Έχετε παρατηρήσει πόσο πολύ μιλάνε όλοι σήμερα για τα νευρωνικά δίκτυα; Είναι παντού γύρω μας, από εφαρμογές που αναγνωρίζουν πρόσωπα, μέχρι εργαλεία που γράφουν κείμενα ή συνθέτουν μουσική. Τι είναι όμως αυτά τα περίπλοκα συστήματα και γιατί δουλεύουν τόσο καλά, ενώ τα μαθηματικά έλεγαν ότι δεν θα έπρεπε;
Τα νευρωνικά δίκτυα είναι μαθηματικά μοντέλα που μαθαίνουν από παραδείγματα. Δεν τους δίνουμε κανόνες αλλά δεδομένα, όπως: εικόνες, λέξεις, ήχους και συμπεριφορές. Στη συνέχεια, προβλέπουν, συγκρίνουν τις προβλέψεις τους με την πραγματικότητα και διορθώνονται. Επαναλαμβάνουν αυτή τη διαδικασία εκατομμύρια φορές και σταδιακά μαθαίνουν.
Στην απλούστερη μορφή τους αποτελούνται από πάρα πολλά απλά στοιχεία, τα οποία συνδέονται μεταξύ τους και κάθε στοιχείο κάνει έναν μικρό, σχεδόν ασήμαντο υπολογισμό. Κανένα από μόνο του δεν είναι έξυπνο και η νοημοσύνη δεν βρίσκεται σε κάποιο συγκεκριμένο σημείο, αλλά προκύπτει από το σύνολο των αλληλεπιδράσεων. Όπως άλλωστε και στον ανθρώπινο εγκέφαλο, κανένας νευρώνας δεν σκέφτεται, αφού η σκέψη είναι ένα φαινόμενο συλλογικό.
Το εντυπωσιακό είναι ότι όσο μεγαλύτερα γίνονται αυτά τα δίκτυα, όσο περισσότερες συνδέσεις και παραμέτρους αποκτούν, τόσο καλύτερα αποδίδουν. Κι εδώ ακριβώς βρίσκεται το παράδοξο. Για δεκαετίες τα μαθηματικά της μάθησης ήταν ξεκάθαρα. Αν ένα μοντέλο έχει πολύ περισσότερη ελευθερία απ’ όση πληροφορία του δίνεις, τότε δεν μαθαίνει, αλλά απλά αποστηθίζει. Θα ταιριάξει τέλεια στα δεδομένα που βλέπει, όμως θα αποτύχει όταν θα πρέπει να αντιμετωπίσει κάτι νέο.
Με βάση λοιπόν αυτή τη λογική τα σύγχρονα νευρωνικά δίκτυα θα έπρεπε να είναι ασταθή, αναξιόπιστα και ουσιαστικά άχρηστα. Όμως συμβαίνει ακριβώς το αντίθετο, αφού τα μοντέλα μαθαίνουν, γενικεύουν και τελικά λειτουργούν εντυπωσιακά καλά στον πραγματικό κόσμο. Με άλλα λόγια η πραγματικότητα διέψευσε τη θεωρία και αυτό όχι επειδή τα μαθηματικά ήταν λάθος, αλλά επειδή οι υποθέσεις ήταν πολύ περιορισμένες.
Γιατί τελικά δουλεύουν;
Ο πρώτος λόγος είναι ότι τα νευρωνικά δίκτυα δεν μαθαίνουν όλες τις λύσεις που θα μπορούσαν. Αν και κατέχουν την ικανότητα να αναπαραστήσουν σχεδόν το οτιδήποτε, ο τρόπος με τον οποίο εκπαιδεύονται τα οδηγεί σε συγκεκριμένα είδη λύσεων. Η ίδια η διαδικασία εκπαίδευσης δρα σαν ένα φίλτρο, ευνοώντας λύσεις πιο απλές, πιο ομαλές και πιο σταθερές. Η απλότητα δεν επιβάλλεται δηλαδή, αλλά αναδύεται με τρόπο φυσικό.
Ο δεύτερος λόγος είναι η σταθερότητα. Τα δίκτυα τείνουν να καταλήγουν σε λύσεις που δεν αλλάζουν δραματικά όταν αλλάξουν λίγο τα δεδομένα. Δεν είναι οι πιο έξυπνες, ούτε οι πιο εντυπωσιακές λύσεις, αλλά σίγουρα οι πιο ανθεκτικές.
Ο τρίτος λόγος θα λέγαμε ότι βρίσκεται κόντρα στη διαίσθηση, αφού όταν τα συστήματα αυτά γίνουν πολύ μεγάλα, τελικά γίνονται πιο απλά. Όπως ένα αέριο με δισεκατομμύρια μόρια υπακούει σε λίγους νόμους, έτσι και τα τεράστια νευρωνικά δίκτυα εμφανίζουν συλλογική και ομαλή συμπεριφορά. Το χάος των αμέτρητων λεπτομερειών υποχωρεί και αναδύονται κανόνες.
Τέλος, υπάρχει κι ο ίδιος ο κόσμος μας. Οι εικόνες, η γλώσσα και η ανθρώπινη εμπειρία δεν είναι τυχαίες, αλλά έχουν δομή, συμμετρίες και επαναλαμβανόμενα μοτίβα. Τα νευρωνικά δίκτυα δεν μαθαίνουν σε έναν εχθρικό και αυθαίρετο κόσμο, αλλά σε έναν κόσμο που τελικά ευνοεί τη μάθηση.
Έτσι, το αρχικό παράδοξο αντιστρέφεται και τα νευρωνικά δίκτυα δεν δουλεύουν παρά την πολυπλοκότητά τους, αλλά εξαιτίας αυτής.
Τι σημαίνει αυτό για τον άνθρωπο;
Η επιτυχία των νευρωνικών δικτύων δεν είναι απλώς ένα σπουδαίο τεχνολογικό γεγονός, αλλά ένας καθρέφτης απέναντι μας.
Για αιώνες ο άνθρωπος πίστευε ότι η νοημοσύνη είναι κάτι σπάνιο, κάτι που απαιτεί αυστηρό έλεγχο, καθαρούς κανόνες και ακρίβεια. Τα νευρωνικά δίκτυα μας δείχνουν το αντίθετο, ότι η νοημοσύνη τελικά μπορεί να αναδυθεί μέσα από την υπερβολή και την αβεβαιότητα. Δεν γεννιέται από την τελειότητα, αλλά από τη δυνατότητα να αντέχεις το λάθος.
Αυτό αλλάζει τον τρόπο που βλέπουμε τη μάθηση και τον ίδιο μας τον εαυτό μας, αφού το λάθος παύει να είναι αποτυχία και μετατρέπεται σε μηχανισμό κατανόησης και εκπαίδευσης. Η αβεβαιότητα δεν είναι εχθρός της γνώσης, αλλά προϋπόθεσή της και όπως τα νευρωνικά δίκτυα μαθαίνουν μέσα από το σφάλμα, έτσι και ο άνθρωπος κατανοεί μέσα από την αμφιβολία.
Υπάρχει όμως και μια ευθύνη που δεν πρέπει να παραβλέψουμε. Αν η νοημοσύνη αναδύεται από το περιβάλλον, τότε η κατεύθυνσή της δεν είναι πάντα εγγυημένη. Τα συστήματα, ανθρώπινα ή τεχνητά, μαθαίνουν ό,τι τους επιτρέπει ο κόσμος γύρω τους να μάθουν. Αυτό μετατοπίζει το βάρος από το μυαλό στις δομές, στις αφηγήσεις και στα δεδομένα που επαναλαμβάνουμε.
Ίσως τελικά το βαθύτερο νόημα δεν είναι μόνο ότι οι μηχανές έγιναν έξυπνες, αλλά ότι η νοημοσύνη δεν είναι κάτι που κατέχουμε, αλλά κάτι που συμβαίνει. Και αν αυτό ισχύει, τότε το ερώτημα για το μέλλον δεν είναι αν οι μηχανές θα μας μοιάσουν, αλλά αν εμείς θα καταλάβουμε αρκετά καλά τον εαυτό μας, ώστε να διαμορφώσουμε τα κατάλληλα και ασφαλή περιβάλλοντα μέσα στα οποία η νοημοσύνη οποιασδήποτε μορφής αξίζει να ανθίσει.
Θανάσης Κοπάδης
Μαθηματικός Συγγραφέας
Όλες οι σημαντικές και έκτακτες ειδήσεις σήμερα
Θεοφάνεια ή Θεοφάνια; Τι απαντά ο Γιώργος Μπαμπινιώτης
«Άρουρα»: Tι σημαίνει η αρχαία λέξη και τι περιγράφει;
Σαρώνει ΕΞ ΑΠΟΣΤΑΣΕΩΣ το Γενάρη του 2026 η πιο εύκολη Πιστοποίηση Ιταλικών για το ΑΣΕΠ
Παν.Αιγαίου: Νέα Μοριοδοτούμενα σεμινάρια για Εκπαιδευτικούς με Υποτροφίες έως 5/2
