Kodėl neurosimbolinis dirbtinis intelektas yra A.I. Ateities

Pavaizduokite dėklą. Ant padėklo yra įvairių formų: vieni kubeliai, kiti rutuliukai. Formos yra pagamintos iš įvairių medžiagų ir yra įvairių dydžių. Iš viso yra gal aštuoni objektai. Mano klausimas: „Žiūrint į objektus, ar yra vienodai didelių daiktų ir metalinių rutulių?

Tai nėra gudrus klausimas. Tai, kad tai skamba taip, rodo, kaip tai paprasta iš tikrųjų. Tai toks klausimas, į kurį ikimokyklinukas greičiausiai galėtų lengvai atsakyti. Tačiau tai beveik neįmanoma šiuolaikiniams neuroniniams tinklams. Tai reikia keisti. Ir tai turi įvykti iš naujo išradus dirbtinį intelektą, kokį mes žinome.

Tai ne mano nuomonė; tai nuomonė Davidas Coxas, MIT-IBM Watson direktorius A.I. Laboratorija Kembridže, MA. Ankstesniame gyvenime Coxas buvo Harvardo universiteto profesorius, kur jo komanda naudojo neurologijos įžvalgas, kad padėtų sukurti geresnes smegenų įkvėptas mašininio mokymosi kompiuterines sistemas. Eidamas dabartinį vaidmenį IBM, jis prižiūri unikalią MIT ir IBM partnerystę, kuri tobulina A.I. tyrimai, įskaitant IBM Watson A.I. platforma. Watsonas, tiems, kurie nežino, buvo A.I. kuri puikiai nugalėjo du geriausius žaidimų šou žaidėjus

istorijoje TV viktorinoje Pavojus. Watson taip pat yra visų pirma mašininio mokymosi sistema, apmokyta naudojant daugybę duomenų, o ne iš žmogaus sukurtų taisyklių.

Taigi, kai Coxas sako, kad pasaulis turi permąstyti A.I. kai ateina naujas dešimtmetis, tai skamba keistai. Galų gale, 2010-ieji buvo neabejotinai sėkmingiausi dešimt metų A.I. Istorija: laikotarpis, kai proveržiai įvyksta, atrodo, kas savaitę ir be jokio šalto užuominos A.I. žiema akiratyje. Būtent dėl ​​to jis mano, kad A.I. vis dėlto reikia keisti. Ir jo pasiūlymas dėl šio pakeitimo, šiuo metu neaiškus terminas, vadinamas „neuro-simbolinis A.I.“, gali tapti viena iš tų frazių, su kuriomis esame artimai susipažinę iki 2020-ųjų pabaigos.

Simbolinio A.I. iškilimas ir nuosmukis.

Neuro-simbolinis A.I. griežtai kalbant, nėra visiškai naujas A.I. Tai dviejų esamų mąstymo mašinų kūrimo metodų derinys; kurie kažkada buvo priešinami kaip mirtingi priešai.

„Simbolinė“ pavadinimo dalis nurodo pirmąjį pagrindinį požiūrį į dirbtinio intelekto kūrimą. Nuo šeštojo dešimtmečio iki devintojo dešimtmečio simbolinis A.I. valdė aukščiausią. Simboliniam A.I. Tyrėjo nuomone, intelektas remiasi žmonių gebėjimu suprasti juos supantį pasaulį formuojant vidines simbolines reprezentacijas. Tada jie sukuria taisykles, kaip elgtis su šiomis sąvokomis, ir šias taisykles galima formalizuoti taip, kad būtų užfiksuotos kasdienės žinios.

Jei smegenys yra panašios į kompiuterį, tai reiškia, kad kiekviena situacija, su kuria susiduriame, priklauso nuo mūsų veikimo vidinė kompiuterinė programa, kuri žingsnis po žingsnio paaiškina, kaip atlikti operaciją, visiškai remiantis logika. Jei taip yra, simbolinis A.I. Tyrėjai mano, kad tos pačios taisyklės apie pasaulio organizavimas gali būti atrastas, o vėliau – algoritmo forma – kodifikuotas kompiuteriui Įvykdyti.

Simbolinis A.I. surengė keletą gana įspūdingų demonstracijų. Pavyzdžiui, 1964 m. kompiuterių mokslininkas Bertramas Raphaelis sukūrė sistemą, pavadintą SIR, reiškiančią "Semantinės informacijos paieška. SIR buvo kompiuterinė samprotavimo sistema, kuri, atrodo, galėjo išmokti ryšius tarp objektų tokiu būdu, kuris primena tikrąjį intelektą. Jei pasakytumėte, pavyzdžiui, „Jonas yra berniukas; berniukas yra asmuo; žmogus turi dvi rankas; ranka turi penkis pirštus“, tada SIR atsakytų į klausimą „Kiek pirštų turi Jonas? su teisingu numeriu 10.

Kompiuterinės sistemos, pagrįstos simboline A.I. devintajame dešimtmetyje pasiekė savo galių viršūnę (ir nuosmukį). Tai buvo vadinamosios „ekspertų sistemos“, kuri bandė naudoti taisyklėmis pagrįstas sistemas realaus pasaulio problemoms spręsti, pvz. padėti organiniams chemikams identifikuoti nežinomas organines molekules arba padėti gydytojams rekomenduoti tinkamą antibiotikų dozę infekcijos.

Pagrindinė šių ekspertinių sistemų koncepcija buvo tvirta. Bet jie turėjo problemų. Sistemos buvo brangios, jas reikėjo nuolat atnaujinti, o, kas blogiausia, jos gali tapti mažiau tikslios, jei bus įtraukta daugiau taisyklių.

Neuroninių tinklų pasaulis

„Neuro“ neuro-simbolinio A.I. nurodo gilaus mokymosi neuroniniai tinklai. Neuroniniai tinklai yra smegenų įkvėptas skaičiavimo tipas, kuris paskatino daugelį A.I. per pastarąjį dešimtmetį pastebėtus laimėjimus. A.I. kad gali vairuoti automobilius? Neuroniniai tinklai. A.I. kuri gali išversti tekstą į daugybę skirtingų kalbų? Neuroniniai tinklai. A.I. kas padeda išmaniajam garsiakalbiui jūsų namuose suprasti jūsų balsą? Neuroniniai tinklai yra technologija, už kurią reikia padėkoti.

Neuroniniai tinklai veikia kitaip nei simbolinis A.I. nes jie pagrįsti duomenimis, o ne taisyklėmis. Norėdami ką nors paaiškinti simboliniam A.I. sistema reiškia, kad jai aiškiai pateikiama visa informacija, kurios jai reikia, kad būtų galima teisingai identifikuoti. Kaip analogiją įsivaizduokite, kad siunčiate ką nors pasiimti jūsų mamos iš autobusų stoties, bet turite ją apibūdinti pateikdami taisykles, kurios leistų jūsų draugui ją išskirti iš minios. Norėdami išmokyti neuroninį tinklą tai padaryti, tiesiog parodykite jam tūkstančius nagrinėjamo objekto nuotraukų. Kai jis bus pakankamai protingas, jis ne tik galės atpažinti tą objektą; ji gali sudaryti savo panašius objektus, kurie turi realiame pasaulyje niekada iš tikrųjų neegzistavo.

„Be abejo, gilus mokymasis leido pasiekti nuostabią pažangą“, – „Digital Trends“ sakė Davidas Coxas. „Tuo pačiu metu sienoje yra įtrūkimų, kurie pradeda matytis.

Vienas iš šių vadinamųjų įtrūkimų remiasi būtent tuo, dėl kurio šiandieniniai neuroniniai tinklai tapo tokie galingi: duomenys. Kaip ir žmogus, neuroninis tinklas mokosi remdamasis pavyzdžiais. Tačiau nors žmogui gali tekti pamatyti tik vieną ar du mokomuosius objekto pavyzdžius, kad jį teisingai atsimintų, A.I. reikės daug, daug daugiau. Tikslumas priklauso nuo to, ar yra daug anotuotų duomenų, su kuriais jis gali išmokti kiekvieną naują užduotį.

Dega šviesoforai

Dėl to jie ne taip gerai sprendžia statistiškai retas „juodosios gulbės“ problemas. Juodosios gulbės renginys, kurį išpopuliarino Nasimas Nikolajus Talebas, yra kampinis atvejis, kuris statistiškai yra retas. „Daugelis mūsų šiandieninių gilaus mokymosi sprendimų – kad ir kokie nuostabūs jie būtų – yra 80–20 sprendimų“, – tęsė Coxas. „Jie išspręs 80% atvejų, bet jei tie kampiniai atvejai bus svarbūs, jie linkę nukristi. Jei pamatysite objektą, kuris paprastai nepriklauso [tam tikroje vietoje], arba objektą, kurio orientacija yra šiek tiek keista, net nuostabios sistemos nukris.

Prieš prisijungdamas prie IBM, Coxas įkūrė įmonę, Suvokimo automatas, kuri sukūrė programinę įrangą savarankiškai važiuojantiems automobiliams. Komanda turėjo „Slack“ kanalą, kuriame skelbė juokingus vaizdus, ​​​​kurie suklupo rinkdami duomenis. Vienas iš jų, paimtas sankryžoje, rodė degantį šviesoforą. „Tai vienas iš tų atvejų, kurio galbūt niekada nepamatysi per savo gyvenimą“, – sakė Coxas. „Nežinau, ar Waymo ir Tesla duomenų rinkiniuose turi degančių šviesoforų vaizdų. treniruoti savo neuroninius tinklus, bet aš pasiruošęs lažintis… jei jie turi, jie turės tik labai nedaug."

Vienas dalykas, kad kampinis dėklas yra nereikšmingas, nes tai atsitinka retai ir nėra labai svarbu, kai taip atsitinka. Gauti blogą restorano rekomendaciją gali būti ne idealu, bet tikriausiai to nepakaks net sugadinti jūsų dieną. Kol ankstesnės 99 sistemos pateiktos rekomendacijos yra geros, nėra tikros priežasties nusivylimui. Savaeigis automobilis, netinkamai reaguojantis sankryžoje dėl degančio šviesoforo ar arklio traukiamo vežimo, gali padaryti daug daugiau nei sugadinti jūsų dieną. Mažai tikėtina, kad taip nutiks, bet jei taip, norime žinoti, kad sistema sukurta taip, kad galėtų su tuo susidoroti.

„Jei turite galimybę samprotauti ir ekstrapoliuoti daugiau nei tai, ką matėme anksčiau, galime susidoroti su šiais scenarijais“, - paaiškino Coxas. „Mes žinome, kad žmonės gali tai padaryti. Jei matau degantį šviesoforą, galiu perteikti daug žinių. Pavyzdžiui, žinau, kad šviesa man nepasakys, ar turėčiau sustoti, ar eiti. Žinau, kad turiu būti atsargus, nes [aplink mane esantys vairuotojai bus sutrikę.] Žinau, kad į kitą pusę atvažiuojantys vairuotojai gali elgtis kitaip, nes gali veikti jų lemputė. Galiu pagrįsti veiksmų planą, kuris nuves mane ten, kur reikia. Esant tokioms saugai ir misijai svarbioms aplinkybėms, nemanau, kad gilus mokymasis mums dar puikiai pasitarnauja. Štai kodėl mums reikia papildomų sprendimų“.

Papildomos idėjos

Neuro-simbolinio A.I. yra sujungti šiuos metodus, kad būtų suderintas mokymasis ir logika. Neuroniniai tinklai padės sukurti simbolinį A.I. sistemos yra protingesnės, suskaidydami pasaulį į simbolius, o ne pasikliavę programuotojais, kurie tai padarys už juos. Tuo tarpu simbolinis A.I. algoritmai padės integruoti sveiko proto samprotavimus ir srities žinias į gilų mokymąsi. Rezultatai gali lemti didelę pažangą A.I. sistemos, sprendžiančios sudėtingas užduotis, susijusias su viskuo – nuo ​​savarankiškai važiuojančių automobilių iki natūralios kalbos apdorojimo. Ir visa tai reikalauja daug mažiau duomenų treniruotėms.

"Neuroniniai tinklai ir simbolinės idėjos tikrai nuostabiai papildo viena kitą", - sakė Coxas. „Kadangi neuroniniai tinklai suteikia jums atsakymus, kaip pereiti nuo realaus pasaulio netvarkos iki simbolinio pasaulio vaizdavimo, surasti visas koreliacijas vaizduose. Kai turėsite tą simbolinį vaizdą, galite padaryti keletą stebuklingų dalykų samprotavimo prasme.

Pavyzdžiui, formos pavyzdyje, nuo kurio pradėjau šį straipsnį, neuro-simbolinė sistema naudotų neuroninio tinklo modelio atpažinimo galimybes objektams identifikuoti. Tada jis pasiremtų simboline A.I. taikyti logiką ir semantinius samprotavimus naujiems santykiams atskleisti. Tokios sistemos turi jau įrodyta, kad jie veikia efektyviai.

Tai taip pat būtų naudinga ne tik kampiniais atvejais. Vis labiau svarbu, kad A.I. sistemos yra paaiškinamos, kai to reikia. Neuroninis tinklas gali ypač gerai atlikti tam tikras užduotis, tačiau didžioji jo vidinių samprotavimų dalis yra „juodoji dėžė“, kuri yra nesuprantama tiems, kurie nori sužinoti, kaip jis priėmė sprendimą. Vėlgi, tai nėra labai svarbu, jei tai robotas, kuris rekomenduoja netinkamą takelį „Spotify“. Bet jei jums buvo atsisakyta suteikti banko paskolą, jums buvo atmestas prašymas dėl darbo arba kas nors buvo sužeistas įvykį, susijusį su autonominiu automobiliu, geriau galėtumėte paaiškinti, kodėl buvo pateiktos tam tikros rekomendacijos pagamintas. Štai kur neurosimbolinis A.I. galėtų įeiti.

A.I. tyrimai: kita karta

Prieš kelis dešimtmečius simbolinio A.I. ir neuroniniai tinklai prieštaravo vienas kitam. Garsūs veikėjai, kurie propagavo metodus, ne tik tikėjo, kad jų požiūris buvo teisingas; jie manė, kad tai reiškia, kad kitas požiūris buvo neteisingas. Jie nebūtinai buvo neteisingi tai daryti. Konkuruodami dėl tų pačių problemų sprendimo ir turėdami ribotą finansavimą, abi A.I. pasirodė iš esmės priešingi vienas kitam. Šiandien atrodo, kad gali pasirodyti priešingai.

„Tikrai žavu matyti jaunąją kartą“, – sakė Coxas. „[Daugelis mano komandos žmonių yra] palyginti jaunesni žmonės: švieži, susijaudinę, gana neseniai baigę daktaro laipsnį. Jie tiesiog neturi tos istorijos. Jiems tiesiog nerūpi [abu požiūriai yra supriešinami] – o nesirūpinimas yra tikrai galingas, nes jis atveria tave ir atsikrato tų išankstinių nuostatų. Jie mielai tyrinėja sankryžas... Jie tiesiog nori nuveikti ką nors šaunaus su A.I.

Jei viskas vyks pagal planą, rezultatai bus naudingi mums visiems.

Redaktorių rekomendacijos

• Analoginis A.I.? Skamba beprotiškai, bet tai gali būti ateitis
• Perskaitykite siaubingai gražų A.I. „sintetinį raštą“. kad mano, kad tai Dievas
• Algoritminė architektūra: ar turėtume leisti A.I. projektuoti pastatus mums?
• Kalbos supermodelis: kaip GPT-3 tyliai įveda A.I. revoliucija
• Moterys su baitu: Vivienne Ming planas išspręsti „netvarkingas žmogaus problemas“ su A.I.