Σε ηλικία μόλις 27 ετών έδωσε λύση στο γρίφο του μαθηματικού Τζον Νας, ο οποίος είχε ταλαιπωρήσει για χρόνια χιλιάδες επιστήμονες. Δραστήριος και υπερκινητικός ως επιστήμονας, ο Κωνσταντίνος Δασκαλάκης, αναπληρωτής καθηγητής του ΜΙΤ κι ένα από τα λαμπρότερα μαθηματικά μυαλά διεθνώς, έρχεται την ερχόμενη Πέμπτη στη Στέγη Γραμμάτων και Τεχνών να μιλήσει αυτή τη φορά για την τεχνητή νοημοσύνη. Ο Ελεύθερος Τύπος της Κυριακής συνομίλησε με τον νεαρό επιστήμονα για τα ερευνητικά πεδία ενδιαφέροντός του, τις φιλοσοφικές του αναζητήσεις, αλλά και για τα πολιτικά και εκπαιδευτικά δρώμενα στην Ελλάδα.

 Τι είναι η τεχνητή νοημοσύνη και πόσο γρήγορα εξελίσσεται;

Η τεχνητή νοημοσύνη είναι ένας ευρύς, ασαφής όρος. Μερικές φορές αναφέρεται σε οποιουδήποτε τύπου αλγόριθμο αυτοματοποιεί έναν πολύπλοκο υπολογισμό. Κυρίως όμως αναφέρεται σε αλγορίθμους που αλληλεπιδρούν με το περιβάλλον τους, μαθαίνουν και εξελίσσονται. Η ανάπτυξη της ικανότητας εκμάθησης από δεδομένα χρησιμοποιεί πιθανότητες και στατιστική, δύο κλασικά επιστημονικά πεδία. Οι σύγχρονες εφαρμογές ασχολούνται όμως με προβλήματα που έχουν πιο σύνθετη δομή. Τα τελευταία χρόνια έχει γίνει επανάσταση στον τρόπο που ο υπολογιστής επιλύει αυτά τα προβλήματα. Μία από τις πιο εξελιγμένες μορφές τεχνητής νοημοσύνης είναι το image search, η αναζήτηση βάσει εικόνας στο Google. Αυτό που πρέπει να εκτιμήσουμε είναι ότι για έναν υπολογιστή, μία εικόνα δεν έχει προφανή δομή ή περιεχόμενο. Για τον υπολογιστή μία εικόνα είναι απλά μία σειρά από pixels. Γι’ αυτό και μέχρι πριν από λίγα χρόνια οι αλγόριθμοι είχαν στοιχειώδεις ικανότητες στην αναγνώριση εικόνας. Πλέον όμως ο υπολογιστής έχει φτάσει στο επίπεδο να καταλαβαίνει αυτή τη μέχρι πρότινος «χύμα πληροφορία». Μία εικόνα φαίνεται διαφορετικά ανάλογα με φωτισμό, τη λήψη γωνίας κ.λπ. Ο άνθρωπος μπορεί να εξάγει το περιεχόμενο μιας εικόνας ανεξαρτήτως της λήψης. Τώρα μπορεί και ο υπολογιστής.

Στην καθημερινή μας ζωή πόσο γρήγορα θα εισβάλει η τεχνητή νοημοσύνη και πόσο θα την επηρεάσει;

Θεωρώ ότι ήδη έχει αλλάξει η ζωή μας. Τα επόμενα 5 με 10 χρόνια, ίσως και νωρίτερα, αυτή η τεχνολογία θα φέρει τεράστιες ανατροπές στην καθημερινότητά μας και θα μπει με πολύ αλληλοεπιδραστικό τρόπο στη ζωή μας. Πρόκειται για μία επανάσταση που θα φέρει από αυτοοδηγούμενα αυτοκίνητα μέχρι έξυπνα καταστήματα, όπως το Amazon Go (σ.σ.: κατάστημα χωρίς υπαλλήλους και ταμείο, που χρησιμοποιεί αισθητήρες για να ανιχνεύσει ποια προϊόντα αγοράζουν οι πελάτες και τα χρεώνει αυτόματα στο λογαριασμό τους). Οι αλλαγές που θα έρθουν σε ελάχιστα χρόνια θα μας εκπλήξουν.

Στην ομιλία σας για την τεχνητή νοημοσύνη την Πέμπτη 12 Ιανουαρίου στη Στέγη Γραμμάτων και Τεχνών θα αναπτύξετε και μια σειρά φιλοσοφικών ερωτημάτων σχετικά με τη μάθηση και τη γνώση στην τεχνητή νοημοσύνη. Ποια είναι αυτά;

Θα μιλήσω για τεχνολογία που αλληλεπιδρά με το περιβάλλον της και μαθαίνει από παρατηρήσεις. Εκεί όμως προκύπτουν πολλά φιλοσοφικά ερωτήματα που αφορούν στο τι θα πει ότι ένας αλγόριθμος «μαθαίνει» και με τι τρόπο μαθαίνει καλύτερα. Ας πάρουμε το παράδειγμα της μηχανικής μετάφρασης. Μέχρι πρότινος, όταν σχεδίαζες ένα σύστημα μηχανικής μετάφρασης, χρησιμοποιούσες στο σχεδιασμό του αλγορίθμου σου πολλές τεχνικές γνώσεις που αφορούν τη γραμματική, το λεξικό, και το συντακτικό της γλώσσας από την οποία και προς την οποία κάνεις τη μετάφραση. Οι πιο επιτυχημένοι όμως σύγχρονοι αλγόριθμοι μηχανικής μετάφρασης χρησιμοποιούν ελάχιστη ειδική γνώση, όπως συντακτικό και γραμματική, και αναπληρώνουν την έλλειψη ειδικής γνώσης με πάρα πολλά παραδείγματα. Συγκεκριμένα, οι πιο επιτυχείς αλγόριθμοι για μετάφραση έχουν ένα απλό στατιστικό σκελετό που «προπονείται» με έναν καταιγισμό από παραδείγματα. Μια καλή πηγή παραδειγμάτων είναι τα πρακτικά της Ευρωπαϊκής Ενωσης που έχουν αντιστοιχισμένες προτάσεις σε διαφορετικές γλώσσες. Αυτή μας η εμπειρία με την τεχνολογία γεννά φιλοσοφικά ερωτήματα. Τι σημαίνει τελικά «μαθαίνω»; Και ποιος είναι τελικά ο καλύτερος τρόπος να μάθω κάτι; Τη μητρική μας γλώσσα τη μαθαίνουμε με παραδείγματα. Μια ξένη γλώσσα τη μαθαίνουμε με συντακτικό, γραμματική και λεξιλόγιο. Η εμπειρία μας με τους αλγορίθμους δείχνει ότι μαθαίνουν καλύτερα από παραδείγματα. Ισχύει αυτό και στον άνθρωπο; Κατά την ενασχόλησή μας με τους αλγορίθμους γεννώνται τέτοιου τύπου ερωτήματα.

Εκτός από φιλοσοφικά ερωτήματα, θεωρείτε ότι υπάρχουν και ηθικά;

Βεβαίως. Ενα επείγον προκύπτει στο σχεδιασμό αυτοοδηγούμενων αυτοκινήτων. Ας υποθέσουμε ότι ο αλγόριθμος που οδηγεί ένα αυτοκίνητο συνειδητοποιεί ότι επίκειται να γίνει ατύχημα. Πώς θα αντιδράσει; Μια επιλογή είναι να προχωρήσει ευθεία και να σκοτώσει έναν πεζό που περνάει με κόκκινο. Μια άλλη είναι να στρίψει ρίχνοντας το αμάξι πάνω σε ένα δέντρο σκοτώνοντας τον οδηγό. Ποια είναι η ηθική επιλογή; Αυτός που σχεδιάζει τον αλγόριθμο πρέπει να ενσωματώσει στο σχεδιασμό του τέτοιου τύπου αποφάσεις. Οταν προκύπτουν τέτοια ερωτήματα στην τεχνολογία, γίνεται πολλή σκέψη και συζήτηση, αλλά όχι όση θα έπρεπε. Αλλωστε τα συγκεκριμένα ζητήματα δεν αφορούν μόνο τους τεχνικούς επιστήμονες, αλλά άπτονται της νομικής επιστήμης και της φιλοσοφίας. Καθώς η τεχνολογία μπαίνει επιθετικά στη ζωή μας θα προκύπτουν συνέχεια τέτοιες προκλήσεις.

Η διδακτορική σας διατριβή όπου επιλύσατε το γρίφο του Τζον Νας σάς έκανε ευρέως γνωστό. Από τότε με τι άλλα προβλήματα έχετε ασχοληθεί;

Ενα μεγάλο κομμάτι της έρευνάς μου έχει να κάνει με την αλληλεπίδραση της θεωρίας του υπολογισμού και της οικονομικής επιστήμης. Εκτός από τα θεμέλια των οικονομικών που μελέτησα στο διδακτορικό μου, υπάρχουν πολλές εφαρμογές των οικονομικών στο Ιντερνετ, όπως οι δημοπρασίες που διεξάγει η Google στο Διαδίκτυο. Αυτές αποφασίζουν ποιες διαφημίσεις θα δω όταν αναζητώ κάτι στην ιστοσελίδα της Google ή όταν επισκέπτομαι κάποιο ειδησεογραφικό μέσο ή κάποια άλλη σελίδα. Σε ελάχιστα δέκατα του δευτερολέπτου από τη στιγμή που πατάω enter μέχρι να δω τα αποτελέσματα, σε κάποιον σέρβερ της Google τρέχει μια δημοπρασία στην οποία συμμετέχουν διαφημιστές που ενδιαφέρονται να δείξουν τη διαφήμισή τους σε μένα. Μεγάλο κομμάτι της έρευνάς μου αφορά στο πώς στήνεται μία τέτοια δημοπρασία ώστε να είναι ικανοποιημένοι τόσο οι χρήστες όσο και οι διαφημιστικές εταιρίες και η Google. Πιο πρόσφατα, έχω στραφεί στην τεχνητή νοημοσύνη και τη διεπαφή της με τη στατιστική και τη θεωρία πιθανοτήτων.

Συγκρίνοντας το ελληνικό με το αμερικανικό εκπαιδευτικό σύστημα, ποιες είναι οι παρατηρήσεις σας;

Το Πολυτεχνείο είχε καλό επίπεδο, αλλά ήταν αρκετά αποκομμένο από το υπόλοιπο επιστημονικό γίγνεσθαι. Χάρη στο Διαδίκτυο τώρα τα πράγματα έχουν βελτιωθεί δραματικά. Το βλέπω και στους φοιτητές μου που έρχονται από την Ελλάδα. Οταν ήμουν εγώ φοιτητής, κάποια συγγράμματα ήταν απαρχαιωμένα, άλλα ήταν δυσεύρετα. Οι δυσκολίες που συνάντησα όμως μου δίδαξαν «street fighting skills», τη δυνατότητα, δηλαδή, να επιβιώνω σε δύσκολες καταστάσεις. Τους φοιτητές στα αμερικανικά πανεπιστήμια τους φροντίζουμε πολύ. Δεν αγωνίζονται για τη γνώση όσο αγωνίστηκα εγώ, λόγω των συνθηκών. Αυτό αργότερα μου έδωσε πλεονέκτημα. Διότι όταν κάνεις έρευνα, πρέπει να μπεις στα βαθιά.

«Δεν βλέπω ελπίδα στην Ελλάδα, αλλά θα επέστρεφα αν…»

 Ποια είναι η άποψή σας για τα πολιτικά δρώμενα στην Ελλάδα;

Δεν βλέπω κάτι που να μου προκαλεί ελπίδα. Παρατηρώ αδιαλλαξία και τιμωρητική διάθεση από τους θεσμούς, ενώ από την ελληνική πλευρά δεν βλέπω τη διάθεση για διαρθρωτικές αλλαγές. Χωρίς αυτές δεν υπάρχει σωτηρία. Η Ελλάδα χρειάζεται εξαγωγές, όχι εσωτερική κατανάλωση. Εκτός από το συνάλλαγμα που μπαίνει στη χώρα από τον τουρισμό, μπορούμε να εξάγουμε τεχνολογία. Με το ταλέντο που βγαίνει από τα ελληνικά πανεπιστήμια, μπορούμε να το πετύχουμε, ειδικά σε τεχνολογίες πληροφορικής που δεν απαιτούν πολλές υποδομές. Τώρα βιώνουμε το δράμα να χάνουμε το ταλέντο μας στο εξωτερικό. Ποιος θα μείνει να τρέξει αυτή τη χώρα αν οι ικανότεροι φεύγουν;

Θα επιστρέφατε στην Ελλάδα αν υπήρχαν οι κατάλληλες οικονομικές και ερευνητικές συνθήκες;

Ναι! Αν θεωρούσα ότι μπορώ να συνεισφέρω με ουσιαστικό τρόπο, θα ερχόμουν.

ΕΛΠΙΔΑ ΟΙΚΟΝΟΜΙΔΗ

[email protected]

Από την έντυπη έκδοση του Ελεύθερου Τύπου της Κυριακής