Το λογισμικό υπάρχει παντού γύρω μας, στο κινητό μας, στα αυτοκίνητα, στην τηλεόραση, κ.α. Επομένως, υπάρχει αυξημένη ανάγκη για προγραμματιστές που θα γράφουν και θα ελέγχουν «κώδικα», δηλαδή προγράμματα τα οποία αποτελούν αυτό που ονομάζουμε «λογισμικό». Θα ήταν ενδιαφέρον και πρακτικό, να είχαμε ένα σύστημα τεχνητής νοημοσύνης, στο οποίο θα περιγράφαμε τι θέλουμε να κάνει το πρόγραμμα που σκεφτόμαστε να κατασκευάσουμε και αυτό να έφτιαχνε το πρόγραμμα. Θα άφηνε «χώρο» για τους επαγγελματίες προγραμματιστές να σκεφτούν σε ένα ανώτερο και πιο αφαιρετικό επίπεδο, αφήνοντας τη γραφή και τον έλεγχο του «κώδικα», σαν να ήταν κάτι «τετριμμένο», σε συστήματα τεχνητής νοημοσύνης.
Μια πρώτη εκδοχή ενός τέτοιου συστήματος τεχνητής νοημοσύνης, έφτιαξε η Google μέσω της θυγατρικής της “DeepMind” και ονομάζεται “AlphaCode”. Το σύστημα αυτό, τροφοδοτήθηκε με αναρίθμητες γραμμές έτοιμου κώδικα από το GitHub, και στη συνέχεια «εκπαιδεύτηκε» να μεταφράζει περιγραφές προγράμματος σε κώδικα. Π.χ. θα μπορούσε να πάρει την εντολή «θέλω να φτιάξω ένα πρόγραμμα που να αναγνωρίζει όλους τους ζυγούς αριθμούς από μια λίστα αριθμών» και το σύστημα θα πρέπει να καταλάβει το ζητούμενο και να φτιάξει ένα πρόγραμμα σε Python ή C++ (γλώσσες προγραμματισμού) για να το επιτύχει.
Το “AlphaCode” δημιουργεί περίπου 1 εκατομμύριο διαφορετικές εκδοχές προγραμμάτων και τις «φιλτράρει» κρατώντας το καλύτερο 1% από αυτές. Στη συνέχεια τις φιλτράρει περαιτέρω με βάση τα αποτελέσματά τους, ώστε να καταλήξει στο πρόγραμμα που θα είναι το πιθανότερο να εκτελέσει επιτυχώς την εκάστοτε αποστολή. Αυτή τη στιγμή, καταφέρνει να δημιουργήσει επιτυχημένα προγράμματα σε ποσοστό 34%. Αν σας φαίνεται χαμηλό, σκεφτείτε ότι η αμέσως προηγούμενη καλύτερη έκδοση που διαθέταμε ως σήμερα (το Codex, από το μη-κερδοσκοπικό εργαστήριο OpenAI), είχε μονοψήφια ποσοστά επιτυχίας. Η Google δοκίμασε το “AlphaCode” και σε διαγωνισμούς προγραμματιστών, όπου εκεί τα κατάφερνε καλύτερα από τους μισούς σχεδόν προγραμματιστές.
Τα επόμενα βήματα στοχεύουν στην αύξηση της αποτελεσματικότητας αλλά και στη μείωση των πόρων που χρειάζεται για να λειτουργήσει το συγκεκριμένο σύστημα. Από την άλλη, στην έρευνα επισημαίνεται και το μακροπρόθεσμο ρίσκο να αναπτυχθεί κάποιου είδους υπέρ-νοημοσύνη από αυτό το πρόγραμμα, επομένως ένα ακόμη βήμα είναι να τοποθετηθούν και κάποιες δικλείδες ασφαλείας, ακόμη και αν η πιθανότητα φαντάζει μικρή.
Δημοσιευμένη Έρευνα: https://www.science.org/doi/10.1126/science.abq1158
Περισσότερα για την τεχνητή νοημοσύνη, την υπέρ-νοημοσύνη, τις προκλήσεις, τους κινδύνους, τα οφέλη, τα όρια που θέτει η φύση και άλλα πολλά συναρπαστικά, στον τόμο ΙΙΙ του έργου «Τα φυσικά φαινόμενα», τον οποίο μπορείτε να αποκτήσετε με έκπτωση και μηδενικά έξοδα αποστολής από τη σελίδα μας με ένα μήνυμα! Ρωτήστε μας!
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου