A.I. er overalt i øjeblikket, og den er ansvarlig for alt fra de virtuelle assistenter på vores smartphones til de selvkørende biler kommer snart til at fylde vores veje til de banebrydende billedgenkendelsessystemer, som jeres rapporterer om virkelig.
Medmindre du har boet under en sten i det sidste årti, er der god chance for, at du har hørt om det før - og sandsynligvis endda brugt det. Lige nu er kunstig intelligens for Silicon Valley, hvad One Direction er for 13-årige piger: en allestedsnærværende kilde til besættelse af at kaste alle dine penge efter, mens du dagdrømmer om at blive gift, når Harry Styles endelig er klar til at slå sig ned ned. (Okay, så vi arbejder stadig på analogien!)
Men hvad præcist er A.I.? - og kan termer som "machine learning", "kunstige neurale netværk," "kunstig intelligens" og "Zayn Malik" (vi arbejder stadig på den analogi ...) bruges i flæng?
For at hjælpe dig med at forstå nogle af de buzzwords og jargon, du vil høre, når folk taler om A.I., har vi sammensat denne enkle guide, der hjælper dig med at omslutte dit hoved omkring alle de forskellige varianter af kunstig intelligens - om ikke andet så du ikke laver nogen faux pas, når maskinerne endelig tager over.
Kunstig intelligens
Vi vil ikke dykke for dybt ned i historien om A.I. her, men det vigtige at bemærke er, at kunstig intelligens er det træ, som alle de følgende udtryk er alle grene på. For eksempel er forstærkningslæring en type maskinlæring, som er et underområde af kunstig intelligens. Imidlertid er kunstig intelligens ikke (nødvendigvis) forstærkende læring. Forstået?
Indtil videre har ingen opbygget en generel intelligens.
Der er ingen officiel konsensusaftale om, hvad A.I. betyder (nogle mennesker foreslår, at det simpelthen er fede ting, computere ikke kan gøre endnu), men de fleste er enig i, at det handler om at få computere til at udføre handlinger, som ville blive betragtet som intelligente, hvis de blev udført af en person.
Udtrykket blev først opfundet i 1956, kl sommerworkshop på Dartmouth College i New Hampshire. Den store aktuelle skelnen i A.I. er mellem nuværende domænespecifikke Smal A.I. og Kunstig generel intelligens. Indtil videre har ingen opbygget en generel intelligens. Når de gør det, er alle væddemål slået fra...
Symbolsk A.I.
Man hører ikke så meget om Symbolsk A.I. i dag. Også omtalt som Good Old Fashioned A.I., Symbolic A.I. er bygget op omkring logiske trin, som kan gives til en computer på en top-down måde. Det indebærer at give masser af regler til en computer (eller en robot) om, hvordan den skal håndtere et specifikt scenarie.
Dette førte til mange tidlige gennembrud, men det viste sig, at disse fungerede meget godt i laboratorier, i som enhver variabel kunne kontrolleres perfekt, men ofte mindre godt i hverdagens rodet liv. Som en forfatter grinede om symbolsk A.I., tidlige A.I. systemer var lidt ligesom guden i Det Gamle Testamente - med masser af regler, men ingen nåde.
I dag kan forskere godt lide Selmer Bringsjord kæmper for at bringe fokus tilbage på logikbaseret symbolsk A.I., bygget op omkring logiske systemers overlegenhed, som kan forstås af deres skabere.
Maskinelæring
Hvis du hører om en stor A.I. gennembrud i disse dage, er chancerne for, at medmindre der kommer en stor lyd for at antyde andet, hører du om maskinelæring. Som navnet antyder, handler maskinlæring om at lave maskiner, der godt lærer.
Ligesom overskriften på A.I., har maskinlæring også flere underkategorier, men hvad de alle har i fælles er den statistik-fokuserede evne til at tage data og anvende algoritmer til det for at opnå viden.
Der er et væld af forskellige grene af maskinlæring, men den du nok vil høre mest om er...
Neurale netværk
Hvis du har brugt noget tid i vores Cool Tech-sektion, har du sikkert hørt om kunstige neurale netværk. Som hjerneinspirerede systemer designet til at kopiere den måde, mennesker lærer på, ændrer neurale netværk deres egen kode til finde sammenhængen mellem input og output - eller årsag og virkning - i situationer, hvor dette forhold er komplekst eller uklar.
Kunstige neurale netværk har nydt godt af ankomsten af deep learning.
Begrebet kunstige neurale netværk dateres faktisk tilbage til 1940'erne, men det var egentlig først i de sidste par årtier, da det virkelig begyndte at leve op til sit potentiale: hjulpet af ankomsten af algoritmer som "tilbageudbredelse", som gør det muligt for neurale netværk at justere deres skjulte lag af neuroner i situationer, hvor resultatet ikke stemmer overens med det, skaberen håber på. (For eksempel et netværk designet til at genkende hunde, som fejlidentificerer en kat.)
I dette årti har kunstige neurale netværk nydt godt af ankomsten af dyb læring, hvor forskellige lag af netværket udtrækker forskellige funktioner, indtil det kan genkende, hvad det leder efter.
Inden for det neurale netværks overskrift er der forskellige modeller af potentielle netværk — med feedforward og konvolutionerende netværk sandsynligvis dem, du bør nævne, hvis du sidder fast ved siden af en Google-ingeniør til et middagsselskab.
Forstærkende læring
Forstærkende læring er en anden variant af maskinlæring. Det er stærkt inspireret af behavioristisk psykologi og er baseret på ideen om, at softwareagent kan lære at tage handlinger i et miljø for at maksimere en belønning.
Som et eksempel, tilbage i 2015 udgav Googles DeepMind et papir, der viste, hvordan det havde det uddannet en A.I. at spille klassiske videospil, uden andre instruktioner end skærmresultatet og de cirka 30.000 pixels, der udgjorde hver frame. Fortalt for at maksimere sin score betød forstærkningslæring, at softwareagenten gradvist lærte at spille spillet gennem trial and error.
MarI/O - Machine Learning til videospil
I modsætning til et ekspertsystem behøver forstærkningslæring ikke en menneskelig ekspert til at fortælle det, hvordan man maksimerer en score. I stedet finder den ud af det over tid. I nogle tilfælde kan reglerne, den lærer, være faste (som med at spille et klassisk Atari-spil). I andre bliver det ved med at tilpasse sig, efterhånden som tiden går.
Evolutionære algoritmer
Kendt som en generisk populationsbaseret metaheuristisk optimeringsalgoritme, hvis du ikke tidligere er blevet introduceret endnu, evolutionære algoritmer er en anden type maskinlæring; designet til at efterligne begrebet naturlig udvælgelse inde i en computer.
Processen begynder med, at en programmør indtaster de mål, han eller hun forsøger at opnå med deres algoritme. For eksempel har NASA brugt evolutionære algoritmer til at designe satellitkomponenter. I så fald kan funktionen være at komme med en løsning, der kan passe i en 10cm x 10cm kasse, i stand til at udstråle et sfærisk eller halvkugleformet mønster og i stand til at fungere på et bestemt Wi-Fi band.
Algoritmen kommer derefter med flere generationer af iterative designs, der tester hver enkelt mod de angivne mål. Når man til sidst sætter kryds i alle de rigtige felter, ophører det. Ud over at hjælpe NASA med at designe satellitter, er evolutionære algoritmer en favorit blandt kreative, der bruger kunstig intelligens til deres arbejde: som f.eks. designerne af dette smarte møbel.
Redaktørernes anbefalinger
- Deep-learning A.I. hjælper arkæologer med at oversætte gamle tavler
- Dyb læring A.I. kan efterligne forvrængningseffekterne af ikoniske guitarguder
- Tankelæsende A.I. analyserer dine hjernebølger for at gætte, hvilken video du ser
- Fremtidens hustaksator er formentlig en A.I. algoritme
- Fotorealistisk A.I. værktøj kan udfylde huller i billeder, inklusive ansigter
