Gondolkodik vagy csak számol a mesterséges intelligencia? – matematikus a Sapientia EMTE-n

Gondolkodik vagy csupán számol a mesterséges intelligencia? Ezt a kérdést járta körül Dr. Farkas Csaba matematikus a Sapientia EMTE 25. Tudományos Diákköri Konferenciájának megnyitóján tartott plenáris előadásán. A marosvásárhelyi kar oktatója május 13-án arra a dilemmára kereste a választ, amelyen MI-használat közben szinte mindenki eltűnődött már.

Az MI alig öt év alatt vált világszerte mindennapossá, emberek milliárdjai fordulnak hozzá nap mint nap. Farkas szerint a téma matematikailag négy nagy területet érint: a formákat és struktúrákat (algebra, geometria), a változásra és térre vonatkozó számításokat, a bizonytalanság és az adat viszonyát (valószínűségszámítás, statisztika, információelmélet), valamint a döntés és tanulás módszertanát (optimalizálás, algoritmusok, gépi tanulás, nyelvi modellek).

Az előadó szerint a matematikus jó értelemben lusta ember: nem mindent próbál ki egyenként, hanem jó modellt épít. A lényeg, hogy a megfelelő változók kiválasztásával a valóság egy része kiszámíthatóvá váljon, miközben a modell nem a valóság helyett, hanem annak kezelésére szolgál. Szemléltetésül a Drake-egyenletet hozta fel, amely a földönkívüli civilizációk lehetséges számát bontja részkérdésekre. Ugyanezt a logikát használta Peter Backus is, amikor azt számolta ki, hány potenciális partnere lehet Londonban – a szűrők után 26 jött ki, a kutató pedig három évre rá meg is nősült.

A gépi tanulástól a nagy nyelvi modellekig

Farkas Csaba hangsúlyozta: a gépi tanulás nem valódi intelligencia, hanem matematikai eszköz, amely hatalmas adathalmazokban keres mintázatokat, és a gradiens módszerrel folyamatosan csökkenti saját hibáit. A neurális háló sok egyszerű egységből épül fel, amelyek súlyoznak és összegeznek, a súlyokat pedig maga a rendszer állítja be. A mélytanulás ezekre a rétegekre épül, az egyszerű részletektől halad az összetett összefüggésekig. A nagy nyelvi modellek (LLM) a szöveget tokenekre bontják, és valószínűség alapján tippelik meg a következő szót – ezért tűnnek értőnek, miközben hajlamosak magabiztosan valótlan tényeket is közölni, vagyis hallucinálni.

Az előadó szerint az MI fejlődése nem hirtelen robbanás, hanem évtizedes matematikai alapozás eredménye:

• 1854 – George Boole algebrájával lehetővé vált a logikával való számolás
• 1931 – Kurt Gödel kimutatta a formális rendszerek korlátait
• 1936 – Alan Turing meghatározta a kiszámíthatóság fogalmát
• 1945 – Neumann János a program és az adat együttes tárolását dolgozta ki
• 1948 – Claude Shannon az információelméletet, Norbert Wiener a visszacsatolás elvét alapozta meg
• 1958 – Frank Rosenblatt megalkotta a perceptront, a neurális hálók ősét
• 1986 – a backpropagation lehetővé tette a hibák hatékony visszamérését
• 2017 – a transformer-modell tette képessé az MI-t a kontextusra figyelésre

Felelős használat az egyetemen

Farkas Csaba szerint a célfüggvény mögött mindig emberi döntés és felelősség áll. Ismertette az EU AI Act lényegét is: minél nagyobb hatással van egy rendszer az emberek életére, annál több átláthatóság, emberi felügyelet és felelősség szükséges. A szabályozás augusztus 1-jén lépett hatályba, 2025-ben a tiltott gyakorlatokról és az általános célú modellekről születtek döntések, a fő alkalmazási dátum 2026-ban, a magas kockázatú rendszerekre vonatkozó kiterjesztés pedig 2027-től lép életbe. Az előadó zárásként leszögezte: a generatív MI jelen van az oktatásban és a kutatásban, ezért nem tiltani, hanem felelősen, átlátható módon kell beépíteni úgy, hogy megmaradjon az önálló tanulás, az akadémiai integritás és a kritikai gondolkodás.