Problēma ar AI mašīnām mācās lietas, bet tās nevar saprast

Ikviens runā par „AI” šajās dienās. Bet, vai jūs meklējat Siri, Alexa vai tikai viedtālruņa tastatūrā atrodošās automātiskās korekcijas funkcijas, mēs neradām vispārējas nozīmes mākslīgo intelektu. Mēs veidojam programmas, kas var veikt konkrētus, šaurus uzdevumus.

Datori nevar „domāt”

Ikreiz, kad uzņēmums saka, ka tas nāk klajā ar jaunu “AI” funkciju, tas parasti nozīmē, ka uzņēmums izmanto mašīnu mācīšanos, lai izveidotu neironu tīklu. “Mašīnapmācība” ir tehnika, kas ļauj mašīnai „iemācīties”, kā labāk izpildīt konkrētu uzdevumu.

Mēs neuzbrūkam mašīnas mācībām šeit! Mašīnmācība ir fantastiska tehnoloģija ar lielu jaudu. Bet tas nav vispārējs mākslīgais intelekts, un izpratne par mašīnas mācīšanās ierobežojumiem palīdz jums saprast, kāpēc mūsu pašreizējā AI tehnoloģija ir tik ierobežota.

Sci-fi sapņu „mākslīgais intelekts” ir datorizēta vai robota veida smadzenes, kas domā par lietām un saprot tās kā cilvēki. Šāds mākslīgais intelekts būtu mākslīgs vispārējs intelekts (AGI), kas nozīmē, ka tas var domāt par vairākām dažādām lietām un piemērot šo inteliģenci vairākiem dažādiem domēniem. Saistīta koncepcija ir „spēcīga AI”, kas būtu mašīna, kas spēj izjust cilvēka līdzīgu apziņu.

Mums vēl nav šāda veida AI. Mēs neesam tuvu tam. Datoru vienība, piemēram, Siri, Alexa vai Cortana, nesaprot un domā, kā mēs, cilvēki, darām. Tas patiešām „neko nesaprot”.

Mākslīgie inteliģenti, kas mums ir, ir labi apmācīti veikt konkrētu uzdevumu, pieņemot, ka cilvēki var sniegt datus, lai palīdzētu viņiem mācīties. Viņi mācās kaut ko darīt, bet tomēr to nesaprot.

Datori nesaprot

Gmail ir jauna funkcija „Viedā atbilde”, kas piedāvā atbildes uz e-pastiem. Funkcija Viedā atbilde identificēta kā “Sūtīta no mana iPhone” kā kopēja atbilde. Tā arī vēlējās ieteikt „Es tevi mīlu” kā atbildi uz daudziem dažādu veidu e-pastiem, tostarp darba e-pastiem.

Tas ir tāpēc, ka dators nesaprot, ko nozīmē šīs atbildes. Tas ir tikai uzzinājis, ka daudzi cilvēki sūta šīs frāzes e-pastos. Tas nezina, vai vēlaties teikt „es tevi mīlu” ar savu priekšnieku vai nē.

Kā vēl viens piemērs, Google fotoattēli vienā no mūsu mājām apkopoja nejaušus paklāju fotoattēlus. Pēc tam tā konstatēja, ka kolāža ir jaunākā Google Home Hub iezīme. Google fotoattēli zināja, ka fotogrāfijas bija līdzīgas, bet nesaprata, cik svarīgas tās bija.

Mašīnas Bieži iemācās spēlēt sistēmu

Mašīnas apguve ir saistīta ar uzdevuma piešķiršanu un datora izlemšanu par visefektīvāko veidu, kā to izdarīt. Tāpēc, ka viņi nesaprot, ir viegli nokļūt ar datoru “mācīties”, kā atrisināt citu problēmu no tā, ko vēlaties.

Šeit ir saraksts ar jautriem piemēriem, kuros “mākslīgie intelekti”, kas izveidoti, lai spēlētu spēles un piešķirtu mērķus, iemācījās spēlēt sistēmu. Visi šie piemēri nāk no šīs lieliskās izklājlapas:

• “Radības, kas audzētas ātrumam, patiešām aug un rada lielu ātrumu, nokrītot.”
• „Aģents nogalina sevi 1. līmeņa beigās, lai izvairītos no zaudēšanas 2. līmenī.”
• „Aģents aptur spēli bezgalīgi, lai izvairītos no zaudēšanas.”
• „Mākslīgā dzīves simulācijā, kur izdzīvošanai nepieciešamā enerģija, bet dzemdībām nebija enerģijas izmaksu, viena suga veidoja mazkustīgu dzīvesveidu, kas galvenokārt veidojās pārošanās nolūkā, lai ražotu jaunus bērnus, kurus varētu ēst (vai izmantot kā palīgu, lai ražotu vairāk ēdamu bērnu). . ”
• “Tā kā AI, iespējams, nonāca„ nogalināti ”, ja viņi zaudēja spēli, spēja crash spēli bija priekšrocība ģenētiskās atlases procesā. Tāpēc vairāki AI izstrādāja veidus, kā crash spēli. "
• “Neirālie tīkli, kas attīstīti, lai klasificētu ēdamas un indīgas sēnes, izmantoja datus, kas tika rādīti pārmaiņus, un faktiski neapzināja ievades attēlu iezīmes.”

Daži no šiem risinājumiem var likties gudri, bet neviens no šiem neironu tīkliem nesaprata, ko viņi dara. Viņiem tika piešķirts mērķis un iemācījies to paveikt. Ja mērķis ir izvairīties no zaudēšanas datora spēlē, nospiežot pauzes pogu, ir vieglākais un ātrākais risinājums, ko viņi var atrast.

Mašīnmācību un neironu tīkli

Izmantojot mašīnu mācības, dators nav ieprogrammēts veikt konkrētu uzdevumu. Tā vietā tas tiek padots datiem un novērtēts tā izpildei.

Mašīnmācības elementārs piemērs ir attēlu atpazīšana. Pieņemsim, ka mēs vēlamies apmācīt datorprogrammu, lai identificētu fotogrāfijas, kurās ir suns. Mēs varam dot datoriem miljoniem attēlu, no kuriem daži ir suņiem un dažiem nav. Attēli ir marķēti, vai viņiem ir suns vai nē. Datorprogramma „trenē”, lai atpazītu, kādus suņus izskatās, pamatojoties uz šo datu kopu.

Mašīnu mācīšanās process tiek izmantots, lai apmācītu neironu tīklu, kas ir datorprogramma ar vairākiem slāņiem, ko katrs datu ievade iet cauri, un katrs slānis piešķir tiem dažādus svarus un varbūtības pirms galīgās noteikšanas. Tas ir veidots, balstoties uz to, kā mēs domājam, ka smadzenes var darboties, ar dažādiem neironu slāņiem, kas iesaistīti domāšanas procesā. “Dziļa mācīšanās” parasti attiecas uz neironu tīkliem ar daudziem slāņiem starp ieeju un izeju.

Tā kā mēs zinām, kuras fotogrāfijas datu kopā satur suņus un kuras nav, mēs varam darbināt fotoattēlus caur neironu tīklu un redzēt, vai tie rada pareizo atbildi. Ja tīkls nolemj, ka konkrētam fotoattēlam nav suņa, ja tas notiek, piemēram, ir mehānisms, kas norāda tīkla nepareizību, pielāgojot dažas lietas un mēģinot vēlreiz. Dators uzlabojas, nosakot, vai fotoattēlos ir suns.

Tas viss notiek automātiski. Ar pareizo programmatūru un daudziem strukturētiem datiem, lai dators varētu apmācīt sevi, dators var noregulēt savu neironu tīklu, lai identificētu fotogrāfijas suņiem. Mēs to saucam par „AI”.

Taču dienas beigās jums nav inteliģentas datorprogrammas, kas saprot, kas ir suns. Jums ir dators, kas ir iemācījies izlemt, vai suns ir fotoattēlā. Tas joprojām ir diezgan iespaidīgs, bet tas viss ir iespējams.

Un, atkarībā no ievadītajiem datiem, neironu tīkls var nebūt tik gudrs, kā tas izskatās. Piemēram, ja jūsu datu kopā nav neviena kaķu fotoattēla, neironu tīkls, iespējams, neredz atšķirību starp kaķiem un suņiem un var atzīmēt visus kaķus kā suņus, kad atlaist to cilvēku īstajos fotoattēlos.

Ko izmanto mašīnmācībai?

Mašīnmācība tiek izmantota visu veidu uzdevumiem, tostarp runas atpazīšanai. Balss palīgi, piemēram, Google, Alexa un Siri, ir tik labi, lai saprastu cilvēka balsis, pateicoties mašīnu mācīšanās paņēmieniem, kas viņiem ir palīdzējuši saprast cilvēka runu. Viņi ir apmācījuši lielu daudzumu cilvēka runas paraugu un kļuvuši labāki un labāk saprotami, kuras skaņas atbilst vārdiem.

Pašceļojošās automašīnas izmanto mašīnu mācību metodes, kas apmāca datoru, lai identificētu ceļa objektus un kā pareizi reaģēt uz tiem. Google fotoattēli ir pilni ar tādām funkcijām kā Live Albums, kas automātiski identificē cilvēkus un dzīvniekus fotoattēlos, izmantojot mašīnas apguvi.

Alfabēta DeepMind izmantoja mašīnu, lai mācītos izveidot AlphaGo, datorprogrammu, kas varētu spēlēt sarežģīto galda spēli Go un pārspēt labākos cilvēkus pasaulē. Mašīnmācība ir izmantota arī, lai izveidotu datorus, kas ir labi, lai spēlētu citas spēles, sākot no šaha līdz DOTA 2.

Mašīnmācība tiek izmantota arī sejas ID jaunākajās iPhone ierīcēs. Jūsu iPhone konstruē neironu tīklu, kas iemācās identificēt jūsu seju, un Apple ietver speciālu „neironu dzinēja” mikroshēmu, kas veic visus šo numuru un citu mašīnu mācību uzdevumu numurus..

Apmācība mašīnā var tikt izmantota daudzām citām dažādām lietām, sākot no krāpšanas ar kredītkartēm noteikšanas līdz personalizētiem produktu ieteikumiem iepirkšanās vietnēs.

Bet neironu tīkli, kas izveidoti ar mašīnu mācībām, neko nesaprot. Viņi ir izdevīgas programmas, kas spēj izpildīt šauros uzdevumus, kurus viņi ir apmācījuši, un tas ir viss.

Attēlu kredīts: Phonlamai Photo / Shutterstock.com, Tatjana Shepeleva / Shutterstock.com, dažādi fotogrāfijas / Shutterstock.com.