Velike količine najrazličnejših digitaliziranih podatkov so skupaj z velikimi sistemi za strojno učenje zadnja leta spodbudile hiter razvoj umetne inteligence, za katero se zdi, da zna misliti že na zelo podobni ravni, kot znamo to početi ljudje. Ne le da so pametni stroji že zelo hitri pri izvajanju vnaprej natančno določenih zaporedij ukazov, ampak se lahko naučijo zelo zanesljivo izvajati tudi mnoga opravila, za katera nihče sploh nima natančnih navodil, ki bi se jih dalo v obliki programa vstaviti v računalnik.

Prepoznavanje predmetov na slikah, razumevanje govora in prevajanje besedil so tipična opravila, ki jih računalniki z zmogljivimi procesorji in izpopolnjenimi programi še nedavno niso znali izvajati enako kakovostno, kot znamo to početi ljudje. Nato je prišlo pred nekaj leti na področju strojnega učenja do revolucije, ki je bistveno spremenila način, kako se stroji sploh lotevajo učenja.

Stroji, ki se samostojno učijo

Namesto da bi računalnike programirali po vnaprej določenih navodilih, kako naj izvajajo zahtevana opravila, so jih po novem raje pripravili do tega, da so se samostojno učili na podlagi velike količine podatkov o že izvedenih primerih početja, ki so ga želeli izvajati.

Da se sistem za strojno učenje nauči denimo prepoznavati in zapisovati govor v nekem jeziku, potrebuje zelo veliko podatkov. Ocenjujejo, da za napredno učenje zapisovanja govorjene besede potrebujejo podatke v skupnem obsegu, ki ustreza vsaj petim letom neprekinjenega govorjenja. Seveda pa morajo biti takšni zvočni posnetki opremljeni tudi s tekstovnim zapisom govora, saj se stroj le tako lahko kaj nauči.

Podobno kot zapisovanja govorjene besede se znajo sistemi za strojno učenje naučiti tudi mnogih drugih opravil, če imajo le na voljo dovolj ustrezno strukturiranih podatkov. Andrew Ng, eden izmed najbolj znanih strokovnjakov za strojno učenje, ocenjuje, da se zna umetna inteligenca danes naučiti že večino miselnih opravil, ki jih znamo ljudje izvesti brez posebnega napora v manj kot sekundi. Posebej poudarja, da to pravilo ne velja univerzalno, a je zelo dober pripomoček za ocenjevanje, pri katerih opravilih nas bodo kmalu nadomestili roboti.

Če sledimo pravilu, ki ga je predlagal Andrew Ng, so zaradi napredka umetne inteligence ogroženi predvsem poklici, pri katerih delavci opravljajo serije medsebojno povezanih miselnih opravil, ki jih znamo ljudje izvesti v manj kot sekundi. Vožnja avtomobila je lep primer takšnega zaporedja, pri katerem se čutne zaznave dogajanja v okolici nadgrajujejo z odločanjem, kako obrniti volan oziroma pritisniti na plin ali zavoro. Tovrstna opravila znajo že danes zelo dobro izvajati algoritmi, ki so specializirani za posamezno nalogo.

Meje zmožnosti strojnega učenja

Vendar ima trenutna tehnologija strojnega učenja še vedno velike težave z mnogimi za ljudi sicer povsem enostavnimi nalogami. Eno takšnih opravil je denimo miselno dopolnjevanje tega, kar zaznavamo v svoji okolici. Če ne vidimo celega predmeta ali zaznamo le njegov obris, ga lahko naši možgani brez težav dopolnijo v koherentno celoto. Znano je, da imamo vsi ljudje v svojem zornem polju slepo pego, ki je mesto na mrežnici, kjer ni nobenih za svetlobo občutljivih celic. Vendar kljub temu nikoli nimamo občutka, da česa pred seboj ne vidimo. Možgani spretno dopolnijo informacije, ki jih dobivamo iz očesa, da se nam zdi, kot da vidimo celotno sliko dogajanja pred seboj.

Dopolnjevanje tega, kar vidimo, je za nas zelo preprosto, saj imamo v glavi natančen model svoje okolice, ki ga informacije, ki prihajajo iz čutil, zgolj prilagajajo in dopolnjujejo. Za umetno inteligenco, vsaj kakršno poznamo danes, pa je takšno dopolnjevanje manjkajočih čutnih vtisov še zmeraj preveč zahtevno opravilo, da bi ga izvajala s tako lahkoto, kot to počnemo ljudje.

Ključna težava, s katero se soočajo današnji pametni stroji, je spoznanje, da za dopolnjevanje delnega poznavanja stanja okolice ni enoznačnih pravil, ki bi se jih stroj lahko naučil. Univerzalnih pravil ni tudi za napovedovanje bližnje prihodnosti okolice iz stanja, ki ga poznamo v sedanjosti.

Lep primer je denimo svinčnik, ki ga postavimo na konico. V tem primeru dobro vemo, da bo padel, ne vemo pa, na katero stran se bo zvrnil. Umetna inteligenca se mora v tem primeru naučiti, da lahko svinčnik pade na različne strani, kar pomeni, da so vse napovedi njegovega padca na stran pravilne, ne le tista, ki se dejansko zgodi.

Podobnih delno naključnih dogodkov, kot je padec na konico postavljenega svinčnika, je v resničnem svetu veliko, in v takšnih primerih trenutne metode strojnega učenja še niso najbolj učinkovite. Naučiti se morajo namreč, da so nekateri dogodki naključni, vendar je v tej naključnosti vseeno neka logika.

Strojno učenje praviloma temelji na prilagajanju velikih sistemov večplastnih nevronskih mrež, ki se malo spremenijo vsakič, ko pravilno ali napačno napovedo dogodek. V primeru padca svinčnika pa obstaja veliko različnih dogodkov, ki so vsi podobno pravilni, česar sedanji algoritmi za strojno učenje še ne znajo učinkovito vrednotiti.

Ena izmed metod, ki jih trenutno preizkušajo, je kombiniranje dveh ločenih nevronskih mrež, pri čemer se prva uči, kako se obnašajo posamezni predmeti (denimo da lahko svinčnik pade na katerokoli stran), druga pa te informacije nato uporabi pri učenju tega, kaj se bo zgodilo v konkretnem primeru. Tako se za pravilno napoved šteje padec svinčnika na katerokoli stran, kar je bistveno drugače kot pri učenju zgolj ene nevronske mreže, ki kot pravilno napoved dojame le točno določeno smer padca.

Umetna inteligenca in svobodna volja

Pametni sistemi v samovozečem avtomobilu, ki prav tako ugotavljajo stanje okolice in napovedujejo razmere za nekaj trenutkov v prihodnost, trenutno temeljijo predvsem na prepoznavanju predmetov. Prihodnje lege avtobusa, ki pelje po sosednjem pasu, ali smetnjaka ob cesti je mogoče dokaj enostavno napovedati, saj sistem predvidi, kako daleč se lahko predmet premakne v katerokoli smer iz trenutne lege. Te informacije nato uporabi za odločanje, kako peljati.

Sposobnost ustvarjanja notranje slike zunanjega sveta in napovedovanja, kakšna bo ta podoba v bližnji prihodnosti, je ena od bistvenih lastnosti živali in ljudi. Ljudje smo v tem početju še posebej spretni, saj znamo svojo notranjo predstavo sveta poljubno premikati v času in se vživljati tudi v okoliščine, ki se še niso ali se morda nikoli ne bodo zgodile. Ljudje znamo to početi brez velikega napora, današnji stroji pa so pri takšnih nalogah še zelo okorni.

Ljudje lahko v mislih oziroma v našem notranjem simulatorju dogajanja v svetu vnaprej premislimo, kaj se bo zgodilo pod različnimi pogoji. Prav zato, ker lahko vnaprej predvidimo in premislimo posledice različnih izbir, ki so nam na voljo, se lahko svobodno odločamo.

Svobodna volja tako ni nič skrivnostnega, ampak je le sposobnost človeških možganov, da svoj notranji model sveta v situacijah z različnimi okoliščinami odvrtijo naprej v času in si kot v filmu vnaprej ogledajo možne posledice dejanj. Svobodno se tako ne odločamo takrat, ko zgolj sledimo svojim občutkom in željam, ampak ko vnaprej predvidimo posledice svojih izbir in te vizualizacije nato uporabimo pri odločanju. Živali zaradi bioloških omejitev njihovih možganov takšnih zahtevnih miselnih opravil niso zmožne, zato nimajo svobodne volje.

Če svobodno voljo razumemo kot zmožnost vnaprejšnje simulacije oziroma predvidevanja prihodnjih dogodkov, kar vpliva na naše odločanje v sedanjosti, je pomembno vprašanje, ali bo tudi umetna inteligenca nekoč zmožna ustvarjati enako bogate subjektivne predstave sveta in pod različnimi pogoji predvidevati, kako bodo dogodki potekali v prihodnosti, glede na različne možnosti, ki so na voljo za delovanje v sedanjosti. Bo to pomenilo, da bodo imeli takrat tudi stroji svobodno voljo?