#14 - Sztuczna Inteligencja: Historia i Przyszłość | prof. Ryszard Tadeusiewicz

Jak był błąd duży, no to się te wagi tam zmieniało bardziej radykalnie, w lewo, w prawo. Można to było wszystko dokładnie zrealizować. Natomiast, jak mówię, na kwercoptronie jednowarstwowym błąd jest ewidentny. Mianowicie neuron wysyła na zewnątrz pewien sygnał, natomiast my znając prawidłową odpowiedź wiemy, że ten sygnał powinien być inny. No to odejmując od tego sygnału prawidłowego ten sygnał błędnie wyprodukowany przez sieć neuronową, możemy uzyskać wiadomość jak poprawić, jak zmienić. No i to oczywiście robimy. Natomiast cały problem polegał na tym, że gdyby wprowadzić dodatkowe warstwy, a pomiędzy warstwą wejściową, a wyjściową tych warstw może być w sumie w tradycyjnych sieciach neuronowych jeszcze dodatkowo dwie takie warstwy ukryte, ale w tej chwili ten tak zwany deep learning, czyli głębokie uczenie, no to tam tych warstw może być bardzo dużo.

Pokazało się, że sieci neuronowe, które miały być bardzo ograniczone, wcale ograniczone nie są. Przeciwnie, są w pełnym tego słowa znaczeniu uniwersalne. Dadzą się zastosować do właściwie No właściwie mówiąc uczciwie, do wszystkiego. Nie zawsze warto, nie zawsze to jest najlepsze rozwiązanie, ale sieci neuronowe są jednym z najlepszych narzędzi, jakie kiedykolwiek w sztucznej inteligencji powstało, a ta ich obecnie taka bardziej popularna odmiana, właśnie te sieci głębokie, z taką specjalną techniką deep learning, no są rzeczywiście bardzo, ale to bardzo silnym narzędziem. Tak, no tutaj też ten Hinton właśnie, on był odpowiedzialny między innymi za propagację wsteczną.

Hinton za to właśnie dostał Nobla, dostał Nobla w fizyce w zeszłym roku, w 2024, dostał Nagrodę Nobla z fizyki, ale właśnie tak naprawdę to za wsteczną propagację błędów, tak. Tak, ale z tym algorytmem też są pewne problemy, prawda, bo dopiero ten deep learning rozwiązał część tych problemów, to był 2006 gdzieś około rok, A ta wsteczna propagacja błędów to mówimy o połowie lat 80. Więc może by pan powiedział w paru słowach skąd się brały problemy i na czym polegały te problemy, że nie można było wtedy wykorzystać tego algorytmu i tych sieci neuronowych, które wtedy powstały, no w takiej formie jak teraz je wykorzystujemy. To znaczy główna sprawa polegała na tym, że sieć neuronowa ta tradycyjna, taka no trzywarstwowa, dwuwarstwowa, ona jak gdyby zbyt płytko analizowała właściwości danych,

Tak, no nie wiem czy do końca natury, to raczej jest jakby to powiedzieć... Z systemu przetwarzania. Tak. Osobiście jestem zdania, że Przyczynowość w zakresie emergencji jest niesłychanie trudna do ustalenia. My ciągle jeszcze tutaj troszeczkę brniemy po omacku. Wykorzystujemy tą emergencję tam, gdzie uda nam się ją okiełznać czy ukierunkować na cele zgodne z naszymi potrzebami. Natomiast z całą pewnością nie jest to Mechanizm, z którym byśmy dokładnie wiedzieli, gdzie są te sznurki, żeby za nie pociągnąć. Tak, rozumiem. Wracając do sztucznych sieci neuronowych, no to mamy ten algorytm wstecznej propagacji błędów i teraz okazuje się, że znowu nastąpiła w latach 90. pewnego rodzaju zima sztucznej inteligencji i dopiero w połowie lat dwutysięcznych udało się stworzyć, może przejść do tego deep learningu,

Głównie się teraz czyta o tych transformerach, tych sieciach generatywnych, GPT i tak dalej, a proszę powiedzieć, czy są próby połączenia tych sieci Hopfielda razem z tymi takimi bardziej klasycznymi deep learningowymi? Powiedzmy, czy słyszał Pan może o takich próbach i czy są z tego jakieś dobre rezultaty? Bo to się wydaje, że one leżą trochę osobno od siebie. Mam podobne wrażenie, że to są rzeczy, które jeszcze wzajemnie jak gdyby się nie zazębiły w żaden sposób. Leżą odrobnie. Ja zresztą w moich takich tam czasem opracowaniach popularnych mówię, że generalnie sztuczna inteligencja, nie tylko sieci neuronowe, ale generalnie sztuczna inteligencja przypomina taki archipelag wysp. Dlaczego? Bo są różne metody do różnych celów.

To nastąpiło w 1997 roku. Wtedy Garry Kasparow przegrał Deep Blue. Teraz jak patrzymy na miary rozumności, bo jak mówię, żeby nie powtarzać, miary inteligencji, sztucznej inteligencji, miary kompetencji, miary możliwości sztucznej inteligencji i ludzi, No to znowu widzimy coś bardzo podobnego, bo tak, ludzie tak z pokolenia na pokolenie bardzo nie mądrzeją. Niektórzy nawet twierdzą, że przeciwnie. Efekt flina się skończył. Tak, tak. Czyli krótko mówiąc, inteligencja ludzi, nawet tych najinteligentniejszych, tych należących do męzy, no ma jakiś tam limit, prawda, gdzieś tam przebiega poziomo właściwie, z pokolenia na pokolenie.