Magas, vöröses hajú fiú állt a cambridge-i vasútállomás peronján, hátán csellóval. A Londonba tartó vonat csak nem akart befutni, ami nemcsak a szakadó októberi eső miatt volt kellemetlen, hanem azért is, mert így borítékolni lehetett, hogy elkésik az órájáról. „Cambridge és London nincsenek messze egymástól, de angol vonatokkal néha igen nehéz volt odaérni.” Madarász Tamás 1999-től tanult a Cambridge-i Egyetem matematikus szakán, közben aktívan zenélt, és a londoni Giuldhall School of Music and Drama oktatójánál fejlesztette csellótudását.

Tamás nyolcéves kora óta csellózott, és – reál érdeklődése mellett – tudatosan zenei pályára készült, ezért a budapesti Radnóti Gimnáziumban letett érettségi után Cambridge-ben, egyetemi tanulmányai mellett is nagy (ha nem nagyobb) hangsúlyt fektetett a zenélésre. Nagyon diplomatikusan mesél arról, mennyit is járt be az előadásokra, de úgy érzem, tulajdonképpen a kis­ujjából kirázta a vizsgákat és a három év végén a matematikusdiplomát is.

A Cambridge-i Egyetemen pezsgő zenei élet volt, a környékbeli kápolnák akusztikáját mintha eleve szólócsellódarabokhoz tervezték volna. A Trinity College (az egyetemet alkotó college-okkal a hallgatók ugyancsak jogviszonyban állnak, itt laknak, és itt vannak az óráik – a szerk.), ahol Tamás is tanult, nem kevésbé neves, mint maga az egyetem, lakosztályaiban és tölgyfa asztalainál megfordult sok más nagy név mellett Newton és Darwin is.

Az etoni bridzspartik
A nagy belső udvarok, a tökéletesre nyírt zöld pázsit, a boltíves átjárók, a középkori, néhol borostyánnal befuttatott falak, a könyvtárak és a krikettmeccsek nem voltak ismeretlenek, mert Tamás gimnazistakorában már eltölthetett egy ösztöndíjas évet Etonban. A világ talán leghíresebb magániskolájáról százból kilencvenkilenc embernek valószínűleg az ide járó Vilmos és Harry herceg jut eszébe.

Az iskola vezetése 1997-ben a volt kommunista régióból szeretett volna diákokat Etonba vinni, és a felvételi után Tamás mellett egy-egy korábbi NDK-s és lengyel ösztöndíjas utazhatott ki. Bár Tamás, édesapja kutatói munkája miatt korábban az Egyesült Államokban, Baltimore-ban, valamint Svédországban is megfordult, az Eton mégis kultúrsokk volt.

Nemcsak az erősen kompetitív légkörhöz, az egyenruhához, a szigorú napirendhez és a kötelező kápolnalátogatásokhoz kellett hozzászoknia, hanem az iskolába járó gazdag és nagymúltú családok sarjainak egyedi, kicsit archaizáló, posh kiejtéséhez is. „Anglia ekkor még kevésbé volt európai ahhoz képest, mint amennyire a 2000-es évek végére lett – emlékszik vissza Tamás. – Eton viszont még Anglián belül is nagyon izolált világ volt. Az egész napunk be volt táblázva. Nyilvánvalóan azért, hogy az embernek ne legyen túl sok szabadideje, amikor azt csinál, amit akar.”

Tamás itt is sokat zenélt, matematikaversenyekre járt, és bridzselt. Ezekben a kisebb közösségekben tudott barátkozni is. Harry akkor kezdte az Etont, amikor Tamás odakerült, Vilmos egy évfolyammal alatta járt. Csak utóbbival találkozott személyesen, amikor az egyik kápolnában csellózott, illetve egyszer egy színdarabban látta a herceget.

Az ösztöndíjas év végén Tamás, elsősorban matematikai és természettudományi tudására alapozva le is érettségizett Etonban, majd itthon is. Azt mondja, a kinn töltött időszak képbe hozta: külföldön is lehet tanulni. Akkoriban ez nem volt annyira nyilvánvaló egy középiskolásnak, mint manapság. Ez vezette aztán Cambridge-be, de ott szerzett diplomáját és matematikatudását évekig nem használta.

Németországba, majd Párizsba átköltözve Európa-szerte szólókoncerteket adott. Többszázas termeket töltött meg, például a bonni Beethoven Haust, a londoni Wigmore Hallt vagy a budapesti Spinoza-házat. Egy vállsérülés azonban megakasztotta karrierjét, és bár csak fél év volt, míg egyáltalán nem tudott csellózni, a későbbi vállfájdalmak miatt 2008 vége felé elkezdett gondolkozni, mit is csinálna, ha nem zenélne.

Így landolt a New York-i Egyetem (NYU) agykutatással foglalkozó doktori képzésén. „Az agykutatást és az MI-kutatást egymáshoz közelebbinek gondoltam, mint most.” Tamás úgy látja, a jelenlegi mesterséges intelligenciák nem az agyhoz hasonlóan működnek. Az egyik legfontosabb különbség, hogy sokkal több adatból tanulnak, mint amennyit az emberi agy képes átlátni. Erre a szélesebb körű tanulásra azért van szükség, mert az emberi agy működését naivabban lemodellezni próbáló rendszerek egyszerűen nem működtek. Az agykutatásban sokszor hiányzott az objektív kiértékelés, az MI viszont mindig alkalmazott terület volt, és az évek során kiválasztódtak a legjobban működő módszerek.

A mostani generatív MI-forradalom is ennek az „evolúciónak” az eredménye. Korábban szűken értelmezett feladatokra tanították be a mesterséges intelligenciát, és ha kicsit is megváltozott a parancs, már nem tudta végrehajtani. A nagy nyelvi modellekkel jött be az, hogy rengeteg adattal egy olyan általános MI-rendszert építettek fel, ami valamennyire magától is adaptív, vagyis igazodik a körülményekhez. Olyan sok mindent látott, hogy megérti a nyelv struktúráját annyira, hogy utána nagyon kis módosításokkal lehessen használni. A cégek is az igényeikhez tudják finomhangolni a nagyon nagy adathalmazon betanított modelleket. Az ember azonban még mindig máshogyan tanul, sokkal adaptívabb.

„Mindenki tudta, hogy ebből valamikor nagy dolog lesz. Ez sohasem múlt el, de éppen az egyik hájp utáni hullámvölgyben voltunk.” Tamás nem New Yorkban, hanem már cambridge-i évei alatt elkezdte tanulmányozni az MI-t. Külön kurzuson, előadásokon ott sem tanították, nem volt könnyű szakmai információhoz jutni. Ugyanakkor már az „AI-winter” – vagyis azon időszak, amikor nem tettek annyi pénzt az MI-be – vége felé jártak, kezdett ismét kinyílni a terület. „A szimbolikus mesterséges intelligencia kora után, amikor a nyelvészet logikai rendszerét próbálták másolni, az MI-fejlesztésben leginkább az elméleti megfontolásokra épített vagy azokkal igazolható algoritmusok voltak sikeresek. Tamást mégis nagyon érdekelte, mert látta, ha ebbe energiát fektet, az pár évtized múlva megtérül.

De mi védi meg az embert?
„Az emberi agy nagyon különleges. Egy nagyon jól megkonstruált fizikai objektum, de szó sincs róla, hogy ne lenne reprodukálható.” Arról, hogy cél-e egyáltalán, hogy az MI reprodukálja az emberi agyat, vagy hogy végső soron mi is az MI fejlesztésének célja, nincs globális konszenzus. Mindig profitorientált célok vannak, mondja Tamás. Éppen ezért az MI elterjedésének elsődleges negatív hatását a munkaerőpiacon és a globális egyenlőtlenségek rövid távú növekedésében látja, szerinte először ezzel érdemes foglalkozni.

Az az igazi kérdés, hogy a profitorientált célokat meg lehet-e úgy fogalmazni, hogy az mindenkinek jó legyen. Azon kell gondolkozni, hogy a nagyoknál mi védi meg a munkavállalót, ha a profitalapú fejlesztések elég hatékonyak, és nemcsak kiegészíteni, hanem helyettesíteni is tudják az emberi munkaerőt. A munkaalapú társadalom megszűnése utópia ugyan, de technológiailag kivitelezhető lenne.

A termelékenység és a profit növekedése abból a szempontból pozitív, hogy megakadályozza a stagnálást, és előidéz valamilyen fejlődést, de ez már most sem fordítódik le a reálbérek emelésére. Az MI-t fejlesztő nagyágyúk és a legkisebb, legfeljebb húszfős vállalkozások valószínűleg jól járnak a mesterséges intelligencia egyre szélesebb körű elterjedésével, a közepes méretű cégek viszont már nem annyira.

Már nem sokáig lesz könnyű válaszolni arra a kérdésre, hogy miben több az ember, mint a mesterséges ember. Az ember érvel, érez, és most még adaptivitásban is jobb, tanulni is gyorsabban tanul. Utóbbi nyilván attól függ, hogyan definiáljuk a tanulást. Az MI sokkal gyorsabban memorizál, de nehezebben tanul teljesen új feladatot. Az ember empátiában, mások cselekedeteinek és érzéseinek megértésében, illetve az emberekkel való interakcióban is túlszárnyalja az MI-t. „Könnyű egy szöveget generálni, de a való világban mozogni, több lépcsőben gondolkozni teljesen más.”

Ennek a fejlődésnek azok az országok és régiók – Banglades, Délkelet-Ázsia, Afrika – lesznek a vesztesei, ahol az olcsó munkaerőre alapozva a könnyen automatizálható, manuálisabb munkákra, például ruhagyártásra specializálódtak. Nekik a legnehezebb átállni új technológiákra. Pedig nem árt felkészülni, mert három–öt év múlva az algoritmusok is megtanulnak a való életben mozogni, tervezni, és nem csak utasításokat fognak követni. Minden csak azon múlik, lesz-e elég számítógépes kapacitás, hogy ne nőjön, hanem az eddigiekhez hasonlóan csak néhány hét vagy hónap legyen a betanulási idő.

„Neked mint munkavállalónak, akár szereted az MI-t, akár nem, hatni fog a munkádra.” Itt viszont szemléletváltásra van szükség, hogy a dolgozó ember ne passzív résztvevőnek tartsa magát, hanem proaktív legyen. „Ha tudod, hogy mit szeretnél a munkádhoz, ami könnyebbé teszi, azt próbáld meg kérni a munkaadótól, és képezd magad.” Az eddigi kutatások azt mutatják, hogy az MI-nek köszönhetően rövid távon javul a munka minősége, sőt több álláshely lesz, de középtávon ez már nem biztos, hogy így marad.

Érdeklődtek, hogy mi történik itt
Tamás 2014-ben vett részt először kifejezetten az MI témájú konferencián, Montréalban. „Mindenki kedves volt, családias légkörben zajlottak az előadások, nagyon jól voltunk tartva.” Ekkoriban még csak a kutatók és a legnagyobb tech cégek jártak ilyen rendezvényekre. Aztán évről évre látszott, hogy itt valami nagy dolog készülődik – pedig hol volt még a ChatGPT.
„Jöttek ingatlancégektől és olyan területekről is, ahol soha senki nem foglalkozott MI-vel. Érdeklődtek, hogy mi ez, mi történik itt.” A koronavírus-pandémia előtti utolsó nagy, Vancouverben tartott MI-konferenciára, amin Tamás is részt vett 2019 decemberében, már tízezres nagyságrendben adtak el jegyeket, és a regisztráció megnyitása után fél órával el is kelt az összes.

Ekkorra már Tamás is elmélyítette MI-tudását. New Yorkban – amellett, hogy az érzelmi reakciókért felelős agyterületről, az amig­daláról elnevezett Amygdaloids nevű egyetemi bandával végigcsellózta a metropolisz underground klubjait – az egyetemen MI-kurzusokra járt. A Courant Institute of Mathematical Sciencesen, a világ egyik leghíresebb matematikai intézményében olyan nagyágyúktól tanult mesterséges intelligenciáról, mint Yann LeCun, a Meta későbbi MI-laboratóriumának igazgatója, a deep learning (a gépi mély tanulás) „nagyapja” vagy Mehryar Mohri, a Google tanuláselméleti kutatócsoportjának igazgatója.
Joshua Johansen – aki az egyetemen posztdoktori képzésben vett részt, és Tamás egyik tanácsadója volt (most Japán egyik legnagyobb tudományos központjában, a Rikenben vezet kutatócsoportot) – azt mondja Tamásról, hogy a tudomány és a kreatív gondolkodás egyaránt könnyen ment neki, és egyedülálló, jövőbe mutató szakdolgozatot írt a traumatikus érzelmi emlékek kialakulásának idegi alapjairól.

Ugyanakkor Johansen szerint Tamás nyilvánvaló szellemi tehetsége ellenére sem volt kifejezetten ambiciózus. „Tudta, hogy okosabb, mint a legtöbb ember, és a hagyományos célok – előrejutás vagy jól fizető állás – nem tűntek neki túl vonzónak.” Tudós létére meglehetősen kiegyensúlyozott életet élt, valószínűleg sokrétű háttere miatt. A laboron kívül szeretett zenélni és zenét hallgatni, és a városok mellékutcáiban barátokkal eltöltött késő esték tették igazán boldoggá New Yorktól Tokióig.

„Azóta sem döntöttem el teljesen.” Tamás a doktori után visszajött Európába (Genfbe és Oxfordba) kutatni, de New York akkora hatással volt rá, hogy máig gondolkozik néha a visszaköltözésen. „Jobban szeretek Európában élni, de az egyetemi közeget a nyitottsága miatt jobban szeretem Amerikában.”

Az elméleti kutatói létről aztán a versenyszférára váltott, mert a 2010-es évek végétől az MI területén egyre nagyobb szerepük lett a cégektől kapott kutatási feladatoknak. Már csak azért is, mert sokszor ezeken a helyeken koncentrálódnak az adatok meg az erőforrások, és Tamást egyre inkább az alkalmazott kutatások, a valós problémák vonzották.

Dolgozott a GlaxoSmithKline gyógyszeróriás MI-fókuszú belső startupjánál Londonban, majd a Huawei önvezető autóihoz fejlesztett szoftverein, aztán a Mediatek nevű csiptervezőnél. Ma a világ legnagyobb tőzsdén lévő bankja, a JPMorgan Chase döntéstudományi vezetője. Fogyasztói, kereskedelmi bankról lévén szó, azt kell kitalálni, hogy a többi piaci szereplő és a makrokörnyezet figyelembevételével milyen kamatokat, bankszámlafeltételeket ajánljanak az ügyfeleknek. „Ehhez az MI ad plusz lóerőt.”

Az MI használata ott lehet eredményes, ahol jól feltérképezik az egyes megoldások társadalomba való átvitelét. Tamás szerint végül ezért nem lett sikeres a mesterséges intelligencia az önvezető autóknál. „Mindenkit nagyon izgatott a technológia, de nem volt tökéletes, és senki sem gondolta végig az átállást.”

Eddigi versenyszférás tapasztalatai alapján viszont az MI több olyan területen is megoldást hozhat, ahol most még küszködünk. Egy bizonyos ponton túl az embereknek kezelhetetlen az egyes szakterületeken megjelenő sok millió tudományos publikáció. A mostani filterekkel és hierarchiával sem tökéletes a szűrés.

Az MI viszont áttörést hozhat, illetve felgyorsíthatja a kutatásokat olyan területeken, mint az energetika, a klímaváltozás elleni küzdelem (például a légköri szén-dioxid kivonása) vagy az orvostudomány (például daganatos, szív- és érrendszeri vagy degeneratív betegségek megelőzése, kezelése). Hasznos lehet a logisztikában is, ugyanakkor „minél kevesebbet vesz részt a mesterséges intelligencia a katonai és a hasonló területeken, annál jobb”. Az EU szerencsére elöl jár a határok meghúzásában, mivel ott, ahol adatokkal dolgoznak, és felmerülhet az emberi jogok megsértésének veszélye, nagyon figyelni kell.

Tudhatóan tökéletlen
„Egy tudhatóan tökéletlen rendszert adtak milliárdok kezébe, még ha disclaimerekkel is.” A verseny miatt a nagy tech cégek elsiették az MI-rendszerek publikálását, amire az OpenAI ChatGPT-je a legjobb példa (a cég CEO-járól, Sam Altmanról szóló cikkünk a 128. oldalon). Ezek a chatbotok eleinte sokat hallucináltak, nagyon meggyőzően mondtak bullshit dolgokat, mert nem konzisztensek, nincs belső érvelési képességük, amivel a tanult dolgok alapján megállapíthatnák, mi igaz, és mi nem. A válaszok ráadásul gyakran a tanulásra használt adatokban lévő általános véleményt tükrözik.

A pontosabb válaszokon sokat dolgoznak a fejlesztők. Az alapmegközelítés az volt, hogy minél több adaton tanítják be a botokat, annál jobb. Azóta viszont vannak olyan kutatások, amik szerint kevesebb, de jó minőségű adaton – lexikonokon, tankönyveken, megbízható médiaforrásokon – tanítva hasonló vagy jobb eredményt lehet elérni. „Sohasem lesz tökéletes, de az ember sem az.”

Amikor a cégek önnön céljaikra finomítanak egy algoritmust, már adatvédelmi aggályok is felmerülnek, és figyelni kell a felhasználói adatok védelmére. Ennek megoldása sem világos még, a követelmény mindenesetre az, hogy még ha tanul is belőle az algoritmus, azt a védett adatot külső szereplő ne nyerhesse vissza.

Teljesen illuzórikus, hasonló a környezetvédelemhez, mondja Tamás arra a kérdésre, hogy van-e bármi esély egy világkonszenzusra az MI etikus felhasználásáról. A mesterséges intelligencia területén az EU-n kívül teljesen más szabályozási keretekben működő fejlődő országok, például Kína és India is versenyképesek.

„Nehéz lesz globális konszenzust teremteni, főleg, mert itt kevésbé tudjuk bemérni a valós tényeket vagy az idősíkokat. Senki sem tudja, van-e kontrollvesztési veszély, és ha igen, mikor. Ha egyszer valami nagyon rossz történik, lehet, hogy utána könnyebb lesz.” Az a nyílt levél is csak a párbeszéd elindítására volt jó, amit például Elon Musk, Steve Wozniak, illetve a Meta és a Google munkatársai írták alá a GPT-4-nél erősebb MI-k fejlesztésének féléves felfüggesztését kérve.

A szabályozások finomodásáig valószínűleg be kell érnünk a beépített szűrőkkel és azzal, hogy a ChatGPT betanításának utolsó lépése megerősítéses tanulás volt, vagyis emberi visszajelzésekkel finomították a válaszait. A feketedoboz-effektus viszont marad, mert végső soron csak a véletlenen múlik, milyen választ ad egy-egy kérdésre. Nem tudjuk, hogy a nagy neurális hálókon betanulva pontosan hogyan jut el az adott válaszig.
A bizonytalan háttér mellett is biztos viszont, hogy az MI megy előre, mint az úthenger. Tamás szerint a fejlődés kívánatos, és bízni kell benne, hogy pozitív gyümölcsöket hoz, főleg, ha mi is megpróbáljuk belőle a legtöbbet kihozni. 

Villám­kérdések

Klasszikus zenészként hogy látod a mesterséges intelligencia szerepét?
Az MI használata ma talán a jogdíjmentes háttérzene automatizált előállításában a legelterjedtebb, illetve a zenei producerek eszköztárában válik napról napra fontosabbá. A klasszikus zene jövője és szerepe a XXI. században önmagában is nehéz kérdés: hagyományosan az ide tartozó művek struktúrája, narratívája a legösszetettebb, az egymásra utaló zenei pillanatokat sokezer hangjegy is elválaszthatja egymástól. A fontosabb művekben sokszor új és meglepő kifejezésmód születik, a zeneszerző különleges figyelemmel építi fel és éli át az érzelmi, gondolati asszociációkat. Ugyanakkor az MI fontos új eszköz lehet például az elektronikus zene területén, új hangprofilok, hangzásvilágok megteremtésében vagy beemelésében, de akár nagyszabású hangszeres művek hangszerelésében is. Ötletadó is lehet, kiváltva Schubert kifejezetten low-tech kávédarálóját (a zeneszerző a kávédarálója hangjából is ihletet merített egyszer egy anekdota szerint – a szerk.), vagy zenei szerkesztő is. Egyelőre az olyan próbálkozások, mint például a „tizedik” Beethoven-szimfónia, bár jól demonstrálják az MI ügyes utánzóképességet, leginkább egy olyan előállítási folyamat hiányosságait mutatják meg, amiből hiányoznak a koherens szándékok és az egyedi gondolatok.

Hol szól a legnagyobbat az MI a következő években?
Az egyik legizgalmasabb terület jelenleg az eredetileg nyelvi modellként kifejlesztett algoritmusok alkalmazása a fizika és biológia területén. Ide tartozik például a genetikai vagy komplexebb sejtfolyamatok modellezése, optimalizálása (gyógymódot keresve például neurodegeneratív betegségekre), ugyanúgy, mint az energetikai vagy anyagtudományi alkalmazások. Persze nem ezek a kihívások fognak leggyorsabban eredményt hozni vagy profitot termelni, de hosszabb távon hasznosnak bizonyulhatnak. Egy másik érdekes terület a mindennapi életünkbe belépő robotika, ami sok korábbi kudarc után a következő években valósággá válhat.

Mi a kedvenc MI-ről szóló könyved?
„Bocs, ez egy szakmai könyv.” Richard S. Sutton, Andrew G. Barto: Reinforcement Learning: An Introduction (Megerősítéses tanulás: Bevezetés – a szerk.)

Mi a leghasznosabb nonprofit MI-fejlesztés, amivel mostanában találkoztál?
Az Eulether AI, ami kezdetben az MI kutatók laza, szabadidős közösségeként alakult, és nemrég vált nonprofit kutatói alapítvánnyá. Részben nyílt forráskódú, nagy nyelvi modelleket fejlesztenek, de jelen vannak a Bio ML és MI-etika területén is. Egyik legújabb modelljük, a Llemma (utalva nemcsak a matematikai lemmákra, de a Meta Llama nevű modelljére is) kifejezetten matematikai problémák megoldásában sikeres.