Η Κίνα δεν θα κερδίσει την κούρσα για κυριαρχία στην Τεχνητή Νοημοσύνη | Foreign Affairs - Hellenic Edition
Secure Connection

Η Κίνα δεν θα κερδίσει την κούρσα για κυριαρχία στην Τεχνητή Νοημοσύνη

Οι αυταρχικοί αγαπούν τα data, αλλά η καινοτομία έχει μεγαλύτερη σημασία
Περίληψη: 

Ένα κράτος επιτήρησης όπως η Κίνα, με ένα λογοκριμένο Διαδίκτυο, μαζί με ένα σύστημα κοινωνικής βαθμολογίας που προωθεί την συμμόρφωση και την υπακοή, φαίνεται απίθανο να προάγει την δημιουργικότητα που απαιτεί η πρόοδος στην Τεχνητή Νοημοσύνη.

Ο CARL BENEDIKT FREY είναι συνεργάτης και διευθυντής του Future of Work στην Σχολή Oxford Martin στο Πανεπιστήμιο της Οξφόρδης και συγγραφέας του βιβλίου με τίτλο The Technology Trap: Capital, Labor and Power in the Age of Automation.
Ο MICHAEL OSBORNE είναι καθηγητής Μηχανικής Μάθησης στο Πανεπιστήμιο της Οξφόρδης, συνεργάτης της Σχολής Oxford Martin και συνιδρυτής του Mind Foundry.

Κάποτε, η Ιαπωνία αναμενόταν ευρέως να επισκιάσει τις Ηνωμένες Πολιτείες ως τεχνολογική ηγέτις του κόσμου. Το 1988, ο δημοσιογράφος των New York Times, David Sanger, έγραψε για μια ομάδα Αμερικανών ειδικών της επιστήμης των κομπιούτερ που συναντήθηκαν για να συζητήσουν την τεχνολογική πρόοδο της Ιαπωνίας. Όταν η ομάδα αξιολόγησε τη νέα γενιά υπολογιστών που έβγαιναν από την Ιαπωνία, έγραψε ο Sanger [1], «κάθε ψευδαίσθηση ότι η Αμερική είχε διατηρήσει το μεγάλο της προβάδισμα εξαφανίστηκε».

23062020-1.jpg

Λογισμικό ανάλυσης ανθρώπινης κίνησης με τεχνολογία Τεχνητής Νοημοσύνης σε έκθεση για την δημόσια ασφάλεια στο Πεκίνο, τον Οκτώβριο του 2018. Thomas Peter / Reuters
------------------------------------------------------------

Αντικαταστήστε τους «υπολογιστές» με την «τεχνητή νοημοσύνη» (artificial intelligence, ΑΙ) και την «Ιαπωνία» με την «Κίνα» και το άρθρο θα μπορούσε να είχε γραφτεί σήμερα. Στο βιβλίο με τίτλο AI Superpowers: China, Silicon Valley, and the New World Order, το οποίο αναπάντεχα έγινε ακαριαία ένα μπεστ σέλερ, ο πρώην πρόεδρος της Google Κίνας, Kai-Fu Lee, υποστηρίζει [2] ότι η ασυναγώνιστη συσσώρευση δεδομένων (data) από την Κίνα, η κουλτούρα της αντιγραφής, και η ισχυρή κυβερνητική δέσμευση για την τεχνητή νοημοσύνη, της δίνουν ένα μεγάλο προβάδισμα έναντι των Ηνωμένων Πολιτειών. Ο πολιτικός επιστήμονας του Πανεπιστημίου Χάρβαρντ, Graham Allison, υποστήριξε πρόσφατα ότι ο εναγκαλισμός της Κίνας με αυτό που οι περισσότεροι Αμερικανοί θεωρούν ως ένα εφιαλτικό κράτος επιτήρησης, της δίνει ένα σημαντικό πλεονέκτημα δεδομένων έναντι των Ηνωμένων Πολιτειών.

Ως ακαδημαϊκοί που μελετούν τις εφαρμογές και τις επιπτώσεις της τεχνητής νοημοσύνης, διαφωνούμε με σεβασμό. Η Κίνα, αν μη τι άλλο, φαίνεται λιγότερο πιθανό να προσπεράσει τις Ηνωμένες Πολιτείες στην τεχνητή νοημοσύνη από όσο η Ιαπωνία φάνηκε να κυριαρχεί στους υπολογιστές την δεκαετία του 1980. Παρότι η Κίνα είναι πλούσια σε δεδομένα (data) και έχει διακριθεί στην βελτίωση της τεχνολογίας που έχει εφευρεθεί αλλού, είναι πολλά αυτά που την εμποδίζουν από το να γίνει ο τόπος της επόμενης μεγάλης προόδου που οδυνηρώς χρειάζεται η τεχνητή νοημοσύνη.

ΤΑ DATA ΜΟΝΑ ΤΟΥΣ ΔΕΝ ΑΡΚΟΥΝ

Η Κίνα μπήκε στα διεθνή πρωτοσέλιδα με το να αξιοποιήσει αποτελεσματικά την τεχνολογία παρακολούθησης για τον εντοπισμό επαφών ως απάντηση στην COVID-19, την ασθένεια που προκαλείται από τον νέο κορωνοϊό. Ωστόσο, το υποτιθέμενο πλεονέκτημα της χώρας στα data είναι τεραστίως υπερεκτιμημένο. Ένας λόγος είναι ότι τα data είναι ιδιαίτερα συγκεκριμένα κατά τομείς και συχνά δεν επιλύουν κάτι παραπάνω εκτός από το πρόβλημα για το οποίο συγκεντρώθηκαν. Η περιφρόνηση της Κίνας για την προστασία της ιδιωτικής ζωής, της επιτρέπει να παρακολουθεί τους πολίτες της αλλά όχι πολλά άλλα. Και η πληθώρα δεδομένων επιτήρησης δεν δίνει στην Κίνα ένα πλεονέκτημα στην εφαρμογή τεχνητής νοημοσύνης σε στόχους όπως, για παράδειγμα, η ανακάλυψη φαρμάκων ή η αυτόνομη οδήγηση οχημάτων.

Το αίνιγμα της τεχνητής νοημοσύνης δεν έγκειται στην ποσότητα δεδομένων στην οποία έχουν πρόσβαση οι αλγόριθμοί της, αλλά στην αποτελεσματικότητα με την οποία μαθαίνει από αυτά τα δεδομένα. Ακόμη και με τεράστιους όγκους δεδομένων, τα συστήματα τεχνητής νοημοσύνης εξαπατούνται εύκολα για να κάνουν λάθη. Ο ερευνητής της Google, Christian Szegedy, και οι συνεργάτες του απέδειξαν αυτό το σημείο [3] ξεγελώντας έναν αλγόριθμο που κάποτε είχε με βεβαιότητα και σωστά ταξινομήσει εικόνες σκύλων και σχολικών λεωφορείων. Οι ερευνητές χειρίστηκαν τα pixel των εικόνων με τρόπο που θα ήταν εντελώς ανιχνεύσιμος στο ανθρώπινο μάτι -αλλά αυτό οδήγησε τον αλγόριθμο να ταξινομήσει τόσο τα σκυλιά όσο και τα σχολικά λεωφορεία ως στρουθοκαμήλους. Οι αλγόριθμοι τεχνητής νοημοσύνης μπορούν συχνά να αναγνωρίζουν αντικείμενα, αλλά δεν έχουν καμία εννοιολογική κατανόηση των σχέσεων μεταξύ αυτών των αντικειμένων ή των αντίστοιχων ιδιοτήτων τους. Όπως προειδοποίησε ο ερευνητής της βαθιάς μάθησης (deep learning), Yoshua Bengio [4], «Δεν μπορούμε ρεαλιστικά να βάλουμε από μια ετικέτα στα πάντα στον κόσμο και να εξηγήσουμε σχολαστικά την κάθε λεπτομέρεια στον υπολογιστή».

Πολλοί θεωρούν την Κίνα ως «την Σαουδική Αραβία των data». Αλλά εάν τα data είναι το νέο πετρέλαιο, μπορεί να είναι απλώς η κατάρα των φυσικών πόρων της Κίνας. Για παράδειγμα, στις αρχές του εικοστού αιώνα, τα ηλεκτρικά αυτοκίνητα φαινόταν να είναι πιο ελπιδοφόρα από τα αυτοκίνητα με βενζίνη. Τεράστιες ανακαλύψεις πετρελαίου, μεταξύ άλλων, έγειραν την ισορροπία υπέρ του κινητήρα εσωτερικής καύσης. Έναν αιώνα αργότερα, προσπαθούμε να επιστρέψουμε στα ηλεκτρικά αυτοκίνητα. Η τρέχουσα εστίαση σε εφαρμογές AI που διψούν για data μπορεί να οδηγήσει σε παρόμοιο εγκλωβισμό στο λάθος είδος της AI.

Έχουμε δει αυτό το έργο και στο παρελθόν. Στην δεκαετία του 1980, οι μεγάλες υποσχέσεις και η συντριπτική εστίαση στην εμβληματική τεχνητή νοημοσύνη προκάλεσαν τεράστια χρηματοδότηση και ενθουσιασμό στα media. Αυτό σήμαινε ότι η χρηματοδότηση για την «βαθιά μάθηση» στέγνωσε. Ωστόσο, η βαθιά μάθηση (deep learning) έχει τα δικά της προβλήματα και έχει κάνει πρόσφατα τις εταιρείες να επικεντρωθούν σε εύκολα προβλήματα AI, όπως η ταξινόμηση γατών και σκύλων, όπου τα δεδομένα είναι άφθονα. Αυτή η προσέγγιση από μόνη της είναι πιθανό να οδηγήσει σε φθίνουσες αποδόσεις που θα μπορούσαν ακόμη και να προκαλέσουν έναν άλλο χειμώνα της AI.