Λίγες εξελίξεις στην επιστήμη των υπολογιστών έχουν πετύχει τόσο πολλά σε τόσο μικρό χρονικό διάστημα, όπως η σχεδίαση των συστημάτων Τεχνητής Νοημοσύνης (ΤΝ), που είναι γνωστά ως μετασχηματιστές ή μετατροπείς. Πρόκειται για μορφές βαθιάς μηχανικής μάθησης (υπολογιστικά μοντέλα που βασίζονται σε νευρωνικά δίκτυα), οι οποίες πρωτοαναπτύχθηκαν το 2017. Επτά χρόνια αργότερα, ο μετασχηματιστής GPT που βρίσκεται πίσω από το διαλογικό ρομπότ ChatGPT, επιτρέποντάς του να παράγει απαντήσεις στα ερωτήματα και τις προτροπές των χρηστών, είναι η κινητήρια δύναμη πίσω από την τρέχουσα εκρηκτική ανάπτυξη της ΤΝ.

Ερευνητές σε αρκετά εργαστήρια αναρωτήθηκαν τι θα σήμαινε αν μετασχηματιστές ΤΝ μπορούσαν να «τρέξουν» σε κβαντικούς υπολογιστές. Σε μελέτη που δημοσιεύτηκε πρόσφατα στο περιοδικό «Quantum», ερευνητές χρησιμοποίησαν μικρής ισχύος κβαντικούς υπολογιστές για να δείξουν ότι στοιχειώδεις κβαντικοί μετατροπείς μπορούν να λειτουργήσουν.

Το ισχυρό σημείο των μετασχηματιστών ΤΝ είναι η ικανότητά τους να προσδιορίσουν ποια στοιχεία από το υλικό (κείμενο, εικόνα κ.ο.κ.) που τους δίνεται ως είσοδος είναι τα πιο σημαντικά και πόσο ισχυρά συνδέονται αυτά τα στοιχεία. Στη φράση «αυτός τρώει ένα πράσινο μήλο», ο μετασχηματιστής θα επέλεγε τις λέξεις - κλειδιά «τρώει», «πράσινο» και «μήλο». Μετά, βασισμένος στα μοτίβα που έχει εντοπίσει στα δεδομένα εκπαίδευσής του, θα έκρινε πως η δράση «τρώει» δεν συσχετίζεται ιδιαίτερα με το «πράσινο» χρώμα, αλλά συσχετίζεται πολύ με το αντικείμενο «μήλο». Στην επιστήμη των υπολογιστών αυτό ονομάζεται «μηχανισμός προσοχής», επειδή η ΤΝ δίνει μεγαλύτερη προσοχή στις πιο σημαντικές λέξεις σε μια φράση ή στα πιο σημαντικά εικονοστοιχεία (πίξελ) σε μια εικόνα. Ο μηχανισμός προσοχής μιμείται τον τρόπο που οι άνθρωποι κατανοούν τη γλώσσα, πραγματοποιώντας μια εργασία που είναι στοιχειώδης για τα περισσότερα μικρά παιδιά, αλλά μέχρι τον ερχομό του ChatGPT, οι υπολογιστές δυσκολεύονταν πολύ να πραγματοποιήσουν.

Οι μηχανισμοί προσοχής εκτελούνται σε ψηφιακούς ηλεκτρονικούς υπολογιστές με πανίσχυρους επεξεργαστές, που χρησιμοποιούν ως στοιχειώδη πληροφορία το bit, που μπορεί να πάρει μόνο τις τιμές 0 και 1. Αντίθετα, οι κβαντικοί υπολογιστές, εκμεταλλευόμενοι τα ιδιαίτερα χαρακτηριστικά της ύλης στο κβαντικό επίπεδο, έχουν στη διάθεσή τους ένα ολόκληρο φάσμα τιμών για το κβαντικό bit, το qubit, και αυτό τους επιτρέπει να δώσουν απαντήσεις σε πολύ σύνθετα προβλήματα, πρακτικά αδύνατο να λυθούν από κλασικούς ηλεκτρονικούς υπολογιστές.

Οι ερευνητές προσάρμοσαν έναν μετασχηματιστή ιατρικής αξιολόγησης απεικονίσεων αμφιβληστροειδούς υγιών ανθρώπων και ανθρώπων με τύφλωση προκαλούμενη από τον διαβήτη και ζήτησαν από το κβαντικό αντίστοιχο του μετασχηματιστή να κατατάξει τις εικόνες σε πέντε επίπεδα, ανάλογα με τη βλάβη που έχει προκληθεί. Πριν δοκιμάσουν τον μετασχηματιστή σε κβαντικό υπολογιστή τον δοκίμασαν σε κβαντικό προσομοιωτή. Συγκεκριμένα, εμφάνιζε ακρίβεια 50-55% στην κατάταξη των εικόνων, έναντι του 20% της τυχαίας κατάταξής του. Η ακρίβεια του συμβατικού μετασχηματιστή ήταν 53-56%, αλλά χρησιμοποιώντας ασύγκριτα πιο σύνθετο (νευρωνικό) δίκτυο. Η πραγματική δοκιμή σε κβαντικό υπολογιστή της IBM με 6 qubit, έδωσε ακρίβεια 45-55%.

Επειδή τα 6 qubit είναι ελάχιστα, οι ερευνητές δοκίμασαν και σε κβαντικούς υπολογιστές με περισσότερα qubit, αλλά χωρίς να δουν βελτίωση. Οι κβαντικοί υπολογιστές και οι κλασικοί ηλεκτρονικοί υπολογιστές διακρίνονται σε διαφορετικά είδη προβλημάτων. Οι αλγόριθμοι βαθιάς μηχανικής μάθησης ανιχνεύουν μοτίβα στα δεδομένα εκπαίδευσής τους. Ομως, οι κβαντικοί υπολογιστές προσφέρουν το μεγαλύτερο πλεονέκτημα, όταν το πρόβλημα είναι μη δομημένο, με την έννοια ότι δεν υπάρχουν καθαρά μοτίβα σε αυτό για να ανακαλυφθούν. Πλεονεκτούν επίσης στο ότι μπορούν να καταφέρουν τον ίδιο υπολογισμό με ένα μικρό κλάσμα της ηλεκτρικής ενέργειας, που θα καταναλώσουν οι συμβατικοί υπολογιστές για τον ίδιο σκοπό.

Σε μια άλλη μη συμβατική προσπάθεια σχετική με την ΤΝ, πρόσφατη μελέτη που δημοσιεύτηκε στο έγκυρο επιστημονικό περιοδικό «Nature», περιγράφει πώς μια ομάδα ερευνητών σχεδίασε ένα σύνολο από τεχνητά τμήματα DNA, που μπορούν από κοινού να αναγνωρίσουν μοτίβα και να κατηγοριοποιήσουν πληροφορία. Το σύστημα έχει σημαντικές ομοιότητες με τους αλγορίθμους νευρωνικών δικτύων που χρησιμοποιούν πολλά από τα μοντέλα ΤΝ.

Για να κατασκευάσουν κυκλώματα, που μοιάζουν με υπολογιστές, χρησιμοποιώντας βιολογικά υλικά, οι ερευνητές συχνά καταφεύγουν στα αυτοσυναρμολογούμενα μόρια DNA. Αυτά είναι προσαρμοσμένες λωρίδες ή «πλακίδια» DNA, που όταν συνδυαστούν σε έναν δοκιμαστικό σωλήνα και ψυχθούν, συνενώνονται σε μωσαϊκά που μπορούν να προβλεφθούν και τα οποία ενσωματώνουν πληροφορία. Οι επιστήμονες ήθελαν να μάθουν αν αυτή η πειραματική διάταξη μπορεί να αναγνωρίσει μοτίβα, π.χ. να κατατάξει ασπρόμαυρες φωτογραφίες σε κατηγορίες. Για να αναπαραστήσουν τις εικόνες οι ερευνητές δημιούργησαν έναν κώδικα, όπου κάθε εικονοστοιχείο (πίξελ) αντιστοιχήθηκε σε ένα συγκεκριμένο «σχήμα» πλακιδίου DNA. Οσο πιο ανοιχτόχρωμο ήταν το πίξελ, τόσο περισσότερα από τα πλακίδια DNA που αντιστοιχούν σε αυτό θα ήταν παρόντα στο διάλυμα μέσα στον δοκιμαστικό σωλήνα.

Οταν ψύχθηκαν, τα πλακίδια αυθόρμητα συνενώθηκαν, όπως «κουμπώνουν» τα κομμάτια ενός επιτραπέζιου παζλ, σχηματίζοντας ένα από τρία δυνατά σχήματα, ανάλογα με την αναλογία των πλακιδίων DNA στο μείγμα. Κάθε σχήμα αντιπροσώπευε μια κατηγορία. Το σύστημα κατασκευάστηκε ώστε να ταξινομήσει 18 φωτογραφίες σε τρεις κατηγορίες, αλλά αποδείχτηκε ότι μπορούσε να ταξινομήσει και εικόνες που δεν είχε δει νωρίτερα και συγκεκριμένα παραμορφωμένες εκδοχές των ίδιων εικόνων. Οπως ένα νευρωνικό δίκτυο αναγνώρισε γενικές ομοιότητες ανάμεσα στις εικόνες, αντί να αναζητήσει ακριβές ταίριασμα.

Η έρευνα αυτή δεν αποσκοπεί να δημιουργήσει εναλλακτική στα νευρωνικά δίκτυα, αλλά να αποκαλύψει τις υπολογιστικές ικανότητες που υπάρχουν σε απλούστερες υλικές δομές. Οι ερευνητές δηλώνουν πρόθυμοι να διερευνήσουν και άλλα φυσικά συστήματα για τέτοιες ικανότητες, θεωρώντας ότι ίσως υπάρχει μια ολόκληρη «θάλασσα» απ' αυτά.

Η πιο κοινή απάτη στις ΗΠΑ το 2023 ήταν η απάτη αντιποίησης προσώπου. Αναφέρθηκαν στις αρχές 856.000 περιπτώσεις, με οικονομική απώλεια για τα θύματα 2,7 δισεκατομμυρίων δολαρίων. Η απάτη αυτή, φυσικά, δεν περιορίζεται στις ΗΠΑ, αλλά είναι εκτεταμένη πρακτική και σε πολλές άλλες χώρες. Αρχικά οι απατεώνες προσποιούνται οικειότητα ή εμφανίζονται ως κάποια κρατική αρχή, ίσως κλέβοντας τη φυσική ή ψηφιακή ταυτότητα ενός φίλου ή συγγενούς, ή ισχυριζόμενοι ότι είναι αντιπρόσωποι τράπεζας, αστυνομικοί κ.ο.κ. Στη συνέχεια, με αυτό το προσωπείο καλούν, στέλνουν SMS ή μηνύματα ηλεκτρονικού ταχυδρομείου προσπαθώντας να αποσπάσουν από τα θύματα χρήματα με διάφορες προφάσεις.

Τώρα η κακόβουλη χρήση της Τεχνητής Νοημοσύνης (ΤΝ) προσφέρει σε αυτές τις απάτες ένα πρόσθετο επίπεδο αληθοφάνειας: Φτηνές υπηρεσίες κλωνοποίησης φωνής, που μπορεί εύκολα κάποιος να χρησιμοποιήσει κακοπροαίρετα, επιτρέπουν την πραγματοποίηση εξαιρετικά πειστικών τηλεφωνικών κλήσεων, με τη φωνή ενός άλλου ανθρώπου. Αυτά τα εργαλεία ΤΝ χρησιμοποιούν φωνητικά δείγματα (ίσως από βίντεο που ανέβασε κάποιος στα Μέσα Κοινωνικής Δικτύωσης, ή από κάποιο υποτίθεται τηλεφώνημα σε «λάθος αριθμό») για να παράγουν ηχητικά αντίγραφα της κλεμμένης φωνής, που μπορούν στη συνέχεια να χρησιμοποιηθούν για να ειπωθεί οτιδήποτε με την ξένη φωνή. Πρόσφατα είδε το φως της δημοσιότητας η περίπτωση γνωστής Αμερικανίδας ηθοποιού, που κατηγόρησε την OpenAI, ότι παρότι η ίδια δεν δέχτηκε, η εταιρεία έδωσε τη φωνή της στο ChatGPT.

Υπάρχει άραγε τρόπος για να αντιμετωπιστεί μια τέτοιας ποιότητας απάτη, όταν π.χ. ακούει κάποιος στο τηλέφωνο τη φωνή του παιδιού του να του ζητάει χρήματα για να αντιμετωπίσει κάποια έκτακτη ανάγκη ή κίνδυνο; Η λύση δεν βρίσκεται σε κάποια συσκευή που θα προσπαθούσε να αναγνωρίσει αν η φωνή είναι τεχνητή, κατασκευασμένη από ΤΝ. Πρόκειται για μια απλή λύση που μπορεί να εφαρμόσει ο καθένας: Αποφασίστε ως οικογένεια μια μυστική λέξη ή φράση και απομνημονεύστε τη. Αν δεχτείτε κλήση έκτακτης ανάγκης, πιεστική και ειδικότερα αν ο βρισκόμενος σε ανάγκη ζητάει χρήματα, ζητήστε του να πει τον κωδικό.

Είναι φυσικό ανθρώπινο χαρακτηριστικό να εμπιστεύεται κανείς τη φωνή ενός μέλους της οικογένειας. Πόσες φορές κατέφυγε σε σας από τηλεφώνου κάποιος αγαπημένος και του ζητήσατε να επιβεβαιώσει την ταυτότητά του; Ωστόσο, η χρήση ενός φωνητικού κωδικού είναι ο πιο σαφής και ίσως μοναδικός τρόπος για να βεβαιωθεί κανείς ότι αυτός με τον οποίο μιλάει είναι εκείνος που νομίζει. Αρκεί βέβαια η κωδική φράση να διαφυλαχθεί από όλους όσοι τη γνωρίζουν, τόσο από εκούσια, όσο και από ακούσια διαρροή της σε τρίτους. Αλλά και η αναβολή ικανοποίησης του αιτήματος του καλούντος, αν έχει κανείς την ψυχραιμία να το κάνει, πηγαίνοντας π.χ. στο αστυνομικό τμήμα όπου υποτίθεται ότι κρατείται το παιδί του, ή στην τράπεζα που υποτίθεται ζητά τους τραπεζικούς κωδικούς του, μπορεί να αποτρέψει την εξαπάτηση.