Ας φανταστούμε έναν υπολογιστή πάνω σε ρόδες, ο οποίος είναι εξοπλισμένος με κάμερα, μικρόφωνο, ηχεία, όργανα αφής και (ίσως και κάποια άλλα μετρητικά όργανα) τα οποία όλα λειτουργούν συνέχεια. Τα δεδομένα σε real time περνάνε από διάφορα layers εκμάθησης ώστε τελικά να αποθηκεύεται, για οτιδήποτε βλέπει, ακούει, και αισθάνεται με οποιοδήποτε τρόπο, μια "invariant" μορφή της πληροφορίας που απέκτησε.
Ταυτόχρονα, αυτό το σύστημα να είναι εξοπλισμένο με σύστημα "συναισθημάτων". Στο παρελθόν έχουν παρουσιασθει διάφορα τέτοια τεχνητά συστήματα "συναισθημάτων", αλλά κανένα δεν έχει εφαρμοσθεί σε τέτοια μεγάλη κλίμακα.
Αυτό που υποστηρίζει ο φίλος μας ο jeff hawkins, ότι δηλαδή δε χρειάζεται επιπλέον υπολογιστική ισχύς το πιστεύω. Το θέμα είναι ότι δεν έχει υπάρξει κάποιο εγχειρημα (ή γνωρίζεις κάτι) τέτοιας κλίμακας.
Οι σκέψεις αυτές ξεπήδηξαν διαβάζοντας από http://norvig.com/ το άρθρο How to Write a Spelling Corrector και συνειδητοποίησα ότι η γνώση πολλές φορές υπάρχει απλά δε γνωρίζουμε να την εφαρμόσουμε σε άλλα πεδία. Η θεωρία που κρύβεται πίσω από το spelling corrector τόσο της google όσο και άλλων εταιριών είναι το θεώρημα του Bayes (βλ. επίσης bayesian spam filter) το οποίο το διδαχτήκαμε στο 3ο έτος του πανεπιστημίου στη στατιστική. Είμαι σίγουρος ότι κανένας από τους καθηγητές μας δε γνωρίζει αυτές τις εφαρμογές του θεωρήματος του Bayes, αλλά αυτό είναι off-topic.
Ίσως δηλαδή η γνώση και η τεχνολογία για την ανάπτυξη νοήμονων μηχανών να υπάρχει απλά να μην έχει συνδυαστεί κατάλληλα.
