Problema, susijusi su AI mašinomis, yra mokymosi dalykų, tačiau jų negalima suprasti

Šiais laikais kiekvienas kalba apie „AI“. Tačiau, ar žiūrite į Siri, Alexa, ar tik ištaisytas išmaniojo telefono klaviatūros funkcijas, mes nesukuriame bendrosios paskirties dirbtinio intelekto. Kuriame programas, kurios gali atlikti konkrečias, siauras užduotis.

Kompiuteriai negali „galvoti“

Kai kompanija sako, kad ji ateina su nauja „AI“ funkcija, tai paprastai reiškia, kad įmonė naudoja mašiną mokydama kurti neuroninį tinklą. „Mašininis mokymasis“ - tai technika, leidžianti mašinai „išmokti“, kaip geriau atlikti tam tikrą užduotį.

Čia mes neužpuoliame mašinos mokymosi! Mašinų mokymasis yra fantastiška technologija, turinti daug galingų naudojimo būdų. Tačiau tai nėra bendrosios paskirties dirbtinis intelektas, o kompiuterinio mokymosi apribojimų supratimas padeda suprasti, kodėl mūsų dabartinė AI technologija yra tokia ribota.

„Sci-fi“ svajonių „dirbtinis intelektas“ yra kompiuterizuota ar robotinė smegenis, kuri galvoja apie dalykus ir supranta juos kaip žmonės. Toks dirbtinis intelektas būtų dirbtinis bendrasis intelektas (AGI), o tai reiškia, kad jis gali galvoti apie keletą skirtingų dalykų ir taikyti tą intelektą keliems skirtingiems domenams. Susijusi koncepcija yra „stipri AI“, kuri būtų mašina, galinti pajusti žmogaus panašią sąmonę.

Neturime tokio AI tipo. Neturime nieko arti. Kompiuterinis vienetas, kaip Siri, Alexa ar Cortana, nesupranta ir nemanau, kaip mes, žmonės. Jis iš tikrųjų „nieko nesupranta“.

Dirbtiniai intelektai, kuriuos mes turime, yra gerai išmokyti atlikti tam tikrą užduotį, darant prielaidą, kad žmonės gali pateikti duomenis, kad jie galėtų išmokti. Jie mokosi kažką daryti, bet vis dar nesupranta.

Kompiuteriai nesupranta

„Gmail“ turi naują „protingo atsakymo“ funkciją, kuri siūlo atsakymus į el. Laiškus. Pažangaus atsakymo funkcija, kaip bendrąjį atsakymą, atpažįsta „Išsiųsta iš mano iPhone“. Jis taip pat norėjo pasiūlyti „Aš tave myliu“ kaip atsaką į daugelį skirtingų tipų el. Laiškų, įskaitant darbo laiškus.

Taip yra todėl, kad kompiuteris nesupranta, ką reiškia šie atsakymai. Tai tik sužinojo, kad daugelis žmonių siunčia šias frazes el. Jis nežino, ar norite pasakyti „aš tave myliu“ savo viršininkui, ar ne.

Kitas pavyzdys - „Google“ nuotraukos sujungė atsitiktinių kilimų nuotraukų koliažą viename iš mūsų namų. Tada jis nustatė, kad koliažas yra naujausias „Google“ pagrindinio stebėjimo taško akcentas. „Google“ nuotraukos žinojo, kad nuotraukos buvo panašios, tačiau nesuprato, kaip jos buvo nereikšmingos.

Mašinos Dažnai išmoksta žaisti sistemą

Mašinų mokymasis yra susijęs su užduoties priskyrimu ir leidimu kompiuteriui nuspręsti, koks yra efektyviausias būdas tai padaryti. Nes jie nesupranta, tai lengva baigti kompiuterį „mokytis“, kaip išspręsti kitokią problemą nuo to, ko norėjote.

Čia pateikiamas įdomių pavyzdžių sąrašas, kai „dirbtiniai intelektai“, sukurti žaidimams ir priskirtiems tikslams, tiesiog išmoko žaisti sistemą. Šie pavyzdžiai yra iš šios puikios skaičiuoklės:

• „Gyvūnai, užauginti greičiui, išauga labai aukšti ir sukelia didelius greičius.“
• „Agentas žudo save 1-ojo lygio pabaigoje, kad būtų išvengta 2-ojo lygio praradimo“.
• „Agentas pristabdo žaidimą neribotą laiką, kad išvengtų praradimo“.
• „Dirbant dirbtiniu gyvenimo modeliavimu, kai išgyvenimui reikalinga energija, bet gimdymas neturėjo energijos, viena rūšis išsivystė sėdintį gyvenimo būdą, kurį sudarė daugiausia poravimosi, siekiant gaminti naujus vaikus, kurie galėtų būti valgomi (arba naudojami kaip draugai, gaminantys daugiau valgomų vaikų) . “
• „Kadangi AI buvo labiau„ nužudyti “, jei jie prarado žaidimą, gebėjimas sudužti žaidimą buvo pranašumas genetiniam atrankos procesui. Todėl keli AI sukūrė būdus, kaip žlugti žaidimą. “
• „Neuriniai tinklai, kurie buvo sukaupti valgomiesiems ir nuodingiems grybams klasifikuoti, pasinaudojo duomenimis, pateiktais kintančia tvarka, ir iš tiesų nežinojo jokių įvesties vaizdų savybių.“

Kai kurie iš šių sprendimų gali atrodyti protingi, tačiau nė vienas iš šių neuronų tinklų nesuprato, ką jie daro. Jiems buvo paskirtas tikslas ir išmoktas būdas jį pasiekti. Jei siekiama išvengti kompiuterinio žaidimo praradimo, paspaudus pauzės mygtuką, lengviausias, greičiausias sprendimas, kurį jie gali rasti.

Mašinų mokymasis ir neuronų tinklai

Su kompiuteriu mokantis kompiuteris nėra užprogramuotas atlikti konkrečią užduotį. Vietoj to, jis yra maitinamas duomenimis ir įvertintas jo veikimas užduotyje.

Pagrindinis mašinų mokymosi pavyzdys yra vaizdo atpažinimas. Tarkime, mes norime mokyti kompiuterinę programą, kad nustatytume nuotraukas, kuriose yra šuo. Mes galime suteikti kompiuteriui milijonus vaizdų, iš kurių kai kurie turi šunų, o kai kurie jų neturi. Vaizdai pažymėti, ar jame yra šuo, ar ne. Kompiuterių programa pati „traukia“, kad atpažintų, kokie šunys atrodo pagal tą duomenų rinkinį.

Įrenginio mokymosi procesas naudojamas mokyti neuroninį tinklą, kuris yra kompiuterinė programa su keliais sluoksniais, kurių kiekvienas duomenų įvedimas vyksta, ir kiekvienas sluoksnis priskiria jiems skirtingus svorius ir tikimybes prieš galutinai nustatydamas. Tai yra modeliuojama pagal tai, kaip mes manome, kad smegenys gali veikti, o skirtingi neuronų sluoksniai dalyvauja mąstyme per užduotį. „Gilus mokymasis“ paprastai reiškia neuroninius tinklus, kuriuose yra daug sluoksnių, kurie yra sukrauti tarp įvesties ir išvesties.

Kadangi žinome, kurios nuotraukos duomenų rinkinyje yra šunų ir kurios ne, galime paleisti nuotraukas per neuroninį tinklą ir pamatyti, ar jie sukelia teisingą atsakymą. Jei tinklas nusprendžia, kad tam tikra nuotrauka neturi šuns, kai jis tai daro, pvz., Yra mechanizmas, kaip pranešti tinklui, kad jis buvo neteisingas, koreguoti kai kuriuos dalykus ir bandyti dar kartą. Kompiuteris vis geriau išsiaiškina, ar nuotraukose yra šuo.

Visa tai vyksta automatiškai. Su tinkama programine įranga ir daugybe struktūrizuotų duomenų, kad kompiuteris galėtų mokytis, kompiuteris gali sureguliuoti savo neuroninį tinklą, kad atpažintų šunis. Tai vadiname „AI“.

Tačiau dienos pabaigoje neturite protingos kompiuterių programos, kuri supranta, kas yra šuo. Turite kompiuterį, kurį išmokote nuspręsti, ar šuo yra nuotraukoje. Tai vis dar gana įspūdinga, bet viskas, ką gali padaryti.

Ir, priklausomai nuo įvestos informacijos, šis nervų tinklas gali būti ne toks protingas, kaip atrodo. Pvz., Jei jūsų duomenų rinkinyje nebuvo jokios katės nuotraukos, nervų tinklas gali nematyti skirtumo tarp kačių ir šunų, o visos katės gali būti žymimos kaip šunys, kai atlaisvinsite ją tikruose žmonių nuotraukose.

Kas yra mašinų mokymasis?

Mašinų mokymasis naudojamas visų rūšių užduotims, įskaitant kalbos atpažinimą. Balso asistentai, tokie kaip „Google“, „Alexa“ ir „Siri“, taip gerai supranta žmogaus balsus dėl mašinų mokymosi metodų, kurie išmokė juos suprasti žmogaus kalbą. Jie mokė didžiulį kiekį žmogaus kalbų pavyzdžių ir tapo geresni ir geriau suprasti, kurie garsai atitinka žodžius.

Savarankiškai vairuojantys automobiliai naudoja mašinų mokymosi metodus, kurie moko kompiuterį identifikuoti keliuose esančius objektus ir kaip juos teisingai reaguoti. „Google“ nuotraukose yra daug funkcijų, pvz., „Live Albums“, kurie automatiškai atpažįsta žmones ir gyvūnus nuotraukose, naudojant kompiuterinį mokymąsi.

„Alphabet“ „DeepMind“ naudojo mašiną, mokančią kurti „AlphaGo“ - kompiuterinę programą, kuri galėjo žaisti sudėtingą stalo žaidimą „Go and beat“ geriausiais žmonėmis pasaulyje. Įrenginio mokymasis taip pat buvo naudojamas kurti kompiuterius, kurie yra geri žaidžiant kitus žaidimus, nuo šachmatų iki DOTA 2.

Įrenginio mokymasis netgi naudojamas „Face ID“ naudojimui naujausiuose „iPhone“. Jūsų „iPhone“ sukuria neuroninį tinklą, kuris išmoksta atpažinti savo veidą, o „Apple“ turi specialią „neuroninio variklio“ lustą, kuris atlieka visus šiai ir kitoms mašinos mokymosi užduotims reikalingus numerius..

Mašinų mokymasis gali būti naudojamas daugeliui kitų skirtingų dalykų - nuo kredito kortelės sukčiavimo nustatymo iki individualizuotų produktų rekomendacijų prekybos svetainėse.

Bet neuronų tinklai, sukurti naudojant kompiuterinį mokymąsi, tikrai nieko nesupranta. Jie yra naudingos programos, kurios gali atlikti siauras užduotis, kurias jie buvo apmokę, ir tai yra.

Vaizdo kreditas: Phonlamai Photo / Shutterstock.com, Tatjana Shepeleva / Shutterstock.com, įvairios fotografijos / Shutterstock.com.