gyors belépés:

ugrás a tartalomhoz (Alt 1)ugrás az almenühöz (Alt 3)ugrás a főmenühöz (Alt 2)

Mérő László
Algoritmikus játszmák

Mesterséges intelligencia - Mérő László
Grafika: Elekes Réka © Goethe-Institut Budapest

A mesterséges intelligencia fejlődése az utóbbi évtizedben egyértelmű sikertörténetté vált. Miután 1997-ben a sakkvilágbajnokot sikerült legyőznie, még egy ideig lehetett reménykedni abban, hogy a távol-keletiek kedvenc táblás játéka, a gó kifog rajta. Valóban, a gó mind matematikai, mind pszichológiai szempontból lényegesen komplexebb játék, mint a sakk, és húsz évig szilárdan tartotta is magát. 2016-ban azonban az AlphaGo program legyőzte a világ legjobb gójátékosát, a koreai Lee Sedolt.

A következő években a góban is világossá vált, ami a sakkban már korábban minden kétséget kizáróan bebizonyosodott: a mesterséges intelligencia ellen egyetlen emberi játékosnak sincs a legkisebb esélye sem nyerni. A következő góvilágbajnok, akit a gép szintén legyőzött, a kínai Ke Jie a súlyos vereség után úgy nyilatkozott, hogy az AlphaGo a gó istene, és ezentúl ő már csak emberekkel játszik.

Sem a világbajnok sakk-, sem a góprogramokban semmi olyan ötlet nincs, amit negyven éve alapjaiban ne ismertünk volna. A különbség csak az, hogy negyven éve ugyanaz az algoritmus, ami ma minden emberi sakkozót megver, nagyjából havonta lépett egyet, ma másodpercenként. Ennyit gyorsultak a számítógépek, és nagyjából hasonló ütemben nőtt a memóriakapacitásuk is. Így kipróbálhatóvá váltak a korábban reménytelenül lassú algoritmusok, és a működésükről egyre több gyakorlati tapasztalat gyűlt fel.

Az elmúlt negyven évben született néhány alapvetően új elveken nyugvó elképzelés, algoritmus, megoldás is, de a nagy áttörést nem ezek okozták. Minden, ami az elmúlt tíz évben átütő erővel működőképesnek bizonyult és jó okkal szerepel a hírekben új technikai forradalomként, alapjaiban ismert volt negyven évvel ezelőtt is. Csak akkor még fogalmunk sem volt, mit tudnának ezek produkálni sokmilliószor gyorsabb gépeken és sokmilliószor nagyobb memóriakapacitás mellett. Ma már kezdjük látni: rendkívül hatékonyak.

A Nobel-díjas fizikus Wigner Jenő ezt írta: „Csodálatos ajándék, hogy a matematika nyelve tüneményesen alkalmasnak bizonyult a fizika törvényeinek megfogalmazására. Ezt az ajándékot nem értjük és nem is érdemeljük meg.” A mesterséges intelligenciában is valami nagyon hasonló történt. Csodálatos ajándék, hogy a számtógépek jelenlegi sebessége és memóriakapacitása tüneményesen alkalmasnak bizonyult nagymesteri szintű mesterséges intelligencia létrehozására sok területen. Ezt az ajándékot nem értjük és nem is érdemeljük meg. De ha már így alakult, ez ugyanúgy alapvetően meg fogja változtatni az életünket és a napi munkánkat, mint ahogy a fizika fejlődése, a fizikai gépek kifejlesztése is megváltoztatta.

Nehéz pontosan definiálni, mi is a mesterséges intelligencia. Korábban az ember számára gondolkodást igénylő feladatok közül azokat tekintettük ide tartozónak, amelyekre még nem sikerült átütő eredményt elérni a számítógépes algoritmusokkal. Így például nagyon hamar kikerült a mesterséges intelligencia fogalmából a dámajáték, amelyre már 1959-ben sikerült az emberi világbajnokot legyőző algoritmust találni. Később azonban már nem volt ennyire szigorú magával a tudós társadalom, és miután a sakk és a gó emberi világbajnokait legyőzte a gép, a sakkot és a gót továbbra is a mesterséges intelligencia területéhez tartozónak tekintették. Ennek oka főleg az, hogy az ezekre kifejlesztett algoritmusokat egészen más területeken is sikerült alkalmazni.

Lassanként kialakul egy önálló műszaki diszciplína, amely arról szól, hogy miképpen lehet általában számítógéppel megoldani az ember számára nehéz, sok gondolkodást igénylő feladatokat. Csakhogy minden egyes részterületen többé-kevésbé másfajta konkrét algoritmusok bizonyultak hatékonynak.

Ma már nem beszélhetünk olyanról, hogy mesterséges intelligencia, úgy általában. Viszont nagyon sok területen sikerült olyan programot létrehozni, amely felveszi a versenyt a terület legjobb emberi művelőivel. Általában a legjobb eredményeket többféle párhuzamosan működő algoritmus laza konglomerátumával lehet elérni. De ezalól is van kivétel, például van, amikor egy jól betanított mesterséges neuronhálózat a nyerő – a Rubik-kocka esetében így sikerült megtalálni „Isten algoritmusát”.

Ahogy meg lehetett tanítani a számítógépet sakkozni vagy gózni, ugyanúgy meg lehetett tanítani arra is, hogy a különfélébb orvosi területeken diagnosztizáljanak, egyik nyelvről a másikra tolmácsoljanak, autót vezessenek, vagy költsenek verseket, szerezzenek zenét, alkossanak festményeket. Aminek vannak emberi nagymesterei, akiknek a műveiből vagy viselkedéséből ki lehet indulni, azt előbb-utóbb meg fogják tanulni ezek a gépek is. Van, amit már most is remekül tudnak, például autót vezetni, kínairól angolra fordítani, bizonyos betegségeket diagnosztizálni vagy iskolai dolgozatokat javítani.

A most felsorolt területeken annyira nem szerencsés a gépek helyzete, mint a sakk vagy a gó esetében, mert amikor eljutnak oda, hogy önmaguktól tanuljanak, a sakknál vagy a gónál mindig kiderül, hogy ki nyert a gép egymással játszó „két énje” közül, de ezeken a területeken ez többnyire nem megy. Ahol eléggé egzakt definíciót lehet neki adni arra, hogy mikor sült el valami jól és mikor rosszul, ott a gépek általában ugyanúgy túl tudják szárnyalni az emberi nagymestereket, mint a sakkban vagy a góban. Ahol nagyon sok tanpéldát tudunk mutatni a gépnek, például az orvosi diagnosztikában, ott is el tudják érni a gépek nagyjából az emberi nagymesterek szintjét, bár ezeken a területeken ma még annál tovább általában nem tudnak jutni. Kivéve azokat az eseteket, amikor eléggé jó szimuláció adható az adott területre, például a közúti forgalom esetében.

Ahogy a gépek sebessége lehetővé tette, hogy az algoritmusokról kiderüljön, mennyire hatékonyak, beindult a legjobb gyakorlati megoldások evolúciója. Egy evolúciós folyamat pedig nemcsak az élővilágban vezet a létrejövő lények bámulatos változatosságához és bonyolultságához, hanem az algoritmusok között is. A mesterséges intelligencia programjai mára annyira bonyolultakká váltak, hogy sokszor az alkotói sem tudják megmondani, mit miért csinálnak a programok. A mesterséges intelligenciák készítői azt ugyan tudják, hogy mikor milyen fajta algoritmusok szoktak a legjobban működni, de egyre kevésbé tudják, hogy miért pont azok, és miért pont úgy (például olyan paraméterekkel), ahogy a legjobban működőképesnek bizonyulnak.

Bár a sakkozó vagy gózó számítógép a legjobb emberi játékosokat is legyőzi, közben semmit sem ért abból, amit csinál. A gépek esetében azonban itt egészen másról van szó, mint az alkotói esetében. Egy gépnek meg sem fordul a fejében, hogy tudnia kellene, mit miért csinál, csak az alkotói érzik úgy, hogy ezt illene tudniuk. Egy programot egyáltalán nem zavar az, hogy nem tud magáról semmit. Egyszerűen nincs benne semmi olyan elem, amiben felmerülhetne valami ilyesmi. Nem azért sakkozik vagy gózik, mert ehhez van kedve, ezt szereti vagy ez a munkája, hanem azért, mert mást nem tud csinálni, még enni vagy aludni sem. Gép, és csakis gép, akárcsak egy autó vagy egy eszterga.

A mesterséges intelligencia műszaki tudomány, elsősorban a legjobban bevált gyakorlati megoldásokról szól. Ezért a mesterséges intelligencia művelőit nem nagyon zavarja, ha minden területen mások a legjobbnak bizonyuló megoldások, és az sem, ha a programok működését nem nagyon értik. Elég, ha gyakorlatilag jól működnek.

A hatalmas adatmennyiséget feldolgozó algoritmusokat egy idő után az ember nem képes megérteni, akárcsak a kereszténység szerint Istent és az ő tervét, vagy Ke Jie szerint az Alpha Gót. A jelenlegi algoritmusokat ugyan még emberek írják, de már most sem képesek megmondani az algoritmusok alkotói, hogy egy mesterséges intelligencia mit miért csinál. Ha pedig az algoritmus öntanuló, és csillagászati mennyiségű adat alapján finomítja a végsőkig a saját beláthatatlanul sok paraméterét, akkor végül olyan ismeretekhez juthat el, amit az ember már nem is képes felfogni. Igaz, maga az algoritmus sem érti ezeket az ismereteket, de ez az algoritmust egy cseppet sem akadályozza abban, hogy alkalmazza – de mit is?

Először úgy fejeztem be az előző mondatot, hogy az általa feltárt összefüggéseket. Csakhogy maga az algoritmus azt sem tudja, mi az, hogy összefüggés. Megtalálja, alkalmazza, de fogalma sincs, mi az, amit talált, és arról sem, hogy mit jelent valamit alkalmazni. Ezeket ugyanúgy nem tudja, mint ahogy nekünk embereknek fogalmunk sincs a neuronjaink kisüléseiről. Gondolkodásunk kétségtelenül neuronjaink kisüléseiből áll össze, de arról egyelőre szinte semmit nem tudunk, hogy miképpen. De ha a tudománynak valamikor sikerülne feltárnia, hogyan lesz a neuronok kisüléséből gondolat, ez akkor sem segítene magában a gondolkodásban. Ennek az algoritmusát nem kell ismerni ahhoz, hogy tudjunk gondolkodni.

A mesterséges intelligencia jelenlegi sikertermékei esetében egyszerűen értelmetlen kérdés, hogy mennyire intelligensek. Egy ember intelligenciáját a környezete nem abból ítéli meg, hogy mennyire tudja megoldani az IQ-tesztek feladatait, hanem annak alapján, hogy mennyire sikeresen találja meg a helyét a világban. A környezetnek ezt az ítéletét eléggé jól sikerül ugyan előrejelezni az IQ-tesztek segítségével, de maga az intelligencia mégsem azonos az IQ-tesztek feladatai megoldásához szükséges képességekkel.

Már a mesterséges intelligencia mai fejlettségi fokán is tudunk olyan algoritmusokat készíteni, amelyek minden embernél hatékonyabban oldják meg az IQ-tesztek feladatait. Egy számítógép azonban hiába oldja meg minden embernél jobban ezeket a teszteket, ettől még nem fogjuk intelligensnek tekinteni, legfeljebb csak jó IQ teszt megoldónak, ahogy a másik gépet legyőzhetetlenül jó sakkozónak, sofőrnek, orvosdiagnosztának vagy dolgozatjavítónak – de nem intelligensnek.

Az iskolákban sokmindent tudunk adni a diákoknak, de észt, azt nem. A mesterséges intelligencia esetében ez még sokkal inkább érvényes, mint a diákok esetében. Észt, azt nem tudunk adni neki, legalábbis egyelőre nem, csak bizonyos feladatok megoldására meg tudjuk tanítani. Azokra viszont sokszor még sokkal jobban is, mint a diákokat.