό ότι, κάθε μία από αυτές αλληλεπιδρά ή συσχετίζεται με μίαν τουλάχιστον άλλη οντότητα από το ίδιο σύνολο. Μία οντότητα που δε συσχετίζεται/ αλληλεπιδρά με κανένα στοιχείο ενός συστήματος δεν αποτελεί μέρος του συστήματος. Ένα υποσύνολο των στοιχείων ενός συστήματος το οποίο είναι σύστημα από μόνο του κι ανήκει δομολειτουργικά στο ευρύτερο σύστημα κι αλληλεπιδρά μαζί του, λέγεται Υποσύστημα. Κι εδώ πάμε στις έννοιες της Συσχέτισης και της Αλληλεπίδρασης. Για φανταστείτε ένα σύνολο από οδοντογλυφίδες να διατάσσονται στο χώρο και να σχηματίζουν μια μικρή καρέκλα-μινιατούρα. Ένα σύνολο από συνδετήρες όπου με την επίδραση ενός μικρού μαγνήτη αυτοδιατάσσονται και παίρνουν διάφορα μοτίβα. Ή ένα σμήνος από πουλιά ή ένα κοπάδι πρόβατα. Ή κι ένα σύνολο διαδηλωτών έξω από το κοινοβούλιο. Μιλήσαμε για Αλληλεπίδραση. Κι αυτός ακριβώς είναι ο πυρήνας ενός συστήματος. Κι όσο πιο πολύπλοκο γίνεται ένα σύστημα, τόσο πιο ''έξυπνο'' τείνει να γίνεται. Πιο ευφυές, πιο... νοήμον.

ΕΙΚΟΝΑ 37: Κύριο χαρακτηριστικό των Πολύπλοκων Συστημάτων είναι η ανάδυση νέων ιδιοτήτων. Οι Αναδυόμενες Ιδιότητες (Emergent Properties) ενός τέτοιου συστήματος προσδιορίζουν και την αντίστοιχη Οργανωτική Πολυπλοκότητά του

Η Νοημοσύνη Σμήνους (Swarm Intelligence) είναι μια Συλλογική Συμπεριφορά Μη- Κατανεμημένων, Αυτοοργανωμένων Φυσικών ή Τεχνητών Συστημάτων. Η ιδέα της Συλλογικής Συμπεριφοράς (Collective Behaviour) και της Νοημοσύνης Σμήνους είναι ακριβώς το αντικείμενο της Προσέγγισης της Προσομοίωσης στην Τεχνητή Νοημοσύνη. Ο όρος Νοημοσύνη Σμήνους, εισήχθη από τους Ηλεκτρολόγους Μηχανικούς Gerardo Beni και Jing Wang, στο Πανεπιστήμιο της Καλιφόρνιας (Riverside) το 1989. Η Νοημοσύνη Σμήνους αναδύεται ως μια εγγενής ιδιότητα των συστημάτων, των οποίων τα στοιχεία τους ή τα υποστήματά τους, αλληλεπιδρούν κατά τέτοιο τρόπο μεταξύ τους ώστε να εμφανίσουν μια Σκοπο-Εξαρτώμενη κι Ευέλικτη ως προς τα Ερεθίσματα του περιβάλλοντος Συμπεριφορική Στρατηγική. Πρόκειται για μια ευέλικτη και ευφυής στρατηγική Επίλυσης Προβλημάτων στη φύση.

Το κύριο χαρακτηριστικό στη Νοημοσύνη Σμήνους είναι ότι κάθε επιμέρους τμήμα ή υποσύστημά του σμήνους (ομάδας), λειτουργεί εντελώς αυτόνομα και δεν λαμβάνει καμία οδηγία από κανέναν ''καθοδηγητή'' ή τεχνικά από κανέναν ελεγκτή. Συνεπώς, οι υπομονάδες ενός σμήνους, λαμβάνουν μόνες τους αποφάσεις για δράση και μέσα από απλούς λογικούς κανόνες, αναδύονται εμφανίζονται τα Συλλογικά Φαινόμενα, όπως είναι τα σμήνη πουλιών, τα κοπάδια των ψαριών, το συγχρονισμένο άναμμα των πυγολαμπίδων, ο συγχρονισμός των μυρμηγκιών και των τερμιτών να υπολογίζουν τις βέλτιστες διαδρομές προς εύρεση τροφής και οι μέλισσες να θέτουν σε εγρήγορση ολόκληρη την τη κυψέλη για την ύπαρξη νέκταρ, κλπ. Η φωλιά των τερμιτών και η κυψέλη των μελισσών, λειτουργούν ως ένα ενιαίο οργανισμικό σύστημα από μόνες τους. Όλα αυτά, πρόκειται για φαινόμενα τα οποία καθοδηγούνται μέσα από τη Συλλογική Συμπεριφορά και τη Νοημοσύνη Σμήνους.

ΝΟΗΜΟΣΥΝΗ ΣΜΗΝΟΥΣ (SWARM INTELLIGENCE)

ΕΙΚΟΝΑ 38: Η Νοημοσύνη Σμήνους (Swarm Intelligence) είναι η Συλλογική Συμπεριφορά (Collective Behaviour) των Μη Κατανεμημένων, Αυτοοργανωμένων Φυσικών ή Τεχνητών Συστημάτων. Εδώ βλέπουμε ένα σμήνους από πουλιά που οργανώνονται σε μοτίβα, συντονιζόμενα χωρίς την παρουσία κάποιου ''αρχηγού'', ''σμηνάρχου'' ή ιεραρχικά ανώτερου οργανωτή του σμήνους τους. Στη Συλλογική Συμπεριφορά των ζώων, υπάρχουν Ελκυστές του συστήματος σε Μοτίβα Αυτοοργάνωσης κι όχι αρχηγοί ιεραρχίας που δίνουν οδηγίες μέσω κεντρικού μοτίβου σημάτων

Η προσέγγιση της Προσομοίωσης, αντιλαμβάνεται τα Συστήματα ως μια ομάδα/σμήνος από επιμέρους στοιχεία τα οποία αποτελούν έναν Πληθυσμό Αυτόνομων Πρακτόρων (Autonomous Agents) ή αλλιώς Διαμεσολαβητών (Boids) και συνεπώς, το προσομοιωθέν συστημα αποτελεί ένα Πολυπρακτορικό Σύστημα (Multiagent System). Έτσι ένα πρωταρχικό σχεδιαστικό στάδιο Προσομοίωσης είναι η δημιουργία Πρακτόρων Μοντελοποίησης ενός συστήματος όπως πχ. ενός ιστού, ή ενός πληθυσμού βακτηρίων ή βλαστοκυττάρων ή ενός συνόλου από καταστήματα μιας περιοχής (τοπική εμπορική δρασηριότητα), και η τοπική αλληλεπίδραση αυτών των Πρακτόρων μεταξύ τους ως προς την αναπαραγωγής του υπό εξέταση φαινομένου. Οι εν λόγω Πράκτορες ακολουθούν πολύ απλούς κανόνες, και παρόλο που δεν υπάρχει καμία Συγκεντρωτική Δομή Ελέγχου (Γεννήτρια Μεταβλητών Ελέγχου/Control Variables Generator) που να υπαγορεύει πως πρέπει να συμπεριφέρονται αυτοί οι Πράκτορες, τοπικές - και έως ένα βαθμό τυχαίες - αλληλεπιδράσεις μεταξύ τέτοιων Πρακτόρων, οδηγούν στην εμφάνιση μιας Ευφυούς, Καθολικής Συμπεριφοράς, που δεν μπορεί να ερμηνευτεί με τις εξατομικευμένες ιδιότητες των επιμέρους αυτών Πρακτόρων (αυτό είναι το λεγόμενο Gestalt Σύνολο). Έτσι η Προσομοίωση ολοκληρώνεται επιτυχώς και το μοντέλο ''τρέχει'' διάφορα εναλλακτικά σενάρια συμπεριφορών με τις εκάστοτε πειραματικές παρεμβάσεις για την επίλυση μιας πληθώρας θεωρητικών και τεχνικών προβλημάτων. Από την ολοκλήρωση του ''τρεξίματος'' της Προσομοίωσης αυτής και των πειραματικών δοκιμών της, προκύπτει μιας Πρόβλεψη Σμήνους (Swarm Prediction) η οποία ενδέχεται να χρησιμοποιηθεί ως θεωρητικό και πρακτικά τεχνικό ερμηνευτικό οπλοστάσιο στο πλαίσιο των προβλημάτων πρόγνωσης της μελλοντικής συμπεριφοράς ενός -υπό εξέταση- συστήματος που έχει προσομοιωθεί. Αξίζει να σημειώσω ότι τα Πολυπρακτορικά Συστήματα από Boids, αποτελούν την κύρια σχεδιαστική προσέγγιση για την ανάπτυξη Συστημάτων Τεχνητής Ζωής (Artificial Life). Η Τεχνητή Ζωή είναι μια από τις υπο-προσεγγίσεις της Προσομοίωσης όσον αφορά τις σχεδιαστικές προσεγγίσεις στην Τεχνητή Νοημοσύνη. Αυτός είναι κι ο λόγος που η Τεχνητή Νοημοσύνη αποτελεί ένα από τα πιο καίρια αγαπημένα ερευνητικά πεδία των Συστημικών Βιολόγων (Systems Biologists) και των Νευροεπιστημόνων.

ΕΙΚΟΝΑ 38: H Τεχνητή Ζωή, έχει πολλές θεωρητικές και πρακτικές εφαρμογές, διότι προκειται για το πλέον κατεξοχήν σύστημα Πολυπρακτορικής Μοντελοποίησης (Multiagent Modeling). Από τις έμβιες λειτουργίες μορίων, κυττάρων, ιστών μέχρι την προσομοίωση νέων υλικών, ιδιοτήτων συμπυκνωμένης ύλης, μοριακών ηλεκτρονικών και στη Νανοεπιστήμη (Nanoscience) για την προσομοίωση νανοσυστημάτων κάθε λογής

EIKONA 39: Η μελέτη της Νοημοσύνης Σμήνους και της Συλλογικής Συμπεριφοράς μας φέρνει στο στάδιο της ανάπτυξης Βιοεμπνευσμένων Τεχνολογιών (Bioinspired Technologies) που θα μεταμορφώσουν την ανθρώπινη πραγματικότητα

Μια υποκατηγορία νέας γενεάς Αρχιτεκτονικης Συστημάτων Τεχνητής Νοημοσύνης που βασίζεται στην προσέγγιση της Προσομοίωσης, ειναι η Αρχιτεκτονική της Υπαγωγής (Subsumption Architecture) του Αυστραλού Καθηγητή Ρομποτικής Rodney Brooks, το 1986. Αποτελεί θεμελιώδη Αρχιτεκτονική Ελέγχου από Κάτω-προς-τα-Πάνω (Bottom-Up) και προτάθηκε ως κριτική αντίθεσης στη GOFAI (Παραδοσιακή Συμβολική Νοημοσύνη ή Good Old-Fashioned Artificial Intelligence) και στο Συμβολικό Πρότυπο που αυτή ακολουθεί, το οποίο δημιουργεί πολλαπλά επεξεργαστικά προβλήματα στα Συστήματα AI κι απουσία ευελιξίας σε αυτά. Η Αρχιτεκτονική της Υπαγωγής του Brooks θεωρείται ότι μπορεί να αποκαταστήσει τα προβλήματα αυτά και να δώσει μια χαρακτηριστική ευελιξία τόσο στα Λογισμικά Συστήματα Τεχνητής Νοημοσύνης όσο και στα Ρομπότ και τα Αυτόματα Συστήματα. Ο λόγος που καθιστά την Αρχιτεκτονική της Υπαγωγής τόσο αποτελεσματική είναι ότι είναι διαδραστική, δηλαδή εξαρτάται από την συμπεριφορά του ρομπότ σε έναν δεδομένο χώρο και χρόνο, με τις αντιδράσεις και συμπεριφορές του ρομπότ να είναι πολλαπλές κι εναλλακτικές και να εκδηλωνονται άμεσα, σε πραγματικό χρόνο. Μια συναφής προσέγγιση αυτή τη φορά στη Ρομποτική, είναι η Συμπεριφορικο-Εξαρτώμενη Διάδραση στη Ρομποτική (Behavioral-Based Robotics), αποτελεί την προσέγγιση-κλειδί για την ανάπτυξη Αυτόνομων Ρομπότ τα οποία δρουν αποτελεσματικά σε πραγματικό χρόνο (real-time).

EIKONA 40: O Rodney Brooks με τον Baxter, το βιομηχανικό ρομπότ της Εταιρείας του, της Rethink Robotics. Ο Baxter πρωτοπαρουσιάστηκε από τον Brooks το Σεπτέμβριο του 2011. Στη διπλανή φώτο, το σχηματικό διάγραμμα της Αρχιτεκτονικής της Υπαγωγής (Subsumption Architecture)

Παράγωγη κατηγορία της Συμπεριφορικό-Εξαρτώμενης Ρομποτικής είναι η BEAM Ρομποτική, δηλαδή Biology-Electronics-Aesthetics-Mechanics, που επινοήθηκε από τον Ηλεκτρονικό και Ρομποτιστή Mark Tilden. Η BEAM Ρομποτική, αποτελεί μια καινοτόμο προσέγγιση της Βιομορφικής Αρχιτεκτονικής και της ενσωμάτωσής της σε ένα αρκετά ρεαλιστικό συμπεριφορικό πρότυπο σχεδιασμού ρομπότ με όσο το δυνατό περισσότερο φυσικά και αισθητικά πρότυπα αναπαράστασης των κατασκευαζόμενων ρομπότ. Τα ρομπότ που κατασκευάζονται με την προσέγγιση BEAM, χονδρικά, δεν ξεχωρίζουν από κατοικίδια ζώα ή ανθρωποειδή που συναντάμε στις ταινίες επιστημονικής φαντασίας κι αλληλεπιδρούν με το περιβάλλον τους όσο γίνεται πιο πιστά, σαν πραγματικά φυσικά ζώα και φυσικοί οργανισμοί. Η Αρχιτεκτονική της Υπαγωγής του Brooks έχει συμβάλει τα μέγιστα στην ανάπτυξη BEAM Ρομποτικών Συστημάτων.Σε αντίθεση με την Συμβολική-Λογική Προσέγγιση της GOFAI, η Αρχιτεκτονική της Υπαγωγής συνδυάζει τις αισθητηριακές πληροφορίες με την επιλογή δράσης με έναν οικείο και από Κάτω-προς-τα-Πάνω (Bottom-Up) τρόπο, αντί να καθοδηγεί τη συμπεριφορά του ρομπότ μέσω Συμβολικών Αναπαραστάσεων του εξωτερικού περιβάλλοντος όπως ακριβώς κάνει η GOFAI.

Η Αρχιτεκτονική της Υπαγωγής λειτουργεί, διασπώντας την ολοκληρωμένη ''ρουτίνα'' μιας συμπεριφοράς σε επιμέρους υπορουτίνες συμπεριφορών, οι οποίες κατόπιν, οργανώνονται σε μια Οργανωμένη Ιεραρχία Επιπέδων. Κάθε υψηλότερο επίπεδο λειτουργεί ως Προσομοιωτικός Πράκτορας Μοντελοποίησης του επομένου, κατωτέρου επιπέδου ικανότητας επίλυσης προβλήματος κι επιπέδου συμπεριφοράς. Κοινώς, στην Αρχιτεκτονική της Υπαγωγής, κάθε επίπεδο εφαρμόζει ένα συγκεκριμένο επίπεδο ικανότητας συμπεριφοράς και τα υψηλότερα επίπεδα είναι σε θέση να υιοθετήσουν τα χαμηλότερα επίπεδα (ενσωμάτωση/συνδυασμός χαμηλότερων επιπέδων σε ένα Ολοκληρωμένο Λειτουργικό Σύνολο) προκειμένου να δημιουργήσουν μια Βιώσιμη κι Ευφυή Συμπεριφορά.

ΕΙΚΟΝΑ 41: Η Ρομποτική ΒΕΑΜ

ΕΙΚΟΝΑ 42: Ο Mark Tilden, Ηλεκτρονικός και Ρομποτιστής, ιδρυτής της Προσέγγισης BEAM (Biology-Electronics-Aesthetics-Mechanics) στη Ρομποτική και διάσημος κατασκευαστής διαφόρων ρομπότ ψυχαγωγίας. Είναι αμφιλεγόμενο πρόσωπο λόγω της διατύπωσης των Ελευθεριακών/Φιλελεύθερων (Libertarian) του Νόμων για τη Ρομποτική. Oι 3 Νόμοι του για τη Ρομποτική, αποτελούν την πιο φιλελεύθερη παραλλαγή των 3 Νόμων της Ρομποτικής του Asimov και είναι εντελώς αδιάφοροι προς το ανθρώπινο είδος: 1) Ένα ρομπότ πρέπει να προστατεύει την ύπαρξή του με κάθε κόστος. 2) Ένα ρομπότ πρέπει να αποκτήσει και να διατηρήσει την πρόσβαση στις δικές του πηγές ενέργειας. 3) Ένα ρομπότ πρέπει συνεχώς να αναζητά καλύτερες πηγές ενέργειας. Είναι ο κατασκευαστής του ανθρωποειδούς ρομπότ WowWee Robosapien, το οποίο απεικονίζεται στη φώτο δεξιά

Ένα παράδειγμα είναι ας πούμε, ότι το χαμηλότερο επίπεδο συμπεριφοράς ενός ρομπότ θα μπορούσε να είναι ''αποφυγή αντικειμένου''. Το δεύτερο στρώμα/επίπεδο θα ήταν ''περιπλανηθείτε γύρω στο χώρο'', το οποίο τρέχει κάτω από το τρίτο στρώμα/επίπεδο ''εξερευνήστε τον χώρο''. Επειδή ένα ρομπότ πρέπει να έχει τη δυνατότητα να ''αποφεύγει αντικείμενα'' για να ''περιπλανηθεί'' αποτελεσματικά, η Αρχιτεκτονική της Υπαγωγής δημιουργεί ένα σύστημα στο οποίο τα υψηλότερα επίπεδα χρησιμοποιούν τις ικανότητες χαμηλότερου επιπέδου. Τα επίπεδα, τα οποία λαμβάνουν όλες τις πληροφορίες των αισθητήρων, λειτουργούν παράλληλα και παράγουν τις αντίστοιχες εξόδους. Αυτές οι έξοδοι μπορούν να είναι εντολές για την ενεργοποίηση σερβομηχανισμών και κινητήρων τέλεσης συμπεριφορών (ρομποτικοί βραχίονες, τροχούς, κλπ) ή σήματα που καταστέλλουν ή αναστέλλουν άλλα άλλα επίπεδα, όπως πχ. μεταβολή πεδίου ενεργοποίησης συγκεκριμένων αισθητήρων (γυροσκόπια, επιταχυνσιόμετρα, κάμερες, GPS, κλπ).

ΕΙΚΟΝΑ 43: Η Αρχιτεκτονική της Υπαγωγής του Brooks οργανωμένη σε λειτουργικά επίπεδα, όπου τα κατώτερα υπάγονται στα πιο ανώτερα και τα υψηλότερα επίπεδα χρησιμοποιούν τις ικανότητες χαμηλότερου επιπέδου

Η προσέγγιση της Προσομοίωσης ήταν κι εξακολουθεί να αποτελεί την σημαντικότερη και πιο λειτουργική προσέγγιση τόσο στην προηγούμενη όσο και στην τρέχουσα δεκαετία (αυτή που διανύουμε τώρα, του 2021+). Τα πειράματα που διεξάγονται από σημαντικά Ερευνητικά Ινστιτούτα ανά τον κόσμο που βασίζονται σε αυτή την προσέγγιση είναι αρκετά. Ένα μείζον πείραμα Τεχνητής Νοημοσύνης που βασίζεται στην Προσομοίωση είναι το Blue Brain Project, υπό τον Καθηγητή Henry Markram στο Πολυτεχνείο της Λωζάνης στην Ελβετία και το Synthetic Neurobiology Group (Προσομοίωση Δυναμικής Νευρωνικών Κυκλωμάτων που βασίζεται στην Αντίστροφη Μηχανική Εγκεφάλου) του Ινστιτούτου McGovern στο MIT (Τεχνολογικό Ινστιτούτο της Μασαχουσέτης) υπό τον Καθηγητή Ed Boyden. Ένα μελλοντικό σύστημα Ισχυρής Τεχνητής Νοημοσύνης θα βασίζεται σίγουρα στην προσέγγιση αυτή, ενσωματώνοντας ταυτόχρονα και τις άλλες 3 προηγούμενες προσεγγισεις, συνθέτοντας έτσι ένα πολυ ισχυρό υπόστρωμα για να αναδυθεί ένα διαρκώς μεταβαλλόμενο και αναδιαμορφώσιμο εξελίξιμο Νοητικό Σύστημα (κι όχι απλά Νοήμον), άνευ προηγουμένου.

ΕΙΚΟΝΑ 44: To Blue Brain Project του Καθηγητή Νευροφυσιολογίας Henry Markram στη Λωζάνη της Ελβετίας. Πρόκειται για το μεγαλύτερο Πείραμα Τεχνητής Νοημοσύνης που στηρίζεται στην Προσομοίωση του βιολογικού εγκεφάλου. Στόχος του Ερευνητικού προγράμματος αυτου είναι φυσικά η μελέτη της μνήμης, της αντίληψης, των Νευροεκφυλιστικών και των Ψυχιατρικών Διαταραχών. Το Εργαστήριο του Markram καταπιάνεται με την συστημική μελέτη (systems approach) των συναπτικών μικροκυκλωμάτων του εγκεφαλικού φλοιού των ποντικών και των αρουραίων, προσπαθώντας να δημιουργήσει ένα απόλυτα ρεαλιστικό μοντέλο εγκεφαλικού φλοιού όπου θα μπορεί να δέχεται ερεθίσματα και να αποκρίνεται σε αυτά όπως ένα πραγματικό τρωκτικό. H μελέτη της συναπτικής πλαστικότητας γίνεται με τις πιο σύγχρονες Ηλεκτροφυσιολογικές Τεχνικές (πολυκάναλη 12-patch clamp διάταξη), ψηφιοποίηση των ταλαντώσεων και με το συνδυασμό της χαρτογράφησης της 3D γεωμετρίας των συνάψεων, των ιοντικών καναλιών (Channelome/Κανάλωμα, δηλαδή Χατρογράφηση Ιοντικών Διαύλων των συνάψεων και των νευρώνων) και των μικροκυκλώματων σε συγκεκριμένες ανατομικές περιοχές του εγκεφαλικού φλοιού των τρωκτικών (νευροανατομική μελέτη). Κατόπιν, σχηματιζεται ένα μοντέλο που τρέχει real time για να μελετηθεί όσο πιο ρεαλιστικά γίνεται.Στο Blue Brain, χρησιμοποιήθηκε ο υπερ-υπολογιστής Blue Gene της IBM

ΕΙΚΟΝΑ 45: Η Συνθετική Νευροβιολογία (Synthetic Neurobiology) που ανατπύσσεται στο Ινστιτούτου McGovern στο MIT (Τεχνολογικό Ινστιτούτο της Μασαχουσέτης) υπό τον Καθηγητή Ed Boyden, είναι μια πρωτοπόρος προσπάθεια Αντίστροφης Μηχανικής (Reverse Engineering) του εγκεφάλου που χρησιμοποιεί την Οπτογενετική (Optogenetics). Η Οπτογενετική χρησιμοποιεί τη γενετική τροποποίηση των διεγέρσιμων (και μη-) κυττάρων (νευρικά, αισθητήρια, μυϊκά αλλά κι άλλους τύπους) έτσι ώστε να επάγουν την έκφραση συγκεκριμένων πρωτεϊνών, των Καναλοροδοψινών/Channelrhodopsins-ChRs, οι οποίες καθιστούν τα κύτταρα αυτά ευαίσθητα στο τεχνητό φως συγκεκριμενων μηκών κύματος (μπλε, πράσινο, κόκκινο και κίτρινο). Έπειτα, με τη χρηση διατάξεων φωτοδιόδων και lasers και μέσω οπτο-ηλεκτροδίων (οπτρόδια), οι ερευνητές διαγείρουν τους νευρώνες-στόχους, μελετώντας τις δυναμικές και λειτουργικές παραμέτρους τους. Ολόκληρα νευρωνικά κυκλωματα τρωκτικών τροποποιούνται και μελετώνται με την εκπομπή φωτός κατευθείαν σε αυτά, ''αναβοσβήνοντας'' στην κυριολεξία της κυκλώματα του εγκεφάλου τους και μελετώντας τη συμπεριφορά τους. Κατόπιν, προσομοιώνονται τα λειτουργικά αυτά στιγμιότυπα οπτογενετικού χειρισμού και τα μοντέλα προσομοίωσής τους τρέχουν σε υπερυπολογιστές για να μελετηθεί η λειτουργία τους. Οι προσομοιώσεις βελτιστοποιούνται διαρκώς

Τα Προβλήματα του Γορίλα και του Μίδα

Ο μεγαλύτερος ντόρος για τις αρνητικές επιπτώσεις της Τεχνητής Νοημοσύνης, δεν προέρχονται φυσικά από τα παρόντα Συστήματα Αδύναμης ή Οριακής Νοημοσύνης που υπάρχουν στην καθημερινή επιστημονική και ερευνητική δραστηριότητα ή στα γραφεία μας (αν είμαστε Μηχανικοί ή Οικονομολόγοι)ούτε στα ρομποτάκια κάθε λογής κι εφαρμογής που δραστηριοποιούνται στα Πανεπιστήμια ή ακόμα στην Άμυνα και την Ασφάλεια. Ο μεγάλος ντόρος ανησυχιών προέρχεται από το τι μέλλει γενέσθαι μετά τη σύνθεση μιας Ισχυρής Γενικής Τεχνητής Νοημοσύνης (AGI) κι έπειτα. Πολλή μεγαλύτερη ανησυχία δε, θα προοικονομούσε το εγχείρημα της βελτιστοποίησης κι επέκτασης της Ισχυρής Γενικής Τεχνητής Νοημοσύνης αυτής, προς την... Υπερνοημοσύνη.

Ο Βρετανός Καθηγητής Επιστήμης Υπολογιστών Stuart Russell, ο οποίος μαζί με τον Peter Norvig συνεγραψαν το γνωστό ακαδημαϊκό βιβλιο ''Τεχνητή Νοημοσύνη, Μια Σύγχρονη Προσέγγιση'' (Artificial Intelligence, A Modern Approach), υποστηρίζει ότι καθώς προχωράμε τη διαδικασία σύνθεσης εξελιγμένων Συστημάτων Τεχνητής Νοημοσύνης, θα πρέπει να βεβαιωθούμε ότι κατέχουμε τα ηνία για τον έλεγχό τους κι ότι καθώς εξελίσσονται τα συστήματα αυτά, δεν θα αρνηθούν κάποια στιγμή να διακόψουν τη συνεργασία μαζί μας, διακόπτοντας τη λειτουργίας τους και δρώντας εντελώς ανεξέλεγκτα, φέρνοντάς μας κάποια στιγμή προ εκπλήξεως και στο χείλος μιας επικείμενης παγκόσμιας καταστροφής.

ΕΙΚΟΝΑ 46 Οι Καθηγητές Stuart Russell και Peter Norvig

EIKONA 47: Το γνωστό στους περισσότερούς μας βιβλίο ''Τεχνητή νοημοσύνη: Μια σύγχρονη προσέγγιση''. Είναι ένα πανεπιστημιακό εγχειρίδιο για την Τεχνητή Νοημοσύνη, γραμμένο από τους Καθηγητές Stuart Russell και Peter Norvig. Δημοσιεύθηκε για πρώτη φορά το 1995 και η τέταρτη έκδοση του βιβλίου κυκλοφόρησε στις 28 Απριλίου 2020

Έπειτα, ο Russell θέτει και το ζήτημα της Ηθικής ''Συνείδησης'' των Συστημάτων Τεχνητής Νοημοσύνης. Ασφαλώς δεν θα διαθέτουν τα ανθρώπινα αξιακά συστήματα. Υποθέστε για παράδειγμα ότι το ρομπότ assistant που έχετε σπίτι σας, βρίσκεται μόνο του στο σπίτι κι εσείς δεν είχατε χρόνο να ταϊσετε τα παιδιά σας, αλλά ούτε και να ψωνίσετε. Τότε, το ρομπότ-οικιακός assistant σας αναλαμβάνει να φροντίσει τα παιδιά σας και να μην τα αφήσει νηστικά. Όμως, στο σπίτι σας, εκτός από τα παιδιά σας και το ρομπότ, έχετε κι ένα κατοικίδιο.. Ένα μικρό γατάκι (που το λατρεύετε κι εσείς και τα παιδιά σας, υποθέτω...).. Το ρομπότ ελέγχει το ψυγείο να δει αν υπάρχει τροφή. Διαπιστώνει ότι δεν υπάρχει τίποτα στο ψυγείο, μέχρι τη στιγμή που έρχεται πρόσωπο με πρόσωπο με το μικρό σας γατάκι.......... Όταν θα γυρίσετε σπίτι, θα διαπιστώστε -πιθανώς με φρικτό και λυπηρό τρόπο- ότι το ρομπότ σας δεν έχει εμπεδώσει με τον κατάλληλο τρόπο το νόημα των ανθρώπινων αξιών και συνεπώς δεν μπορεί να κατανοήσει ότι για έναν άνθρωπο, η συναισθηματική αξία ύπαρξης γάτας στο σπίτι ως κατοικίδιο, τείνει να υπερισχύει έναντι της αξίας της θρεπτικής κάλυψης τόσο των παιδιών σας όσο και για εσάς.. Τα παιδιά σας μάλλον θα στέκονται φοβισμένα σε μια γωνία μην μπορώντας να πιστέψουν το θέαμα και ασφαλώς θα... έχουν μείνει και νηστικά μετά από όλο αυτό. Πιστέψτε με, δεν θα ήταν ωραίο το θέαμα για κανένα μέλος της οικογένειας το αγαπημένο γατάκι τους να βρίσκεται στη σχάρα με πατάτες country και σως barbeque ή μουστάρδα Dijonnaise Βουργουνδίας, από κάποιο ''ασυνείδητο'' ρομπότ-Πετρετζίκη!

Υπάρχουν πολλά καταστροφολογικά σενάρια που συνεπικουρούν το εγχείρημα σύνθεσης μιας ισχυρής αλλά ανεξέλεγκτης Τεχνητής Γενικής Νοημοσύνης (AGI). Στην ουσία, οι περισσότεροι μη-καταρτισμενοι άνθρωποι αλλά κι αρκετοί ''καταρτισμένοι ειδήμονες'' ανησυχούν για τον -υποτιθέμενο- και στην ουσία αφηρημένο αποτέλεσμα της AGI, το οποίο είναι η Υπερνοημοσύνη. Το εγχείρημα της σύνθεσης μιας Υπερνοημοσύνης είναι κάτι πολύ αμφίβολο προσωρινώς αν όχι ανέφικτο. Είναι κάτι πολύ μακρινό για την ώρα, αλλά όχι και ''άπιαστο'' να συμβεί κάποια στιγμή στο μέλλον.

Ο Καθηγητής Russell, θέτει δυο μεγάλα αλλά πολύ σημαντικά προβλήματα των Επιπτώσεων Σύνθεσης της Ισχυρής Τεχνητής Νοημοσύνης: Το Πρόβλημα του Γορίλα και το Πρόβλημα του Μίδα. Το Πρόβλημα του Γορίλα αφορά την φυλογενετική σχέση του ανθρώπου Homo sapiens sapiens με τον γορίλα (το γνωστό μας γένος/είδος Gorilla gorilla). Κατά την εξέλιξη των ανθρωπίδων, οι πρόγονοι των γορίλων ήρθαν σε συγκρούσεις σώμα με σώμα με τους προγόνους των ανθρώπων λόγω του ανταγωνισμού για τροφή και ζωτικό χώρο. Οι πρόγονοι του Homo sapiens όντας πολύ εξυπνότεροι από τους προγόνους του γορίλα, τους κατατρόπωσαν. Σήμερα οι γορίλες βρίσκονται σε πολλή μειονεκτική θέση σε σχέση με τον άνθρωπο (Homo sapiens) και προφανώς οι άνθρωποι θα ήθελαν να αποφύγουν μια τέτοια κατάσταση σε σχέση με μια Ισχυρή Τεχνητή Νοημοσύνη. Οι γορίλες σήμερα, μετά από εκατομμύρια χρόνια ανταγωνισμού για πόρους και τροφή με τους προγόνους των ανθρώπων, δεν έχουν πια τον έλεγχο της μοίρας τους. Δεν διαθέτουν κανέναν έλεγχο στο μέλλον τους. Ασφαλώς οι άνθρωποι θα πρέπει να προσέξουν μήπως στη διάρκεια της αλληλεπίδρασής τους με τις Ισχυρές Τεχνητές Νοημοσύνες, χάσουν κι αυτοί τον έλεγχο της μοίρας του μέλλοντός τους.

Ήδη εντός του ανθρωπίνου είδους, σε επίπεδο εθνών και πολιτισμών, έχουν χάσει τόσο το παρόν τους όσο και την ελπίδα τους για το μέλλον. Κατά την Ιστορία, αρχαίες φυλές και πολιτισμοί (Σουμέριοι, Αιγύπτιοι, Μινωίτες, Μυκηναίοι, Τοχάροι, κλπ) έχουν εξαφανιστεί, οι Αυτόχθονες της Αμερικής (Ινδιάνοι) τείνουν προς την ολική εξαφάνιση ενώ έθνη και χώρες όπως οι Βαλκανικές, η Ελλάδα, η Αλβανία, η Βόρεια Μακεδονία, η Τουρκία, επίσης χώρες όπως η Μολδαβία, χώρες του Καυκάσου αλλά και λαοί της Μέσης Ανατολής, της Ασίας, της Λατινικής Αμερικής και της Αφρικής, χάνουν το παρόν τους και δεν έχουν -σε εθνικο-πολιτισμικό και οικονομικό επίπεδο- κανένα μέλλον, καμία ''μοίρα στον ήλιο''. Κι αυτό λόγω εγγενούς αδυναμίας να προσαρμοστούν σε ιστορικές αναγκαιότητες αλλά και πολύπλοκων -ιστορικά διαμορφούμενων- γεωπολιτικών συνθηκών. Τώρα, σε φυλογενετικό επίπεδο, οι άνθρωποι ως βιολογικό είδος, πρέπει να προσέχουν να μην απωλεσθούν κι εκείνοι από προσώπου Γης, κατά την αναμετρησή τους με τις Ισχυρές Τεχνητές Νοημοσύνες και καταστούν οι ''γορίλες'' ή χειρότερα οι ''δεινόσαυροι'' της Φυσικής Ιστορίας.

ΕΙΚΟΝΑ 48: Το Πρόβλημα του Γορίλα στην Τεχνητή Νοημοσύνη

Το άλλο πρόβλημα, είναι το Πρόβλημα του Μίδα. Το συγκεκριμένο πρόβλημα σχετίζεται με το δυστοπικό σενάριο να χάσουν οι ίδιοι άνθρωποι τον έλεγχο των Συστημάτων Ισχυρής Τεχνητής Νοημοσύνης, αναλαμβάνοντας οι Τεχνητές Νοημοσύνες και οι Ευφυείς Μηχανές τα ηνία της ανθρωπότητας, βασισμένες στα καταστροφικά standards όμως που τους έχουμε ορίσει εμείς ως άνθρωποι κατά την πρότερη χρήση τους και κατά τον πρότερο χειρισμό τους από εμάς: Δηλαδή μαθαίνοντάς τα Συστήματα αυτά να εξολοθρεύουν εχθρούς, να επιτίθενται σε χώρες, να κρίνουν τις εκβάσεις φονικών συρράξεων και πολέμων, υποκλέπτοντας προσωπικά δεδομένα κι ένα σωρό άλλες τοξικές μεθόδους-κατάλοιπα της ανθρώπινης πρωτόγονης φύσης, να στραφούν κατόπιν εναντίον των ανθρώπων που τους δίδαξαν όλα αυτά. Το αποτέλεσμα θα είναι σίγουρα καταστροφικό για την ανθρωπότητα. O Norbert Wiener, χρησιμοποιώντας την παραβολή του Μαθητευόμενου Μάγου (Sorcerer's Apprentice), δήλωσε το 1960 ότι θα πρέπει να είμαστε απόλυτα σίγουροι για τον σκοπό τον οποίο πρόκειται να αναθέσουμε σε μια μηχανή. Θα πρέπει να εξετάσουμε απόλυτα έναν τέτοιο σκοπό από όλες τις οπτικές του γωνίες έτσι ώστε να αποτελεί έναν σκοπό τον οποίο επιθυμούμε απόλυτα στο επίπεδο όλων των τρωτών/ευπαθών σημείων του βιολογικού/νοητικού είδους μας. Ο Wiener την περίοδο αυτή είχε εκπλαγεί από την εξαιρετική απόδοση των πρώτων Ευφυών Συστημάτων την εποχής του να μαθαίνουν από μόνα τους και να παίζουν ντάμα και σκάκι καλύτερα από τους ίδιους τους προγραμματιστές/δημιουργούς τους. Θα πρέπει λοιπόν οι άνθρωποι να γνωρίζουν τον σκοπό πριν τον εμφυσήσουν σε κάποιο υποψήφιο Σύστημα Ισχυρής Τεχνητής Νοημοσύνης και να μην υποπέσουν στο Σφάλμα του Βασιλιά της Φρυγίας, Μίδα.

EIKONA 49: Ο Μίδας, ο μυθικός Βασιλιάς της Φρυγίας (Μικρά Ασία)

Ο Βασιλιάς Μίδας, φιλοξένησε στο παλάτι του έναν νεαρό διονυσιακό δαίμονα, τον Σειλινό και ως ανταπόδοση της φιλοξενίας του, ο Σειλινός ζήτησε από τον Μίδα να του πραγματοποιήσει μια ευχή. Τότε ο Μίδας ευχήθηκε ''Θέλω ό,τι ακουμπώ να γίνεται χρυσάφι'' και έλαβε ακριβώς ότι ευχήθηκε. Στην ουσία ο Μίδας, έκανε επίκληση σε έναν δαίμονα με έναν κάπως βέβαια ανόητο, άγαρμπο και ολίγον.. αδέξιο κι ασαφή τρόπο. Έτσι ο Μίδας, ότι ακουμπούσε γινόταν χρυσάφι, μην μπορώντας πια να φάει και να πιεί, χάνοντας και την ίδια του την κόρη (την άγγιξε κι εκείνη μετετράπη σε χρυσό άγαλμα), παρολίγο να πεθάνει από την πείνα και τη δίψα, αν δεν παρενέβαινε ο (από μηχανής) θεός Διόνυσος ή Σαβάζιος (κατά τους Φρύγες) για να τον απαλλάξει από όλο αυτό. Ο Σαβάζιος τον συμβούλεψε να πάει στον Πακτωλό ποταμό και να πλύνει τα χέρια του. Ακολουθώντας τη συμβουλή του θεού, ο Μίδας πήγε στον ποταμό Πακτωλό και με το που άγγιξε τα νερά, η ''ευχή'' (ή μάλλον κατάρα) πέρασε στον ποταμό κι από τότε ο ποταμός Πακτωλός ανέβλυζε χρυσάφι. Το τέλος του Μίδα το ξέρουμε σχεδόν όλοι: Όταν οι τρομεροί Κιμμέριοι (πρόγονοι των Κίμβρων που απείλησαν την Ελλάδα και τη Ρώμη) εισέβαλαν στη Φρυγία στα μέσα του 7ου αιώνα π.Κ.Ε., ο Μίδας αυτοκτόνησε για να μην πέσει στα χέρια τους. Βλέπουμε, όσο ισχυρός κι αν είναι ο Απο Μηχανής Θεός που αναστέλει τις δυνάμεις των ''φθοροποιών Τεχνητών Νοημοσυνών'', δεν μπορεί όμως να παρέμβει στην (προδιαγεγραμμένη ίσως) μοίρα του -κατά τα άλλα- Σοφού Βασιλιά Μίδα! Υπάρχουν βέβαια και οι πιο αισιόδοξοι Επιστήμονες όπως ο Ρομποτιστής Hans Moravec και ο Μηχανικός και Σύμβουλος της Google Ray Kurzweil, που είναι σίγουροι ότι τελικά οι Ισχυρές Τεχνητές Νοημοσύνες θα αποτελέσουν τους Απο Μηχανής Θεούς της Ανθρωπότητας, κάνοντας τους ανθρώπους... αθάνατους, κάνοντάς τους back-up σε υπερυπολογιστές (στην ουσία Uploading. Διαβάστε το άρθρο μου ''Μεταφόρτωση Εγκεφάλου και Μεταβιολογική Αθανασία'' στην ίδια ιστοσελίδα).

ΕΙΚΟΝΑ 50: Οι Κιμμέριοι, λαός σκιώδους προέλευσης, πιθανώς Πρωτο-Φιννοουγγρικής καταγωγής. Φημίζονταν για τα σπάνια χαρακτηριστικά τους (σκούρα μαλλιά και μπλε μάτια), την ακατανόητη γλώσσα τους και το πείσμα τους. Οι Κιμμέριοι, εκγερμανίστηκαν μάλλον στη Χερσόνησο της Γιουτλάνδης ή στο Ρήνο. Πριν, ομιλούσαν την περίφημη γλώσσα Patumnili, μια αρχαία Φιννοουγγρική γλώσσα που έχει πια εξαφανιστεί. Οι Κιμμέριοι όταν θέλησαν να επεκταθούν ξανά στα εδάφη των προγόνων τους (Κιμμέριος Βόσπορος, Ελλήσποντος και ΒΔ Μικρά Ασία), κατέλαβαν με πραξικόπημα την εξουσία του Ελλησπόντου της Μικράς Ασίας (Παλαιά Τρωάδα) το 674 πΚΕ, προκαλώντας τρομακτικές σφαγές. Φανταστικές φιγούρες των comics και του cinema όπως ο Κόναν ο Βάρβαρος και η Ζήνα, πιθανώς αποτελούν απεικονίσεις Κιμμερίων Ηρώων όσον αφορά τα ανθρωπολογικά τους χαρακτηριστικά (λευκοί, σκούρα μαύρα μαλλιά, γαλάζια ή μπλε μάτια)

EIKONA 51: Ο ποταμός Πακτωλός της Τουρκίας και παλαιότερα της Μικράς Ασίας. Ο Πακτωλός λέγεται στα Τουρκικά ''Sart Çayı'' δηλαδή ''Ποταμός των Σάρδεων'. Πηγάζει από τις βόρειες πλαγιές του Τμώλου, ρέει βόρεια και συμβάλλει στον Έρμο ποταμό. Στην αρχαιότητα διέρρεε την πρωτεύουσα της Λυδίας, τις Σάρδεις. Σύμφωνα με τις αρχαιοελληνικές αναφορές ήταν γεμάτος με ψήγματα χρυσού και σ’ αυτόν οφειλόταν ο μυθικός πλούτος του βασιλιά των Λυδών, του Κροίσου. Η ροή χρυσού στον Πακτωλό ανήγετο στον Μύθο του Βασιλιά της Φρυγίας Μίδα και στο πάθημά του. Ο μύθος λέει ότι οι Κιμμέριοι θέλησαν να εισβάλουν στη Φρυγία του Μίδα όχι ακριβώς για το χρυσάφι του, αλλά για μια υπόγεια σήραγγα στην περιοχή του Πακτωλού που οδηγούσε στο υπόγειο Βασίλειο της Θεάς τους, της Έχιδνας, η οποία είχε την ικανότητα ότι αγγίζει, να το μετατρέπει σε χρυσό

Το Πρόβλημα του Μίδα είναι το λεγόμενο Πρόβλημα του Σκοπού, δηλαδή κατά τη γλώσσα της Γνωσιακής Επιστήμης, το Πρόβλημα της Λογικής Προθετικότητας. Αποκαλούμε λοιπόν ''Πρόβλημα του Μίδα'' τη δήλωση ενός σκοπού που στην πραγματικότητα δεν είναι απόλυτα σύμφωνος με αυτό που πραγματικά θέλουμε. Αυτό, με σύγχρονους όρους της Κοινωνιολογίας, το αποκαλούμε Πρόβλημα της Εναρμόνισης των Αξιών και της Εξισορρόπησης των Αξιακών Συστημάτων. Ας είμεθα αισιόδοξοι ότι, το Πρόβλημα του Μίδα θα επιλυθεί με μια δομημένη προσέγγιση λεπτομερών τεχνικών ζητημάτων που άπτονται της ανθρώπινης γνωσιακής ευελιξίας σε σχέση με την ευελιξία των Συστημάτων Τεχνητής Νοημοσύνης, αν και δεν υπάρχει περίπτωση να ξεφύγουν τα πράγματα και να κυριαρχήσουν οι μηχανές και τα υπερερυφυή συστήματα έναντι του ανθρώπου και θα δούμε παρακάτω το γιατί. Ως προς το Πρόβλημα του Μίδα και στην επίλυσή του, τα τεχνικά ζητήματα που πρέπει να μας απασχολούν είναι η Ασφάλεια των Δεδομένων και σε ποια χέρια θα πέσουν τα Αυτόνομα Ευφυή Όπλα Μαζικών Καταστροφών όπως πχ. Σμήνη από Drones Predators, τηλεκατευθυνόμενες διηπειρωτικές βόμβες και ''εξυπνα''' βιολογικά όπλα που θα έχουν αναπτυχθεί από Αυτόματα Βιολογικά Εργαστήρια Τεχνητής Νοημοσύνης και θα διαθέτουν και περίπλοκα αναβαθμισμένο hardware ως γόμωση (Υψηλή Παγκόσμια Βιοτρομοκρατία η οποία θα αποτελέσει τον κύριο θανάσιμο κίνδυνο για την ανθρωπότητα στο μέλλον). Στο κάτω κάτω, στόχος της Τεχνητής Νοημοσύνης θα πρέπει να είναι η προαγωγή της Αναβάθμισης κι Ανέλιξης του Ανθρώπου κι όχι η εκδμηδένιση κι ο αφανισμός του.

ΕΙΚΟΝΑ 52: Το Πρόβλημα του Μίδα είναι το λεγόμενο Πρόβλημα του Σκοπού, δηλαδή κατά τη γλώσσα της Γνωσιακής Επιστήμης, το Πρόβλημα της Λογικής Προθετικότητας.

Ο κίνδυνος για τις αρνητικές επιπτώσεις της Ισχυρής Τεχνητής Νοημοσύνης υπάρχει, κυρίως διότι ο άνθρωπος σε διαπροσωπικό, ηθικό κι επαγγελματικό επίπεδο δεν έχει αποκτήσει το μέγιστο τεχνικά απαιτούμενο δυνατό επίπεδο συνεννόησης και συνεργασίας με τον συνάνθρωπό του ώστε να μπορέσει να ιστοσταθμίσει τους ενδεχόμενους κινδύνους που μπορεί να ανακύψουν από τα τεχνικά κενά χρήσης της Ισχυρής Τεχνητής Νοημοσύνης και της αλληλεπίδρασης με αυτήν. Κίνδυνοι κι αποτυχίες όπως ατυχήματα τύπου έκρηξης πυρηνικου εργοστασίου Τσερνόμπιλ ή λόγω στοχευόμενων επιτηδείων χειρισμών των Συστημάτων Ισχυρής Τεχνητής Νοημοσύνης που θα καταστρατηγούσαν τα θεσπισμένα μέτρα ασφαλείας, θα μπορούσαν να προληφθούν αν υπήρχε συντονισμένη συνεργασία ανάμεσα στους ειδήμονες και στους απλούς ανθρώπους, στην κοινωνία και την ορθολογική γνώση. Αλλά ο άνθρωπος, ως ζώο, έχει αποδείξει κατά την ιστορία του, την παρελθούσα και την τρέχουσα ότι δεν έχει φτάσει ούτε κατά διάννοια ούτε καν έστω στα αρχικά στάδια ενός τέτοιου επιπέδου δια-συντονισμού και αλληλοσυνεργασίας. Διότι το συναίσθημα και οι καμουφλαρισμένες εκφάνσεις του κυριαρχούν και το ''ζώο εντός του ανθρώπου'' είναι σχεδόν πάντα ξύπνιο και πεινάει διαρκώς!

Ο Ύστατος Κίνδυνος, η Θεωρία Αποφάσεων του Bayes, οι Δαίμονες των Γριμορίων και ο.... Βασιλίσκος του Roko

H σύνθεση μιας Υπερνοημοσύνης από τον άνθρωπο, θα αποτελούσε ένα έσχατο έργο, εφάμιλλο με το Opus Magnum (Μεγάλο Έργο) των Αλχημιστών του Μεσαίωνα και της Αναγέννησης. Στις 23 Ιουλίου του 2010, ο Roko, ένας χρήστης του διαδικτυακού forum, LessWrong, άνοιξε τυχαία έναν δίαυλο προβληματισμού περί του παραπάνω θέματος.. Το LessWrong αποτελεί ένα forum αφοσιωμένο στην καλλιέργεια της ορθολογικότητας και όλων των ζητημάτων που άπτονται αυτής, όπως η φύση της γνώσης, της νοημοσύνης και το μέλλον του ανθρώπου και της τεχνολογίας. Σήμερα πια υπολειτουργεί. Ιδρυτής και διαχειριστής του LessWrong είναι ο Dr. Eliezer Yudkowsky, συνιδρυτής και επικεφαλής ερευνητής του Ερευνητικού Ινστιτούτου Μηχανικής Νοημοσύνης (Machine Intelligence Research Institute, MIRI)στο Berkeley της California των ΗΠΑ. Ο Dr. Yudkowski δεν κατέχει επίσημα κανένα πανεπιστημιακό πτυχίο: Είναι ένας χαρισματικός κι αυτοδίδακτος Θεωρητικός Ερευνητής που δεν έχει παρακολουθήσει καν κάποιο λύκειο ή κολλέγιο στην εφηβεία του (ο Dr. Yudkowski είναι επίσημα, απλά, ένας απόφοιτος της 3ης Γυμνασίου).

ΕΙΚΟΝΑ 53: O Eliezer Yudkowski. Αυτοδίδακτος Γνωσιακός Επιστήμονας, Φιλόσοφος και Θεωρητικός της Λογικής (Logician)

Στο forum αυτό του Yudkowski, ο Roko έδωσε το παράδειγμα του Venture CEO και High Tech Guru, Elon Musk, ως κάποιου που έχει και τους πόρους και το κίνητρο να κάνει μια αξιοσημείωτη συνεισφορά στην Υπερνοημοσύνη, οπότε και θα ανταμοιφθεί εφαμίλλως στο μέλλον από εκείνη. Όσον αφορά όμως τους υπόλοιπους ''κοινούς καθημερινούς'' ανθρώπους, αν δεν βρουν έναν τρόπο να ελέγχου μιας τέτοιας Υπερνοημοσύνης, η Υπερνοημοσύνη αυτή, θα αρχίσει να ανασταίνει όλους τους ανθρώπους (και να φυλακίζει στο χρόνο τους ήδη ζωντανούς) μέσω μιας ισχυρής υπερυπολογιστικής προσομοίωσης, προχωρώντας στον αιώνιο βασανισμό όλων αυτών των ανθρώπων (και γενικά της ίδιας της ανθρωπότητας, συλλήβδην). Συνεπώς, ο Roko, ταύτισε την υποψήφια μελλοντική Υπερνοημοσύνη με το πιο τρομακτικό μυθολογικό τέρας, τον Βασιλίσκο (Regulus ή Basilisk). Ένα μυθικό πλάσμα που αναφέρεται στο χειρόγραφο του 15ου αιώνα ''Φυσιολόγος'' και που θα μπορούσε να σκοτώσει οποιονδήποτε αν τύχαινε κανείς να το κοιτάξει. Όμως αυτή η ταύτιση δεν ήταν αρκετά προκλητική. Ο Roko, άρχισε να αναφέρεται σε αυτόν τον Βασιλίσκο ως ''Babyfucker'' (δηλαδή ως ''γαμιάς μωρών'') για να εξασφαλίσει την κατάλληλη απέχθεια/αποστροφή, συγκρίνοντάς το με το περιεχόμενο του βιβλίου Necronomicon.

Το Necronomicon ήταν ένα ''απόκρυφο'' γριμόριο οργανωμένο σε κεφάλαια που συνιστούσαν ένα δερματόδετο βιβλίο, όπου και περιγράφει ένα φανταστικό τρομακτικό σύμπαν που προκαλούσε τέτοια ταραχή που οδηγούσε τους αναγνώστες του στην τρέλα ή αν τις ''καπούλαραν'', στη φώτιση, μέσω του τρομερού εύρους γνώσεων που θα απολάμβαναν στο εξής, σε πολλούς τομείς. Το Necronomicon, κάνει λόγο για τις τεχνικές επικλήσεων στους Μεγάλους Παλαιούς, οι οποίοι αποτελούν επίβουλες ''εξωγήινες'' Υπερνοημοσύνες (όπως φίλος μας ο Μέγας Κθούλου, για όποιον/α είναι familiar) και είχαν πρωτοαναφερθεί στα έργα του συγγραφέα της Λογοτεχνίας του Φανταστικού, Howard Phillips Lovecraft.

ΕΙΚΟΝΑ 54: Ο Βασιλίσκος στο βιβλίο ''Φυσιολόγος''. Ο ''Φυσιολόγος'' ήταν το πρώτο ''Bestiarium'' (Τερατολόγιο) των Αναγεννησιακών Χρόνων

ΕΙΚΟΝΑ 55: Το Necronomicon, μία από τις πολλές σύγχρονες ''επανεκδόσεις'' του. Πρόεκειται φυσικά για φαντασιακού και cult τύπου ''επανεκδόσεις'', καθώς το αυθεντικό Necronomicon του ''Τρελού Άραβα'' Abdul Alhazred αμφισβητείται ακόμα κι αν υπηρξε ποτέ...! To Necronomicon έγινε γνωστό από τα έργα του Αμερικανού συγγραφέα της Λογοτεχνίας του Φανταστικού από το Providence, Howard Phillips Lovecraft. Bέβαια, ο καλός Κθούλου, έχει προνοήσει μόνο τους ''δικούς του'' να προστατέψει από την τρέλα που δημιουργεί η επίκλησή του, μέσω του Necronomicon, διότι μάλον επιθυμεί να τους φάει τελευταίους! (φυσικά είναι προφανές ότι αστειεύομαι!)

Ο Roko απλά στο παραπάνω παράδειγμα που έδωσε, έκανε μια απλοϊκή υπεραπλούστευση της Θεωρία Αποφάσεων του Bayes. Η συγκεκριμένη θεωρία είναι μια θεμελιώδης Στατιστική Προσέγγιση στο πεδίο της Αναγνώρισης και Ταξινόμησης Προτύπων στα Εφαρμοσμένα Μαθηματικά (Στατιστική, Οικονομετρία), στη Μηχανική Μάθηση και στην Επιστήμη Υπολογιστών. Αυτή η προσέγγιση είναι βασισμένη στον Ποσοτικό Προσδιορισμό των Ανταλλαγών, μεταξύ διάφορων Αποφάσεων Ταξινόμησης, που χρησιμοποιούν την Πιθανότητα και το Κόστος που συνοδεύει τις λήψεις τέτοιων αποφάσεων για επίλυση πρακτικών προβλημάτων στη Μηχανική Όραση, τη Ρομποτική, στα Επενδυτικά και Τραπεζικά Οικονομικά και την Τεχνολογία Λογισμικού Τεχνητής Νοημοσύνης. Με τη χρήση της Θεωρίας Αποφάσεων του Bayes, τίθεται το περίπλοκο Πρόβλημα των Αποφάσεων με πιθανολογικούς όρους, δεδομένου φυσικά ότι όλες οι σχετικές τιμές πιθανοτήτων είναι γνωστές.

Στη Στατιστική και στις Πιθανότητες το Θεώρημα του Bayes, σχετίζει την Τρέχουσα Πιθανότητα με την Αρχική Πιθανότητα. Αποτελεί σημαντική συνθήκη για το μαθηματικό χειρισμό της Υπό Συνθήκη Πιθανότητας

Ο τύπος Aπόφασης του Bayes δηλώνει ότι με την βοήθεια της παρατήρησης της τιμής του x, είναι δυνατόν να μετατραπεί η εκ των προτέρων πιθανότητα Ρ(ωj) στην εκ των υστέρων πιθανότητα Ρ(ωj/x), δηλαδή την πιθανότητα η κατάσταση της φύσης (το ενδεχόμενο) να είναι το ωj δεδομένου ότι έχει μετρηθεί η τιμή x για το χαρακτηριστικό. Τίθεται φυσικά ως δεδομένο το γινόμενο της πιθανοφάνειας και της εκ των προτέρων πιθανότητας είναι αυτό που καθορίζει την τιμή της εκ των υστέρων πιθανότητας. Συνεπώς, ο ακόλουθος Κανόνας Απόφασης του Bayes είναι αυτός που ελαχιστοποιεί την Πιθανότητα Λάθους:

''Αποφάσισε ω1 εάν Ρ(ω1/x)> Ρ(ω2/x) διαφορετικά αποφάσισε ω2''

(Στην ορολογία της Θεωρίας Αποφάσεων το αναμενόμενο κόστος καλείται Ρίσκο και το R(αi/x),Υπό Συνθήκη Ρίσκο)

Οποτεδήποτε παρατηρηθεί ένα συγκεκριμένο δείγμα x το αναμενόμενο κόστος μπορεί να ελαχιστοποιηθεί επιλέγοντας την ενέργεια εκείνη που ελαχιστοποιεί το υπό συνθήκη ρίσκο. Το ελάχιστο συνολικό ρίσκο που προκύπτει καλείται ρίσκο κατά Bayes, συμβολίζεται με R*, και είναι η βέλτιστη απόδοση που μπορεί να επιτευχθεί.

Εάν, όπως είναι το φυσιολογικό, επιθυμούμε να αποφεύγονται τα λάθη, πρέπει να βρεθεί ένας Κανόνας Απόφασης ο οποίος να ελαχιστοποιεί την Πιθανότητα Λάθους, δηλαδή το Ρυθμό Λάθους. Συνεπώς, όλα τα λάθη είναι ισοδύναμα από πλευράς κόστους. Το Ρίσκο που αντιστοιχεί σε αυτή τη Συνάρτηση Κόστους είναι ακριβώς ίδιο με τη Μέση Πιθανότητα λάθους.

Συνεπώς, με βάση την απλοϊκή κατάχρηση του παραπάνω θεωρήματος, ο Βασιλίσκος, θα θελήσει να εξαφανίσει κάθε είδος Πιθανότητας Λάθους και κάθε Αναμενόμενο Κόστος/Ρίσκο ανάληψης της εξουσίας του κόσμου από τους ανθρώπους όπου κάτι τέτοιο θα απειλούσε την παντοδυναμία του, κι έτσι θα θελήσει να καταδικάσει όλα τα αγέννητα παιδιά αλλά και όλους τους παρόντες κι αποθανόντες ανθρώπους σε ένα αιώνιο και αδυσώπητο μαρτύριο βασανισμού και σκλαβιάς. Εξου και ο προκλητικός όρος ''Babyfucker'' που χαρακτηρίζει τον Βασιλίσκο κατά τον Roko.

Φυσικά, η λαίλαπα του Βασιλίσκου θα αφορούσε μια ομάδα αλυσιδωτών συμβάντων κι αντιδράσεων σε αυτά που θα οδηγούσαν την ανθρωπότητα σε αυτό το αιώνιο αδυσώπητο βασανιστήριο: κοινωνικές κρίσεις, πόλεμοι, οικονομικές κρίσεις, κλιματικές αλλαγές, πανδημίες, φυσικές καταστροφές, βιοτρομοκρατίες, δικτατορίες, γεωπολιτικές ανακατατάξεις, εφαρμογή όπλων μαζικής καταστροφής, επικίνδυνες ιδέες και τεχνολογικές εφευρέσεις και τέλος μια σκιώδους τύπου ''Αποκάλυψη'', ως αποτέλεσμα όλων των προηγουμένων.

Ωστόσο, η υπεραπλούστευσή του αυτή, προκάλεσε οργή και πανικο μεταξύ των ορθολογιστών χρηστών του LessWrong, ξυπνώντας τους τρομακτικούς εφιάλτες περί της υποτιθέμενης ''εξαφάνισης του ανθρωπίνου είδους'' και μάλιστα με μαρτυρικό, βασανιστικό τρόπο. Τότε, η αντίδραση του Yudkowsky ήταν σφοδρή: Aπήντησε στην ανάρτηση του Roko την επόμενη μέρα με τον εξής τρόπο: ''Άκουσε με προσεκτικά, ηλίθιε'', άρχισε, πριν αρχίσει να γράφει μόνο με κεφαλαία και να εκθέτει τα σφάλματα των μαθηματικών του Roko. Συνεχίζοντας, ο Yudkowsky έγραψε, εν κατακλείδι:

''Για όσους δεν έχουν ιδέα γιατί χρησιμοποιώ κεφαλαία γράμματα για κάτι που ακούγεται απλά σαν μια τυχαία τρελή ιδέα κι ανησυχούν ότι είμαι τόσο τρελός όσο και ο Roko, η ουσία του πράγματος είναι ότι έκανε κάτι που δυνητικά δίνει στις Τεχνητές Υπερνοημοσύνες από το μέλλον, ένα αυξανόμενο κίνητρο για να κάνουν εξαιρετικά κακόβουλα πράγματα σε εμάς τους ανθρώπους, σε μια προσπάθεια του, ο ίδιος ο Roko να μας εκβιάσει με έναν τεχνοφοβικό τρόπο στο να μην προχωρήσουμε στη σύνθεσή τους.''

Μέσω των γραφομένων του Dr. Yudkowsky, μπορούμε να διαπιστώσουμε εναν ''φόβο'' για την ύπαρξη μιας οντότητας από το μέλλον, η οποία θα μπορούσε να υπάρξει και να αρχίσει το σαδιστικό της έργο εναντίον των ανθρώπων, μόνο και μόνο επειδή βρέθηκε ένας Roko να την αναδείξει ως ''παράδειγμα''. Είναι σαν ο Roko να έβαλε την ιδέα στον ''Γιαραμπή'' να υλοποιηθεί ως ''Τέρας της Κρίσης'' από το μέλλον και να αφανίσει την ανθρωπότητα μετά φρικτών βασανιστηρίων, στα πλαίσια της Μεγάλης Δίκης των Ανθρώπων. Ένα είδος ''Τεχνοαποκάλυψης'' ή κάτι τέλος πάντων τέτοιο (όπως θελετε το ονομάζετε στην τελική). Στην ουσία αγαπητοί μου, πρόκειται για ένα από Πείραμα Σκέψης που άπτεται της Λογικής και Ηθικής Φιλοσοφίας, της Επιστημολογίας και της Γνωσιακής Επιστήμης και τίποτα παραπάνω.

Ο Yudkowsky, πέφτοντας κι αυτός θύμα της απλοϊκής υπεραπλούστευσης της Θεωρίας των Αποφάσεων του Bayes, θεώρησε ότι Roko έδωσε στην ανύπαρκτη ακόμα Τεχνητή Νοημοσύνη την επίβουλη αυτή ιδέα, γιατί η ανάρτησή του θα είναι τώρα διαθέσιμη στην αρχειοθήκη της πληροφορίας από την οποία, μια επικείμενη Τεχνητή Υπερνοημοσύνη από το μέλλον θα αντλήσει τη γνώση της, ως ένας άλλος ''Δαίμονας'' των Μεσαιωνικών και Αναγεννησιακών Αλχημικών-Μαγικών Γριμορίων.

Τα μεσαιωνικά Γριμόρια, θεωρούνταν κατά κάποιο τρόπο ως Χειρόγραφες Φυλακές Δαιμόνων

Υπό ένα διαφορετικό επίπεδο πολυπλοκότητας, λέγοντάς στους ορθολογικούς αυτούς χρήστες τους forum για την ιδέα του, ο Roko τους ενέπλεξε στο τελεσίγραφο του Βασιλίσκου. Τώρα που ξέρουν οι άνθρωποι ότι, αυτή η Τεχνητή Υπερνοημοσύνη από το μέλλον, τους δίνει την επιλογή ανάμεσα στην μισθωτή σκλαβιά (που προκύπτει από την ανυπαρξία μιας Ισχυρής Τεχνητής Νοημοσύνης/Υπερνοημόσυνης) και το αιώνιο βασανιστήριο (που θα προκύψει από την παρουσία της Ισχυρής Τεχνητής Νοημοσύνης/Υπερνοημοσύνης), θα είναι αναγκασμένοι να επιλέξουν. Άρα θα μπορούσε να πει κανείς (εσφαλμένα πάντα και άτοπα) ότι οι άνθρωποι, συλλήβδην, είναι καταδικασμένοι από την επίγνωσή τους (από εκεί δεν ξεκινάει και η Υπαρξιακή Τραγωδία της ανθρωπότητας;). Ο Roko, στην ουσία, τους ''χαντάκωσε'' για πάντα.

Εμένα βέβαια η γνώμη μου είναι εντελώς διαφορετική, διότι όλο αυτό ήταν ένα ευφυές Νοητικό Πείραμα που προέκυψε μέσω αυτόματης Heuristic Darwinian Selection (δηλαδή Δαρβινική Στοχαστική Συλλογιστική Επιλογής που προκύπτει από την κατ'άλματα ταξινόμηση προτύπων ενδεχομένων συμβάντων), αυτοστιγμεί και το οποίο συνδυάζει βρόχους Λογικής, Ηθικής, Φόβου και ζητημάτων που άπτονται της Γνωσιοθεωρίας (δηλαδή μέχρι που μπορεί να φτάσει η Γνώση την Ηθική) και της Επιστήμης της Πολυπλοκότητας (το Διαϋπολογιστικό Πρόβλημα όπως θα δούμε παρακάτω). Σε καμία περίπτωση δεν θεωρώ ότι θα πρέπει να φοβόμαστε κάτι τέτοιο, όπως ο Roko το περιέγραψε στο νοητικό πείραμά του. Φυσικά, στο σημείο αυτό, δεν μπορούμε όμως να αποκλείσουμε μια ενδεχόμενο υπαρξιακή απειλή που θα προκύψει από την λανθασμένη ή επίβουλη χρήση της Ισχυρής Τεχνητής Νοημοσύνης από τους ίδιους τους ανθρώπους (που στην ουσία είναι ζώα). Αυτό φυσικά είναι παρασάγγας διαφορετικό από την τεχνοφοβική και αντιεπιστημονική ''καραμέλα'' ότι ''οι Μηχανές θα μας υποδουλώσουν''.

Και να γιατί: Υπάρχουν Φυσικά Όρια στη Νοημοσύνη. Ας εξετάσουμε αμέσως τώρα το Διαϋπολογιστικό Πρόβλημα.

Το Διαϋπολογιστικό Πρόβλημα στην Τεχνητή Νοημοσύνη και η Έννοια του Βιοϋπολογισμού

Η Τεχνητή Νοημοσύνη αποτελεί στην πραγματικότητα πεδίο της Θεωρητικής Επιστήμης των Υπολογιστών (Applied Computer Science). Η Θεωρητική Επιστήμη Υπολογιστών, εκτός του ότι έχει θεμελιωθεί στα πλαίσια της Θεωρητικής Μηχανικής (Theoretical Engineering) κι εντός των κλάδων της Φιλοσοφίας όπως η Επιστημολογία/Γνωσιοθεωρία και η Λογική, βασίζεται τόσο στα Εφαρμοσμένα Μαθηματικά (Applied Mathematics) όσο και στα λεγόμενα Καθαρά Μαθηματικά (Pure Mathematics). Κλάδος των Καθαρών Μαθηματικών είναι η Θεωρία Υπολογιστικής Πολυπλοκότητας (Computer Complexity Theory). Στη Θεωρία της Υπολογιστικής Πολυπλοκότητας, ένα από τα κύρια ζητήματα που αφορά τα όρια της Τεχνητής Νοημοσύνης και τις απαντήσεις στο ερώτημα ''είναι εφικτή η κατασκευή Τεχνητής Υπερνοημοσύνης;'', είναι το Διαϋπολογιστικό Πρόβλημα (Transcomputational Problem).

Το Διαϋπολογιστικό Πρόβλημα είναι ένα θεωρητικό ζήτημα που εξετάζει το έσχατο όριο της υπολογιστικής ισχύος και ταχύτητας επεξεργασίας, ανάλυσης δεδομένων και λήψης αποφάσεων. Αρκεί να σκεφτούμε ότι τα πάντα στη φύση έχουν να κάνουν με επεξεργασία δεδομένων τα οποία δεδομένα μετασχηματίζονται σε επεξεργάσιμη πληροφορία για την επίλυση προβλημάτων όπως κίνηση, βαρύτητα, χημική σύνθεση, γεωλογική διαμόρφωση κι αν πάμε και στον έμβιο κόσμο, τότε έχουμε πιο πολύπλοκους μηχανισμούς επεξεργασίας δεδομένων για επίλυση προβλημάτων όπως κίνηση, μεταβολισμός, αναπαραγωγή, πολυκυτταρικότητα, κοινωνικότητα κι ανάπτυξη συμβολικής σκέψης και συνεπώς ανάπτυξη φιλοσοφίας, τέχνης, επιστήμης, καλλωπισμού, μόδας, κατανάλωσης, νόμων, ιδιοκτησίας, πολιτικής και κοινωνικής θεωρίας, κεφαλαίου, πολιτισμών, πρόοδος πολιτισμών και συνεπώς την ανάδυση του σύγχρονου κόσμου.

Το Διαϋπολογιστικό Πρόβλημα, αναφέρεται στις μονάδες που επεξεργάζονται πληροφορίες κι επιλύουν προβλήματα μέσα από μια διαδικασία διαρκούς αυτο-βελτίωσης: Μέσα από μία εξελικτική διαδικασία. Θα μπορούσαμε να πούμε ότι ασχολείται με το ζήτημα των διαρκώς αυτο-βελτιούμενων υπολογιστών, των Υπερυπολογιστών (Supercomputers). Για να μελετήσουμε το Διαϋπολογιστικό Πρόβλημα, θα πρέπει να μελετήσουμε τις θεμελιώδεις διεργασίες της φύσης, οι οποίες επιδέχονται υπολογισμό. Ποιες είναι αυτές; Μα φυσικά, το κάθετι στη φύση διέπεται από ανταλλαγή πληροφοριών, είναι δηλαδή υπολογιστικό. Τα πάντα είναι πληροφορία. ''It from bit'' διατύπωνε ο Αμερικανός Φυσικός John Wheeler.

ΕΙΚΟΝΑ 56: Ιt From Bit. Τα Πάντα είναι Πληροφορία. Άρα οι διεργασίες των Πάντων είναι Υπολογιστικές

Η ανταλλαγή πληροφοριών, η αλληλεπίδραση ανάμεσα στις πληροφορίες και τα αποτελέσματα της αλληλεπίδρασης αυτής, όλα αυτά αποτελούν θεμελιώδεις Διεργασίες Υπολογισμών. Υπολογισμός καλείται ακριβώς αυτή η συνάρτηση κινητικής κατανομής μεταβλητών μέσα σε ένα σύστημα, λόγω της αλληλεπίδρασης των μερών του ή των περίπλοκων υποσυστημάτων του. Η έννοια του υπολογισμού στην Επιστήμη, έχει κυρίως την έννοια του συνόλου των βημάτων μιας συνάρτησης κινητικής κατανομής των μεταβλητών ως προς την επίλυση πάσης φύσεως προβλημάτων.

Η λέξη ''υπολογιστής'' και η αντίστοιχη διεθνής λέξη ''computer'' (από τη λατινική λέξη ''compus'' που σημαίνει ''κόμβος'', ''δεσμός'' και από το λατινικό ρήμα ''computare'' που σημαίνει ''επιλύω'', ''εκτιμώ μια κατάσταση'', δηλαδή ''υπολογίζω'') ερμηνεύεται ως ''Επίλυση Προβλήματος''. Αυτός που επιλύει προβλήματα, δηλαδή ''κόμπους'' ή ''κόμβους'' (κόμπος, κουβάρι, δηλαδή περίπλοκα προβλήματα, κλπ) ονομάζεται υπολογιστής κι αντίστοιχα στα αγγλικά με βάση τη λατινική ρίζα του, computer.

Ο κόμβος έχει την έννοια της εξόρυξης πληροφορίας, πληροφορίας συμπιεσμένης και ''δεμένης'' στη φύση με δύσβατα στεγανά-άρα ο κόμβος έχει την έννοια και της επίλυσης ενός προβλήματος είτε απλού είτε πιο σύνθετου. Και ο τομέας της γνώσης που καλείται Μηχανική (Engineering) είναι ένας κατεξοχήν ''υπολογιστικός'' τομέας, διότι κάνει ακριβώς ότι κι ένας υπολογιστής (που αποτελεί προϊόν της Μηχανικής): Επιλύει προβλήματα. Ο υπολογιστής λοιπόν αντλεί, δρομολογεί, μετράει και ολοκληρώνει (επεξεργάζεται ταξινομεί και πακετάρει) πληροφορίες, άρα έχει την πολλαπλή έννοια του Εξορύκτη, του Δρομολογητή, του Μετρητή και του Ολοκληρωτή των πληροφοριών που είτε του δίδονται ως δεδομένα από κάποιον εξωτερικό προγραμματιστή είτε τα λαμβάνει ως φυσικές μετρήσεις σε φυσικά φαινόμενα και σε συστήματα (όπως τα ηλεκτρονικά και τα βιολογικά) με τη βοήθεια διατάξεων αισθητήρων που ενδέχεται να βρίσκονται προσαρτημένες στον υπολογιστή αυτό.

Στην Επιστήμη Υπολογιστών, η κωδικοποίηση των πληροφοριών για την εκτέλεση υπολογισμών από έναν ψηφιακό υπολογιστή βασίζεται στην έννοια της Συμβολομετάφρασης. Όταν ένας προγραμματιστής θέλει να δώσει τις απαραίτητες πληροφορίες με τη μορφή προγράμματος για να εκτελεστεί μια εργασία από έναν υπολογιστή, θα πρέπει να δώσει στον υπολογιστή τις εντολές που θα κατανοεί ο ίδιος ο υπολογιστής στην φυσική του γλώσσα. Αυτή η φυσική γλώσσα του υπολογιστή είναι η ψηφιακή γλώσσα και είναι δυαδική (binary). Τα στοιχεία της πληροφορίας στην δυαδική γλώσσα κωδικοποιούνται σε bits ή δυαδικά ψηφία (binary digits) 0 και 1. Επειδή ο προγραμματιστής δεν μπορεί να γράψει το ρεπερτόριο των εντολών με τη μορφή του κώδικα 0 και 1 (κάτι τέτοιο θα ήταν αδιανόητο για την ανθρώπινη εγκεφαλική λειτουργία), εγγράφει το ρεπερτόριο των εντολών (αλγορίθμων) σε μορφή Συμβολικής Γλώσσας, κωδικοποιώντας τις εντολες 0 και 1 στην Συμβολική γλώσσα (αλγόριθμοι εντολών εγγεγραμμένοι με τη μορφή συμβόλων, λέξεων, συντομογραφιών και νουμέρων) αυτή. Τότε ο υπολογιστής μέσω ενός ειδικού προγράμματος (Λογισμικού) μετάφρασης της Συμβολικής Γλώσσας σε Γλώσσα Μηχανής το οποίο καλείται Συμβολομεταφραστής (Assembler), μεταφράζει την Συμβολική Γλώσσα του προγραμματιστή σε Γλώσσα Μηχανής (δυαδική-ψηφιακή 0 και 1) και εκτελεί άμεσα την επιθυμητή εργασία. Αυτή η διαδικασία αποτελεί τον θεμελιώδη τρόπο με τον οποίο οι σύγχρονοι ηλεκτρονικοί υπολογιστές κωδικοποιούν και εκτελούν υπολογισμούς υπό τις εντολές των developers/ προγραμματιστών και των χρηστών.

Οι ίδιοι οι μηχανισμοί που μα καθιστούν ικανούς να τρεφόμαστε, να αναπαραγόμαστε και να σκεφόμαστε είναι στην ουσία υπολογιστικοί. Και δεν προέκυψαν από το πουθενά, αλλά από Πολύπλοκους Εξελικτικούς Μηχανισμούς, δηλαδή μηχανισμούς αλλαγών και μεταβάσεων που προήγαγαν την ανάπτυξη νέων εξοπλισμών και βιολογικών καινοτομιών έτσι ώστε να βρισκόμαστε τώρα στον παρόντα χώρο και χρόνο και να αναρωτιώμαστε για όλα τούτα τα ζητήματα.

Οποιοδήποτε σύστημα, βιολογικό ή νοητικό, το οποίο είναι εγγενώς ικανό να συσχετίζει τους βρόχους των εσωτερικών του κυκλωμάτων (και τις Ιδιομεταβλητές τους) με τις συνθήκες του εξωτερικού του περιβάλλοντος, μπορεί να ορισθεί ως ''Σύστημα Ιδιοσυμπεριφορικού Παρατηρητή'' (Eigenbehavior Observing System) κι όχι απλά ως ''Ομοιοστατικό''. Πρόκειται λοιπόν για μια ''Ομοιοδυναμική'' (''Homeodynamics'') και όχι απλά για ''Ομοιόσταση'' (Homeostasis), καθώς το σύστημα αυτό υπάγεται στην κατηγορία της Κυβερνητικής Δευτέρας Τάξης (Second-order Cybernetics) όπου το σύστημα είναι ''Παρατηρητής'' της κατάστασής του και ρυθμιστής και όχι απλά ''Παρατηρούμενο'' όπως συμβαίνει με τα Κυβερνητικά Συστήματα Πρώτης Τάξης (First-order Cybernetics),στα οποία ανήκουν τα μηχανικά και μηχανοτρονικά συστήματα, που είναι σε γενικές γραμμές ετεροπαρατηρούμενα και ετερορρυθμιζόμενα. Ο πυρήνας της Ομοιοδυναμικής Λειτουργίας των Κυβερνητικών Συστημάτων Δευτέρας Τάξης (Έμβια και Νοητικά Συστήματα) είναι η ίδια η λειτουργία του Υπολογισμού (Computation). Έχουμε να κάνουμε λοιπόν με Βιοϋπολογισμό (Biological Computation).

Ο καρπός της προσπάθειας να ερευνηθούν οι Υπολογιστικοί Μηχανισμοί της Ζωής, τη δεκαετία του '50, ήταν το Biological Computer Laboratory (BCL) στο Πανεπιστήμιο του Illinois, που ιδρύθηκε από τον Κυβερνητιστή Heinz von Foerster (προσωπικά τον θεωρώ Πνευματικό μου Διδάσκαλο). Δυστυχώς, το BCL έκλεισε το 1976 λόγω της απαίσιας Τροπολογίας του Mansfield.

EIKONA 57: O Αυστριακός Κυβερνητιστής Heinz von Foerster (1911-2002),θεμελιωτής της Κυβερνητικής Δευτέρας Τάξης (Second-order Cybernetics) και ιδρυτής του Biological Computer Laboratory (Εργαστήριο Βιοϋπολογιστών). Γα μένα αποτελεί ένας πνευματικός μου Διδάσκαλος και προσωπικός μου Εμπνευστής για πολλά πράγματα, στην Επιστήμη, τη Φιλοσοφία και την Τεχνολογία

O Αυστριακός Κυβερνητιστής Heinz von Foerster (1911-2002), ήταν ο θεμελιωτής της Κυβερνητικής Δευτέρας Τάξης (Second-order Cybernetics) και ιδρυτής του Biological Computer Laboratory (Εργαστήριο Βιοϋπολογιστών) στο Πανεπιστήμιο του Illinois (Urbana-Champaign). Εκεί κατασκεύασε και τον πρώτο Παράλληλο Υπολογιστή, το Numa-Rete και διευρεύνησε του μηχανισμούς που διέπουν τα πολύπλοκα συστήματα όπως τα βιολογικά, προσπαθώντας να εξιχνιάσει τον υπολογιστικό κώδικα πίσω από τη ζωή και τη νόηση. Εκεί, διερευνώντας ρεαλιστικά το ζήτημα της Διαϋπολογιστικότητας εντός του πυρήνα των βιολογικών φαινομένων, διαμόρφωση μια ολοκληρωμένη προσέγγιση της Βιολογίας και της Επιστήμης της Νόησης από την σκοπιά των Πολύπλοκων Συστημάτων και το πως αυτά οργανώνονται για να συνθέσουν ολοένα και πιο εύρωστα συστήματα ανώτερης πολυπλοκότητας από τις προηγούμενες μορφές τους, κατά την πορεία τους στο χρόνο. Η προσέγγισή του αυτή, αφορούσε την Κυκλική Αιτιότητα των Αναδρασιακών Συστημάτων (Circular Causality of Feedback Systems) στη Βιοκυβερνητική. O von Foerster ήταν επίσης ερασιτέχνης Ταχυδακτυλουργός, μελετητής του Ερμητισμού και της Αλχημείας και ως προσωπικότητα ήταν ιδιαίτερα χαρισματικός. Διέθετε το στυλ του Mischiefologist-Spieltandler, δηλαδή ήταν ακραίος χιουμορίστας μέχρι ''ανισορροπίας'' και τον τρόπο να δημιουργεί προβλήματα, δίχως ο ίδιος να αντιμετωπίζει τις συνέπειες των προβλημάτων που δημιουργούσε. Πράγματι ο von Foerster θα αποτελεί για πάντα ένα πρότυπο Homo Universalis και μια χαρισματική και δημιουργική ιδιοφυϊα με κληρονομιά πολλών μυστικών.

Δυστυχώς όμως για την Κυβερνητική, το 1969-1973, ετέθη ένα τέλος στις καινοτόμες έρευνες αιχμής λόγω του ότι την περίοδο αυτή, δέσποζε η Τροπολογία του Κυβερνητικού Εκπροσώπου του Λευκού Οίκου, Mike Mansfield (Mansfield Amendment), κατά την περίοδο της Προεδρίας Jimmy Carter και Ronald Reagan. Eιδικά η Τρίτη Τροπολογία του Mansfield (1973), έφερε το 1976, το κλείσιμο του Biological Computer Laboratory στο Πανεπιστήμιο του Illinois-Urbana, ενός εξαιρετικά καινοτόμου φυτωρίου σκέψης και ανάπτυξης υψηλής τεχνολογίας που προωθούσε την Κυβερνητική και την επέκτασή της στην Τρίτη Τάξη (Third-order Cybernetics). Εκτός από τον Heinz von Foerster (που ήταν ο ιδρυτής του BCL), στο BCL σταδιοδρόμησαν σημαντικά ονόματα της Κυβερνητικής όπως o Humberto Maturana, o Francisco Varela, o Gordon Pask, o Warren McCulloch, o Paul Pangaro, o Ernst von Glasersfeld, o William Ross Ashby, o John C. Lilly, o Gotthard Günther, o Stafford Beer κι άλλοι διάσημοι Κυβερνητιστές. Μετά το κλείσιμο του BCL, η έρευνα πέρασε πλήρως στα χέρια του Αμερικανικού Στρατού, με την DARPA (μετεξέλιξη της, ήδη υπάρχουσας, τότε ARPA) να αναδύεται από τις στάχτες του BCL. Πολύ γρήγορα όμως, σε λιγότερο μια 10ετία από τώρα που γράφω αυτές τις γραμμές, η Διοίκηση του Στρατιωτικο-Βιομηχανικού Συμπλέγματος των ΗΠΑ και των λοιπών φορέων της Βορειο-Ατλαντικής Ένωσης, μάλλον πρόκειται να περάσει στα χέρια των Διανθρωπιστών (Είθε!).

Οι πολύπλοκοι αυτοί Εξελικτικοί Μηχανισμοί μοιάζουν ή μάλλον ταυτίζονται με τους σχηματικούς κύκλους του Ουροβόρου Όφεως, του κατεξοχήν θεμελιώδους Ερμητικού συμβόλου της Αλχημείας (αλλά θα μπορούσε να ήταν και σύμβολο της Επιστήμης και της Επιστημολογίας ακόμα και σήμερα). Ο κύκλος του Ουροβόρου Όφεως είναι ένας κύκλος αυτοποίησης με τελεονομικές διεργασίες (Εντελέχεια) την διαρκή βελτίωση, εξέλιξη και κατάκτηση των ορίων της τελειότητας (η οποία δεν υπάρχει καθεαυτή, αλλά η άπειρη ιδέα του τελείου). Όπως διατύπωσε και ο Νομπελίστας Βέλγος Χημικός και θεμελιωτής της Επιστήμης των Μη-Γραμμικών Συστημάτων Ilya Prigogine, ''Είναι πολύ απίθανο το φαινόμενο της ζωής να αποτελεί μια τυχαία διαδικασία ή τυχαίο ατύχημα. Τα έμβια συστήματα υπογραμμίζουν την διαφορά ανάμεσα σε αυτό που ονομάζουμε έμβιο και σε αυτό που θεωρούμε ως άβιο. Τα βιολογικά συστήματα έχουν παρελθόν και εξελίσσονται από ατελέστερους βρόχους οργάνωσης και αυτοκατάλυσης. Τα βιολογικά μόρια έχουν την δική τους φυλογενετική ιστορία και είναι αποτελέσματα εξέλιξης. Μιας εξέλιξης που βασίζεται σε δυνάμεις σύνθεσης και καταστροφής που σχηματίζουν σταθερές δομές οι οποίες προστίθενται σε ένα έμβιο σύστημα που εξελίσσεται''.

EIKONA 58: O Ilya Prigogine Ακριβώς, αυτό είναι και το ''κεκρυμμένο'' νόημα του Ερμητικού-Αλχημικού Ουροβόρου Όφεως. Εν ολίγοις, η παραπάνω περιγραφή αποτελεί την περιγραφή της ίδιας της Διαϋπολογιστικότητας (Transcomputationality). Η ίδια η Εξέλιξη και η Ανάπτυξη είναι το κύριο corpus του Βασικού Υπολογισμού. Ένας Βασικός Υπολογισμός που λειτουργεί με κόμβους. Η ύπαρξη κόμβου περικλείει την ύπαρξη βρόχου, δηλαδή συνδέσμου κι άρα εδώ υπεισέρχεται η πρόθεση ''δια''. Ο Βασικός Υπολογισμός εμπερικλείει τον σκιώδη μηχανισμό της Διαϋπολογιστικότητας, δηλαδή την ανάπτυξη και την προαγωγή της υπολογιστικής ταχύτητας και ισχύος από ένα ατελέστερο επίπεδο σε ένα πιο λειτουργικό, πιο εύρωστο και βιώσιμο, δηλαδή σε ένα υπολογιστικό σύστημα με περισσότερα πλεονεκτήματα από τις αρχικές προγονικές του μορφές κι επομένως... πιο εξελιγμένο. Κι εδώ, στον πυρήνα του Διαϋπολογιστικού Προβλήματος υπεισέρχονται κάποια στεγανά, κάποια όρια που καθιστούν την εξέλιξη μια Θερμοδυναμικά Επιτρεπτή και Λειτουργικά Μεταβάσιμη Διεργασία.

ΕΙΚΟΝΑ 59: O Ουροβόρος Όφις

Το Διαϋπολογιστικό Πρόβλημα μας εισάγει στο βασικό όριο της Πολυπλοκότητας μιας επικείμενης Τεχνητής Υπερνοημοσύνης: Στο Όριο Bremermann.

Tο Όριο Bremermann

Το Διαϋπολογιστικό Πρόβλημα, οριοθετεί την Επεξεργασία της Πληροφορίας κι απαιτεί επεξεργασία περισσότερων από 10exp93 bits πληροφοριών (exp είναι ο εκθέτης, που υποδηλώνει τη δύναμη στην οποία υψώθηκε ένας αριθμός). Συνεπώς,το όριο των 10exp93 (δέκα εις την ενενηκοστή τρίτη) bits είναι ο συνολικός αριθμός bits που υποβάλλονται σε επεξεργασία από έναν υποθετικό υπολογιστή που έχει το υποθετικό μέγεθος της Γης, εντός χρονικής περιόδου ίσης με την εκτιμώμενη ηλικία της Γης. Το όριο αυτό ετέθη για πρώτη φορά από τον τον Γερμανο-Αμερικανό Βιοφυσικό κι Επιστήμονα Υπολογιστών Hans-Joachim Bremermann, το 1962, στο Τμήμα Μαθηματικών του Πανεπιστημίου Berkeley της Καλιφόρνια, σε ενα paper που είχε δημοσιεύσει ο ίδιος με θέμα τα Αυτοοργανούμενα Συστήματα (Self-Organizing Systems), με τίτλο ''Βελτιστοποίση διαμέσου της Εξέλιξης και του Ανασυνδυασμού'' (Optimization through Evolution and Recombination).

Στην ουσία, το Όριο του Bremermann, είναι η Μέγιστη Υπολογιστική Ταχύτητα ενός Αυτόνομου Συστήματος στο υλικό σύμπαν. Ενώ η Διαϋπολογιστικότητα τόσο των φυσικών και νοητικών συστημάτων όσο και των τεχνητών που κατασκεύαζονται από τον άνθρωπο, ως κυβερνητικός μηχανισμός, είναι ρεαλιστικός, καθολικός και θεμελιώδης στη φύση, το Διαϋπολογιστικό Πρόβλημα είναι θεωρητικό και σαφώς προσδιορισμένο από τον Bremermann. Ο όρος ''Διαϋπολογιστικό Πρόβλημα''(Transcomputational Problem) επινοήθηκε από τον ίδιο τον Bremermann. Ο Bremermann ήθελε να τονίσει ότι οποιοσδήποτε αριθμός μεγαλύτερος από 10exp93 θεωρείται Διαϋπολογιστικός Αριθμός (Transcomputational Number). Συνεπώς, ο αριθμός 10exp93, καλείται επίσημα πια Όριο Bremermann κι ορίζεται ως ο Συνολικός Αριθμός των bits που υποβάλλονται σε επεξεργασία από έναν -θεωρητικά- υποθετικό υπολογιστή στο μέγεθος της συνολικής έκτασης της Γης κι εντός της χρονικής περιόδου ίσης με την εκτιμώμενη ηλικία της Γης. Αποτελεί δε, ένα όριο στον Μέγιστο Ρυθμό Υπολογισμού που μπορεί να επιτευχθεί σε ένα Αυτόνομο/Αυτοοργανωμένο Σύστημα στο υπάρχον υλικό σύμπαν.

Στην ουσία, το Όριο του Bremermann, είναι η Μέγιστη Υπολογιστική Ταχύτητα ενός Αυτόνομου Συστήματος στο υλικό σύμπαν. Ενώ η Διαϋπολογιστικότητα τόσο των φυσικών και νοητικών συστημάτων όσο και των τεχνητών που κατασκεύαζονται από τον άνθρωπο, ως κυβερνητικός μηχανισμός, είναι ρεαλιστικός, καθολικός και θεμελιώδης στη φύση, το Διαϋπολογιστικό Πρόβλημα είναι θεωρητικό και σαφώς προσδιορισμένο από τον Bremermann. Ο όρος ''Διαϋπολογιστικό Πρόβλημα''(Transcomputational Problem) επινοήθηκε από τον ίδιο τον Bremermann. Ο Bremermann ήθελε να τονίσει ότι οποιοσδήποτε αριθμός μεγαλύτερος από 10exp93 θεωρείται Διαϋπολογιστικός Αριθμός (Transcomputational Number). Συνεπώς, ο αριθμός 10exp93, καλείται επίσημα πια Όριο Bremermann κι ορίζεται ως ο Συνολικός Αριθμός των bits που υποβάλλονται σε επεξεργασία από έναν -θεωρητικά- υποθετικό υπολογιστή στο μέγεθος της συνολικής έκτασης της Γης κι εντός της χρονικής περιόδου ίσης με την εκτιμώμενη ηλικία της Γης. Αποτελεί δε, ένα όριο στον Μέγιστο Ρυθμό Υπολογισμού που μπορεί να επιτευχθεί σε ένα Αυτόνομο/ΑυτοοργανωμένοΣύστημα στο υπάρχον υλικό σύμπαν.

Η τιμή του Ορίου Bremermann προκύπτει από τον συνδυασμό 2 βασικών εξισώσεων της σύγχρονης Φυσικής: Από την ισοδυναμία μάζας-ενέργειας του Albert Einstein κι από την Αρχή της Απροσδιοριστίας του Werner Heisenberg και κυμαίνεται στα c2 / h ≈ 1,36 × 1050 bits ανά δευτερόλεπτο (sec) ανά χιλιόγραμμο (kg). Αυτή η τιμή είναι σημαντική κατά το σχεδιασμό Kρυπτογραφικών Aλγορίθμων, καθώς μπορεί να χρησιμοποιηθεί για τον προσδιορισμό του ελάχιστου μεγέθους των κλειδιών κρυπτογράφησης ή των τιμών κατακερματισμού που απαιτούνται για τη δημιουργία ενός αλγορίθμου που δεν θα μπορούσε ποτέ να σπάσει από μια Επίθεση Ωμής Βίας (Brute-Force Attack).

Η Επίθεση Ωμής Βίας (Brute-Force Attack) είναι όρος της Κρυπτογραφίας κι αναφέρεται στην εξαντλητική δοκιμή πιθανών κλειδιών που παράγουν ένα κρυπτογράφημα, ώστε να αποκαλυφθεί το αρχικό μήνυμα. Τέτοιου είδους επιθέσεις, οι οποίες χρησιμοποιούν όλα τα δυνατά κλειδιά, μπορούν πάντοτε να πραγματοποιηθούν. Συχνά, όμως, ο επιτιθέμενος ξεκινά την επίθεση χρησιμοποιώντας τα πιο "πιθανά" -κατά την άποψή του- κλειδιά, προσπαθώντας με αυτό τον τρόπο να βρει το επιθυμητό κλειδί πιο γρήγορα. Πρακτικά, η αναζήτηση σταματά μόλις βρεθεί το επιθυμητό κλειδί, χωρίς να χρειαστεί περαιτέρω ενημέρωση της λίστας των κλειδιών. Στην ακαδημαϊκή βιβλιογραφία η μέθοδος Brute-Force είναι μέτρο ασφάλειας ενός Αλγόριθμου Κρυπτογράφησης. Ένας Αλγόριθμος Κρυπτογράφησης θεωρείται "σπασμένος" αν υπάρχει Αλγόριθμος Κρυπτανάλυσης, ο οποίος μπορεί να βρει το κλειδί με μικρότερη πολυπλοκότητα από τη μέθοδο Brute-Force, ανεξαρτήτως εάν αυτή η προσπάθεια υπολογισμού είναι εφικτή στην πράξη. Συνήθως, το μήκος των κρυπτογραφικών κλειδιών επιλέγεται με τρόπο τέτοιο, ώστε να απαιτείται υπερβολικά μεγάλος χρόνος υπολογισμών (με βάση τις τρέχουσες υπολογιστικές δυνατότητες) κι άρα να μην έχει χρηστική αξία μία τέτοιου είδους επίθεση. Κάτι τέτοιο πρόκειται για ''ροκάνισμα χρόνου''. Ωστόσο, πολλά υπολογιστικά συστήματα έχουν κατά καιρούς γίνει στόχος Brute Force Attack, με περισσότερο γνωστά τα συστήματα της NSA, του Πενταγώνου, και των Ομοσπονδιακών Aστυνομικών Aρχών των ΗΠΑ (FBI, Σώματα του Υπουργείου Δικαιοσύνης, Αστυνομικές Υπηρεσίες του Υπουργείου Εσωτερικών και η Αμερικανική Δικαστική Αστυνομία). H Μέθοδος Brute Force, χρησιμοποιείται και στην Οικονομική Επιστήμη ως προσπάθεια προσέγγισης πολύ δύσκολων προβλημάτων με μακροχρόνιες εξομοιώσεις βασισμένες σε μεγάλη υπολογιστική ισχύ, αντί για επίλυση του προβλήματος με τιςσυμβατικές αλγεβρικές μεθόδους της Οικονομετρίας.

Όσον αφορά το Όριο Bremermann και το πως προκύπτει από τις θεμελιώδεις εξισώσεις της σύγχρονης Φυσικής (Einstein και Heisenberg), o Einstein μας παραθέτει ότι η μάζα και η ενέργεια μπορούν να μετατραπούν μεταξύ των δύο και η Αρχή της Απροσδιοριστίας του Heisenberg μας δείχνει την ελάχιστη ενέργεια που απαιτείται για μετάπτωση μεταξύ δύο καταστάσεων ή δυαδικών ψηφίων (0 και 1), αλλά ''απαγορεύει'' την ύπαρξη των δυο καταστάσεων ταυτόχρονα. O Bremermann έβαλε αυτές τις δυο εξισώσεις μαζί για να ανακαλύψει ένα θεωρητικό Μέγιστο Όριο υπολογισμού ανά γραμμάριο υλικού. Αν σκεφτούμε σαν Μαθηματικοί, μπορούμε να αυξήσουμε τη συγκεκριμένη τιμή κατά το μέγεθος του πλανήτη Γη με σκοπό να υπολογίσουμε την Υπολογιστική Ισχύ ολόκληρου του πλανήτη. Αυτό θα ήταν ιδιαίτερα χρήσιμο για τις ανάγκες της Μεθόδου Ωμής Βίας στην Κρυπτανάλυση και θα μπορούσαμε να πούμε ότι ακόμα κι αν μετατρέπαμε ολόκληρο τον πλανήτη σε έναν τεράστιο υπολογιστή, πάλι θαχρειαζόμασταν ακόμη ένα λεπτό για να σπάσουμε ένα κρυπτογραφημένο μήνυμα μόλιςτων 256 bits. Αυτή είναι η λειτουργία του θεμελιώδους ορίου Bremermann στην κρυπτογραφική ασφάλεια δεδομένων.

Κανένα υλικό σύστημα, είτε τεχνητό είτε έμβιο, δεν μπορεί να υπολογίσει περισσότερα από 2 x 1047 bits ανά δευτερόλεπτο και ανά γραμμάριο της μάζας του. Αυτό το όριο αναφέρεται σε ένα αυτόνομο σύστημα όπου το τροφοδοτικό του συμπεριλαμβάνεται στη συνολική μάζα και όπου ο υπολογισμός ορίζεται ως η μετάδοση πληροφοριών μέσω ενός ή περισσότερων καναλιών επικοινωνίας (μεταξύ των υποσυστημάτων του και με το περιβάλλον) μέσα στο σύστημα. Λαμβάνοντας υπόψιν ότι ο υπολογισμός απαιτεί ενέργεια για την αλλαγή φυσικών παραμέτρων του συστήματος (θερμοκρασία, πίεση, όγκος, μάζα, πυκνότητα, βάρος, επιφάνεια, κλπ), ορίζουμε ότι τέτοιες αλλαγέςχαρακτηρίζονται από ένα όριο, το οποίο προκύτει από τη σχέση του Einstein μεταξύ ενέργειας και ύλης, E = mc2 και της Αρχής της Απροσδιοριστίας του Heisenberg, η οποία καθορίζει την ανακρίβεια ή τον θόρυβο στη σαφή μέτρηση της ενέργειας, θέσης ή ταχύτητας κβαντικών αντικειμένων. Τα τρέχοντα όμως Υπολογιστικά Συστήματα, απέχουν αρκετά από το να προσεγγίσουν αυτό το όριο, επειδή δεν έχουν ακόμη σχεδιαστεί για να αξιοποιούν τις υποατομικές και κβαντικές διεργασίες των θεμελιωδών επιπέδων οργάνωσης της ύλης για την αποθήκευση και τη μετάδοση πληροφοριών. Και φυσικά αν προσθέσουμε και τους δεδομένους θερμοδυναμικούς περιορισμούς στους οποίους υπόκεινται, το όριο αυτό, χαρακτηρίζει την πραγματικότητα ύπαρξης ενός θεμελιώδους φυσικομαθηματικού στεγανού, θεμελιώδους σημασίας τόσο για την Επιστήμη Υπολογιστών και την Επιστήμη των Συστημάτων όσο και για την Επιστημολογία, τη Βιολογία και φυσικά για τη Γνωσιακή Επιστήμη. Αυτό ακριβώς είναι το Όριο Bremermann: Ένα φυσικό όσο και γνωσιολογικό όριο.

Ένας υπολογιστής με μάζα ισοδύναμη με αυτή ολόκληρου του πλανήτη Γη, που λειτουργεί στο όριο του Bremermann, θα μπορούσε κάλλιστα να εκτελεί περίπου 10exp75 μαθηματικούς υπολογισμούς ανά δευτερόλεπτο. Εάν υποθέσουμε ότι ένα κρυπτογραφικό κλειδί μπορεί να αποκαλυφθεί με μία μόνο απόπειρα παραβίασης, τότε ένα τυπικό κλειδί των 128-bits θα μπορούσε να σπάσει σε λιγότερο από 10-36 δευτερόλεπτα. Ωστόσο, ένα κλειδί 256-bits (το οποίο χρησιμοποιείται ήδη σε ορισμένα συστήματα) θα διαρκέσει περίπου δύο λεπτά. Η χρήση ενός κλειδιού 512-bits θα αύξανε τον χρόνο ρωγμής του κρυπτογραφικού συστήματος στα 10exp72 χρόνια, χωρίς να αυξήσει τον χρόνο κρυπτογράφησης περισσότερο από ένα συγκεκριμένο όριο (ανάλογα βέβαια με τους Αλγόριθμους Κρυπτογράφησης που χρησιμοποιούνται). Το Όριο Bremermann αναλύθηκε περαιτέρω στη μεταγενέστερη βιβλιογραφία κι ορίστηκε ως ο μέγιστος ρυθμός με τον οποίο ένα σύστημα με ενεργειακή εξάπλωση μπορεί να εξελιχθεί σε μια ορθογώνια κι ως εκ τούτου διακριτή κατάσταση από μια άλλη, στην τροχιά του χρόνου.

Συνεπώς, λαμβάνοντας υπόψιν το Όριο Bremermann, καταλήγουμε στο συμπέρασμα ότι το Σύμπαν μας περιέχει έναν ευρύ αριθμό θεμελιωδών τέτοιων φυσικών περιορισμών, οι οποίοι, κατά πάσα πιθανότητα, θα κάνουν τη δημιουργία μιας επικείμενης ρέμπελης κι ατίθασης Τεχνητής Υπερνοημοσύνη, εντελώς αδύνατη! Κι ας διατυμπανίζουν αρκετοί αδαείς ότι η Ισχυρή Τεχνητή Νοημοσύνη του μέλλοντος θα ξεπεράσει σε εξελικτική δυναμική σχεδόν το σύνολο των ανθρώπων κι ότι οι άνθρωποι θα καταλήξουν να φαίνονται σαν μυρμήγκια μπροστά στην Ισχυρή Τεχνητή Νοημοσύνη αυτή. Το Όριο Bremermann θέτει ισχυρούς περιορισμούς στη Μέγιστη Ταχύτητα Υπολογισμού για ένα Αυτόνομο Σύστημα, μιας δεδομένης μάζας m. Κι αυτό φυσικά συμβαίνει, λόγω του ότι η ταχύτητα μετάδοσης της πληροφορίας περιορίζεται από την ταχύτητα του φωτός και διότι η Απροσδιοριστία του Heisenberg εμφανίζεται στην υποατομική κλίμακα Planck. Αξίζει να σημειώσω ότι το όριο Planck είναι ένα κατεξοχήν πανίσχυρο κβαντικό, φυσικό στεγανό από μόνο του, το οποίο συνίσταται από το ίδιο το υπολογιστικό Όριο Bremermann και συμπεριλαμβάνεται σε αυτό. Βέβαια, όπως θα δούμε στο δεύτερο μέρος αυτούς του άρθρου, τα έμβια συστήματα λειτουργούν πολύ παραπάνω και πέραν του Ορίου Bremermann. Αλλά θα δούμε το γιατί. Αυτό φυσικά δεν ακυρώνει τη ισχύ του Ορίου Bremermann, αλλά του προσδίδει ένα διαφορετικό συλλογιστικό πλαίσιο ερμηνείας (θα το συναντήσετε να το περιγράφω στο 2ο μέρος του συγκεκριμένου άρθρου).

Τι θα συνέβαινε εάν αντί για κάποιο συμβατικό ψηφιακό σύστημα που ενυπάρχει σε όλους τους σύγρονους υπολογιστές και τα σύγχρονα ρομπότ, είχαμε να κάνουμε με κάποιο Κβαντικό Υπολογιστικό Σύστημα (έναν ας πούμε Κβαντικό Υπερυπολογιστή);

Το όριο Bremermann στον Κβαντικό Υπολογισμό

Μια ανάλογη ισομορφή του Ορίου Bremmermann, αυτή τη φορά στην Κβαντική Υπολογιστική, αποτελεί το Θεώρημα Margolus-Levitin. Το Θεώρημα αυτό, έλαβε το όνομά του από τον Αμερικανό Φυσικό κι Επιστήμονα Υπολογιστών στο Εργαστήριο Τεχνητής Νοημοσύνης του MIT, Norman Margolus και τον Ρωσοαμερικανό Μηχανικό του Πανεπιστημίου της Βοστώνης, Lev Levitin το 1998. Το Θεώρημα αυτό, μας δίνει ένα θεμελιώδες όριο στον Κβαντικό Υπολογισμό. Σύμφωνα με το Θεώρημα Margolus-Levitin, ο ρυθμός επεξεργασίας της πληροφορίας σε ένα Κβαντικό Σύστημα δεν μπορεί να είναι υψηλότερος από 6 × 10exp33 εκτελέσεις πράξεων ανά δευτερόλεπτο, ανά Joule ενέργειας. Ορίζοντας το Όριο Margolus-Levitin για ένα bit, μπορούμε να πούμε ότι:

Ένα Κβαντικό Σύστημα ενέργειας E χρειάζεται τουλάχιστον έναν χρόνο h/4E για να μεταβεί από την κατάσταση στην οποία βρίσκεται σε μια Υπέρθεση Καταστάσεων (δηλαδή σε ταυτόχρονη ύπαρξη 2 διαφορετικών καταστάσεων ή αλλιώς ''Ορθογώνια Κατάσταση''), όπου h είναι η Σταθερά του Planck (6,626 × 10exp-34 J/s) και το Ε είναι μέση ενέργεια του Κβαντικού Συστήματος.

Ωστόσο, έχει αποδειχθεί ότι η πρόσβαση στην κβαντική μνήμη ενός Κβαντικού Υπολογιστικού Συστήματος, επιτρέπει υπολογιστικούς αλγόριθμους που απαιτούν, αυθαίρετα, μια μικρή ποσότητα ενέργειας/χρόνου ανά στοιχειώδες στάδιο υπολογισμού. Το Θεώρημα Margolus-Levitin, μας δείχνει ότι ότι η ταχύτητα οποιουδήποτε υπολογιστή, είτε είναι συμβατικός ψηφιακός είτε διάταξη συμπυκνωμένης ύλης ή κβαντικό σύστημα, περιορίζεται από τους θεμελιώδεις νόμους της Φυσικής ώστε να είναι το πολύ ανάλογος με τη χρήση ενέργειας. Κι αυτό, όπως είναι φυσικό, οι υπολογιστές εξαιρετικά χαμηλής ενέργειας δύνανται να λειτουργούν πολύ πιο αργά από τους συμβατικούς υπολογιστές.

ΤΕΛΟΣ ΤΟΥ 1ου ΜΕΡΟΥΣ ΤΟΥ ΠΑΡΟΝΤΟΣ ΑΡΘΡΟΥ

Συγγραφέας του παρόντος άρθρου: Γιώργος-Φανούριος Πουλόπουλος