Τι είναι πραγματικά η Τεχνητή Νοημοσύνη

(διαβάστε το για να καταλάβετε επιτέλους κάτι και να είστε ένα βήμα μπροστά από τους άλλους)

Του Σταύρου Κατσούλη

Είναι γνωστό σε όλους νομίζω ότι πολύς ντόρος και πολλές συζητήσεις γίνονται σήμερα περί του θέματος της τεχνητής νοημοσύνης. Άλλοι εκθειάζουν τα ωφελήματα της, άλλοι τους πιθανούς τεράστιους κινδύνους που εγκυμονεί, άλλοι πάλι κάνουν αναλύσεις στη βάση κοινωνικών ανησυχιών και άλλοι προσπαθούν να αναλύσουν ιδεολογικά τις επιπτώσεις της εφαρμογής της. Άλλοι έχουν βαλθεί να κρίνουν ότι η τάδε ΤΝ είναι καλύτερη από την άλλη, διότι την παρήγαγε το καθεστώς/χώρα που προτιμούν για ιδεολογικούς ή άλλους λόγους...

Ωστόσο, σχεδόν όλοι οι παραπάνω - με λίγες εξαιρέσεις - έχουν μικρή έως ανύπαρκτη αντίληψη του τι ακριβώς είναι η σημερινή φερόμενη ως τεχνητή νοημοσύνη, το πως λειτουργεί και σε ποιό επίπεδο είναι όντως νοημοσύνη και μέχρι ποιού σημείου φτάνει αυτή, εάν και εφ όσον υπάρχει. Ρωτώντας έναν επαγγελματία, τις περισσότερες φορές, χάνεται το δάσος, λόγω της υπερβολικής ανάλυσης του δέντρου. Οι περισσότεροι θα εξηγήσουν πρακτικές, και τεχνολογικές λεπτομέρειες, οι οποίες θα σας αφήσουν το ίδιο ανενημέρωτους και στην ίδια κατάσταση κατανόησης που είχατε και πριν- δηλαδή καμία.

Σε αυτό το άρθρο θα σας εξηγήσω το δάσος. Δεν θα σας εξηγήσω το δέντρο, διότι αυτό θα το βρείτε εύκολα στα διάφορα ακαδημαϊκά συγγράμματα και τα αποθετήρια κώδικα, ενώ το πρώτο δε θα σας το εξηγήσει σχεδόν κανείς.

Τι είναι η συμπίεση με απώλειες (Lossy Compression)

Πριν προχωρήσουμε, είναι αναγκαίο να κατανοήσουμε μια συγκεκριμένη έννοια. Την έννοια της συμπίεσης με απώλειες.

Η συμπίεση με απώλειες (Lossy Compression) είναι μια μέθοδος μείωσης του μεγέθους ενός αρχείου αφαιρώντας μόνιμα κάποιες από τις λεπτομέρειές του, με τρόπο ώστε η απώλεια να μην είναι πολύ αισθητή στα μάτια ή στα αυτιά μας. Ένα γνωστό παράδειγμα είναι η μορφή εικόνας JPEG. Όλοι μας έχουμε κατεβάσει στον υπολογιστή μας μια εικόνα JPG ή JPEG. Λιγότεροι ίσως θα έχουμε προσέξει ότι η ίδια εικόνα σε BMP ή κάποια άλλη πρωτογενή μορφή, είναι κατά πολύ μεγαλύτερη από την εικόνα σε JPEG. Αυτό ισχύει, διότι η εικόνα JPEG, είναι συμπιεσμένη, δηλαδή την έχει επεξεργαστεί ένας υπολογιστής έτσι ώστε να μικρύνει σε μέγεθος, για να μπορεί ο χρήστης να χωρά πολλές περισσότερες στα μέσα αποθήκευσης (τηλέφωνα, υπολογιστές, USB sticks κλπ).

Αλλά πως λειτουργεί με απλούς όρους αυτή η συμπίεση; Φανταστείτε ότι έχετε μια φωτογραφία υψηλής ποιότητας. Μια εικόνα JPEG συμπιέζει αυτή τη φωτογραφία απλοποιώντας ορισμένες από τις λεπτομέρειες -ιδιαίτερα τις μικροσκοπικές χρωματικές διαφοροποιήσεις που συνήθως δεν παρατηρούμε. «Πετάει» δεδομένα, (δηλαδή τα σβήνει από τη μνήμη), που δεν είναι απαραίτητα για μια οπτικά ευχάριστη εικόνα. Το αποτέλεσμα είναι ένα πολύ μικρότερο αρχείο που εξακολουθεί να φαίνεται σχεδόν εξίσου καλό με το πρωτότυπο, παρόλο που κάποιες πληροφορίες έχουν χαθεί οριστικά. Εάν μάλιστα κανείς δώσει εντολή στον υπολογιστή να υπερσυμπιέσει μια εικόνα JPEG, τότε οι διαφορά από την πρωτότυπη θα γίνει εμφανέστατη.

Το πλεονέκτημα είναι ότι το αρχείο καταλαμβάνει λιγότερο χώρο και φορτώνεται ή αποστέλλεται ταχύτερα μέσω του διαδικτύου. Το αντιστάθμισμα είναι ότι αν μεγεθύνετε πολύ ή επεξεργαστείτε την εικόνα επανειλημμένα, η ποιότητα μπορεί να μειωθεί αισθητά, επειδή χάνονται κάποιες από τις αρχικές λεπτομέρειες. Όταν αποθηκεύετε μια εικόνα JPEG επανειλημμένα, κάθε νέα αποθήκευση εφαρμόζει ξανά τη διαδικασία συμπίεσης. Αυτό σημαίνει ότι περισσότερες λεπτομέρειες απορρίπτονται με κάθε διαδοχική αποθήκευση, με αποτέλεσμα η ποιότητα της εικόνας να υποβαθμίζεται σταδιακά. Με την πάροδο του χρόνου, η εικόνα μπορεί να αρχίσει να φαίνεται θολή ή να εμφανίζει ορατά τεχνουργήματα, όπως μπλοκαρισμένες περιοχές και χρωματικές παραμορφώσεις. Αυτό είναι παρόμοιο με το να κάνετε φωτοτυπίες μιας φωτοτυπίας -όσο περισσότερες φορές το κάνετε, τόσο περισσότερο η εικόνα χάνει τη σαφήνεια και την ευκρίνειά της.

Ποιά είναι η βάση της ΤΝ (AI)

Επίσης θα χρειαστεί να γνωρίζετε άλλον έναν, δεύτερο και τελευταίο όρο: Το νευρωνικό δίκτυο.

Το νευρωνικό δίκτυο είναι σήμερα το θεμελιώδες βασικό δομικό στοιχείο που συνιστά μια Τεχνητή Νοημοσύνη. Ένα νευρωνικό δίκτυο είναι ένα σύστημα υπολογιστή σχεδιασμένο να λειτουργεί κάπως όπως ο ανθρώπινος εγκέφαλος. Αποτελείται από στρώματα διασυνδεδεμένων κόμβων ή «νευρώνων» που επεξεργάζονται πληροφορίες. Όταν τροφοδοτούμε δεδομένα στο δίκτυο αυτό - π.χ. μια εικόνα ή μια πρόταση - αυτά περνούν μέσα από αυτά τα στρώματα. Κάθε νευρώνας λαμβάνει μια μικρή απόφαση με βάση την είσοδο που λαμβάνει και μεταβιβάζει το αποτέλεσμα στο επόμενο επίπεδο. Μέσω πολλών στρωμάτων επεξεργασίας, το δίκτυο μετατρέπει σταδιακά την ακατέργαστη είσοδο σε μια τελική έξοδο, όπως η αναγνώριση ενός αντικειμένου σε μια εικόνα ή η πρόβλεψη της επόμενης λέξης σε μια πρόταση.

Τα νευρωνικά δίκτυα ξεκινούν πάντα κενά, δηλαδή οι κόμβοι/νευρώνες έχουν την ίδια τιμή μεταβίβασης προς όλους τους άλλους κόμβους με τους οποίους επικοινωνούν. Στην αρχική του κατάσταση λοιπόν, ένα νευρωνικό δίκτυο καταλαμβάνει χώρο στη μνήμη του υπολογιστή αλλά δεν κρατά κάποια πληροφορία. Γι αυτόν τον λόγο, πρέπει ένα νευρωνικό δίκτυο να «συμπληρωθεί» με πληροφορία και αυτό το αποκαλούμε εκπαίδευση. Η διαδικασία εκπαίδευσης είναι συνήθως δύσκολη και απαιτεί χρόνο και ισχυρούς υπολογιστές, λόγω της ποσότητας υπολογισμών που πρέπει να γίνουν για να συμπληρωθούν όλοι οι νευρώνες έτσι ώστε να κρατούν αρκετή πληροφορία για να μπορούν υπολογιστικά να παράξουν προϊόν (έξοδο) με νόημα, από ένα σετ από εισαγόμενες πληροφορίες.

Η εκπαίδευση μιας τεχνητής νοημοσύνης

Η διαδικασία εκπαίδευσης ενός νευρωνικού δικτύου περιλαμβάνει την προσαρμογή των συνδέσεων μεταξύ αυτών των νευρώνων, έτσι ώστε το δίκτυο να μάθει να αναγνωρίζει σημαντικά μοτίβα στα δεδομένα. Με άλλα λόγια, το δίκτυο δεν αποθηκεύει όλες τις λεπτομέρειες από τα δεδομένα εκπαίδευσης - αντίθετα, αποτυπώνει τα βασικά μοτίβα και τις σχέσεις σε συμπαγή μορφή. Αυτό είναι παρόμοιο με την ιδέα της συμπίεσης με απώλειες στις εικόνες, όπου ένα μεγάλο αρχείο (όπως μια λεπτομερής φωτογραφία) μειώνεται σε μέγεθος διατηρώντας τις πιο σημαντικές πληροφορίες και απορρίπτοντας τις δευτερεύουσες λεπτομέρειες. Ακριβώς όπως μια εικόνα JPEG διατηρεί τη συνολική εμφάνιση μιας εικόνας θυσιάζοντας κάποιες λεπτές λεπτομέρειες, ένα νευρωνικό δίκτυο διατηρεί τα βασικά μοτίβα από τεράστιες ποσότητες δεδομένων, επιτρέποντάς του να εκτελεί αποτελεσματικά εργασίες χωρίς να χρειάζεται να θυμάται κάθε λεπτομέρεια.

Φανταστείτε ότι έχετε μια τεράστια βιβλιοθήκη που περιέχει πολλά εκατομμύρια βιβλία, εκατομμύρια συζητήσεις, ιστορίες, εγκυκλοπαίδειες, κώδικα, κανόνες κλπ - τόσα πολλά που αν προσπαθούσατε να τα μεταφέρετε όλα μαζί σας, θα ήταν αδύνατο. Τώρα, σκεφτείτε μια μέθοδο που σας επιτρέπει να συλλαμβάνετε τις πιο σημαντικές ιδέες, μοτίβα και θέματα από όλα αυτά τα βιβλία και να τα καταγράφετε σε ένα μικρό σημειωματάριο. Αυτό το σημειωματάριο είναι πολύ μικρότερο από τη βιβλιοθήκη, αλλά εξακολουθεί να σας επιτρέπει να ανακαλείτε και να δημιουργείτε ακόμη και κείμενα που ακούγονται σαν να προέρχονται από αυτά τα βιβλία. Αυτό μοιάζει λίγο με αυτό που κάνει η συμπίεση με απώλειες στην τεχνητή νοημοσύνη.

Η διαφορά μεγέθους μεταξύ της πραγματικής πληροφορίας και μιας ΤΝ

Όταν μιλάμε για προηγμένα μοντέλα τεχνητής νοημοσύνης όπως το GPT-4, DeepSeek κλπ, τα δεδομένα εκπαίδευσης είναι τεράστια - συχνά περιλαμβάνουν εκατοντάδες δισεκατομμύρια λέξεις που συλλέγονται από βιβλία, ιστότοπους, κοινωνικά δίκτυα, άρθρα και πολλά άλλα. Όσον αφορά το ψηφιακό μέγεθος, αυτά τα δεδομένα εκπαίδευσης μπορεί να ανέρχονται σε πάρα πολλά terabytes ή και petabytes πληροφοριών. Αντίθετα, το τελικό μοντέλο τεχνητής νοημοσύνης -το δίκτυο που «θυμάται» αυτά που έμαθε- είναι πολύ μικρότερο, καταλαμβάνοντας συχνά μόνο μερικές εκατοντάδες gigabytes. Το ίδιο το μοντέλο αποτελείται από δισεκατομμύρια παραμέτρους (σκεφτείτε τα ως ρυθμιζόμενα κουμπιά που αποθηκεύουν τα μαθημένα μοτίβα), με το GPT-3, για παράδειγμα, να έχει περίπου 175 δισεκατομμύρια από αυτές. Σε γενικές γραμμές, μια ΤΝ κρατά από 100 έως και 1000 ή και περισσότερες φορές λιγότερη πληροφορία από την πληροφορία που χρησιμοποιήθηκε για να την εκπαιδεύσουμε.

Αυτή η τεράστια διαφορά στο μέγεθος αντικατοπτρίζει αυτό που ονομάζουμε «συμπίεση με απώλειες». Ακριβώς όπως μια εικόνα JPEG μειώνει μια μεγάλη, λεπτομερή εικόνα σε ένα πολύ μικρότερο αρχείο διατηρώντας μόνο τις πιο σημαντικές οπτικές πληροφορίες (και απορρίπτοντας κάποιες λεπτομέρειες), έτσι ακριβώς και το μοντέλο ΤΝ συμπιέζει τα τεράστια δεδομένα εκπαίδευσης σε ένα συμπαγές σύνολο παραμέτρων. Παρόλο που το μοντέλο δεν συλλαμβάνει κάθε λεπτομέρεια από τα αρχικά δεδομένα, διατηρεί αρκετά από τα βασικά μοτίβα και τις σχέσεις ώστε να παράγει χρήσιμες και ανθρώπινες απαντήσεις. Με απλά λόγια, είναι σαν να παίρνετε μια τεράστια εγκυκλοπαίδεια και να δημιουργείτε μια περίληψη σε μέγεθος τσέπης που εξακολουθεί να σας επιτρέπει να απαντάτε σε πολλές ερωτήσεις - αλλά χωρίς όλες τις επιπλέον λεπτομέρειες.

Ο τυχαίος παράγοντας στην ΤΝ

Η εκπαίδευση ενός νευρωνικού δικτύου περιλαμβάνει εξαρχής έναν βαθμό τυχαιότητας. Αρχικά, οι εσωτερικές ρυθμίσεις του μοντέλου (ή τα βάρη) λαμβάνουν τυχαίες τιμές, και καθώς μαθαίνει από τα δεδομένα εκπαίδευσης, η σειρά με την οποία επεξεργάζεται τα παραδείγματα και οι μικρές τυχαίες προσαρμογές που γίνονται κατά τη διάρκεια της μάθησης (χρησιμοποιώντας τεχνικές όπως η στοχαστική κάθοδος κλίσης) εισάγουν περαιτέρω μεταβλητότητα.

Αυτή η τυχαιότητα είναι χρήσιμη, καθώς επιτρέπει στο μοντέλο να εξερευνήσει διαφορετικούς τρόπους μάθησης και να αποφύγει να κολλήσει σε κακές λύσεις, αλλά σημαίνει επίσης ότι το τελικό μοντέλο μπορεί μερικές φορές να παράγει απρόβλεπτα αποτελέσματα. Για παράδειγμα, αυτό μπορεί να οδηγήσει σε «ψευδαισθήσεις» (hallucinations), όπου το μοντέλο παράγει λεπτομέρειες ή γεγονότα που δεν υποστηρίζονται στην πραγματικότητα ή δεν υπάρχουν στην πραγματικότητα από τα δεδομένα εκπαίδευσής του, ή μπορεί να παράγει ψευδή γεγονότα επειδή μαντεύει με βάση στατιστικά μοτίβα και όχι με βάση την πραγματική κατανόηση. Επιπλέον, επειδή η διαδικασία εκπαίδευσης δεν είναι απολύτως επαναλήψιμη, η εκ νέου εκτέλεση της εκπαίδευσης - ακόμη και υπό παρόμοιες συνθήκες - μπορεί να δώσει ένα ελαφρώς διαφορετικό μοντέλο, γεγονός που συμβάλλει σε αυτές τις ασυνέπειες.

Ποιό είναι το πρωτογενές ωφέλημα σήμερα που μας δίνει η ΤΝ και ποιό το κύριο πρόβλημα

Στην τεχνητή νοημοσύνη, ιδιαίτερα σε γλωσσικά μοντέλα όπως αυτά τα οποία συζητιόνται πρόσφατα, η εκπαίδευση περιλαμβάνει την επεξεργασία τεράστιων ποσοτήτων κειμένου - φανταστείτε το σαν να διαβάζετε αυτή τη γιγαντιαία βιβλιοθήκη. Αντί να θυμάται κάθε λέξη, το μοντέλο μαθαίνει τα βασικά μοτίβα και τους συσχετισμούς στα δεδομένα και τα αποθηκεύει στις παραμέτρους του δικτύου (οι οποίες είναι σαν τις σελίδες του μικρού μας σημειωματάριου). Αυτή η διαδικασία είναι «με απώλειες» επειδή δεν διατηρεί κάθε λεπτομέρεια- κάποιες από τις λιγότερο κρίσιμες πληροφορίες απορρίπτονται. Το καταπληκτικό είναι ότι αυτή η «συμπίεση» μας επιτρέπει να αποθηκεύουμε την ουσία τεράστιου όγκου πληροφοριών σε σχετικά μικρή ποσότητα μνήμης - μερικά gigabytes αντί για τα σύνολα δεδομένων πολλών petabyte που χρησιμοποιούνταν αρχικά για την εκπαίδευση.

Συνεπώς, και κατά κύριο λόγο, είναι πλέον δυνατόν να κρατά κανείς στην τσέπη του - πρακτικά και πραγματικά - σχεδόν το σύνολο της ανθρώπινης γνώσης. Είναι δυνατόν πλέον να κωδικοποιηθεί όλη αυτή η γνώση σε μια ποσότητα μνήμης που κυριολεκτικά μπορεί να την κουβαλά κανείς μαζί του σε κάποια συσκευή, ΧΩΡΙΣ να υπάρχει ανάγκη για σύνδεση στο διαδίκτυο. 

Για μια απλή αναλογία, φανταστείτε ότι θα μπορούσατε να πάρετε όλες τις συνταγές μιας τεράστιας συλλογής βιβλίων μαγειρικής και να τις συμπυκνώσετε σε ένα ενιαίο, πολύ μικρότερο βιβλίο συνταγών που θα σας επιτρέπει να μαγειρεύετε τα περισσότερα πιάτα αρκετά καλά. Μπορεί να χάσετε κάποιες μικρές λεπτομέρειες, αλλά διατηρείτε τις βασικές γεύσεις και τεχνικές που κάνουν τα πιάτα να λειτουργούν.

Αυτό το γεγονός, ότι δηλαδή μια ΤΝ παράγει πληροφορία «αρκετά καλά», είναι και το πρόβλημα. Σε κάποιες περιπτώσεις, όπως είναι η μαγειρική, ίσως δεν έχει σημαντικές επιπτώσεις. Σε κάποιες άλλες όμως, όπως είναι οι θετικές επιστήμες, τα μαθηματικά, χημεία, μηχανική πάσης φύσεως, ή άλλες εργασίες οι οποίες απαιτούν απόλυτη ακρίβεια όπως τα νομικά, συγκεκριμένες πρακτικές διαδικασίες (επιστήμες υγείας, ασφάλειας, οικονομικά κλπ), το «αρκετά καλά», ισοδυναμεί με «καθόλου καλά». Συνεπώς η χρήση την ΤΝ στους τομείς αυτούς, απαιτεί πάντα τον έλεγχο από τον ανθρώπινο παράγοντα ο οποίος δεν έχει αυτό το μειονέκτημα. Άρα, η χρήση της ΤΝ όπως είναι σήμερα, αυξάνει τις απαιτήσεις για πραγματικούς γνώστες του αντικειμένου και μειώνει τις απαιτήσεις για τους μέτριους, αυτούς δηλαδή που αντικειμενικά κάνουν «αρκετά» ή «αρκούντως» καλά τη δουλειά τους.

Συνοψίζοντας

Τα σύγχρονα μοντέλα ΤΝ λειτουργούν μαθαίνοντας από τεράστια σύνολα δεδομένων και στη συνέχεια συμπιέζοντας αυτή τη γνώση σε ένα νευρωνικό δίκτυο. Αυτό το δίκτυο μπορεί στη συνέχεια να παράγει απαντήσεις με βάση τα μοτίβα που έμαθε κατά τη διάρκεια της εκπαίδευσης, όπως το συμπιεσμένο σημειωματάριο από τα πολλά βιβλία συνταγών μας. Ενώ αυτό είναι ένα απίστευτο κατόρθωμα -επιτρέποντας σε μερικά gigabytes δεδομένων να μεταφέρουν την ουσία πολύ μεγαλύτερων συλλογών πληροφοριών της τάξης των tera ή peta bytes- σημαίνει ότι η ΤΝ, ενώ είναι πολύ καλή σε πολλές εργασίες, λειτουργεί κυρίως μέσω της αντιστοίχισης προτύπων. Αυτός είναι ο λόγος για τον οποίο, για πολλές απλές εργασίες, μπορεί να φαίνεται σχεδόν ανθρώπινη, αλλά μπορεί να υπολείπεται σε βαθύτερη συλλογιστική ή κατανόηση σύνθετων αποχρώσεων, όπως ένας προηγμένος χαρακτήρας μη παίκτη (NPC) σε ένα βιντεοπαιχνίδι.

►Προς ένα νέο υβριδικό κόσμο ανθρώπων και μηχανών Τεχνητής Νοημοσύνης

Του Αντώνη Μαυρόπουλου

Τα σημερινά συστήματα τεχνητής νοημοσύνης, όπως αυτά που τροφοδοτούν τα chatbots και τα γλωσσικά μοντέλα, λειτουργούν μαθαίνοντας μοτίβα από τεράστιες ποσότητες κειμένου, αλλά δεν «καταλαβαίνουν» πραγματικά με τον τρόπο που το κάνουν οι άνθρωποι. Αντί να σκέφτονται ή να συλλογίζονται, προβλέπουν με πιθανότητα σφάλματος τι θα ακολουθήσει με βάση στατιστικές πιθανότητες που προκύπτουν από τα δεδομένα εκπαίδευσής τους. Αυτή η διαδικασία μοιάζει περισσότερο με μια πολύ προηγμένη έκδοση μιας λειτουργίας αυτόματης συμπλήρωσης (δηλ. το γνωστό autocorrect). Μπορεί να παράγει απαντήσεις που ακούγονται ανθρώπινες, αλλά δεν αντιλαμβάνεται το νόημα ή το πλαίσιο πίσω από τις λέξεις. Με άλλα λόγια, ενώ αυτά τα συστήματα μπορούν να μιμηθούν εξαιρετικά καλά τη συνομιλία, αλλά παρ όλ' αυτά δεν είναι πραγματικά ευφυή, ούτε έχουν αυτογνωσία. Απλώς αναμασούν μαθημένα μοτίβα χωρίς πραγματική κατανόηση.

Η ΤΝ είναι μια εξαιρετικά χρήσιμη τεχνολογία συμπίεσης και ανάκτησης δεδομένων, η οποία όμως είναι σημαντικό να γνωρίζουμε έχει απώλειες, και ανάλογα με το πλαίσιο αυτές μπορεί να είναι πάρα πολύ σημαντικές. 

Καταλήγοντας

Υπάρχουν πολλά πράγματα που η σημερινή τεχνητή νοημοσύνη δεν μπορεί να κάνει. Για παράδειγμα, δυσκολεύονται με την κοινή λογική, παρέχοντας συχνά απαντήσεις που, ενώ είναι στατιστικά πιθανές, μπορεί να μην έχουν νόημα σε πραγματικές συνθήκες. Δυσκολεύονται να χειριστούν μακροσκελείς συνομιλίες που απαιτούν βαθύ πλαίσιο ή να προσαρμοστούν σε εντελώς νέες καταστάσεις χωρίς επανεκπαίδευση. Επιπλέον, η τεχνητή νοημοσύνη σήμερα δεν μπορεί να καινοτομήσει πραγματικά ή να δημιουργήσει νέες ιδέες- δεν έχει την ικανότητα να αναστοχάζεται τις εμπειρίες της ή να μαθαίνει από τα λάθη της όπως οι άνθρωποι. Οι «γνώσεις» τους είναι σταθερές στο σημείο κατά το οποίο ενημερώθηκαν για τελευταία φορά, οπότε περιορίζονται σε αυτά στα οποία εκπαιδεύτηκαν.

Τέλος, η ΤΝ, δεν μπορεί - και ούτε θα μπορέσει ποτέ - να αποκτήσει αντικειμενικό ηθικό πλαίσιο ή συνειδητότητα κλπ. Αυτό σημαίνει ότι η δικαιοσύνη είναι άπιαστο όνειρο για τους υλοποιητές της ΤΝ και οτιδήποτε σχετικό με το δίκαιο κλπ, εάν το αναθέσουμε στην ΤΝ, θα προκαλέσει βέβαια τον απόλυτο όλεθρο. Πολλοί φιλόσοφοι έχουν εκφράσει την ρήση, στην η οποία μέχρι στιγμής ποτέ δεν έχει σταθεί ικανό αντεπιχείρημα: «Δεν μπορείς να παράγεις ένα ηθικό πρέπει από ένα είναι», ή με άλλα λόγια, δεν είναι δυνατόν να εξάγει κανείς ηθικό νόημα από τη ψυχρή και μόνον γνώση, όση και να είναι αυτή. Κι εφόσον ένα «πρέπει» απαιτεί ένα πρόσωπο, μιαν υπόσταση, έναν βιωτή για να είναι ένα πραγματικό «πρέπει» με νόημα, συνεπάγεται ότι απαιτεί μια συνείδηση. Συνεπώς, η συνείδηση είναι προς το παρόν εντελώς ανέφικτη, ακόμη και αν εμείς οι άνθρωποι μπορούσαμε να εκφράσουμε έναν ορισμό γι' αυτήν που να μπορεί να μεταφραστεί σε ένα εφαρμόσιμο σύνολο βημάτων. Αυτό που δεν μπορεί να οριστεί πλήρως από καποιον, δεν μπορεί να μετατραπεί σε υλοποίηση από τον ίδιο.

από dromosanoixtos.gr