V prispevku skozi Simondonovo analizo tehničnih predmetov poskušam misliti in umestiti umetno inteligenco. Najprej si pogledam, kako Simondon razume tehnični predmet, njegovo genezo in razvoj. Začnem z idejo konkretizacije tehničnih predmetov, za katero je značilna stabilnost. Temu sledi analiza razvoja tehničnega predmeta iz abstraktnega v bolj konkretno stanje, kjer tehnični predmet ustvari poseben asociativni milje, v katerem se naposled individualizira. Prvi del zaključim z analizo treh stopenj tehničnih predmetov: na ravni elementov, posameznikov in ansamblov; ter njihovo povezanostjo. Od tukaj preidem na analizo umetne inteligence, ki jo najprej predstavim skozi teorijo komputabilnosti. Ponovno vključim Simondona in poskušam nakazati posebno konkretizacijo umetne inteligence, kot stabilno procesiranje algoritemskih funkcij, ob čemer problematiziran izvorno zaprto strukturo umetne inteligence in njeno predpostavko avtomatizacije. Nadaljujem z orisom specifičnega asociativnega miljeja umetne inteligence, ki poleg adaptacije na okolje vsebuje tudi adaptacijo ali vključevanje umetne inteligence v razširjene računalniške in omrežne sisteme. Na koncu poskušam nakazati še, kako se umetna inteligenca vpenja v širše tehnične posameznike in ansamble.

Ključne besede: umetna inteligenca (UI), tehnični predmet, razvoj, konkretizacija, milje.

---

Reflexive thought must promote technology, but it mustn’t attempt to apply technical schemas and procedures outside the domain of technical reality.

 – Gilbert Simondon

Uvod

Filozofija umetno inteligenco^[1]Od tukaj naprej pogosto»UI«. praviloma tematizira na dva načina: skozi družbeno-kritični in/ali etični diskurz (Hans Jonas, Nolen Gertz, Andrew Feenberg) ali glede na njene lastne predpostavke in pomanjkljivosti, kjer gre pogosto za primerjavo umetne inteligence z naravno (Hubert L. Dreyfus, Rosalind W. Picard,  Matt Carter). Problem diskurza drugega tipa – prvega bomo tukaj pustili ob strani – je, da umetne inteligence ne poskuša posebej problematizirati v luči umetnega ali umetelnega (kot nek poseben tehnični predmet), temveč se vglavnem osredotoča na drugi del, na problem in pojmovanje inteligence v umetni inteligenci. Glede na samo izhodišče umetne inteligence – da bi ustvarili umetno človeku podobno mišljenje – je  prizadevanje po problematizaciji inteligence (in njeno posredno integriranje v družbo) razumljivo, pa vendar ostaja naivno. Ne glede na to, ali UI pride do človeku podobnega mišljenja in ne glede na to, da je UI v številnih operacijah veliko boljša od človeka, se moramo vprašati tudi: kako opredeliti umetno inteligenco brez direktne primerjave s človeško, torej, ne le kot model našega mišljenja, ampak tudi kot tehničen predmet posebne vrste. Ker zagovarjamo, kakor Gilbert Simondon (1924-1989) v delu On the Mode of Existence of Technical Objects (1958; 2017), da je lahko produktivna kulturna integracija tehnike mogoča šele na podlagi adekvatnega razumevanja tehničnih predmetov samih^[2]Simondon izvrstno izpostavi tovrstno namero takole: »stroj je tujec; je tujec, v katerem je nekaj človeškega zaklenjenega, napačno razumljenega, materializiranega, zasužnjenega, a kljub temu … Continue reading, bomo tovrsten nastavek – lahko bi rekli ontologijo in epistemologijo tehničnega predmeta – poskusili misliti znotraj UI. Njegova analiza tehničnih predmetov nam bo nakazala svojevrstno metodo oz. postopanje glede razumevanja tehničnih predmetov, ki jo bomo poskusili aplicirati na umetno inteligenco.

(Gilbert Simondon)

Simondonov tehnični predmet

Simondonova analiza tehničnega predmeta terja svojevrsten epistemološki premik. Poleg tehničnega predmeta kot nečesa danega ali zgolj izgotovljenega, je tudi za tehniko značilna svojevrstna geneza in razvoj. Ta dinamika terja svojo obravnavo in izhaja v veliki meri iz tehničnega predmeta samega. Določen tehnični predmet je topogledno zgolj etapa razvoja in izpopolnjenosti neke določene tehnične tendence, tendence, ki tehničnemu predmetu samemu ni zunanja, temveč je prisotna in stabilna pri vsaki stopnji njegovega razvoja – npr. motorno izgorevanje oz. pretvorba notranje energije goriva v mehansko energijo, je tendenca, ki je prisotna znotraj vseh motorjev, ne glede na to, kako ji nenazadnje zadostijo.^[3]Znotraj telefonije je tendenca npr. prevajanje glasov v signale, ki na »drugi strani« naposled reproducirajo glasove (vse od analogne, žične telefonije, do sodobne digitalne in brezžične); ali … Continue reading Simondon strjeno pravi: »tehnični predmet, v svoji enosti, je enota prihajanja-v-bivanje.« (Simondon 2017, 26) Kot tak, tehnični predmet terja svojevrstno zgodovino, ki se kaže kot proces njegovega prihajanja v obstoj. Ta se kaže kot stapljanje in samo-adaptacija oz. kot podvrženost principu lastne resonance, ki zadeva njegovo »entelehijo in ne predmeta v mirovanju ali statičnosti.« (Simondon 2009, 19)

Proces prihajanja-v-bivanje Simondon poimenuje konkretizacija, ki pomeni, da tehnični predmet tako rekoč stremi k čim popolnejši enosti; ta se kaže hkrati kot odprtost, stabilnost in nad-določenost sistema: »konkretni tehnični predmet je tisti, ki ni več v konfliktu s samim seboj, pri katerem noben stranski učinek ne škoduje delovanju sistema ali je iz njega izpuščen.« (Simondon 2017, 38) Nad-določenost predmeta se skriva v dejstvu, da posamezni deli tehničnega predmeta opravljajo več različnih funkcij hkrati, namesto zgolj ene – dejstvo najdemo npr. v premiku iz motorja z zunanjim izgorevanjem na motor z notranjim izgorevanjem. Avtomatizacija, tj. delovanje z zelo malo ali brez neposrednega človeškega nadzora, v tem kontekstu ni ideal konkretnosti oz. nujna predpostavka razvoja: Simondon pravi, da je avtomatizacija pravzaprav nizka stopnja konkretnosti – gre za zaprt sistem –, ki izhaja bolj iz družbeno-ekonomskih zahtev in ne toliko skozi zahteve tehničnega predmeta samega.^[4]Avtomatizacija kot reduktiven sistem, je značilna za industrijo (npr. en stroj zgolj reže deske, drugi jih zgolj premika po traku ipd.); na drugi strani pa je računalnik zaradi svoje širine v … Continue reading (Simondon 2017, 17) Konkretizacija je specifičen način razvoja tehničnega predmeta: izhajajoč iz abstraktne – kar ne pomeni teoretske, temveč bolj pred-integracijske – tehnične oblike, je ta usmerjen k čim višji konkretnosti, ki pa navsezadnje po Simondonu nikoli ne doseže popolnosti – povsem konkretnega tehničnega predmeta ni, so zgolj bolj ali manj konkretni (npr. plinski motor je manj konkreten prednik bencinskega in dizelskega motorja, ki sta bolj konkretna). Simondon tovrsten razvoj poimenuje naravna tehnična evolucija, saj je proces konkretizacije inherenten tehničnemu predmetu oz. tehnični tendenci sami, obenem pa gre za »proces naturalizacije: konkretizacija tehničnega predmeta je njegov napredek v smeri naravnosti [postaja kot-da-naravni predmet]« (Stiegler 1998, 77).

V svoji abstraktni obliki je »vsaka teoretična in materialna enota obravnavana kot absolut, in je dokončana glede na intrinzično popolnost, ki, da bi lahko delovala, zahteva konstituiranost na podlagi zaprtega sistema« (Simondon 2017, 27); na tej stopnji mora človek tehnični predmet vselej nadzorovati, saj ta ne poseduje notranje koherentnosti in stabilnosti. Proces konkretizacije je obratno proces odpiranja tehničnega predmeta onkraj zaprtega sistema, kjer se vsaka njegova enota ne kaže kot absolut, temveč prihaja na dan šele skozi integracijo samo, ki privzema izvorno eksterne funkcije; koherentnost se tukaj vzpostavlja v tehničnem predmetu kot sistemu samem: »Kar se je začelo kot zbirka zunanje povezanih komponent, se konča kot tesno integriran sistem.« (Feenberg 2017, 72) Da bi razumeli stopnjo konkretnosti tehničnega predmeta, le-tega zato ne moremo enostavno razstaviti na dele, temveč se moramo posvetiti delovanju, organizaciji ter razvoju tehničnega predmeta kot celote. Šele skozi razvoj lahko razumemo, kakšne funkcije (in zakaj takšne) opravljajo določeni deli ter kako se to kaže v samem delovanju tehničnega predmeta.

Serija razvoja je po Simondonu vselej usmerjena v skladnost in enotnost, kjer tehnični predmet postaja čim manj samouničujoč in čim bolj stabilen, obenem pa v svoje notranje delovanje vključuje več funkcij.^[5]Manj samouničujoč dobesedno pomeni, da delovanje tehničnega predmeta ni moteče njegovemu lastnemu delovanju; npr. da se stroj ne pregreva. Poleg konkretizacije je za razvoj tehničnega predmeta značilna tudi diferenciacija funkcij. Diferenciacija pa ni, kakor bi se zdelo, nasprotna konkretizaciji, temveč se kaže kot njena zahteva, saj mora tehnični predmet na svoji poti privzeti različne oblike, da bo zadovoljeval čim višjo stopnjo stabilnosti in koherentnosti: »diferenciacija struktur znotraj sistema vzajemnih vzročnosti omogoča zatiranje neželenih učinkov, ki so bili doslej ovire (z vključevanjem teh v delovanje).« (Simondon 2017, 38)

Onkraj golega iskanja stabilnosti, je tehnični predmet po Simondonu vselej podvržen tudi zunanjemu vplivu oz. njegovemu asociiranemu – tehno-geografskemu – miljeju. Tehno-geografski milje usmerja tehnični predmet tako, da ga podredi eksternim in tujim zahtevam, ki jih mora tehnični predmet vzeti nase v trenutku, ko preneha bivati v svoji abstraktni obliki – npr. elektrarna, ki je sicer samo-regulativna, se mora prilagoditi tudi okolju in tehnični mreži, v katero se vpenja. Gre za »izmenjavo energije ali informacij znotraj tehničnega predmeta ali med tehničnim predmetom in njegovim miljejem« (Simondon 2017, 50-51). Konkretizacija se tukaj začne kazati kot kompromis najboljše integracije v ta razširjen tehno-geografski sistem, tako da se poskuša vzpostaviti vzajemni odnos med dvema načeloma ločenima svetovoma: »konkretni izum uresničuje tehno-geografski milje […], ki je obratno pogoj možnosti delovanja tehničnega predmeta samega.« (Simondon 2017, 18)

(Metka Krašovec, Tišina I (Frančiškanska cerkev), 1970, vir: Moderna galerija)

Ta proces, kjer prihaja hkrati do konkretizacije in adaptacije, Simondon poimenuje tehnična individualizacija, saj se predmet usmerja v edinstvenost. Koherentnost sistema se tukaj zgolj premakne iz notranjega delovanja tehničnega predmeta, v hkratni nastanek koherentnega asociiranega miljeja, ki je podlaga singularnosti. »Najpopolnejše tehnologije uporabljajo sinergije s svojimi okolji, da ustvarijo napol umetno okolje, ki prispeva k njihovemu delovanju.« (Feenberg 2017, 72) Predhodni antagonizem – predmeta in okolja – se stabilizira preko nove vzročnosti. V tehnični individualizaciji tako nastane specifična podlaga informacij – asociirani milje –, ki služi za vzpostavljanje novih oblik; kjer so oblike aktualizacije tega, kar je v izhodišču virtualno prisotno.^[6]Virtualno tukaj rabim v smislu »v možnosti« in ne v sodobnem smislu posnemanja resničnosti (virtualna resničnost): integracija tehničnega predmeta v okolje vzpostavi aktualizacijo, katero … Continue reading Asociiran milje v tem smislu predstavlja poseben krogotok informacij med tehničnim predmetom in okoljem oz. nakazuje na vzajemno vplivanje predmeta na okolje in obratno. Vzpostavi se vzajemna vzročnost, ki ima moč aktualizirati nove oblike, ali spremembe, enega in drugega.

Proces konkretizacije in individualizacije se kaže na treh ravneh. Bernad Stiegler nam ponudi strjen opis vseh treh ravni: »Elementi so orodje, ločeni organi; posamezniki implementirajo elemente; ansambli usklajujejo posameznike.« (Stiegler 1998, 68) Nekoliko drugače: tehnični element je predmet brez asociiranega miljeja (brez krogotoka informacij: tehnični predmet – okolje), tehnični posameznik vključuje asociirani milje (skozi integracijo že ustvarja napol umetno okolje), tehnični ansambel združuje tehnične posameznike in elemente. Recimo mehanizem izgorevanja in pridobivanja energije v lokomotivi je njen element; lokomotiva sama – posredno tudi celoten vlak – kot tehnični posameznik vzpostavlja lastni asociativni milje, tj. svojo obliko, železniško progo in postaje; celoten železniški sistem – od vseh vlakov in železnic do postajališč in upravljalnih točk – pa predstavlja tehnični ansambel, ki združuje tako elemente in posameznike, ter druge tehnične predmete in pod-ansamble z njihovim lastnim asociativnim miljejem, npr. komunikacijsko mrežo.

Evolucija tehničnega predmeta se kaže skozi prehajanje teh treh stopenj: tehnični predmet se povzpne vse od elementa do ansambla; tam se »tehnična vzročnost ponovno spusti na raven elementa prek procesa izdelave, kjer se reinkarnira v nove posameznike in potem nove ansamble.« (Simondon 2017, 67) Značilnost tovrstnega procesa so momenti sprostitve oz. prehajanj na eni strani, in proces izdelave na drugi – vse skupaj pa praviloma stoji na izvorni tehnični tendenci, ki jo lahko najdemo na vsaki izmed treh ravneh. Pomembno je, da človek kot iznajditelj po Simondonu nikoli ne proizvede ravni tehničnega posameznika ali ansambla (saj ti že vključujejo postopno integracijo z okoljem), temveč proizvaja tehnične elemente, ki so se v slednji dve stopnji možni integrirati, ali načeti lasten proces konkretizacije. Elementi so tudi edina raven tehničnega predmeta, ki lahko prehaja iz ene tehnične dobe v drugo, saj zanje še ni značilna individualizacija, ki vselej vključuje tudi asociirani milje – torej edinstveno adaptacijo na okolje. Spust na raven elementov pa ni nujno spust na nizko ali celo abstraktno raven tehničnih predmetov, temveč lahko nov element že v začetku vsebuje višjo konkretnost – prehod iz analognih v digitalne tehnične elemente (npr. števce) morda nakazuje tovrstno dejstvo.^[7]Tukaj lahko izpostavimo še dejstvo, da Simondon tehnični razvoj razume hkrati kot kontinuiran in diskontinuiran: tehnična tendenca načeloma nakazuje neko kontinuiranost razvoja tehničnih … Continue reading

Umetna inteligenca skozi Simondona

Simondon v svojih spisih ni konkretno problematiziral UI, tako da se ne moremo neposredno obrniti nanj.^[8]Veliko je problematiziral teorijo kibernetike, vendar ima le-ta  tudi svoje izhodiščne predpostavke in je ne moremo kar združiti s teorijo umetne inteligence. Naša navezava bi morala terjati iskanje izvorne tehnične tendence umetne inteligence, vendar se bomo zaradi koherentnosti raje obrnili na že nekoliko konkretnejšo teorijo komputacije, ki je izhodišče UI in tudi ena izmed njenih stalnih spremljevalk. Izraz umetna inteligenca izhaja iz 60. let 20. stoletja^[9]»Področje umetne inteligence (»AI«) se je uradno začelo leta 1956, ko ga je začela majhna, a zdaj že znana poletna konferenca, ki jo sponzorira DARPA na Dartmouth College v Hannovru v New … Continue reading; odpira polje raziskovanja, ki se ukvarja z ustvarjanjem umetne, človeku podobne, inteligence – za izhodišče si vzame algoritemske strukture oz. računalništvo. Algoritemske strukture so formalni seznami navodil (tj. redukcija operacije na odnos med vhodnimi in izhodnimi podatki, glede na vnaprej določen niz navodil za manipulacijo (in komputacijo) teh diskretnih podatkov), ki jih želimo programirati tako, da bo operacijo lahko izvedel stroj sam; npr. če želimo, da stroj iz množice števil izločiti vsa liha števila. Algoritemska inteligenca tako ne zadeva pomena (števil ali besed), ne vključuje semantičnega ali izkustvenega razumevanja, temveč gre zgolj za abstraktno operacijo, aplicirano na strukturiran problem: »delovanje programa preprosto vključuje ponavljajoče se zahteve, ki najprej določijo, ali se program« – tj. obdelava podatkov – »nanaša na trenutno stanje, nato pa izvršijo ustrezna navodila, dokler program za obdelavo ne bo več primeren« (Carter 2007, 73), oz. dokler podatki niso predelani v obliko, za katero algoritem ne predvideva več nobenih nadaljnjih predelav. Če se vrnemo na prejšnji primer, naš program za izločevanje lihih števil mora preveriti, ali operira z množico, ki vsebuje liha števila; nato ponavljajoče izvaja funkcijo izločevanja, dokler nenazadnje pride do množice brez lihih števil in preneha.

Predmeti komputacije – in UI – so vselej funkcije; funkcija pa je preračunljiva (komputabilna), če obstaja strojni program, ki jo lahko računa oz. izračuna. Matt Carter strne potrebno: »operacije registrskih strojev so izračuni. Predmeti komputacij so funkcije – registrski stroji izračunavajo funkcije. Izračunati funkcijo pomeni izpolniti navedene formalne pogoje. Če rečemo, da je funkcija izračunljiva, pomeni, da obstaja vsaj ena registrska naprava, ki jo bo lahko izračunala.« (Carter 2007, 78) Stroj, ki lahko izračuna katerokoli izračunljivo funkcijo, je računalnik. Če tukaj vključimo UI, si ta prizadeva »ustvariti artefakte, ki bi lahko izvajale takšne funkcije, ki se zdijo šibko konstitutivne za nekakšno inteligenco.« (Carter 2007, 100) Šibkost se tukaj navezuje na dejstvo, da se tovrstno pojmovanje UI ne usmerja v ustvarjanje artefaktov, ki bi nujno imeli človeku podobno inteligenco – to počne močna teorija UI. Temeljna razlika med UI in klasično algoritemsko analizo je, poenostavljeno, da običajen algoritem preprosto opravi nalogo po navodilih, medtem ko je UI kodirana za »učenje« opravljanja naloge (lahko iste). Moment učenja oz. postopnega privzemanja forme opravljanja naloge je tisto ključno, kadar govorimo o prehodu iz klasičnega algoritma v UI (še posebej strojno učenje). Topogledno je umetna inteligenca bolj odprt sistem, kot klasičen algoritem: čeprav vključuje set formalnih pravil, tj. diskretnih nizov navodil, in teži k določenemu cilju, je doseganje le-tega nekaj, česar se mora program šele naučiti; doseganje cilja je dinamično in lahko privzame različne načine. Na primer, klasičen algoritem za šah bo glede na stanje figur vselej izvajal že vnaprej točno določene poteze (ali niz potez), medtem ko se bo UI učila priti do zmage in se tako sproti naučila razlikovati med »dobrimi« in »slabimi« potezami. Inteligentni aspekt umetne inteligence je zato sposobnost učenja ter s tem napredovanja v oziru na najboljše možnosti v danem problemu/situaciji; prav to ji omogoča, da rešuje probleme, v katerih klasična algoritemska rešitev ni zadovoljiva, ter tiste, v katerih aspekt učenja pripelje do boljših rezultatov. 

(Rudolf Kotnik, XII, 1962, vir: Moderna galerija)

Na tem mestu lahko vključimo Simondonov pristop. Izvorni problem je nedvomno dejstvo, da UI ne moremo več imeti za enostavni tehnični predmet, niti ne želimo o njej govoriti zgolj skozi pojem inteligence – navsezadnje gre za nekaj umetnega. Ker nimamo praviloma ničesar oprijemljivega, temveč zgolj programsko kodno strukturo (softver), vezano na nosilca (hardver), bomo zaenkrat eno in drugo združili.^[10]Na »združitev« nas napeljuje tudi dejstvo, da specifičen softver praviloma potrebuje tudi neko določeno obliko hardvera, ali obratno: da je specifičen hardver zmožen opravljati zgolj z … Continue reading  UI lahko torej pojmujemo kot inteligentni tehnični predmet, s čimer Simondonov pojem tehničnega predmeta dopolnimo z momentom učenja oz. postopnega dinamičnega napredovanja, ki ga opravlja UI sama. Lahko bi prevzeli skovanko Yuka Huija in govorili o digitalnem predmetu^[11]Hui takole poda opis digitalnega predmeta: »Z digitalnim predmetom mislim na predmete, ki se oblikujejo na zaslonu ali skrijejo v ozadju delovanja računalniškega programa, sestavljenega iz … Continue reading, saj tudi on naposled pravi: »zelo me mika, da bi vse predmete, povezane s komputacijo, vključil v digitalne predmete« (Hui 2016, 48), in UI nedvomno je povezana s komputacijo. Tovrstna posplošitev pa bi zakrila razliko (in posebnost) med UI in drugimi programskimi strukturami, prav tako pa izpustila dejstvo, da lahko UI privzame tudi analogne oblike kot so fizične nevronske mreže.  Lahko bi preprosto rekli tudi, da gre za softver predmet (predmet programske opreme), vendar, kot izpostavi Lev Manovich, softver vsebuje tudi »programsko opremo za aplikacije, sistemsko programsko opremo, orodja za računalništvo, pa tudi storitve socialnih omrežij in tehnologije družbenih medijev.« (Manovich 2013, 6) Tudi tukaj bi umetna inteligenca bila zelo specifičen podskupina; naša skovanka pa bo precej preprosto nakazala,za kaj gre, saj inteligentni tehnični predmet lepo pravi, da gre za nekaj, kar vključuje »umetno« in »inteligentno«, torej umetno inteligenco.^[12]Skovanka inteligentni tehnični predmet nam omogoča tudi, da vanjo prav tako vključimo strojno učenje, ki se sicer od klasične teorije UI razlikuje in predstavlja lastno – čeprav ne popolnoma … Continue reading

Sledeč Simondonu se sedaj lahko vprašamo, kako UI prihaja-v-bivanje. Očitno je, da UI, preden je »natrenirana«, ni uspešna – zmotno analizira slike ali pa izvršuje slabe poteze. Njena konkretizacija se, ravno tako kot je značilno za tehnične predmete, ne kaže v goli avtomatizaciji, temveč ravno tako v stabilnosti. Avtomatizacija je sicer njena značilnost – celo predpogoj –, vendar ne njeno izpopolnjeno stanje. Izpopolnjeno stanje UI je stanje, v katerem čim boljše simulira in se uči avtomatizirana inteligentna dejanja, gre za stanje uspešnosti izvrševanja algoritemskih funkcij, ki privedejo do želenega rezultata. Približevanje izpopolnjenemu stanju (dobro igranje šaha, analiziranje slik ali podatkov ipd.) pa se navsezadnje giblje na podlagi zamejene, čeprav dinamične, algoritemske strukture, tako da je njen cilj oz. to, kar od neke umetne inteligence pričakujemo (nek vnaprej določen smisel), vselej odvisen od taistega algoritma ali algoritmov. Na njen cilj napeljujejo algoritmi (kakor tudi podatki, ki jih je zmožna analizirati) sami, tako da je njen proces konkretizacije vselej tudi že strukturno zaprt – delno vemo kaj pričakovati, čeprav ne vemo nujno, kako bo to pričakovanje izpolnjeno in izpopolnjeno. Izhodišča, tj. algoritmi in podatki, tako usmerjajo proces, kakor tudi smiselnost ali stabilnost (tj. uspešnost) konkretizacije umetne inteligence, vendar ne v smislu stroge vnaprej-programiranosti, temveč kot osnova, na kateri se »razvoj« umetne inteligence prične. Čeprav je torej tisto, kar bo naredilo UI izpopolnjeno ali uspešno, že na začetku nakazano (npr. vemo, da bo klasificirala slike), so algoritmi, in njihovi prepleti, za doseganje le-tega dinamični (klasifikacija slik ni vnaprej določena ali celo ne nujno povsem transparentna).  

Proces konkretizacije je tukaj mogoče zaslediti zgolj znotraj zamejene strukture, vendar ne kot pri abstraktni tehnični obliki. Abstraktna tehnična oblika ne premore notranje stabilnosti lastnega delovanja in potrebuje eksterni nadzor, medtem ko UI ravno obratno, ta nadzor – skozi iteracije in učenje – opravlja sama. Njena notranja stabilnost se ne kaže več kot sinhronizacija vseh delov, temveč kot izpopolnjevanje izvrševanja algoritma samega, skozi že vnaprej razprto strukturo diferenciacije – npr. izboljšuje se v igranju šaha. Tovrstna značilnost praviloma velja tudi za strojno učenje (machine learning) z dodatnim vključevanjem podatkovnih analiz, ki so – prav tako – pogosto kategorizirane (ali vsaj usmerjene) vnaprej. 

Stabilnost UI oz. inteligentnega tehničnega predmeta v veliki meri izhaja iz zgoraj omenjenega izpopolnjevanja zamejene, a hkrati dinamične, strukture. Zanj sta, kakor za Simondonov tehnični predmet, odprtost in nad-določenost najprej antagonistična vidika, saj zmotita izvorno stopnjo stabilizacije (ne celotnega procesa konkretizacije) s tem, ko poskušata v sam proces delovanja vključiti eksterne ali izpuščene zahteve. Te niso nujno zaželene zaradi večje transparentnosti (kar bi bila izrazito človeška, tj. UI tuja, zahteva), temveč kot pogoj za bolj optimalno, ter tudi bolj »splošno« ali raznoliko, umetno inteligenco – vključevanje več parametrov večinoma izboljša neko analizo in poveča stabilnost sistema, vendar ne v smislu samouničevalnosti, temveč veliko bolj adekvatnosti in relevantnosti. Dejstvo je, da morajo biti nove ali drugačne funkcije, kadar jih želimo vključiti v sam sistem, le-temu tudi formalno podane oz. v njem opisane – biti morajo del njegove strutkture in tako zahtevajo spremembo algoritma samega; razširjen mora biti odnos med izhodiščnim problemom in pričakovanimi izidi. To nas napeljuje tudi na splošnost umetne inteligence oz. na tako imenovano splošno UI (general AI), ki jo lahko razumemo ali kot avtonomno samoodločanje, ali pa kot adekvatnost vsakršni relevantni nalogi. Problem splošnosti UI je znan tudi kot »problem z okvirjem« (frame problem), saj gre za vprašanje: kako UI določiti okvir ali zbir informacij, ki so relevantne v določeni situaciji? Nenazadnje gre za vprašanje: kako razvijati odprtost in nad-določenost UI, ne da bi s tem povsem izgubili stabilnost: kako urediti UI, ki je zmožna opravljati številne operacije, da bo v danem trenutku prepoznala, katere operacije (in informacije) so relevantne in katere ne; da bi lahko – ne glede na raznovrstnost situacij – povedala kaj pametnega.

Poleg tega, da splošnost UI lahko opišemo z dialektiko nad-določenosti/odprtosti in stabilnosti, nedvomno udejanja tudi diferenciacijo. Ta stopi v ospredje v že omenjenem problemu okvirjanja, ki ponazarja, da (bi) mora(la) splošna UI nekatere operacije zatreti ter jih vključiti v delovanje tako, da jih označi kot nepomembne oziroma nemogoče. Diferenciacija obenem ponazarja dejstvo, da moramo v UI vključiti tudi formalne pogoje, ki bi lahko zmotili stabilno (ali nemoteno) delovanje, tj. zmotili bi trenutno zaposlenost oz. komputacijo (npr. pogoj, da v primeru požara neurejenost sobe ni relevantna, čeprav bi v drugih primerih lahko bila).

Splošnost umetne inteligence lahko razumemo stopenjsko: (1) nad-določenost se kaže kot nabor nalog, za katere je UI primerna – če lahko hkrati analizira oblike in izvaja samonadzor na cesti, je nedvomno bolj nad-določena, kot če bi lahko opravljala zgolj eno izmed funkcij; (2) širša odprtost nastopi pri UI, ki med analizo podatkov ne sprejema več samo znakov, temveč tudi besede; (3) diferenciacija pa pride do izraza predvsem, kadar dana UI razlikuje med različnimi informacijami ter vrstami analiz, ki so za te primerne, ter je zmožna svoje algoritemske strukture aplicirati na raznolike cilje. V tem smislu se konkretizacija UI kaže kot izpopolnjenost izvrševanja izhodiščnih pogojev, adaptacija teh pogojev na različne zahteve in iterativno izboljševanje ter diferenciranje delovanja samega.^[13]Časovna dimenzija (hitrost iteracij in učenja) pa nenazadnje predstavlja eksterno oz. človeško zahtevo, saj je ta pomembna za našo rabo UI in ne v smislu njenega prihajanja-v-bivanje. Splošnost predstavlja tudi nasprotje avtomatizacije oz. vsaj njeno razširitev; kot odprtost za sprejemanje novih informacij in navodil, ki lahko spremenijo izvorno delovanje, tj. kot programirabilnost. Avtomatizacija kot cilj vselej predstavlja zaprt in manj konkreten tehničen predmet, vendar, ker je pri inteligentnem tehničnem predmetu ta navsezadnje izvorna predpostavka, lahko rečemo, da mora tukaj iti za konkretizacijo avtomatizacije same; za odpiranje, posploševanje in diferenciranje avtomatiziranih funkcij ter njihovo posredno stabilnost.

(Dušan Džamonja, spomenik NOB v Podgariću, 1967, vir: Kudos)

Tudi analizo konkretnosti inteligentnega tehničnega predmeta lahko približamo klasičnemu tehničnemu predmetu. Razvoj UI pogosto temelji na različnih iteracijah – gre za spreminjanje skozi čas – in problem sodobne analize umetne inteligence je ravno v tem, da vmesnih stanj praviloma ne analizira. Prepogosto izhaja iz že izpopolnjene UI ter do nje pristopa kot do nečesa danega, tj. ne postopno in diskretno pridobljenega, temveč izkustveno in pomensko polnega, ali pa se vrača do izhodiščnega stanja (algoritma), kjer se je proces razvoja šele pričel (prav nič drugače kot lahko tehnični predmet banaliziramo na zdaj obstoječo zvezo med trenutnim stanjem in njegovimi posledicami, brez navezave na njegov razvoj in sproti spreminjajoč se tehno-geografski milje). Problem ni zgolj na strani tistega, ki analizira, temveč je skrit v samem delovanju UI. Dejstvo je, da vmesnih stopenj pogosto čez čas ni mogoče več razkriti^[14]Morali oz. lahko bi več iteracij shranjevali ter s tem imeli boljšo (ampak ne popolno) predstavo glede tega, kako se neka umetna inteligenca razvija. Problem je seveda, da bi tovrsten pristop … Continue reading – vodijo do zadnje, tj. trenutne, iteracije, vendar v njej sami niso neposredno razvidne. To seveda ne pomeni, da vprašanje, kako zadnja iteracija vseeno nakazuje razvoj, izgubi pomen, temveč izpostavi, da je glavni problem tehnične transparentnosti umetne inteligence njeno »pozabljanje« izgubljenih struktur, katerih rezultat se anahronistično ter s tem zmotno predstavlja kot nepristranska in objektivna struktura.

UI je vselej umeten pristranski izraz svoje lastne konkretizacije, zato bi veljalo razviti učinkovitejši vpogled v le-to, npr. skozi sprotno shranjevanje vmesnih iteracij. Nenazadnje je problem objektivnosti UI nekaj, kar raziskovanje in ustvarjanje umetne inteligence poskuša razrešiti, ravno tako del problema okvirja. Kot pravi Ivana Bartoletti: »Stvar, za katero jih programiramo, je, da prepoznajo in delujejo v skladu soodvisnosti [korelacije] med stvarmi« (Bartoletti 2020, 23), pri čemer je korelacija pogosto vzpostavljena – morda vsaj nakazana – vnaprej. Okvir sam, torej, kar je umetni inteligenci relevantno in kar je zmožna uporabiti, predstavlja »objektivnost«, znotraj katere se giblje. Upravičenje privzete objektivnost se zato v resnici opira na naiven pojem objektivnost, medtem ko bi moralo opustiti objektivnost in izhajati it tega, da gre tukaj za nekaj tehničnega oz. tehnično posredovanega. Ne gre samo zato, kako so zastavljeni začetni formalni pogoji, ali katere funkcije bodo opravljene za dosego cilja, temveč pot razvoja UI – še posebej pri strojnem učenju – vodi do določene oz. konkretizirane oblike. Konkretizirana oblika pa ne vodi do objektivnosti, temveč, nanašajoč se na Simondona, prej do edinstvenosti, enosti in celo do individualizacije; kar bi bilo, čeprav ravno tako naivno, bližje neki subjektivnosti.

Z individualizacijo prehajamo tako še do vprašanja asociiranega miljeja znotraj konkretizacije inteligentnega tehničnega predmeta. Pri klasičnem tehničnem predmetu se to vprašanje pojavi v trenutku, ko poskušamo predmet integrirati v okolje (v tehno-geografski milje). Ravno to, integracija v okolje, pa mora znotraj UI – in nasploh znotraj celotnega polja softvera – zavzeti še eno dimenzijo. Glede na to, da je UI na koncu vselej prisotna šele tako, da je del fizičnega, tj. oprijemljivega, sistema ali naprave, pride seveda tudi do integracije v tehno-geografski milje; ravno tako pa je potrebna integracija UI ali kateregakoli programa v računalniški softver. Na ta način je umetna inteligenca vključena v dva razširjena miljeja: prvi je tehno-geografski – kamor spada vse od računalnikov, kablov in serverjev kot materialnih predmetov ipd. – drugega pa je najbolje imenovati digitalni ali softver milje – kodne in server povezave, GUI, »številna omrežja, ki so med seboj povezana s protokoli in standardi« (Hui 2016, 26) itd. Gre torej za to, da se UI prav tako povezuje v razširjen milje programske opreme in medsebojnih računalniških povezav. Nek določen asociiran milje lahko zasledimo npr. v samovozečih se avtih, saj uporaba UI za vožnjo narekuje, da se ustvari milje, ki vključuje tako procesiranje in odločanje v realnem času, umetno inteligenco, senzorje, podatkovni zemljevid cest in še mnogo drugega.^[15]Tukaj si lahko predstavljamo tudi, kako bi zgledalo cestno omrežje, v kolikor bi bila vsa vozila samovozeča. Ker številni znaki, ki so nam enostavni in razpoznavni, za UI lahko predstavljajo … Continue reading Obratno bo UI in strojno učenje za analizo slik ali podatkov (tudi hiperlinkov), kakršno uparabljata recimo Google in Facebook, zahtevala povezave med drugimi in različnimi elementi, in tako ustvarila sebi specifičen asociiran milje in ansambel, znotraj katerega bi bilo mogoče zaslediti gibanje v individualizacijo.

Zaključimo lahko tudi s tem, da je UI zgolj nek tehnični element, ki se šele naknadno doda že razširjenemu digitalnemu, računalniškemu ali socialnemu omrežju oz. ansamblu. V tem primeru ne generira sebi-lastnega asociiranega miljeja, temveč je vanj zgolj posredno vključena. Tudi samovozeči se avto lahko opredelimo kot tistega pravega tehničnega posameznika, v katerega je UI zgolj vključena, neodvisno od tega, da je šele razvoj UI tisti, ki lahko sploh pusti misliti nekaj kot je samovozeči se avto. V najboljšem primeru pa lahko rečemo, da integracija UI vzpostavlja poseben podatkovno-funkcionalni asociirani milje, saj njena uporaba nakazuje na restrukturiranje urejenosti protokolov, standardov in podatkovnih baz, ki se morajo naposled spremeniti tako, da so lahko umetni inteligenci uporabne in lahko vanje posega.^[16]Organizacija velikih podatkovnih baz je recimo temu primerno adaptirana. Ljudem je zaradi količine informacij neuporabna, njen izvor pa se ima tako zahvaliti strojem oz. programom katerim je lahko … Continue reading

UI nakazuje na dejstvo, kako lahko na različne načine – glede na izvorne postavke – razrešujemo odprte funkcije in analiziramo baze podatkov; njen asociirani milje je v tem smislu omrežje ali baza podatkov, s katerim je v razmerju izmenjave informacij. Ta značilnost ni nujna za UI – lahko jo rabimo kot zaprt sistem (reševanje zamejene in točno določene naloge) –, vendar nedvomno pripomore pri njeni individualizaciji tako, da se na podlagi implementacije UI spreminjajo strukture omrežij in podatkov, ob čemer se hkrati razvija edinstvenost neke umetne inteligence. Najbolj konkreten primer, kjer lahko zasledimo prehod UI kot zgolj inteligentnega tehničnega elementa do posameznika, pa je najbrž na UI temelječa robotika, saj umetna inteligenca tam predstavlja vrhnjo strukturo upravljanja sistema oz. robota kot posameznika – podoben status, kot ga mi pripisujemo možganom.

Zaključek

S pomočjo Simondonove analize tehničnih predmetov smo poskušali nakazati pogosto pozabljeno dinamiko umetne inteligence. Onkraj zgolj problematiziranja tega, kaj pomeni inteligenca znotraj umetne inteligence, smo se poskusili postaviti na drugo stran, da bi nakazali, kaj znotraj tega pomeni, da gre za nekaj umetnega, za nekaj tehničnega. Izhodišče je tako predstavljala Simondonova teorija na eni strani, in izvorne predpostavke komputacije na drugi. V Simondonovi teoriji smo tako analizirali temeljne značilnosti geneze tehničnih predmetov: »tehnično tendenco« (stalno prisotno usmeritev razvoja tehničnega predmeta), »proces konkretizacije« (stremljenje tehničnega predmeta k enosti, skozi iskanje stabilnosti, nad-določenosti, odprtosti in hkrati diferenciacije) ter »proces individualizacije« oz. integracije v asociiran milje (postopno stapljanje v okolje, kjer prihaja hkrati do sprememb in adaptacij v tehničnem predmetu ter v okolju samem). Prvi del smo zaključili s prikazom treh ravni tehničnih predmetov, kjer, poenostavljeno, tehnični element predstavlja orodje, tehnični posameznik združuje različna orodja, tehnični ansambel pa usklajuje hkrati prve in druge.

(Fortunato Depero, Skyscrapers and Tunnels, 1930, vir: CIMA)

Premik do umetne inteligence, ki smo jo poimenovali inteligentni tehnični predmet, je v osnovi terjal predstavitev osnov komputacije in temeljno razliko med klasično komputacijo in umetno inteligenco, ki jo predstavlja moment »učenja«. Komputacijo in njeno vseprisotno rabo binarne kode lahko, čeprav tega nismo eksplicitno povedali, razumemo tudi kot eno izmed stalnih tendenc umetne inteligence. S tem v mislih smo nakazali, kako lahko razumemo proces konkretizacije znotraj umetne inteligence, kjer gre za izpopolnjevanje izvrševanja njene začetne algoritemske strukture; ki pa, vsaj izhodiščno, pogosto meri bolj na stabilnost in manj na nad-določenost ter odprtost. Nad-določenost in odprtost smo poskusili dalje problematizirati znotraj teorije o splošni umetni inteligenci ter prvo tako označili kot zmožnost opravljanja več in različnih inteligentnih dejanj, drugo pa kot zmožnost sprejemanja širokega polja različnih informacij. Eno in drugo je izvorno vdor v osnovno stabilnost inteligentnega tehničnega predmeta in more tako biti predstavljeno kot nov začetni formalni pogoj. Nenazadnje smo proces konkretizacije inteligentnega tehničnega predmeta mislili v smislu konkretizacije avtomatizacije same – ker je avtomatizacija predpogoj umetne inteligence, je njeno prihajanje k enosti in edinstvenosti navsezadnje razširitev možnih avtomatiziranih dejanj. Zaključili smo s poskusom prikaza, kako se umetna inteligenca vključuje v razširjene tehnične ansamble ter kako jih do neke mere tudi spreminja in se individualizira; npr. najočitneje znotraj »avtonomnih« robotov.

Viri in literatura

Bartoletti, Ivana. 2020. An Artificial Revolution: On Power, Plitics and AI. London: The Indigo Press.

Bringsjord, Selmer in Naveen Sundar Govindarajulu. (Poletje 2020). »Artificial Intelligence«. Na: The Stanford Encyclopedia of Philosophy. Dostopno na: https://plato.stanford.edu/archives/sum2020/entries/artificial-intelligence/

Bunz, Mercedes. 2019. »The Calculation of Meaning: On the Misunderstanding of New Artificial Intelligence as Culture«. V: Culture, Theory and Critique. Dostopno na: https://doi.org/10.1080/14735784.2019.1667255

Carter, Matt. 2007. Minds and Computers: An Introduction to the Philosophy of Artificial Intelligence. Edinburgh: Edinburgh University Press.

Dreyfus, Hubert. 1972. What Computers Can’t Do: A Critique of Artificial Reason. New York: Harper & Row.

Feenberg, Andrew. 2017. Technosystem: The Social Life of Reason. Cambridge, Massachusetts: Harvard University Press.

Hui, Yuk. 2016. On the Existence of Digital Objects. Minneapolis: Univeristy of Minnesota Press.

Manovich, Lev. 2013. Software Takes Command. New York: Bloomsbury Publishing Inc.

Simondon, Gilbert. 2019. »Technical Mentality«. V: Parrhesia, št. 7. (17-27). Dostopno na: http://blogs.bbk.ac.uk/artsresearch/files/2016/09/gilbert-simondon-technical-mentality.pdf

Simondon, Gilbert. 2017. On the Mode of Existence of Technical Objects. Minneapolis: University of Minnesota Press.

Stiegler, Bernard. 1998. Technics and Time 1: The Fault of Epimetheus. Stanford, California: Stanford University Press.