Kāpēc neirosimboliskais mākslīgais intelekts ir A.I. No Nākotnes

Attēlojiet paplāti. Uz paplātes ir dažādas formas: daži kubi, citi sfēras. Formas ir izgatavotas no dažādiem materiāliem un atspoguļo dažādu izmēru sortimentu. Kopumā ir, iespējams, astoņi objekti. Mans jautājums: "Vai, skatoties uz objektiem, ir vienāds skaits lielu lietu un metāla sfēru?"

Tas nav viltīgs jautājums. Fakts, ka tas izklausās tā, ir pozitīvs pierādījums tam, cik vienkārši tas patiesībā ir. Tas ir tāds jautājums, uz kuru pirmsskolas vecuma bērns, visticamāk, varētu viegli atbildēt. Bet tas ir gandrīz neiespējami mūsdienu modernajiem neironu tīkliem. Tas ir jāmaina. Un tam ir jānotiek, no jauna izgudrojot mākslīgo intelektu, kādu mēs to zinām.

Tas nav mans viedoklis; tas ir viedoklis Deivids Kokss, MIT-IBM direktors Watson A.I. Laboratorija Kembridžā, MA. Iepriekšējā dzīvē Kokss bija profesors Hārvardas universitātē, kur viņa komanda izmantoja neirozinātņu atziņas, lai palīdzētu izveidot labākas smadzeņu iedvesmotas mašīnmācīšanās datorsistēmas. Savā pašreizējā amatā IBM viņš pārrauga unikālu partnerību starp MIT un IBM, kas veicina A.I. pētījumi, tostarp IBM Watson A.I. platforma. Vatsons tiem, kas nezina, bija A.I. kas lieliski uzvarēja divus no labākajiem spēļu šova spēlētājiem

vēsturē TV viktorīnas šovā Apdraudējums. Watson arī galvenokārt ir mašīnmācības sistēma, kas apmācīta, izmantojot datu masas, nevis cilvēku radītus noteikumus.

Tātad, kad Kokss saka, ka pasaulei ir jāpārdomā A.I. tuvojoties jaunai desmitgadei, tas izklausās dīvaini. Galu galā 2010. gadi neapšaubāmi ir bijuši visveiksmīgākie desmit gadi A.I. vēsture: periods, kurā sasniegumi notiek šķietami katru nedēļu un bez vēsa nojauta. A.I. ziema redzeslokā. Tieši tāpēc viņš domā, ka A.I. tomēr ir jāmaina. Un viņa ieteikums par šīm izmaiņām, pašlaik neskaidrs termins, ko sauc par “neirosimbolisko A.I.”, varētu kļūt par vienu no tām frāzēm, ar kurām mēs esam cieši pazīstami līdz 2020. gadu beigām.

Simboliskā A.I. pieaugums un kritums.

Neirosimboliskais A.I. strikti sakot, tas nav pilnīgi jauns veids, kā veikt A.I. Tā ir divu esošo pieeju kombinācija domāšanas mašīnu veidošanai; tādi, kas reiz tika nostādīti pret katru kā mirstīgi ienaidnieki.

Nosaukuma “simboliskā” daļa attiecas uz pirmo galveno pieeju mākslīgā intelekta radīšanai. No 1950. gadiem līdz 80. gadiem simboliskā A.I. valdīja augstākais. Uz simbolisku A.I. pētnieks, inteliģence balstās uz cilvēku spēju izprast apkārtējo pasauli, veidojot iekšējus simboliskus priekšstatus. Pēc tam viņi izveido noteikumus, kā rīkoties ar šiem jēdzieniem, un šos noteikumus var formalizēt veidā, kas aptver ikdienas zināšanas.

Ja smadzenes ir līdzīgas datoram, tas nozīmē, ka katra situācija, ar kuru mēs saskaramies, ir atkarīga no tā, vai mēs darbojamies iekšējā datorprogramma, kas soli pa solim izskaidro, kā veikt darbību, pilnībā pamatojoties uz loģika. Ja tas tā ir, simboliskā A.I. pētnieki uzskata, ka tie paši noteikumi par pasaules organizāciju varētu atklāt un pēc tam algoritma veidā kodificēt datoram veikt.

Simbolisks A.I. rezultātā notika dažas diezgan iespaidīgas demonstrācijas. Piemēram, 1964. gadā datorzinātnieks Bertrams Rafaels izstrādāja sistēmu ar nosaukumu SIR, kas apzīmē "Semantiskās informācijas izguve”. SIR bija skaitļošanas spriešanas sistēma, kas šķietami spēja iemācīties attiecības starp objektiem tādā veidā, kas atgādina īstu inteliģenci. Ja jūs teiktu, piemēram, "Jānis ir zēns; zēns ir cilvēks; cilvēkam ir divas rokas; rokai ir pieci pirksti,” tad SIR atbildētu uz jautājumu “Cik pirkstu ir Džonam?” ar pareizo numuru 10.

Datorsistēmas, kuru pamatā ir simboliska A.I. 80. gados sasniedza savu spēku (un krituma) virsotni. Šī bija tā sauktās “ekspertu sistēmas” desmitgade, kas mēģināja izmantot uz noteikumiem balstītas sistēmas, lai atrisinātu reālās pasaules problēmas, piemēram, palīdzēt organiskajiem ķīmiķiem identificēt nezināmas organiskās molekulas vai palīdzēt ārstiem ieteikt pareizo antibiotiku devu infekcijas.

Šo ekspertu sistēmu pamatkoncepcija bija stabila. Bet viņiem bija problēmas. Sistēmas bija dārgas, tām bija nepieciešama pastāvīga atjaunināšana, un, pats sliktākais, tās varēja kļūt mazāk precīzas, jo vairāk noteikumu tika iekļauts.

Neironu tīklu pasaule

Neiro-simboliskā A.I. “neiro” daļa. attiecas uz dziļās mācīšanās neironu tīkli. Neironu tīkli ir smadzeņu iedvesmots skaitļošanas veids, kas ir virzījis daudzus A.I. pēdējo desmit gadu laikā redzētie sasniegumi. A.I. kas var vadīt automašīnas? Neironu tīkli. A.I. kas var tulkot tekstu desmitiem dažādu valodu? Neironu tīkli. A.I. kas palīdz viedajam skaļrunim jūsu mājās saprast jūsu balsi? Neironu tīkli ir tehnoloģija, kam pateikties.

Neironu tīkli darbojas savādāk nekā simbolisks A.I. jo tie ir balstīti uz datiem, nevis uz noteikumiem. Lai kaut ko paskaidrotu simboliskajam A.I. sistēma nozīmē nepārprotami nodrošināt tai visu informāciju, kas tai nepieciešama, lai varētu veikt pareizu identifikāciju. Kā analoģiju iedomājieties, ka sūtāt kādu pēc jūsu mammas no autoostas, taču jums ir jāapraksta viņa, sniedzot noteikumu kopumu, kas ļautu jūsu draugam viņu izcelt no pūļa. Lai apmācītu neironu tīklu to darīt, jums vienkārši jāparāda tūkstošiem attiecīgā objekta attēlu. Kad tas būs pietiekami gudrs, tas ne tikai spēs atpazīt šo objektu; tas var izveidot savus līdzīgus objektus, kas ir reālajā pasaulē nekad nav pastāvējusi.

“Protams, padziļināta mācīšanās ir ļāvusi sasniegt pārsteidzošus sasniegumus, ” Deivids Kokss pastāstīja Digital Trends. "Tajā pašā laikā sienā ir radušās plaisas, kas sāk parādīties."

Viena no šīm tā dēvētajām plaisām balstās tieši uz to, kas mūsdienu neironu tīklus ir padarījis tik spēcīgus: datus. Tāpat kā cilvēks, neironu tīkls mācās, pamatojoties uz piemēriem. Bet, lai gan cilvēkam var būt nepieciešams redzēt tikai vienu vai divus objekta apmācības piemērus, lai to pareizi atcerētos, A.I. prasīs daudz, daudz vairāk. Precizitāte ir atkarīga no tā, vai ir liels daudzums anotētu datu, ar kuriem tā var apgūt katru jaunu uzdevumu.

Deg luksofori

Tas padara viņus mazāk spējīgus risināt statistiski retās “melnā gulbja” problēmas. Melnā gulbja pasākums, kuru popularizēja Nasims Nikolass Talebs, ir statistiski reti sastopams stūra gadījums. "Daudzi no mūsu padziļinātās mācīšanās risinājumiem šodien — lai arī cik pārsteidzoši tie būtu - ir 80-20 risinājumi," turpināja Kokss. “Viņiem būs pareizi 80% gadījumu, bet, ja šiem stūra gadījumiem ir nozīme, tie mēdz nokrist. Ja redzat objektu, kas parasti neietilpst [noteiktā vietā], vai objektu, kura orientācija ir nedaudz dīvaina, pat pārsteidzošas sistēmas nokritīs.

Pirms pievienošanās IBM Kokss līdzdibināja uzņēmumu, Uztveres automāts, kas izstrādāja programmatūru pašbraucošām automašīnām. Komandai bija Slack kanāls, kurā viņi publicēja smieklīgus attēlus, uz kuriem viņi bija nejauši kļuvuši datu vākšanas laikā. Viens no viņiem, paņemts krustojumā, rādīja degošu luksoforu. "Tas ir viens no gadījumiem, ko jūs, iespējams, nekad savā mūžā neredzēsit," sacīja Kokss. "Es nezinu, vai Waymo un Tesla datu kopās izmanto degošu luksoforu attēlus apmācīt viņu neironu tīklus, bet es esmu gatavs derēt… ja viņiem tādi ir, viņiem būs tikai ļoti maz.”

Viena lieta ir, ja stūra korpuss ir kaut kas nenozīmīgs, jo tas notiek reti un nav tik svarīgi, kad tas notiek. Slikta restorāna ieteikuma saņemšana varētu nebūt ideāla, taču ar to, iespējams, nepietiks, lai pat sabojātu jūsu dienu. Kamēr iepriekšējie 99 sistēmas ieteikumi ir labi, vilšanās nav īsta iemesla. Pašbraucoša automašīna, kas krustojumā nereaģē pareizi degoša luksofora vai zirga pajūga dēļ, var darīt daudz vairāk, nekā sabojāt jūsu dienu. Maz ticams, ka tas notiks, taču, ja tā notiks, mēs vēlamies zināt, ka sistēma ir izstrādāta tā, lai tā varētu ar to tikt galā.

"Ja jums ir iespēja argumentēt un ekstrapolēt ārpus tā, ko esam redzējuši iepriekš, mēs varam tikt galā ar šiem scenārijiem," skaidroja Kokss. "Mēs zinām, ka cilvēki to var izdarīt. Ja es redzu degošu luksoforu, varu nest daudz zināšanu. Es zinu, piemēram, ka gaisma man nepateiks, vai man vajadzētu apstāties vai doties. Es zinu, ka man jābūt uzmanīgam, jo ​​[man apkārt esošie autovadītāji būs apmulsuši.] Es zinu, ka autovadītāji, kas ierodas pretējā virzienā, var uzvesties citādi, jo viņu apgaismojums var darboties. Es varu izdomāt rīcības plānu, kas aizvedīs mani tur, kur man jāiet. Šādos drošības un misijai kritiskos apstākļos es nedomāju, ka padziļināta mācīšanās mums vēl lieliski kalpo. Tāpēc mums ir nepieciešami papildu risinājumi.

Papildu idejas

Ideja par neiro-simbolisko A.I. ir apvienot šīs pieejas, lai apvienotu gan mācīšanos, gan loģiku. Neironu tīkli palīdzēs izveidot simbolisku A.I. sistēmas kļūst gudrākas, sadalot pasauli simbolos, nevis paļaujoties uz programmētājiem, kas to dara viņu vietā. Tikmēr simboliskā A.I. algoritmi palīdzēs dziļā mācībā iekļaut veselā saprāta spriešanu un zināšanas par jomām. Rezultāti varētu novest pie ievērojama progresa A.I. sistēmas, kas risina sarežģītus uzdevumus, kas attiecas uz visu, sākot no pašbraucošām automašīnām un beidzot ar dabiskās valodas apstrādi. Un tas viss vienlaikus prasa daudz mazāk datu apmācībai.

"Neironu tīkli un simboliskās idejas patiešām lieliski papildina viens otru," sacīja Kokss. "Tā kā neironu tīkli sniedz jums atbildes, kā nokļūt no reālās pasaules nekārtības uz simbolisku pasaules attēlojumu, atrodot visas korelācijas attēlos. Kad esat ieguvis šo simbolisko attēlojumu, jūs varat izdarīt dažas diezgan maģiskas lietas argumentācijas ziņā.

Piemēram, formas piemērā, ar kuru sāku šo rakstu, neirosimboliskā sistēma objektu identificēšanai izmantos neironu tīkla modeļa atpazīšanas iespējas. Tad tas paļautos uz simbolisku A.I. izmantot loģiku un semantisko spriešanu, lai atklātu jaunas attiecības. Šādām sistēmām ir jau ir pierādīts, ka tas darbojas efektīvi.

Tas būtu noderīgi ne tikai stūra gadījumos. Arvien svarīgāk ir tas, ka A.I. sistēmas ir izskaidrojamas, ja nepieciešams. Neironu tīkls var izcili labi veikt noteiktus uzdevumus, taču liela daļa tā iekšējo argumentāciju ir “melnajā kastē”, kas ir padarīta neizdibināma tiem, kas vēlas uzzināt, kā tas pieņēma lēmumu. Atkal, tam nav tik lielas nozīmes, ja tas ir robots, kas iesaka nepareizu ierakstu vietnē Spotify. Bet, ja jums ir atteikts bankas kredīts, jums ir noraidīts darba pieteikums vai kāds ir guvis traumas Negadījums, kas saistīts ar autonomu automašīnu, labāk varētu izskaidrot, kāpēc ir bijuši daži ieteikumi izgatavots. Tieši šeit neirosimboliskais A.I. varētu ienākt.

A.I. pētījumi: nākamā paaudze

Pirms dažām desmitgadēm simboliskā A.I. un neironu tīkli bija pretrunā viens ar otru. Slavenās personas, kas aizstāvēja pieejas, ne tikai uzskatīja, ka viņu pieeja ir pareiza; viņi uzskatīja, ka tas nozīmē, ka otra pieeja bija nepareiza. Viņi ne vienmēr bija nepareizi to darīt. Sacensībās, lai atrisinātu vienas un tās pašas problēmas, un ar ierobežotu finansējumu, lai varētu pārvarēt, abas A.I. izskatījās principiāli pretrunā viens otram. Šodien šķiet, ka var izrādīties pretējais.

"Ir patiešām aizraujoši redzēt jauno paaudzi," sacīja Kokss. “[Daudzi cilvēki manā komandā ir] salīdzinoši jaunāki cilvēki: svaigi, satraukti, diezgan nesen beiguši doktora grādu. Viņiem vienkārši nav šīs vēstures. Viņiem vienkārši ir vienalga [abas pieejas pretstatā viena otrai] — un nerūpēšanās ir patiešām spēcīga, jo tā jūs atver un atbrīvo no šiem aizspriedumiem. Viņi labprāt izpēta krustojumus... Viņi vienkārši vēlas darīt kaut ko foršu ar A.I.

Ja viss noritēs saskaņā ar plānu, mēs visi gūsim labumu no rezultātiem.

Redaktoru ieteikumi

• Analogais A.I.? Tas izklausās traki, bet tā varētu būt nākotne
• Izlasiet šausminoši skaisto A.I. — sintētisko rakstu pantu. kas domā, ka tas ir Dievs
• Algoritmiskā arhitektūra: vai mums vajadzētu ļaut A.I. projektēt ēkas mums?
• Valodas supermodele: kā GPT-3 klusi ievada A.I. revolūcija
• Sievietes ar baitu: Vivjenas Mingas plāns atrisināt “netīrās cilvēciskās problēmas” ar A.I.