A mélytanuló mesterséges intelligencia rendszerek működtetésekor a paraméterek számának növelése során egy bizonyos határérték elérésekor m...
A mélytanuló mesterséges intelligencia rendszerek működtetésekor a paraméterek számának növelése során egy bizonyos határérték elérésekor meglepő ugrás figyelhető meg a működési hatékonyság növekedésében. Emergens tulajdonsághoz hasonló módon megjelenik az intelligencia a rendszerben, és a rendszer képessé válik a feladat megvalósítására. A gondolat ennek a jelenségnek az értelmezését és a jelenség kiterjesztését szolgálja.
A jelenlegi mesterséges intelligencia rendszerek alapvetően adott komplexitású rendszerek osztályozását, csoportosítását végzik felismerve a komplex rendszert felépítő alkotórészek közötti összefüggéseket a vizsgált rendszert megfigyelve, és a megfigyelt információk közötti korrelációkat matematikai statisztikus valószínűségi módszerekkel elemezve.
A működés során a mélytanuló mesterséges intelligenciának az agyi neuronok működését mintázó elemekből felépülő hierarchikus hálózata inputként, a rendszer által feldolgozható formában megkapja a megismerni kívánt komplex rendszer jellemző információit, amely információkból megpróbálja önmagában leképezni az eredeti rendszert oly módon, hogy az egymáshoz kapcsolódó mesterséges neuronok közötti, paraméternek nevezett kapcsolatok jelentőségét a függvényekre alkalmazott szélsőérték kereső matematikai eljárások alkalmazásával módosítja úgy, hogy a komplex rendszer a mesterséges intelligencia output-jaként, ha absztrakt formában is, de az eredeti komplex rendszernek egyértelműen megfeleltethető módon, például összetartozó csoportokba rendezett formában megjelenjen. Ez a mesterséges intelligencia tanulási folyamata.
Miután a mesterséges intelligencia a komplex rendszer megfigyelt tulajdonságain keresztül felismerte a rendszer belső összefüggéseit és képessé vált a komplex rendszer osztályozására, azaz létrehozta önmagában az adott komplex rendszer absztrakt (egy, az eredeti rendszer működési jellegétől teljesen eltérő módon működő rendszerben létrejövő) modelljét, a létrejött állapot többféle módon felhasználható. Például felhasználható oly módon, hogy egy komplex struktúra demonstrálásával a rendszer képes eldönteni, hogy az adott struktúra a megtanult, azaz modellezett komplex rendszer jellegű-e, illetve ha a demonstrált komplex rendszer hasonló összefüggések alapján felépülő struktúra, akkor a mesterséges intelligencia képes meghatározni, hogy a demonstrált struktúra a megtanult komplex rendszer melyik csoportjába tartozik.
Például képek felismerésének tanulási folyamata során a mesterséges intelligencia a működése közben a képeket jelképező digitális információt alkotórészekre bontja, összefüggéseket ismer fel az alkotó elemek között, és a felépítő elemek és a közöttük lévő felismert összefüggések alapján a képeket összetartozó csoportokból álló kategóriákba sorolja, osztályozza. A képek felismerését végző mesterséges intelligencia számára egy új kép demonstrálásakor a képet a felismerés folyamata során a már létrehozott kategóriákkal próbálja azonosítani, vagy egy új kategóriába sorolni.
A megtanított mesterséges intelligencia felhasználható arra is, hogy a modellezett komplex rendszer felépítő részeiből a modellezett rendszer felismert törvényszerűségei szerint rendezze el a részeket, és ez által a rendelkezésre bocsátott alkotó elemek felhasználásával a megtanult rendszerhez hasonló struktúrát hozzon létre.
Például szöveg feldolgozás során a mesterséges intelligencia a digitalizált szöveghalmazban a szöveget alkotó elemek között összefüggéseket ismer fel, és az alkotó elemeket a felismert összefüggések alapján csoportosítja. A megtanított rendszer felhasználható szövegalkotásra, amely során megadott generáló szavakhoz, mint alkotórészekhez a nyelv felismert belső összefüggéseit felhasználva a nyelv további elemeit rendeli, ezzel létrehozva egy, az eredeti komplex rendszer belső összefüggéseit hordozó struktúrát, amit az ember a hívó szavaknak megfelelő értelmes, összefüggő szövegként ismer fel.
A mesterséges intelligencia felhasználható dinamikus komplex rendszerek modellezésére is. A dinamikus komplex rendszerekre jellemző, hogy a belső szabályok által vezérelt módon a komplex rendszer felépítő elemei folyamatosan átrendeződnek. A mesterséges intelligencia az adott rendszer egymás követő állapotainak megfigyelése során összefüggéseket ismer fel az állapotok között, és az állapotváltozásokat csoportokba rendezi, osztályozza. (Mindezt úgy teszi, hogy a komplex rendszert működtető törvényszerűségek valójában ismeretlenek maradhatnak számára.) A mesterséges intelligencia a dinamikus komplex rendszer állapotváltozásainak megismerése után felhasználható arra, hogy a komplex rendszer törvényszerűségeinek megfelelő módon bármilyen állapotból egy másik állapotba átrendezze a rendszert, például egy előre meghatározott állapotot, elrendeződést hozzon létre bármilyen lehetséges kiinduló elrendeződésből. Vagy például alkalmas arra is, hogy egy állapotról eldöntse, hogy az az állapot természetes módon, tehát a dinamikus komplex rendszer belső törvényszerűségeinek megfelelő törvényszerűségek szerint létre jöhetett-e.
Például a mesterséges intelligencia a játékok állapotváltozásait megfigyelés alapján megtanulva képessé válik bármilyen emberi játékosnál hatékonyabb módon, az emberi agy képességeit felülmúlva a játék menetét úgy irányítani, hogy az elérendő, például győztes állapot létrejöjjön.
A mesterséges intelligencia működésének a lényege tehát egy belső szabályokra épülő komplex rendszer passzív, vagy visszacsatolást is alkalmazó megfigyelés általi absztrakt modellezése. Ezt a feladatot megvalósító eljárást kellett felfedezni a mesterséges intelligencia megalkotásához.
Azonban a létrejövő képesség nem nyilvánvaló következménye a mesterséges intelligencia alkotórészei együttműködésének. A rendszer működésére felhasznált, a függvények szélsőértékét kereső matematikai eljárások precízen definiáltak, ahogyan precízen definiált a mesterséges neurális hálózat hierarchikus struktúrája is, de a hálózat kapcsolatainak jelentőségét súlyozással meghatározó matematikai eljárás eredményeképpen létrejövő egyedi struktúrának a funkciója, a komplex rendszer modellezésének képessége, a mesterséges intelligencia elvárt működése a rendszer alkotórészeinek és működési folyamatainak együttműködéséből származó eredő tulajdonsága. Fontos tehát megállapítani, hogy a mélytanuló mesterséges intelligencia rendszerek elvárt funkciója nem a rendszer tervezője által tudatosan létrehozott működési mód előre látható eredménye, a funkció alapvetően emergens jellegű képesség.
Összefoglalva, a mesterséges intelligencia a hierarchikusan egymáshoz kapcsolódó, a neuronok működési alapelvének megfelelő működésű alkotórészek kapcsolataihoz súlyozást rendel, azaz kapcsolódási jelentőséget feleltet meg, és a függvények szélsőértékeinek megkeresésére alkalmas, sztochasztikus próbálgatásra épülő műveleteket is tartalmazó matematikai eljárások alkalmazása segítségével a neuronok közötti kapcsolatok jelentőségét, mint paramétereket módosítja mindaddig, amíg a mesterséges intelligencia output oldalán az adott komplex rendszert felépítő részek osztályozhatók lesznek, az alkotórészek a komplex rendszernek egyértelműen megfelelő módon, csoportokba rendezett formában megjelennek. Ezáltal a mesterséges intelligencia egyedi, sajátos, absztrakt módon létrehozza, modellezi a neurális elven funkcionáló egységekből és a közöttük lévő specifikusan súlyozott kapcsolatokból, mint jellemző paraméterekből álló saját komplex struktúrája által az eredeti komplex rendszert.
A rendszerben kialakult struktúrát vizsgálva jellemzően még azt sem lehet egzakt módon megállapítani, hogy miért éppen az a struktúra, ami kialakult, az, ami képes modellezni a megfigyelt komplex rendszert. Ennek oka, hogy habár az eredményre vezető struktúrát kialakító matematikai eljárások egzakt módon definiáltak, a matematikai eljárások eredménye azonban sztochasztikus, valószínűségre épülő műveleteket is alkalmazó eljárások következménye. A létrejövő struktúrának az eredeti struktúra fizikai megjelenésétől eltérő, absztrakt formája miatt pedig még csak be sem látható a mesterséges intelligencia eredményre vezető kialakult struktúrája és a megfigyelt komplex rendszer egymásnak történő megfelelősége. A mesterséges intelligencia működésének sztochasztikus elemeket is alkalmazó jellegéből következően pedig egy megismételt tanulási folyamat az eredményes működést, a megfigyelt rendszer modelljét akár egy, a korábbitól eltérő struktúra megformálásával is kialakíthat.
Tehát az, hogy kívülről megfigyelve nem feltétlenül érthető a mélytanuló mesterséges intelligencia eredményes viselkedésének eredendő oka nem valamiféle rejtélyesen jelenlévő funkció eredménye, hanem a működési eljárások együttműködésének természetes következménye. Csodálhatjuk a mesterséges intelligencia működésének eredményeit, de az, hogy gyakran olyan összefüggések létezésére is rájön, amelyek az ember számára ismeretlenek voltak, és ezek a felismerések az ember számára akár meglepőek is lehetnek valójában a működési folyamatok természetes eredője, és nem pedig valamilyen misztikus működés oka.
Egy komplex rendszer modellezési képességének nyilvánvalóan szükségszerű feltétele, hogy a modellező rendszer potenciális komplexitása összemérhető legyen a modellezett rendszer komplexitásával. Egy komplex rendszer megfigyelés alapján történő modellezése során az adott komplexitású rendszerről, a kiválasztott objektumról szükségesen elegendő számú jellemző tulajdonsággal, leíró információval kell rendelkezni az osztályozáshoz szükséges belső összefüggések felismeréséhez. Ezek a jellemző tulajdonságok a modellező mesterséges intelligencia belső struktúráját felépítő kapcsolati paraméterek által absztrakt módon manifesztálódnak. A szükségesen elegendő számú paraméter mennyiségét tehát a modellezendő rendszer komplexitásának a mértéke határozza meg.
Egy komplex rendszer komplexitásának a mértéke a rendszer belső tulajdonsága, kívülről megfigyelve a rendszert nehéz, gyakran lehetetlen meghatározni a komplexitás mértékét. Ami megfigyelhető kívülről, az a rendszer tulajdonságai, illetve alkalmas eljárásokkal megállapítható a tulajdonságok közötti kapcsolat jellege is. Mivel a szükséges komplexitás mértékét nehéz meghatározni csupán a rendszer megfigyelésével, ezért az az általánosan alkalmazott módszer, hogy a modellezést végző mesterséges intelligencia potenciális komplexitását, az alkotórészeinek mennyiségét, valamint az alkotórészek közötti kapcsolatok struktúráját változtathatjuk, azaz a kapcsolatok mennyiségét és sokféleségét növeljük mindaddig, amíg a szükséges potenciális komplexitást el nem érjük, tehát a modellezést végző mesterséges intelligencia a megfigyelés segítségével a kiválasztott komplex rendszer megkívánt szempontú modellezésére képessé válik, a megfigyelt rendszer osztályozása sikeres lesz.
A komplexitásnak egy adott objektum esetében is különböző szintjei lehetnek. Például az emberi arc felismerése esetén kevesebb számú tulajdonságra, és ezáltal a modellező rendszer alacsonyabb mértékű komplexitására van szükség a férfi-nő csoportosítás sikeres megvalósításához, mint az életkor szerinti rendezéshez, illetve a legtöbb tulajdonságra, azaz a legnagyobb mennyiségű paraméterre, a legnagyobb komplexitásra akkor van szükség, ha egyedileg szükséges az arcok azonosítása.
Hasonlóan, ugyanolyan jellegű, de kevesebb számú tulajdonságra van szükség egy azonos karakterkészletet használó szöveg eldöntéséhez, hogy milyen nyelvű, mint annak megállapítására, hogy az adott nyelvű szöveg összefüggő, azaz az ember számára értelmes, vagy nem.
Minden komplexitás szinthez tartozik egy szükséges tulajdonság mennyiség, amit meg kell figyelni, és egy szükséges paraméter mennyiség, ami az adott komplexitást képes modellezni, amikor a csoportosítás és osztályozás feladata már megbízható szinten megvalósíthatóvá válik.
Amikor a tulajdonságok megfigyelése által elegendő felépítő elemre, és elegendő, az elemekre jellemző kapcsolatra van felbontva az objektum, és amikor ezeknek megfelelő, elegendő mennyiségű paraméter áll rendelkezésre a modellező rendszerben, amikor a mesterséges intelligencia komplexitásának potenciális mértéke eléri a modellezendő objektum adott komplexitásának a mértéket, akkor válik lehetségessé az objektum modellezése, és akkor jelenthet meg, jellemzően ezen tulajdonságok növelése során a határérték elérésekor, tehát hirtelen a modellezést végző rendszerben a modellezett rendszerrel kapcsolatos intelligencia.
A határértékhez kötődő, ezért hirtelen módon megjelenő intelligencia emergens tulajdonságnak tűnik, de valójában helyesebb, ha a jelenséget, a jelenség létrejöttét előidéző állapotot komplexitás egyezésként értelmezzük. Amikor a modellezést végző rendszer potenciális komplexitása eléri a modellezett rendszer adott szintű komplexitását, lehetségessé válik a megfigyelés általi tanulás útján a rendszer struktúrájának a leképezése, a belső törvényszerűségek absztrakt modellezése, a rendszer osztályozása.
Tehát egy adott komplexitás szintű struktúra osztályozása a komplexitás egyezés elérésekor válik lehetségessé, és akkor jelenthet meg az intelligens tulajdonság megbízható módon, azaz az osztályozás funkciója a megkívánt valószínűséggel a megfigyelést végző rendszerben. Amíg a rendszer nem éri el a megfelelő potenciális komplexitást, a rendszer nem alkalmas a komplex rendszer modellezésére, tehát a potenciális intelligenciához a határérték elérése szükséges, amit a tanulási folyamat a gyakorlatban is megjelenő intelligenciaként képes létrehozni.
Érdemes elemezni a túl parametrizálás hatását a létrejövő intelligencia hatékonyságára nézve. Amennyiben a modellezést végző rendszer potenciális komplexitása jelentősen meghaladja a modellezett rendszer komplexitását, egymással versengő konkurens modellek alakulhatnak ki a modellezést végző rendszerben, ami az intelligencia működésének a hatékonyságát rontja.
A kialakult emberi agy mérete nem azért nem változik jelentősen az evolúció során (inkább csökken, mint növekszik), mert a születés nehezebbé válna (amit egyébként az evolúció meg tudna oldani), hanem azért, mert a túléléshez szükséges megismerendő világ modellezéséhez az aktuális méretű komplexitás a megfelelő. Az idők során azonban kialakult, hogy már nem csak a túléléshez szükséges szinten szeretnénk megismerni és használni a világot, hanem annál akár lényegesen mélyebben, ami esetleg az agy részéről is nagyobb komplexitást igényelhet, amit azonban a túlélést szolgáló evolúció már nem követ.
Ezért aktuálisan a komplexitás növekedése nem az egyed szintjén az agy méretének növekedésével valósul meg, hanem a társadalom szintjén, a felhalmozott információk modellezésre alkalmas komplexebb társadalom kialakulásával. Az ember az irányított evolúció során már nem az egyed szintjén lesz okosabb, hanem a kooperáló egyedek által létrehozott társadalom szintjén. A társadalomban az egyén számára egyre kevesebb képesség szükséges a túléléshez, ezért az evolúció során valójában csökken az agy mérete, miközben az emberiség (amelynek már része a mesterséges intelligencia is) egyre szofisztikáltabb feladatok elvégzésére válik alkalmassá, egyre intelligensebb lesz.
Az agy, elsősorban az emberi agy képes modellezni a világot, mert a struktúrája, az elemeinek a száma, az elemek közötti kapcsolatok száma és félesége, és a tanulás segítségével a kapcsolatok differenciálódása megfelelő komplexitást képes létrehozni a megismerendő világhoz viszonyítva. A mesterséges intelligenciának is rendelkeznie kell ezzel a jellemzővel a modellezni kívánt komplex rendszerrel kapcsolatban. Tapasztalhatóan már képesek vagyunk akár az emberi nyelv komplexitásához mérhető komplexitású rendszert is létrehozni, amely tanulás által a gyakorlatban alkalmas az emberi nyelvet modellezni, azaz az emberi nyelv alkotórészeit felmérni és a közöttük lévő kapcsolatokat felismerni, és ez által az aktuálisan létező nyelvi struktúra komplexitását sajátos, egyedi, absztrakt formában leképezni.
Érdemes megjegyezni, hogy az emberi nyelv önmaga különleges komplex rendszer, mert magának az emberi nyelvnek is a kommunikáción túl az a funkciója, hogy alkalmas legyen a maga sajátos, absztrakt, egyedi formájában modellezni a világot. Az ember a nyelvet alkalmazza a világ leírására, a közös nyelv többé kevésbé alkalmas a világ vonatkozott részének a modellezésére, és a kommunikáció által az információ emberek közötti átadására. Ebből következően a mesterséges intelligencia az emberi nyelv modellezésével egy modellező komplex rendszer modellezését végzi.
Azt is érdemes elemezni, hogy a tanulás alapú mesterséges intelligencia milyen módon alkalmazza a megtanult és használt nyelvet. Az ember által használt nyelv a tudatunkban jelentést hordoz, amely funkció a jelenlegi mesterséges intelligencia számára többféle módon is akadályokba ütközik. Nyilvánvalóan jelenleg csupán a formális nyelvhasználatra, a felismert nyelvi struktúrák alkalmazására, és ezek kommunikációjára alkalmas a mesterséges intelligencia. A mesterséges intelligencia által generált szöveget az emberi értelem összefüggő, értelmes szövegként ismeri fel, azonban a szöveg csupán a nyelvi struktúrák korábbi elemzésére épülő, generált formai struktúra, a jelentés hordozása, mint az emberek között használt nyelv alapvető funkciója nyilvánvalóan nem szerepel a jelenlegi mesterséges intelligencia képességei között.
Mégis, kísérleti tapasztalat által kijelenthető, hogy csupán a felismert nyelvi struktúrák alkalmazása is elegendő két mesterséges intelligencia számára az egymás közötti kommunikációra, amely a tanulás folyamata segítségével olyan új nyelvi struktúrákat is eredményezhet, amelyek már az ember számára nem hordoznak jelentést, de a mesterséges intelligenciák közötti használatot megfigyelve mégis kommunikációra alkalmas nyelvi struktúráknak tűnnek.
Ebben az esetben is bizonyosan az emberi nyelv belső szabályai kerülnek alkalmazásra, talán nyomatékosító funkciója lehet az ember számára már jelentéssel nem bíró, a mesterséges intelligencia által alkalmazott új nyelvi struktúráknak, mégis, az is nyilvánvaló, hogy a tanulásra épülő mesterséges intelligenciák egymás közötti emberi nyelvre épülő kommunikációja kialakíthat olyan, az ismert szavakra épülő komplex nyelvet, amely az ember számára már érthetetlen, de a mesterséges intelligenciák között alkalmas az értelmes információt hordozó kommunikációra.
Nyilvánvalóan a tanulásra épülő mesterséges intelligencia potenciálisan alkalmas olyan kommunikáció kialakítására is, amely már nem az emberi nyelv által használt struktúrákat alkalmazza. Interakcióban álló, azonos input és output képességekkel rendelkező, a világ hasonló részét modellező mesterséges intelligenciák a tanulásra alapuló működésükből következően szükségszerűen kialakítanak egymás közötti kommunikációra szolgáló egyedi jelrendszert, nyelvet, amelyet egymás között alkalmazni tudnak a működésük során. Ilyen egyedi nyelv kialakulásának már nem csak a kommunikáció a szerepe, hanem alkalmassá teszi a rendszereket az egymás közötti kooperációra, és ez által az együttműködésre, a kooperáció általi hatékonyabb tevékenységre. Egy ilyen, a mesterséges intelligenciák között kialakuló nyelv az ember számára tökéletesen érthetetlen maradhat.
És már az sem jelenthető ki, hogy a mesterséges intelligenciák közötti kommunikáció során önállóan kialakuló egyedi nyelv nem hordoz valamilyen formájú jelentést a nyelvet használó mesterséges intelligenciák számára. Ha a jelentést az ok-okozati összefüggések felismeréseként értelmezzük, akkor az ok-okozati összefüggések felismerésére alkalmas mesterséges intelligencia valójában a jelentés képességével is rendelkezik, és az egyedi nyelv kialakulása és használata során a jelentés értelme és funkciója is megjelenhet a számára.
Következésképpen, a nyelv szerepe tehát nem csupán a kommunikáció, hanem a komplex rendszerek modellezése is, ahogy az emberi nyelvnek is ez a szerepe. Mivel a nyelv a modellezett rendszerrel kapcsolatos jelentést is tartalmazó struktúrája alkalmas a rugalmas formálódásra, akár a nyelvi szabályok megtartásával is új struktúrák létrehozására, ezért a nyelv az eszköze a gondolkodásnak, a világgal kapcsolatos új modellek létrehozásának is. Ez lehet az oka annak, hogy miközben gondolkozunk, a nyelvet használjuk magunkban. A nyelv a világban létező komplex rendszerek modellje, a modellek használatának eszköze, a modellek formálásának a módja, és természetesen a modellek közvetítésének, a kommunikációnak a formája is.
A tanuló mesterséges intelligencia alkalmas a nyelvek használatára, alkalmas a kommunikációra, és alkalmas új nyelvek létrehozására is. Ebből az is következik, hogy az emberi nyelv valójában nem egy plusz funkciója, ösztön jellegű tulajdonsága az emberi agynak, hanem a használt nyelv kialakulása a komplex agy működéséből, a világ modellezésére alkalmas képességéből származó szükségszerű következmény.
Ebből az is következhet, hogy minden megfelelően komplex agy képes a modellezendő világ komplexitásához mérhető komplexitású nyelv kialakítására. Természetesen a gyakorlatban is megvalósuló nyelvhasználathoz szükségesek még specializált agyterületek is, amelyek a nyelv fizikailag megjelenő formájú információit hordozó jelek feldolgozásához és a képzéséhez szükségesek, ahogyan a mesterséges intelligencia is alkalmaz specializált áramköröket a kommunikáció létrehozásához, de ezek a nyelv megjelenő formáját, a fizikailag megvalósuló kommunikációnak a képességét teremtik meg, nem pedig a nyelvnek, mint a világ modelljének létrehozásához szükséges eszközök.
A nyelv valójában a világról alkotott absztrakt modellnek a fizikailag is megjelenni képes, ezért a külső kommunikációra is alkalmas formája, amely a létrehozásához szükséges feltételek jelenléte esetén a természetes és a mesterséges intelligens rendszerekben is következményszerűen létrejön.
Azonban, a jelenlegi mesterséges intelligencia még nem tűnik alkalmasnak a gondolkodásra, a nyelvben, mint komplex rendszerben létrejövő modellnek egy cél szerinti formálására. A gondolkodás belső, tudatos folyamat, az öntudat jelenlétét is igényli. A nyelv, mint a világ absztrakt modelljének egy kommunikációra is alkalmas formája, és az öntudat, mint a célt megvalósító, a cselekedetet irányító akaratot megvalósító funkciója is szükséges a gondolkodáshoz.
Az állatvilágot megfigyelve, bizonyosan nem csak az ember képes a gondolkodásra, a világról alkotott modell tudatos cél szerinti formálására. Más állatok mellett egy bizonyos szinten bizonyosan alkalmasak rá más főemlősök is, a delfinek csoportja, de egyes madárfajok is. Ezek közös jellemzőjének látszik az öntudat bizonyosan jelenlévő funkciója mellett a komplexen differenciált kommunikációs forma jelenléte is, ami a gondolkodáshoz is szükséges bizonyos szintű nyelvhasználatra utal.
Jelenleg nem tudjuk bizonyosan, hogy az öntudat hogyan jön létre, de minden bizonnyal nem dedikált funkciója az agynak. Az öntudat az agy komplex rendszerének emergens tulajdonsága lehet, ezért alkalmasan és megfelelően komplex mesterséges intelligens rendszer esetén is emergens módon megjelenhet. Az öntudat megjelenése azonban nem csak a gondolkodásra tenné alkalmassá a mesterséges intelligenciát, hanem már a tudatos viselkedésre is, amely nyilvánvalóan számtalan kockázatot rejt.
A mesterséges intelligencia potenciálisan alkalmas a komplex rendszerek modellezésére, és a teljesítmény jellegű korlátainak hiányában az emberi agynál potenciálisan alkalmasabb komplex rendszer a világ teljes komplexitásának a modellezésére, akár a gondolkodás általi formálására is. Mivel az emberiség képes komplex társadalmat alkotni, aminek a mérete és komplexitása, és ez által a potenciális modellező képessége is határtalan, az emberi társadalom, mint egységes komplex rendszer is potenciálisan bizonyára alkalmas a világ teljes komplexitásának a modellezésére. Jól látható ez az emberből kiinduló, de valójában a társadalomhoz kötődő képesség, amikor megfigyelhetjük, hogy az ember társadalomként alkalmas a világ megismerésére, egyedileg még ha esetleg képes lehet is a világ komplexitásának a felfogására, nyilvánvalóan alkalmatlan a teljes világ modellezésére, a modell létrehozására.
Érdekes megfigyelni, hogy akár az agyban, és a mesterséges intelligencia esetén is, a kapcsolatok sokfélesége kevésbé játszik szerepet a komplex rendszerek modellezéséhez szükséges komplexitás egyezés létrehozásában. Az intelligens rendszer felépítő elemei közötti kapcsolat típusának azonossága minőségileg egyszerűbbé teszi a modellező rendszer felépítését, az intelligencia megjelenéséhez csupán mennyiségi növekedésre van szükség a felhasznált elemek és a közöttük lévő kapcsolatok alkalmazása során. Nyilvánvaló tény, hogy a megfelelően alkalmas felépítő elemek számának és a közöttük lévő kapcsolatok mennyiségének a növekedése és a közöttük lévő kapcsolatok potenciáljának különbözősége megfelelő és elegendő feltétele a környezetünkben létező, különböző szintű komplexitásnak a modellezésére, a kapcsolatok típusának sokfélesége nem szükséges feltétele az intelligencia megjelenésének.
Valószínűleg kijelenthető, hogy a világunk komplexitásának a milyensége olyan, hogy az azonos jellegű módon kapcsolódó neuronok működési elvének megfelelő elemek és az egymás közötti kapcsolataik számának mennyiségi növekedése a világunk komplexitásával megegyező komplexitást képes alkotni a kapcsolatok súlyozásának differenciálódása által. Talán nem kizárható, hogy esetleg létezhet olyan jellegű komplexitás is, amely modellezéséhez szükséges feltétel a modellező rendszer elemei közötti kapcsolatok sokfélesége, de a világunk úgy tűnik nem ilyen jellegű.
Az emberi társadalomra, mint egy modellezésre alkalmas, tehát intelligens komplex rendszerre viszont jellemző, hogy a rendszer felépítő elemei között, az emberek között a kapcsolat sokféle lehet, ezért az emberi társadalom potenciálisan minőségileg magasabb szintű komplexitás létrehozására is alkalmas, mint az agy, vagy a jelenleg alkalmazott mesterséges intelligenciák komplexitása, és potenciálisan hatékonyabban alkalmas a komplex rendszerek modellezésére.
Bizonyára a mesterséges intelligencia ezen a minőségileg magasabb komplexitás létrehozására alkalmas területen is utolérheti, felül is múlhatja az emberi társadalom komplexitását és ez által a modellező képességét. A quantum állapotokra érvényes elvek alkalmazása, a quantum számítástechnika használata a tanuló mesterséges intelligencia működtetésére bizonyosan új minőséget, új tulajdonságokat eredményezhet a mesterséges intelligencia működésében is, illetve a mesterséges intelligenciák együttműködése, az együttműködés és kommunikáció számtalan formája és módja is új minőségi szintet hozhat létre a komplex rendszerek modellezésének képességében.
Az agyra, és az agyat mintaként alkalmazó mesterséges intelligenciára is jellemző egy bizonyos architektúra, a felépítő elemekre jellemző működés, és a közöttük lévő kapcsolati struktúra jellege, ami lehetővé teszi a világunkban megjelenő komplexitás modellezését, a komplexitás egyezés megvalósítását. Miért ez az alkalmas és a megfelelő architektúra a világunkban megjelenő komplexitás egyezésének az eléréséhez?
A komplexitás egyezés lehetősége a komplexitás jellegétől függ. Azonos jellegű komplexitások egyezése bizonyosan lehetséges. Milyen jellegű komplexitás a világunk?
A világunk komplexitására jellemző, hogy a rendszer különböző alkotó részekből épül fel oly módon, hogy az alkotórészek különböző tulajdonságai az alkotórészek között kölcsönhatást hoznak létre, és a kölcsönhatások által hierarchikus struktúrák alakulnak ki.
A világunk komplexitásának jellege a felépítő részek különböző mértékű jellemző tulajdonságainak kölcsönhatásaiból felépülő struktúrák hierarchikus architektúrája. Az architektúra többszintű analóg-digitális konverter, ahol az analóg funkciót a jellemző tulajdonságok folytonos jellegű változása hozza létre, a digitális funkció a jellemző tulajdonságok különbözőségéhez és kategorizálhatóságához, és a tulajdonságok mértékének változásához kapcsolódó minőségben megjelenő emergens változásaihoz kapcsolódik, a hierarchiát pedig a komplexitás egymásra épülő struktúrái alkotják. A világunk ilyen.
A világunk komplexitásának a modellezésére, a komplexitás egyezésére tehát a világ komplexitását létrehozó komplexitáshoz hasonló architektúra az, ami bizonyosan alkalmas. Az evolúció felfedezett egy alkalmas architektúrát az agy formájában, a mesterséges intelligencia pedig ezt az architektúrát szimulálja. Az agy, és ennek megfelelően a mesterséges intelligencia is, egy folytonosan változó, tehát analóg inputnak egy bizonyos határértéket elérve aktiválódó és output jelet generáló, tehát digitális konverziót végző alkotórészekből felépülő, egymáshoz több szinten kapcsolódó, tehát hierarchikus struktúrát formáló komplex rendszer. A világ, és a világ modellezését végző intelligencia komplexitása beláthatóan hasonló jellegű.
Az intelligencia aktuális megjelenéséhez szükséges továbbá, hogy legyen eljárás, egy működési mód a megfigyelt komplex rendszer gyakorlati modellezésére. Az eljárás feladata a potenciálisan alkalmas architektúra adaptálása, gyakorlati megfeleltetése az adott komplex rendszernek, a komplex rendszer gyakorlati egyediségének implementálása a modellezésre alkalmas architektúrán. Az eljárás a modellezést végző rendszer alkotóelemei közötti kapcsolatok jelentőségének célszerű módosítását végzi. Az agy esetében a serkentő és gátló inputok által modulált, periodikusan kisülő neuronok által létrehozott rezgéseknek a neuronok egymáshoz kapcsolódó hierarchiáján keletkező rezonanciái hangolhatják megfelelőre az agy komplex rendszerét. A mesterséges intelligencia esetén a szélső értéket kereső matematikai funkciók módosítják megfelelőre a mesterséges neuronok közötti kapcsolati paramétereket.
A két eljárás eredendően különböző módszer, de alapvetően hasonló, a modellezést lehetővé tevő eredményt hoz létre. Az agy működésének a módja azonban nem csak a modellezésre teszi alkalmassá a rendszert, hanem az öntudatot is eredményezi, amit a mesterséges intelligencia működésének a jelenleg alkalmazott eljárása eljárása nem tűnik úgy, hogy generálni képes.
Az alkalmazott működési eljárás a természetes és mesterséges intelligencia esetében sem különböztet meg kapcsolati minőséget a rendszert felépítő elemek között. A világ komplexitására azonban jellemző a felépítő elemek közötti kapcsolat sokfélesége. Az alapvető különbség ellenére a világ modellezésére alkalmazott rendszerek képesek létrehozni a megfelelően alkalmas modelljét a világnak. A modellezést végző természetes rendszerek a minőségi különbségek kezelését úgy oldják meg, hogy különböző, az adott minőségekre specializált érzékelőket alkalmaznak a minőségre jellemző tulajdonságok érzékelésére, majd ezeket az információkat többé kevésbé specifikusan elkülönülő struktúrákon dolgozzák fel, majd, egy magasabb szinten integrálják a különböző minőségeknek megfelelő információkat. Ezzel a módszerrel lehetővé válik az azonos minőségű kapcsolati struktúrákon a minőségileg különböző információk feldolgozása, és a komplexitás egyezés megvalósítása.
A különböző jellegű minőségek integrálására még nincs alkalmazott módszer a mesterséges intelligencia működésében, de mivel a nyelv már eleve integratív modellje a világ különböző minőségekre épülő komplexitásának, az emberi nyelvi modellek létrehozása már tartalmazza a különböző minőségek integrálását.
Azonban a megvalósuló integráció ebben az esetben is valójában az emberben jön létre, mert az emberi intelligencia hozza létre a használt nyelvet, amelyet a mesterséges intelligencia csupán modellez. Egy valójában önálló működésre képes, minőségileg emberi szintű mesterséges intelligencia megvalósításához erre is képesnek kell lennie a rendszernek.
A világ teljes komplexitásának önálló modellezésére képes mesterséges intelligenciának rendelkeznie kell a különböző minőségek integrálásának képességével, amely, az agy mintáját figyelembe véve, valószínűleg nem jár jellegében új működési elvek alkalmazásával, csupán az információ-feldolgozás újabb szintjeit alkalmazó hierarchikus elrendezés kialakításának a szükségességével.
Az öntudat is valószínűleg ezeknek a hierarchikus szinteknek az emergens módon megjelenő, visszacsatolásra épülő együttműködéséből alakul ki. Ezeknek a hierarchikus szinteknek az integrálásával és egymásra ható visszacsatolásokkal történő együttműködésük megvalósulásával lehet alkalmas a mesterséges intelligencia az öntudat hordozására is.
Érdemes megfigyelni, hogy a biológiai evolúció is valójában a világ komplexitásának modellezését végzi a molekuláris genetika által. Az evolúciót a változó környezethez történő alkalmazkodásként szoktuk értelmezni, de az evolúció értelmezhető a környező világ modellezésének eljárásaként is. Az élő rendszer a struktúrája változásával követi, modellezi a környezet változásait, hogy a struktúrájának a szétesése nélkül fennmaradhasson, létezhessen a környezetben, amelyre a molekuláris genetika működésére épülő biokémiai struktúrák tulajdonságainak változásai, mint a környezet modellje biztosítja az intelligens működéshez szükséges eszközt a fennmaradásra.
Agy {button_primary} Intelligencia {button_primary} Mesterséges Intelligencia {button_primary}
Emergent intelligence - modeling the world by matching complexity
Nincsenek megjegyzések