It is in Polish. My lecture from JPII University (KUL) - November 16, 2016

1. Od
Sieci Pełnej Znaczeń
do
Sztucznej Inteligencji
Rola Klasycznego Uniwersytetu w Rewolucji Cyfrowej
Kognitywistyka KUL, cykl „Lubię mój umysł”
Dr Mirek Sopek

2. Plan wykładu
 Ewolucja sieci Web:
• Od sieci dokumentów (Web 1.0) poprzez Sieć Relacji i Interakcji (Web 2.0) do
Sieci Pełnej Znaczeń (Web 3.0 = Semantic Web)
 Łagodne wprowadzenie do Sieci Pełnej Znaczeń
 Niezwykłe „Dygresje” w Sieci - Blockchain
 Sztuczna Inteligencja – krótka historia
 Rozróżnić prawdziwe wartości od szumu:
Ścisła Sztuczna Inteligencja (Narrow AI) a Ogólna Sztuczna Inteligencja (General AI)
 Czy AI to IV Przemysłowa Rewolucja?
 Jaką rolę może odegrać Klasyczny Uniwersytet w rewolucji cyfrowej?
2

3. 3
Ewolucja sieci WEB
Narodziny – March 1989
„Information Management: A Proposal”
Pierwszy serwer sieci Web – December 1990
http://info.cern.ch (CERN)
SiećWEBmatylko(aż?)10122dni(27lat)swojejhistorii.
Print – 206,700 days*
Newspapers – 168,000 days
Radio – 35,140 days
TV – 28,100 days
Inne media:
*
1450 –Gutenberg’s Bible
1605 – Relation aller Fürnemmen und gedenckwürdigen Historien by Johann Carolus (Strasbourg)
https://en.wikipedia.org/wiki/Johann_Carolus
1920 (August 31) – by station 8MK in Detroit, Michigan
1939 (September)– experimental TV broadcasting by RCA
Source of the picture: Brad Acker Post at: https://plus.google.com/+BradAcker/posts/aB7zmFrmDz7

4. 4
Web 1.0 – Sieć dokumentów
1989-2000 - Sieć Dokumentów powiązanych HyperLinkami

5. 5
Web 2.0 – Sieć Relacji i Interakcji
2000-2010 - Sieć Sieci Społecznościowych

6. 6
2010-2020(?) - Linked Data Web, Semantic Web
Link
Link
Link
Link
Link
Link
Link
Link
LinkLink
Resource
Resource
Resource
Resource
Resource
Resource
Resource
Resource
hasPeople
humanResources
hasService
s
hasProducts
hasPeople
hasPeople
hasProduc
t
hasProduc
t
colleaguecolleague
Organization
HR
Services
Products
People
People
Product
Product
Web 3.0 – Web of Data

7. 7
Jak powstała Sieć Pełna Znaczeń?
 Sir Tim Berners-Lee
 Seminal article: „Semantic Web” Scientific American
- May 2001 with James Handler and Ora Lassila
 Linked Open Data - 5 STAR Open Data
http://5stardata.info/en/
 The Next Web
http://www.ted.com/talks/tim_berners_lee_on_the_next_web

8. 8
Dlaczego powstała Sieć Pełna Znaczeń?
- czyli co jest nie tak z Web 1.0 oraz 2.0 ?
The WEB is BIG*
“Between the birth of the world and 2003, there were five exabytes
of information created.
We [now] create five exabytes every two days.
See why it’s so painful to operate in information markets?”
Eric Schmidt, CEO, Google, 2010
1 Exabyte = 10 6 Terabytes = 1 gigabyte of gigabytes
31
EB
44
EB
59
EB
77
EB
94
EB
110
EB
2011 2012 2013 2014 2015 2016
Exabytes per Month
Source: Cisco VNI Global Forecast, 2011-2016
*Not a bad thing in itself 
The problem is we no longer know how to explore/use it !

9. 9
Dlaczego powstała Sieć Pełna Znaczeń?
- czyli co jest nie tak z Web 1.0 oraz 2.0 ?
The WEB is TOO BIG to KNOW
„... the Net can scale that large only because it doesn’t have edges
within which knowledge has to squeeze. No edges mean no shape.
And no shape means that networked knowledge lacks what we have
long taken to be essential to the structure of knowledge: a foundation.”
„On the Net, every fact has an equal and opposite reaction”
David Weinberger „Too Big to Know – Rethinking Knowledge Now That the Facts Aren't
the Facts, Experts Are Everywhere, and the Smartest Person in the Room Is the Room”
Zbyt wielki aby go znać – Przemyśleć Wiedzę – Zrozumieć że fakty nie są faktami,
eksperci są wszędzie a najzdolniejszą osobą na Sali jest sama Sala.

10. 10
Web 2.0
dwells in
isolated
Silos
Dlaczego powstała Sieć Pełna Znaczeń?
- czyli co jest nie tak z Web 1.0 oraz 2.0 ?

11. Rozwiązanie?
Sieć Pełna Znaczeń
Semantic Web

12. 12
Podstawy Sieci Pełnej Znaczeń
 Pojęcie „Semantic” w „Semantic Web” wskazuje na ZNACZENIE danych, a nie na ich składnię,
język lub formę zapisu.
 „Semantic Web to informacja aktywna (actionable Information) , będącą ewolucją wcześniejszych
danych statycznych (...)” (N.Shadbolt,W.Hall,T.Berners-Lee)
 Semantic Web to reprezentacja uogólnionych RZECZY (obiektów oraz konceptów) i ich własności
w sieci Web, a nie tylko dokumentów.

13. 13
Jak reprezentujemy Rzeczy (Obiekty i Koncepcje)
w Sieci Pełnej Znaczeń?
On the Semantic WEB we represent THINGS using elementary ATOMS of data: TRIPLES.
We can create logical and structural relations between elements of the triple, build
taxonomies, vocabularies and classes and finally „reason” on large sets of triples.
:RenaultClioSport :VIN_Number „ VF1CRCJ0H42590904”
For example:
Resource Description Framework
hasEngine :2.0_litre_straight_4
The file format we store triples in is called RDF.
„RDF is for THINGS as HTML is for DOCUMENTS”
Subject Predicate Object
Thing Property Value

14. 14
W celu jednoznacznej identyfikacji rzeczy (obiektów oraz konceptów) oraz ich własności,
Sieć Pełna Znaczeń używa identyfikatorów URI — Universal Resource Identifiers – będących
generalizacją zwykłych adresów sieci Web !
Jak identyfikujemy Rzeczy w Sieci Pełnej naczeń?
Renault Clio VIN Number „ VF1CRCJ0H42590904”
http://www.renault.co.uk/cars/model/new-
clio/product.aspx
http://purl.org/vso/ns#VIN A number
N.Shadbolt,W.Hall,T.Berners-Lee

15. 15
Natura powiązań (links) w Sieci Pełnej Znaczeń
 Semantic Web wiąże Rzeczy , a nie tylko dokumenty
 Powiązania w Semantic Web można kategoryzować: RDF pozwala na jawną deklarację typu powiązań
Store 1 Store 2
COMPANY
gr:Offering
gr:Offering
gr:availableAtOrFrom
gr:hasPOS
gr:offers
gr:hasPOS
gr:offers
gr:availableAtOrFrom

16. Semantic Web = GGG (Giant Global Graph)
Organization
HR
Services
Products
People
People
Product
Product
hasPeople
humanResources
hasService
s
hasProducts
hasPeople
hasPeople
hasProduc
t
hasProduc
t
colleaguecolleague
GGG – term coined by Tim Berners Lee in 2007
Ooops… sorry, but it’s BIG


17. 17
Niektóre istniejące wielkie grafy semantyczne
169,772,511 facts

18. 18
Sieć to nie wszystko …
Store 1 Store 2
COMPANY
gr:Offering
gr:Offering
gr:availableAtOrFrom
gr:hasPOS
gr:offers
gr:hasPOS
gr:offers
gr:availableAtOrFrom
?Typy i własności opisywane są w ontologiach
Gdzie definiujemy klasy i ich własności dla obiektów opisywanych
w grafach semantycznych ?

19. 19
Znaczenie Ontologii w Sieciach Semantycznych
“W filozofii, ontologia jest teorią o naturze istnienia (realnego lub możliwego),
oraz o typach rzeczy istniejących – ontologia jako dyscyplina filozoficzna zajmuje się
studiami nad takimi teoriami.
Naukowcy zajmujący się Sztuczną Inteligencją oraz siecią Web adoptowali to pojęcie
do własnego żargonu – dla nich Ontologia jest dokumentem lub plikiem jaki formalnie
definiuje relacje pomiędzy terminami.
Najczęściej występującymi rodzajami ontologii w sieci Web są taksonomie uzupełnione
o zestaw reguł wnioskowania”
Tim Berners-Lee, James Hendler and Ora Lassila “The Semantic Web”

20. 20
Praktyczne Ontologie
Martin Hepp on the scope of practical ontologies:
 Providing a shared type system that is useful across systems
 Improving the reliability of type information for entities
 Providing some rules that hold implicit facts (e.g. transitivity of a property)

21. 21
Gdzie można dziś „widzieć” Semantic Web?
Knowledge
Graph
zbudowany
na bazie
Freebase
Schema.org
najważniejszy
słownik (niemal
ontologia )
w sieci Web

22. 22
Gdzie można dziś „widzieć” Semantic Web?
http://geneontology.org/

23. 23
Gdzie można dziś „widzieć” Semantic Web?
Microsoft Cortana
Używa SATORI
– repozytorium grafowego
zaimplementowanego
z użyciem Semantycznej
Bazy Microsoft TRINITY.
https://www.microsoft.com/en-us/research/project/trinity/
Podobnych technologii używa Apple Siri, Google Now oraz Amazon Alexa
Wrócimy do tych zagadnień podczas omawiania Sztucznej Inteligencji

24. Niezwykłe „dygresje” w sieci …
?
 IOT - Internet of Things
 Wirtualne Światy – (np. Second Life)
 Całkowita decentralizacja – BLOCKCHAIN

25. 25
Jak narodził się Blockchain?
 Blockchain został stworzony w roku 2008 i po raz
pierwszy zaimplementowany w roku 2009 jako
fundament technologiczny cyfrowej waluty
BITCOIN.
 BlockChain pozwala na stworzenie struktur danych
które są absolutnie nienaruszalne mimo, że są
całkowicie i publicznie dostępne dla każdego
chętnego.
 Blockchain zawdzięcza tę niezwykłą cechę
zaawansowanym teoriom matematycznym
będącym podstawą technologii kryptograficznych
oraz całkowicie opartej na technologii internetowej
metodzie dystrybucji danych (wcześniej używanej
przez usługi takie jak BitTorrent).

26. Blockchain - Metafora
26
Otwarte dane wyryte w kamieniu

27. Znaczenie Blockchain
27
Całkowicie
ZDECENTRALIZOWANE
Medium wymiany WARTOŚCI
pomiędzy uczestnikami
Nowy, w pełni ZAUFANY sposób zawierania
kontraktów nie wymagający pośrednictwa
(np. notariuszy lub instytucji nadrzędnych)
Masywnie rozproszona,
nienaruszalna baza
danych.
Technologia Biznes
Prawo

28. Jakie dziedziny „dotknie” BlockChain?
28
Bitcoin i inne monety cyfrowe
“Praktyczne wdrożenie walut cyfrowych – zmiany w bankowości”
Quotations from: “Blockchain” by Melanie Swan, O'Reilly Media, Inc.
Kontrakty i identyfikacja
„Zastosowania biznesowe, finansowe i prawne zmieniające
nieodwołalnie sposób funkcjonowania biznesu elektronicznego”
Aplikacje
“Powyżej walut i rynków – np. DAO – Zdecentralizowane Autonomiczne Organizacje”
Blockchain
3.0
Blockchain
2.0
Blockchain
1.0

29. Sztuczna Inteligencja
https://aeon.co/essays/how-close-are-we-to-creating-artificial-intelligence

30. Jak zdefiniować Sztuczną Inteligencję?
30
 Nie mamy dziś ogólnie zaakceptowanej definicji Sztucznej Inteligencji!
 Mamy bardzo złą „popularną” definicję (wywodzącą się z literatury i filmu Science Fiction)
wyrażoną np. w:
„The exciting new effort to make computers think … machines with minds, in the full and literal sense.”
(by John Haugeland, autor koncepcji GOFAI - Good Old-Fashioned Artificial Intelligence)
 Jeden z najbardziej popularnych podręczników Sztucznej Inteligencji (Russell and Norvig, „Artificial
Intelligence: A Modern Approach”) podaje aż cztery definicje:
 Systemy, które „myślą” jak ludzie
 Systemy, które „zachowują się” jak ludzie
 Systemy, które „myślą” racjonalnie
 Systemy, które „zachowują się” racjonalnie

31. Ograniczona a Ogólna Sztuczna Inteligencja
31
 Ograniczona Sztuczna Inteligencja (Narrow AI):
 To dziedzina wiedzy i techniki, która zajmuje się pewnymi SZCZEGÓLNYMI rozwiązaniami, takimi jak:
• Machine Learning (samouczące się oprogramowanie)
• automatyczne tłumaczenia oraz analiza języka naturalnego (NLP), syntetyczna mowa,
• rozpoznawanie obrazu,
• planowanie aktywności ludzi i systemów,
• sterowanie pojazdami autonomicznymi,
• planowanie podróży i systemy rekomendacyjne,
• zautomatyzowana diagnostyka medyczna
• Reprezentacja wiedzy (Semantic Web) i systemy eksperckie
• wiele innych

32. Ograniczona a Ogólna Sztuczna Inteligencja
 Ogólna Sztuczna Inteligencja (General AI, AGI – Artificial General Intelligence):
 To dziedzina badań odnosząca się do nadal SPEKULATYWNEJ przyszłej Sztucznej Inteligencji, która
charakteryzuje się inteligentnym zachowaniem przynajmniej tak zaawansowanym jak istota ludzka
w bardzo szerokim zakresie funkcji kognitywnych.
 Pomiędzy Ograniczoną a Ogólną Sztuczną Inteligencją występuje dziś gigantyczna przepaść.
 Wszelkie usiłowania aby przejść (ewolucyjnie) od Ograniczonej go Ogólnej Sztucznej Inteligencji
nie przyniosły żadnego efektu mimo dziesięcioleci badań i eksperymentów.
 Ogólna Sztuczna Inteligencja stała się przedmiotem wielu spekulacji, z których najbardziej znana to
teoria Singularności (Ray Kurzweil) przewidująca eksplozję inteligencji maszynowej oraz możliwości
takie jak np. „upload” zawartości umysłu do komputerów.
 Ale - czy Ogólna Sztuczna Inteligencja jest w ogóle możliwa ….?
32

33. Czy Ogólna Sztuczna Inteligencja jest możliwa?
33
Wielu wybitnych naukowców uważa, że NIE!
Argumentacja jest bardzo silna:
Twierdzenie Turinga i jego konsekwencje
„He went on to prove that there was no solution to the decision problem
by first showing that the halting problem for Turing machines
is undecidable: It is not possible to decide algorithmically whether
a Turing machine will ever halt.” https://en.wikipedia.org/wiki/Alan_Turing
 Skoro  Wszystkie znane dziś systemy komputerowe SĄ maszynami Turinga
 Oraz  Ludzki umysł posiada zdolność (nie algorytmiczną) rozwiązania „problemu stopu”
 Wnioskujemy  komputery nie mogą mieć zdolności posiadanych przez ludzki umysł

34. Czy Ogólna Sztuczna Inteligencja jest możliwa?
34
 Znaczenie Twierdzenia Gödel’a.
„Gödel's incompleteness theorems are two theorems of mathematical logic that demonstrate the inherent
limitations of every formal axiomatic system containing basic arithmetic. (…)
The theorems are widely, but not universally, interpreted as showing that Hilbert's program to find a
complete and consistent set of axioms for all mathematics is impossible.”
https://en.wikipedia.org/wiki/Godels_theorem
 Znaczenie Twierdzenia Gödel’a - Argument Lucas-Penrose’a:
„The argument claims that Gödel’s first incompleteness theorem shows that the human mind is not a
Turing machine, that is, a computer. The argument has generated a great deal of discussion since then.
The influential Computational Theory of Mind, which claims that the human mind is a computer, is false if
Lucas’s argument succeeds. Furthermore, if Lucas’s argument is correct, then “strong artificial
intelligence,” the view that it is possible at least in principle to construct a machine that has the same
cognitive abilities as humans, is false. (http://www.iep.utm.edu/lp-argue/) „

35. Czy Ogólna Sztuczna Inteligencja jest możliwa?
35
Ponadto: wielu badaczy (w tym sam Penrose) sugerowało, że jeśli poznamy lepiej zjawiska
kwantowe zachodzące w mózgu, i odtworzymy je w „kwantowym komputerze” – otworzy to drogę
do Sztucznej Inteligencji…
Ale …

36. Czy Ogólna Sztuczna Inteligencja jest możliwa?
36
Pogląd słynnych
fizyków …
… i psychologów

37. Czy Ogólna Sztuczna Inteligencja jest możliwa?
37
Najciekawsze argumenty pochodzą z rozważań Davida Deutsch’a:
https://aeon.co/essays/how-close-are-we-to-creating-artificial-intelligence
Z jednej strony Deutsch nie akceptuje argumentu opartego na twierdzeniu Turinga:
Ale konkluduje:

38. A zatem – wróćmy do
Narrow AI
Ograniczonej Sztucznej
Inteligencji

39. AI - Czwarta Industrialna Rewolucja !
39
https://www.weforum.org/agenda/2016/01/the-fourth-industrial-revolution-what-it-means-and-how-to-respond/

40. AI - Czwarta Industrialna Rewolucja !
40
https://www.whitehouse.gov/blog/2016/05/03/preparing-future-artificial-intelligence

41. Wybrane aplikacje AI
41
 Apple’s Siri
 Google Now
 Microsoft Cortana
 Amazon Alexa
 Google Search
 Self Driving cars (Olli)
 MakoLab SESSA

42. Sieć Pełna Znaczeń a Sztuczna Inteligencja
Tim Berners-Lee oraz Jim
Handler wyznaczają kierunki (po
raz trzeci w historii)
Postulują, że jedynie Semantic
Web może pomóc
w stworzeniu „social machines”
–agentów praktycznie
pomagających nam w życiu
42

43. Prawdziwe zagrożenia czy tylko nieuzasadniony lęk?
43
 Ostrzeżenie Stephena Hawkinga
 Lęk Elona Muska
 Systematyczna wykładnia zagrożeń
przez Nick’a Bostroma (Oxford)

44. 44
Rola
Klasycznego Uniwersytetu
w Rewolucji Cyfrowej

45. Rola ogólnego, klasycznego wykształcenia
filozoficznego
45
 Budowanie ontologii, systemów i aplikacji semantycznych,
repozytoriów wiedzy – wymaga dogłębnej znajomości logiki i
klasycznej ontologii.
 Dziedziny takie jak epistemologii i metafizyka są również bardzo
pomocne.
 Klasyczne wykształcenie filozoficzne pobudza zdolność do
krytycznego myślenie – niezbędną w pracy w tych dziedzinach.

46. Rola klasycznego uniwersytetu w rozwoju
Ograniczonej Sztucznej Inteligencji (Narrow AI)
46
 Nowoczesne kierunki takie jak kognitywistyka pozwalają na
kształcenie specjalistów w dziedzinach powiązanych z „Narrow AI”
 Informatyka współczesna potrzebuje dziś wsparcia zaawansowanej
logiki i filozofii.
 Filozofowie i etycy mogą zaangażować się w tworzenie klimatu
społecznej akceptacji dla „Narrow AI”

47. Rola badań nad językiem
47
 Komunikacja z nowoczesnymi inteligentnymi systemami wymaga
rozpoznawania i generowania mowy ludzkiej – kompetencje w
zakresie NLP (Natural Language Processing) są dziś bardzo potrzebne
 Automatyczna analiza tekstów i rozpoznawanie znaczeń jest bardzo
ważnym elementem wielu nowoczesnych systemów cyfrowych.
Lingwistyka – może odegrać ogromną rolę w tworzeniu takich
systemów.

48. Zagadnienia etyczne Sztucznej Inteligencji
(Robo-Ethics)
48
 Systemy Sztucznej Inteligencji, w tym systemy „autonomiczne” (w
tym np. „self-driving cars”) wymagają bardzo starannego i
racjonalnego opracowania zagadnień etycznych.
 Niezmierne istotne zagadnienie w rozstrzyganiu odpowiedzialności
działań systemów AI !
 Racjonalizacja zagadnień etycznych może prowadzić do możliwości
reprezentacji etyki za pomocą danych i programów.
 Absolwenci etyki mogą odegrać ogromną rolę w tworzeniu regulacji
prawnych stosowania AI.

49. Rola klasycznego uniwersytetu w pracy nad
zagadnienia fundamentalnymi rewolucji cyfrowej
49
 Cyfrowa rzeczywistość jaka nas
otacza już dziś nabiera postaci
ECOSYSTEMU.
 Niestety, nikt do końca nie rozumie
jej istoty.
 Istnieje potrzeba badań filozoficznych
jakie inspiruje np. Pierre Tielhard de
Chardin – por. jego pojęcia
NOOSFERA, Punkt OMEGA ?
Image designed by St. Edward’s University graphic design students

50. Rola klasycznego uniwersytetu w rozumieniu
zagadnień „General AI”
50
 Badania nad umysłem i naturą
inteligencji
https://www.theguardian.com/science/2012/oct/03/philosophy-artificial-intelligence
3/10/2012

51. 51
Kontakt
Dominik Kuziński
MakoLab SA
Rzgowska 30
93-172 Łódź
Poland
dominik.kuzinski@makolab.com
Robert Trypuz
MakoLab SA
Lublin
Robert.trypuz@makolab.pl
Mirek Sopek
MakoLab SA
Demokratyczna 46
93-430 Lodz
Poland
+48 600 814 537
sopek@makolab.com