Problemet med AI-maskiner er å lære ting, men kan ikke forstå dem
Alle snakker om "AI" i disse dager. Men om du ser på Siri, Alexa, eller bare de autokorrektive funksjonene som finnes i tastaturet på smarttelefonen, oppretter vi ikke generell intelligens. Vi lager programmer som kan utføre bestemte, smale oppgaver.
Datamaskiner kan ikke "tenke"
Når et selskap sier at det kommer ut med en ny "AI" -funksjon, betyr det generelt at selskapet bruker maskinlæring til å bygge et neuralt nettverk. "Maskinlæring" er en teknikk som lar en maskin "lære" hvordan man bedre kan utføre en bestemt oppgave.
Vi angriper ikke maskinlæring her! Maskininnlæring er en fantastisk teknologi med mange kraftige bruksområder. Men det er ikke generell intelligens, og forståelse av begrensningene i maskinlæring hjelper deg å forstå hvorfor vår nåværende AI-teknologi er så begrenset.
Den "kunstige intelligensen" av sci-fi drømmer er en datastyrt eller robotic slags hjerne som tenker på ting og forstår dem som mennesker gjør. Slike kunstig intelligens ville være en kunstig generell intelligens (AGI), som betyr at den kan tenke på flere forskjellige ting og anvende den intelligensen til flere forskjellige domener. Et relatert konsept er "sterk AI", som ville være en maskin som er i stand til å oppleve menneskelig bevissthet.
Vi har ikke den typen AI ennå. Vi er ikke noe nær det. En datamaskin enhet som Siri, Alexa, eller Cortana forstår ikke og tenker som vi mennesker gjør. Det forstår ikke "ting" i det hele tatt.
De kunstige intelligensene vi har er opplært til å gjøre en bestemt oppgave veldig bra, forutsatt at mennesker kan gi dataene for å hjelpe dem å lære. De lærer å gjøre noe, men forstår det fortsatt ikke.
Datamaskiner forstår ikke
Gmail har en ny "smart svar" -funksjon som foreslår svar på e-post. Smart svar-funksjonen identifisert "Sendt fra min iPhone" som et vanlig svar. Det ønsket også å foreslå "Jeg elsker deg" som et svar på mange forskjellige typer e-postmeldinger, inkludert arbeidsemail.
Det er fordi datamaskinen ikke forstår hva disse svarene betyr. Det er bare lært at mange sender disse setningene i e-post. Det vet ikke om du vil si "Jeg elsker deg" til sjefen din eller ikke.
Som et annet eksempel, legger Google Photos sammen en collage med utilsiktede bilder av teppet i et av våre hjem. Det identifiserte deretter den collagen som et nylig høydepunkt på et Google Home Hub. Google Foto visste at bildene var like, men forsto ikke hvor uviktig de var.
Maskiner Lær å leke systemet
Maskinlæring handler om å tilordne en oppgave og la en datamaskin bestemme den mest effektive måten å gjøre det på. Fordi de ikke forstår, er det lett å ende opp med en datamaskin som lærer å løse et annet problem enn det du ville ha.
Her er en liste over morsomme eksempler der "kunstige intelligenser" opprettet for å spille spill og tilordnede mål bare lært å spille systemet. Disse eksemplene kommer alle fra dette glimrende regnearket:
- "Vesener oppdrettet for hastighet vokser veldig høyt og genererer høye hastigheter ved å falle over."
- "Agent dreper seg selv på slutten av nivå 1 for å unngå å miste på nivå 2."
- "Agent pause spillet ubestemt for å unngå å miste."
- "I en kunstig livsimulering hvor overlevelse krever energi, men fødsel hadde ingen energikostnad, utviklet en art en stillesittende livsstil som besto hovedsakelig av parring for å produsere nye barn som kunne spises (eller brukes som kompis til å produsere flere spiselige barn) .”
- "Siden AIene var mer sannsynlig å bli" drept "hvis de mistet et spill, kunne det være å krasje spillet en fordel for den genetiske utvalgsprosessen. Derfor utviklet flere AIer måter å krasje spillet på. "
- "Neuralnett utviklet for å klassifisere spiselige og giftige sopp utnyttet dataene som ble presentert i vekslende rekkefølge og faktisk ikke lærte noen egenskaper av inngangsbildene."
Noen av disse løsningene kan høres smart, men ingen av disse nevrale nettverkene forstod hva de gjorde. De ble tildelt et mål og lært en måte å oppnå det på. Hvis målet er å unngå å miste i et dataspill, kan du trykke pauseknappen den enkleste og raskeste løsningen de finner.
Maskinlæring og nevrale nettverk
Ved maskinlæring er en datamaskin ikke programmert til å utføre en bestemt oppgave. I stedet er det matet data og evaluert på ytelsen ved oppgaven.
Et elementært eksempel på maskinlæring er bildegjenkjenning. La oss si at vi ønsker å trene et dataprogram for å identifisere bilder som har en hund i dem. Vi kan gi en datamaskin millioner av bilder, hvorav noen har hunder i dem, og noen gjør det ikke. Bildene er merket om de har en hund i dem eller ikke. Dataprogrammet "trener" seg selv for å gjenkjenne hvilke hunder som ser ut basert på datasettet.
Maskinopplæringsprosessen brukes til å trene et neuralt nettverk, som er et dataprogram med flere lag som hver datainngang passerer gjennom, og hvert lag tilordner forskjellige vekter og sannsynligheter til dem før de endelig bestemmer seg. Det er modellert på hvordan vi tror at hjernen kan fungere, med forskjellige lag av nevroner som er involvert i å tenke gjennom en oppgave. "Deep learning" refererer generelt til nevrale nettverk med mange lag stablet mellom inngang og utgang.
Fordi vi vet hvilke bilder i datasettet inneholder hunder, og hvilke som ikke gjør det, kan vi kjøre bildene gjennom nevrale nettverket og se om de resulterer i det riktige svaret. Hvis nettverket bestemmer at et bestemt bilde ikke har en hund når den gjør det, er det for eksempel en mekanisme for å fortelle nettverket at det var feil, justere noen ting og prøve igjen. Datamaskinen blir bedre til å identifisere om bilder inneholder en hund.
Alt dette skjer automatisk. Med den riktige programvaren og mye strukturert data for datamaskinen å trene seg på, kan datamaskinen stille sitt nevrale nettverk for å identifisere hunder i bilder. Vi kaller dette "AI."
Men på slutten av dagen har du ikke et intelligent dataprogram som forstår hva en hund er. Du har en datamaskin som har lært å avgjøre hvorvidt en hund er i et bilde. Det er fortsatt ganske imponerende, men det er alt det kan gjøre.
Og, avhengig av inngangen du ga det, kan det nevrale nettverket ikke være så smart som det ser ut. For eksempel, hvis det ikke var noen bilder av katter i datasettet, kan det neurale nettverket kanskje ikke se forskjell mellom katter og hunder, og kan merke alle katter som hunder når du slipper det ut på folks virkelige bilder.
Hva er maskinlæring brukt til?
Maskininnlæring brukes til alle typer oppgaver, inkludert talegjenkjenning. Tale assistenter som Google, Alexa og Siri er så gode til å forstå menneskelige stemmer på grunn av maskinlæringsteknikker som har trent dem til å forstå menneskelig tale. De har trent på en massiv mengde menneskelige taleprøver og blir bedre og bedre til å forstå hvilke lyder som samsvarer med hvilke ord.
Selvkjørende biler bruker maskininnlæringsteknikker som trener datamaskinen for å identifisere objekter på veien og hvordan de skal reagere på dem riktig. Google Foto er full av funksjoner som Live Albums som automatisk identifiserer mennesker og dyr i bilder ved hjelp av maskinlæring.
Alfabetets DeepMind brukte maskin lærer å lage AlphaGo, et dataprogram som kan spille det komplekse brettspillet Gå og slå de beste menneskene i verden. Maskininnlæring har også blitt brukt til å lage datamaskiner som er gode til å spille andre spill, fra sjakk til DOTA 2.
Maskininnlæring brukes til Face ID på de nyeste iPhones. Din iPhone konstruerer et neuralt nettverk som lærer å identifisere ansiktet ditt, og Apple inneholder en dedikert "neural motor" -brikke som utfører alt nummer-knusende for dette og andre maskinopplæringsoppgaver..
Maskininnlæring kan brukes til mange andre forskjellige ting, fra å identifisere kredittkortsvindel til personlige produktanbefalinger på shoppingwebsteder.
Men de nevrale nettverkene som er opprettet med maskinlæring forstår ikke noe. De er fordelaktige programmer som kan utføre de smale oppgavene de ble trent til, og det er det.
Bilde Kreditt: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Diverse Fotografering / Shutterstock.com.
