A.I. šobrīd ir visur, un tas ir atbildīgs par visu, sākot no virtuālajiem palīgiem mūsu viedtālruņos līdz pašbraucošās automašīnas drīz piepildīs mūsu ceļus līdz progresīvajām attēlu atpazīšanas sistēmām, par kurām ziņoja jūsu patiesi.
Ja vien pēdējo desmit gadu laikā neesat dzīvojis zem akmens, pastāv liela iespēja, ka esat par to dzirdējis iepriekš un, iespējams, pat izmantojis. Pašlaik mākslīgais intelekts Silīcija ielejā ir tas pats, kas One Direction ir 13 gadīgām meitenēm: visuresošs avots apsēstība izmest visu savu naudu, vienlaikus sapņojot par apprecēšanos ikreiz, kad Harijs Stailss beidzot būs gatavs norēķināties uz leju. (Labi, mēs joprojām strādājam pie analoģijas!)
Bet ko tieši ir A.I.? — un var lietot tādus terminus kā “mašīnmācība”, “mākslīgie neironu tīkli”, “mākslīgais intelekts” un “Zeins Maliks” (mēs joprojām strādājam pie šīs analoģijas…) tiek lietoti kā sinonīmi?
Lai palīdzētu jums izprast dažus modes vārdus un žargonu, ko jūs dzirdēsit, kad cilvēki runās par AI, mēs esam apkopojuši šo vienkāršo ceļvedi, kas palīdzēs jums apkopot galvu ap visām dažādajām mākslīgā intelekta garšām — kaut vai tāpēc, lai jūs nedarītu viltus, kad mašīnas beidzot beidzies.
Mākslīgais intelekts
Mēs neiedziļināsimies A.I vēsturē. šeit, taču svarīgi ir atzīmēt, ka mākslīgais intelekts ir koks, uz kura visi tālāk minētie termini ir zari. Piemēram, pastiprināšanas mācības ir mašīnmācības veids, kas ir mākslīgā intelekta apakšnozare. Tomēr mākslīgais intelekts nav (obligāti) pastiprinoša mācīšanās. Sapratu?
Līdz šim neviens nav izveidojis vispārēju intelektu.
Nav oficiālas vienprātības par to, ko A.I. nozīmē (daži cilvēki uzskata, ka tās ir vienkārši foršas lietas, ko datori vēl nevar izdarīt), bet lielākā daļa piekristu, ka runa ir par likšanu datoriem veikt darbības, kas tiktu uzskatītas par viedām, ja tās veiktu a persona.
Termins pirmo reizi tika ieviests 1956. gadā, plkst vasaras darbnīca Dartmutas koledžā Ņūhempšīrā. Lielā pašreizējā atšķirība A.I. ir starp pašreizējo domēnu Šaurā A.I. un Vispārējais mākslīgais intelekts. Līdz šim neviens nav izveidojis vispārēju intelektu. Kad viņi to izdarīs, visas likmes tiek izslēgtas…
Simbolisks A.I.
Jūs tik daudz par to nedzirdat Simbolisks A.I. šodien. Apzīmēts arī kā vecmodīgs A.I., Simboliskais A.I. ir veidots, balstoties uz loģiskiem soļiem, kurus datoram var sniegt lejupejošā veidā. Tas nozīmē, ka datoram (vai robotam) jāsniedz daudz un daudz noteikumu par to, kā tam jārīkojas konkrētajā scenārijā.
Tas noveda pie daudziem agrīniem atklājumiem, taču izrādījās, ka tie ļoti labi darbojās laboratorijās kuru katru mainīgo varētu lieliski kontrolēt, bet bieži vien mazāk labi ikdienas nekārtībā dzīvi. Kā viens rakstnieks ironizēja par Symbolic A.I., agrīnā A.I. sistēmas bija nedaudz līdzīgas Vecās Derības dievam — ar daudziem noteikumiem, bet bez žēlastības.
Mūsdienās pētniekiem patīk Selmers Bringsjords cīnās, lai atkal pievērstu uzmanību uz loģiku balstītam simboliskajam A.I., kura pamatā ir loģisko sistēmu pārākums, ko var saprast to radītāji.
Mašīnmācība
Ja dzirdat par lielu A.I. izrāviens mūsdienās, iespējams, ka, ja vien netiek radīts liels troksnis, kas liecina par pretējo, jūs dzirdat par mašīnmācība. Kā norāda nosaukums, mašīnmācība ir tāda, lai izveidotu mašīnas, kas mācās.
Tāpat kā A.I. virsrakstam, arī mašīnmācībai ir vairākas apakškategorijas, taču tās visas ir ietvertas izplatīta ir uz statistiku vērsta spēja iegūt datus un izmantot tiem algoritmus, lai iegūtu zināšanas.
Ir daudz dažādu mašīnmācības nozaru, taču tā, par kuru jūs, iespējams, dzirdēsit visvairāk, ir…
Neironu tīkli
Ja kādu laiku esat pavadījis mūsu sadaļā Cool Tech, droši vien esat par to dzirdējis mākslīgie neironu tīkli. Kā smadzeņu iedvesmotas sistēmas, kas izstrādātas, lai atkārtotu veidu, kā cilvēki mācās, neironu tīkli modificē savu kodu, lai atrast saikni starp ievadi un izvadi jeb cēloni un sekām situācijās, kad šīs attiecības ir sarežģītas vai neskaidrs.
Mākslīgie neironu tīkli ir guvuši labumu no dziļas mācīšanās ienākšanas.
Mākslīgo neironu tīklu jēdziens faktiski ir datēts atpakaļ uz pagājušā gadsimta četrdesmitajiem gadiem, taču tas patiešām bija tikai dažās pēdējās desmitgadēs, kad tas patiešām sāka izmantot savu potenciālu: to palīdzēja ieviest tādi algoritmi kā "atpakaļpavairošana”, kas ļauj neironu tīklam pielāgot savus slēptos neironu slāņus situācijās, kad rezultāts neatbilst radītāja cerētajam. (Piemēram, tīkls, kas paredzēts suņu atpazīšanai, kas nepareizi identificē kaķi.)
Šajā desmitgadē mākslīgie neironu tīkli ir guvuši labumu no ienākšanas dziļa mācīšanās, kurā dažādi tīkla slāņi iegūst dažādas funkcijas, līdz tas var atpazīt meklēto.
Neironu tīkla virsrakstā ir dažādi potenciālā tīkla modeļi — ar uz priekšu un konvolūcijas tīkli iespējams, tie ir tie, kas jums vajadzētu pieminēt, ja vakariņās iestrēgsit blakus Google inženierim.
Pastiprināšanas mācības
Pastiprināšanas mācības ir vēl viena mašīnmācības garša. To lielā mērā iedvesmo biheiviorisma psiholoģija, un tā pamatā ir ideja, ka programmatūras aģents var iemācīties veikt darbības vidē, lai maksimāli palielinātu atlīdzību.
Piemēram, 2015. gadā Google DeepMind izdeva rakstu, kurā parādīts, kā tas bija apmācīts A.I. lai spēlētu klasiskās videospēles, bez citiem norādījumiem, izņemot ekrānā redzamo rezultātu un aptuveni 30 000 pikseļu, kas veido katru kadru. Mācīšanās pastiprināšana nozīmēja, ka programmatūras aģents pakāpeniski iemācījās spēlēt spēli ar izmēģinājumu un kļūdu palīdzību.
MarI/O — mašīnmācība videospēlēm
Atšķirībā no ekspertu sistēmas, pastiprināšanas mācībām nav nepieciešams eksperts, kurš pastāstītu, kā palielināt punktu skaitu. Tā vietā tas laika gaitā to izdomā. Dažos gadījumos noteikumi, ko tas apgūst, var tikt laboti (kā, spēlējot klasisko Atari spēli). Citos gadījumos tas laika gaitā tiek pielāgots.
Evolūcijas algoritmi
Pazīstams kā vispārējs uz populāciju balstīts metaheiristiskās optimizācijas algoritms, ja jūs vēl neesat iepazīstināts ar evolūcijas algoritmi ir cita veida mašīnmācīšanās; izstrādāts, lai imitētu dabiskās atlases jēdzienu datora iekšienē.
Process sākas ar to, ka programmētājs ievada mērķus, kurus viņš cenšas sasniegt ar savu algoritmu. Piemēram, NASA ir izmantojusi evolūcijas algoritmus, lai izstrādātu satelīta komponentus. Tādā gadījumā funkcija var būt izdomāt risinājumu, ko var ievietot 10 cm x 10 cm kastē, spēj izstarot sfērisku vai puslodes rakstu un var darboties noteiktā Wi-Fi tīklā josla.
Pēc tam algoritms nāk klajā ar vairākām iteratīvo dizainu paaudzēm, pārbaudot katru no tiem, salīdzinot ar izvirzītajiem mērķiem. Kad kāds galu galā atzīmē visas pareizās izvēles rūtiņas, tas tiek pārtraukts. Papildus tam, ka evolūcijas algoritmi palīdz NASA izstrādāt satelītus, tie ir to radošo cilvēku iecienītākie, kuri savā darbā izmanto mākslīgo intelektu: piemēram, šo jauko mēbeļu dizaineri.
Redaktoru ieteikumi
- Padziļināti mācās A.I. palīdz arheologiem tulkot senās planšetes
- Padziļināta mācīšanās A.I. var atdarināt ikonisko ģitāras dievu kropļojumus
- Domu lasīšana A.I. analizē jūsu smadzeņu viļņus, lai uzminētu, kuru videoklipu skatāties
- Nākotnes māju vērtētājs, iespējams, ir A.I. algoritms
- Fotoreālistisks A.I. rīks var aizpildīt nepilnības attēlos, tostarp sejās
