Защо невро-символичният изкуствен интелект е ИИ на бъдещето

Представете поднос. Върху подноса има набор от форми: някои кубчета, други сфери. Формите са изработени от различни материали и представляват асортимент от размери. Общо има може би осем обекта. Моят въпрос: „Гледайки предметите, има ли равен брой големи неща и метални сфери?“

Това не е трик въпрос. Фактът, че звучи така, сякаш е, е положително доказателство колко просто е всъщност. Това е вид въпрос, на който едно дете в предучилищна възраст най-вероятно би могло да отговори с лекота. Но това е почти невъзможно за днешните най-съвременни невронни мрежи. Това трябва да се промени. И това трябва да се случи чрез преоткриване на изкуствения интелект, какъвто го познаваме.

Това не е моето мнение; това е мнението на Дейвид Кокс, директор на MIT-IBM Watson A.I. Лаборатория в Кеймбридж, Масачузетс. В предишен живот Кокс е бил професор в Харвардския университет, където екипът му е използвал прозрения от неврологията, за да помогне за изграждането на по-добри компютърни системи за машинно обучение, вдъхновени от мозъка. В настоящата си роля в IBM той ръководи уникално партньорство между MIT и IBM, което напредва в ИИ. изследвания, включително Watson A.I. платформа. Уотсън, за тези, които не знаят, беше ИИ. който победи двама от най-добрите играчи на игрални шоута

в историята на телевизионно шоу опасност. Watson също се оказва основно система за машинно обучение, обучена с помощта на масиви от данни, за разлика от правила, извлечени от човека.

Така че, когато Кокс казва, че светът трябва да преосмисли A.I. тъй като навлиза в ново десетилетие, звучи някак странно. В края на краищата, 2010-те са може би най-успешните десет години в A.I. история: Период, в който пробивите се случват привидно всяка седмица и без мразовит намек за ИИ зимата в очите. Точно затова смята, че А.И. трябва обаче да се промени. И неговото предложение за тази промяна, понастоящем неясен термин, наречен „невро-символичен ИИ“, може да се превърне в една от онези фрази, с които сме отблизо запознати, до края на 2020-те години.

Възходът и падението на символичния ИИ

Невро-символичен A.I. не е, строго погледнато, напълно нов начин за правене на ИИ. Това е комбинация от два съществуващи подхода за изграждане на мислещи машини; такива, които някога са били изправени срещу всеки като смъртни врагове.

„Символичната“ част от името се отнася до първия масов подход за създаване на изкуствен интелект. От 1950-те до 1980-те, символичният ИИ. управлявал върховно. Към символичен ИИ. изследовател, интелигентността се основава на способността на хората да разбират света около тях чрез формиране на вътрешни символични представи. След това те създават правила за работа с тези концепции и тези правила могат да бъдат формализирани по начин, който улавя ежедневните знания.

Ако мозъкът е аналогичен на компютъра, това означава, че всяка ситуация, в която се сблъскваме, разчита на това да управляваме вътрешна компютърна програма, която обяснява стъпка по стъпка как да се извърши операция, базирана изцяло на логика. При условие, че това е така, символичният A.I. изследователите смятат, че същите тези правила за организацията на света може да бъде открита и след това кодифицирана под формата на алгоритъм за компютър да извършва.

Символичен ИИ доведе до някои доста впечатляващи демонстрации. Например през 1964 г. компютърният учен Бертрам Рафаел разработи система, наречена SIR, което означава „Извличане на семантична информация.” SIR беше изчислителна система за разсъждение, която изглеждаше в състояние да научи връзките между обектите по начин, който приличаше на истинска интелигентност. Ако кажете, че например „Джон е момче; момче е човек; човек има две ръце; ръката има пет пръста“, тогава SIR ще отговори на въпроса „Колко пръста има Джон?“ с правилното число 10.

Компютърни системи, базирани на символен ИИ достигнаха върха на силите си (и упадъка си) през 80-те години. Това беше десетилетието на така наречената „експертна система“, която се опитваше да използва базирани на правила системи за решаване на проблеми от реалния свят, като напр. подпомагане на органични химици да идентифицират неизвестни органични молекули или подпомагане на лекари при препоръчване на правилната доза антибиотици за инфекции.

Основната концепция на тези експертни системи беше солидна. Но имаха проблеми. Системите бяха скъпи, изискваха постоянно актуализиране и, което е най-лошото, всъщност можеха да станат по-малко точни, колкото повече правила бяха включени.

Светът на невронните мрежи

„Невро“ частта от невро-символичния ИИ. отнася се до невронни мрежи за дълбоко обучение. Невронните мрежи са вдъхновен от мозъка вид изчисление, което е движело много от ИИ. пробиви, наблюдавани през последното десетилетие. ИИ които могат да карат коли? Невронни мрежи. ИИ който може да превежда текст на десетки различни езици? Невронни мрежи. ИИ което помага на интелигентния високоговорител във вашия дом да разбира гласа ви? Невронните мрежи са технологията, на която трябва да благодарим.

Невронните мрежи работят по различен начин от символичния ИИ. защото се управляват от данни, а не от правила. За да обясня нещо на символичен ИИ. система означава изрично предоставяне на всяка част от информацията, от която се нуждае, за да може да направи правилна идентификация. Като аналогия си представете, че изпращате някого да вземе майка ви от автогарата, но трябва да я опишете, като предоставите набор от правила, които ще позволят на вашия приятел да я избере от тълпата. За да обучите невронна мрежа да го прави, просто й показвате хиляди снимки на въпросния обект. След като стане достатъчно умен, не само ще може да разпознае този обект; може да създаде свои собствени подобни обекти, които имат никога не е съществувал в реалния свят.

„Със сигурност дълбокото обучение позволи невероятен напредък“, каза Дейвид Кокс пред Digital Trends. „В същото време има тревожни пукнатини в стената, които започват да се показват.“

Един от тези така наречени кракове разчита точно на нещото, което направи днешните невронни мрежи толкова мощни: данни. Точно като човек, невронната мрежа се учи въз основа на примери. Но докато човек може да се нуждае само от един или два примера за обучение на обект, за да го запомни правилно, A.I. ще изисква много, много повече. Точността зависи от наличието на големи количества анотирани данни, с които може да научи всяка нова задача.

Горят светофари

Това ги прави по-малко добри в статистически редките проблеми с „черния лебед“. Събитие черен лебед, популяризирано от Насим Никълъс Талеб, е ъглов случай, който е статистически рядък. „Много от нашите решения за задълбочено обучение днес – колкото и невероятни да са – са нещо като 80-20 решения“, продължи Кокс. „Те ще получат правилно 80% от случаите, но ако тези ъглови случаи имат значение, те ще са склонни да отпаднат. Ако видите обект, който обикновено не принадлежи [на определено място], или обект в ориентация, която е малко странна, дори невероятни системи ще паднат.“

Преди да се присъедини към IBM, Кокс е съосновател на компания, Възприемащи автомати, която разработи софтуер за самоуправляващи се автомобили. Екипът имаше канал Slack, в който публикуваха забавни изображения, на които се натъкнаха по време на събирането на данни. На една от тях, заснета на кръстовище, се виждаше запален светофар. „Това е един от онези случаи, които може никога да не видите през живота си“, каза Кокс. „Не знам дали Waymo и Tesla имат изображения на запалени светофари в наборите от данни, които използват, за обучават своите невронни мрежи, но съм готов да се обзаложа, че ако имат такива, ще имат само много малцина."

Едно нещо е ъглов случай да е нещо незначително, защото се случва рядко и не е толкова важно, когато се случи. Получаването на лоша препоръка за ресторант може да не е идеално, но вероятно няма да е достатъчно дори да съсипе деня ви. Докато предишните 99 препоръки, направени от системата, са добри, няма истинска причина за разочарование. Самоуправляваща се кола, която не реагира правилно на кръстовище поради запален светофар или конска каруца, може да направи много повече от това да ви съсипе деня. Може да е малко вероятно да се случи, но ако се случи, искаме да знаем, че системата е проектирана да може да се справи с това.

„Ако имате способността да разсъждавате и да екстраполирате отвъд това, което сме виждали преди, можем да се справим с тези сценарии“, обясни Кокс. „Знаем, че хората могат да направят това. Ако видя светофар да гори, мога да донеса много знания. Знам, например, че светлината няма да ми каже дали да спра или да тръгна. Знам, че трябва да внимавам, защото [шофьорите около мен ще бъдат объркани.] Знам, че шофьорите, идващи от другата страна, може да се държат по различен начин, защото светлините им може да работят. Мога да обмисля план за действие, който ще ме отведе там, където трябва да отида. В тези видове критични за безопасността, критични за мисията настройки, това е някъде, където не мисля, че дълбокото обучение все още ни служи перфектно. Ето защо имаме нужда от допълнителни решения.“

Допълващи се идеи

Идеята за невро-символичен ИИ. е да обединим тези подходи, за да съчетаем както ученето, така и логиката. Невронните мрежи ще помогнат за създаването на символен ИИ. системите са по-умни, като разделят света на символи, вместо да разчитат на човешки програмисти да го направят вместо тях. Междувременно символичният A.I. алгоритмите ще помогнат за включване на разумни разсъждения и познания в областта в задълбочено обучение. Резултатите могат да доведат до значителен напредък в ИИ. системи, които се справят със сложни задачи, свързани с всичко - от самоуправляващи се автомобили до обработка на естествен език. И всичко това, като изисква много по-малко данни за обучение.

„Невронните мрежи и символичните идеи наистина се допълват чудесно“, каза Кокс. „Защото невронните мрежи ви дават отговорите как да преминете от бъркотията на реалния свят към символично представяне на света, намирайки всички корелации в изображенията. След като имате това символично представяне, можете да правите някои доста магически неща по отношение на разсъжденията.

Например, в примера за форма, с който започнах тази статия, невро-символна система ще използва възможностите за разпознаване на модели на невронна мрежа, за да идентифицира обекти. Тогава ще разчита на символичен ИИ. да прилагат логически и семантични разсъждения за разкриване на нови връзки. Такива системи имат вече е доказано, че работи ефективно.

Това също би било полезно не само в крайни случаи. Все по-важно е A.I. системите са обясними, когато е необходимо. Невронната мрежа може да изпълнява определени задачи изключително добре, но голяма част от нейните вътрешни разсъждения са „в черни кутии“, направени неразгадаеми за онези, които искат да знаят как е взела решението си. Отново, това няма толкова голямо значение, ако това е бот, който препоръчва грешна песен в Spotify. Но ако ви е бил отказан банков заем, отхвърлена ви е кандидатура за работа или някой е бил ранен при инцидент, включващ автономен автомобил, по-добре е да можете да обясните защо са дадени определени препоръки направени. Това е мястото, където невро-символичният ИИ. можеше да влезе.

ИИ изследвания: следващото поколение

Преди няколко десетилетия световете на символичния ИИ. и невронните мрежи бяха в противоречие една с друга. Известните фигури, които защитаваха подходите, не само вярваха, че техният подход е правилен; те вярваха, че това означава, че другият подход е грешен. Те не са непременно неправилни, за да го направят. Състезавайки се за решаване на едни и същи проблеми и с ограничено финансиране, двете школи на A.I. изглеждаха фундаментално противоположни един на друг. Днес изглежда, че обратното може да се окаже вярно.

„Наистина е очарователно да видиш по-младото поколение“, каза Кокс. „[Много от хората в моя екип] са сравнително млади хора: свежи, развълнувани, сравнително наскоро завършили своята докторска степен. Те просто нямат нищо от тази история. Те просто не се интересуват [както двата подхода се противопоставят един на друг] — и липсата на грижа е наистина мощна, защото ви отваря и се отървава от тези предразсъдъци. Те са щастливи да изследват кръстовища... Те просто искат да направят нещо страхотно с ИИ.“

Ако всичко върви по план, всички ще се възползваме от резултатите.

Препоръки на редакторите

• Аналогов AI? Звучи налудничаво, но това може да е бъдещето
• Прочетете зловещо красивото „синтетично писание“ на A.I. който мисли, че е Бог
• Алгоритмична архитектура: Трябва ли да оставим A.I. проектират сгради за нас?
• Езиков супермодел: Как GPT-3 тихо въвежда A.I. революция
• Жени с Байт: Планът на Вивиен Минг за решаване на „объркани човешки проблеми“ с ИИ.