Φανταστείτε μια ομάδα νεαρών ανδρών που συγκεντρώθηκαν σε μια γραφική πανεπιστημιούπολη στη Νέα Αγγλία, στις Ηνωμένες Πολιτείες, το βόρειο καλοκαίρι του 1956.
Είναι μια μικρή περιστασιακή συγκέντρωση. Αλλά οι άντρες δεν είναι εδώ για φωτιές και πεζοπορίες στη φύση στα γύρω βουνά και τα δάση. Αντίθετα, αυτοί οι πρωτοπόροι πρόκειται να ξεκινήσουν ένα πειραματικό ταξίδι που θα πυροδοτήσει αμέτρητες συζητήσεις για τις επόμενες δεκαετίες και θα αλλάξει όχι μόνο την πορεία της τεχνολογίας – αλλά την πορεία της ανθρωπότητας.
Καλώς ήρθατε στο Συνέδριο Dartmouth – η γενέτειρα της τεχνητής νοημοσύνης (AI) όπως τη γνωρίζουμε σήμερα.
Αυτό που συνέβη εδώ θα οδηγούσε τελικά στο ChatGPT και σε πολλά άλλα είδη τεχνητής νοημοσύνης που τώρα μας βοηθούν να διαγνώσουμε ασθένειες, να εντοπίσουμε απάτες, να δημιουργήσουμε λίστες αναπαραγωγής και να γράφουμε άρθρα (καλά, όχι αυτό). Αλλά θα δημιουργούσε επίσης μερικά από τα πολλά προβλήματα που ο τομέας εξακολουθεί να προσπαθεί να ξεπεράσει. Ίσως κοιτάζοντας πίσω, μπορούμε να βρούμε έναν καλύτερο τρόπο να προχωρήσουμε.
Στα μέσα της δεκαετίας του 1950, το rock'n'roll είχε κατακλύσει τον κόσμο. Το Elvis's Heartbreak Hotel ήταν στην κορυφή των chart και οι έφηβοι άρχισαν να αγκαλιάζουν την επαναστατική κληρονομιά του James Dean.
Αλλά το 1956, σε μια ήσυχη γωνιά του Νιου Χάμσαϊρ, συνέβαινε ένα διαφορετικό είδος επανάστασης.
The Θερινό ερευνητικό πρόγραμμα Dartmouth για την τεχνητή νοημοσύνη, που συχνά απομνημονεύεται ως η Διάσκεψη του Ντάρτμουθ, ξεκίνησε στις 18 Ιουνίου και διήρκεσε για περίπου οκτώ εβδομάδες. Ήταν το πνευματικό τέκνο τεσσάρων Αμερικανών επιστημόνων υπολογιστών – John McCarthy, Marvin Minsky, Nathaniel Rochester και Claude Shannon – και συγκέντρωσε μερικά από τα λαμπρότερα μυαλά στην επιστήμη των υπολογιστών, τα μαθηματικά και τη γνωστική ψυχολογία εκείνη την εποχή.
Αυτοί οι επιστήμονες, μαζί με μερικούς από τους 47 ανθρώπους που προσκάλεσαν, ξεκίνησαν να αντιμετωπίσουν έναν φιλόδοξο στόχο: να κατασκευάσουν ευφυείς μηχανές.
As Ο McCarthy το έθεσε στην πρόταση του συνεδρίου, είχαν ως στόχο να ανακαλύψουν «πώς να κάνουν τις μηχανές να χρησιμοποιούν τη γλώσσα, να σχηματίζουν αφαιρέσεις και έννοιες, να λύνουν είδη προβλημάτων που τώρα προορίζονται για τους ανθρώπους».
Το Συνέδριο του Dartmouth δεν επινόησε απλώς τον όρο «τεχνητή νοημοσύνη». συνδύαζε ένα ολόκληρο πεδίο σπουδών. Είναι σαν ένα μυθικό Big Bang of AI – όλα όσα γνωρίζουμε για τη μηχανική μάθηση, τα νευρωνικά δίκτυα και τη βαθιά μάθηση ανιχνεύουν τώρα τις ρίζες τους από εκείνο το καλοκαίρι στο Νιου Χάμσαϊρ.
Αλλά η κληρονομιά εκείνου του καλοκαιριού είναι περίπλοκη.
Η τεχνητή νοημοσύνη κέρδισε ως όνομα έναντι άλλων που προτάθηκαν ή χρησιμοποιήθηκαν εκείνη την εποχή. Η Shannon προτίμησε τον όρο «μελέτες αυτόματα», ενώ δύο άλλοι συμμετέχοντες στο συνέδριο (και οι προσεχείς δημιουργοί του πρώτου προγράμματος AI), ο Allen Newell και ο Herbert Simon, συνέχισαν να χρησιμοποιούν «σύνθετη επεξεργασία πληροφοριών» για μερικά χρόνια ακόμη.
Αλλά εδώ είναι το θέμα: έχοντας καταλήξει στην τεχνητή νοημοσύνη, ανεξάρτητα από το πόσο προσπαθούμε, σήμερα δεν φαίνεται να ξεφεύγουμε από τη σύγκριση της τεχνητής νοημοσύνης με την ανθρώπινη νοημοσύνη.
Αυτή η σύγκριση είναι και ευλογία και κατάρα.
Από τη μία πλευρά, μας οδηγεί να δημιουργήσουμε συστήματα AI που μπορούν να ταιριάζουν ή να υπερβαίνουν την ανθρώπινη απόδοση σε συγκεκριμένες εργασίες. Γιορτάζουμε όταν η τεχνητή νοημοσύνη ξεπερνά τους ανθρώπους σε παιχνίδια όπως το σκάκι ή το Go, ή όταν μπορεί να ανιχνεύσει τον καρκίνο σε ιατρικές εικόνες με μεγαλύτερη ακρίβεια από τους ανθρώπους γιατρούς.
Από την άλλη, αυτή η συνεχής σύγκριση οδηγεί σε εσφαλμένες αντιλήψεις.
Όταν ένας υπολογιστής χτυπάει άνθρωπο στο Go, είναι εύκολο να καταλήξουμε στο συμπέρασμα ότι οι μηχανές είναι πλέον πιο έξυπνες από εμάς σε όλες τις πτυχές – ή ότι είμαστε τουλάχιστον σε καλό δρόμο για τη δημιουργία μιας τέτοιας νοημοσύνης. Αλλά το AlphaGo δεν είναι πιο κοντά στη συγγραφή ποίησης από μια αριθμομηχανή.
Και όταν ένα μεγάλο μοντέλο γλώσσας ακούγεται ανθρώπινο, αρχίζουμε να αναρωτιόμαστε αν είναι αισθητό.
Αλλά το ChatGPT δεν είναι πιο ζωντανό από το ανδρείκελο ενός ομιλούντος κοιλιολόγου.
Οι επιστήμονες στο Συνέδριο του Dartmouth ήταν απίστευτα αισιόδοξοι για το μέλλον της τεχνητής νοημοσύνης. Ήταν πεπεισμένοι ότι μπορούσαν να λύσουν το πρόβλημα της νοημοσύνης των μηχανών σε ένα μόνο καλοκαίρι.
Αυτή η υπερβολική αυτοπεποίθηση είναι ένα επαναλαμβανόμενο θέμα στην ανάπτυξη της τεχνητής νοημοσύνης και έχει οδηγήσει σε αρκετούς κύκλους διαφημιστικής εκστρατείας και απογοήτευσης.
Ο Simon δήλωσε το 1965 ότι «οι μηχανές θα είναι ικανές, μέσα σε 20 χρόνια, να κάνουν οποιαδήποτε δουλειά μπορεί να κάνει ένας άνθρωπος». Ο Μίνσκι προέβλεψε το 1967 ότι «μέσα σε μια γενιά […] το πρόβλημα της δημιουργίας «τεχνητής νοημοσύνης» θα λυθεί ουσιαστικά».
Δημοφιλής μελλοντολόγος Ο Ray Kurzweil τώρα προβλέπει είναι μόνο πέντε χρόνια μακριά: «δεν είμαστε ακριβώς εκεί, αλλά θα είμαστε εκεί, και μέχρι το 2029 θα ταιριάζει με οποιοδήποτε άτομο».
Πώς μπορούν λοιπόν οι ερευνητές τεχνητής νοημοσύνης, οι χρήστες τεχνητής νοημοσύνης, οι κυβερνήσεις, οι εργοδότες και το ευρύτερο κοινό να προχωρήσουν με πιο ισορροπημένο τρόπο;
Ένα βασικό βήμα είναι να αγκαλιάσουμε τη διαφορά και τη χρησιμότητα των συστημάτων μηχανών. Αντί να εστιάσουμε στον αγώνα για την «τεχνητή γενική νοημοσύνη», μπορούμε να επικεντρωθούμε τα μοναδικά πλεονεκτήματα των συστημάτων που έχουμε κατασκευάσει – για παράδειγμα, η τεράστια δημιουργική ικανότητα των μοντέλων εικόνων.
Η μετατόπιση της συνομιλίας από την αυτοματοποίηση στην αύξηση είναι επίσης σημαντική. Αντί να αντιπαραθέτουμε τους ανθρώπους με τις μηχανές, ας επικεντρωθούμε πώς η τεχνητή νοημοσύνη μπορεί να βοηθήσει και να αυξήσει τις ανθρώπινες ικανότητες.
Ας τονίσουμε επίσης ηθικούς προβληματισμούς. Οι συμμετέχοντες στο Dartmouth δεν αφιέρωσαν πολύ χρόνο συζητώντας τις ηθικές συνέπειες της τεχνητής νοημοσύνης. Σήμερα, γνωρίζουμε καλύτερα και πρέπει να κάνουμε καλύτερα.
Πρέπει επίσης να εστιάσουμε εκ νέου τις κατευθύνσεις της έρευνας. Ας δώσουμε έμφαση στην έρευνα σχετικά με την ερμηνευτικότητα και την ευρωστία της τεχνητής νοημοσύνης, τη διεπιστημονική έρευνα τεχνητής νοημοσύνης και ας διερευνήσουμε νέα παραδείγματα νοημοσύνης που δεν βασίζονται στο πρότυπο της ανθρώπινης γνώσης.
Τέλος, πρέπει να διαχειριστούμε τις προσδοκίες μας για την τεχνητή νοημοσύνη. Σίγουρα, μπορούμε να είμαστε ενθουσιασμένοι με τις δυνατότητές του. Πρέπει όμως να έχουμε και ρεαλιστικές προσδοκίες, ώστε να αποφύγουμε τους κύκλους απογοήτευσης του παρελθόντος.
Καθώς κοιτάμε πίσω σε εκείνη την καλοκαιρινή κατασκήνωση πριν από 68 χρόνια, μπορούμε να γιορτάσουμε το όραμα και τη φιλοδοξία των συμμετεχόντων στο Συνέδριο του Ντάρτμουθ. Το έργο τους έθεσε τα θεμέλια για την επανάσταση της τεχνητής νοημοσύνης που βιώνουμε σήμερα.
Αναπλαισιώνοντας την προσέγγισή μας στο AI – δίνοντας έμφαση στη χρησιμότητα, την αύξηση, την ηθική και τις ρεαλιστικές προσδοκίες – μπορούμε να τιμήσουμε την κληρονομιά του Dartmouth, ενώ χαράσσουμε μια πιο ισορροπημένη και ευεργετική πορεία για το μέλλον της AI.
Εξάλλου, η πραγματική νοημοσύνη δεν έγκειται μόνο στη δημιουργία έξυπνων μηχανών, αλλά στο πόσο σοφά επιλέγουμε να τις χρησιμοποιούμε και να τις αναπτύσσουμε.
Αυτό το άρθρο αναδημοσιεύτηκε στο Η Συνομιλία με άδεια Creative Commons και έχει συνταχθεί από Sandra Peter, Διευθυντής του Sydney Executive Plus, University of Sydney
Ένα πλαίσιο για την αξιολόγηση των ταχέως αναπτυσσόμενων ψηφιακών και συναφών τεχνολογιών: τεχνητή νοημοσύνη, μεγάλα γλωσσικά μοντέλα και όχι μόνο
Αυτό το έγγραφο συζήτησης παρέχει το περίγραμμα ενός αρχικού πλαισίου για την ενημέρωση των πολλαπλών παγκόσμιων και εθνικών συζητήσεων που λαμβάνουν χώρα σχετικά με την τεχνητή νοημοσύνη.
Προετοιμασία Εθνικών Ερευνητικών Οικοσυστημάτων για AI: Στρατηγικές και πρόοδος το 2024
Η έκθεση προσφέρει μια ολοκληρωμένη ανάλυση της ενσωμάτωσης της τεχνητής νοημοσύνης στην επιστήμη και την έρευνα σε διάφορες χώρες. Αντιμετωπίζει τόσο τις προόδους που έγιναν όσο και τις προκλήσεις που αντιμετωπίζει σε αυτόν τον τομέα, καθιστώντας το ένα πολύτιμο ανάγνωσμα για τους ηγέτες της επιστήμης, τους υπεύθυνους χάραξης πολιτικής, τους επαγγελματίες τεχνητής νοημοσύνης και τους ακαδημαϊκούς.
Επιστημονικοί οργανισμοί στην ψηφιακή εποχή
Το έγγραφο συζήτησης συνθέτει ευρήματα από μια ευρεία έρευνα, λεπτομερείς συνεντεύξεις και μελέτες περιπτώσεων που αφορούν μέλη ISC. Χρησιμεύει ταυτόχρονα ως μια τρέχουσα αντανάκλαση της ψηφιακής κατάστασης στην επιστημονική κοινότητα και ως οδηγός για τους οργανισμούς που ξεκινούν τα ταξίδια τους στην ψηφιακή μετάβαση.
Εικόνα από Billy Wilson Flickr
Διαβάστε περισσότερα για την τεχνητή νοημοσύνη στα εθνικά ερευνητικά οικοσυστήματα 
Διαβάστε περισσότερα για το Science Systems Futures Διαβάστε περισσότερα για το πρόγραμμα ISC-CAST που εγκαινιάζει νέα εκπαίδευση στην Τεχνητή Νοημοσύνη και την επικοινωνία της έρευνας για ερευνητές στην αρχή και στα μέσα της σταδιοδρομίας τους Διαβάστε περισσότερα για τη Σύγχρονη επιστήμη: γεωστρατηγικοί, τεχνολογικοί και κοινωνικοί παράγοντες αλλαγής Διαβάστε περισσότερα για τον αντίκτυπο των δεδομένων και της τεχνητής νοημοσύνης στην επιστημονική παραγωγή 