Στο πάνθεον της σύγχρονης τεχνητής νοημοσύνης, ο Γιαν ΛεΚούν (Yann LeCun) κατέχει μια θέση που συνδυάζει το κύρος του βραβευμένου με Turing επιστήμονα και την ορμή ενός αιρετικού. Ενώ ο κόσμος παραμένει μαγεμένος από την ευφράδεια του ChatGPT και των διαδόχων του, ο επικεφαλής επιστήμονας της Meta (FAIR) συνεχίζει να κρούει τον κώδωνα του κινδύνου: τα Μεγάλα Γλωσσικά Μοντέλα (LLMs) δεν είναι ο δρόμος προς την πραγματική νοημοσύνη, αλλά ένα εντυπωσιακό, πλην περιορισμένο, αδιέξοδο.
Η Αυταπάτη της Ευφράδειας
Για τον ΛεΚούν, η ικανότητα ενός μοντέλου να συνθέτει γραμματικά άρτιες προτάσεις δεν συνεπάγεται κατανόηση του φυσικού κόσμου. Η τρέχουσα γενιά AI βασίζεται στην αυτοπαλινδρομική πρόβλεψη (auto-regressive prediction): μαντεύει την επόμενη λέξη με βάση τις προηγούμενες. Αυτό, σύμφωνα με τον ίδιο, στερείται τριών βασικών πυλώνων της ανθρώπινης νόησης: της λογικής σκέψης, του σχεδιασμού και της κοινής λογικής. «Τα LLMs δεν έχουν αίσθηση της πραγματικότητας. Ζουν σε έναν κόσμο κειμένου, όχι σε έναν κόσμο φυσικής», έχει δηλώσει επανειλημμένα, προκαλώντας συζητήσεις στα αμφιθέατρα της Silicon Valley.
Η κριτική του εστιάζεται στο γεγονός ότι τα μοντέλα αυτά «παραισθάνονται» (hallucinate) επειδή δεν διαθέτουν ένα εσωτερικό μοντέλο του κόσμου για να ελέγξουν την εγκυρότητα των ισχυρισμών τους. Αν ζητήσετε από ένα LLM να σχεδιάσει μια διαδρομή για ένα ρομπότ σε ένα δωμάτιο, μπορεί να αποτύχει παταγωδώς, καθώς δεν αντιλαμβάνεται τις τρεις διαστάσεις ή τη βαρύτητα. Αυτό είναι το «χάσμα της πραγματικότητας» που ο ΛεΚούν φιλοδοξεί να γεφυρώσει.
Η Αρχιτεκτονική JEPA: Μια Νέα Πρόταση
Το μεγάλο στοίχημα του ΛεΚούν μετά την εποχή του ChatGPT ονομάζεται JEPA (Joint-Embedding Predictive Architecture). Αντί το μοντέλο να προσπαθεί να προβλέψει κάθε λεπτομέρεια (κάθε pixel σε μια εικόνα ή κάθε λέξη σε ένα κείμενο), η αρχιτεκτονική JEPA προσπαθεί να μάθει αφηρημένες αναπαραστάσεις. Μαθαίνει να προβλέπει τα «σημαντικά» χαρακτηριστικά μιας σκηνής, αγνοώντας τον θόρυβο. Αυτό προσομοιάζει περισσότερο στον τρόπο που μαθαίνουν τα παιδιά: δεν χρειάζεται να δουν χίλιες φωτογραφίες ενός σκύλου για να τον αναγνωρίσουν, ούτε χρειάζεται να τους εξηγήσει κανείς τη βαρύτητα μέσω κειμένου· την αντιλαμβάνονται παρατηρώντας τον κόσμο.
Η Meta έχει ήδη κυκλοφορήσει το V-JEPA, ένα μοντέλο που μαθαίνει παρακολουθώντας βίντεο χωρίς ανθρώπινη επίβλεψη. Αυτή η «μάθηση χωρίς επίβλεψη» (self-supervised learning) είναι το ιερό δισκοπότηρο για τον ΛεΚούν. Πιστεύει ότι αν καταφέρουμε να δώσουμε στις μηχανές ένα «μοντέλο κόσμου» (world model), τότε θα μπορέσουν να σχεδιάζουν δράσεις, να προβλέπουν συνέπειες και τελικά να φτάσουν σε μια μορφή τεχνητής γενικής νοημοσύνης (AGI) που θα είναι ασφαλής και ελεγχόμενη.
Η Πολιτική της Ανοιχτής Πρόσβασης
Πέρα από το τεχνικό κομμάτι, ο ΛεΚούν είναι ο κύριος αρχιτέκτονας της στρατηγικής «Open Science» της Meta. Σε πλήρη αντίθεση με την OpenAI και την Google, η Meta δημοσιεύει τον κώδικα και τα βάρη των μοντέλων της (όπως η σειρά Llama). Ο ΛεΚούν υποστηρίζει ότι η απόκρυψη της τεχνολογίας AI υπό το πρόσχημα της ασφάλειας είναι ένας τρόπος για τις μεγάλες εταιρείες να εδραιώσουν μονοπώλια. «Η τεχνητή νοημοσύνη θα γίνει το λειτουργικό σύστημα της κοινωνίας μας. Δεν μπορεί να ελέγχεται από δύο-τρεις εταιρείες στην Καλιφόρνια», προειδοποιεί.
Αυτή η προσέγγιση έχει δημιουργήσει ένα τεράστιο οικοσύστημα προγραμματιστών που βελτιώνουν τα μοντέλα της Meta δωρεάν, δίνοντας στην εταιρεία ένα στρατηγικό πλεονέκτημα έναντι των κλειστών συστημάτων. Ωστόσο, η πρόκληση παραμένει: μπορεί η ανοιχτή κοινότητα να φτάσει το επίπεδο των μοντέλων που εκπαιδεύονται με δισεκατομμύρια δολάρια σε υπολογιστική ισχύ;
Το Μέλλον: Ενσώματη Νοημοσύνη
Το τελικό στάδιο του οράματος του ΛεΚούν είναι η ενσώματη νοημοσύνη (embodied AI). Αν η νοημοσύνη απαιτεί ένα μοντέλο κόσμου, τότε το καλύτερο εργαστήριο είναι η ίδια η πραγματικότητα. Τα επόμενα χρόνια, θα δούμε τη μετάβαση από τα chatbots που απλώς «μιλάνε», σε πράκτορες AI που «δρουν» στον φυσικό κόσμο μέσω ρομποτικής ή επαυξημένης πραγματικότητας. Ο ΛεΚούν στοιχηματίζει ότι η επόμενη μεγάλη επανάσταση δεν θα έρθει από ένα μεγαλύτερο γλωσσικό μοντέλο, αλλά από μια μηχανή που θα μπορεί να καταλάβει γιατί ένα φλιτζάνι πέφτει στο πάτωμα και πώς να το πιάσει πριν σπάσει.
