FOLLOW THE LEADERS OF “E”: Environment, Energy, Education, Equity, Economy, Entrepreneurship
Η Τεχνητή Νοημοσύνη (ΤΝ) δεν είναι «μαγεία» αλλά μια εφαρμογή της υπολογιστικής επιστήμης, της στατιστικής και της θεωρίας μάθησης. Πρόκειται για ένα σύνολο τεχνικών που επιτρέπουν στις μηχανές να μιμούνται την ανθρώπινη σκέψη. Αυτό σημαίνει πως μπορούν α) να αντιλαμβάνονται ερεθίσματα (εισροές δεδομένων), β) να τα επεξεργάζονται, και να παίρνουν αποφάσεις με βάση εμπειρικά ή θεωρητικά μοντέλα. Ωστόσο, η ΤΝ δεν έχει συνείδηση, συναισθήματα ή βούληση. Είναι λογισμικό βασισμένο σε υπολογιστικές αναπαραστάσεις της γνώσης και των επιλογών, και λειτουργεί εντός των ορίων που ορίζουν οι άνθρωποι. Η ΤΝ οικοδομείται πάνω σε τρεις βασικούς πυλώνες:
α) Δεδομένα, τα οποία αποτελούν την πρώτη ύλη. Χωρίς επαρκή, ποιοτικά και αντιπροσωπευτικά δεδομένα, δεν μπορεί να εκπαιδευτεί ή να λειτουργήσει κανένα μοντέλο ΤΝ. Τα δεδομένα μπορεί να είναι δομημένα (π.χ. αριθμοί, πίνακες), ημιδομημένα, και αδόμητα (π.χ. εικόνες, φυσική γλώσσα).
β) Αλγόριθμοι: Είναι τα βήματα που επιτρέπουν στην ΤΝ να επεξεργαστεί τα δεδομένα. Εδώ εντάσσονται αλγόριθμοι ταξινόμησης, παλινδρόμησης, clustering, δέντρα απόφασης, νευρωνικά δίκτυα κ.ά.
γ) Μοντέλα Μάθησης: Πρόκειται για τα τελικά αποτελέσματα της εκπαίδευσης. Ένα μοντέλο μαθαίνει, αναπροσαρμόζεται, και προβλέπει με βάση τα δεδομένα που του έχουν δοθεί και τους στόχους που έχει θέσει ο δημιουργός του.
Η ΤΝ δεν «σκέφτεται» όπως ο άνθρωπος, αλλά εντοπίζει μοτίβα και συσχετίσεις μέσα σε δεδομένα. Ο τρόπος λειτουργίας της μπορεί να συνοψιστεί ως εξής: α) Εισαγωγή δεδομένων (input), β) Ανάλυση και αναγνώριση προτύπων (pattern recognition), γ) Εξαγωγή προβλέψεων (output ή απάντηση), δ) Ανατροφοδότηση και πιθανή βελτίωση.
Όταν απαντά σε ερωτήσεις, η ΤΝ δεν «γνωρίζει» αλλά «προβλέπει την πιο πιθανή σωστή απάντηση» βασισμένη σε ό,τι έχει μάθει. Είναι μια πιθανολογική προσέγγιση της κατανόησης. Η εκπαίδευση ενός συστήματος ΤΝ περιλαμβάνει τις εξής βασικές μεθόδους:
i) Εποπτευόμενη Μάθηση (Supervised Learning): Τα δεδομένα έχουν ετικέτες (labels). Η ΤΝ μαθαίνει με βάση παραδείγματα – π.χ. εικόνες σκύλων και γατών με σαφή αναγνώριση.
ii) Μη Εποπτευόμενη Μάθηση (Unsupervised Learning): Δεν υπάρχουν ετικέτες. Η ΤΝ εντοπίζει από μόνη της μοτίβα ή συσχετίσεις (π.χ. καταναλωτικές συνήθειες).
iii) Ενισχυτική Μάθηση (Reinforcement Learning): Το σύστημα μαθαίνει μέσω πειραματισμού και ανταμοιβών. Εφαρμόζεται σε ρομποτική, παιχνίδια, αυτόνομα οχήματα.
Τα μεγάλα γλωσσικά μοντέλα, όπως το ChatGPT της OpenAI, βασίζονται σε μια ειδική μορφή νευρωνικών δικτύων: τους Μετασχηματιστές (Transformers), τα οποία ακολουθούν τις παρακάτω φάσεις ανάπτυξης:
Ένα μεγάλο γλωσσικό μοντέλο (LLM) δεν κατανοεί σημασιολογικά τον κόσμο. Ωστόσο, καταφέρνει να μιμείται την ανθρώπινη γλώσσα με εντυπωσιακή ακρίβεια, επειδή έχει «διαβάσει» απίστευτες ποσότητες περιεχομένου.
Το αφήγημα ότι η ΤΝ είναι κάτι «μαγικό» ή επικίνδυνο πρέπει να αντικατασταθεί από μια ενημερωμένη, κριτική κατανόηση. Η ΤΝ δεν είναι παντοδύναμη, δεν είναι ουδέτερη, δεν είναι αυτοσκοπός. Είναι εργαλείο – και ως τέτοιο, η ανθρώπινη κοινωνία καλείται να το ελέγξει, να το διαμορφώσει με όρους δικαιοσύνης και διαφάνειας, και να το αξιοποιήσει για το συλλογικό καλό.
Η τεχνητή νοημοσύνη εξελίσσεται σε διαδοχικά κύματα ανάπτυξης, καθένα εκ των οποίων ενσωματώνει νέες γνωστικές, υπολογιστικές και πρακτικές δυνατότητες. Η ανάλυση των κυμάτων αυτών δεν αποτυπώνει απλώς την πρόοδο της τεχνολογίας, αλλά και την αλλαγή στην ίδια τη φύση της νοημοσύνης όπως τη μιμούμαστε, τη βελτιώνουμε και τη μεταφέρουμε σε μηχανές. Τα κύματα αυτά είναι διακριτά τόσο ως προς την τεχνολογική τους αρχιτεκτονική όσο και ως προς τις κοινωνικές και οικονομικές τους επιπτώσεις.
Πρώτο Κύμα: Αντιληπτική Τεχνητή Νοημοσύνη. Το πρώτο κύμα τεχνητής νοημοσύνης βασίστηκε στην «αντίληψη», δηλαδή στην ικανότητα των υπολογιστικών συστημάτων να κατανοούν τον φυσικό κόσμο μέσω αισθητηρίων δεδομένων και έχει εξελιχθεί σημαντικά τα τελευταία 30 έτη. Η ανάπτυξη αυτού του κύματος ενισχύθηκε κυρίως από τα επιτεύγματα στην επεξεργασία εικόνας, ήχου και κειμένου, με τη βοήθεια μηχανικής μάθησης και βαθιάς μάθησης μέσω νευρωνικών δικτύων (deep learning). Οι εφαρμογές περιλαμβάνουν:
Ωστόσο, αυτή η ΤΝ ήταν «στενή» (narrow AI): κατανοούσε επιφανειακά τις εισροές της και δρούσε με βάση μοτίβα και στατιστικές προβλέψεις, χωρίς ουσιαστική κατανόηση του νοήματος.
Δεύτερο Κύμα: Γενετική Τεχνητή Νοημοσύνη. Το δεύτερο κύμα, το οποίο άρχισε να αναδύεται δυναμικά την τελευταία πενταετία, είναι η γενετική ΤΝ (generative AI). Αυτή η μορφή τεχνητής νοημοσύνης διακρίνεται από την ικανότητα δημιουργίας νέου περιεχομένου: κειμένου, εικόνων, ήχου, ακόμη και κώδικα. Το χαρακτηριστικό της είναι ότι δεν περιορίζεται στην αναγνώριση μοτίβων, αλλά κατανοεί συνδηλώσεις, νοήματα και συμφραζόμενα. Αξιοσημείωτες εφαρμογές περιλαμβάνουν:
Η γενετική ΤΝ λειτουργεί σαν ένας παγκόσμιος μεταφραστής. Δεν περιορίζεται μόνο στη γλώσσα, αλλά ερμηνεύει πληροφορίες και τις μετασχηματίζει σε άλλες μορφές. Αυτή η πολυτροπικότητα ανοίγει το δρόμο για συστήματα που επικοινωνούν με τον άνθρωπο σε πολλά επίπεδα, με αποτελέσματα που μοιάζουν με δημιουργικότητα.
Τρίτο Κύμα: Συλλογιστική Τεχνητή Νοημοσύνη: Το παρόν κύμα – στο οποίο βρισκόμαστε ήδη – ονομάζεται συλλογιστική ΤΝ (reasoning AI). Σε αυτό το στάδιο, τα μοντέλα τεχνητής νοημοσύνης δεν περιορίζονται στην κατανόηση και παραγωγή πληροφορίας, αλλά μαθαίνουν να επιλύουν προβλήματα, ακόμη και όταν αυτά είναι νέα και μη προβλέψιμα. Είναι η συλλογιστική ΤΝ:
Η βασική καινοτομία είναι η ανάδυση των agentic AI, ψηφιακών πρακτόρων με «αυτονομία». Αυτοί οι agents:
Αποτελούν τη βάση για ένα νέο ψηφιακό εργατικό δυναμικό, όπου οι agents δρουν ως αυτοματοποιημένα, «σκεπτόμενα» συστήματα υποστήριξης. Πρόκειται να διαδοθούν σε κάθε επιχείρηση και κάθε επαγγελματία αλλά και ιδιώτες φέρνοντας επανάσταση στην εξοικονόμηση χρόνου και στην αύξηση της παραγωγικότητας.
Το Τέταρτο Κύμα: Ενσώματη Νοημοσύνη και Κατανόηση της Φυσικής Πραγματικότητας. Το προσεχές κύμα, που ήδη διαφαίνεται στον ορίζοντα, είναι εκείνο στο οποίο η ΤΝ θα ενσωματώσει φυσική κατανόηση του κόσμου. Δεν πρόκειται απλώς για αλγοριθμική πρόβλεψη ή γλωσσική επάρκεια, αλλά για ικανότητες όπως:
Αυτό θα απαιτήσει συνδυασμό γλώσσας με αισθητηριακά δεδομένα, ΤΝ που «μαθαίνει» από τη φυσική αλληλεπίδραση (π.χ. σε ρομποτική), νέα αρχιτεκτονική που προσομοιώνει την ενσώματη νόηση (embodied cognition). Οι βιομηχανίες όπως η αυτοκινητοβιομηχανία, η αεροναυπηγική, η εφοδιαστική αλυσίδα και η αυτοματοποίηση εργοστασίων θα επωφεληθούν σημαντικά, καθώς η ΤΝ θα «καταλαβαίνει» πλέον το περιβάλλον της, και όχι απλώς θα το υπολογίζει.
Η πορεία της ΤΝ μέσα από τα κύματα της αντίληψης, της γενετικής δημιουργίας, του συλλογισμού και της σωματικότητας δεν είναι απλώς μια τεχνική εξέλιξη. Αντιπροσωπεύει μια επαναδιατύπωση του ίδιου του νοήματος της νοημοσύνης – από την αποθήκευση και ανάκληση γνώσης στη χρήση, εφαρμογή, και κατανόησή της.
Καθένα από αυτά τα κύματα, αλλάζει την οικονομική αξία της ανθρώπινης εργασίας, αναδιαμορφώνει τη δομή της κοινωνίας και της παραγωγής, θέτει νέες ηθικές και πολιτικές προκλήσεις.
Η τεχνητή νοημοσύνη στην Πυρηνική σύντηξη: Υπάρχει ένας γιγαντιαίος αντιδραστήρα πυρηνικής σύντηξης, στον ήλιο, ο οποίος εμφανίζεται κάθε μέρα. Μετατρέπει περίπου 4,5 εκατομμύρια τόνους μάζας σε ενέργεια κάθε δευτερόλεπτο και δεν απαιτεί συντήρηση. Είναι εκπληκτικό το ότι δεν χρειάζεται ανεφοδιασμό, ούτε προγραμματισμό ούτε έξοδα διαχείρισης και συντήρησης, αλλά είναι εκεί και παράγει συνεχώς ενέργεια. Εάν δεν καταφέρουμε να πάρουμε την ενέργεια από αυτόν το φυσικό αντιδραστήρα τον ήλιο, μέσω νεών τεχνολογικών καινοτομιών, θα πρέπει να κατασκευάσουμε αντιδραστήρες στη γη που θα παράγουν ενέργεια με πυρηνική σύντηξη.
Η τεχνητή νοημοσύνη μπορεί να βοηθήσει επιταχύνοντας τις προσομοιώσεις των πειραμάτων και προς τις δύο κατευθύνσεις, τόσο για να πάρουμε την ηλιακή ενέργεια και να την αποθηκεύουμε σε φθηνά συστημάτων μπαταριών που και αυτά θα πρέπει να εφευρεθούν, όσο και να βοηθήσει στην ανάπτυξη των αντιδραστήρων πυρηνικής σύντηξης επί της γης.
Η τεχνητή νοημοσύνη στην ενέργεια, έχει τη δύναμη να μεταμορφώσει τις προσπάθειες για την προστασία του περιβάλλοντος με την ανακάλυψη νέων υλικών πιο φιλικών προς το περιβάλλον. Η εμφάνιση ταχύτερων, καλύτερων και ικανότερων μοντέλων τεχνητής νοημοσύνης με την δημιουργία «ψηφιακών διδύμων» θα συμβάλει σημαντικά σε αυτήν την κατεύθυνση και θα φέρει επανάσταση στον τομέα της ενέργειας. Η πυρηνική σύντηξη ως εντελώς φιλική προς το περιβάλλον θα βοηθήσει στην απανθρακοποίηση και στην προστασία του περιβάλλοντος.
Είναι αναγκαία μια διεπιστημονική προσέγγιση, όπου φιλοσοφία, νομική, ψυχολογία και τεχνολογία συνδιαμορφώνουν τα όρια και τις χρήσεις της δύναμης της ΤΝ. Η ανθρώπινη κοινωνία δεν θα πρέπει να επιδιώξει απλώς να προσαρμοστεί σε κάθε νέο κύμα της ΤΝ – αλλά να το καθοδηγήσει με σοφία, προνοητικότητα και ηθική ευθύνη προς όφελος του ανθρώπου, διαφυλάσσοντας την ελευθερία του και προστατεύοντας το περιβάλλον.
| Follow the Leaders of E | World Environment Day 2025 | Ιωάννα Ατσαλάκη, Διδάσκων, Πολυτεχνείο Κρήτης Εργαστήριο Ανάλυσης Δεδομένων και Πρόβλεψης : “Τα κύματα της Τεχνητής Νοημοσύνης – και το Περιβάλλον”
#EnergizingGreece #BePartOfTomorrowsWorld
#Environment Academy #HarmonizePeopleWithNature
#FollowTheLeadersOfE #PurePlanet #BlueGreenWorld
#BlueGreenGreece #NetZeroEnergy
#ForThePlanetWeDreamOfLivingIN
About The Author
