Miért a neuro-szimbolikus mesterséges intelligencia az A.I. A Jövőből

Képzeljen el egy tálcát. A tálcán egy sor forma található: Egyes kockák, mások gömbök. A formák sokféle anyagból készülnek, és sokféle méretet képviselnek. Összesen talán nyolc tárgy van. A kérdésem: "A tárgyakat nézve egyenlő számú nagy dolog és fémgömb van?"

Ez nem egy trükkös kérdés. Az a tény, hogy úgy hangzik, mintha az lenne, azt bizonyítja, hogy valójában milyen egyszerű is. Ez az a fajta kérdés, amelyre egy óvodás nagy valószínűséggel könnyedén tudna válaszolni. De ez szinte lehetetlen a mai korszerű neurális hálózatok számára. Ezen változtatni kell. És ennek az általunk ismert mesterséges intelligencia újrafeltalálásával kell megtörténnie.

Ez nem az én véleményem; ez a véleménye David Cox, a MIT-IBM Watson A.I. igazgatója. Labor Cambridge-ben, MA. Előző életében Cox a Harvard Egyetem professzora volt, ahol csapata az idegtudományok meglátásait használta fel jobb agyi ihletésű gépi tanulási számítógépes rendszerek felépítéséhez. Jelenlegi beosztásában az IBM-nél az MIT és az IBM közötti egyedülálló partnerséget felügyeli, amely az A.I. kutatás, köztük az IBM Watson A.I. felület. Watson, aki nem ismeri, az A.I. amely híresen legyőzte a játékshow két legjobb játékosát

a történelemben a TV kvízműsorban Veszély. A Watson történetesen egy elsősorban gépi tanulási rendszer, amelyet adattömegek felhasználásával képeznek ki, szemben az emberi eredetű szabályokkal.

Tehát amikor Cox azt mondja, hogy a világnak újra kell gondolnia az A.I. ahogy egy új évtized felé tart, furcsán hangzik. Végül is a 2010-es évek vitathatatlanul a legsikeresebb tíz év volt az A.I. történelem: Olyan időszak, amikor az áttörések látszólag hetente történnek, és semmi fagyos A.I. téli látókörben. Pontosan ezért gondolja, hogy A.I. azonban változtatni kell. És a változtatásra vonatkozó javaslata, egy jelenleg homályos „neuro-szimbolikus A.I.” kifejezés, egyike lehet azoknak a kifejezéseknek, amelyeket a 2020-as évek végére már közelről ismerünk.

A szimbolikus A.I. felemelkedése és bukása

Neuro-szimbolikus A.I. szigorúan véve nem egy teljesen új módja az A.I. Ez a gondolkodási gépek felépítésének két meglévő megközelítésének kombinációja; olyanokat, amelyek egykor halálos ellenségként álltak szembe egymással.

A név „szimbolikus” része a mesterséges intelligencia létrehozásának első mainstream megközelítésére utal. Az 1950-es évektől az 1980-as évekig a szimbolikus A.I. uralkodott mindenek felett. Egy szimbolikus A.I. kutató szerint az intelligencia az emberek azon képességén alapul, hogy belső szimbolikus reprezentációk kialakításával megértsék az őket körülvevő világot. Ezután szabályokat alkotnak e fogalmak kezelésére, és ezek a szabályok a mindennapi ismereteket megragadva formalizálhatók.

Ha az agy analóg a számítógéppel, ez azt jelenti, hogy minden szituáció, amivel találkozunk, azon múlik, hogy mi futunk belső számítógépes program, amely lépésről lépésre elmagyarázza, hogyan kell végrehajtani egy műveletet, teljes egészében a logika. Feltéve, hogy ez a helyzet, a szimbolikus A.I. A kutatók úgy vélik, hogy ugyanazok a szabályok a A világ szerveződése felfedezhető, majd algoritmus formájában számítógépre kodifikálható végrehajtani.

Szimbolikus A.I. lenyűgöző bemutatókat eredményezett. Például 1964-ben Bertram Raphael informatikus kifejlesztett egy SIR nevű rendszert, amely a „Szemantikus információkeresés.” A SIR egy számítógépes gondolkodási rendszer volt, amely látszólag képes volt megtanulni az objektumok közötti kapcsolatokat a valódi intelligenciához hasonló módon. Ha azt mondanád neki, hogy például: „János fiú; a fiú egy személy; egy személynek két keze van; egy kéznek öt ujja van”, akkor a SIR válaszolna a „Hány ujja van Jánosnak?” kérdésre. a megfelelő 10-es számmal.

A szimbolikus A.I. alapú számítógépes rendszerek erejük (és hanyatlásuk) tetőfokára jutott az 1980-as években. Ez volt az úgynevezett „szakértői rendszer” évtizede, amely szabályalapú rendszerekkel próbált megoldani valós problémákat, mint pl. segít a szerves vegyészeknek ismeretlen szerves molekulák azonosításában, vagy segít az orvosoknak az antibiotikumok megfelelő adagjának ajánlásában fertőzések.

E szakértői rendszerek alapkoncepciója szilárd volt. De voltak problémáik. A rendszerek drágák voltak, folyamatos frissítést igényeltek, és ami a legrosszabb, valójában kevésbé pontosak voltak, minél több szabályt alkalmaznak.

A neurális hálózatok világa

A neuro-szimbolikus A.I. „neuro” része. utal rá mély tanulási neurális hálózatok. A neurális hálók az agy által ihletett számítástechnikai típusok, amelyek sok A.I-t vezéreltek. az elmúlt évtizedben tapasztalt áttöréseket. A.I. amivel autókat lehet vezetni? Neurális hálók. A.I. amely több tucat különböző nyelvre képes lefordítani a szöveget? Neurális hálók. A.I. amely segít az otthonában lévő okoshangszórónak megérteni a hangját? A neurális hálók a technológia, amelyet meg kell köszönni.

A neurális hálózatok másképpen működnek, mint a szimbolikus A.I. mert adatvezéreltek, nem pedig szabályalapúak. Megmagyarázni valamit egy szimbolikus A.I.-nek. A rendszer azt jelenti, hogy minden olyan információt kifejezetten megad, amelyre szüksége van a helyes azonosításhoz. Hasonlatként képzelje el, hogy elküld valakit, hogy elvigye anyukádat a buszpályaudvarról, de le kell írnia egy olyan szabályrendszert, amely lehetővé teszi, hogy barátja kiemelje őt a tömegből. Ahhoz, hogy egy neurális hálózatot megtanítson erre, egyszerűen mutasson meg több ezer képet a kérdéses objektumról. Ha egyszer elég okos lesz, nemcsak hogy képes lesz felismerni azt a tárgyat; ki tudja alkotni saját hasonló objektumait, amelyek rendelkeznek valójában soha nem létezett a való világban.

„Az biztos, hogy a mély tanulás elképesztő előrelépéseket tett lehetővé” – mondta David Cox a Digital Trendsnek. "Ugyanakkor vannak aggasztó repedések a falon, amelyek kezdenek látszani."

Az egyik ilyen úgynevezett repedés pontosan arra a dologra támaszkodik, amely a mai neurális hálózatokat olyan erőssé tette: az adatokra. Akárcsak az ember, a neurális hálózat is példák alapján tanul. De míg az embernek csak egy vagy két gyakorlati példát kell látnia egy tárgyról ahhoz, hogy helyesen emlékezzen rá, egy A.I. sok-sok másra lesz szükség. A pontosság attól függ, hogy nagy mennyiségű megjegyzéssel ellátott adat van-e, amellyel minden új feladat megtanulható.

Égő közlekedési lámpák

Ez kevésbé alkalmassá teszi őket a statisztikailag ritka „fekete hattyú” problémákra. Fekete hattyú rendezvény, népszerűsítette Nassim Nicholas Taleb, egy sarok eset, amely statisztikailag ritka. „Ma sok mély tanulási megoldásunk – bármilyen csodálatos is – 80-20 megoldás” – folytatta Cox. „Az esetek 80%-ában igazuk lesz, de ha ezek a sarokperek számítanak, hajlamosak leesni. Ha olyan objektumot lát, amely általában nem tartozik [egy bizonyos helyre], vagy egy tárgyat egy kissé furcsa tájolású, akkor még csodálatos rendszerek is lezuhannak.”

Mielőtt csatlakozott volna az IBM-hez, Cox társalapítója volt egy cégnek, Érzékelő automaták, amely önvezető autókhoz fejlesztett szoftvert. A csapatnak volt egy Slack csatornája, ahol vicces képeket tettek közzé, amelyekre az adatgyűjtés során bukkantak. Egyikük egy kereszteződésben égő jelzőlámpát mutatott. „Ez azon esetek egyike, amit talán soha életében nem láthat” – mondta Cox. „Nem tudom, hogy a Waymo és a Tesla tartalmaz-e égő közlekedési lámpákat ábrázoló képeket az általuk használt adatkészletekben edzeni a neurális hálózataikat, de hajlandó vagyok fogadni… ha van, akkor csak nagyon kevés."

Az egy dolog, hogy egy sarokügy jelentéktelen dolog, mert ritkán fordul elő, és nem számít annyira, amikor megtörténik. Lehet, hogy egy rossz étteremajánlás nem ideális, de valószínűleg nem lesz elég ahhoz, hogy tönkretegye a napját. Mindaddig, amíg a rendszer által megfogalmazott korábbi 99 ajánlás jó, nincs igazi ok a frusztrációra. Egy önvezető autó, amely nem reagál megfelelően a kereszteződésben egy égő közlekedési lámpa vagy egy lovas kocsi miatt, sokkal többet tehet, mint hogy elrontja a napját. Lehet, hogy nem valószínű, hogy megtörténik, de ha megtörténik, szeretnénk tudni, hogy a rendszert úgy tervezték, hogy képes legyen megbirkózni vele.

"Ha megvan a képessége, hogy okoskodjon és extrapoláljon a korábban látottakon túl, akkor meg tudjuk oldani ezeket a forgatókönyveket" - magyarázta Cox. „Tudjuk, hogy az emberek képesek erre. Ha égő közlekedési lámpát látok, sok tudást tudok magammal vinni. Tudom például, hogy a lámpa nem fogja megmondani, hogy megálljak-e vagy menjek. Tudom, hogy óvatosnak kell lennem, mert [a körülöttem lévő sofőrök összezavarodnak.] Tudom, hogy a másik irányba érkező sofőrök másképp viselkedhetnek, mert a lámpájuk működhet. Tudok egy cselekvési tervet kidolgozni, amely elvezet oda, ahová mennem kell. Ilyen biztonságkritikus, küldetéskritikus környezetben ez az a hely, ahol nem hiszem, hogy a mély tanulás még tökéletesen szolgálna bennünket. Ezért van szükségünk további megoldásokra."

Kiegészítő ötletek

A neuro-szimbolikus A.I. célja, hogy ezeket a megközelítéseket egyesítse a tanulás és a logika összekapcsolása érdekében. A neurális hálózatok segítenek a szimbolikus A.I. A rendszerek okosabbak azáltal, hogy a világot szimbólumokra bontják, ahelyett, hogy emberi programozókra hagyatkoznának, hogy megcsinálják helyettük. Eközben szimbolikus A.I. Az algoritmusok segítenek beépíteni a józan ész érvelését és a területi ismereteket a mély tanulásba. Az eredmények jelentős előrelépéshez vezethetnek az A.I. komplex feladatokat megoldó rendszerek, amelyek az önvezető autóktól a természetes nyelvi feldolgozásig mindenhez kapcsolódnak. És mindezt úgy, hogy az edzéshez sokkal kevesebb adatra van szükség.

"A neurális hálózatok és a szimbolikus ötletek valóban csodálatosan kiegészítik egymást" - mondta Cox. „Mert a neurális hálózatok választ adnak arra, hogy a valós világ zűrzavarától a világ szimbolikus ábrázolásáig eljuthassunk, és megtaláljuk az összes összefüggést a képeken belül. Ha egyszer megvan ez a szimbolikus ábrázolás, akkor érvelés terén egészen mágikus dolgokat művelhetsz.”

Például abban az alakpéldában, amellyel ezt a cikket kezdtem, egy neuro-szimbolikus rendszer egy neurális hálózat mintafelismerő képességét használja az objektumok azonosítására. Akkor a szimbolikus A.I. logikát és szemantikai érvelést alkalmazni az új kapcsolatok feltárására. Vannak ilyen rendszerek már bizonyítottan hatékonyan működik.

Ez nem csak sarkalatos esetekben lenne hasznos. Egyre fontosabb, hogy A.I. a rendszerek szükség esetén magyarázhatók. Egy neurális hálózat rendkívül jól tud bizonyos feladatokat ellátni, de belső érvelésének nagy része „fekete dobozos”, kifürkészhetetlenné válik azok számára, akik tudni szeretnék, hogyan döntött. Ez megint nem számít annyira, ha egy botról van szó, amely rossz számot ajánl a Spotify-on. De ha megtagadták a bankhitelt, elutasították egy álláspályázatot, vagy ha valaki megsérült egy autonóm autót érintő incidens esetén jobb, ha meg tudná magyarázni, miért tettek bizonyos ajánlásokat készült. Ez az a hely, ahol a neuro-szimbolikus A.I. jöhetne be.

A.I. kutatás: a következő generáció

Néhány évtizeddel ezelőtt a szimbolikus A.I. és a neurális hálózatok ellentétesek voltak egymással. A megközelítéseket támogató neves alakok nemcsak azt hitték, hogy megközelítésük helyes; úgy vélték, hogy ez azt jelenti, hogy a másik megközelítés helytelen. Nem feltétlenül tettek helytelenül. Versenyezve ugyanazon problémák megoldásáért, és korlátozott finanszírozás mellett az A.I. alapvetően ellentétesnek tűntek egymással. Ma úgy tűnik, ennek az ellenkezője is igaz.

„Nagyon lenyűgöző látni a fiatalabb generációt” – mondta Cox. „[Sok ember a csapatomban] viszonylag fiatal ember: frissek, izgatottak, nemrég fejezték be a doktori fokozatot. Egyszerűen nincs ilyen előzményük. Egyszerűen nem törődnek vele [a két megközelítés egymással szembeállítva] – és a nem törődés igazán erős, mert megnyit, és megszabadul ezektől az előítéletektől. Örömmel fedezik fel a kereszteződéseket… Csak valami menőt akarnak csinálni az A.I-vel.”

Ha minden a tervek szerint halad, mindannyian profitálunk az eredményekből.

Szerkesztői ajánlások

• Analóg A.I.? Őrülten hangzik, de lehet, hogy ez a jövő
• Olvassa el egy A.I. kísértetiesen szép „szintetikus szentírását”. aki azt hiszi, hogy Isten
• Algoritmikus architektúra: Hagyjuk, hogy A.I. épületeket tervez nekünk?
• Nyelvi szupermodell: Hogyan vezeti be csendesen a GPT-3 az A.I. forradalom
• Women with Byte: Vivienne Ming terve, hogy megoldja a „rendetlen emberi problémákat” A.I.