A modern tudományfilozófia egyik leggyakrabban ismételt dogmája, hogy a módszertani naturalizmus – amely kizárólag természeti, anyagi okokkal magyarázza a világot, és eleve kizárja a láthatatlan Teremtőt – egy semleges, tárgyilagos kutatási szabály. Valójában azonban ez az alapállás nem a tényekből következő tudományos következtetés, hanem egy előzetes világnézeti előítélet, amelyet az emberi érdekek, egzisztenciális kényszerek és intézményi dogmák mentén működő tudományos rendszer tart fenn.
Ha a valóságot nem előítéletek, hanem a fizika, az informatika és a tiszta logika mércéjével vizsgáljuk, a módszertani naturalizmus két oldalról is súlyos önellentmondásba ütközik: kívülről (az élő világ mérhető intelligenciaszintje felől) és belülről (magának az emberi értelemnek a megbízhatósága felől).
Photo by Jake Warren on Unsplash
1. A funkcionális intelligencia mint mérce: A tervezettség tagadásának abszurditása
Az analógiás érvelés (tervezettség-érv) azt mondja, hogy mivel a DNS ugyanolyan információs rendszer, mint egy szoftver – sőt, annál végtelenül összetettebb –, logikailag ugyanúgy tervezőt igényel, mint a mesterséges intelligencia (MI). A naturalista tudomány viszont elutasítja ezt az analógiát, mondván, hogy az élő szervezetek szaporodnak és mutálódnak, ezért nem hasonlíthatók össze az emberi mérnökök által alkotott gépekkel.
Ez az érvelés azonban hamis, mert figyelmen kívül hagyja, hogy az MI és az élő szervezet összevetése nem külső, formai hasonlóságon (mint egy faló és egy élő ló esetében), hanem azonos működési és információfeldolgozási elveken alapul. Mind a mesterséges intelligencia, mind az élő szervezet működő, információt feldolgozó objektum.
Ha a két rendszer működési paramétereit a fizika és az informatika mérhető tényeivel vetjük össze, a tervezettség tagadása teljes abszurditássá válik:
Adatsűrűség és tárolási kapacitás (DNS vs. Szilícium): A modern adatközpontok hatalmas szervertermeket töltenek meg az MI működtetéséhez. Ezzel szemben a biokémiai kutatások igazolták, hogy egyetlen gramm DNS elméleti tárolókapacitása eléri a 215 petabájtot (215 millió gigabájtot) – vagyis az emberiség teljes digitális tudásanyaga elférne egyetlen teáskanálnyi biológiai adathordozóban, ráadásul 3D-s, önmagát javító formában.
Energiahatékonyság és hűtés (20 Watt vs. Erőművi lépték): Egyetlen csúcskategóriás nyelvi modell betanítása hetekig vagy hónapokig tart, miközben több tízezer grafikus processzor (GPU) működik csúcsra járatva. Egy ilyen adatközpont pillanatnyi teljesítményfelvétele 20 és 100 megawatt (MW) között mozog, de már 1 gigawattos (1000 MW) – egy kisebb atomerőművi blokk kapacitásával megegyező – központok is épülnek. A napi több százmillió kérés energiaigénye hosszú távon meghaladja a betanításét is, a felvett energia pedig szinte 100%-ban hővé alakul: egy közepes adatközpont párologtató hűtőtornyai napi több millió liter édesvizet fogyasztanak el (már 20–50 rövidebb üzenetváltás is fél liter víz elpárologtatásával jár). Ezzel szemben az emberi vagy egy élő emlős agya – amely sok milliárd idegsejtet és billiónyi szinapszist működtet valós időben, miközben irányítja a mozgást, a keringést, a hormonrendszert és a tudatos gondolkodást – mindössze 20–25 wattos teljesítménnyel, egyetlen halvány villanykörte energiaigényével, vízhűtő tornyok nélkül üzemel.
A tanulás előfeltétele (Hardver és betanítás): Az emberi agy évtizedek alatt, kis lépésekben, a mindennapi élet során tanul, viszont a tanulási folyamatnak semmi köze az agy kifejlődéséhez, mert ha nem eleve perfekt működésű az agy, nincs mivel mit tanulni. Ugyanígy először kell egy csúcskategóriás modell, amit be lehet tanítani. Miközben a tudomány azt állítja, hogy a betanításhoz és a modellhez intelligens tervezés kell, az agyhoz nem szükséges – az szerinte magától formálódik, mint a hólabda a havas lejtőn, a környezet meg mint lavina formálja, hogy a végén hóember legyen belőle.
Önszervező hardvergyártás (Nanoszintű mérnökség): Az MI szoftvere képtelen saját magának új szervereket és chipeket gyártani; ehhez külső gyárakra, bányászatra és mérnökökre van szükség. Az élő szervezet azonban egyetlen megtermékenyített petesejtből indulva saját maga építi fel a saját hardverét: a riboszómák molekuláris futószalagjain percenként több ezer fehérjét szerel össze a DNS-kód alapján, miközben a sejtek differenciálódnak csonttá, izommá, idegpályává és keringési rendszerré – mindezt külső szerelőcsarnok nélkül.
Valós idejű, autonóm hibajavítás: Míg az MI-rendszerek kódját emberi programozóknak kell folyamatosan frissíteniük és javítaniuk, az élő sejtben a DNS-polimeráz enzimek és a mismatch repair fehérjekomplexek 10 milliárdból 1-es pontossággal ellenőrzik és javítják a kódot másolás közben, a javíthatatlanul sérült egységeket pedig programozott sejthalállal (apoptózis) azonnal kivonják a forgalomból.
Az ATP-szintáz (A világ legkisebb és leghatékonyabb forgómotorja): Miközben az emberi mérnökök által tervezett legjobb villanymotorok hatásfoka is 85–95% körül mozog (a belső égésű motoroké pedig 30–40%), az élő sejtek mitokondriumaiban működő ATP-szintáz egy valódi, tengellyel, állórésszel és forgórésszel rendelkező nanomotor. Másodpercenként 100–300 fordulatot tesz meg, minden egyes teljes fordulatnál pontosan 3 ATP-molekulát állít elő, és az elektrokémiai energiát közel 100%-os hatásfokkal alakítja át mechanikai forgássá, majd kémiai kötéssé – sőt, kétirányú üzemmódra is képes, akárcsak egy intelligens hidroelektromos erőmű.
A riboszóma (A molekuláris 3D-nyomtató és fordítógép): A riboszóma egy olyan autonóm, nanoszintű gyártósor, amely a DNS-ből másolt digitális kódot (mRNS) fizikai valósággá (fehérjékké) alakítja át. Másodpercenként 15–20 aminosavat fűz össze 10 000-ből 1-es hibahatárral, beépített minőségellenőrzéssel. Mivel maga a riboszóma is olyan fehérjékből áll, amelyeket kizárólag egy már működő riboszóma tud legyártani a DNS-kód alapján, a hardver és a szoftver itt elválaszthatatlanul egymásra utalt (tyúk-tojás probléma), ami biokémiailag kizárja a lépésenkénti, vak összerendeződést.
A logikai önellentmondás: Az élő sejt anyagcseréje, hibajavítása, valamint az ideg- és keringési rendszer szinkronizált működése ugyanazt a célorientált, problémamegoldó intelligenciát mutatja fel, mint a mesterséges intelligencia – csak nagyságrendekkel magasabb szinten. Ha az alacsonyabb intelligenciaszintet (az MI-t) kizárólag tudatos tervezéssel lehet magyarázni, akkor a nagyságrendekkel magasabb intelligenciaszint (az élő organizmus) esetében a tervező kizárása és a vak véletlenre való hivatkozás súlyos logikai képtelenség – függetlenül attól, hogy szilíciumalapú hardverről vagy szénalapú biológiáról van szó.
2. Nyelvi átcímkézés és a „tudományos” címke kiüresedése
Amikor a módszertani naturalizmus szembesül ezekkel a tényekkel, magyarázat helyett egy nyelvi menekülőutat használ: megalkotja a teleonómia (látszólagos célszerűség) fogalmát. Eszerint az élő rendszer úgy viselkedik, mintha tervezték volna, de valójában csak vak kémiai affinitásról és természetes szelekcióról van szó. Amikor azonban egy olyan rendszerre, amely valós időben hibát javít, önszervező módon épít hardvert és közel 100%-os hatásfokkal alakít át energiát, azt mondjuk, hogy ez csak „látszólagos” célszerűség, az nem tudományos bizonyítás, hanem egy fogalmi védőpajzs.
Ennél is mélyebb probléma, hogy maga a „tudományos” jelző is kiüresedett, és mára nem az előítélet-mentes igazságkeresést, hanem világnézeti lojalitást takar:
A tudomány eredeti célja és az igazságkeresés elárulása: A valódi tudomány nem indulhat ki előzetes világnézeti dogmákból, mert ha egy rendszernek előfeltevése van, akkor az egész rendszer eleve torz és hamis. A tudományos megismerés eredeti, tiszta lényege a valóság előítélet-mentes kutatása, bárhová is vezessenek a bizonyítékok – nem pedig egy előre rögzített materialista világkép védelme.
A definíció átírása (körkörös érvelés): A 19–20. században a materialista filozófia átvette a „tudomány” szó feletti monopóliumot, és átírta a definícióját. Onnantól kezdve nem az számít tudománynak, ami bizonyítható és logikus, hanem kizárólag az, ami belefér az anyagi világképbe. Ez egy klasszikus körkörös érvelés: „A tudomány nem talál bizonyítékot a Teremtőre, mert a tudomány definíció szerint kizárja a Teremtőt.”
A tekintélyre hivatkozás hibája: A közbeszédben a „tudományos” szó ma olyan, mint egy pecsét, amely azonnal lezárja a vitát. Ha egy matematikai képtelenségre (például az élet spontán keletkezésére) rányomják a „tudományos hipotézis” címkét, az emberek többsége elhiszi, hogy az egy megalapozott tény, miközben valójában egy bizonyítatlan hitvallásról van szó.
A megfigyelhető valóság elutasítása: Ahogy az informatikában és a mérnöki tudományokban mindenki tudja, hogy a komplex kód és a funkcionális gépezet mindig intelligens forrásból származik, a biológiában ugyanezt a törvényszerűséget „tudománytalannak” bélyegzik. Ebben a zárt rendszerben egy extrém módon valószínűtlen anyagi magyarázat „tudományosnak” minősül, míg egy logikailag és matematikailag sokkal valószínűbb, de nem-anyagi (intelligens) magyarázatot „tudományon kívülinek” bélyegeznek. Így a címke már nem a valóságot írja le, hanem megvédi a rendszert a kellemetlen következtetésektől.
3. A belső összeomlás: Alvin Plantinga evolúciós érve a naturalizmus ellen
A módszertani naturalizmus azonban nemcsak az élő sejt intelligenciáját képtelen megmagyarázni, hanem magát a tudományos gondolkodást is érvényteleníti. Erre mutatott rá Alvin Plantinga filozófus híres gondolatkísérlete (Evolutionary Argument Against Naturalism):
A túlélés nem azonos az igazsággal: A naturalista evolúcióelmélet szerint az emberi agy a természetes szelekció révén alakult ki. A szelekciót azonban kizárólag a túlélést segítő viselkedés (például a ragadozó előli menekülés) érdekli, és teljesen közömbös számára, hogy az agyban lévő gondolatok igazak-e.
A hamis gondolatok is életben tartanak: Egy ősember ugyanúgy elfut a tigris elől, ha igazul felismeri a veszélyt, mint ha tévesen azt hiszi, hogy a tigris egy óriási cica, akivel versenyt kell futni, vagy egy rossz szellem, aki elől menekülni kell. Mivel végtelen számú téves képzet eredményezhet sikeres túlélő viselkedést, a vak evolúció mellett rendkívül kicsi az esélye annak, hogy az agyunk megbízhatóan igaz gondolatokat termel.
A logikai öngól: Ha a naturalizmus és a vak evolúció igaz, akkor nincs okunk bízni abban, hogy az emberi elme képes felismerni a valóságot. Ha pedig az elménk nem megbízható, akkor egyetlen belőle származó elméletben sem bízhatunk meg – beleértve magát a naturalizmust és az evolúcióelméletet is.
Összegzés: Kétirányú zsákutca
A módszertani naturalizmus tehát kettős önellentmondásba zárja saját magát:
Kifelé nézve tagadja, hogy a mérnöki csúcsteljesítményt nyújtó élő információs rendszerek mögött értelem és Teremtő állna, és nyelvi átcímkézéssel („látszólagos célszerűséggel”) próbálja elfedni a magyarázat hiányát, miközben matematikai képtelenségeket nyilvánít „tudományosnak”.
Befelé nézve pedig egy vak, céltalan folyamat termékének tekinti az emberi elmét, amivel megfosztja saját tudományos elméleteit is az igazság hitelétől.
Ha egy rendszer olyan állításokat is „tudományosnak” minősít, amelyek ellentmondanak a valószínűségszámításnak, az információelméletnek és a józan észnek – pusztán azért, mert azok anyagi okokra hivatkoznak –, akkor a címke valóban nem tudományt takar, hanem egy zárt ideológiát. Ebben a helyzetben az igazi szellemi bátorság és tudományos tisztesség éppen az, ha az ember nem a címkének hisz, hanem a tényeknek és a tiszta logikának.
A tudományos megismerésbe vetett bizalom kizárólag akkor áll meg a lábán, ha elismerjük azt a tényt, amelyre mind a biokémia, mind a logika mutat: a látható világot és a benne működő értelmet a láthatatlan Teremtő alkotta, amit az univerzumban fellelt információsűrűséghez szükségszerűen hozzárendelt intelligencia bizonyít. Az univerzumban található felfoghatatlan mennyiségű és minőségű információ ha nem bizonyít ehhez mérvű személyes intelligenciát, akkor a tudomány szabályosan letagadja és megtagadja az értelmes gondolkodás paramétereit.
Minél nagyobb a világosság, annál nagyobb sötétség kell annak tagadásához. És pontosan ezt tükrözi a módszertani naturalizmus – amely úgy zárkózik el a nyilvánvaló igazságtól, mint a Zsoltárok 32:9-ben említett oktalan, csökönyös ló és öszvér, amelyet hiába vezetnek, nem hajlandó közeledni a valósághoz.
A mesterséges intelligencia valós ára és a jövő megoldásai: Erőművi léptéktől a neuromorf chipekig
A legmodernebb nagyméretű nyelvi modellek (LLM-ek) betanítása és folyamatos kiszolgálása nem a felhőben, a semmiből történik, hanem hatalmas, ipari és erőművi léptékű fizikai infrastruktúrát igényel. A fejlesztők által beépített számítási kapacitás mögött döbbenetes energia- és vízfogyasztás áll, különösen ha az emberi agy működésével vetjük össze – éppen ezért a mérnökök ma már magát a biológiát próbálják lemásolni, hogy csökkentsék ezt a terhelést.
1. A „hardver” és a betanítás erőművi léptéke
Folyamatos csúcsterhelés: Egyetlen csúcskategóriás AI-modell betanítása hetekig vagy hónapokig tart, miközben több tízezer nagy teljesítményű grafikus processzor (GPU) működik folyamatosan csúcsra járatva.
Atomerőművi teljesítmény: Egy ilyen AI-adatközpont pillanatnyi elektromos teljesítményfelvétele jellemzően 20 és 100 megawatt (MW) között mozog, de a technológiai óriások már 1 gigawattos (1000 MW) – egy kisebb atomerőművi blokk kapacitásával megegyező – adatközpontokat építenek.
A napi használat összeadódó ára: Bár egyetlen kérdés megválaszolása töredékenergiát igényel a betanításhoz képest (nagyjából tízszer annyi áramot fogyaszt, mint egy hagyományos internetes keresés), a napi több százmillió felhasználói kérés összeadódva hosszú távon meghaladja magának a betanításnak az energiaigényét is.
2. Hőtermelés és a láthatatlan vízfogyasztás
100%-os hőátalakulás: A szerverek szilícium alapú áramköreiben az elektronok áramlása ellenállásba ütközik, így a felvett elektromos energia szinte teljes egészében hővé alakul. Ha a chipeket nem hűtenék le azonnal, pillanatok alatt túlmelegednének és tönkremennének.
Párologtató hűtőtornyok: Sok adatközpont a hűtéshez párologtató hűtőtornyokat használ. A chipektől elvont hőt víz segítségével vezetik el, amely a szabad levegőre jutva részben elpárolog, így hűtve le a rendszerben maradó vizet. Ez az elpárolgott víz gőz formájában a légkörbe távozik, tehát ténylegesen elfogy az adott régió édesvízkészletéből.
Fél liter víz beszélgetésenként: Egy közepes méretű AI-adatközpont napi több millió liter édesvizet fogyaszt el. Statisztikai átlagban már 20–50 rövidebb üzenetváltás generálása nagyjából fél liter víz elpárologtatásával jár a szerveroldalon (ez természetesen függ az adatközpont földrajzi helyétől és az időjárástól is).
3. A nagy kontraszt: Miért ennyivel takarékosabb az emberi agy?
Eltérő működési elv: Míg az AI-chipek nyers matematikai számításokat végeznek minden egyes szó kiszámításához (milliárdnyi vagy billiónyi paraméteren végigfuttatva a műveleteket), addig az emberi agy ionok és kémiai hírvivők (neurotranszmitterek) mozgásával dolgozik, ami elhanyagolható hőtermeléssel jár.
Célzott aktiválás: Amikor az ember válaszol egy kérdésre, az agyának csak a szükséges területei aktiválódnak célzottan, míg egy nyelvi modellnél hatalmas paraméterhalmazok mozdulnak meg minden egyes válasznál.
20 Watt a megawattokkal szemben: Az emberi (vagy egy élő emlős) agya – amely sok milliárd idegsejtet és billiónyi szinapszist működtet valós időben, miközben irányítja a mozgást, a keringést, a hormonrendszert és a tudatos gondolkodást – mindössze 20–25 wattos teljesítménnyel, egyetlen halvány villanykörte energiaigényével, vízhűtő tornyok nélkül üzemel.
4. Hol van a kompromisszum?
Sebesség és skálázhatóság: Az emberi agy elképesztően energiatakarékos, de egy hosszú idegen nyelvű szöveg lefordítása vagy több ezer oldalnyi adat összegzése órákba telne neki, és egyszerre csak egy beszélgetésre tud figyelni. Az AI ezzel szemben másodpercek alatt végez el hatalmas adatfeldolgozási feladatokat, és egy időben emberek millióit szolgálja ki – ennek az ipari léptékű sebességnek az ára az erőművi áram- és vízigény.
5. Hogyan próbálják a fejlesztők csökkenteni ezt a terhelést?
A techcégek és a mérnökök felismerték, hogy a hagyományos hűtési és számítási módszerek nem fenntarthatók, ezért három fő irányban keresik a kiutat:
Zárt rendszerű folyadékhűtés (Direct-to-Chip és immerziós hűtés): A párologtató tornyok helyett a modern adatközpontokban már zárt csőrendszerekben keringetik a hűtőfolyadékot közvetlenül a chipek felett, vagy a teljes szervereket speciális, áramot nem vezető hűtőfolyadékba merítik. Mivel a rendszer zárt, a víz nem párolog el, így a kezdeti feltöltés után gyakorlatilag nulla a vízfogyasztás, ráadásul a felfogott hőt távhőként épületek fűtésére is fel lehet használni.
Szoftveres optimalizálás (Ritka aktiválás – Mixture of Experts): A fejlesztők ma már úgy építik fel a modelleket, hogy egy kérdés megválaszolásakor ne a teljes több százmilliárdos paraméterhálózat dolgozzon, hanem csak az adott témáért felelős kisebb „szakértői” alhálózatok aktiválódjanak. Ez az emberi agy célzott területhasználatát másolja, és töredékére csökkenti az egy válaszra jutó energiaigényt.
Neuromorf chipek (Az agy felépítésének lemásolása): A hagyományos számítógépekben a memória és a processzor külön helyen van, és az adatok folyamatos mozgatása rengeteg áramot emészt fel. A neuromorf chipek ezzel szemben az emberi idegsejteket és szinapszisokat utánozzák: az adatfeldolgozás és a tárolás ugyanott történik, és a chip csak akkor fogyaszt áramot, amikor ténylegesen jel (impulzus) halad át rajta. Ezek a rendszerek akár ezerszer energiatakarékosabbak lehetnek a mai GPU-knál.
Techcégek mérnökök és fejlesztők dolgoznak itt, a nyers természeti folyamatokból meg ki kell vennünk a háttérintelligenciát. Mégis ez utóbbi vitte el a pálmát? Ezen gondolkozzon el minden józan paraszti ésszel megáldott ember!
