Érdeklődéssel olvastam a Qubit cikkét Jelasity Márk előadásáról, amely a mesterséges intelligencia működését Daniel Kahneman két gondolkodási rendszeréhez hasonlítja.

Az analógia valóban érdekes. A neurális hálók gyors, mintázatokra épülő válaszai emlékeztethetnek az ember intuitív gondolkodására, míg a mai, úgynevezett érvelő modellek lassabb, több lépésen keresztül felépített válaszai a tudatosabb, mérlegelő gondolkodást idézhetik.

Nem vitatni szeretném ezt a megközelítést. Inkább egy olyan szemponttal egészíteném ki, amely számomra nemcsak elméleti kérdés, hanem személyes mérnöki tapasztalat is.

A kétféle gépi „gondolkodás” nem most találkozott először.

A Qubit cikke részben azt a benyomást keltheti, hogy a neurális rendszerek gyors működésének és a lassabb, lépésenként haladó gépi következtetésnek az összekapcsolása a mai nagy nyelvi modellek fejlődésével jelent meg.

Pedig maga az architekturális probléma és a lehetséges megoldás jóval régebbi.

A mesterségesintelligencia-kutatásban már évtizedekkel ezelőtt világossá vált, hogy két, eltérő tulajdonságú megközelítés áll egymással szemben.

A neurális háló kiválóan ismeri fel a mintázatokat. Rugalmas, képes tanulni, és olyan összefüggéseket is észrevehet, amelyeket szabályokkal szinte lehetetlen lenne előre leírni. Ugyanakkor a működése nehezen átlátható, és nem feltétlenül képes megmutatni, miért jutott egy adott eredményre.

A szabályalapú szakértői rendszer ezzel szemben logikai lépéseket hajt végre. Következtetése visszavezethető, ellenőrizhető és indokolható. Hátránya, hogy csak azzal a tudással képes dolgozni, amelyet előzetesen szabályok formájában beépítettek.

A két rendszer összekapcsolásának gondolata már az 1990-es évek mesterségesintelligencia-kutatásában is egyértelműen jelen volt. Tudományos publikációk tárgyalták a neurális és szimbolikus komponenseket egyesítő hibrid rendszereket, és már akkor konkrét alkalmazásokat mutattak be neurális hálók és szakértői rendszerek együttműködésére.

Számomra ez nem csupán elmélet.

A 2025-ben kiadott „A Józan ész” című könyvem 50–55. oldalán, hosszú évek során már alkalmazott gyakorlat alapján, éppen ezt a kettősséget mutatom be.

A neurális hálót egy jó intuícióval rendelkező tanítványhoz hasonlítom: felismeri a mintázatot, de sokszor nem tudja világosan elmagyarázni, hogyan jutott el a válaszhoz.

A szakértői rendszert pedig egy logikus professzorhoz: képes pontosan levezetni és megindokolni a döntését, de csak azon a területen mozog biztonsággal, amelyre előzetesen felkészítették.

E két világ összekapcsolása számomra nem utólag felismert lehetőség.

Korábban (22. éve) 2004-ben terveztem és ipari környezetben alkalmaztam olyan rendszert, amelyben a mintázatok felismerésére képes komponensek és a logikai, szabályalapú szakértői következtetés együtt működtek.

Az egyik rendszer észlelte az összefüggéseket, jelezte a rendellenességeket vagy lehetséges állapotokat. A másik a rendelkezésére álló szakmai szabályok alapján ellenőrizte, értelmezte és indokolható döntéssé alakította ezeket.

Nem laboratóriumi bemutatóról volt szó, hanem ipari környezetben tesztelt kutatásról és megoldásról, ahol egy döntésnél nem volt elegendő annyit közölni, hogy „a rendszer ezt valószínűsíti”. Tudni kellett azt is, hogy milyen mért adatok, milyen összefüggések és milyen szakmai szabályok vezettek az eredményhez.

E észrevételem nem a megközelítés elvének a kisajátitása (sőt). Pusztán jelezem, hogy ez az elv már akkor is felismert volt, és megfelelő feladatokban a gyakorlatban is alkalmazható volt.

Azonban a gondolatfa még nem feltétlenül logikai gondolkodás.

A mai nyelvi modellek úgynevezett gondolatfái kétségtelenül fontos fejlődési irányt képviselnek.

Ezekben a rendszer nem feltétlenül az elsőként létrehozott válasz mellett marad. Több lehetséges gondolatmenetet generálhat, értékelheti az egyes útvonalakat, visszaléphet, majd másik megoldási ággal próbálkozhat tovább.

Ez jelentősen javíthatja bizonyos feladatok megoldását. Az eredeti Tree of Thoughts módszer is több lehetséges következtetési út feltárását, önértékelést, előretekintést és szükség esetén visszalépést alkalmaz.

Van azonban egy fontos különbség.

A gondolatfa többnyire nem úgy működik, hogy az egyik oldalon áll egy neurális mintafelismerő rendszer, a másikon pedig egy különálló, formális logikai vagy szakértői következtető motor.

Gyakran ugyanaz a statisztikai nyelvi modell hozza létre a lehetséges gondolatmeneteket, majd ugyanez vagy egy hasonló modell értékeli is azokat.

Ez keresés. Önellenőrzés. Több lehetőség összehasonlítása.

Nagyon hasznos lehet, de önmagában még nem feltétlenül jelent valódi szimbolikus gondolkodást.

A rendszer viselkedése hasonlíthat a lassú, megfontolt emberi gondolkodásra, miközben a belső működése továbbra is alapvetően statisztikai marad. Erre maga a Qubit által ismertetett előadás is utal: a gondolatfa elfedheti a hibák egy részét, de nem változtatja meg automatikusan a modell alaptermészetét.

De akkor mi tehát az igazán új?

A mai rendszerek számítási kapacitása, mérete, nyelvi képessége és általános használhatósága természetesen össze sem hasonlítható a húsz-harminc évvel ezelőtti megoldásokéval.

Új lehet az eszköz.
Új lehet a lépték.
Új lehet a felhasználási kör.
Új lehet az a sebesség, amellyel egy régi elképzelést ma már több millió ember által használható szolgáltatássá lehet alakítani.

De ettől még maga az alapgondolat nem feltétlenül új.

Korunk egyik különös jelensége, hogy nemcsak a technológiai vállalatok és a média, hanem időnként a tudományos közösség kommunikációja is hajlamos szenzációként bemutatni olyan felismeréseket, amelyeknek hosszú elméleti és gyakorlati előtörténetük van.

Ez nem feltétlenül tudatos megtévesztés.

A tudományban is erős lett az újdonság kényszere. Egy kutatási eredménynek figyelmet kell szereznie, támogatást kell kapnia, és át kell törnie a napról napra növekvő információs zajon. Emiatt könnyen háttérbe szorul az előzmények pontos bemutatása, és egy régi probléma új névvel, új technológiával vagy nagyobb teljesítménnyel ismét újdonsággá válik.

Pedig különbséget kellene tennünk egy új tudományos elv és egy régi elv korszerű, nagyobb léptékű megvalósítása között.

Mindkettő lehet jelentős eredmény. De nem ugyanaz.

A jövő valóban a két világ együttműködése lehet. A mesterséges intelligencia következő fontos lépése valószínűleg nem egyszerűen az lesz, hogy még nagyobb neurális hálókat építünk.

A valóban megbízható rendszerekhez szükség lehet a tanuló és mintázatfelismerő modellek, valamint a formális szabályok, szakértői tudásbázisok, ellenőrző algoritmusok és bizonyítható következtetések tudatos összekapcsolására.

Különösen igaz ez az egészségügyben, az ipari folyamatirányításban, a közlekedésben, a közigazgatásban vagy a jogban. Ezeken a területeken nem elég, hogy egy rendszer gyakran jó választ adjon. Azt is tudnunk kell, mikor nem szabad megbízni benne, és milyen ellenőrizhető út vezetett a döntéséhez.

Örülök annak, hogy a mesterséges intelligencia kutatása ismét nagy figyelmet fordít a gyors mintafelismerés és a lassabb, logikai következtetés kapcsolatára.

De érdemes emlékeznünk arra is, hogy nem minden most kezdődött, amiről ma kezdünk sokat beszélni.

**Az újdonság néha nem magában a felismerésben rejlik, hanem abban, hogy egy régi felismerés végre elegendő számítási teljesítményt, figyelmet és új nevet kapott.**

— Jámbor Péter