Ljudi nisu razvili inteligenciju jer su to željeli ili imali velike mozgove ili ruke ili bilo što.
Razvili su inteligenciju jer su morali ili umiru.
Ovo je način na koji evolucija funkcionira. Nije unaprijed određeno. To nije logičan rezultat dugog niza događaja. To se neće dogoditi samo zato što vrsta postoji dugo vremena. Prema toj mjeri, žohari, krokodili, morski psi itd. svi bi imali razvijenu inteligenciju.
Razlog zašto nisu razvili inteligenciju je taj što to nisu trebali da bi preživjeli. Bili su vrlo dobro prilagođeni preživljavanju u svom okruženju. Jedu, razmnožavaju se u dovoljnom broju i nastavljaju dalje. Morski pas koji je bio malo recimo, pametniji, nije preživio ništa bolje od onog koji to nije bio. Nije vjerojatnije da će se njegovi geni prenijeti na prosječnog morskog psa.
Ljudi su razvili inteligenciju jer su MORALI. To je ključ.
Nešto u našem okruženju prisiljavalo je na ovu prilagodbu. Morali smo razviti inteligenciju ili izumrijeti (što smo skoro učinili, čini se)
Dakle, pravo pitanje je, što se dogodilo da natjera ovu promjenu? Mnogi istraživači rade na ovom pitanju i željno iščekujem njihove nalaze.
Ukratko, mnogi ljudi mogu objasniti kako smo razvili inteligenciju, ali ne i zašto.
Dakle, natrag na izvorno pitanje.
Ne, hobotnice više neće postati inteligentnije osim ako postoji neki pritisak okoline koji tim hobotnicama, koje su kroz varijacije postale malo inteligentnije, daje prednost za preživljavanje. Bez tog pritiska okoliša, hobotnice, morski psi, dupini, slonovi itd. itd. jednostavno će ostati takvi kakvi jesu.
Proučavajući fiziku često sam bio impresioniran stvarima i uvidima u njoj koje su tako kristalno jasne i logične pa čak nerijetko kada se razumiju i pravo jednostavne, ali običnim razmišljanjem baziranim na svakodnevnom iskustvu prosječan čovjek nikada sam ne bi do njih došao niti bi ih otkrio.
Zašto je to tako? Zašto ne vidimo stvari pred našim nosom i zašto često ne vidimo ni ono u šta gledamo? Odgovor je možda u činjenici da glavni organ vida nisu oči nego mozak, a glavni ‘organ’ za razumijevanje i otkrivanje stvari nije baš mozak kao biofizički organ nego naš.. um!
Šta je to uopšte um i po čemu se razlikuje od onog šta nazivamo mozak 🧠? Um je u biti sve ono šta bi moglo biti preneseno na drugi isti mozak, odnosno to je skup informacija baziranih na našem iskustvu, ali i onih koje stalno primamo iz okoline.
Um kažu da može biti prazan (kod bezumnih ljudi) ili može biti zatvoren (kod ljudi koji imaju fiksirana mišljenja o svemu i nisu spremni da uče) ili otvoren (kod ljudi koji su stalno spremni da nešto novo nauče). Zanimljivo je da sve ove tri vrste umova mogu imati i prednosti i mane u zavisnosti od količine i kvaliteta njihovog stanja. Nekad je bolje imati malo prazniji um nego imati um napunjen svakakvim glupostima. Isto tako bolje je imati malo zatvoren um nego biti otvoren za svakakve gluposti. Također problem je imati previše otvoren um jer kažu da kod previše otvorenog uma um može skoro da ispadne!
Znači ključ je u balansu. Želite imati tačno onoliko informacija koliko je potrebno da bi ste bili produktivni i vjerojatno taj balans je kod svake osobe pomalo različit. Vrsta i količina informacija do kojih dolazite i vrijeme 🕒 za koje ih dobijate sve utiče na to koliko će vam te informacije biti od koristi odnosno koliko ćete na kraju zaista nešto moći novo saznati ili otkriti.
Čitajući fiziku i kroz njeno bolje razumijevanje nije samo da bolje možemo razumjeti svijet koji nas okružuje nego kao da možemo da otkrijemo nove svjetove o kojima prije nismo mogli ni misliti.
Informacije su hrana našeg uma i našeg shvatanja i razumijevanja svijeta, stvari i života i njihova prava količina i kvalitet nam mogu biti od koristi ili štetiti da bi bili pametniji.
Informacije su za pamet ono šta je energija za kretanje.Informacije se moraju konzumirati na svakodnevnoj osnovi da bi bili pametniji jer se ne može biti pametan da se ne bude informisan i aktuelan. 🤔
Onaj ko sedam dana provede bez pravih informacija sličan je čovjeku koji sedam dana provede bez hrane. Informacije su za zdrav um važnije nego što možemo misliti.
Gdje god da krenemo sve nam daje neku informaciju i šta god da radimo mi svijetu dajemo neku informaciju. Postojanje je u biti razmjena informacija ili bi se moglo reći da je postojanje skup informacija koje jedne sa drugima dolaze u kontakt i utiču jedne na druge.
Kroz historiju je uvijek bilo pametnih ljudi kao i Einstein i Newton ali nisu dolazili do otkrića kao oni jer nisu imali informacije kao oni. Kako se uopšte dolazi do pravih informacija? Nekad ciljano, a često posebno na početku slučajno. Prve ključne informacije o prirodi su pojedincima dolazile skoro slučajno nakon što hiljade drugih prije njih nisu ništa otkrili ili nakon što su i oni sami uradili hiljade pokusa bez ikakvih velikih otkrića. Svaki put kada je neko uradio neki eksperiment naučio je jotu neke vrijedne informacije i tako je neko nekad negdje došao do nekog velikog otkrića. Stalno pokušavajući možda nećemo definitivno uspjeti, ali rijetko pokušavajući velika je šansa da nikad nećemo uspjeti. Dakle osim gore spomenutog balansa ključ je i u konziszenciji u nastojanju jer je svaki novi detalj informacije kao jedan dio u slagalici koje će biti neko novo otkriće ili neko novo razumijevanje svijeta i života.
Možda oni koji su propustili važne lekcije u školi iz matematike i fizike zaista i nemaju nikakvu šansu da na fizikalan način razumiju svijet oko nas i zato im ostaju jedino mitološka objašnjenja! 🙌 🔥
Nova studija osporava uverenje da su viši rezultati inteligencije povezani sa bržom obradom informacija. Takođe otkriva vezu između sposobnosti rješavanja problema i razlika u povezanosti mozga i sinhronizacije između frontalnog i parijetalnog režnja. Nalazi sugerišu da postoji kompromis između brzine i tačnosti u kognitivnim procesima, naglašavajući važnost sporijeg i napornijeg razmišljanja za rješavanje teških problema i donošenje boljih odluka.
Nakon više od jednog veka istraživanja, od kojih je većina bila veoma kontroverzna, psiholozi se i dalje bore da definišu inteligenciju, a mnogi sumnjaju u validnost testova dizajniranih da je mere. Ipak, jedna ideja se pojavila i opstala: da su viši rezultati inteligencije povezani sa bržom obradom informacija ili “mentalnom brzinom.” Međutim, nova studija istraživača u Nemačkoj sada sugeriše da čak ni to možda nije tačno.
Studija objavljena u časopisu Nature Communications pokazuje da ljudima sa višim rezultatima inteligencije treba više vremena da reše složene probleme, jer je manja verovatnoća da će brzo donositi zaključke. Studija takođe povezuje sposobnost rešavanja problema sa razlikama u povezanosti mozga i sinhronizaciji između područja mozga.
Pravljenje veza
Michael Schirner sa Charité-Universitätsmedizin Berlin i njegove kolege ispitali su podatke 1.176 učesnika Human Connectome projekta, analizirajući odnos između rezultata inteligencije i vremena reakcije na Penn Matrix Reasoning testu, koji se sastoji od skupa sve težih zadataka koji odgovaraju obrascima. To je pokazalo da, dok su ljudi sa višim rezultatima inteligencije brže rešavali lakše probleme, trebalo im je duže da reše teške, očigledno zato što su više vremena provodili zaključivajući skrivena pravila pre nego što su došli do ispravnog rešenja.
Istraživači su generisali personalizovane modele moždanih mreža 650 učesnika, kombinujući podatke o povezivanju mozga iz svakog sa opštim modelima neuronskih kola za donošenje odluka i radnu memoriju. To je otkrilo da su oni kojima je trebalo duže da reše teške zadatke pokazali veću povezanost stanja mirovanja između frontalnog i parijetalnog režnja, kao i veću sinhronizaciju između frontalnog i parijetalnog režnja.
Poznato je da frontalni režanj igra važnu ulogu u pažnji i donošenju odluka, dok se smatra da parijetalni režanj prikuplja i integriše senzorne informacije. Studije skeniranja mozga sugeriraju da inteligencija uključuje fronto-parijetalnu mrežu, tako da veća sinhronizacija između ovih regija može odražavati prefrontalni mehanizam pažnje koji modulira obradu u parijetalnom režnju.
Pametniji, sporiji Rezultati osporavaju pretpostavku da je viša inteligencija rezultat bržeg mozga. Oni sugerišu da brže nije nužno bolje i da pod određenim okolnostima postoji kompromis između brzine i tačnosti koji rezultira boljim odlukama.
Dakle, dok je brzo, “automatsko” razmišljanje je adekvatno za donošenje odluka o lakim zadacima, sporiji i naporniji način spoznaje, koji podržava produženu integraciju relevantnih informacija, može biti bolji za rešavanje težih problema.
DARPA je jedna od najzanimljivijih američkih agencija. Posvećena je financiranju “ludih” projekata – ideja koje su potpuno izvan prihvaćenih normi i paradigmi. Ne treba čuditi što je DARPA pridonijela uspostavi ranog interneta i globalnog sustava pozicioniranja (GPS), kao i drugih bizarnih koncepata poput legiranih robota, tržišta predviđanja, pa čak i samoupravnih radnih alata. Otkako je DARPA prvi put osnovana, fokusirana je na mjesečeve snimke i inovativne napore, pa ne treba čuditi da se trenutno fokusira i na AI.
Nedavno je DARPA-ov Ured za informacijske inovacije objavio novu obabijest gdje je objasnio najsuvremeniju tehničku praksu, istaknuvši svoje mogućnosti u sadašnjosti – i razmotrio što bi to moglo učiniti u budućnosti. Online časopis Matična ploča opisao je članak kao AI hype.
Tri vala AI
DARPA razlikuje tri različita vala AI, svaki s vlastitim mogućnostima i ograničenjima. Od tri, treća je očigledno najuzbudljivija, no kako bi ju ispravno razumjeli morat ćemo proći kroz prve dvije.
Prvi AI val: Ručno znanje
U prvom valu AI, stručnjaci su razvili algoritme i softver prema spoznaji koju su oni sami posjedovali i pokušali pružiti te programe s logičkim pravilima koja su bila dešifrirana i konsolidirana tijekom ljudske povijesti. Ovaj pristup je doveo do stvaranja računala za igranje šaha i softvera za optimizaciju isporuke. Većina softvera koje koristimo danas temelje se na AI takve vrste: našem operacijskom sustavu Windows, našim aplikacijama za pametne telefone, pa čak i semafori koji omogućuju ljudima da prelaze ulicu kada pritisnu gumb.
Modria je dobar primjer za način na koji ovaj AI radi. Nizozemska vlada je posljednjih godina unajmila Modriju kako bi razvila automatizirani alat koji će pomoći parovima da se razvode uz minimalno sudjelovanje odvjetnika. Modria, specijalizirana za stvaranje pametnih pravosudnih sustava, preuzela je posao i razvila automatizirani sustav koji se oslanja na poznavanju odvjetnika i stručnjaka za razvod braka.
Na modrijskoj platformi, parovima koji žele razvod braka postavljaju se niz pitanja. To bi moglo uključivati pitanja o sklonostima svakog roditelja u pogledu skrbništva nad djecom, distribucije imovine i drugih uobičajenih problema. Nakon što par odgovori na pitanja, sustavi automatski identificiraju teme o kojima se slažu ili se ne slažu i pokušavaju usmjeriti rasprave i pregovore kako bi postigli optimalni ishod za oboje.
Sustavi AI prvog vala obično se temelje na jasnim i logičkim pravilima. Sustavi ispituju najvažnije parametre u svakoj situaciji koju trebaju riješiti i donose zaključak o najprikladnijoj akciji koju treba poduzeti u svakom slučaju. Parametri za svaku vrstu situacije prepoznaju unaprijed od strane ljudskih stručnjaka. Kao rezultat toga, sustavi prvog vala teško se mogu uhvatiti u koštac s novim vrstama situacija. Oni također imaju teška vremena apstrahiranja – uzimanje znanja i uvida koji proizlaze iz određenih situacija i njihovo primjenjivanje na nove probleme.
Ukratko, sustavi prvog vala AI sposobni su implementirati jednostavna logička pravila za dobro definirane probleme, ali su nesposobni za učenje i teško se bave nesigurnostima.
Sada, neki od vas čitatelja mogu u ovom trenutku slegnuti ramenima i reći da to nije umjetna inteligencija kao što većina ljudi misli. Stvar je, naše definicije AI su evoluirale tijekom godina. Ako bih pitati osobu na ulici, prije trideset godina, je li Google Maps softver AI, ne bi oklijevao u svom odgovoru: naravno, to je AI! Google karte mogu planirati optimalni tečaj kako bi vas odveli do vašeg odredišta. Pa ipak, mnogi danas vide mogućnosti Google Karata kao elementarne i zahtijevaju od AI-a da izvede mnogo više od toga: AI bi također trebala preuzeti kontrolu nad automobilom na putu, razviti savjesnu filozofiju koja će uzeti u obzir želje putnika i dati im kafa u isto vrijeme.
Pa, ispostavilo se da čak i “primitivni” softver poput Modrijevog pravosudnog sustava i Google karata predstavljaju dobre primjere za AI. I doista, sustavi prvog vala AI se danas upotrebljavaju posvuda.
Drugi val AI: Statističko učenje
Godine 2004. DARPA je otvorio svoj prvi Grand Challenge. Petnaest autonomnih vozila nastupilo je na popunjavanju tečaja od 150 milja u pustinji Mojave. Vozila su se oslanjala na AI prvog vala – tj. Pravilo utemeljeno na pravilima – i odmah je dokazalo koliko je to stvarno ograničeno. Svaka slika snimljena fotoaparatom vozila, nakon svega, je nova vrsta situacije koju AI mora riješiti!
Nisu mogli razlikovati različite tamne oblike na slikama i nisu mogli shvatiti je li to kamen, daleki objekt ili samo oblak koji zamagljuje sunce. Kao što je rekao zamjenik programskog direktora Grand Challengea, neka vozila – “bili su prestrašeni vlastite sjene, halucinirajući prepreke kad nisu bile tamo”.
Nijedna od skupina nije uspjela dovršiti cijeli tečaj, pa čak i najuspješnije vozilo imalo je samo 1,9 milja u utrku. Bio je to potpuni i krajnji neuspjeh – upravo onakvo istraživanje koje DARPA voli financirati, u nadi da će uvid i pouke iz tih ranih eksperimenata dovesti do stvaranja sofisticiranih sustava u budućnosti.
I to je točno kako su se stvari odigrale.
Godinu dana kasnije, kada je DARPA otvorio Grand Challenge 2005, pet vozila uspješno je došlo do kraja staze. Te su se skupine oslanjale na drugi val AI: statističko učenje. Google je voditelja jedne od pobjedničkih skupina postavio za razvoj Googleovog autonomnog automobila.
U sustavima sekundarnih AI sustava, inženjere i programere ne zanima učenje preciznih i točnih pravila za sustave koji slijede. Umjesto toga, razvijaju statističke modele za određene vrste problema, a zatim “obućuju” ove modele na mnogim različitim uzorcima kako bi ih preciznije i učinkovitije istrenirali.
Statistički sustavi učenja vrlo su uspješni u razumijevanju svijeta oko njih: mogu razlikovati ljude ili različite vokale. Mogu naučiti i prilagoditi se različitim situacijama ako su ispravno osposobljeni. Međutim, za razliku od sustava prvog vala, oni su ograničeni u njihovu logičkom kapacitetu: oni se ne oslanjaju na precizna pravila, već umjesto toga idu za rješenja koja “rade dovoljno dobro, obično”.
Primjer drugog vala je koncept umjetnih neuronskih mreža. U umjetnim neuronskim mrežama, podaci prolaze kroz računalne slojeve, od kojih svaki obrađuje podatke na drugačiji način i prenosi ih na sljedeću razinu. Obučavanjem svakog od tih slojeva, kao i cjelokupne mreže, oni se mogu oblikovati u proizvodnju najtočnijih rezultata. Često, trening zahtijeva da mreža analizira desetke tisuća izvora podataka kako bi postigla i mala poboljšanja. Ali općenito govoreći, ova metoda daje bolje rezultate od onih postignutih sustavima prvog vala u određenim područjima.
Do sada su sustavi drugog vala uspjeli preplaviti ljude pri prepoznavanju lica, prepisivanju govora i identifikacijom životinja i objekata na slikama. Izrađuju velike skokove u prijevodu, a ako to nije dovoljno – počinju kontrolirati autonomne automobile i zračne dronove. Uspjeh tih sustava u takvim složenim AI stručnjacima smeta, i iz vrlo dobrog razloga: još uvijek nismo sigurni zašto oni zapravo rade.
Ahilova peta sustava drugog vala je da nitko nije siguran zašto tako dobro rade. Vidimo kako umjetne neuronske mreže uspijevaju obavljati zadatke koji im se daju, ali ne razumijemo kako to rade. Nadalje, nije jasno da postoji zapravo metodologija – neka vrsta oslanjanja na osnovna pravila – iza umjetnih neuronskih mreža. U nekim aspektima oni su doista slični našem mozgu: možemo baciti loptu u zrak i predvidjeti gdje će pasti, čak i bez izračuna Newtonove jednadžbe gibanja.
Ovo ne izgleda kao velik problem na prvi pogled. Uostalom, umjetne neuronske mreže čini se da rade “dovoljno dobro”. Microsoft se možda ne slaže s tom procjenom. Tvrtka je prošle godine objavila bot društvenim medijima, pokušavajući oponašati ljudsko pisanje i razgovarati lagano s mladima. Bot, nazvan “Tai”, trebao je replicirati govorne obrasce 19-godišnje američke ženske mladosti i razgovarati s tinejdžerima u svom jedinstvenom slangu. Microsoft je shvatio da bi mladi voljeli to – i doista jesu. Mnogi od njih počeli su se prestrašiti Tai: rekli su joj o Hitleru i njegovom velikom uspjehu, otkrivajući joj da je teroristički napad 11. rujna bio unutarnji posao i objasnio u neizvjesnim uvjetima da su imigranti zabrana velike američke nacije. I tako, nekoliko sati kasnije, Tai je počeo primjenjivati svoje novo znanje, tvrdeći uživo na Twitteru da je Hitler bio u redu i zapravo nije ništa krivo učinio.
To je bio slučaj kada su Microsoftovi inženjeri ugasili Tai. Posljednji tweet je bio da odlazi da razmišlja. Koliko znamo, još uvijek razmišlja.
Ova je epizoda izložila izazov uzročnosti koji su inženjeri AI-a trenutno suočeni. Mogli bismo predvidjeti prilično dobro kako će prvi valovi funkcionirati pod određenim uvjetima. Ali s sustavima drugog vala više ne možemo lako prepoznati kauzalnost sustava – točan način na koji se ulaz prevede u izlaz, a podaci se koriste za donošenje odluke.
Sve to ne govori da su umjetne neuronske mreže i drugi sustavi drugog vala AI beskorisni. Daleko od toga. No, jasno je da ako ne želimo da naši sustavi unutarnjih poslova budu svi uzbuđeni zbog nacističkog diktatora, neka poboljšanja su u redu. Moramo se preseliti na sljedeći i treći val AI sustava.
Treći AI val: Kontekstualna prilagodba
U trećem valu, AI sustavi će sami izgraditi modele koji će objasniti kako svijet funkcionira. Drugim riječima, oni će sami otkriti logična pravila koja oblikuju njihov proces donošenja odluka.
Evo primjera. Pretpostavimo da sustav AI drugog vala analizira donju sliku i odluči da je to krava. Kako objašnjava svoj zaključak? Vrlo jednostavno – to ne čini.
Drugi valni AI sustavi zapravo ne mogu objasniti svoje odluke – baš kao što dijete nije moglo zapisati Newtonove jednadžbe kretanja samo gledanjem kretanja lopte kroz zrak. Najviše, sustavi drugog vala mogli bi nam reći da postoji “87% šanse da ovo bude slika krave”.
Treći val AI sustavi bi trebali biti u mogućnosti dodati neke tvari do konačnog zaključka. Kada će sustav trećeg vala utvrditi istu sliku, vjerojatno će reći da tamo gdje postoji četveronožac, postoji veća vjerojatnost da je to životinja. A budući da je njezina površina bijela, s crnom, još je veća vjerojatnost da je ovo krava (ili dalmatinski pas). Budući da životinja ima i vate i kopita, to je gotovo sigurno krava. To je, pretpostavlja se , ono što bi rekao sustav trećeg vala.
Sustavi trećeg vala moći će se osloniti na nekoliko različitih statističkih modela, kako bi se postiglo potpunije razumijevanje svijeta. Oni će se moći trenirati – baš kao Alpha-Go, kada je igrala milijune igara protiv sebe, kako bi se utvrdila pravila koja bi trebala koristiti. Sustavi trećeg vala bi također mogli preuzeti podatke iz nekoliko različitih izvora kako bi došli do finog i dobro objašnjenog zaključka. Ti sustavi mogu, na primjer, izvući podatke s nekoliko naših nosivih uređaja, iz pametne kuće, iz našeg automobila i grada u kojem živimo i utvrditi naše zdravstveno stanje. Čak će se moći programirati i potencijalno razvijati apstraktno razmišljanje.
Jedini problem je što, kako kaže direktor ureda za informacijske inovacije DARPA-e, “puno je posla kako bismo mogli izgraditi te sustave”.
A to su, što se tiče DARPA, najsuvremeniji AI sustavi u prošlosti, sadašnjosti i budućnosti.
Što to sve znači DARPA-ov doista objašnjava razlike između različitih AI sustava, ali malo za ublažavanje strahova onih koji nas potiču na oprez u razvoju AI. DARPA jasno kaže da nismo ni blizu razvijanju ‘Terminator’ AI, ali to nikada nije bilo pitanje. Nitko ne pokušava tvrditi da je AI danas dovoljno sofisticiran da čini sve stvari koje bi trebalo učiniti u nekoliko desetljeća: imati vlastitu motivaciju, donositi moralne odluke i čak razviti sljedeću generaciju AI.
Ali ispunjenje trećeg vala svakako je veliki korak u tom smjeru.
Sustavi trećeg vala AI moći će dešifrirati nove modele koji će poboljšati njihovu funkciju, svi oni sami mogu biti u mogućnosti programirati nove generacije softvera. Kada shvate kontekst i posljedice svojih postupaka, moći će zamijeniti većinu radnika, a možda i sve njih. I ako im je dopušteno preoblikovanje modela kroz koje ocjenjuju svijet, onda će zapravo moći reprogramirati svoju motivaciju.
Sve gore navedeno neće se dogoditi u idućih nekoliko godina, i zasigurno se neće postići u potpunosti u narednih dvadeset godina. Kao što sam objasnio, nijedan ozbiljan AI istraživač ne tvrdi drugačije. Temeljna poruka istraživača i vizionara koji su zabrinuti za budućnost AI-a – ljudi poput Stevena Hawkinga, Nick Bostroma, Elona Muska i drugih – jest da moramo početi odmah pitati kako kontrolirati ove treće valne sustave, takve vrste koji će postati sveprisutni dvadeset godina od sada. Kada razmotrimo sposobnosti tih sustava upravljanja zračnim prostorom, ova poruka ne izgleda pretjerana.
Posljednji val
Najzanimljivija stvar za mene, koju DARPA ne objašnjava, jest ono kako će izgledati četvrti val AI sustava. Hoće li se oslanjati na točnu emulaciju ljudskog mozga? Ili možda sustavi četvrtog vala pokazuju mehanizme donošenja odluka koje još nismo u stanju razumjeti – a koji će ih razviti sustavi trećeg vala?
Ta su pitanja otvorena da razmotrimo, ispitamo i istražimo.
To je naša zadaća kao ljudskih bića, barem dok sustavi trećeg vala i to ne preuzmu.
Tim fizičara razvio je veštačke neuronske mreže koje predstavljaju kvantne sisteme. To bi moglo pomoći u rešavanju kvantnih problema pružanjem preciznijeg prikaza kvantnog sveta.
MODELIRANJE KOMPLEKSNOG SISTEMA
Kvantna sprega, koju je Ajnštajn nazvao “sablasnim djelovanjem na daljinu”, jedan je od mnogih mogućih kvantnih sistema koje su fizičari istraživali za potencijalne primjene u širokom spektru oblasti. Ovo je u srcu kvantnih računarskih tehnologija, na primjer, i osnovni princip kvantne teleportacije i kvantne kriptografije. Istraživači tek treba da istraže ove kvantne sisteme u potpunosti. Shvatajući potrebu za boljim alatima, fizičari iz Joint Quantum Instituta (JQI) i Centra za teoriju kondenzovane materije Univerziteta u Marylandu (CMTC) okrenuli su se veštačkim neuronskim mrežama koje su konstruisane da funkcionišu i prenose informacije poput neurona u mozak.
“Ako želimo numerički riješiti neki kvantni problem, prvo moramo pronaći učinkovitu predstavu”, rekao je istraživač JQI Dongling Deng u priopćenju za tisak. On je dobio ideju nakon što je čuo da je umjetna inteligencija (AI) AlphaGo slavno porazila ljudske profesionalne igrače u 2016. Mašinsko učenje, koje je iza postignuća trenutnih AI sustava, činilo se kao uvjerljiv alat.
Istodobno, rad je predložio ideju korištenja neuronskih mreža za prikaz kvantnih stanja. “Odmah smo shvatili da bi ovo trebalo biti vrlo važan papir”, rekao je Deng, “pa smo svu svoju energiju i vrijeme stavili u proučavanje problema.” Objavili su svoju studiju u časopisu Physical Review X.
RAZUMIJEVANJE KVANTNIH STANJA
Da bi koristili neuronske mreže za predstavljanje kvantnih sustava, Deng i njegovi kolege proučavali su one koje se oslanjaju na dvije različite skupine neurona. Jedna grupa, nazvana “vidljivi neuroni”, upotrijebljena je za prikaz stvarnih kvantnih čestica sličnih atoma u optičkoj rešetki ili ionima u lancu. Druga skupina neurona korištena je za izračunavanje interakcija između čestica. Ti takozvani “skriveni neuroni” povezani su s vidljivim neuronima. Sve dok je broj veza bio relativno mali, opis neuronske mreže ostao je jednostavan.
“Ovo istraživanje je jedinstveno po tome što ne samo da pruža učinkovitu zastupljenost jako prepletenih kvantnih stanja”, rekao je u priopćenju JQI suradnik Sankar Das Sarma. Modeli su mogli proizvesti kompaktne prikaze brojnih zanimljivih kvantnih stanja, uključujući i one s iznenađujućim količinama zapletenosti. “To je novi način rješavanja nerazumljivih interakcijskih kvantnih problema s mnogim tijelima koji koriste alate mašinskog učenja kako bi pronašli točna rješenja”, dodao je Das Sarma.
Naravno, neuronske mreže imale su svoje granice, a nisu uspjele učiniti učinkovitu univerzalnu zastupljenost, rekao je Deng. Ipak, istraživanje bi se moglo značajno poboljšati kako bolje razumijemo kvantnu spregu. Kao što je tim napisao u svom radu: “Naši rezultati otkrivaju neusporedivu snagu umjetnih neuronskih mreža u prikazivanju kvantnih stanja mnogih tijela, bez obzira na to koliku zapletenost posjeduju, što otvara novi način za premošćivanje tehnika strojnog učenja temeljenog na računalnoj znanosti na izuzetne fizikalne probleme kvantnih kondenziranih tvari.”
Izračunato je da je vjerojatnoća da se slučajno pojave ljudi na Zemlji zajedno sa svime drugim puno manja nego što to broj atoma u poznatom Svemiru bi omogućavao. Konstantne fizike su toliko precizne do i u najmanju decimalu da je isto prosto nevjerojatno da su one slučajno tu. Prema mnogim fizičarima današnjice Svemir je jednostavno premal i prekatko je postojao da bi se slučajnim događajima stvorila Zemlja i život na Zemlji.
Logično objašnjenje kako bi se moglo generirati slučajnim putem nešto sa ovolikom preciznošću jest ako živimo u paralelnim Svemirima, odnosno da ima puno više Svemira nego samo ovaj jedan koji možemo da opažamo.
Druga ideja slična ovoj jest da mi živimo u jednom ogromnom jedinstvenom Svemiru od kojeg mi vidimo samo jedan mali dio, taj Svemir bi se zvao Megasvemir.
Treća ideja je da živimo u Omnisvemiru, svemiru u kojem baš sve postoji, a mi smo samo jedna od tih beskonaćno mnogo mogućnosti.
Četvrta ideja je da živimo u kompjuterskoj simulaciji, da je naš Svemir simulacija.
Peta ideja je da ništa nije slučajno, već da se iza svega krije inteligencija, da je neko inteligentno biće sve kreiralo i održava.
Dakle, mogućnosti su:
Multisvemir (Više svemira, ali njihov konačan broj)
Megasvemir (Jedan Svemir, ali ogroman)
Omnisvemir (Svemir koji obuhvata sve mogućnosti, beskonaćno beskonaćan Svemir)
Simulacija (Sve je iluzija stvorena računarskim ili nekim sličnim programom, a od koga pogledati pod 5.)
Inteligencija
Sve ove ideje s naučnog akspekta su upitne jer se naučnom metodom trenutno ne mogu ni dokazati ni opovrgnuti, ali ono šta nije upitno jest da živimo u Svemiru u kojem je sve nevjerojatno precizno podešeno da bi nam omogućilo postojanje.
Naša sudbina je na britvi noža i najmanja promjena u recimo nekoj stotoj decimali određenih konstantni bi dovela do toga da se Svemir sruši i gravitacijski sažme ili da se mi raspadnemo jer nuklearne sile i električne sile ne drže na okupu naše atome.
Na godišnjem sastanku Udruženja za psihološke nauke (APS) u Bostonu u SAD- u, psiholog sa Cornell univerziteta Robert Sternberg je alarmirao javnost o negativnom uticaju standardiziranih testova na društvo. Sternberg, koji je decenijama proučavao inteligenciju i testiranje inteligencije, je dobro poznat po svojoj “trojnoj teoriji inteligencije”, koja razlikuje tri vrste pameti: analitičkih tip koji se ogleda u rezultatima IQ testova; praktičnu inteligenciju, što je više od značaja za rješavanje problema iz stvarnog života; i kreativnost. Sternberg je iznio svoje stavove na predavanju pri dodijeli William James nagrade za životni doprinos psihologiji. On je objasnio svoju zabrinutost za časopis “Scientific American”:
Testovi-ono što ja nazivam abeceda testovi-su razumno dobre mjere akademske vrste znanja, kao i opšte inteligencije i srodnih vještina. Oni su u visokoj korelaciji sa IQ testovima i oni predviđaju mnogo stvari u životu: akademski uspjeh u određenoj mjeri, platu, nivo posla koji ćete moći dobiti, ali oni su vrlo ograničeni. Ono što sam predložio danas u mom izlaganju je da oni zapravo mogu da nas skupo koštaju. Naše isticanje uskih akademskih vještina – vrste koja vam pomaže da dobijete visoke ocjene u školi-može biti loša stvar iz nekoliko razloga. Na kraju ste s ljudima koji su dobri u polaganju testova i radu sa kompjuterima, a to su dobre sposobnosti, ali one nisu isto što i vještine koje moramo imati da bi učinili svijet boljim mjestom.
IQ je porastao 30 bodova u 21. stoljeću diljem svijeta. To je ogromno; to su dvije standardne devijacije, što je kao razlika između prosjeka IQ 100 i nadarenog IQ 130. Trebamo biti sretni o tome, ali ono što se ja pitam je: Ako pogledate na probleme koje imamo danas u svijetu – klimatske promjene, razlike u prihodima i siromaštvo, zagađenje, nasilje, te politička situacija koju mnogi od nas nikada ne bi mogli ni zamisliti, šta je onda sa svim onim IQ poenima? Zašto porast na testovima od IQ širom svijeta ne pomaže?
Ono što tvrdim je da inteligencija koja nije modulirana i upravljana razvojem kreativnosti, zdravim razumom i mudrosti nije tako pozitivna stvar za imati. Ono što to pravi su ljudi koji su vrlo dobri u unapređenju samih sebe, često na račun drugih ljudi. Mi možda ne odabiremo samo pogrešne ljude, možda razvijamo nepotpun set vještina – i moramo gledati na stvari koje će učiniti svijet boljim mjestom.
Da li znamo kako da gajimo mudrost?
Da. Gomila mojih kolega i ja izučavamo mudrost. Mudrost je učenje o korištenju svojih sposobnosti i znanja, ne samo za svoje sebične ciljeve i za ljude poput tebe. Kod mudrosti se radi o ostvarivanju zajedničkog dobra balansirajući svoj interes sa drugim ljudima i sa interesima višeg reda kroz infuziju pozitivnih etičkih vrijednosti.
Znate, lako je zamisliti pametne ljude, ali je stvarno teško razmišljati o mudrim ljudima. Mislim da je razlog taj što se ne pokušava razvijati mudrost u našim školama. I mi ne testiramo to, tako da ne postoji obaveza za škole da na to obrate pažnju.
Možemo li testirati za mudrost i možemo li ju naučiti?
Možete naučiti mudrost kroz primjere. Možete početi učiti mudrost i sa šest ili sedam godina. Ali ako počnete da učite ono što naše škole predaju u nastavi, a to je samo kako se pripremiti za rigorozne testove znanja, to istiskuje mjesto u nastavnom planu i programu od stvari koje su od suštinskog značaja. Starije škole su podučavale u nastavi dobre vrijednosti i dobru etiku i to kako biti uzoran građanin koliko i samo čitanje. To nije toliko o tome šta da radimo, ali više o tome kako da razmišljamo etički; kako da prođemo kroz etički problem i pitamo se: Kako naći pravo rješenje? Ne mislim da je uvijek dobro stavljati etiku i zaključivanje zajedno. U osnovi, etičko razmišljanje uključuje osam koraka: ako prepoznamo problem s kojim se trebamo pozabaviti (recimo, vidite vašeg druga kako prepisuje); identificiramo to kao etički problem; vidite taj problem kao dovoljno velik da bude vrijedan vaše pažnje (da nije kao samo prekoračenje brzine od jednog kilometra); smatrajući ga osobno relevantnim; razmisliti o tome koja etička pravila važe za taj problem; razmisliti o tome kako da ih primjenite; razmisliti što su posljedice etičkog djelovanja – jer ljudi koji se ponašaju etički obično ne pobjeđuju; i, na kraju, djelovati. Ono što tvrdim je da je etičko razmišljanje stvarno teško. Većina ljudi nikad ne prođu kroz svih osam koraka.
Ako je etička analiza samo po sebi teška, je li zaista danas imamo manje od iste i manje mudrosti nego u prošlosti?
Imamo primjere gdje političari napadaju novinare i budu izabrani na određenu poziciju kao da se ništa nije dogodilo i to sve nakon što imamo porast u svjestkom IQ od 30 bodova. Imali smo nasilje u predizbornim skupovima. Ne samo da se ne podstiče kreativnost, zdrav razum i mudrost, mislim da mnogi od nas ih čak više i ne cijenimo. Oni su tako daleko od onoga što se uči u školama. Čak i u puno vjerskih institucija možemo da vidimo mnogo etičkih i pravnih problema. Dakle, ako se ne uče ove vještine u školi ili kroz religiju ili kroz vaše roditelje, gdje ćete ih naučiti? Dobili smo ljude koji gledaju na svijet kao da se on vrti o ljudima kao što su i oni sami. Dobili smo neku vrstu plemenskog primitivnog razmišljanja.
Pa gdje vi vidite mogućnost da se nešto promijeni na bolje?
Ako počnemo testirati za ovu širu vrstu vještina, škola će početi da ih predaju. Moje kolege i ja smo razvili testove za procjenu kreativnosti, zdravog razuma i mudrosti. Neke institucije ih još uvijek koriste, ali je vrlo teško promijeniti institucije. Teško ih je brzo popraviti. Jednom kada imate sistem, ljudi koji imaju koristi od njega će doći na sam njegov vrh i onda će se oni jako boriti da ga zadrže.
Sadašnji obrazovni sistem baziran na standardiziranim testovima škodi svemu. Dobijamo naučnike koji su vrlo dobri u unapređivanju sadašnjih teorija – oni su dobri kad treba da urade sljedeći korak, ali oni nisu ljudi koji znaju praviti promijene na terenu. Oni nisu preusmjerivaći ili inovatori, koji započinju sve ispočetka. Inovatori su ljudi koji nam trebaju.
Je li imate nade da će doći do promjene?
Ako bi se moglo uvjeriti čak i nekoliko univerziteta i škola da pokušaju slijediti drugi pravac, drugi bi mogli slijediti. Ako počnete ohrabrivati kreativan stav, da se prkosi narodnim masama i duhu vremena, a ako učite ljude da misle svojom glavom i kako ono što oni rade utječe na druge, mislim da ste na dobrom putu i da na taj način ne možete izgubiti. A ove stvari se mogu podučavati i mogu se testirati.
