„Kodėl neįsivaizdavus ateities, kur mašinoms dirbant žmogus keliauja, draugauja, kuria ir mokosi, padedamas mašinų? Ateities, kur mašina padės mokytis ir itin gabiam, ir tam, kuriam dabar mokytis klasėje dėmesio ir kantrybės trūksta. Kur mašina kurs unikalų, mašininį meną, paveiksiantį mus kitokiais būdais nei žmonių kurtas menas. Technologijos mus įgalina ir, gal kiek paradoksaliai, padaro žmogiškesnius, skatindamos pasitempti, padėdamos išryškinti tai, kuo mes ypatingi“, – įsitikinęs jaunasis mokslininkas iš Lietuvos.
Konferencijoje „Vita Scientia“ kalbėsite, kaip gilusis mokymasis spartina mūsų supratimą apie žmogaus protą. Gal galėtumėte plačiau pakomentuoti, kas yra tas „gilusis mokymasis“?
Gilusis mokymasis (angl. deep learning) yra per pastaruosius penkerius metus išpopuliarėjęs mašinų mokymo būdas. Mašinas, kaip ir žmones, mokyti reikia. Negimiau mokėdamas atpažinti kates, išmokau juk kažkaip. Tad ir mašinai rodai katę, sakai „katė“, rodai šunį, sakai „ne katė“. Tikiesi, kad pamačiusi daugybę pavyzdžių mašina susiformuos „katiškumo“ sampratą, panašią į žmonių.
Tačiau ilgą laiką buvo neaišku, ką daryti, kad šitaip mokoma mašina tą sampratą atrastų. Lūžis įvyko sudėjus keletą ingredientų į receptą, kurį dabar ir vadiname giliuoju mokymusi. Pirmiausia reikalingi ypač sudėtingi, daugiasluoksnės architektūros dirbtiniai neuroniniai tinklai. Neuronų juose milijonai, reikia daugybės duomenų, šiuo atveju paveikslėlių, kuriuose būtų sužymėta, kas pavaizduota. Tarkim, norint atpažinti katę reiktų apie milijono paveikslėlių su katėmis ir kitais objektais. Tai yra milijonas paveikslėlių, rankomis sužymėtų. Titaniškas ir brangus darbas ir tiek duomenų paruošti, ir su tiek duomenų paskui treniruoti tuos neuroninius tinklus. Įprastas kompiuterio procesorius tam per lėtas, todėl treniruoti pasidarė įmanoma tik ėmus naudoti vaizdo plokštes, kurios skaičiavimus vykdo paraleliai, vadinasi, daug greičiau. Galiausiai reikia pakankamai stabilių algoritmų, kurie sugebėtų šitaip mokytis. Pastaraisiais metais visi šitie ingredientai ir sukrito krūvon.
Gilinatės į smegenyse vykstančius procesus, t. y. kaip žmogus sugeba atpažinti, kokius daiktus mato. Kuo jus tai žavi?
Viena vertus, tai tiesiog sudėtingas klausimas, kurį man įdomu narplioti. Esu plataus profilio žmogus, galėčiau lygiai taip pat smagiai užsiimti visiškai kitokiais klausimais. Tiesiog įkliuvau ir pasilikau ties šituo. Grožis man yra pačiame ieškojimo procese, kai kūrybinės galios tiesiog sproginėja, ieškodamos būdų įveikti problemą. Tai labai tyras, pakylėjantis procesas. Kas dieną bandai įvairiausias idėjas, po trupinį dėlioji sprendimą. Tiesą sakant, mane patį stebina, kad šitame procese nėra nei noro sau įrodyti, kad esu labai protingas, nei noro prieš kitus pasirodyti, nei noro būti šlovinamam, kad išsprendžiau sudėtingą problemą. Pats ieškojimas yra didis malonumas.
O kita vertus, be galo žavi dirbtinio intelekto technologijų potencialas. Tai tikri naujieji Laukiniai Vakarai. Atrodo, viskas įmanoma, mažiausias tyrėjas gali išspręsti esminę problemą, mažiausi startuoliai gali greitai tapti rinkos lyderiais, atradę sėkmingą dirbtinio intelekto panaudojimo receptą. O aš irgi pramuštgalvis juk, aš avangarde žygiuosiu, kad tik pirmas pamatyčiau.
Dirbtinio intelekto kontekste rega yra pirmoji grandis, norint perprasti žmogaus intelektą. Daugybė informacijos į smegenis patenka tiesiog žiūrint, todėl reikia suvokti, kaip ji apdorojama. Tarkim, jeigu norime savavaldžių automobilių, jiems, kaip žmogui, reikia matyti, kur važiuoja. Dalis tų regos procesų dabar yra suprasta ir aš labai tikiu, kad mes ne taip toli ir nuo galutinio sprendimo.
Kaip neuromokslai prisideda prie dirbtinio intelekto tyrimų?
Kol vieni gudruoliai bando išmąstyti, kaip sukurti dirbtinį intelektą, neuromokslininkai mėgina vogti geriausias idėjas iš gamtos. Kam kurti, jeigu gali nukopijuoti tai, kas jau puikiai veikia – mūsų smegenis? Bet čia tik teoriškai gali taip sakyti. Praktikoje dirbtinio intelekto tyrėjai kur kas toliau pažengę negu neuromokslininkai, mat perprasti procesus, vykstančius smegenyse, ne taip jau ir lengva. Tad vyrauja atvirkščias santykis: dirbtinio intelekto tyrimų rezultatai yra pritaikomi neuromoksluose, žiūrima, ar tie patys algoritmai, kurie leidžia mašinoms atpažinti daiktus ar suvokti tekstą, galėtų paaiškinti ir eksperimentinius duomenis, gautus iš tikrų smegenų. Ir, žiūrėk, kartais paaiškina! Tai padeda neuromokslininkams geriau susisteminti turimus eksperimentinius duomenis ir galvoti, ko dar nežinome.
Vis garsiau kalbama, kad mašinos ateityje pakeis žmones. Kokia jūsų nuomonė?
Aišku, kad pakeis. Kai taip sakau, laikausi požiūrio, kad žmogus irgi tėra mašina – sudėtinga mašina iš mėsos,– tad anksčiau ar vėliau turėsime šitos biologinės mašinos pakaitalą. Ir nieko tokio. Kai vežimas pakeitė žmogų, kažkaip niekas neliūdėjo. Greičiausias pasaulio žmogus bėga lėčiau už nukypusią mašiną be vieno rato. Na, ir kas? Nebūtina būti geriausiam, kad gyventum visavertį gyvenimą. Neįvardyčiau indų plovimo ar automobilio vairavimo kaip tų praturtinančių patirčių, nuo kurių tampame geresni. Tai tik vargas, kaip anuomet vargas buvo susirasti maisto. Žmogus su tokia vergyste kūnui nesitaikstė, ir štai dabar maistas pats į namus važiuoja.
Aišku, labiausiai bijoma, kad žmonės neteks darbų ir šiaip nebeturės kuo užsiimti. Mėgstama piešti niūrią ateitį, kur žmogus tampa visiška daržove arba mašinos vergu. O kodėl neįsivaizdavus kitokios ateities, kur mašinoms dirbant žmogus keliauja, draugauja, kuria ir mokosi, padedamas mašinų? Ateities, kur mašina padės mokytis ir itin gabiam, ir tam, kuriam dabar mokytis klasėje dėmesio ir kantrybės trūksta. Kur mašina kurs unikalų, mašininį meną, paveiksiantį mus kitokiais būdais nei žmonių kurtas menas. Technologijos mus įgalina ir, gal kiek paradoksaliai, padaro žmogiškesnius, skatindamos pasitempti, padėdamos išryškinti tai, kuo mes ypatingi.
Kokiose srityse žmones pakeisti mašinomis būtų sunkiausia?
Įsivaizduočiau, kad sunkiausia pakeisti žmones ten, kur žmogiškasis ryšys svarbus, pavyzdžiui, pardavimuose, politikoje ar verslo sandoriuose. Bet sunku įsivaizduoti pakaitalus ir trivialiuose darbuose, kurie, kol nepradedi mąstyti, atrodo, bus perimti mašinų. Pavyzdžiui, pašto pristatymas. Atvežti iki durų lengva, bet kas į laiptinę įeis, kas į duris paskambins, kas pavargusiu tonu sumurmės „čia parašiuko“? Reikia roboto su rankom ir kojom, o jie ir brangūs, ir trapūs, ir apskritai tik vieną kitą užduotį gali atlikti.
Bet ir tai gali greitai pasikeisti permąsčius infrastruktūrą. Daiktus, drabužius, maistą spausdinsimės patys namie, o mamytės uogienes dronai mėtys į balkonus. Visas bendravimas vyks papildytoje realybėje, nes taip ir greičiau (niekur keliauti nereikia), ir efektyviau – įvaldžius kalbos apdorojimą atsiras neįtikėtinos galimybės mašinoms manipuliuoti kalba ir sėkmingai įtikinėti žmones, pavyzdžiui, pirkti. Ir mašinos tai darys geriau už daugelį žmonių, nes jos paprasčiausiai bus labai patyrusios įtikinėjimo ekspertės su giliomis virtualiomis iškirptėmis. Geras pavyzdys yra AlphaGo – sistema, nugalėjusi žaidimo go pasaulio čempioną. AlphaGo turi daug laiko sulošti milijonus Go partijų ir išmokti pačių gudriausių ėjimų. Be to, AlphaGo nepavargsta ir nejaučia emocinio spaudimo laimėti. Tad šaltu veidu ir aplošia visus.
Jums nesvetimas ne tik mokslas, bet ir menas: esate vaidinęs ir universiteto, ir profesionaliojo teatro scenoje. Ar šios meno rūšies išmanymas ir prisilietimas prie jos kaip nors padeda moksle?
Teatro studijų anuomet ėmiausi norėdamas geriau save pažinti. Scena išlaisvino mane, leido priimti savo prigimtį. Režisieriui, su kuriuo daugiausia dirbau, šis žmogaus netobulumas buvo pagrindinė medžiaga teatrui – juk užgaidos, klaidos, iracionalumas ir apibrėžia žmogiškumą. O moksle iš tyrėjo juk tikimės tobulumo, absoliučiai racionalaus, nuoseklaus mąstymo. Mokslinėje bendruomenėje abu šie pradai ryškūs. Būtų klaidinga pamiršti, kad mokslininkai yra tokie pat žmonės su savais norais ir siekiais. Siekdamas įtikinti kolegas savo idėjų teisingumu, dažniau turiu mąstyti iš tos žmogiškosios perspektyvos, ieškoti žodžių į kito žmogaus suvokimą, o ne kalbėti vien teisingais, bet sausais, nuasmenintais faktais. Tačiau kai lieku su savimi, turiu nepasiduoti šokčiojančiam minčių spiečiui galvoje, turiu rasti nuoseklų kelią nuo vienos idėjos lig kitos. Reikia stiprios savikontrolės, kad sugebėtum išlikti racionalus.
Tas gebėjimas suvokti ir priimti žmogiškąją prigimtį, man regis, aktualus ir dirbtinio intelekto tyrėjams. Mąstydami apie mašinas turbūt įsivaizduojame jas niekada neklystančias, visuomet racionalias. Bet mašinos, kaip ir vaikai, mokosi iš mūsų. Jos tas pačias naujienas skaito, jos tuos pačius vaizdus mato. Jos tampa atspindžiu, kuriame geriausiai išryškėja mūsų visuomenės bėdos. Ir kaip mašinai elgtis su morale, su nerašytais susitarimais, su atjauta artimui? Visko galima išmokyti, net jausmus mes paversime mašininiu kodu, bet kaip užtikrinti tinkamą auklėjimą, mums, dirbtinio intelekto mokytojams, reikia mąstyti.
Konferencija „Vita Scientia“ vyks 2018 m. sausio 3 d. VU GMC. Registruotis į renginį galima iki gruodžio 3 d.
