Нет, искусственного интеллекта не существует (пока)

Многое из того, что изображено как А.И. это просто статистика и продвинутое машинное обучение.

Искусственный интеллект (ИИ), вероятно, является одним из самых неправильно используемых терминов в технологиях и науке о данных. Если фигурирует в статьях, книгах, выступлениях политиков, здоровенных ежедневных слайдах консалтинговых компаний PowerPoint. Об этом говорит даже Папа Римский [1].По данным Gartner, по состоянию на 2019 год каждая третья корпорация заявила, что внедрила искусственный интеллект. «в той или иной форме» [2].

Но существует ли на самом деле искусственный интеллект?

Во-первых, что такое Интеллект?

Втягиваться в полемику о том, что определяет человеческий разум, не входит в мои планы, однако я позаимствую некоторые идеи у Джуди Перл и его Лестница причинности [3]. Перл определяет интеллект как трехэтапный процесс: «обучение через ассоциации» на первой ступени лестницы, выяснение причинно-следственных связей и предварительная оценка воздействия вмешательств на второй ступени, обучение путем воображения контрфактических реалий на верхнем уровне.

Что общего у нас с животными и машинами, так это способность обнаруживать закономерности в прошлых событиях, чтобы предсказывать будущие результаты. Например, наш прошлый опыт с погодой заставит нас сделать вывод, что облака связаны с высокой вероятностью дождя. Что отличает нас от машин и животных, так это способность устанавливать причинно-следственные связи между событиями, но больше всего — представлять альтернативные реальности. Человеческий интеллект позволяет ответить на вопросы типа: «что бы произошло если Я поступил иначе»?

Где мы стоим?

Возможно, то, что люди имеют в виду, когда говорят об ИИ. едва ли машинное обучение, набор статистических методов, самоулучшающихся (обучающихся) алгоритмов и процедур оптимизации производительности, превосходно справляющихся с задачей «обучение через ассоциации». Именно то, что находится на первой ступеньке Лестницы причинно-следственной связи.

Алгоритмы машинного обучения — это то, что приводит в действие информационные продукты, пронизывающие нашу повседневную жизнь, такие как наши каналы социальных сетей, наши системы GPS или наши домашние помощники. Их возможности экспоненциально выросли за последнее десятилетие, в основном по двум причинам: 1) вычислительные возможности в оперативной памяти увеличились на порядок за последние несколько лет (как по вертикали, так и по горизонтали); 2) Доступность огромных наборов данных для передачи этим алгоритмам.

Однако их искусственный интеллект ограничен подражание набора когнитивных способностей человека, таких как обнаружение объектов на картинке или предсказание следующего слова в предложении. Это сложные функции, сопоставляющие входные данные с выходными, где данные представлены определенным образом и подаются в функцию, которая самоулучшается с помощью механизма обратной связи и умных приемов оптимизации. Например, нейронные сети, которые взаимозаменяемо продаются как ИИ, глубокое обучение или машинное обучение, на самом деле представляют собой повторяющуюся последовательность матричных умножений.

За последние несколько лет мы стали свидетелями феноменального набора открытий, стимулирующих машинное обучение, таких как обратное распространение, сверточные нейронные сети, обучение с подкреплением, модели внимания и многие другие. Следовательно, алгоритмы машинного обучения теперь способны на уровне человека выполнять определенные задачи в области компьютерного зрения, языкового перевода и играть в сложные игры, такие как го, но они по-прежнему не могут автономно передавать навыки, приобретенные ими для выполнения одной задачи, другим. другой контекст. Компания может заявить, что внедрила ИИ. в своих процессах после разработки алгоритма, предсказывающего, купит ли клиент шоколадный батончик A или шоколадный батончик B, но алгоритм не будет хорошо предсказывать, что покупатель может выбрать шоколадный батончик C, если он не запрограммирован на это явно. То есть машина не может представить себе контрфактическая реальность.

Для каждой отдельной задачи модели должны заранее знать, какие данные им передаются и какую проблему они должны решать. Подумайте об одной из областей, наиболее часто связанных с искусственным интеллектом: автономных автомобилях. Каждый аспект вождения автомобиля в хаотичном реальном мире требует особых усилий. Например, наш мозг может мгновенно принимать решения о величине тормозного усилия, необходимого для предотвращения столкновения с движущимися препятствиями.Для идеальной имитации и развертывания этой единственной задачи требуются команды инженеров и миллионы инвестиций (часто при наличии нескольких частных компаний, но это совсем другая история).

А как же революция искусственного интеллекта?

Нил Сахота и Майкл Эшли посвятили целую увлекательную книгу «ИИ-революции» [4]. Они считают, что определение Интеллекта остается открытым вопросом, но заявляют: «Настоящий А.И. не имеет установленных ограничений именно потому, что может изменять образ своего мышления — он может извлекать смысл из информации и опыта для выполнения поставленной задачи». Далее в книге они ясно дают понять, что А.И. не имитирует когнитивные способности человека и что такие вещи, как Siri, Alexa или Cortana, нельзя считать искусственным интеллектом, поскольку «не требуется независимое обучение или принятие решений». Однако впоследствии они определяют три вида ИИ:

1. Общий искусственный интеллект (AGI). Которого, по их словам, еще нет, и до него еще далеко.
2. Искусственный суперинтеллект (ИСИ). Они оставляют это в области научной фантастики.
3. Искусственный узкий интеллект (УНИ). Речь идет о машинах, «использующих алгоритмы для принятия решений в отношении одного предмета». Как ни странно, авторы исключают Алексу и Сири из семьи А.И. алгоритмов, но к ним относятся пылесосы iRobot Roomba.

На этом этапе становится сложно понять, в чем именно разница между алгоритмом машинного обучения и узким искусственным интеллектом. Граница стирается. И Авторы вносят путаницу зловещей заключительной цитатой ученого-компьютерщика Лоуренса Теслера: «А.И. все, что еще не сделано».

Дело не только в семантике…

Понимание разницы между машинным обучением и искусственным интеллектом — это не просто разговор практиков за кофейным столиком. Алгоритмы, которые мы часто видим неправильно обозначенными как ИИ.открывают огромный набор вариантов использования и могут иметь значение для нашего общества и для частных компаний, но они совсем не разумны. Они включают в себя предвзятость, недостатки и цели своих очень человеческих творений. Четкое понимание этого помогает управлять ожиданиями в отношении как их положительного воздействия, так и ущерба, который они могут спровоцировать. Как прямо сказала Кэти О’Нил [5]:

Алгоритмы машинного обучения […] не имеют встроенной модели мира, которая могла бы надежно отличать правду от лжи.

Многие из самоизбранных А.И. алгоритмы, определяющие рейтинг школьного учителя или того, кто может получить кредит, иногда являются просто плохо закодированными алгоритмами машинного обучения. И поэтому их следует держать под контролем.

Выводы

Искусственный интеллект — это далеко не завершенная миссия, а скорее путешествие в процессе создания. Он часто используется в презентациях PowerPoint, реже в реальной жизни. С другой стороны, машинное обучение значительно продвинулось за последние несколько лет, особенно в таких областях, как обработка естественного языка (узнайте, на что способен алгоритм GPT-3). Это можно рассматривать как необходимую предпосылку для разработки машин, способных построить собственную модель мира, совершить скачок от корреляции к причинно-следственной связи и рассуждать контрфактически.

Но тогда… уверены ли мы, что знаем, чего хотим?

использованная литература

[3] Книга Почему, Джудея Перл и Дана Маккензи, 2018 г., стр. 27–37.

[5] Оружие математического разрушения, Кэти О’Нил, Broadway Books, 2016, стр. 199.