Проблем са АИ машинама уче ствари, али их не могу разумети

Сви говоре о "АИ" ових дана. Али, без обзира да ли гледате Сири, Алека, или само аутокоректне функције које се налазе на тастатури паметног телефона, не стварамо вештачку интелигенцију опште намене. Креирамо програме који могу обављати специфичне, уске задатке.

Рачунари не могу да „мисле“

Кад год компанија каже да долази са новом “АИ” функцијом, то обично значи да компанија користи машинско учење за изградњу неуронске мреже. “Машинско учење” је техника која омогућава машини да “научи” како да боље обавља одређени задатак.

Овде не нападамо машинско учење! Машинско учење је фантастична технологија са много моћних употреба. Али то није вештачка интелигенција опште намене, а разумевање ограничења машинског учења вам помаже да схватите зашто је наша тренутна АИ технологија толико ограничена.

„Вјештачка интелигенција“ сци-фи снова је компјутеризирана или роботска врста мозга која размишља о стварима и разумије их као људе. Таква вештачка интелигенција би била вештачка општа интелигенција (АГИ), што значи да може размишљати о више различитих ствари и применити ту интелигенцију на више различитих домена. Сродан концепт је “јака АИ”, која би била машина способна да доживљава људску свест.

Још немамо такву врсту АИ. Нисмо ни близу тога. Компјутерски ентитет као што је Сири, Алека или Цортана не разумеју и не мисле као ми. То уопште не 'разумије' ствари.

Вештачка интелигенција коју имамо је обучена да веома добро обавља одређени задатак, под претпоставком да људи могу дати податке који ће им помоћи да науче. Они уче да раде нешто, али још увек не разумеју.

Рачунари не разумију

Гмаил има нову функцију "Паметни одговор" која сугерише одговоре на е-поруке. Функција паметног одговора идентификовала је "Послато из мог иПхоне-а" као заједнички одговор. Такође је желела да предложи "Волим те" као одговор на многе различите врсте е-порука, укључујући радну е-пошту.

То је зато што рачунар не разуме шта ови одговори значе. Управо смо сазнали да многи људи шаљу те фразе у е-маилове. Не зна да ли желите да кажете "волим вас" шефу или не.

Као још један пример, Гоогле Пхотос је саставио колаж случајних фотографија тепиха у једном од наших домова. Затим је тај колаж идентификовао као недавно истакнуто место на Гоогле Хоме Хуб-у. Гоогле фотографије су знале да су фотографије сличне, али нису разумеле колико су оне неважне.

Машине често науче да играју систем

Машинско учење је све о додељивању задатка и пуштању рачунара да одлучи најефикаснији начин да то уради. Зато што не разумеју, лако је завршити са компјутером “учећи” како решити другачији проблем од онога што сте желели.

Ево листе забавних примера где су “вештачке интелигенције” креиране да играју игре и додељене циљеве научиле да играју систем. Ови примери потичу из ове одличне табеле:

"Створења која се узгајају за брзину расту веома висока и стварају велике брзине падањем."
"Агент се убија на крају нивоа 1 да би избегао губитак на нивоу 2."
"Агент привремено зауставља игру како би избегао губитак."
"У симулацији вештачког живота где је преживљавање захтевало енергију, али пород није имао енергије, једна врста је развила седентарни начин живота који се углавном састојао од парења како би се произвела нова деца која се могу јести (или користити као партнери за производњу више јестиве деце). . ”
“Пошто је АИ вероватније да ће бити 'убијени' ако су изгубили утакмицу, могућност пада у игру је била предност за процес генетске селекције. Због тога је неколико АИ-а развило начине за рушење игре.
"Неуралне мреже које су еволуирале да би класификовале јестиве и отровне печурке искористиле су податке представљене у наизменичном редоследу и заправо нису научили никакве карактеристике улазних слика."

Нека од ових решења могу звучати паметно, али ниједна од ових неуронских мрежа није разумела шта раде. Добили су циљ и научили начин да то остваре. Ако је циљ да се избегне губитак у компјутерској игри, притискање дугмета за паузу је најлакше и најбрже решење које могу да пронађу..

Машинско учење и неуронске мреже

Уз машинско учење, рачунар није програмиран да обавља одређени задатак. Уместо тога, он је хранио податке и оцењивао се на његов учинак на задатку.

Основни пример машинског учења је препознавање слика. Рецимо да желимо тренирати компјутерски програм да идентификујемо фотографије које имају пса у њима. Можемо компјутеру дати милионе слика, од којих неке имају псе у њима, а неке не. Слике су означене да ли имају пса у њима или не. Компјутерски програм се „тренира“ да препозна на који пси изгледају на основу тог скупа података.

Процес стројног учења се користи за обуку неуронске мреже, која је компјутерски програм са више слојева кроз који пролази сваки унос података, и сваки слој им додјељује различите тежине и вјероватноће прије коначног одређивања. Моделиран је на начин на који мислимо да мозак може да функционише, са различитим слојевима неурона који су укључени у размишљање кроз задатак. "Дубоко учење" се генерално односи на неуронске мреже са много слојева који се слажу између улаза и излаза.

Будући да знамо које фотографије у скупу података садрже псе, а које не, можемо покренути фотографије кроз неуронску мрежу и видјети да ли оне резултирају исправним одговором. Ако мрежа одлучи да одређена фотографија нема пса, на примјер, постоји механизам који говори мрежи да је погрешио, да је неке ствари прилагодио и покушао поново. Рачунар постаје све бољи у идентификацији да ли фотографије садрже пса.

Све се то догађа аутоматски. Са правим софтвером и много структурираних података за рачунар, рачунар може да подеси своју неуронску мрежу да би идентификовао псе на фотографијама. Ми то зовемо "АИ."

Али, на крају дана, немате интелигентни компјутерски програм који разумије шта је пас. Имате рачунар који је научио да одлучује да ли је пас на фотографији или не. То је и даље прилично импресивно, али то је све што може.

И, у зависности од уноса који сте му дали, та неуронска мрежа можда није тако паметна као што изгледа. На пример, ако у вашем сету података није било фотографија мачака, неуронска мрежа можда неће видети разлику између мачака и паса и можда ће означити све мачке као псе када их ослободите на стварним фотографијама људи.

За шта се користи машинско учење?

Машинско учење се користи за све врсте задатака, укључујући и препознавање говора. Гласовни асистенти као што су Гоогле, Алека и Сири су тако добри у разумијевању људских гласова због техника стројног учења које су их научиле да разумију људски говор. Обучени су на великом броју узорака људских говора и постају бољи и бољи у разумевању који звукови одговарају речима.

Аутомобили који сами возе користе технике машинског учења које обучавају рачунар да идентификује објекте на путу и како да на њих исправно одговори. Гоогле фотографије су препуне функција као што су Ливе Албуми који аутоматски препознају људе и животиње на фотографијама помоћу стројног учења.

ДеепМинд из абецеде је користио машинско учење да би створио АлпхаГо, компјутерски програм који би могао да игра сложену игру на плочи. Иди и победи најбоље људе на свету. Машинско учење је такође коришћено за стварање рачунара који су добри у игрању других игара, од шаха до ДОТА 2.

Машинско учење се чак користи за Фаце ИД на најновијим иПхоне уређајима. Ваш иПхоне конструише неуронску мрежу која учи да идентифицира ваше лице, а Аппле укључује и чип посвећен "неуронском мотору" који извршава све црунцхинг бројеве за ове и друге задатке машинског учења..

Машинско учење се може користити за многе друге ствари, од идентификације преваре са кредитним картицама до персонализованих препорука производа на веб сајтовима за куповину.

Али, неуронске мреже створене машинским учењем не разумију ништа. Они су корисни програми који могу да остваре уске задатке за које су били обучени, и то је то.

Имаге Цредит: Пхонламаи Пхото / Схуттерстоцк.цом, Татиана Схепелева / Схуттерстоцк.цом, Сундри Пхотограпхи / Схуттерстоцк.цом.