Zašto je neurosimbolička umjetna inteligencija umjetna inteligencija Budućnosti

Slika pladanj. Na pladnju je izbor oblika: neke kocke, druge kugle. Oblici su izrađeni od niza različitih materijala i predstavljaju izbor veličina. Ukupno ima, možda, osam objekata. Moje pitanje: "Gledajući predmete, postoji li jednak broj velikih stvari i metalnih kugli?"

To nije trik pitanje. Činjenica da zvuči kao da jest pozitivan je dokaz koliko je zapravo jednostavno. To je pitanje na koje bi predškolsko dijete vrlo vjerojatno moglo s lakoćom odgovoriti. Ali to je gotovo nemoguće za današnje najsuvremenije neuronske mreže. Ovo treba promijeniti. I to se mora dogoditi ponovnim izumom umjetne inteligencije kakvu poznajemo.

To nije moje mišljenje; to je mišljenje David Cox, direktor MIT-IBM Watson A.I. Laboratorij u Cambridgeu, MA. U prošlom životu, Cox je bio profesor na Sveučilištu Harvard, gdje je njegov tim koristio uvide iz neuroznanosti kako bi pomogao u izgradnji boljih računalnih sustava za strojno učenje inspiriranih mozgom. U svojoj trenutnoj ulozi u IBM-u, nadzire jedinstveno partnerstvo između MIT-a i IBM-a koje unapređuje A.I. istraživanja, uključujući IBM-ov Watson A.I. platforma. Watson je, za one koji ne znaju, bio A.I. koji je slavno porazio dva vrhunska igrača show gamea

u povijesti na TV kvizu Opasnost. Watson je također prvenstveno sustav strojnog učenja, obučen korištenjem mase podataka za razliku od pravila koje su donijeli ljudi.

Dakle, kada Cox kaže da svijet treba preispitati A.I. dok ulazi u novo desetljeće, zvuči nekako čudno. Na kraju krajeva, 2010. godine bile su vjerojatno najuspješnijih deset godina u A.I. povijest: Razdoblje u kojem se proboji događaju naizgled tjedno, i bez ledenih naznaka A.I. zima uvid. Upravo zbog toga misli da je A.I. treba promijeniti, međutim. A njegov prijedlog za tu promjenu, trenutno opskuran pojam nazvan "neuro-simbolički AI", mogao bi postati jedna od onih fraza s kojima smo intimno upoznati do kraja 2020-ih.

Uspon i pad simboličkog A.I.

Neuro-simbolički A.I. nije, strogo govoreći, potpuno novi način izvođenja A.I. To je kombinacija dvaju postojećih pristupa izgradnji strojeva za razmišljanje; one koje su se jednom suprotstavile kao smrtni neprijatelji.

“Simbolički” dio naziva odnosi se na prvi mainstream pristup stvaranju umjetne inteligencije. Od 1950-ih do 1980-ih, simbolički A.I. vladao vrhovnim. Simboličnom A.I. istraživača, inteligencija se temelji na ljudskoj sposobnosti da razumiju svijet oko sebe formiranjem unutarnjih simboličkih reprezentacija. Zatim stvaraju pravila za postupanje s tim pojmovima, a ta se pravila mogu formalizirati na način da obuhvate svakodnevno znanje.

Ako je mozak analogan računalu, to znači da se svaka situacija s kojom se susrećemo oslanja na naše pokretanje interni računalni program koji objašnjava, korak po korak, kako izvršiti operaciju, koji se u potpunosti temelji na logika. Pod uvjetom da je to slučaj, simbolični A.I. istraživači vjeruju da ta ista pravila o organizacija svijeta mogla bi se otkriti i zatim kodificirati, u obliku algoritma, za računalo izvršiti.

Simbolički A.I. rezultiralo je prilično impresivnim demonstracijama. Na primjer, 1964. računalni znanstvenik Bertram Raphael razvio je sustav nazvan SIR, što znači "Semantičko pronalaženje informacija.” SIR je bio računalni sustav zaključivanja koji je naizgled bio u stanju naučiti odnose između objekata na način koji je sličio stvarnoj inteligenciji. Ako biste mu rekli da je, na primjer, “John je dječak; dječak je osoba; osoba ima dvije ruke; ruka ima pet prstiju", onda bi SIR odgovorio na pitanje "Koliko prstiju ima John?" s točnim brojem 10.

Računalni sustavi temeljeni na simboličkoj umjetnoj inteligenciji. dosegnuli su vrhunac svoje moći (i njihov pad) u 1980-ima. Bilo je to desetljeće takozvanog "stručnog sustava" koji je pokušavao koristiti sustave temeljene na pravilima za rješavanje problema iz stvarnog svijeta, kao što su pomaganje organskim kemičarima u identificiranju nepoznatih organskih molekula ili pomaganje liječnicima u preporuci prave doze antibiotika za infekcije.

Temeljni koncept ovih ekspertnih sustava bio je čvrst. Ali imali su problema. Sustavi su bili skupi, zahtijevali su stalno ažuriranje i, što je najgore, mogli su zapravo postati manje precizni što je više pravila bilo ugrađeno.

Svijet neuronskih mreža

“Neuro” dio neuro-simboličkog A.I. odnosi se na neuronske mreže dubokog učenja. Neuronske mreže vrsta su računanja inspirirana mozgom koja je pokrenula mnoge U.I. otkrića viđena u proteklom desetljeću. A.I. koji mogu voziti automobile? Neuralne mreže. A.I. koji može prevesti tekst na desetke različitih jezika? Neuralne mreže. A.I. koji pomaže pametnom zvučniku u vašem domu da razumije vaš glas? Neuronske mreže su tehnologija koju treba zahvaliti.

Neuronske mreže rade drugačije od simboličkog A.I. jer se temelje na podacima, a ne na pravilima. Objasniti nešto simboličnom A.I. sustav znači eksplicitno pružanje svake informacije koja mu je potrebna da bi mogao ispravno identificirati. Kao analogiju, zamislite da pošaljete nekoga da pokupi vašu mamu s autobusnog kolodvora, ali da je morate opisati davanjem niza pravila koja će vašem prijatelju omogućiti da je izdvoji iz gomile. Da biste istrenirali neuronsku mrežu da to učini, jednostavno joj pokažete tisuće slika dotičnog objekta. Jednom kada postane dovoljno pametan, ne samo da će moći prepoznati taj objekt; može sastaviti svoje slične objekte koji imaju nikada nije postojao u stvarnom svijetu.

"Sigurno je duboko učenje omogućilo nevjerojatan napredak", rekao je David Cox za Digital Trends. "U isto vrijeme postoje zabrinjavajuće pukotine u zidu koje se počinju pokazivati."

Jedna od tih takozvanih pukotina oslanja se upravo na ono što je današnje neuronske mreže učinilo tako moćnima: podatke. Baš kao i čovjek, neuronska mreža uči na temelju primjera. Ali dok bi čovjek možda trebao vidjeti samo jedan ili dva primjera za obuku objekta da bi ga ispravno zapamtio, A.I. zahtijevat će mnogo, mnogo više. Točnost ovisi o velikim količinama označenih podataka pomoću kojih može naučiti svaki novi zadatak.

Gori semafor

To ih čini manje dobrima u statistički rijetkim problemima "crnog labuda". Događaj crnog labuda, popularizirao Nassim Nicholas Taleb, kutni je slučaj koji je statistički rijedak. "Mnoga od naših današnjih rješenja za dubinsko učenje - koliko god bila nevjerojatna - na neki su način 80-20 rješenja", nastavio je Cox. “Oni će ispravno riješiti 80% slučajeva, ali ako su ti slučajevi u kutu bitni, obično će pasti. Ako vidite objekt koji inače ne pripada [na određenom mjestu], ili objekt na malo čudnoj orijentaciji, čak će i nevjerojatni sustavi pasti.”

Prije nego što se pridružio IBM-u, Cox je bio suosnivač tvrtke, Perceptivni automati, koja je razvila softver za samovozeće automobile. Tim je imao Slack kanal na kojem su objavljivali smiješne slike na koje su slučajno naišli tijekom prikupljanja podataka. Na jednoj od njih, snimljenoj na raskrižju, vidio se semafor u plamenu. "To je jedan od onih slučajeva koje možda nikada nećete vidjeti u životu", rekao je Cox. “Ne znam imaju li Waymo i Tesla slike zapaljenih semafora u skupovima podataka koje koriste za treniraju svoje neuronske mreže, ali spreman sam se kladiti... ako ih i imaju, imat će samo vrlo nekoliko."

Jedna je stvar kada je slučaj iz kuta nešto što je beznačajno jer se rijetko događa i nije toliko važno kada se dogodi. Dobiti lošu preporuku restorana možda nije idealno, ali vjerojatno neće biti dovoljno da vam čak uništi dan. Sve dok je prethodnih 99 preporuka koje je sustav dao dobro, nema stvarnog razloga za frustraciju. Samovozeći automobil koji ne reagira ispravno na raskrižju zbog zapaljenog semafora ili konjske zaprege mogao bi učiniti puno više od pokvariti vam dan. Malo je vjerojatno da će se to dogoditi, ali ako se dogodi, želimo znati da je sustav dizajniran da se s tim može nositi.

"Ako imate sposobnost rasuđivanja i ekstrapolacije izvan onoga što smo vidjeli prije, možemo se nositi s ovim scenarijima", objasnio je Cox. “Znamo da ljudi to mogu. Ako vidim da gori semafor, mogu donijeti mnogo znanja. Znam, na primjer, da mi svjetlo neće reći trebam li stati ili otići. Znam da moram biti oprezan jer [vozači oko mene će biti zbunjeni.] Znam da se vozači koji dolaze s druge strane možda ponašaju drugačije jer im svjetla možda rade. Mogu smisliti plan akcije koji će me odvesti kamo trebam ići. U tim vrstama postavki kritičnih za sigurnost i misiju, to je mjesto gdje mislim da nam duboko učenje još ne služi savršeno. Zato su nam potrebna dodatna rješenja.”

Komplementarne ideje

Ideja neuro-simboličkog A.I. je spojiti ove pristupe kako bi se kombiniralo učenje i logika. Neuronske mreže pomoći će da simbolički A.I. sustavi pametniji rastavljanjem svijeta na simbole, umjesto da se oslanjaju na ljudske programere da to učine umjesto njih. U međuvremenu, simbolični A.I. algoritmi će pomoći uključiti zdravorazumsko razmišljanje i znanje o domeni u duboko učenje. Rezultati bi mogli dovesti do značajnog napretka u A.I. sustavi koji se bave složenim zadacima, koji se odnose na sve, od samovozećih automobila do obrade prirodnog jezika. I sve to uz mnogo manje podataka za obuku.

"Neuronske mreže i simboličke ideje doista su izvrsno komplementarne jedna drugoj", rekao je Cox. „Zato što vam neuronske mreže daju odgovore za prelazak iz zbrke stvarnog svijeta u simboličku reprezentaciju svijeta, pronalaženje svih korelacija unutar slika. Jednom kada steknete taj simbolički prikaz, možete učiniti neke prilično čarobne stvari u smislu rezoniranja."

Na primjer, u primjeru oblika s kojim sam započeo ovaj članak, neuro-simbolički sustav koristio bi sposobnosti prepoznavanja uzoraka neuronske mreže za identificiranje objekata. Tada bi se oslanjao na simbolički A.I. primijeniti logiku i semantičko zaključivanje za otkrivanje novih odnosa. Takvi sustavi imaju već dokazano djeluje učinkovito.

Nisu to samo slučajevi u kutu gdje bi ovo bilo korisno. Sve je važnije da A.I. sustavi su objasnivi kada je to potrebno. Neuronska mreža može iznimno dobro obavljati određene zadatke, ali većina njezinih unutarnjih razmišljanja je "u crnoj kutiji", nedokučiva onima koji žele znati kako je donijela svoju odluku. Opet, ovo nije toliko važno ako se radi o robotu koji preporučuje pogrešnu pjesmu na Spotifyju. Ali ako vam je odbijen bankovni kredit, odbijena molba za posao ili je netko ozlijeđen u incident koji uključuje autonomni automobil, bilo bi bolje da možete objasniti zašto su određene preporuke napravio. Tu je neuro-simbolički A.I. mogao ući.

A.I. istraživanje: sljedeća generacija

Prije nekoliko desetljeća, svjetovi simboličkog A.I. a neuronske mreže bile su u suprotnosti jedna s drugom. Poznate ličnosti koje su zagovarale pristupe ne samo da su vjerovale da je njihov pristup ispravan; vjerovali su da to znači da je drugi pristup pogrešan. Nisu nužno bili netočni što su to učinili. Natječući se u rješavanju istih problema, s ograničenim financijskim sredstvima, obje škole A.I. pojavili se u osnovi suprotstavljeni jedni drugima. Danas se čini da bi se moglo pokazati upravo suprotno.

"Zaista je fascinantno vidjeti mlađu generaciju", rekao je Cox. “[Mnogi ljudi u mom timu su] relativno mlađi ljudi: svježi, uzbuđeni, tek su doktorirali. Oni jednostavno nemaju ništa od te povijesti. Jednostavno im nije stalo [što se ta dva pristupa suprotstavljaju] — a nebriga je stvarno moćna jer vas otvara i rješava se tih predrasuda. Rado istražuju raskrižja... Samo žele učiniti nešto cool s AI."

Bude li sve išlo prema planu, svi ćemo imati koristi od rezultata.

Preporuke urednika

• Analogni AI? Zvuči ludo, ali to bi mogla biti budućnost
• Pročitajte jezivo lijepe 'sintetičke spise' umjetne inteligencije. koji misli da je Bog
• Algoritamska arhitektura: Trebamo li pustiti A.I. projektirati zgrade za nas?
• Jezični supermodel: Kako GPT-3 tiho uvodi A.I. revolucija
• Žene s bajtom: plan Vivienne Ming za rješavanje 'neurednih ljudskih problema' pomoću umjetne inteligencije.