Χαιρετισμός, ΚΥΡΙΑΚΟΣ ΜΗΤΣΟΤΑΚΗΣ, Πρωθυπουργός της Ελληνικής Δημοκρατίας
Χαιρετίζω την ετήσια έκδοση των Εκπαιδευτηρίων σας, που αυτή τη φορά ασχολείται με το ιδιαίτερα ενδιαφέρον και επίκαιρο θέμα της Τεχνητής Νοημοσύνης.
Ενδιαφέρον γιατί πρόκειται για ένα θέμα που αφορά το μέλλον. Επίκαιρο γιατί αφορά ένα μέλλον, το οποίο είναι ήδη εδώ. Διότι η Τέταρτη Βιομηχανική Επανάσταση, το αγαπημένο της παιδί, η Τεχνητή Νοημοσύνη, το internet of things, το machine learning, το 3D printing, η εικονική πραγματικότητα ή augmented reality δεν είναι όροι οι οποίοι αναφέρονται σε ένα απώτερο αύριο επιστημονικής φαντασίας.
Η Τέταρτη Βιομηχανική Επανάσταση είναι ήδη εδώ και θα διαμορφώσει, με τελείως διαφορετικό τρόπο -σε σχέση με αυτά τα οποία γνωρίζουμε μέχρι σήμερα- όχι μόνο την οργάνωση της Kοινωνίας και την Oικονομία, αλλά και τη σύγχρονη Eκπαίδευση.
Όταν εκπαιδεύουμε τα νέα παιδιά -από το Δημοτικό ακόμα- στην τεχνική εκπαίδευση, δεν θα πρέπει να τα εξοπλίζουμε με στείρα γνώση η οποία απομνημονεύεται, με τον τρόπο που, δυστυχώς, ενθαρρύνει το ελληνικό εκπαιδευτικό σύστημα. Θα πρέπει να τους μαθαίνουμε τα λεγόμενα «soft skills». Πώς, δηλαδή, να αναπτύξουν τη συναισθηματική νοημοσύνη, πώς να δουλεύουν σε ομάδες, πώς να μιλάνε με πειθώ σε ένα. Αλλά, ταυτόχρονα, θα πρέπει να τους καλλιεργήσουμε και τις ψηφιακές δεξιότητες (digital skills): ψηφιακή χρήση, επικοινωνία, ασφάλεια, ψηφιακά δικαιώματα.
Δεξιότητες, δηλαδή, που πάντα θα αποτελούν προνόμιο της ανθρώπινης φύσης και δεν θα μπορούν εύκολα ούτε στο μέλλον να εκχωρηθούν σε μηχανές ή σε περίπλοκους αλγόριθμους. Με άλλα λόγια, αυτό το οποίο χρειαζόμαστε περισσότερο από ποτέ, είναι ένα νέο κοινωνικό συμβόλαιο, με ψηφιακά χαρακτηριστικά.
Δεν μπορούμε σε καμία περίπτωση να διανοηθούμε ότι αυτός ο νέος όμορφος κόσμος, ο γεμάτος προκλήσεις, που ανοίγεται μπροστά μας, θα είναι το αποκλειστικό προνόμιο κάποιων εργαζόμενων σε εταιρίες υψηλής τεχνολογίας ή κάποιων τεχνοκρατών ή κάποιων επιστημόνων οι οποίοι έχουν μεγάλη εξοικείωση με αυτά τα ζητήματα. Θα πρέπει να είμαστε σίγουροι ότι η πρόσβαση σε αυτό τον κόσμο αφορά όσο το δυνατόν περισσότερους πολίτες με όσο το δυνατόν μικρότερους αποκλεισμούς.
Διότι όταν μιλάμε για «τα νέα ρήγματα» τα οποία ανοίγονται στην ελληνική κοινωνία, αναφερόμαστε και στο ρήγμα μεταξύ αυτών που αισθάνονται ότι μπορούν να παρακολουθήσουν αυτές τις εξελίξεις, να προσαρμοστούν και να αξιοποιήσουν τις δυνατότητες του νέου κόσμου, και αυτών που αισθάνονται ότι μένουν πίσω, απομονωμένοι, αντιμετωπίζοντας αυτή την πραγματικότητα με έναν φοβικό τρόπο.
Κατά συνέπεια, η μετάβαση σε ένα επόμενο στάδιο, αυτό της σύζευξης ανθρώπου και μηχανής, εξαιτίας της Τεχνητής Νοημοσύνης, συνιστά μία προσαρμογή στα νέα δεδομένα που διαμορφώνονται. Και αυτό απαιτεί αναδιάρθρωση όχι μόνο της Εκπαίδευσης, αλλά και της διά βίου μάθησης.
Ωστόσο, δεν πρέπει να παραγνωρίσουμε αλλά να αντιμετωπίσουμε τις μεγάλες προκλήσεις που η Τέταρτη Βιομηχανική Επανάσταση προβάλλει ήδη ως ερωτήματα, τα οποία πρέπει να απαντηθούν σήμερα και όχι αύριο. Αναφέρω ενδεικτικά τα σημαντικά ηθικά διλήμματα και ζητήματα που αφορούν την προστασία των δεδομένων. Πόσο κοντά είμαστε σε έναν κόσμο όπου τα μηχανήματα θα αυτενεργούν και θα αναπτύσσουν «δικές τους σκέψεις»; Πόσο προστατευμένοι είμαστε απέναντι σε πιθανούς κινδύνους; Πόσο κινδυνεύουν τα ανθρώπινα δικαιώματα;
Φτάνοντας, λοιπόν, στο βέλτιστο σημείο ισορροπίας μεταξύ ηθικότητας και ωφελιμότητας οφείλουμε να κάνουμε ορθή διαχείριση των εφαρμογών που μας διαθέτει η Τεχνητή Νοημοσύνη. Γιατί, δεν μπορούμε να αγνοήσουμε το γεγονός ότι η ίδια η ιστορία της Ανθρωπότητας και του Πολιτισμού είναι συνυφασμένη με την πρόοδο της Τεχνολογίας, η οποία έκανε και κάνει τη ζωή μας, τελικά, καλύτερη και πολύ ασφαλέστερη. Και μέσα από το ίδιο πρίσμα πρέπει να αντιμετωπίσουμε και τις προκλήσεις της Τέταρτης Βιομηχανικής Επανάστασης, χωρίς φοβικότητα, με μετριοπάθεια, με θάρρος και με τόλμη. H Παιδεία είναι ο ανελκυστήρας για την πρόοδο κάθε νέου. Η μεγαλύτερη επένδυση για το μέλλον της χώρας μας. Αρωγός σε αυτή την προσπάθεια είναι η άμεση αξιοποίηση της επιστημονικής προόδου και η ενσωμάτωση και αξιοποίηση καινοτομιών, ειδικά των σύγχρονων ψηφιακών τεχνολογιών και στο χώρο της Εκπαίδευσης.
Έχει ειπωθεί πως. η διδασκαλία είναι κάτι περισσότερο από το να διανέμεις τη γνώση, είναι να εμπνέεις την αλλαγή.. Αυτό είναι το καθήκον της σύγχρονης Εκπαίδευσης και είναι υποχρέωσή μας να το στηρίξουμε.
Τεχνητή Νοημοσύνη: Επενδύοντας στο Μέλλον, ΙΩΑΝΝΗΣ ΒΛΑΧΑΒΑΣ, Καθηγητής, Εργαστήριο Ευφυών Συστημάτων Τμήμα Πληροφορικής, ΑΠΘ
Μετά από 60 χρόνια έρευνας, μεγάλων προσδοκιών και υποσχέσεων
αλλά και αποτυχιών, η Τεχνητή Νοημοσύνη (ΤΝ) σήμερα είναι μια
πραγματικότητα με έντονα κοινωνικo-οικονομικά αποτελέσματα. Οι
μέθοδοι ΤΝ και οι τεχνολογίες πρόκειται να φέρουν σημαντικές αλ-
λαγές στις κοινωνίες, στις επιχειρήσεις αλλά και σε Oργανισμούς, σε
παγκόσμιο επίπεδο. Ο ρόλος της ως ο κύριος οδηγός καινοτομίας, μελ-
λοντικής ανάπτυξης και ανταγωνιστικότητας αναγνωρίζεται σε διεθνές
επίπεδο. Σαν αποτέλεσμα η ΤΝ είναι στην κορυφή εθνικών και διεθνών
στρατηγικών επιλογών σε όλο τον κόσμο.
Η ΤΝ περιλαμβάνει ένα ευρύ φάσμα μεθόδων και τεχνικών με
πολλές σημαντικές εφαρμογές η κάθε μία. Τα κεντρικά προβλήματα της
ΤΝ περιλαμβάνουν το σχεδιασμό ενεργειών, την επίλυση προβλημάτων,
τη διαχείριση γνώσης, την αντίληψη (κατανόηση), τη μάθηση, την επε-
ξεργασία φυσικής γλώσσας και την αναγνώριση ομιλίας και εικόνας.
Από τα μέσα του 20ού αιώνα έως σήμερα, βιώνουμε την 3η Βιομη-
χανική Επανάσταση που χαρακτηρίστηκε και ως ψηφιακή επανάσταση
εξαιτίας της ανάπτυξης των ηλεκτρονικών (transistor και επεξεργα-
στών), των επικοινωνιών και των υπολογιστών. Αυτή η τεχνολογία
επέτρεψε να παράγονται δεδομένα κάθε φορά που χρησιμοποιούμε
το έξυπνο κινητό μας, σε κάθε συναλλαγή με την τράπεζα ή με κάποια
αγορά μέσω του διαδικτύου ή με πιστωτική κάρτα, από κάθε επικοινωνία
μας με τα μέσα κοινωνικής δικτύωσης και, γενικά, από κάθε σύγχρονη
δραστηριότητα. Εκτός από τους υπολογιστές, συνδεδεμένες στο διαδί-
κτυο είναι πολλές άλλες συσκευές καθημερινής χρήσης, όπως έξυπνα
ρολόγια, κάμερες, αλλά και οικιακές συσκευές, όπως κλιματιστικά και
ψυγεία, ενώ προβλέπεται πολύ σύντομα να αυξηθούν δημιουργώντας
ένα άλλο διαδίκτυο, αυτό των αντικειμένων (Internet of Things ή
IoT), το οποίο θα απαιτεί την ανάγκη για άλλες έξυπνες εφαρμογές
διαχείρισής τους.
Ο όγκος των δεδομένων που παράγεται κάθε λεπτό είναι ασύλ-
ληπτος δημιουργώντας, μάλιστα, έναν νέο τεχνικό όρο, αυτόν των
μεγάλων δεδομένων (Big Data) για να τα προσδιορίζει. Δημιουργούμε
περισσότερα από 2.5 Quintillion (δηλ. Million Billion) bytes δεδομένων
κάθε χρόνο. Το 90% όλων των δεδομένων έχουν παραχθεί τα τελευταία
2 χρόνια. Υπάρχει, μάλιστα, η πρόβλεψη ότι τα δεδομένα σε όλο τον
κόσμο θα διπλασιάζονται κάθε 2 χρόνια.
Οι παραδοσιακές υπολογιστικές τεχνικές δεν είναι σε θέση να δι-
αχειριστούν αυτόν τον όγκο των δεδομένων. Η λύση που υιοθετήθηκε
είναι η Τεχνητή Νοημοσύνη. Αυτά τα δεδομένα σε συνδυασμό με την
τεράστια, πλέον, υπολογιστική ισχύ των σύγχρονων υπολογιστών και
τις ευφυείς εφαρμογές που περιλαμβάνει η ΤΝ, χαρακτηρίζουν τη
λεγόμενη 4η Βιομηχανική Επανάσταση, που πολλοί ισχυρίζονται ότι
ήδη έχει ξεκινήσει.
Τι είναι αυτό που χαρακτηρίζει την εποχή μας;
▸ Η τεράστια (σε σχέση με το πρόσφατο παρελθόν)
υπολογιστική ισχύς
▸ Κολοσσιαίο πλήθος δεδομένων
▸ Η Τεχνητή Νοημοσύνη.
Χαρακτηριστικά τα οποία δίνουν ώθηση σε αναδυόμενες τεχνολογί-
ες σε ένα πλήθος πεδίων, στα οποία συμπεριλαμβάνονται η Ρομποτική,
η Νανοτεχνολογία, η Βιοτεχνολογία, το Διαδίκτυο των Αντικειμένων,
οι Ασύρματες Επικοινωνίες 5ης γενιάς, η Τρισδιάστατη Εκτύπωση, τα
Πλήρως Αυτόνομα Οχήματα, κ.ά.
Τι είναι Τεχνητή Νοημοσύνη (ή μηχανική ευφυΐα); Ένας από τους
πρώτους ορισμούς που διατυπώθηκαν από τους Barr και Feigenbaum
αναφέρει ότι «ΤΝ είναι ο τομέας της επιστήμης των υπολογιστών, που
ασχολείται με τη σχεδίαση ευφυών (νοημόνων) υπολογιστικών συστη-
μάτων, δηλαδή συστημάτων που επιδεικνύουν χαρακτηριστικά που
σχετίζονται με τη νοημοσύνη στην ανθρώπινη συμπεριφορά».
Με βάση τις προσδοκίες, τις δυνατότητες ή τις επιδιώξεις των
ερευνητών, στην ΤΝ διακρίνονται δύο προσεγγίσεις:
▸ η αδύναμη (weak), σύμφωνα με την οποία στόχος είναι
η δημιουργία μηχανών (συστημάτων) που θα συμπεριφέρονται
σαν να ήταν ευφυείς, και
▸ η ισχυρή (strong) προσέγγιση, όπου ο στόχος είναι
η δημιουργία μηχανών που πραγματικά σκέφτονται και δεν
προσομοιώνουν απλά το συλλογισμό.
Για την πρώτη, μάλιστα, περίπτωση υπάρχει και ένα τεστ (Turing
test), σύμφωνα με το οποίο μια μηχανή χαρακτηρίζεται ως ευφυής αν
δεν καταφέρει ένας άνθρωπος που θέτει ερωτήσεις να καταλάβει αν
αυτός που του απαντά είναι μηχανή ή άνθρωπος.
Οι εφαρμογές που απολαμβάνουμε και, ταυτόχρονα, θαυμάζουμε
σήμερα, ανήκουν στην αδύναμη (ή στενή) προσέγγιση της ΤΝ. Συστή-
ματα που έχουν εκπαιδευτεί για να διεκπεραιώνουν συγκεκριμένες
εργασίες χωρίς να έχουν προγραμματιστεί επακριβώς για αυτές. Όπως
για παράδειγμα:
▸ Ιατρική διάγνωση
▸ Ανίχνευση απάτης
▸ Πρόβλεψη τιμών οικονομικών μεγεθών
▸ Συστήματα συστάσεων προϊόντων (όπως το Netflix που
προτείνει ταινίες με βάση το προφίλ του χρήστη, αλλά και
η Amazon)
▸ Επεξεργασία φυσικής γλώσσας και αναγνώριση ομιλίας,
με χαρακτηριστικά παραδείγματα το σύστημα Siri της Apple,
την Alexa της Amazon, το Cortana της Microsoft και το MAIC της ελληνικής εταιρίας MLS
▸ Αναγνώριση εικόνας, με εφαρμογές από τις συσκευές κινητών
τηλεφώνων έως τα αυτόνομα οχήματα
▸ Παίξιμο παιχνιδιών (με ορόσημο την επικράτηση του DEEP
BLUE της IBM κατά του παγκόσμιου πρωταθλητή στο σκάκι
του Garry Kasparov το 1977)
▸ Μηχανική μετάφραση
▸ Αυτόνομη πλοήγηση οχημάτων σε πραγματικές συνθήκες
χρησιμοποιώντας βιντεοκάμερες και αποστασιόμετρα,
όπως για παράδειγμα τα συστήματα της Google, της Mercedes,
της Audi και, φυσικά, της Tesla
▸ Και φυσικά, Ρομποτική με πάρα πολλές εφαρμογές και
επιτεύγματα, όπως το Atlas της Boston Dynamics, στην εικόνα
1, που, εκτός των άλλων, είναι και πολύ καλός στο parkour!
αλλά και η SOPHIA, στην εικόνα 2, που είναι επίσης ένα
ανθρωπόμορφο ρομπότ που αναπτύχθηκε από την Hanson
Robotics το 2015 και έχει κάνει πολλές δημόσιες εμφανίσεις
δίνοντας συνεντεύξεις και εντυπωσιάζοντας του μη-μυημένους,
παρέχοντας έξυπνες απαντήσεις και αλλάζοντας τις εκφράσεις
του προσώπου της επιλέγοντας μία από τις 50 που διαθέτει.
Είναι το πρώτο robot που παίρνει υπηκοότητα καθώς τον
Οκτώβριο του 2017 έγινε πολίτης της Σαουδικής Αραβίας.
Τον Νοέμβριο του 2017 ανακηρύχθηκε από τα Ηνωμένα Έθνη
ως Innovation Champion και έγινε το πρώτο μη ανθρώπινο ον
που παίρνει τίτλο από τα Ηνωμένα Έθνη.
Προφανώς και υπάρχουν και άλλες εφαρμογές ΤΝ, που όμως αποτε-
λούν ένα μικρό παράδειγμα των εφαρμογών ΤΝ που υπάρχουν σήμερα.
Καμία επιστημονική φαντασία. Απλά, εφαρμογή της Πληροφορικής,
της Μηχανικής και των Μαθηματικών. Η πραγματική πρόκληση για την
ΤΝ αποδείχθηκε, όμως, ότι ήταν η επίλυση προβλημάτων τα οποία ήταν
εύκολα για τους ανθρώπους να διεκπεραιωθούν αλλά πολύ δύσκολο να
τα περιγράψουν, γιατί επιλύονταν διαισθητικά. Για παράδειγμα, η ανα-
γνώριση προσώπου, η αναγνώριση ομιλίας, η οδήγηση αυτοκινήτου, κ.ά.
Πολλές εφαρμογές της ΤΝ αναπτύχθηκαν γράφοντας κώδικα
για την αναπαράσταση της γνώσης του προβλήματος σε μια τυπική
γλώσσα (Rule or Knowledge base approach). Κανένα δεν γνώρισε
μεγάλη ή διαχρονική επιτυχία. Η αιτία αποδόθηκε στην προσέγγιση
που ακολουθήθηκε και χαρακτηρίζεται ως στατική (frozen software),
επειδή επιδέχεται βελτιώσεις μόνο από ενημερώσεις από τον προ-
γραμματιστή.
Αυτές οι δυσκολίες οδήγησαν ώστε να αναπτυχθούν συστήματα
ΤΝ τα οποία έχουν την ικανότητα λήψης της γνώσης τους εξάγοντας
μοντέλα ή πρότυπα από τα πρωτογενή δεδομένα. Αυτή η ικανότητα είναι
η Μηχανική Μάθηση (Machine Learning). Η ικανότητα δηλαδή των
υπολογιστών να εκτελούν μια συγκεκριμένη λειτουργία για την οποία
δεν έχουν σαφώς προγραμματιστεί αλλά προκύπτει ως αποτέλεσμα
εκπαίδευσής τους από τα δεδομένα.
Η Μηχανική Μάθηση μελετήθηκε από τότε που ξεκίνησε και η Τε-
χνητή Νοημοσύνη με το ανάλογο ενός νευρώνα του Frank Rosenblatt,
το 1958, και τη μάθηση συνάρτησης αξιολόγησης για αναζήτηση στο
παιχνίδι ντάμα του Arthur Samuel, το 1959. Ονομάστηκε Μηχανική
Μάθηση στις αρχές του 1980. Πρόσφατα γνώρισε μεγάλη ανάπτυξη
λόγω της συνεχόμενης αύξησης των δεδομένων και της υπολογιστικής
ισχύος αλλά και την πρόοδο σε αλγορίθμους και την ανάπτυξη θεωρίας,
καθώς και την αυξανόμενη ζήτηση για βιομηχανικές εφαρμογές.
Στη Μηχανική Μάθηση διακρίνουμε 3 κατηγορίες. Η πρώτη είναι
η επιβλεπόμενη μάθηση, όπου στο σύστημα (στον αλγόριθμο) δίνουμε
πολλά δεδομένα τα οποία έχουν μια ετικέτα (π.χ. αξιόπιστος ή μη, πελά-
της), και το σύστημα εκπαιδεύεται παράγοντας μια συνάρτηση αντιστοί-
χισης τέτοια, ώστε όταν της δώσουμε ένα άγνωστο δεδομένο (πελάτη)
θα προβλέψει με μεγάλη πιθανότητα την ετικέτα του (αξιόπιστος ή μη,
πελάτης). Οι ετικέτες, βέβαια, μπορεί να είναι πολύ περισσότερες από
δύο. Η δεύτερη κατηγορία είναι η μη επιβλεπόμενη μάθηση, όπου στο
σύστημα δίνουμε δεδομένα τα οποία δεν έχουν καμία ετικέτα και το
σύστημα τα διαχωρίζει σε ομάδες με κοινά χαρακτηριστικά. Θα μπορού-
σε για παράδειγμα να εφαρμοστεί στους πελάτες ενός super market
για να τους χωρίσει με βάση τις αγοραστικές τους συνήθειες. Η τρίτη
κατηγορία είναι η ενισχυτική μάθηση, όπου το σύστημα εκπαιδεύεται
αναλαμβάνοντας να επιτελέσει ένα έργο (π.χ. να κερδίσει ένα παιχνίδι
στην ντάμα) και λαμβάνοντας επιβράβευση ή τιμωρία ανάλογα με την
επιτυχή ή μη, έκβαση των επιλογών του.
Όλες οι μεγάλες εταιρίες έχουν εμπλακεί στο χώρο της ΤΝ εδώ και
χρόνια, όπως η Microsoft, η Oracle, η IBM, η Amazon και, φυσικά, η
Google, αν και βέβαια έχουν ασχοληθεί κυρίως με μία περιοχή της, τη
Μηχανική Μάθηση και ιδιαίτερα με μία υποπεριοχή της Μηχανικής
Μάθησης, τα Νευρωνικά Δίκτυα και τη Βαθιά Μάθηση.
Η Google (για την ακρίβεια ο Όμιλος Alphabet στον οποίο ανήκει
και η Google) έχει επενδύσει σοβαρά και στο χώρο των ευφυών παιγνί-
ων εξαγοράζοντας την εταιρία DeepMind, η οποία αρχικά ανέπτυξε το
πρόγραμμα AlphaGo που βασιζόταν σε ένα νευρωνικό δίκτυο το οποίο
εκπαιδεύτηκε στο παιχνίδι Go παίζοντας με εκατοντάδες επαγγελματίες
αλλά και ερασιτέχνες του συγκεκριμένου παιγνίου. Τελικά, κατάφερε
το 2017 να νικήσει τον Ke Jie, νούμερο 1 στο συγκεκριμένο παίγνιο. Στη
συνέχεια, ανέπτυξε το AlphaGo Zero, το οποίο εκπαιδεύτηκε παίζο-
ντας με τον εαυτό του για 8 ώρες, και αργότερα το AlphaZero, το οποίο
εκπαιδεύτηκε να παίζει εκτός του παιχνιδιού Go, και σκάκι και Shōgi
υπερνικώντας τα μέχρι τώρα αντίστοιχα λογισμικά (Stockfish και Elmo).
Συμπερασματικά, η Μηχανική Μάθηση είναι ένα ισχυρό εργαλείο
ΤΝ που μας επιτρέπει να επεξεργαστούμε τεράστια μεγέθη δεδομένων
δίνοντας νόημα σε έναν σύνθετο κόσμο, μετασχηματίζοντας σχεδόν
το σύνολο των επιχειρήσεων/Οργανισμών λύνοντας προηγουμένως
άλυτα προβλήματα. Φυσικά, οι άνθρωποι θα συνεχίσουν να έχουν ρόλο
είτε επικυρώνοντας μια διαπίστωση (π.χ. την ανίχνευση απάτης) είτε
εκτελώντας μια ενέργεια (π.χ. την ακύρωση μιας συναλλαγής).
Η δεύτερη προσέγγιση της ΤΝ, η ισχυρή (ή Γενική) ΤΝ, είναι πολύ
διαφορετική. Είναι μια μορφή προσαρμοζόμενης νοημοσύνης που την
συναντούμε στους ανθρώπους και δίνει τη δυνατότητα για πραγματικό
συλλογισμό και συνείδηση, δυνατότητα για διεκπεραίωση διαφόρων
τύπων και δυσκολίας εργασιών, καθώς και την αιτιολόγηση για διάφορα
θέματα με βάση συσσωρευμένη εμπειρία.
Ο Κινηματογράφος αντιμετώπισε τα τεχνητά κατασκευασμένα
ευφυή όντα σε πολλές κλασικές ταινίες επιστημονικής φαντασίας
(«Metropolis», «Star Trek», «Star Wars», «Alien»), άλλοτε με φόβο
(«Terminator», «I Robot», «Matrix», Insterstellar), άλλοτε με ελπίδα
(«Robocop», «Bicentennial Man»), και άλλοτε με συμπάθεια («Blade
Runner 1998 και 2049», «ΑΙ», «Her»). Δεν παρέλειψε, βέβαια, να εκφράσει
και τις αναστολές του ως προς τους ανθρώπους που κατασκευάζουν
τέτοια όντα, καθώς και τις επιφυλάξεις του ως προς την ηθική τους
(«Space Odyssey», «War Games», «Ex Machina», «Wall»).
Αλλά η ανθρώπινη συμπεριφορά είναι μακράν πολύ σύνθετη για
να υλοποιηθεί με ένα σύνολο κανόνων ώστε να εκτελεστούν από έναν
υπολογιστή και να παραχθεί συμπεριφορά ευφυής όπως η ανθρώπινη.
Επιπλέον, η ανθρώπινη συνείδηση παραμένει ένα μυστήριο και οι άν-
θρωποι δεν έχουν την ικανότητα για την περιγραφή και στη συνέχεια
υλοποίησή της σε ένα υπολογιστικό σύστημα. Άλλωστε, μας ενδιαφέρει
περισσότερο η δημιουργία συστημάτων που συμπεριφέρονται έξυπνα.
Καθώς η ΤΝ ήταν πάντα στο επίκεντρο σεναρίων φαντασίας ήταν
αναπόφευκτο να δημιουργηθούν μύθοι και σενάρια καταστροφολογίας,
όπως ότι η ΤΝ θα δημιουργήσει ανεργία, θα επιφέρει απροσδόκητα
αποτελέσματα, θα προκύψουν προβλήματα με την απόδοση ευθυνών σε
περίπτωση σφάλματος, ακόμη και ότι θα οδηγήσει στον αφανισμό του
ανθρώπινου είδους. Οι περισσότεροι φόβοι που έχουν εκφραστεί κατά
καιρούς για κάθε νέα τεχνολογία και ιδιαίτερα για την Πληροφορική
γενικότερα, φυσικά διαψεύδονται.