A mesterséges intelligencia körüli közbeszédet ma jórészt az uralja, hogy a modellek mennyire meggyőzően írnak, válaszolnak vagy elemeznek. Emmanuel Dupoux, Yann LeCun és Jitendra Malik friss kutatása azonban egy ennél mélyebb problémára mutat rá: a mai AI-rendszerek valójában alig tanulnak önállóan. Egyszer megtanítjuk őket valamire, majd használni kezdjük őket, de a való világban szerzett új tapasztalataikból többnyire már nem építkeznek tovább.
Ez első hallásra technikai részletnek tűnhet, valójában azonban nagyon is gyakorlati kérdés. Egy olyan világban, ahol a környezet folyamatosan változik, az igazán hasznos intelligens rendszer nem pusztán jól teljesít egy előre betanított helyzetben, hanem alkalmazkodni is képes. A kutatás szerint éppen ez az, amiben az emberi és állati tanulás ma még messze a gépek előtt jár. A gyerekek születésüktől kezdve figyelnek, próbálkoznak, hibáznak, újrapróbálják, és közben eldöntik, mikor érdemes megfigyelni valamit, mikor kell cselekedni, és mikor kell új stratégiát keresni. A mai AI ezzel szemben többnyire egy merev rendszerként működik.
Mi hiányzik a mai rendszerekből?
A tanulmány egyik legerősebb állítása az, hogy a jelenlegi AI fejlesztése túlzottan „külső vezérlésű”. Emberek gyűjtik az adatokat, emberek választják ki a tanítás módját, emberek finomhangolják a rendszert, majd amikor a modell elkészült, a tanulás lényegében leáll. Ha a környezet megváltozik, új adat kell, új tréning kell, sokszor pedig új modell is. A kutatók szerint ez az oka annak, hogy a jelenlegi rendszerek a látványos eredmények ellenére nehezen működnek megbízhatóan kiszámíthatatlan, valós helyzetekben.
A szerzők ezért egy olyan irányt vázolnak fel, amelyben a gép nemcsak megfigyelésből tanulna, hanem a saját cselekvéseiből is, és lenne egy belső „irányító réteg”, amely eldöntené, mikor melyik tanulási mód a leghasznosabb. Ez fontos különbség. Nem pusztán arról van szó, hogy egy rendszer több adatot kap, hanem arról, hogy maga is képes legyen felismerni, mire kell figyelnie, mikor érdemes kísérleteznie, és hogyan tud a saját tapasztalatából építkezni.
Miért lenne ez hasznos a hétköznapokban?
A kutatás legérdekesebb része nem az elméleti keret, hanem az ebből következő ígéret. Az autonóm módon tanuló AI a szerzők szerint sokkal rugalmasabb és ellenállóbb lehetne, mint a mai rendszerek. Nem kellene minden új helyzetre külön, laboratóriumi körülmények között felkészíteni. Képes lehetne működni összetett, változó vagy rosszul ismert környezetekben is, mert nem csupán előre rögzített mintákat követne, hanem menet közben is alkalmazkodna. A tanulmány ezt a képességet különösen fontosnak tartja az olyan bizonytalan közegekben, ahol a mereven betanított szabályok gyorsan elévülnek.
A szerzők konkrétan azt írják, hogy az ilyen rendszerek a háztartási robotikától a tudományos felfedezésekig sok területen lehetnek hasznosak. Ennek oka egyszerű. A való élet nem egy zárt tesztkörnyezet. Egy otthon, egy gyár, egy labor vagy akár egy közlekedési helyzet tele van váratlan fordulatokkal. Egy igazán használható AI-nak nemcsak válaszolnia kell, hanem értelmeznie, kipróbálnia, javítania és tanulnia is kell. Ez a tanulmány szerint a következő nagy lépés a mesterséges intelligencia fejlődésében.
Nem feltétlenül okosabb, inkább életszerűbb
A kutatás egyik fontos üzenete, hogy a jövő nagy áttörése talán nem abban lesz, hogy az AI még több szöveget ír vagy még több tudást tárol, hanem abban, hogy jobban hasonlít majd a valós tanulásra. Vagyis nem egyszeri betanítás után működik, hanem tapasztalatból építkezik. Ez jóval közelebb vinné a technológiát ahhoz, amit az emberek ösztönösen intelligenciának neveznek: a helyzetfelismeréshez, a rugalmassághoz és a folyamatos alkalmazkodáshoz.
Ebben az értelemben a tanulmány nem egyszerűen egy újabb AI-fejlesztési receptet kínál, hanem szemléletváltást sürget. Azt mondja, hogy a valóban hasznos mesterséges intelligencia nemcsak gyors és látványos, hanem önállóan fejlődő is kell legyen. Ez azért különösen fontos, mert a társadalom számára hosszú távon nem az lesz a döntő kérdés, hogy egy modell ma mennyire impresszív, hanem az, hogy holnap mennyire tud alkalmazkodni hozzánk és a környezetéhez.
A nagy ígéret még messze van
A szerzők ugyanakkor kifejezetten óvatosak. Nem állítják, hogy ez a fordulat holnap bekövetkezik. A tanulmány szerint az ilyen autonóm tanuló rendszerek megépítése komoly technikai és etikai nehézségekbe ütközik, és valószínűleg még évtizedekre vagyunk a széles körben használható változatuktól. A biztonság, az ellenőrizhetőség és a társadalmi kontroll kérdése különösen fontos lesz, ha a gépek nagyobb önállóságot kapnak.
Mégis, a kutatás jelentősége éppen abban rejlik, hogy új fókuszt ad az AI jövőjéről szóló vitának. Nem elég egy rendszert egyszer megtanítani valamire. Az igazán értékes eszköz az lesz, amely képes tovább tanulni, amikor már kikerült a laborból. És lehet, hogy a mesterséges intelligencia következő korszaka nem a még nagyobb modellekről szól majd, hanem a végre valóban tanulni képes gépekről.
Címlapkép: Depositphotos
