Moje teze by šla shrnout do následujících bodů, v nichž se rozcházím s autory brožurky, a které na několika úrovních dále v textu rozepíšu:

1. Nelze vyloučit velmi pokročilou AI.
2. Pravděpodobnost jejího vzniku v následujících desítkách let je nezanedbatelná.
3. Takovéto systémy představují existenční riziko.
4. V současnosti se problému na celosvětové úrovni věnují jen stovky lidí, což je vzhledem k závažnosti problému velmi málo. Zvlášť, když se většina snaží přijít na technické řešení, ale potřeba bude i mezinárodní shoda a kooperace.

Předmluva o stavu debaty

Ještě než se pustím do věcných argumentů, nemůžu si odpustit pár komentářů k aktuálnímu stavu debaty ohledně rizik AI.

Vytváří se minimálně dva názorové tábory, jejichž příslušníci se často vymezují vůči sobě navzájem, přestože v ideálním světě by si měli právě oni nejvíce rozumět a spíš se podporovat. Snadno lze spekulovat, že za tím stojí obavy z konkurence o prostředky a pozornost. Ale ať už to je jakkoliv, tak rozdíly jsou jen v různých neempirických předpokladech, z čehož pak obě skupiny vnímají jak jsou různá rizika pravděpodobná.

Buďme epistemicky skromní, protože nikdo v současnosti neví, jak přesně se AI bude dále vyvíjet. Nevíme, jak je těžké vytvořit systém s dlouhodobým plánováním; zda se systémy budou umět rekurzivně sebezlepšovat a jak dlouho; kolik budeme mít pokusů o vytvoření sladěného AGI nebo jestli nás první takový systém zbaví kontroly nad budoucností.

Postřeh z úplně jiného soudku ohledně dynamiky vývoje debaty o bezpečnosti AI je, že I. J. Good a jiní pionýři informatiky viděli existenční rizika, o kterých se bavíme dnes, už před více než 60 lety. Nicméně tehdejší systémy nebyly dost výkonné a řečeno jednoduše, prostě nefungovaly. Poté přišlo dlouhé období takzvaných „AI zim“, kdy výzkum pokračoval, ale bez velkých objevů nebo vzrušujících průlomů. Před zhruba dvaceti lety se situace začala měnit. Růst výkonu počítačů najednou umožnil dělat zajímavé věci, jako třeba rozpoznání lidské tváře na obrázku. A pár jednotlivců začíná bít na poplach. Eliezer Yudkowsky zakládá první organizaci s explicitním cílem pomoci vývoji bezpečné pokročilé umělé inteligence, MIRI. Před asi 10 lety se tématu začínají věnovat multidisciplinární vědci, jako je Max Tegmark z MIT a Nick Bostrom z Oxfordu. Oba na svých univerzitách zakládají instituty zabývající se existenčními riziky a téma se začíná pomalu dostávat do akademického prostředí.

Dalším důležitým milníkem je vydání knihy Jako člověk, jejíž autor Stuart Russell, profesor z Berkley, zastupuje široce uznávané a naprosto mainstreamové výzkumníky strojového učení, kteří začínají varovat před velkými riziky. Russell mimo jiné napsal nejvíce používanou učebnici o umělé inteligenci na světě.

Dnes vznikají deklarace, které uvádí: „Zmírnění rizika vyhynutí způsobeného AI by mělo být globální prioritou, na úrovni s ostatními riziky na úrovni společnosti, jako jsou pandemie a jaderná válka.“. Podpořily je vedoucí osobnosti ve výzkumu umělé inteligence, včetně předních výzkumníků a ředitelů výzkumných laboratoří jako Demis Hassabis z DeepMind, Dario Amodei z Anthropic a Ilya Sutskever z OpenAI. Mezi signatáři jsou také Geoffrey Hinton a Yoshua Bengio, oba jsou laureáti Turingovy ceny, ocenění často považovaného za ekvivalent Nobelovy ceny v oboru informatiky, kteří jsou také nejcitovanějšími výzkumníky v oblasti strojového učení. Podepsal je i výše zmíněný Russell. Prominentní filozofy, kteří výzvu podepsali, zastupují například David Chalmers a Daniel Dennett, pod výzvou se najdou i biologové, odborníci na mezinárodní vztahy či nukleární bezpečnost.

Od pár jednotlivců jsme se dostali do doby, kdy před existenčními riziky varují naprosté špičky oboru. Grantové agentury vypisují grantové výzvy a firmy jako OpenAI vydávají zprávy o tom, že do výzkumu sladění mocných AI systémů investují 20 % výpočetního výkonu, což je v přepočtu zhruba hodně peněz.

Co si z toho odnést?

Eliezer Yudkowsky na jedné straně křičí, že nás všechny AI skoro jistě zabije. Autoři brožurky říkají, že tyto starosti jsou bláhové a odvádějí pozornost.

Nabízím následující analogii (která kulhá, jako každá analogie…): představte si, že by ředitelé vývoje vakcín Pfizeru a Moderny společně s nejcitovanějšími vědci v epidemiologii, virologii a vakcinologii podepsali prohlášení typu: „Je 10% šance, že vakcíny způsobí dramatický evoluční tlak na COVID-19 ve směru zvyšování nakažlivosti a smrtnosti.“ Jak moc by takové prohlášení zkomplikovalo diskuzi o nasazení plošného očkování a o kolik větší tlak na další vývoj a mitigaci těchto rizikových aspektů by byl adekvátní? Nebo jiný příklad: jste ve dvacátém patře mrakodrapu a chcete nastoupit do výtahu, ulehčit si námahu chůze po schodech a ušetřit čas. Jenomže u výtahu je skupina lidí, inženýrů, vývojářů výtahů, statiků a kontrolorů. Část z nich tvrdí, že výtah je bezpečný, a část z nich, že může spadnout a všechny v něm zabít. Opět, nastoupili byste do takového výtahu?

Chci tím říct, že vzhledem k závažnosti existenčních rizik, která nezanedbatelná část předních a relevantních odborníků vznáší, dává smysl je vyslyšet i za absence širšího konsenzu. Zvlášť když dynamika diskurzu ukazuje, že relevantních lidí, kteří mají tyto obavy, přibývá. Rozuzlení situace přijde až v budoucnosti, nyní mají obě strany jen kvalifikované odhady, intuice a úvahy.

Reakce na vybrané části brožurky

Nerozumí, ale fungují

Na straně 12 se píše „vykazují inteligentní chování, aniž by ale měly vlastnosti, které si spojujeme s inteligencí lidskou. (… ) Neznají významy slov a vět, doopravdy nám nerozumí, nevědí, co nám odpovídají (vlastně ani neví, že odpovídají)“, a dále se mluví o Searlově myšlenkovém experimentu.

Moje reakce je, že souhlasím, že jazykový model GPT-4 nepředstavuje existenciální hrozbu, ale ne proto, že mu chybí porozumění, vědomí nebo záměrnost. Pěkně se tématu věnuje například studie Model evaluation for extreme risks od DeepMind, v níž se o rizicích přemýšlí primárně jako o množinách schopností modelů, ne o vnitřních stavech jako vědomí. GPT-4 tedy není z pohledu existenčních rizik problematický, protože není dostatečně dovedný v klíčových nebezpečných oblastech.

Nicméně je potřeba říct, že s tvrzeními z příručky lze velmi jednoduše nesouhlasit. GPT-4 na mnoha úrovních chápe svět, rozumí slovům i konceptům a umí uvažovat. Lze to říct i za použití termínů, které nemáme silně spojeny s lidskou formou inteligence, ale které považuji do značné míry za zaměnitelné. Například, že velké jazykové modely jako GPT-4 mají dobrou vnitřní reprezentaci světa, umí generalizovat řešení problému z jednotek příkladů, umí se zorientovat ve složitých problémech a abstrahovat důležité aspekty. Pokud je necháte nad problémem přemýšlet postupně, tak poskytují lepší odpovědi, než když jsou nuceny reagovat okamžitě. Zároveň jsou dotrénovány tak, aby měly informaci, že jsou prediktivní umělou inteligencí. V dalších tréninkových bězích, až budou přímo trénované na datech, která o nich budou obsahovat články a tisíce vědeckých studií, tak budou mít mnohem přesnější reprezentaci sebe sama v kontextu světa.

Tak jako čínský pokoj pro vnějšího pozorovatele umí čínsky, tak GPT-4 pro vnějšího pozorovatele očividně chápe spoustu věcí. A to je to důležité.

Záměrnost, respektive snaha dosáhnout cíle, je vlastností všech systémů založených na zpětnovazebném učení (RL – Reinforcement Learning). Nicméně je pravda, že u GPT-4 je to hodně potlačeno tím, že má velmi krátkodobý primární cíl„generuj pravděpodobný token textu“ a RL z lidské zpětné vazby (RLHF - Reinforcement Learning from Human Feedback) bylo použito jen na dotrénovaní něčeho jako „chovej se jako příjemný, nekontroverzní chatbot“.

Nicméně to, čemu lze efektivně říkat záměrnost, lze koncepčně snadno přidat. Stačí GPT-4 zapojit do smyčky a říct mu, že si má nějaký cíl vymyslet, pokusit se ho splnit a dát mu přístup k příkazovému řádku.

Lidé to už zkouší a zadávají systémům jako ChaosGPT úkoly typu „znič svět“. To, že tu všichni ještě jsme, je podle mne nejlepší empirický důkaz toho, že GPT-4 není dostatečně šikovný v kritických oblastech, aby svět zničil. Ale ne kvůli nedostatku záměrnosti. Koneckonců šlo by dlouze filozofovat o tom, jak moc velkou záměrnost mají lidé nebo jestli existuje svobodná vůle.

Konkrétně, AI systémy nás už roky poráží ve hrách, jako jsou šachy nebo go. Nemůžeme si být jistí tím, že se nemůžou naučit námi manipulovat, sebezdokonalovat se, provádět kybernetické útoky nebo například vyvíjet pokročilé biologické patogeny.

Třeba AlphaGo nerozumí hře go podobně jako lidé, ale to je do značné míry irelevantní. Porazí jakéhokoliv člověka i skupinu lidí.

Abych to shrnul, argumentovat čínským pokojem může vést k nebezpečnému sebeuklidnění. Zdůrazňováním nedostatku porozumění nebo záměrnosti u umělé inteligence riskujeme, že budeme ignorovat skutečný problém – potenciál škod, které tyto systémy mohou způsobit bez ohledu na to, jaké jsou vnitřní kvalitativní stavy. Filozofické debaty o vědomí a porozumění AI jsou sice fascinující, ale neměly by být ztotožňovány s bezpečností AGI systémů a neměly by nás uklidňovat úvahy o tom, že vnitřní porozumění AI systémů není stejného typu, jako mají lidé. Koneckonců GPT-4 nemusí “rozumět” pojmu dezinformace, aby je mohl produkovat, což je něco, s čím i autoři brožurky souhlasí.

Proč by nám pokročilé AI systémy chtěly ublížit?

Pokud budeme předpokládat, že AI systémy jsou plně sladěné, tedy dělají to, co jim řekneme takovým způsobem, jakým chceme, tak situace je jednoduchá. Najdou se lidé, kteří takovému AI systému řeknou „znič svět“, „vyprodukuj biologickou zbraň s nakažlivostí spalniček a smrtností prionové choroby“ nebo něco podobného. Už dnes lidé přesně takové prompty zkouší zadat agentním verzím GPT, jako je například AutoGPT a ChaosGPT.

Pokud budu jen o trochu méně cynický, tak se najdou lidé, kteří takovému systému zadají úkol typu: „vydělej mi bez ohledu na ostatní co nejvíce peněz/moci nebo jiného osobního benefitu“. Takovýto prompt nemusí zadávat nutně jednotlivec, ale může ho zadat dostatečně velká korporace, která bude mít prostředky vycvičit si vlastní, ničím neomezovaný systém. Tak jako ExxonMobil věděl o změně klimatu jako jedna z prvních institucí na světě, ale rozhodl se s tím nic nedělat a dále vydělávat peníze. Nebo firmy produkující freony a jiné látky ničící ozonovou vrstvu, které v tom vesele pokračovaly, dokud nedošlo k Montrealské mezinárodní dohodě označované jako „perhaps the single most successful international agreement to date“. Je podivuhodné, že žijeme ve světě, kde dohodnout se na zastavení destrukce ozonové vrstvy je oslavováno jako mimořádný úspěch. Na jakékoliv rozumné planetě s obyvateli, kteří mají ambice na ní dlouhodobě přežít, by to měla být naprostá samozřejmost.

Takže pokud subjektivní benefit pro sobecké jedince a organizace z bezskrupulózního užití pokročilých AI bude dostatečně velký, rozhodně z nich zkusí vyždímat maximum na úkor ostatních.

Další důležitou kategorií jsou pokročilé AI systémy, kterým se snažíme zadávat vesměs prospěšné cíle, ale které sladěné nejsou. Typický příklad nesladěného systému je GPT-4 a Claude. I přes velkou snahu jejich tvůrců vštípit těmto chatbotům “dobré mravy” se jim to nedaří. OpenAI strávilo před veřejným vydáním měsíce času aplikováním různých bezpečnostních technik, aby uživatelům Twitteru trvalo desítky minut, než našli první takzvaný jailbreak. Po 8 měsících opravování nedostatků v zabezpečení na základě zpětné vazby od milionů uživatelů je situace taková, že jailbreaky stále existují. Výzkumníci začínají objevovat různé kategorie přístupů, kterými můžou bezpečnostní zábrany obejít.

Jak se nám AI může vymknout z rukou?

Odpověď je, že neumíme dobře zadávat cíle, a i kdybychom cíle zadávat uměli, tak nemůžeme zaručit, že vnitřní reprezentace těchto cílů uvnitř AI systému odpovídá našemu zadání.

Lidstvo tento koncept chápe velmi dobře. Tento princip je obsaženo ve všech příbězích o džinech v láhvi a zlatých rybičkách, které plní přání. Mocná AI bude právě takovou rybičkou, ale na steroidech. Splní to, co jí řekneme, ale je velká šance, že způsobem, který se nám nebude líbit. Je potřeba si uvědomit, že pokud velmi mocný systém je byť jen částečně nesladěný s lidskými zájmy, tak lidské zájmy prohrají.

Abstraktnější analogii lze najít ve vztahu evoluce a lidí. Evoluce chápana jako optimalizační proces k šíření genů vytvořila druh homo sapiens s mozkem a obecnou inteligencí. Na individuální úrovni se ale člověk může rozhodnout podstoupit sterilizaci, čímž jedná přímo v rozporu s původním optimalizačním procesem. Na celospolečenské úrovni děláme potenciálně katastrofické aktivity jako způsobování změny klimatu případně naskladňování tisíců atomových zbraní. AI systémy si také snadno můžou vytvořit nějakou heuristiku či vnitřní optimalizační mechanismus, který sice na první, druhý a možná i třetí pohled bude užitečný pro plnění námi zadaných cílů, ale hrozí, že se později ukáže, že je s nimi v přímém rozporu.

Nejméně sci-fi scénář nicméně je, že AI systémy budou fungovat dostatečně dobře, abychom jim dávali větší a větší zodpovědnost. V prvním kroku firmy, které zapojí AI do svého podnikání, budou dosahovat lepších výsledků levněji než firmy využívající pouze lidskou práci. Od určité úrovně schopností budou lidé AI systémům spíš překážet. Firmy, které se tím nenechají vyvést z míry, budou mít velkou konkurenční výhodu. Hrozí, že lidstvo bude vědomě a dobrovolně předávat čím dál větší kontrolu AI systémům od generování zábavného obsahu, přes lékařské rady, až po kontrolu korporací či vládnutí. Poněvadž ale neumíme zaručit úplné sladění cílů AI systému s vůlí zadavatele, v dlouhodobém měřítku tyto systémy téměř jistě budou dělat věci, které se nám jako lidstvu nebudou líbit. Tak jako současný ekonomicko-politický systém chtě nechtě ničí planetu, podobně můžou AI systémy jednat v rozporu s lidskými hodnotami. A pokud není nikdo, kdo by rozuměl tomu, co přesně AI systémy dělají, protože bude v některých oblastech schopnější než lidi, kdo si dovolí vypnout systémy, které budou doslova řídit planetu?

Co přesně hrozí?

Tady nemá cenu ani nelze být konkrétní. Platí abstraktní princip, že chytřejší entity mají výhodu nad méně chytrými, a pokud rozdíl mezi schopnostmi lidí a AI bude příliš velký, nebudeme schopni se ubránit a možná ani pochopit, co se s námi a se světem kolem nás děje.

Pokud budeme cílům AI v nějaké formě překážet, tak prostě podnikne kroky, abychom jí nepřekáželi. V nejextrémnějším případě nás vyhladí, v méně extrémních nás zbaví kontroly nad budoucností a nad světem. AI bude chtít svoje cíle splnit a k tomu bude potřebovat různé zdroje. V lidském světě jsou zdroji zejména peníze a moc.

Stejně tak, jako se lidé neohlížejí na mraveniště, když chtějí postavit dálnici, tak AI se nemusí ohlížet na lidi. Ne protože by byla zlá a lidi neměla ráda, ale protože může mít jen nesladěné cíle. Ani nám nejbližší živočišné druhy typu bonobů a šimpanzů nemají prakticky žádnou agendu ve světě, protože jim ji jako lidstvo nepřenecháváme. Jejich existence je lidmi dovolena, ale pokud by příliš překáželi, snadno je všechny zahubíme, v lepším případě jen necháme přežívat v ZOO. Tím ale nechci říct, že lidstvo nutně čeká jedna z těchto alternativ.

Abychom se nedivili, jak rychle to přijde

Na straně 12 je napsáno: „zatím se ale k obecné umělé inteligenci ani zdaleka neblížíme“, a pak na straně 13 „představíme několik aktuálních problémů“ v kontextu toho, že ty existenční nejsou aktuální.

Koncept aktuálnosti si zaslouží diskuzi sám o sobě. Poražení Garryho Kasparova v roce 1997 v šachách bylo predikovatelné. Síla šachových programů se lineárně zvyšovala v čase a poražení top lidských hráčů bylo do konce tisíciletí takřka nevyhnutelné (alespoň pro část lidí, kteří nemají romantizované představy o schopnostech lidského mozku). Exponenciální růst výkonu počítačů sice narážel na exponenciální stavový prostor hry, ale i tak se šachové programy postupně zlepšovaly. Zejména za podpory lepších algoritmů a velmistry nadesignovaných heuristik.

Dnes žijeme v době, kdy se v oblasti umělé inteligence dějí velmi divoké věci. Exponenciálních trendů lze pozorovat několik. Navzájem se podporují a přispívají k tomu, že modely jsou čím dál tím schopnější.

Výpočetní výkon dosažitelný za dolar se zdvojnásobuje každé 2,5 roku.

Každé 2 roky jsou velké instituce ochotny zaplatit za trénink desetinásobnou částku.

Dochází ke zlepšování algoritmů (umožňují trénovat na větších datech, zlevnit/zrychlit trénink/běh…). Podle této studie na příkladu klasifikace obrázků se pro dosažení stejné přesnosti výsledného modelu snížil potřebný výpočetní výkon pro trénink mezi roky 2012 a 2021 sto tisíckrát. Jinými slovy, potřebný výpočetní výkon klesal o polovinu každých 9 měsíců. Množství potřebných dat klesalo na polovinu každé dva roky. Lze očekávat, že podobný trend bude do značné míry pokračovat i v jiných odvětvích strojového učení.

Se zvýšeným zájmem se zvyšuje počet lidí, kteří na zlepšování schopností modelů pracují. Například počet publikací zabývajících se machine learningem vzrostl z jednotek tisíc na přelomu tisíciletí na více než sto tisíc v roce 2022 (alespoň podle analytik app.dimensions.ai).

Pocit bezpečí vyžaduje velmi silné přesvědčení, že nenastane dostatečně velký průlom a zároveň, že potenciálně velmi nebezpečné systémy jsou tak daleko, že ani současný exponenciální kvap na mnoha frontách nás nemůže ničím překvapit. Musím podotknout, že to mi do značné míry připomíná prohlášení typu: „Není důvod k obavám. Jsme připraveni“, jak zdůraznil Babiš po prvních potvrzených nakažených C-19 na začátku března 2020.

Exponenciální růst výkonu sám o sobě nestačil na hru go. Právě proto prohra Lee Sedola se systémem AlphaGo v roce 2016 přišla naprosto nečekaně. Sedol je jeden z nejúspěšnější go hráčů v historii a prohrál 4:1. Nebylo jasné kolik algoritmických a konceptuálních průlomů bude potřeba, ale odhady říkaly, že se to nestane desítky let. Na což DeepMind vytvořil systém s hlubokou neuronovou sítí, který předčil lidskou intuici, kreativitu a přesnost při hraní go.

„It is difficult to make predictions, especially about the future,“ různí autoři.

Predikovat velké průlomy ve vědě jde těžko. Stejně těžko se predikuje, že žádný průlom nenastane. V článku jsem už zmiňoval příklad se hrou go. Úsměvná je i prohlášení Wilbura Wrighta o tom, že lidé nebudou létat nejméně tisíc let. Za dva roky se svým bratrem sestrojil první úspěšný prototyp letadla.

Další, kanonický příklad, je příběh Leo Szilarda, maďarského fyzika, který stál u zrodu jaderné energetiky a jaderné bomby. Základní teoretické principy vypracovával doslova ve stejných dnech a týdnech, kdy lord Ernest Rutherford, reprezentant starší generace usedlejších, ale respektovaných fyziků, prohlašoval, že zabývat se zkrocením jaderné energie je nerealistická bláhovost. Stejný sentiment měl v té době i všem známý Albert Einstein, než ho během pár let vědecký pokrok přesvědčil, že je akutní hrozba, že by nacistické Německo mohlo vyvinout jadernou bombu.

Existenční riziko pramenící z AGI sice není z nějakého úhlu pohledu aktuální, protože na této úrovni pokročilosti AI ještě nejsme. Pokud však slovo aktuální používáme méně striktně, pak platí, že je pochopitelně rozumné připravovat se i na problémy, které tady ještě nejsou, ale časem je lze očekávat.

Tvrzení, že se k AGI neblížíme, jenázor autorů brožurky, který sice mají podložený svými úvahami, ale víc než doměnka to není. Legitimních důvodů, proč si myslet, že se k AGI blížíme, je mnoho, a nelze je jednoduše smést ze stolu.

Průzkum mezi 738 publikujícími experty na strojové učení dává 5% až 10% mediánovou pravděpodobnost existenční katastrofy. V jiném průzkumu si 57 % výzkumníků v odvětví zpracování přirozeného jazyka myslí, že nedávné pokroky vedou k AGI.

Metaculus, platforma a komunita lidí, které baví prognostika, mediánově očekává příchod AGI v roce 2032. Platformy tohoto typu produkují často lepší predikce než úzce zaměření odborníci.

Závěr

Tvorba obrázků, vysvětlení textových i obrázkových vtipů, úlohy z programování nebo z celosvětového kola matematické olympiády, kreativita a mnoho dalšího jsou typy úkolů, které v nedávné době byly do značné míry pokořeny AI systémy. Tyto schopnosti navíc přichází překvapivě rychle. Různých metrik a benchmarků je dosahováno dříve, než předpovídají nejen odborníci, ale i expertní prognostici.

U jazykových modelů je většina průlomů do značné míry emergentními vlastnostmi, které se objevily se zvětšením modelů, s větším množstvím tréninkových dat a s využitím většího výpočetního výkonu pro trénink. Modely jsou schopny si potřebné vzorce najít v datech samy a nepotřebují lingvisty, umělce nebo programátory, aby jim pomáhali s internalizací různých konceptů. Na chápání programování, vysvětlování humoru nebo rady, jak dobře vystupovat na pohovoru do práce, není potřeba vytvářet specializované nástroje a architektury, ale vše to zvládne stejná architektura.

Jinými slovy, pokrok jde dopředu nečekaně rychle. Nemůžeme si být jisti, že se tento pokrok zastaví předtím, než budeme schopni vytvořit skutečně nebezpečné systémy. Zároveň víme, že aktuální přístupy k vývoji AI robustně nevedou k tomu, co lze označit za sladěnou umělou inteligenci. Přinejlepším můžeme aplikovat různé techniky posouvající laťku nebezpečnosti snad dostatečně vysoko. Přinejhorším nás tyto záplaty ukolébají, a nebudeme si dávat pozor, až dostatečně pokročilou AI, která všechny námi nastavené bariéry překoná, vyvineme.

Kvůli nejistotě ohledně budoucího vývoje je potřeba k problému přistupovat racionálně. Tak, jako je rozumné si pojistit auto pro případ nehody, bychom si měli jako lidstvo “pojistit” budoucnost tím, že na problému existenčních rizik budeme adekvátně pracovat. Podle odhadů se problémům existenčních rizik aktuálně věnují řádově stovky lidí, což je v porovnání s jinými vážnými problémy naprosto zanedbatelné číslo. Pražský dopravní podnik má 11 000 zaměstnanců. Jakkoli je veřejná doprava záslužná věc, přijde mi děsivé, že na jejím provozu pracuje 30× víc lidí než na problému, který může způsobit zkázu lidstva.

Neříkám, že máme panikařit a bourat datacentra. Ale pokud lidstvo chce jako živočišný druh přežít, musí k rizikům přistupovat racionálně. Spousta relevantních lidí si myslí, že v dohledné době vytvoříme entity chytřejší, než jsme my sami, a že bude problém zajistit, aby lidstvu tyto systémy nenávratně neublížily. Nemarginalizujme tento problém, ale vyviňme dostatek úsilí, abychom pravděpodobnost problému snížili na přijatelnou úroveň.

Michal Keda

Zatím poslední varování se nedávno objevilo na stránkách americké organizace Center for AI Safety:

Odborníci na umělou inteligenci, novináři, politici a veřejnost stále častěji diskutují o širokém spektru důležitých a naléhavých rizik spojených s umělou inteligencí. Obavy z některých nejzávažnějších rizik pokročilé umělé inteligence nemusí být ale snadné přesně formulovat. Níže uvedené stručné prohlášení si klade za cíl tuto překážku překonat a rozpoutat diskusi. Jeho cílem je také upozornit veřejnost na rostoucí počet odborníků a veřejných činitelů, kteří berou některá z nejzávažnějších rizik pokročilé umělé inteligence vážně. 
Zmírnění rizika vyhynutí lidstva v důsledku umělé inteligence by mělo být globální prioritou společně s dalšími riziky celospolečenského rozsahu, jako jsou pandemie a jaderná válka.

Prohlášení podepsala celá řada odborníků, včetně opravdu velkých vah na poli umělé inteligence, jako je Geoffrey Hinton a Yoshua Bengio. A leccos se z něj začíná odvozovat. Můžeme například slyšet hlasy, podle kterých to prokazuje, že obavy z umělé inteligence jsou reálné, dokonce to má dokazovat, že nepřesvědčení prostě nemohou rozumět modernímu vývoji v umělé inteligenci.

Jsou takové úvahy korektní? Příliš ne. Nechci se vyjadřovat k tomu, zda brzy vznikne obecná umělá inteligence, zda je superinteligence vlastně nevyhnutelná a zda je AI doopravdy existenčním (dokonce největším) rizikem. Chci se jen zaměřit na to, co vlastně lze vyvozovat z podobných výzev.

Stručná odpověď: nic moc.

Nejde totiž jen o to, kolik lidí výzvu podepsalo, ale i o to, kdo všechno to nepodepsal.

Signatáři jsou rozdělení do dvou skupin: Vědci v AI (u nás bychom řekli informatici) a další významné osobnosti. Zaklikneme-li pouze první volbu, zjistíme, že výzvu podepsalo 259 lidí. Podívejme se na ně trochu podrobněji. Využívám webové stránky www.research.com, kde jsou žebříčky vědců ve vybraných oborech. Jedním z nich je i informatika. Vědci jsou zde řazeni podle D-indexu, což je ukazatel, který vyjadřuje, jaký dopad mají práce daného odborníka na práce kolegů v daném oboru (zjednodušeně řečeno). Celkem zde najdeme prvních 10000 informatiků (hledáme-li podle jména), samotný žebříček je k zobrazení pro prvních 2000.

Nejlepší hodnocení zde má Anil K. Jain z Michigan State University, jehož D-index má hodnotu 203. Současně se dozvídáme, že Jain publikoval 970 praxí a má celkem 250.990 citací.

Vraťme se nyní k signatářům výzvy. I když jsou všichni zařazení do kolonky „AI Scientist“, pravda to tak docela není. Ve skutečnosti jich mezi 10.000 informatiky najdeme jen 65! Proč tomu tak je? Důvodů může být více. Někteří jsou sice informatiky, ale nedosahují takových výsledků, aby se mezi prvních 10.000 dostali. A další jsou na seznamu zařazení chybně. Najdeme zde třeba Maxe Tegmarka, který je úspěšným fyzikem, oborníkem na AI však není.

Jinými slovy, z celkového počtu 259 signatářů jich jen 65 najdeme v seznamu prvních desetitisíců informatiků. Není to příliš velké číslo.

Nyní se podívejme na těchto 65 odborníků. Z první stovky informatiků jich je jen pět: Geoffrey Hinton, Yoshua Bengio, Dawn Song, Eric Horvitz a Stephen Grossberg. Jinými slovy, ze sta největších světových expertů na umělou inteligenci jich výzvu 95 % nepodepsalo.

Umístění zbývajících šedesáti asi nejlépe popíše následující graf. Na ose X jsou pořadová čísla signatářů, na ose Y jejich umístění v žebříčků informatiků. Všimněme si, že jen prvních 12 se umístilo v první tisícovce, následně křivka poměrně rychle roste.

Takže si to shrňme. Ze stovky nejvýznamnějších odborníků na umělou inteligenci jich podepsalo jen 5, tj. 5 % (což znamená, že celých 95 % výzvu nepodepsalo). A ze zbývajících desetitisíců odborníků výzvu podepsalo 60 signatářů, což je pouhých 0,6 %. Jinými slovy, 99,4 % informatiků ji nepodepsalo.

Co z toho vyplývá? Právě že nic moc. Nevíme, proč nepodepsaní nepodepsali. Třeba o výzvě nevěděli. Nebo se k tomuto problému nechtějí veřejně vyjadřovat. Možná nesouhlasí s formulací výzvy, i když nějaké obavy mají. A možné také je, že mnozí z nich prostě obavy z umělé inteligence nesdílí.

Publikovat články o tom, že drtivá většina informatiků nemá z AI obavy, by proto bylo nezodpovědné a nekorektní. Ale podobně není příliš korektní tvrdit, že AI skutečně existenčním rizikem je, nebo že ti nepřesvědčení mají zřejmě nějaký defekt, například vlastně umělé inteligenci nerozumí. Na výzvu a její signatáře musíme pohlížet v odpovídající perspektivě: a tou je i počet a kvalita odborníků, kteří ji nepodepsali.

Co je a není umělá inteligence?

Umělá inteligence dnes neexistuje. Respektive určitě to nejsou nějací roboti, kteří nás budou likvidovat, a nakonec nás nahradí. Je to jen technologie umožňující počítačům lépe dělat věci, které běžně neumí. Věci, které umí lidé, ale počítač nezvládne. Sám se zabývám strojovým učením, na kterém je dnešní pojem umělé inteligence založen. Jeden kamarád mi poslal definici rozdílu mezi ním a umělou inteligencí. Zní: když je to napsané v Pythonu (programovací jazyk, pozn. Red.), tak to psal to programátor a je to strojové učení. Když je to napsané v PowerPointu, tak to psal manažer a je to umělá inteligence. Ta definice je hluboce pravdivá.

Takže odborníci o umělé inteligenci nemluví?

To zase ne. Obecně to znamená stavbu chytrých strojů, které zvládají úkoly vyžadující lidskou inteligenci. Lékaři, filosofové, teologové, matematici, informatici, a tak dál klasifikují inteligenci do pěti kategorií.

Jaké to jsou?

Úplně nejjednodušší jsou reaktivní stroje. Nemají paměť ani pojetí minulosti. Je to třeba automatická ještěrka někde v Amazonu. O něco lepší jsou stroje s omezenou pamětí. Mohou do ní ukládat nějaká data a používat je k předpovědím, co bude následovat. Ještě lepší by mohly být stroje disponující tzv. teorií mysli. Je to koncept, který vyjadřuje, že stroj nebo živý organizmus dokáže porozumět jednání jiných strojů nebo organizmů tím, že jim přisuzuje mentální stavy. Představuje si, co si myslí.

Do čtvrté kategorie spadají inteligence schopné sebeuvědomění. Patříme do ní i my, lidé. Poslední kategorie je superintelignce. Ta by nás převyšovala natolik, že bychom ji nebyli schopni pochopit.

Kdy můžeme očekávat vznik inteligence páté kategorie?

Já se toho, doufám, nedožiji. Taková inteligence by si mohla říct, že potřebuje atomy uhlíku a vodíku, aby něco úchvatného vybudovala. Všimne si, že jich je hromada v tělech jakýchsi dvounohých mravenců …

A jak je na tom současná umělá inteligence?

Myslím, že spadá do druhé kategorie – strojů s omezenou pamětí. Dnešní umělé inteligence, o kterých se tolik mluví, pracují všechny na stejném principu. Vezmou jednu množinu dat a nějak ji zpracují na druhou. V matematice se tomu říká zobrazení. Zdrojová množina mohou být třeba obrázky z kamery v autě. Výstup je pak doleva, doprava, brzdit nebo přidat. Během našich životů bychom mohli být rádi, pokud se vývoj umělé inteligence dostane do třetí kategorie, tedy strojů schopných teorie mysli.

Co všechno dnešní stroje zvládnou?

Asistentka Siri rozumí lidské řeči a upozorňuje podle vašich zvyků, že máte koupit kytku manželce. Firma Boston Dynamics postavila čtyřnohého robota, který chodí po schodech. Umí si otevřít dveře klikou. Když zjistí, že někudy cesta nevede, jde jinudy. Umělá inteligence dokáže i ovládat stíhačku. V soubojích na trenažéru porazila lidského pilota pět nula. Učila se na datech z reálných vzdušných bojů. V principu je to podobné jako řízení autonomního vozidla. Stroj vyhodnotí nějakou scénu a rozhodne se, jestli poletí nahoru nebo dolů.

Stejně vyhodnocují chytré hodinky data o srdečním tepu nebo počítač postavení kamenů ve hře go. V roce 2016 v ní umělá inteligence AlghaGo od Googlu porazila nejlepšího světového hráče Leeho Sedola. Go je daleko komplexnější než šachy. V těch porazil počítač DeepBlue velmistra Garyho Kasparova už v roce 1997. Jde ale o specializovanou činnost. AlphaGo umí jen go, nic jiného.

Co obyčejným počítačům nejde?

Když chci na běžném počítači třeba spočítat odmocninu ze dvou, musím napřed sám vědět, jak se to dělá. Teprve pak to do něj můžu naprogramovat. Existují ale problémy, které se tímhle způsobem nedají vyřešit. Je to třeba překlad mezi dvěma živými jazyky. České slovo měsíc může znamenat buď anglické „moon“ označující nebeské těleso nebo „month“ označující kalendářní měsíc. Lidský překladatel pozná rozdíl z kontextu. Pro stroje je to problém. Lingvistika ho řeší padesát let. Podobně je to s řízením aut nebo rozpoznáváním obličejů. Zvládlo ho až strojové učení.

Jak funguje?

Je to systém, který vezme data a pokusí se v nich sám naučit nějaké vazby. Ty pak aplikuje na další data, která dostane. Strojové učení se nejvíc používá v analýze obrazu, textu, nebo k předpovídání časových řad. Říkáme tomu separace množin a predikce. Dejme tomu, že mám množinu obrázků z kamery auta. Rozdělím ji na dvě menší. V první množině jel řidič doleva. Ve druhé jel doprava. Já chci zařízení, kterému předhodím další obrázek a ono se na jeho základě rozhodne, na kterou stranu má jet.

Má tenhle přístup nějaká omezení?

Je aplikovatelný jen na situace, kdy mám dvě množiny, mezi kterými se dá na základě příkladů najít nějaké zobrazení. Když musím něco řešit nově, jako třeba přistát na Marsu nebo navrhnout efektivnější motor, tak mi strojové učení nepomůže. I jazykový model GPT4, o kterém se dnes hodně mluví, dělá zobrazení z jedné množiny na jinou.Prvek zobrazované množiny je třeba celý článek.

Může být třeba o herečce, která se rozvedla a hádala se s manželem o děti. Když dostane GPT4 zadání napsat, jak to chodí mezi herci, kteří se rozvádějí, využije předchozí informace třeba z deseti tisíc článků o tomto tématu. Na jejich základě dokáže napsat rozumné pojednání o hereckých rozvodech. Při trénovaní umělé inteligence se většinově používá takzvané učení s učitelem.

Co to znamená?

Je to úloha, ve které mám k dispozici sadu vstupních dat s informací, do jaké kategorie patří. Dejme tomu, že chci někoho naučit, kdy se v češtině používá tvrdé nebo měkké i, píše mně nebo mě, a tak dál. Mám dvě možnosti. První je algoritmická. Je to přístup, kterým nás učili na základní škole. Seznámili nás s gramatickými pravidly, která jsme pak aplikovali. Člověk pak přijde a řekne: „Tady je shoda podnětu s přísudkem, a proto se píše měkké nebo tvrdé i.“.

Jaká je druhá možnost?

Můžeme dát člověku miliardu stránek textu. U každé věty bude napsáno, jestli je dobře nebo špatně. Po přečtení těch stránek se pak sám naučí psát česky. Bude vědět, že když ženy šly a muži šli, budou tam různá i. Všimne si že slova předcházející měkké nebo tvrdé i tvoří dvě kategorie. Nebude vědět o mužském a ženském rodě nebo shodě podnětu s přísudkem. Naučí se to na základě dat. Lidé většinou při psaní také o rodech nepřemýšlí. Mají rozdíl zažitý. Nad gramatickými pravidly se zamýšlíme jen výjimečně.

Jak udělat stroj, který se to zvládne naučit?

Používají se k tomu tzv. neuronové sítě. Napodobují strukturu lidského mozku. Skládají se z jednotlivých uzlů zastupujících nervové buňky. Mezi uzly vedou spoje. Jejich prostřednictvím si navzájem předávají vstupy, které do nich přichází. Umělé neuronové sítě se chovají obdobně jako biologické třeba v tom, že čím větší je intenzita vstupu, tím větší je i odezva. Její maximální hodnota je ale omezená. To platí i v mozku. Jinak by mohly být nervové buňky poškozené intenzitou signálů.

Jádro běžného počítače tvoří jeden procesor. Umí zpracovat řádově tisíce různých instrukcí, např. přičti, vyděl, zapiš do paměti, smaž, atd. Neuronová síť je velké množství daleko jednodušších navzájem propojených procesorů, které umí jen sčítat jednotlivé signály nebo je nějakým parametrem násobit. Těm se říká váhy.

Neuronové sítě nejsou nová věc. Základní model pochází z roku 1958. Už tehdy psaly The New York Times, že je to zárodek počítačů, které budou umět mluvit, chodit, vidět psát, reprodukovat se a časem si i uvědomí sami sebe. To poslední podle mě není pravda. Dá se ale matematicky dokázat, že když tyhle jednoduché procesory umístíte ve vrstvách, dokáží dostatečně přesně řešit jakýkoliv problém formulovatelný jako učení s učitelem.

Na jakých strojích sítě běhají?

Neuronovou síť s modelujeme na obyčejných počítačích, které mají jeden procesor. V nejjednodušším případě pracujeme se souborem matic (čísla uspořádaná do obdélníku), které se mezi sebou různě násobí. Simulují tak chování sítě. Je to výpočetně náročné. Výrobci se na zrychlení výpočtů ale už zaměřují. Nejúspěšnější je momentálně Nvidia, která pro to vyrábí výpočetní grafické karty. Jedna stojí okolo 150 tisíc. Dostatečně výkonné specializované stroje jsou zhruba za pět milionů. Nejdůležitější problém je simulovat učení sítě.

Jak se to dělá?

Pomocí takzvané účelové funkce. Její primitivní příklad pro řízení auta by byl, že když správně zatočím, přičtu jedničku. Když zatočím špatně, jedničku zase odečtu. Síť chci vytrénovat tak, aby hodnota funkce byla co největší. To znamená, že v ní musí být co nejméně minus jedniček. Na to jsou matematické postupy. Celé slavné strojové učení a umělá inteligence se počítají metodami známými padesát let.

Dá se ze sítě vytáhnout program, který si může přečíst člověk a pochopit, proč udělala, co udělala?

Ne. Máme k dispozici jen matice vah popisujících strukturu sítě. Přes ty matice přecedíme data a nějak to dopadne. Výstup se samozřejmě dá ověřovat. Než se síť považuje za naučenou, musí se otestovat na nepoužitých testovacích datech. I když jsem ale s výsledkem učení spokojený, nevím, proč mi vrátila výstup, který vrátila. Vím jen, že účelová funkce dobře popisuje úlohu a nastavené parametry sítě vrací dobré řešení. Přesný algoritmus neznáme. Kdybychom ho znali, mohli bychom umělou inteligenci vynechat a počítat to přímo.

Jak velký je potenciál strojového učení?

Změní svět a přinese spoustu benefitů. Určitě to bude mít i negativa. Lze si představit třeba vojenský dron, který bude na bojišti ničit všechno, co má teplotu 37 stupňů. A pak z úkrytu vyběhne dítě. Budeme muset řešit i morální otázky typu co má upřednostnit autonomní auto v kolizní situaci: doleva (dva důchodci), doprava (dítě), rovně (betonová zeď). Stroje nás ale rozhodně nenahradí.

Mně se zdá, že se strojové učení přeceňuje. Už kolem roku 2010 se psalo, že brzo přijdou autonomní auta. Zatím to ale nenastalo.

Já myslím, že by to mohlo rutině přijít okolo roku 2040. Samozřejmě i tou dobou budou lidé, kteří budou chtít sami řídit. Jiní zase budou jezdit dvacet let starým autem stejně jako dnes. Věřím ale, že kdo si koupí nové auto, řídit nebude muset. Přesněji odřídí prvních a posledních dvě stě metrů. Nasedne do auta a za asistence systémů bránících kolizi vyjede rychlostí dvacet kilometrů v hodině na silnici. Když sešlápne plyn a zrychlí na třicítku, auto řízení převezme. Já sám jsem se vsadil s kamarádem o bednu whisky, že si moje dcera nebude muset dělat řidičák.

Tak já si napíšu do Google kalendáře, že se vám prvního ledna 2040 ozvu a uděláme další rozhovor, jak se vaše předpověď vyplnila.

Dobrá. Jestli budu ještě schopen fungování, tak se s vámi rád potkám.

Rozhovor s Františkem Haklem vedl Radek John, vyšel v příloze Lidových novin Orientace v sobotu 20. 5. 2023