Путаница в ИИ и как ее решить
Ответ кроется в основах и правильной терминологии классификации.
Разумный ИИ? Мы близки? Когда скайнет захватит мир? Когда люди начнут устаревать? Если у вас нет знаний в области компьютерных наук, но вы видели недавние заголовки в СМИ об агентах «ИИ», которые назначают вам встречи, водят ваши автомобили, помогают в лечении рака, вы можете подумать, что мы почти на краю пропасти другого революцию и, возможно, начинают задаваться вопросом, в чем, в конце концов, «опасность ИИ»? Короткий ответ: опасности пока нет или в обозримом будущем. Длинный ответ? Что ж, читайте дальше.
Когда я увидел, что искусственный интеллект предлагается в моем колледже, я сразу же поторопился и подписался на него. Раздутый и взволнованный этим, я был уверен, что преуспею в этом. Конечно, один взгляд на программу и волнение улетучилось.
Программа была мне совершенно чужда, в ней говорилось о пространствах состояний и логике предикатов. Нет подсказки. Логика первого порядка и экспертные системы. Без понятия. Не было упоминания о глубоком обучении, SVM и кластеризации. Впрочем, это разочарование вскоре прошло. Оказывается, речь шла о классическом ИИ, и это помогает нам ответить на несколько вопросов и разрешить некоторые распространенные заблуждения, ажиотаж вокруг ИИ.
Это особенно помогает нам понять, насколько мы близки к обычно обсуждаемому разумному ИИ, как должна работать подобная система, как мы на самом деле классифицируем ИИ? Грань между ИИ, машинным обучением и глубоким обучением довольно размыта.Даже специалисту по машинному обучению будет трудно помочь вам понять, в чем разница между ними. Кроме того, это действительно не помогает устранить путаницу, когда средства массовой информации, ищущие внимания, говорят об этом, неверно истолковывают и искажают цитаты. Не говоря уже о том, что это вредно, когда об этом говорят представители СМИ, не разбирающиеся в области ИИ.
Это потому, что мы пытаемся провести неправильные линии не в том месте.
Интеллектуальные системы имеют свой собственный способ классификации, основанный на различных критериях. Хотя эта классификация все еще не дает нам пресловутой конкретной линии и все еще в определенной степени открыта для интерпретации, она достаточно хороша. Сначала рассмотрим основные.
Мягкий ИИ или узкий ИИ — Сюда входит большинство «систем ИИ», с которыми вы, возможно, сталкивались. Системы искусственного интеллекта в этой категории решают одну (1) проблему, и хотя они справляются с этим впечатляюще и даже превосходят людей, иногда они просто хреновые во всем остальном. Например, чат-боты (задача НЛП) не могут обнаруживать объекты (задача компьютерного зрения). Даже в той же дисциплине, скажем, НЛП. Чат-боты не могут конвертировать текст с китайского на японский или начать изучение нового языка.
Жесткий ИИ или широкий ИИ — Мы их просто еще не сделали. Это не так просто, как просто объединить пару программных машин с искусственным интеллектом. Преобразование аудио/визуальной информации, чтобы иметь возможность понимать очень широкий спектр команд и контекста, возможность выполнять их, не видя этой конкретной задачи раньше, является сложной задачей, но определенно то, что должен уметь делать компьютер с искусственным интеллектом. Хотя ваша Alexa может воспроизводить музыку для вас, она по-прежнему не может отличить яблоко от апельсина или управлять вашей машиной вместо вас.
Другой термин, который более точно описывает то, что изображается в фильмах, сериалах и т. д., или то, о чем идет речь, — это «Искусственный общий интеллект» или ОИИ. Ожидается, что AGI, как следует из названия, будет таким же умным, как люди, и сможет обобщать все типы проблем.Таким образом, такая машина будет невероятно мощной и полезной. Представьте себе мир, в котором вам никогда не понадобятся переводчики, потому что ваш личный помощник AGI может помочь вам общаться с кем угодно и всеми в режиме реального времени, который может составлять для вас электронные таблицы, уплачивать налоги, понимать и отвечать на письма, напоминая вам о важных задачах. Он также возит вас повсюду и в то же время подключается к другим помощникам AGI и вычисляет оптимальный путь к месту назначения.
Фактически, большая часть ИИ, который у нас есть прямо сейчас, представляет собой не столько искусственный интеллект, сколько увеличение интеллекта или ИА.
Например, давайте рассмотрим автоматизацию на фабриках. Роботы контролируются заводскими рабочими, помогающими в фабричных работах. Сформированные материалы затем транспортируются другими рабочими. Производительность, общая логистика, техническое обслуживание самих роботов и т. д. по-прежнему выполняются людьми. Поскольку роботы не в полной мере способны самостоятельно обслуживать всю фабрику, они все еще «дополняют» людей. Их назовут ИИ, когда они смогут делать все сами. То же самое можно сказать о большинстве вещей, таких как дроны, медицинские роботы и т. д.
Далее мы переходим к другому методу классификации ИИ, основанному на цели дизайна ИИ.
Думай как люди- Чтобы иметь возможность судить о системах, которые мыслят как люди, нам необходимо иметь определение или метод того, как люди думают. Мы можем определить это либо путем самоанализа собственных мыслей, либо с помощью психологических экспериментов.
Затем, получив определение, мы можем преобразовать его в программу и посмотреть, соответствуют ли выходные данные человеческому поведению. На данный момент есть два подхода. Либо мы можем быть довольны, когда результаты совпадают с решением проблемы, либо нам нужно углубиться в то, как именно система решила проблему, и посмотреть, соответствует ли это человеческому познанию. Когнитивная наука и ИИ дополняют друг друга во многих областях, таких как язык, зрение и т. д.
Действуйте как люди- Эти системы часто упускают из виду, потому что вариантов их использования не так много. Однако одним интересным аспектом этого типа является вид тестов, которым он подвергается. Тест Тьюринга. Тест Тьюринга, предложенный Аланом Тьюрингом, был разработан, чтобы дать удовлетворительное рабочее определение интеллекта. Тьюринг определил интеллектуальное поведение как способность достигать результатов на уровне человека во всех когнитивных задачах, достаточных, чтобы обмануть следователя. Итак, он предположил, что люди будут разговаривать с другой системой или человеком, и они не будут разговаривать с другим человеком или с другой системой. Если их одурачить и они думают, что система человечна, она проходит тест Тьюринга.
Однако это создает разрыв между человеком и системой. А общий тест Тьюринга позже было разработано, в котором человек будет лицом к лицу с системой. Чтобы таким образом одурачить человека, потребуются продвинутая робототехника и черты лица.
Думать рационально- Эти системы основаны на жесткой логике, что означает, что им дается описание проблемы в логической записи, и они находят решение проблемы, если оно существует. Поэтому он использует логические системы и делает выводы. То есть, если из А следует В, а из В следует С, то из А следует С.
Обычно невозможно представить проблемы в логических обозначениях, и даже когда это возможно, сложность вычислений в большинстве случаев создает проблему. Поэтому мы не получаем даже «достаточно хорошего» ответа.
Действуя разумно- Действовать рационально означает вести себя так, чтобы приблизить систему к конечной цели. Можно сказать, что рациональное мышление — это подмножество рационального действия, и это было бы верно, поскольку простой способ достичь цели — уметь правильно рассуждать с данными. Однако есть и другие способы действовать рационально. потому что не всегда можно доказать что-то правильное рассуждениями, но если это работает, то хорошо работает.
Немного тревожно, но, может быть, лучший пример.Если вы держите руку над пламенем, вам не нужно делать выводы в голове. Моя рука над пламенем. Я знаю, что пламя производит тепло. Так что это должно означать, что моя рука будет нагрета. Это означает, что моя кожа будет повреждена, этого следует избегать. Нет! Вы непосредственно чувствуете боль и убираете руку, как реакция коленного рефлекса. Таким образом, логические выводы не всегда требуются или применимы, и именно здесь рациональные действия работают лучше всего.
В настоящее время мы делаем довольно продвинутые вещи в рациональной части игры, но другие не так уж и велики. Большинство методов обучения, применяемых в настоящее время, являются методами обучения, основанными на целях.
Глядя на эти системы классификации, становится совершенно ясно, что у технологий искусственного интеллекта есть еще много лет, чтобы догнать даже человеческий уровень интеллекта.
