Όλοι έχουν ακούσει για τις νέες εξελίξεις στην τεχνητή νοημοσύνη, και ιδιαίτερα τη μηχανική μάθηση. Έχετε ακούσει επίσης ουτοπικές ή αποκαλυπτικές προβλέψεις για το τι σημαίνουν αυτές οι προόδους. Έχουν ληφθεί για να προκαλέσουν είτε την αθανασία είτε το τέλος του κόσμου και πολλά έχουν γραφτεί και για τις δύο αυτές δυνατότητες. Όμως, οι πιο εξελιγμένοι AIs απέχουν πολύ από το να είναι σε θέση να λύσουν προβλήματα που τα ανθρώπινα τετράχρονα επιτελούν με ευκολία. Παρά το εντυπωσιακό όνομα, η τεχνητή νοημοσύνη αποτελείται σε μεγάλο βαθμό από τεχνικές ανίχνευσης στατιστικών μοτίβων σε μεγάλα σύνολα δεδομένων. Υπάρχουν πολλά περισσότερα για την ανθρώπινη μάθηση.
Πώς μπορούμε να γνωρίζουμε τόσα πολλά για τον κόσμο γύρω μας; Μαθαίνουμε ένα τεράστιο ποσό ακόμη και όταν είμαστε μικρά παιδιά. τα τετράχρονα γνωρίζουν ήδη τα φυτά, τα ζώα και τα μηχανήματα. τις επιθυμίες, τις πεποιθήσεις και τα συναισθήματα. ακόμη και δεινόσαυροι και διαστημόπλοια.
Η επιστήμη έχει επεκτείνει τις γνώσεις μας για τον κόσμο στο αδιανόητα μεγάλο και το απείρως μικρό, στην άκρη του σύμπαντος και στην αρχή του χρόνου. Και χρησιμοποιούμε αυτές τις γνώσεις για να κάνουμε νέες ταξινομήσεις και προβλέψεις, να φανταστούμε νέες δυνατότητες και να κάνουμε νέα πράγματα στον κόσμο. Αλλά όλα αυτά που φτάνουν σε οποιονδήποτε από εμάς από τον κόσμο είναι ένα ρεύμα φωτονίων που χτυπάει τις αμφιβληστροειδείς και τις διαταραχές του αέρα στα αυτιά μας. Πώς μαθαίνουμε τόσο πολύ για τον κόσμο, όταν τα στοιχεία που έχουμε είναι τόσο περιορισμένα; Και πώς κάνουμε όλα αυτά με τα λίγα κιλά γκρίζου goo που κάθεται πίσω από τα μάτια μας;
Η καλύτερη απάντηση μέχρι στιγμής είναι ότι οι εγκέφαλοί μας εκτελούν υπολογισμούς στα συγκεκριμένα, ιδιαίτερα ακατάστατα δεδομένα που φθάνουν στις αισθήσεις μας και αυτοί οι υπολογισμοί αποδίδουν ακριβείς παραστάσεις του κόσμου. Οι παραστάσεις φαίνεται να είναι δομημένες, αφηρημένες και ιεραρχικές. Περιλαμβάνουν την αντίληψη των τρισδιάστατων αντικειμένων, τις γραμματικές που στηρίζουν τη γλώσσα και τις διανοητικές ικανότητες όπως η «θεωρία του νου», που μας επιτρέπει να κατανοήσουμε τι πιστεύουν οι άλλοι άνθρωποι. Αυτές οι αναπαραστάσεις μας επιτρέπουν να κάνουμε ένα ευρύ φάσμα νέων προβλέψεων και να φανταστούμε πολλές νέες δυνατότητες με έναν δημιουργικά ανθρώπινο τρόπο.
Αυτό το είδος μάθησης δεν είναι το μοναδικό είδος νοημοσύνης, αλλά είναι ιδιαίτερα σημαντικό για τα ανθρώπινα όντα. Και είναι το είδος της νοημοσύνης που είναι μια ειδικότητα των μικρών παιδιών. Παρόλο που τα παιδιά είναι δραματικά κακή στο σχεδιασμό και τη λήψη αποφάσεων, είναι οι καλύτεροι μαθητές στο σύμπαν. Μεγάλο μέρος της διαδικασίας μετατροπής δεδομένων σε θεωρίες συμβαίνει πριν είμαστε πέντε.
Από τον Αριστοτέλη και τον Πλάτωνα υπήρξαν δύο βασικοί τρόποι αντιμετώπισης του προβλήματος του πώς γνωρίζουμε τι γνωρίζουμε και εξακολουθούν να είναι οι κύριες προσεγγίσεις στη μηχανική μάθηση. Ο Αριστοτέλης προσέγγισε το πρόβλημα από κάτω προς τα πάνω: Ξεκινήστε με τις αισθήσεις - το ρεύμα των φωτονίων και των δονήσεων του αέρα (ή τα εικονοστοιχεία ή τα δείγματα ήχου μιας ψηφιακής εικόνας ή εγγραφής) και δείτε αν μπορείτε να εξάγετε σχέδια από αυτά. Αυτή η προσέγγιση μεταφέρθηκε περαιτέρω από τους κλασσικούς συνδικαλιστές όπως οι φιλόσοφοι David Hume και JS Mill και αργότερα ψυχολογικοί συμπεριφοριστές, όπως οι Pavlov και BF Skinner. Από αυτή την άποψη, η αφηρησιμότητα και η ιεραρχική δομή των αναπαραστάσεων είναι κάτι σαν μια ψευδαίσθηση, ή τουλάχιστον ένα επιφαινόμενο. Όλη η εργασία μπορεί να γίνει με συσχετισμό και ανίχνευση προτύπων - ειδικά εάν υπάρχουν αρκετά δεδομένα.
Πιθανά μυαλά: 25 τρόποι να κοιτάς το AI
Ο φωτισμός της παγκόσμιας επιστήμης John Brockman συγκεντρώνει τα είκοσι πέντε από τα σημαντικότερα επιστημονικά μυαλά, ανθρώπους που σκεφτόταν το πεδίο της τεχνητής νοημοσύνης για το μεγαλύτερο μέρος της σταδιοδρομίας τους, για μια απαράμιλλη εξέταση στρογγυλής τραπέζης για το μυαλό, τη σκέψη, την ευφυΐα και τι σημαίνει να είσαι άνθρωπος.
ΑγοράΜε την πάροδο του χρόνου, υπήρξε μια κατεύθυνση ανάμεσα σε αυτή την προσέγγιση από κάτω προς τα πάνω στο μυστήριο της μάθησης και την εναλλακτική λύση του Πλάτωνα, από την κορυφή προς τα κάτω. Ίσως παίρνουμε αφηρημένη γνώση από συγκεκριμένα δεδομένα επειδή γνωρίζουμε ήδη πολλά και ειδικά επειδή έχουμε ήδη μια σειρά από βασικές αφηρημένες έννοιες, χάρη στην εξέλιξη. Όπως και οι επιστήμονες, μπορούμε να χρησιμοποιήσουμε αυτές τις έννοιες για να διατυπώσουμε υποθέσεις για τον κόσμο. Στη συνέχεια, αντί να προσπαθήσουμε να εξαγάγουμε μοτίβα από τα ακατέργαστα δεδομένα, μπορούμε να κάνουμε προβλέψεις σχετικά με τα δεδομένα που θα πρέπει να μοιάζουν με αυτές, αν αυτές οι υποθέσεις έχουν δίκιο. Μαζί με τον Πλάτωνα, αυτοί οι «ορθολογιστικοί» φιλόσοφοι και ψυχολόγοι όπως ο Descartes και ο Noam Chomsky υιοθέτησαν αυτήν την προσέγγιση.
Εδώ είναι ένα καθημερινό παράδειγμα που απεικονίζει τη διαφορά μεταξύ των δύο μεθόδων: επίλυση της πανούκλας spam. Τα δεδομένα αποτελούνται από μια μακρά, μη ταξινομημένη λίστα μηνυμάτων στα εισερχόμενά σας. Η πραγματικότητα είναι ότι ορισμένα από αυτά τα μηνύματα είναι αυθεντικά και μερικά είναι ανεπιθύμητα. Πώς μπορείτε να χρησιμοποιήσετε τα δεδομένα για να διακρίνετε μεταξύ τους;
Εξετάστε πρώτα την τεχνική "bottom-up". Παρατηρήστε ότι τα μηνύματα ανεπιθύμητης αλληλογραφίας τείνουν να έχουν ιδιαίτερα χαρακτηριστικά: έναν μακρύ κατάλογο παραληπτών, καταγωγή στη Νιγηρία, αναφορές σε βραβεία εκατομμυρίων δολαρίων ή Viagra. Το πρόβλημα είναι ότι τέλεια χρήσιμα μηνύματα μπορεί να έχουν και αυτά τα χαρακτηριστικά. Αν εξετάσατε αρκετά παραδείγματα μηνυμάτων ηλεκτρονικού ταχυδρομείου ανεπιθύμητης αλληλογραφίας (spam) και μηνύματος spam, μπορείτε να δείτε όχι μόνο ότι τα μηνύματα ηλεκτρονικού ταχυδρομείου με ανεπιθύμητη αλληλογραφία τείνουν να έχουν αυτές τις δυνατότητες, αλλά ότι οι λειτουργίες τείνουν να συμβαδίζουν με συγκεκριμένους τρόπους (Νιγηρία συν ένα πρόβλημα μολύνσεων εκατομμυρίων δολαρίων). Στην πραγματικότητα, μπορεί να υπάρχουν κάποιες λεπτές συσχετίσεις υψηλότερου επιπέδου που να διακρίνουν τα μηνύματα spam από τα χρήσιμα - ένα συγκεκριμένο μοτίβο ορθογραφιών και διευθύνσεων IP, για παράδειγμα. Εάν εντοπίσετε αυτά τα μοτίβα, μπορείτε να φιλτράρετε το spam.
Οι τεχνικές εκμάθησης από τη βάση προς τα πάνω κάνουν ακριβώς αυτό. Ο εκπαιδευόμενος παίρνει εκατομμύρια παραδείγματα, καθένα με κάποια σειρά χαρακτηριστικών και ο καθένας χαρακτηρίζεται ως spam (ή κάποια άλλη κατηγορία) ή όχι. Ο υπολογιστής μπορεί να εξαγάγει το μοτίβο των χαρακτηριστικών που διακρίνει τα δύο, ακόμα και αν είναι αρκετά λεπτή.
Τι συμβαίνει με την προσέγγιση "από πάνω προς τα κάτω"; Παίρνω ένα μήνυμα ηλεκτρονικού ταχυδρομείου από τον συντάκτη της Εφημερίδας της Κλινικής Βιολογίας . Αναφέρεται σε μία από τις εργασίες μου και λέει ότι θα ήθελαν να δημοσιεύσουν ένα άρθρο από εμένα. Όχι Νιγηρία, όχι Viagra, κανένα εκατομμύριο δολάρια? το μήνυμα ηλεκτρονικού ταχυδρομείου δεν έχει καμία από τις δυνατότητες του spam. Αλλά χρησιμοποιώντας αυτό που ήδη γνωρίζω και με αφηρημένο τρόπο σκέψης σχετικά με τη διαδικασία που παράγει spam, μπορώ να καταλάβω ότι αυτό το μήνυμα ηλεκτρονικού ταχυδρομείου είναι ύποπτο:
1. Γνωρίζω ότι οι spammers προσπαθούν να εξάγουν χρήματα από τους ανθρώπους, προσελκύοντας την ανθρώπινη απληστία.
2. Γνωρίζω επίσης ότι νόμιμα περιοδικά "ανοικτής πρόσβασης" έχουν αρχίσει να καλύπτουν το κόστος τους χρεώνοντας τους συγγραφείς αντί των συνδρομητών και ότι δεν ασκώ κάτι σαν την κλινική βιολογία.
Βάλτε όλα αυτά μαζί και μπορώ να δημιουργήσω μια καλή νέα υπόθεση σχετικά με το πού προέρχεται αυτό το μήνυμα ηλεκτρονικού ταχυδρομείου. Είναι σχεδιασμένο να κοροϊδεύει ακαδημαϊκούς να πληρώνουν για να "δημοσιεύσουν" ένα άρθρο σε ένα ψεύτικο περιοδικό. Το ηλεκτρονικό ταχυδρομείο ήταν αποτέλεσμα της ίδιας αμφίβολης διαδικασίας με τα άλλα μηνύματα ηλεκτρονικού ταχυδρομείου ανεπιθύμητης αλληλογραφίας, παρόλο που δεν έμοιαζε με αυτά. Μπορώ να αντλήσω αυτό το συμπέρασμα από ένα μόνο παράδειγμα και μπορώ να προχωρήσω στη δοκιμή της υπόθεσής μου περαιτέρω, πέρα από οτιδήποτε στο ίδιο το μήνυμα ηλεκτρονικού ταχυδρομείου, με την αναζήτηση του "συντάκτη".
Από την άποψη του υπολογιστή, ξεκίνησα με ένα «γενετικό μοντέλο» που περιλαμβάνει αφηρημένες έννοιες όπως η απληστία και η εξαπάτηση και περιγράφει τη διαδικασία που δημιουργεί ηλεκτρονικές απάτες. Αυτό μου επιτρέπει να αναγνωρίσω το κλασσικό spam spam από τη Νιγηρία, αλλά μου επιτρέπει επίσης να φανταστώ πολλά διαφορετικά είδη πιθανών ανεπιθύμητων μηνυμάτων. Όταν έχω το e-mail του περιοδικού, μπορώ να δουλέψω προς τα πίσω: "Αυτό μοιάζει ακριβώς με το είδος της αλληλογραφίας που θα προέκυπτε από μια διαδικασία δημιουργίας spam."
Ο νέος ενθουσιασμός για το AI οφείλεται στο γεγονός ότι οι ερευνητές του AI έχουν πρόσφατα παραχθεί ισχυρές και αποτελεσματικές εκδόσεις και των δύο μεθόδων μάθησης. Αλλά δεν υπάρχει τίποτα εντελώς νέο για τις ίδιες τις μεθόδους.
Από κάτω προς τα επάνω Βαθιά μάθηση
Στη δεκαετία του '80, οι επιστήμονες των υπολογιστών επινόησαν έναν έξυπνο τρόπο για να αποκτήσουν υπολογιστές για να ανιχνεύσουν τα πρότυπα στα δεδομένα: το συνδετικό, ή το νευρωνικό δίκτυο, η αρχιτεκτονική (το "νευρικό" μέρος ήταν και εξακολουθεί να είναι μεταφορικό). Η προσέγγιση έπεσε στην ύφεση στη δεκαετία του 1990, αλλά πρόσφατα ανανεώθηκε με ισχυρές μεθόδους "βαθιάς μάθησης" όπως η DeepMind της Google.
Για παράδειγμα, μπορείτε να δώσετε σε ένα πρόγραμμα βαθιάς εκμάθησης μια δέσμη εικόνων Διαδικτύου με την ένδειξη "γάτα", άλλοι με την ονομασία "σπίτι", και ούτω καθεξής. Το πρόγραμμα μπορεί να ανιχνεύσει τα μοτίβα που διαφοροποιούν τα δύο σύνολα εικόνων και να χρησιμοποιήσει τις πληροφορίες αυτές για να επισημάνει σωστά τις νέες εικόνες. Ορισμένα είδη μηχανικής μάθησης, που ονομάζεται μάθημα χωρίς επίβλεψη, μπορούν να ανιχνεύσουν πρότυπα σε δεδομένα που δεν φέρουν καμία ετικέτα. απλά αναζητούν ομάδες χαρακτηριστικών - που λένε οι επιστήμονες μια ανάλυση παραγόντων. Στις μηχανές βαθιάς εκμάθησης, αυτές οι διαδικασίες επαναλαμβάνονται σε διαφορετικά επίπεδα. Ορισμένα προγράμματα μπορούν ακόμη να ανακαλύψουν σχετικές λειτουργίες από τα πρωτογενή δεδομένα των εικονοστοιχείων ή των ήχων. ο υπολογιστής μπορεί να αρχίσει ανιχνεύοντας τα μοτίβα στην ακατέργαστη εικόνα που αντιστοιχούν σε άκρα και γραμμές και στη συνέχεια να βρει τα μοτίβα σε εκείνα τα μοτίβα που αντιστοιχούν σε πρόσωπα κ.ο.κ.
Μια άλλη τεχνική από τη βάση προς τα πάνω με μια μακρά ιστορία είναι η ενίσχυση της μάθησης. Στη δεκαετία του 1950, ο BF Skinner, βασισμένος στη δουλειά του John Watson, περιγράφει περιζήτητα περιστέρια για να εκτελεί περίπλοκες ενέργειες - ακόμη και να κατευθύνει πυραύλους που εκτοξεύουν τον αέρα στους στόχους τους (ενοχλητική ηχώ του πρόσφατου AI) δίνοντάς τους ένα συγκεκριμένο χρονοδιάγραμμα ανταμοιβών και τιμωριών . Η βασική ιδέα ήταν ότι οι δράσεις που ανταμείφθηκαν θα επαναληφθούν και εκείνες που τιμωρήθηκαν δεν θα γινόταν, μέχρι να επιτευχθεί η επιθυμητή συμπεριφορά. Ακόμη και στην εποχή του Skinner, αυτή η απλή διαδικασία, επαναλαμβανόμενη ξανά και ξανά, θα μπορούσε να οδηγήσει σε περίπλοκη συμπεριφορά. Οι υπολογιστές έχουν σχεδιαστεί για να εκτελούν απλές λειτουργίες ξανά και ξανά σε μια κλίμακα που επικαλύπτει την ανθρώπινη φαντασία και τα υπολογιστικά συστήματα μπορούν να μάθουν εκπληκτικά πολύπλοκες δεξιότητες με αυτόν τον τρόπο.
Για παράδειγμα, οι ερευνητές του DeepMind της Google χρησιμοποίησαν έναν συνδυασμό μάθησης βαθιάς μάθησης και ενίσχυσης της μάθησης για να διδάξουν έναν υπολογιστή για να παίξουν παιχνίδια Atari. Ο υπολογιστής δεν ήξερε τίποτα για το πώς τα παιχνίδια λειτουργούσαν. Ξεκίνησε ενεργώντας τυχαία και έλαβε πληροφορίες μόνο για το τι φαίνεται η οθόνη σε κάθε στιγμή και πόσο καλά είχε σημειώσει. Η βαθιά εκμάθηση βοήθησε στην ερμηνεία των χαρακτηριστικών στην οθόνη και η μάθηση ενίσχυσης ενίσχυσε το σύστημα για υψηλότερες βαθμολογίες. Ο υπολογιστής πήρε πολύ καλά στο να παίζει πολλά από τα παιχνίδια, αλλά βομβαρδίστηκε εξ 'ολοκλήρου και σε άλλους που ήταν εξίσου εύκολοι για τον άνθρωπο.
Ένας παρόμοιος συνδυασμός μάθησης και ενίσχυσης της μάθησης επέτρεψε την επιτυχία του DeepMind's AlphaZero, ενός προγράμματος που κατάφερε να νικήσει τους ανθρώπους στο σκάκι και στο Go, εξοπλισμένο μόνο με μια βασική γνώση των κανόνων του παιχνιδιού και κάποιες ικανότητες σχεδιασμού. Το AlphaZero έχει ένα άλλο ενδιαφέρον χαρακτηριστικό: Λειτουργεί παίζοντας εκατοντάδες εκατομμύρια παιχνιδιών ενάντια στον εαυτό του. Καθώς το κάνει, κλαδεύει τα λάθη που οδήγησαν σε απώλειες και επαναλαμβάνει και επεξεργάζεται στρατηγικές που οδήγησαν σε νίκες. Τέτοια συστήματα, και άλλα που περιλαμβάνουν τεχνικές που ονομάζονται γενετικά δίκτυα αμφισβητήσεων, παράγουν δεδομένα καθώς και παρατηρούν δεδομένα.
Όταν έχετε την υπολογιστική ισχύ για να εφαρμόσετε αυτές τις τεχνικές σε πολύ μεγάλα σύνολα δεδομένων ή σε εκατομμύρια μηνύματα ηλεκτρονικού ταχυδρομείου, εικόνες Instagram ή εγγραφές φωνής, μπορείτε να λύσετε προβλήματα που πριν ήταν πολύ δύσκολα. Αυτή είναι η πηγή του μεγάλου μέρους του ενθουσιασμού στην επιστήμη των υπολογιστών. Αξίζει όμως να θυμηθούμε ότι τα προβλήματα αυτά - όπως η αναγνώριση ότι μια εικόνα είναι μια γάτα ή μια ομιλούμενη λέξη είναι Siri - είναι ασήμαντα για ένα ανθρώπινο μικρό παιδί. Μία από τις πιο ενδιαφέρουσες ανακαλύψεις της επιστήμης των υπολογιστών είναι ότι τα προβλήματα που είναι εύκολο για εμάς (όπως η αναγνώριση των γατών) είναι δύσκολο για τους υπολογιστές - πολύ πιο δύσκολο από το να παίζεις σκάκι ή Go. Οι υπολογιστές χρειάζονται εκατομμύρια παραδείγματα για να κατηγοριοποιήσουν αντικείμενα που μπορούμε να κατηγοριοποιήσουμε με μερικά μόνο. Αυτά τα συστήματα από τη βάση προς τα άνω μπορούν να γενικευτούν σε νέα παραδείγματα. μπορούν να επισημάνουν μια νέα εικόνα ως γάτα αρκετά ακριβή σε όλους. Αλλά το κάνουν με διαφορετικούς τρόπους από το πώς γενικεύουν οι άνθρωποι. Ορισμένες εικόνες σχεδόν πανομοιότυπες με μια εικόνα γάτας δεν θα αναγνωριστούν από εμάς ως γάτες καθόλου. Άλλες που μοιάζουν με τυχαία θαμπάδα θα είναι.
Top-Down Bayesian Μοντέλα
Η προσέγγιση από την κορυφή προς τα κάτω διαδραμάτισε μεγάλο ρόλο στην πρώιμη ΑΠ, και στη δεκαετία του 2000 γνώρισε επίσης μια αναβίωση, με τη μορφή πιθανοτικών ή Bayesian, γενετικών μοντέλων.
Οι πρώτες προσπάθειες για τη χρήση αυτής της προσέγγισης αντιμετώπισαν δύο είδη προβλημάτων. Πρώτον, τα περισσότερα πρότυπα αποδεικτικών στοιχείων θα μπορούσαν καταρχήν να εξηγηθούν από πολλές διαφορετικές υποθέσεις: Είναι πιθανό ότι το μήνυμα ηλεκτρονικού ταχυδρομείου του περιοδικού μου είναι γνήσιο, απλά δεν φαίνεται πιθανό. Δεύτερον, από πού προέρχονται οι έννοιες που χρησιμοποιούν τα γενετικά μοντέλα; Ο Πλάτωνας και ο Τσόμσκι ανέφεραν ότι γεννήσατε μαζί τους. Αλλά πώς μπορούμε να εξηγήσουμε πώς μαθαίνουμε τις τελευταίες έννοιες της επιστήμης; Ή πώς ακόμη και τα μικρά παιδιά καταλαβαίνουν για τους δεινόσαυρους και τα πλοία πυραύλων;
Τα μοντέλα Bayesian συνδυάζουν γενετικά μοντέλα και δοκιμές υποθέσεων με τη θεωρία πιθανοτήτων και αντιμετωπίζουν αυτά τα δύο προβλήματα. Ένα Bayesian μοντέλο σας επιτρέπει να υπολογίσετε πόσο πιθανό είναι ότι μια συγκεκριμένη υπόθεση είναι αληθής, δεδομένων των δεδομένων. Και κάνοντας μικρά αλλά συστηματικά τσιμπήματα στα μοντέλα που έχουμε ήδη και δοκιμάζοντάς τα ενάντια στα δεδομένα, μπορούμε μερικές φορές να δημιουργήσουμε νέες ιδέες και μοντέλα από παλιά. Αλλά αυτά τα πλεονεκτήματα αντισταθμίζονται από άλλα προβλήματα. Οι Bayesian τεχνικές μπορούν να σας βοηθήσουν να επιλέξετε ποια από τις δύο υποθέσεις είναι πιο πιθανό, αλλά υπάρχουν σχεδόν πάντα ένας τεράστιος αριθμός πιθανών υποθέσεων και κανένα σύστημα δεν μπορεί να τα εξετάσει αποτελεσματικά. Πώς αποφασίζετε ποιες υποθέσεις αξίζουν τον έλεγχο;
Η λίμνη Μπρέντεν στο NYU και οι συνεργάτες της χρησιμοποίησαν αυτά τα είδη μεθόδων από πάνω προς τα κάτω για να λύσουν ένα άλλο πρόβλημα που είναι εύκολο για τους ανθρώπους, αλλά εξαιρετικά δύσκολο για τους υπολογιστές: αναγνωρίζοντας άγνωστους χειρόγραφους χαρακτήρες. Κοιτάξτε έναν χαρακτήρα σε ένα ιαπωνικό κύλινδρο. Ακόμα κι αν δεν το έχετε δει ποτέ πριν, μπορείτε πιθανώς να πείτε αν είναι παρόμοιο ή διαφορετικό από έναν χαρακτήρα σε άλλο ιαπωνικό κύλινδρο. Μπορείτε πιθανώς να το σχεδιάσετε και ακόμη να σχεδιάσετε ένα ψεύτικο ιαπωνικό χαρακτήρα βασισμένο σε αυτό που βλέπετε - ένα που θα φαίνεται εντελώς διαφορετικό από έναν κορεατικό ή ρωσικό χαρακτήρα.
Η μέθοδος από τη βάση προς τα πάνω για την αναγνώριση χειρόγραφων χαρακτήρων είναι να δώσουμε στον υπολογιστή χιλιάδες παραδείγματα εκάστου και να αφήσουμε να βγάλει τα κυριότερα χαρακτηριστικά. Αντ 'αυτού, οι Lake et αϊ. έδωσε στο πρόγραμμα ένα γενικό μοντέλο για το πώς σχεδιάζετε ένα χαρακτήρα: Ένα εγκεφαλικό επεισόδιο πηγαίνει δεξιά ή αριστερά. Αφού τελειώσετε, ξεκινήστε άλλο. και ούτω καθεξής. Όταν το πρόγραμμα είδε έναν συγκεκριμένο χαρακτήρα, θα μπορούσε να συμπεράνει την ακολουθία των εγκεφαλικών επεισοδίων που πιθανότατα οδήγησαν σε αυτό - όπως υπογράμμισα ότι η διαδικασία ανεπιθύμητης αλληλογραφίας οδήγησε στο αμφίβολο ηλεκτρονικό ταχυδρομείο μου. Τότε θα μπορούσε να κρίνει αν θα μπορούσε να προκύψει ένας νέος χαρακτήρας από αυτή την αλληλουχία ή από διαφορετικό και θα μπορούσε να παράγει ένα ίδιο σύνολο εγκεφαλικών επεισοδίων. Το πρόγραμμα δούλεψε πολύ καλύτερα από ένα πρόγραμμα βαθιάς εκμάθησης που εφαρμόζεται στα ίδια ακριβώς δεδομένα και αντικατοπτρίζει στενά τις επιδόσεις των ανθρώπων.
Αυτές οι δύο προσεγγίσεις στη μηχανική μάθηση έχουν συμπληρωματικές δυνάμεις και αδυναμίες. Στην προσέγγιση "από τη βάση προς την κορυφή", το πρόγραμμα δεν χρειάζεται πολύ να ξεκινήσει, αλλά χρειάζεται πολλά δεδομένα και μπορεί να γενικεύσει μόνο με περιορισμένο τρόπο. Στην προσέγγιση "από πάνω προς τα κάτω", το πρόγραμμα μπορεί να μάθει από μερικά παραδείγματα και να κάνει πολύ ευρύτερες και πιο ποικίλες γενικεύσεις, αλλά πρέπει να το ξεκινήσετε πολύ περισσότερο. Ορισμένοι ερευνητές προσπαθούν επί του παρόντος να συνδυάσουν τις δύο προσεγγίσεις, χρησιμοποιώντας βαθιά μάθηση για να εφαρμόσουν Bayesian συμπεράσματα.
Η πρόσφατη επιτυχία του AI είναι εν μέρει το αποτέλεσμα των επεκτάσεων αυτών των παλαιών ιδεών. Αλλά έχει να κάνει περισσότερο με το γεγονός ότι, χάρη στο Διαδίκτυο, έχουμε πολύ περισσότερα δεδομένα και χάρη στον Νόμο του Moore έχουμε πολύ περισσότερη υπολογιστική ισχύ για να εφαρμόσουμε σε αυτά τα δεδομένα. Επιπλέον, ένα γεγονός που δεν έχει εκτιμηθεί είναι ότι τα δεδομένα που έχουμε ήδη έχουν ταξινομηθεί και υποβληθεί σε επεξεργασία από ανθρώπους. Οι εικόνες γάτας που δημοσιεύονται στον ιστό είναι εικόνες αρχείων κανονικής γάτας που οι άνθρωποι έχουν ήδη επιλέξει ως "καλές" εικόνες. Η Μετάφραση Google λειτουργεί επειδή εκμεταλλεύεται εκατομμύρια ανθρώπινες μεταφράσεις και τις γενικεύει σε ένα νέο κομμάτι κειμένου, αντί να κατανοεί πραγματικά τις ίδιες τις προτάσεις.
Αλλά το πραγματικά αξιοσημείωτο πράγμα για τα ανθρώπινα παιδιά είναι ότι συνδυάζουν κατά κάποιο τρόπο τα καλύτερα χαρακτηριστικά κάθε προσέγγισης και έπειτα πηγαίνουν πέρα από αυτά. Τα τελευταία δεκαπέντε χρόνια, οι αναπτυξιακοί ασχολούνται με τη διερεύνηση του τρόπου με τον οποίο τα παιδιά μαθαίνουν τη δομή από τα δεδομένα. Τα παιδιά ηλικίας τεσσάρων ετών μπορούν να μάθουν λαμβάνοντας μόνο ένα ή δύο παραδείγματα δεδομένων, όπως ένα σύστημα από πάνω προς τα κάτω, και γενικεύοντας σε πολύ διαφορετικές έννοιες. Αλλά μπορούν επίσης να μάθουν νέες ιδέες και μοντέλα από τα ίδια τα δεδομένα, όπως κάνει το σύστημα από τη βάση προς τα πάνω.
Για παράδειγμα, στο εργαστήρι μας δίνουμε στα μικρά παιδιά έναν "ανιχνευτή blicket" - ένα νέο μηχάνημα για να το καταλάβω, ένα που δεν έχουν δει ποτέ πριν. Είναι ένα κιβώτιο που ανάβει και παίζει μουσική όταν βάζετε ορισμένα αντικείμενα σε αυτό, αλλά όχι άλλα. Δίνουμε στα παιδιά μόνο ένα ή δύο παραδείγματα για το πώς λειτουργεί το μηχάνημα, δείχνοντάς τες ότι λένε ότι δύο κόκκινα τετράγωνα το κάνουν να πάει ενώ ένας συνδυασμός πράσινου και κίτρινου δεν το κάνει. Ακόμη και τα άτομα ηλικίας δεκαοκτώ μηνών καταλαβαίνουν αμέσως τη γενική αρχή ότι τα δύο αντικείμενα πρέπει να είναι τα ίδια για να το κάνουν και γενικεύουν αυτή την αρχή σε νέα παραδείγματα: Για παράδειγμα, θα επιλέξουν δύο αντικείμενα που έχουν το ίδιο σχήμα για να κάνουν τη μηχανή. Σε άλλα πειράματα, δείξαμε ότι τα παιδιά μπορούν ακόμη και να καταλάβουν ότι κάποια κρυφή αόρατη ιδιότητα κάνει τη μηχανή να πάει ή ότι η μηχανή λειτουργεί σε κάποια αφηρημένη λογική αρχή.
Μπορείτε να το δείξετε και στην καθημερινή εκμάθηση των παιδιών. Τα μικρά παιδιά μαθαίνουν γρήγορα αφηρημένες διαισθητικές θεωρίες της βιολογίας, της φυσικής και της ψυχολογίας με τον τρόπο που κάνουν οι ενήλικες επιστήμονες, ακόμη και με σχετικά λίγα δεδομένα.
Τα αξιοσημείωτα επιτεύγματα μηχανικής μάθησης των πρόσφατων συστημάτων AI, τόσο από κάτω προς τα πάνω όσο και από πάνω προς τα κάτω, λαμβάνουν χώρα σε ένα στενό και καλά καθορισμένο χώρο υποθέσεων και εννοιών - ένα ακριβές σύνολο παιχνιδιών και κινήσεων, ένα προκαθορισμένο σύνολο εικόνων . Αντίθετα, τα παιδιά και οι επιστήμονες μερικές φορές αλλάζουν μερικές φορές τις έννοιές τους με ριζοσπαστικούς τρόπους, εκτελώντας παράλληλες μεταβολές αντί να απλώς τροποποιούν τις έννοιες που έχουν ήδη.
Τα παιδιά ηλικίας τεσσάρων ετών μπορούν αμέσως να αναγνωρίσουν τις γάτες και να κατανοήσουν τα λόγια, αλλά μπορούν επίσης να κάνουν δημιουργικά και εκπληκτικά νέα συμπεράσματα που ξεπερνούν την εμπειρία τους. Ο ίδιος ο εγγονός μου εξήγησε πρόσφατα, για παράδειγμα, ότι εάν ένας ενήλικας θέλει να γίνει πάλι παιδί, θα πρέπει να προσπαθήσει να μην τρώει υγιή λαχανικά, αφού τα υγιή λαχανικά κάνουν το παιδί να μεγαλώσει σε ενήλικα. Αυτή η υπόθεση, μια πιθανή υπόθεση που ποτέ δεν θα ενθουσιάσει ο ενήλικος, είναι χαρακτηριστική για τα μικρά παιδιά. Στην πραγματικότητα, οι συνάδελφοί μου και εγώ δείξαμε συστηματικά ότι τα παιδιά προσχολικής ηλικίας είναι καλύτερα να καταλήγουν σε απίθανες υποθέσεις από τα μεγαλύτερα παιδιά και τους ενήλικες. Δεν έχουμε σχεδόν καμία ιδέα πώς αυτό το είδος δημιουργικής μάθησης και καινοτομίας είναι δυνατό.
Εξετάζοντας όμως τι κάνουν τα παιδιά, μπορεί να δώσει στους προγραμματιστές χρήσιμες συμβουλές σχετικά με τις οδηγίες για την εκμάθηση ηλεκτρονικών υπολογιστών. Δύο χαρακτηριστικά της μάθησης των παιδιών είναι ιδιαίτερα εντυπωσιακά. Τα παιδιά είναι ενεργά μαθητές. δεν απορροφούν απλώς παθητικά δεδομένα όπως AIs. Όπως πειραματίζονται οι επιστήμονες, τα παιδιά είναι εγγενώς κίνητρα να εξάγουν πληροφορίες από τον κόσμο γύρω τους μέσω του ατελείωτου παιχνιδιού και εξερεύνησης τους. Πρόσφατες μελέτες δείχνουν ότι αυτή η εξερεύνηση είναι πιο συστηματική από ό, τι φαίνεται και είναι καλά προσαρμοσμένη για να βρει πειστικές αποδείξεις για να υποστηρίξει το σχηματισμό υποθέσεων και την επιλογή θεωρίας. Η οικοδόμηση περιέργειας στις μηχανές και η δυνατότητα να αλληλεπιδράσουν ενεργά με τον κόσμο μπορεί να είναι μια διαδρομή προς μια πιο ρεαλιστική και ευρεία μάθηση.
Δεύτερον, τα παιδιά, σε αντίθεση με τα υπάρχοντα ΑΕ, είναι κοινωνικοί και πολιτιστικοί μαθητές. Οι άνθρωποι δεν μαθαίνουν μεμονωμένα αλλά κάνουν χρήση της συσσωρευμένης σοφίας των προηγούμενων γενεών. Πρόσφατες μελέτες δείχνουν ότι ακόμη και τα παιδιά προσχολικής ηλικίας μαθαίνουν μέσω απομίμησης και ακούγοντας τη μαρτυρία άλλων. Αλλά δεν υπακούν απλώς παθητικά στους καθηγητές τους. Αντ 'αυτού, παίρνουν πληροφορίες από τους άλλους με αξιοσημείωτα λεπτό και ευαίσθητο τρόπο, κάνοντας περίπλοκα συμπεράσματα σχετικά με το πού προέρχονται οι πληροφορίες και πόσο αξιόπιστο είναι και ενσωματώνοντας συστηματικά τις δικές τους εμπειρίες με αυτό που ακούνε.
"Τεχνητή νοημοσύνη" και "μηχανική μάθηση" ήχο τρομακτικό. Και με κάποιο τρόπο είναι. Αυτά τα συστήματα χρησιμοποιούνται για τον έλεγχο των όπλων, για παράδειγμα, και πρέπει πραγματικά να φοβόμαστε γι 'αυτό. Παρόλα αυτά, η φυσική ανοησία μπορεί να προκαλέσει πολύ περισσότερη καταστροφή από την τεχνητή νοημοσύνη. εμείς οι άνθρωποι θα πρέπει να είμαστε πολύ πιο έξυπνοι από ό, τι στο παρελθόν για να ρυθμίσουμε σωστά τις νέες τεχνολογίες. Αλλά δεν υπάρχει μεγάλη βάση ούτε για το αποκαλυπτικό ή για το ουτοπικό όραμα των ΑΠ που αντικαθιστούν τους ανθρώπους. Μέχρι να λύσουμε το βασικό παράδοξο της μάθησης, οι καλύτερες τεχνητές νοημοσύνη δεν θα είναι σε θέση να ανταγωνιστούν με το μέσο τετράχρονο ανθρώπινο άτομο.
Από την επικείμενη συλλογή ΠΙΘΑΝΕΣ ΜΗΝΥΜΑΤΑ: 25 τρόποι να εξετάσουμε το AI, επιμέλεια του John Brockman. Δημοσιεύεται κατόπιν συμφωνίας με την Penguin Press, μέλος του Penguin Random House LLC. Πνευματικά δικαιώματα © 2019 John Brockman.
