Miksi neurosymbolinen tekoäly on A.I Tulevaisuudesta

Kuvaa tarjotin. Tarjottimella on valikoima muotoja: Jotkut kuutioita, toiset palloja. Muodot valmistetaan useista eri materiaaleista ja edustavat laajaa kokovalikoimaa. Kaikkiaan esineitä on ehkä kahdeksan. Kysymykseni: "Katsotaanko esineitä, onko suuria esineitä ja metallipalloja yhtä monta?"

Se ei ole temppukysymys. Se, että se kuulostaa siltä, ​​​​on todiste siitä, kuinka yksinkertaista se todella on. Se on sellainen kysymys, johon esikoululainen voisi todennäköisesti vastata helposti. Mutta se on lähes mahdotonta nykypäivän huippuluokan neuroverkoille. Tähän on saatava muutos. Ja sen on tapahduttava keksimällä uudelleen tekoäly sellaisena kuin me sen tunnemme.

Se ei ole minun mielipiteeni; se on mielipide David Cox, MIT-IBM: n johtaja Watson A.I. Laboratorio Cambridgessa, MA. Edellisessä elämässä Cox oli professori Harvardin yliopistossa, jossa hänen tiiminsä käytti neurotieteen oivalluksia auttamaan rakentamaan parempia aivojen inspiroimia koneoppimisjärjestelmiä. Nykyisessä tehtävässään IBM: llä hän valvoo MIT: n ja IBM: n ainutlaatuista kumppanuutta, joka edistää A.I: tä. tutkimus, mukaan lukien IBM: n Watson A.I. alusta. Watson, niille, jotka eivät tiedä, oli A.I. joka voitti tunnetusti kaksi pelishow'n huippupelaajaa

historiassa TV-tietokilpailussa Vaara. Watson sattuu myös olemaan ensisijaisesti koneoppimisjärjestelmä, joka on koulutettu käyttämällä tietomassoja ihmisperäisten sääntöjen sijaan.

Joten kun Cox sanoo, että maailman on mietittävä A.I. kun se suuntaa uudelle vuosikymmenelle, se kuulostaa jotenkin oudolta. Loppujen lopuksi 2010-luku on ollut kiistatta menestynein kymmenen vuoden A.I. historia: Aikakausi, jolloin läpimurtoja tapahtuu näennäisesti viikoittain ilman pakkasen aavistustakaan A.I. talvi näköpiirissä. Juuri tästä syystä hän ajattelee, että A.I. täytyy kuitenkin muuttaa. Ja hänen ehdotuksestaan ​​tuohon muutokseen, tällä hetkellä epäselvä termi nimeltä "neuro-symbolic A.I.", voisi hyvinkin tulla yksi niistä lauseista, jotka tunnemme läheisesti 2020-luvun lopulla.

Symbolisen A.I: n nousu ja lasku

Neuro-symbolinen A.I. ei ole tarkasti ottaen täysin uusi tapa tehdä A.I. Se on yhdistelmä kahdesta olemassa olevasta lähestymistavasta ajattelukoneiden rakentamiseen; niitä, jotka olivat kerran vastakkain kuolevaisina vihollisina.

Nimen "symbolinen" osa viittaa ensimmäiseen valtavirran lähestymistapaan tekoälyn luomiseen. 1950-luvulta 1980-luvulle symbolinen A.I. hallitsi ylimpänä. Symboliselle A.I. Tutkijan mukaan älykkyys perustuu ihmisten kykyyn ymmärtää ympäröivää maailmaa muodostamalla sisäisiä symbolisia esityksiä. Sitten he luovat säännöt näiden käsitteiden käsittelemiseksi, ja nämä säännöt voidaan muotoilla tavalla, joka vangitsee jokapäiväistä tietoa.

Jos aivot ovat analogisia tietokoneen kanssa, tämä tarkoittaa, että jokainen kohtaamamme tilanne riippuu siitä, että käytämme sitä sisäinen tietokoneohjelma, joka selittää vaihe vaiheelta, kuinka toimenpide suoritetaan, täysin perustuen logiikka. Edellyttäen, että näin on, symbolinen A.I. tutkijat uskovat, että samat säännöt siitä maailman järjestys voitaisiin löytää ja sitten koodata algoritmin muodossa tietokonetta varten suorittaa.

Symbolinen A.I. johti melko vaikuttaviin mielenosoituksiin. Esimerkiksi vuonna 1964 tietojenkäsittelytieteilijä Bertram Raphael kehitti järjestelmän nimeltä SIR, joka tarkoittaa "Semanttisen tiedon haku.” SIR oli laskennallinen päättelyjärjestelmä, joka ilmeisesti pystyi oppimaan objektien välisiä suhteita tavalla, joka muistutti todellista älykkyyttä. Jos kertoisit sille esimerkiksi, että "John on poika; poika on henkilö; henkilöllä on kaksi kättä; kädellä on viisi sormea", niin SIR vastaisi kysymykseen "Kuinka monta sormea ​​Johnilla on?" oikealla numerolla 10.

Symboliseen A.I: hen perustuvat tietokonejärjestelmät saavuttivat voimansa (ja heikkenemisen) huipulle 1980-luvulla. Tämä oli niin sanotun "asiantuntijajärjestelmän" vuosikymmen, joka yritti käyttää sääntöihin perustuvia järjestelmiä ratkaistakseen todellisia ongelmia, kuten esim. auttaa orgaanisia kemistejä tunnistamaan tuntemattomia orgaanisia molekyylejä tai avustamaan lääkäreitä suosittelemaan oikeaa antibioottiannosta infektiot.

Näiden asiantuntijajärjestelmien taustalla oleva konsepti oli vankka. Mutta heillä oli ongelmia. Järjestelmät olivat kalliita, vaativat jatkuvaa päivitystä, ja mikä pahinta, niistä voi tulla vähemmän tarkkoja, mitä enemmän sääntöjä sisällytettiin.

Neuroverkkojen maailma

Neuro-symbolisen A.I: n "neuro"-osa viittaa syväoppivat neuroverkot. Hermoverkot ovat aivojen inspiroima laskentatapa, joka on ohjannut monia A.I. viime vuosikymmenen aikana nähtyjä läpimurtoja. A.I. jolla voi ajaa autoa? Hermoverkot. A.I. joka voi kääntää tekstiä kymmenille eri kielille? Hermoverkot. A.I. mikä auttaa kodin älykaiutinta ymmärtämään ääntäsi? Neuraaliverkot ovat tekniikka, jota kannattaa kiittää.

Neuroverkot toimivat eri tavalla kuin symbolinen A.I. koska ne ovat tietopohjaisia ​​eivätkä sääntöpohjaisia. Selittää jotain symboliselle A.I. järjestelmä tarkoittaa sitä, että sille toimitetaan eksplisiittisesti kaikki tiedot, joita se tarvitsee voidakseen tehdä oikean tunnistamisen. Kuvittele vertauksena, että lähetät jonkun hakemaan äitiäsi linja-autoasemalta, mutta sinun täytyy kuvailla häntä antamalla säännöt, joiden avulla ystäväsi poimiisi hänet joukosta. Kouluttaaksesi neuroverkon tekemään sen, näytät sille tuhansia kuvia kyseisestä kohteesta. Kun siitä tulee tarpeeksi älykäs, se ei ainoastaan ​​pysty tunnistamaan kyseistä esinettä; se voi muodostaa omia samankaltaisia ​​esineitä, joilla on ei koskaan ollut olemassa todellisessa maailmassa.

"Syvä oppiminen on varmasti mahdollistanut uskomattomia edistysaskeleita", David Cox kertoi Digital Trendsille. "Samaan aikaan seinässä on huolestuttavia halkeamia, jotka alkavat näkyä."

Yksi näistä niin sanotuista halkeiluista perustuu juuri siihen asiaan, joka on tehnyt nykypäivän hermoverkoista niin voimakkaita: dataa. Aivan kuten ihminen, hermoverkko oppii esimerkkien perusteella. Mutta vaikka ihmisen tarvitsee vain nähdä yksi tai kaksi harjoitusesimerkkiä esineestä muistaakseen sen oikein, A.I. vaatii paljon, paljon enemmän. Tarkkuus riippuu siitä, onko sinulla suuria määriä huomautettuja tietoja, joiden avulla se voi oppia jokaisen uuden tehtävän.

Polttavat liikennevalot

Tämä tekee heistä vähemmän hyviä tilastollisesti harvinaisissa "musta joutsen" -ongelmissa. Musta joutsentapahtuma, jonka popularisoi Nassim Nicholas Taleb, on tilastollisesti harvinainen kulmatapaus. "Monet syvän oppimisen ratkaisuistamme - niin uskomattomia kuin ne ovatkin - ovat 80-20 ratkaisuja", Cox jatkoi. "He saavat 80 % tapauksista oikein, mutta jos niillä kulmakoteloilla on merkitystä, ne putoavat. Jos näet esineen, joka ei normaalisti kuulu [tiettyyn paikkaan], tai esineen, joka on hieman oudossa suunnassa, jopa hämmästyttävät järjestelmät putoavat."

Ennen kuin hän liittyi IBM: n palvelukseen, Cox oli mukana perustamassa yritystä, Havaintoautomaatti, joka kehitti ohjelmiston itseajaville autoille. Ryhmällä oli Slack-kanava, johon he julkaisivat hauskoja kuvia, joihin he olivat törmänneet tiedonkeruun aikana. Yksi heistä risteyksessä osoitti palavaa liikennevaloa. "Se on yksi niistä tapauksista, joita et ehkä koskaan näe elämäsi aikana", Cox sanoi. "En tiedä, onko Waymolla ja Teslalla kuvia tulessa olevista liikennevaloista tiedoissa, joita he käyttävät kouluttaa heidän neuroverkkojaan, mutta olen valmis lyömään vetoa… jos heillä on sellaisia, heillä on vain erittäin muutama."

On yksi asia, että nurkkakotelo on jotain mitätöntä, koska sitä tapahtuu harvoin eikä sillä ole niin suurta merkitystä, kun se tapahtuu. Huonon ravintolasuosituksen saaminen ei ehkä ole ihanteellista, mutta se ei todennäköisesti riitä edes pilaamaan päivääsi. Niin kauan kuin järjestelmän edelliset 99 suositusta ovat hyviä, turhautumiseen ei ole todellista syytä. Itseajava auto, joka ei reagoi kunnolla risteyksessä palavan liikennevalon tai hevoskärryjen takia, voi tehdä paljon muutakin kuin pilata päiväsi. Se saattaa olla epätodennäköistä, mutta jos tapahtuu, haluamme tietää, että järjestelmä on suunniteltu selviytymään sen kanssa.

"Jos sinulla on kyky perustella ja ekstrapoloida enemmän kuin olemme nähneet aiemmin, voimme käsitellä näitä skenaarioita", Cox selitti. "Tiedämme, että ihmiset voivat tehdä sen. Jos näen liikennevalon palamassa, voin tuoda mukanani paljon tietoa. Tiedän esimerkiksi, että valo ei kerro minulle, pitäisikö minun pysähtyä vai lähteä. Tiedän, että minun on oltava varovainen, koska [ympärilläni olevat kuljettajat ovat hämmentyneitä.] Tiedän, että toiseen suuntaan tulevat kuljettajat voivat käyttäytyä eri tavalla, koska heidän valonsa saattavat toimia. Pystyn perustelemaan toimintasuunnitelman, joka vie minut sinne, missä minun on mentävä. Tällaisissa turvallisuuskriittisissä ja missionkriittisissä ympäristöissä en usko, että syvällinen oppiminen palvelee meitä vielä täydellisesti. Siksi tarvitsemme lisäratkaisuja."

Täydentäviä ideoita

Ajatus neurosymbolisesta A.I: stä on yhdistää nämä lähestymistavat yhdistämään sekä oppiminen että logiikka. Neuroverkot auttavat tekemään symbolista A.I. järjestelmät ovat älykkäämpiä hajottamalla maailma symboleiksi sen sijaan, että luottaisivat ohjelmoijien tekemiseen heidän puolestaan. Samaan aikaan symbolinen A.I. algoritmit auttavat sisällyttämään maalaisjärkeen päättelyn ja alan tiedon syvälliseen oppimiseen. Tulokset voivat johtaa merkittäviin edistysaskeliin A.I. järjestelmät, jotka käsittelevät monimutkaisia ​​tehtäviä, jotka liittyvät kaikkeen itseohjautuvista autoista luonnollisen kielen käsittelyyn. Ja kaikki samalla kun tarvitaan paljon vähemmän dataa harjoitteluun.

"Neuraaliverkot ja symboliset ideat täydentävät todella upeasti toisiaan", Cox sanoi. ”Koska hermoverkot antavat sinulle vastaukset todellisen maailman sotkuisuudesta pääsemiseen symboliseen maailmaesitykseen, kaikkien kuvien välisten korrelaatioiden löytämiseen. Kun olet saanut tuon symbolisen esityksen, voit tehdä joitain melko taianomaisia ​​asioita päättelyn suhteen."

Esimerkiksi muotoesimerkissä, jolla aloitin tämän artikkelin, neurosymbolinen järjestelmä käyttäisi hermoverkon hahmontunnistusominaisuuksia objektien tunnistamiseen. Sitten se tukeutuisi symboliseen A.I. soveltaa logiikkaa ja semanttista päättelyä uusien suhteiden paljastamiseen. Tällaisia ​​järjestelmiä on on jo todistettu toimivan tehokkaasti.

Tämä ei myöskään ole hyödyllistä vain kulmatapauksissa. Yhä tärkeämpää on, että A.I. järjestelmät ovat tarvittaessa selitettävissä. Neuraaliverkko voi suorittaa tietyt tehtävät poikkeuksellisen hyvin, mutta suuri osa sen sisäisestä päättelystä on "mustassa laatikossa", joka on tehty käsittämättömäksi niille, jotka haluavat tietää, kuinka se teki päätöksensä. Jälleen, tällä ei ole niin väliä, jos se on robotti, joka suosittelee väärää raitaa Spotifyssa. Mutta jos sinulta on evätty pankkilaina, hylätty työhakemus tai joku on loukkaantunut Itseohjautuvaan autoon liittyvän tapauksen yhteydessä voit paremmin selittää, miksi tietyt suositukset ovat olleet tehty. Siellä neurosymbolinen A.I. voisi tulla sisään.

A.I. tutkimus: seuraava sukupolvi

Muutama vuosikymmen sitten symbolisen A.I: n maailmat. ja hermoverkot olivat ristiriidassa keskenään. Tunnetut hahmot, jotka puolustivat lähestymistapoja, eivät vain uskoneet, että heidän lähestymistapansa oli oikea; he uskoivat tämän tarkoittavan, että toinen lähestymistapa oli väärä. He eivät välttämättä olleet väärin tehdessään niin. Molemmat A.I: n koulut kilpailevat samojen ongelmien ratkaisemisesta ja joilla on rajoitettu rahoitus. näyttivät pohjimmiltaan vastakkain toisiaan. Nykyään näyttää siltä, ​​että päinvastoin voi olla totta.

"On todella kiehtovaa nähdä nuorempi sukupolvi", Cox sanoi. "[Monet tiimini henkilöistä ovat] suhteellisen nuoria ihmisiä: tuoreita, innostuneita, melko hiljattain tohtorintutkinnon suorittaneita. Heillä ei vain ole sitä historiaa. He eivät vain välitä [kaksi lähestymistapaa vastakkain] – ja välittämättä jättäminen on todella voimakasta, koska se avaa sinut ja päästää eroon noista ennakkoluuloista. He tutkivat mielellään risteyksiä… He haluavat vain tehdä jotain siistiä A.I: n kanssa.”

Jos kaikki menee suunnitelmien mukaan, me kaikki hyödymme tuloksista.

Toimittajien suositukset

• Analoginen A.I.? Kuulostaa hullulta, mutta se saattaa olla tulevaisuutta
• Lue aavemaisen kaunista A.I: n synteettistä kirjoitusta. joka luulee olevansa Jumala
• Algoritminen arkkitehtuuri: Pitäisikö meidän antaa A.I. suunnitteletko rakennuksia meille?
• Kielen supermalli: Kuinka GPT-3 aloittaa hiljaa A.I: n vallankumous
• Naiset tavun kanssa: Vivienne Mingin suunnitelma ratkaista "sotkuiset inhimilliset ongelmat" A.I: n kanssa.