Beszélő gólemek kora

A kabbalista filozófia szerint a teremtés lényegében egy nyelvi transzformáció: Isten mondta, és lett. A csevegni képes mesterséges intelligencia betanításához használt neurális hálózatok meglepően hasonlítanak a kabbalista Élet fájára és a kabbalisták éppúgy számolnak és silabizálnak, mint a szöveggyártó és képfelismerő gépeink.

Nyelvi kódokkal életre keltett gólemek

A Talmud szerint egyes bölcs és találékony rabbik már évszázadokkal a mesterséges intelligencia feltalálása előtt robotszerű szolgálókkal segítették ki magukat és még üszőt is képesek voltak létrehozni, ha nem volt áldozati állat a szombati vacsorához. Mindebben a kabbala tudománya volt a segítségükre, azon belül is az úgynevezett betűmeditáció. A kabbalisták gólemei a mi csevegőrobotjainkkal ellentétben beszélni nem tudtak és értelem hiányában veszélyesnek is tartották őket. Viszont a létrehozásukban kulcsfontossága volt a nyelvnek. A Szombat zsidó politikai és kulturális újság gólem legendákról szóló cikke szerint ez a következőképpen zajlott.

„A gólem különböző testrészeinek megformálásakor meditatív állapotban az alefbét betűit (231 kapu) és az Isten nevének négy betűjét (JHVH) kombinálják hangosan. A gólem életre-keltéséhez nagyfokú koncentráció, fegyelem, és szinte elképzelhetetlen spirituális erő szükséges. A teljes műveletsor jellemzően kb. 36 órát vett igénybe.”

Az illusztris IEEE Spectrum magazin az egyik cikkében amellett érvel, hogy a közkeletű hiedelem ellenére a gépek által generált szövegeket és a gépi szövegfelismerést lehetővé tevő számítógépes tudományág, a természetes nyelvfeldolgozás, nem az ’50-es évekből, Alan Turing híres ember-gép interakciós kísérletéből eredeztethetőek, hanem egészen a kabbala említett betűmeditációjáig nyúlnak vissza. Egészen pontosan a 13. századig, amikor a spanyol középkori misztikus, Abraham ben Samuel Abulafia nekiveselkedett és a kabbala legrégebbi irodalma, a Szefer Jecira (Az Alkotás könyve) titkos szabályai alapján megalkotta a betűmeditáció tudományát, ami egyfajta spirituális nyelvmanipulációnak is tekinthető. Az Alkotás könyve szerint Isten maga is úgy teremtette a világot, hogy a héber ABC 22 betűjét kombinálta. Abulafia hónapokat töltött azzal, hogy a 22 betűből több ezer kombinációt alkotott, majd ezek alapján, állítása szerint profetikus bölcsességeket tartalmazó könyveket írt.

Az Élet fája és a neurális hálózat hasonlósága

2013-ban a New York-i CUNY egyetem számítógép tanszékének két kutatója a zsidó kabbalista filozófia egyik legfontosabb tudáskincsét, az úgynevezett Élet fáját használta fel egy általános (ontológiai) tudásmodell felépítéséhez. A kutatóknak az International Journal of Advanced Research in Artificial Intelligence című folyóiratban publikált cikkükkel az volt a céljuk, hogy számítógéppel, területtől függetlenül bármilyen fogalmat pontosan lehessen ábrázolni és rendszerezni, ami a mostanában sokat emlegetett általános mesterséges intelligencia vagy szuperintelligencia törekvéseivel esik egybe. A tudósok nem véletlenül láttak fantáziát a fraktális szerkezetű Élet fájában, ami azon túl, hogy Umberto Eco híres regényének, A Foucault-ingának a belső borítóján és fejezetcímeiben is szerepel, a már emlegetett Szefer Jecirából, az Alkotás könyvéből származik.

Az Élet fája egy bonyolult rendszer, ami a világ, a lélek, illetve a tudat egyfajta térképe. A diagramnak tíz plusz egy csomópontja van, amik a szefirák (edények, csatornák, isteni attribútumok). A szefirák a kognitív, az érzelmi és a viselkedéses szintekbe rendeződnek, mert a kabbalisták a kognitív tudósokkal egyetemben vallják, hogy ez a három működésünk szorosan összefügg és hat egymásra. A kognitív szintbe három szefira tartozik: a chochma, az intuíció, bölcsesség, a bina, a logika és megértés és a daat, ami a tapasztalati tudást jelenti.

A csevegőrobotok (ChatGPT, Perplexity, Claude) nagy nyelvi modelljeinek az alapjai, az úgynevezett neurális hálózatok a rétegzett csomópontokkal meglepően hasonlítanak az Élet fájának a diagramjára. A neurális hálózatot a mesterséges intelligenciában a 2000-es években kezdték el használni a brit származású kanadai számítógép- és kognitív tudós Geoffrey Hinton kitartó munkájának köszönhetően. A fizikai Nobel-díjjal és Turing-díjjal jutalmazott Hintonban apja hatására erős volt a biológiai érdeklődés és a természetben figyelte meg, hogy az állatok a szavakkal kifejezhető fogalmak birtoklása nélkül is képesek az intelligens viselkedésre. A tapasztalat révén tanulnak meg okosnak lenni. Ebből lehetett sejteni, hogy a tudás valószínűleg „szétszórva” raktározódik az agyban – kisebb építőkockákból épül fel, ami azt jelenti, hogy a rokon fogalmak osztoznak bizonyos építőkockákban. Tehát nincs külön neurális hálózata a csimpánz és a gorilla fogalmaknak, hanem vannak olyan neuroncsomagok, amik olyan konkrét vagy absztrakt „vonásokat” képviselnek, mint a szőrösség, a négylábúság, emlős, állati, intelligencia, vadság és így tovább, amiket egyféleképpen aktiválunk, ha a „csimpánzra” és kicsit másképp, ha a „gorillára” alkalmazzuk, derül ki a New Yorker magazin Why the Godfather of A.I. Fears What He’s Built című (Miért fél az MI keresztapja attól, amit épített) cikkéből. A nyelvi modellek is ilyen információs egységeket aktiválnak és társítanak egymással, amikor szöveget állítanak elő.

Szemantikus kapcsolatok és képfelismerés a neurális hálózatokban és a kabbalában

2017-ben a Google gépi fordításon dolgozó kutatói rukkoltak elő az úgynevezett transzformátor architektúrával, ami még inkább felgyorsította a gépi tanulást, és azóta már az összes generatív nagy nyelvi modell, mint a ChatGPT, Claude, Perplexity alappillére. A kutatók a transzformátor működését az Attention all you need című cikkükben magyarázták el. A „figyelem” lényege, hogy a gép minden szóra oda tud figyelni a mondatban, nem csak az előzőekre, és így sokkal gyorsabban és hatékonyabban tudja értelmezni a szöveget.

A transzformátor a szövegeket darabokra (szavakra, szótagokra) úgynevezett tokenekre osztja fel, és minden tokenhez vektorokat, azaz számlistákat társít. Ezek a vektorok kódolják a szöveget összetevő szavak jelentését. Minden vektor egy kérdés-választ rejt, amik a szó szemantikáját, mondatban való szerepét határozzák meg, valamilyen kategória alapján. Ha a tokeneket a vektorok szerint egy többdimenziós térre vetítik, akkor a szemantikailag összetartozó szavak egy-egy dimenzióban közel fognak kerülni egymáshoz. Például Hitler és Mussolini úgy kerülhetnek közel, ha a gép egyik vektora a „tengelyhatalmi vezető? igen/nem” kérdés-választ jelentette, miközben egy másik vektor az olaszságot és a németséget kódolta. De a nem, mint kategória is lehet egy vektor irány, és akkor azon a tengelyen a férfi és a nő, illetve a király és a királynő szavak között nagyjából ugyanakkora távolság van.

Hasonlóan a gépi mélytanulási modellekhez, a kabbalában is egy numerikus logika jelöli ki a fogalmak közti szemantikus kapcsolatokat (csak ott ennek misztikus eredete van és nem a modell vektorok beállításán múlik). A szavak számértékét az egyes betűk értékének összeadásával lehet kiszámítani. Példának okáért az ehad (egy) és az ahava (szeretet) számértéke ugyanaz. Az ehad אחד három héber betűből áll (1+8+4) , míg az ahava אהבה négyből (1+5+2+5). „A szeretet az erő, amely ledönti az akadályokat és az ellentéteket kibékíti. Két ember, aki szereti egymást, eggyé válik” – tárta fel a számazonosság mögötti összefüggést Aryeh Kaplan, a modern kabbala egyik legnagyobb, fiatalon elhunyt alakja, a magyarul is elérhető Zsidó meditáció című könyvében, majd alátámasztásul még a Tórából idéz. „Azért elhagyja a férfiú atyját és anyját, hogy ragaszkodjék feleségéhez és egy testté legyenek”. (Genezis, 2,24)

A mesterséges intelligencia a képfelismerésnél a szöveghez hasonlóan tokenekre – kisebb darabokra – osztja fel a képet és azokat kódolja. Tehát egy négyzetrácsba helyezi a képet és egyes „vonásait” kódolja (számnál hurok, ívelt rész, vagy egyenes vonal) és ezek után valószínűsíti, hogy mit ábrázol. A kabbalista értelmezésben egy-egy szó hasonlóan részeire van bontva, és ilyenkor nem csak a betűk számértékét, hanem a formáját is nézik. Egy példa erre a négybetűs JHVH (tetragrammaton) a 72 istennév közül a legszentebb, aminek a szimbolikus jelentését Kaplan a következőképpen magyarázza. A négy betű a jod, a hé, a váv és még egy hé יהוה. Kaplan szerint a szó az adományozás misztériumát kódolja. Az első betű a jod egy pénzérmére emlékeztet, a hé olyan, mint egy kéz, ami az érmét adja. Ezt az is alátámasztja, hogy a számértéke öt, mint a kéz ujjai. A harmadik betű az adni készülő kinyújtott kar és a vav jelentése kampó, ami Kaplan szerint az adó és a kapó fél közti kapcsolatra utal. Az utolsó hé betű pedig a koldus keze, ami elfogadja az érmét. Ráadásul, mivel a jod számértéke 10, ami a teremtés 10 mondására utal, nem egyszerű pénzérmét ad a kéz, hanem magát a létezést.

Ahogy a kabbalisztikus nézet szerint Isten körülöleli és egyúttal megtölti a világot, a mesterséges intelligencia is egyre inkább ezt teszi vele. Egyre több számítógéptudós fél attól, gólemjeink túlnőnek rajtunk, de az mindenesetre biztos, hogy a tóraolvasáshoz a 10 zsidó férfi közé nem fogják bevenni a mesterséges intelligenciát, ha nincs meg a létszám. Legalábbis a régi gólemeket nem volt szabad.

Kiemelt kép: A Gólem és Löw rabbi Mikoláš Aleš 1899-ben készült rajzán (Forrás: Wikimedia Commons)