Nuo Reaktyviųjų Robotų Iki Jautrių Mašinų: 4 Ai Tipai

{h1}

Norėdami išmokti mašinų, turime ne tik išmokyti mašinų. Turime įveikti kliūtis, kurios atskiria mašinas nuo mūsų - ir mus nuo jų.

Įprasta ir pasikartojanti nuomonė apie naujausius lūžius dirbtinio intelekto tyrimuose yra ta, kad jautrios ir intelektualios mašinos yra tiesiog horizonte. Mašinos geriau nei mes suprantame žodines komandas, išskiria paveikslėlius, vairuoja automobilius ir žaidžia žaidimus. Kiek ilgiau gali praeiti, kol jie vaikščios tarp mūsų?

Naujajame Baltųjų rūmų pranešime apie dirbtinį intelektą tinkamai skeptiškai vertinama ta svajonė. Sakoma, kad per ateinančius 20 metų mašinų, turinčių „plačiai pritaikomą intelektą, palyginamą ar viršijantį žmonių intelektą“, nors ir sakoma, kad ateinančiais metais „mašinos pasieks ir viršys žmogaus našumą dar daugiau ir daugiau užduočių “. Tačiau jos prielaidos apie tai, kaip šios galimybės vystysis, praleido kai kuriuos svarbius dalykus.

Kaip AI tyrinėtojas, prisipažinsiu, buvo malonu, kai mano sritis buvo išryškinta aukščiausiame Amerikos vyriausybės lygyje, tačiau ataskaita beveik buvo susijusi tik su tuo, ką aš vadinu „nuobodžia AI rūšimi“. Per pusę sakinio buvo atmesta mano AI tyrimų šaka, kaip evoliucija gali padėti kurti nuolat tobulėjančias AI sistemas ir kaip skaičiavimo modeliai gali padėti mums suprasti, kaip vystėsi mūsų intelektas.

Ataskaitoje pagrindinis dėmesys skiriamas vadinamosioms pagrindinėms PG priemonėms: mašininiam mokymuisi ir giliam mokymuisi. Tai yra tokios technologijos, kurios sugebėjo suvaidinti „Grėsmę!“ gerai, ir įveikite „Go Go“ meistrus sudėtingiausiame kada nors sugalvotame žaidime. Šios dabartinės intelektualiosios sistemos geba tvarkyti didžiulį duomenų kiekį ir labai greitai atlikti sudėtingus skaičiavimus. Tačiau jiems trūksta elemento, kuris bus svarbus kuriant jaudinančias mašinas, kurias ateityje paveiksime.

Norėdami išmokti mašinų, turime ne tik išmokyti mašinų. Turime peržengti ribas, apibrėžiančias keturis skirtingus dirbtinio intelekto tipus, kliūtis, skiriančias mašinas nuo mūsų - ir mus nuo jų.

I tipo AI: reaktyviosios mašinos

Pagrindiniai PG sistemų tipai yra grynai reaguojantys ir neturi galimybių nei suformuoti prisiminimų, nei panaudoti ankstesnės patirties informuodami dabartinius sprendimus. Dešimtojo dešimtmečio pabaigoje IBM šachmatais žaidžiantis superkompiuteris „Deep Blue“, kuris dešimtojo dešimtmečio pabaigoje įveikė tarptautinį didmeistrį Garry Kasparovą, yra puikus šio tipo aparatų pavyzdys.

„Deep Blue“ gali atpažinti gabaliukus ant šachmatų lentos ir žinoti, kaip juda kiekvienas. Tai gali numatyti, kokie judesiai gali būti šalia jo ir jo priešininko. Ir jis gali pasirinkti optimaliausius judesius iš visų galimybių.

Bet joje nėra jokios praeities sampratos ir atminties apie tai, kas įvyko anksčiau. Išskyrus retai naudojamą šachmatams skirtą taisyklę, draudžiančią pakartoti tą patį judesį tris kartus, „Deep Blue“ ignoruoja viską, kas yra anksčiau. Viskas, ką reikia padaryti, yra pažvelgti į šachmatų lentos gabalus, kokie jie yra dabar, ir pasirinkti iš galimų tolesnių judesių.

Šio tipo intelektas apima kompiuterį, kuris tiesiogiai suvokia pasaulį ir veikia pagal tai, ką mato. Ji nesiremia vidine pasaulio samprata. Straipsnyje AI tyrėjas Rodney Brooksas teigė, kad turėtume statyti tik tokias mašinas. Pagrindinė jo priežastis buvo ta, kad žmonės nelabai moka programuoti tikslius modeliuojamus pasaulius, kad kompiuteriai galėtų juos naudoti, kas AI stipendijoje vadinama pasaulio „reprezentacija“.

Dabartinės intelektualiosios mašinos, kuriomis mes stebimės, arba neturi tokios pasaulio sampratos, arba turi labai ribotą ir specializuotą savo konkrečioms pareigoms atlikti. „Deep Blue“ dizaino naujovė nebuvo išplėsti galimų filmų, kuriuos svarstė kompiuteris, asortimento. Kūrėjai veikiau rado būdą susiaurinti savo požiūrį ir nustoti vykdyti kai kuriuos galimus ateities žingsnius, atsižvelgiant į tai, kaip ji įvertino jų rezultatus. Be šio sugebėjimo „Deep Blue“ būtų reikėjęs dar galingesnio kompiuterio, kad iš tikrųjų įveiktų Kasparovą.

Panašiai ir „Google AlphaGo“, aplenkęs geriausius žmonių „Go“ ekspertus, taip pat negali įvertinti visų galimų būsimų žingsnių. Jo analizės metodas yra sudėtingesnis nei „Deep Blue“, naudojant neuroninį tinklą žaidimų raidai įvertinti.

Šie metodai pagerina AI sistemų galimybes geriau žaisti konkrečius žaidimus, tačiau jų negalima lengvai pakeisti ar pritaikyti kitose situacijose. Šios kompiuterizuotos vaizduotės neturi platesnio pasaulio sampratos - tai reiškia, kad jos negali veikti daugiau nei paskirtos užduotys ir yra lengvai apgaunamos.

Jie negali interaktyviai dalyvauti pasaulyje, kaip mes vieną dieną galime įsivaizduoti PG sistemas. Vietoj to, šios mašinos elgsis lygiai taip pat kiekvieną kartą, kai susidurs su ta pačia situacija. Tai gali būti labai gerai užtikrinant, kad AI sistema yra patikima: norite, kad jūsų autonominis automobilis būtų patikimas vairuotojas. Bet blogai, jei norime, kad mašinos iš tikrųjų įsitrauktų į pasaulį ir į jį reaguotų. Šios paprasčiausios PG sistemos niekada nebus nuobodu, įdomu ir liūdna.

II tipo AI: ribota atmintis

Šioje II tipo klasėje mašinos gali pažvelgti į praeitį. Savarankiškai važiuojantys automobiliai tai jau daro. Pavyzdžiui, jie stebi kitų automobilių greitį ir kryptį. To negalima padaryti per vieną akimirką, o greičiau reikia nustatyti konkrečius objektus ir juos stebėti.

Šie stebėjimai pridedami prie savaime važiuojančių automobilių iš anksto užprogramuotų pasaulio vaizdų, kuriuose taip pat yra juostų ženklinimas, šviesoforai ir kiti svarbūs elementai, tokie kaip kelio kreivės. Jie įtraukiami, kai automobilis nusprendžia, kada pakeisti eismo juostą, kad nenukreiptų kito vairuotojo ar nenutrenktų šalia esančio automobilio.

Tačiau ši paprasta informacija apie praeitį yra tik trumpalaikė. Jie neišsaugomi kaip dalis automobilio, iš kurio galima pasimokyti, bibliotekos, kaip žmonės vairuotojai kaupia patirtį už vairo.

Taigi, kaip mes galime sukurti PG sistemas, kurios sudarytų visas reprezentacijas, atsimintų jų patirtį ir išmoktų elgtis naujose situacijose? Brooksas buvo teisus tuo, kad tai padaryti yra labai sunku. Mano paties darvinų evoliucijos įkvėptų metodų tyrimas gali pradėti kompensuoti žmonių trūkumus, leisdamas mašinoms kurti savo reprezentacijas.

III AI tipas: proto teorija

Galbūt čia sustosime ir šį tašką pavadinime svarbia takoskyra tarp turimų mašinų ir mašinų, kurias statysime ateityje. Tačiau geriau konkrečiau aptarti reprezentacijų, kurias mašinos turi sudaryti, tipus ir tai, apie ką jos turi būti.

Kitoje, tobulesnėje klasėje mašinos ne tik vaizduoja pasaulį, bet ir kitus agentus ar subjektus pasaulyje. Psichologijoje tai vadinama „proto teorija“ - supratimas, kad žmonės, tvariniai ir objektai pasaulyje gali turėti minčių ir emocijų, turinčių įtakos jų pačių elgesiui.

Tai labai svarbu tam, kaip mes, žmonės, formavome visuomenes, nes jie leido mums bendrauti. Nesuprantant vienas kito motyvų ir ketinimų ir neatsižvelgiant į tai, ką kažkas žino arba apie mane, arba apie aplinką, dirbti kartu yra geriausiu atveju, blogiausiu atveju neįmanoma.

Jei PG sistemos iš tikrųjų kada nors vaikščios tarp mūsų, jos turės suprasti, kad kiekvienas iš mūsų turi minčių, jausmų ir lūkesčių, kaip su jumis bus elgiamasi. Ir jie turės atitinkamai pakoreguoti savo elgesį.

IV tipo AI: savimonė

Paskutinis PG kūrimo žingsnis yra sukurti sistemas, kurios galėtų sudaryti reprezentacijas apie save. Galų gale mes, AI tyrinėtojai, turėsime ne tik suprasti sąmonę, bet ir statyti mašinas, kurios ją turi.

Tam tikra prasme tai yra „proto teorijos“, kurią turi III tipo dirbtiniai intelektai, pratęsimas. Sąmonė dėl priežasties taip pat vadinama „savimonė“. („Noriu to daikto“ yra labai skirtingas teiginys nei „Aš žinau, kad noriu to daikto“.) Sąmoningos būtybės supranta save, žino apie savo vidines būsenas ir geba numatyti kitų jausmus. Manome, kad kažkas, einantis paskui mus eisme, yra piktas ar nekantrus, nes būtent taip mes jaučiamės gėdindamiesi kitų. Neturėdami proto teorijos, negalėtume padaryti tokių išvadų.

Nors tikriausiai dar toli gražu nesukuriame savęs suprantančių mašinų, turėtume sutelkti savo pastangas į atminties supratimą, mokymąsi ir galimybę sprendimus grįsti ankstesne patirtimi. Tai yra svarbus žingsnis norint suprasti žmogaus intelektą savarankiškai. Ir labai svarbu, jei norime suprojektuoti ar patobulinti mašinas, kurios yra daugiau nei išskirtinės, klasifikuodamos tai, ką mato priešais.

Arend Hintze, integruotosios biologijos ir informatikos bei inžinerijos profesorė, Mičigano valstijos universitetas

Šis straipsnis iš pradžių buvo išspausdintas „The Conversation“. Perskaitykite originalų straipsnį.


Vaizdo Papildas: .




Tyrimas


Kaip Plastikai Veikia
Kaip Plastikai Veikia

Kodėl Brėžiniai Yra Mėlyni?
Kodėl Brėžiniai Yra Mėlyni?

Mokslas Naujienos


Išmaniųjų Tinklelių Technologijos Supratimas
Išmaniųjų Tinklelių Technologijos Supratimas

Pagardinkite Savo Sveikos Mitybos Pastangas Trimis Galingomis Žolelėmis
Pagardinkite Savo Sveikos Mitybos Pastangas Trimis Galingomis Žolelėmis

Jav Geoinžinieriai Kreipiasi Į Oro Balioną Bandydami Atvėsinti Planetą
Jav Geoinžinieriai Kreipiasi Į Oro Balioną Bandydami Atvėsinti Planetą

Kai Jūsų Kūnas Turi Maitintis, Jūsų Smegenys Valgo Pirmiausia
Kai Jūsų Kūnas Turi Maitintis, Jūsų Smegenys Valgo Pirmiausia

Kodėl Dauguma Tamsiai Atrodančių Žaislų Yra Žali?
Kodėl Dauguma Tamsiai Atrodančių Žaislų Yra Žali?


LT.WordsSideKick.com
Visos Teisės Saugomos!
Dauginti Jokių Medžiagų Leidžiama Tik Prostanovkoy Aktyvią Nuorodą Į Svetainę LT.WordsSideKick.com

© 2005–2020 LT.WordsSideKick.com