A.I. er overalt for øyeblikket, og den er ansvarlig for alt fra de virtuelle assistentene på smarttelefonene våre til de selvkjørende bilene som snart fyller veiene våre til de banebrytende bildegjenkjenningssystemene dine rapporterte om virkelig.
Med mindre du har levd under en stein det siste tiåret, er det stor sjanse for at du har hørt om det før - og sannsynligvis til og med brukt det. Akkurat nå er kunstig intelligens for Silicon Valley det One Direction er for 13 år gamle jenter: en allestedsnærværende kilde til besettelse av å kaste alle pengene dine på, mens du dagdrømmer om å gifte seg når Harry Styles endelig er klar til å bosette seg ned. (Ok, så vi jobber fortsatt med analogien!)
Men hva egentlig er A.I.? – og kan uttrykk som «maskinlæring», «kunstige nevrale nettverk," "kunstig intelligens" og "Zayn Malik" (vi jobber fortsatt med den analogien ...) brukes om hverandre?
For å hjelpe deg med å forstå noen av buzzwords og sjargongen du vil høre når folk snakker om A.I., har vi satt sammen denne enkle guiden som hjelper deg å pakke inn hodet ditt rundt alle de forskjellige smakene av kunstig intelligens - om ikke annet for at du ikke skal gjøre noen faux pas når maskinene endelig tar over.
Kunstig intelligens
Vi skal ikke gå for dypt inn i historien til A.I. her, men det som er viktig å merke seg er at kunstig intelligens er treet som alle de følgende begrepene er grener på. For eksempel er forsterkende læring en type maskinlæring, som er et underfelt av kunstig intelligens. Imidlertid er kunstig intelligens ikke (nødvendigvis) forsterkende læring. Har det?
Så langt har ingen bygget en generell etterretning.
Det er ingen offisiell konsensusavtale om hva A.I. betyr (noen mennesker foreslår at det rett og slett er kule ting datamaskiner ikke kan gjøre ennå), men de fleste vil være enig i at det handler om å få datamaskiner til å utføre handlinger som ville bli ansett som intelligente dersom de ble utført av en person.
Begrepet ble først laget i 1956, kl sommerverksted ved Dartmouth College i New Hampshire. Det store gjeldende skillet i A.I. er mellom gjeldende domenespesifikke Smal A.I. og Kunstig generell intelligens. Så langt har ingen bygget en generell etterretning. Når de gjør det, er alle spill avslått...
Symbolsk A.I.
Du hører ikke så mye om Symbolsk A.I. i dag. Også referert til som Good Old Fashioned A.I., Symbolic A.I. er bygget rundt logiske trinn som kan gis til en datamaskin på en top-down måte. Det innebærer å gi mange og mange regler til en datamaskin (eller en robot) om hvordan den skal håndtere et spesifikt scenario.
Dette førte til mange tidlige gjennombrudd, men det viste seg at disse fungerte veldig bra i laboratorier, i som hver variabel kunne kontrolleres perfekt, men ofte mindre bra i hverdagens rotete liv. Som en forfatter vitser om Symbolic A.I., tidlig A.I. systemer var litt som guden i Det gamle testamente - med mange regler, men ingen nåde.
I dag liker forskere Selmer Bringsjord kjemper for å få tilbake et fokus på logikkbasert symbolsk A.I., bygget rundt overlegenheten til logiske systemer som kan forstås av skaperne deres.
Maskinlæring
Hvis du hører om en stor A.I. gjennombrudd i disse dager, er sjansen stor for at med mindre det kommer en stor lyd som tyder på noe annet, hører du om maskinlæring. Som navnet tilsier, handler maskinlæring om å lage maskiner som, vel, lærer.
I likhet med overskriften til A.I., har maskinlæring også flere underkategorier, men hva de alle har i Felles er den statistikkfokuserte evnen til å ta data og bruke algoritmer på dem for å vinne kunnskap.
Det finnes en mengde forskjellige grener av maskinlæring, men den du sannsynligvis vil høre mest om er...
Nevrale nettverk
Hvis du har brukt tid i vår Cool Tech-seksjon, har du sannsynligvis hørt om kunstige nevrale nettverk. Ettersom hjerneinspirerte systemer designet for å gjenskape måten mennesker lærer på, endrer nevrale nettverk sin egen kode for å finne koblingen mellom input og output - eller årsak og virkning - i situasjoner der dette forholdet er komplekst eller uklar.
Kunstige nevrale nettverk har dratt nytte av ankomsten av dyp læring.
Konseptet med kunstige nevrale nettverk dateres faktisk tilbake til 1940-tallet, men det var egentlig først i løpet av de siste tiårene da den virkelig begynte å leve opp til potensialet sitt: hjulpet av ankomsten av algoritmer som "tilbakeforplantning," som lar nevrale nettverk justere sine skjulte lag av nevroner i situasjoner der resultatet ikke stemmer overens med det skaperen håper på. (For eksempel et nettverk designet for å gjenkjenne hunder, som feilidentifiserer en katt.)
Dette tiåret har kunstige nevrale nettverk dratt nytte av ankomsten av dyp læring, der forskjellige lag av nettverket trekker ut forskjellige funksjoner til det kan gjenkjenne det det leter etter.
Innenfor nevrale nettverksoverskriften er det forskjellige modeller av potensielle nettverk — med mate frem og konvolusjonelle nettverk sannsynligvis er de du bør nevne hvis du blir sittende fast ved siden av en Google-ingeniør på et middagsselskap.
Forsterkende læring
Forsterkende læring er en annen variant av maskinlæring. Den er sterkt inspirert av behaviouristisk psykologi, og er basert på ideen om at programvareagent kan lære å ta handlinger i et miljø for å maksimere en belønning.
Som et eksempel, tilbake i 2015 ga Googles DeepMind ut et papir som viser hvordan det hadde det utdannet en A.I. å spille klassiske videospill, uten andre instruksjoner enn poengsummen på skjermen og de omtrent 30 000 piksler som utgjorde hver ramme. Fortalt å maksimere poengsummen, betydde forsterkningslæring at programvareagenten gradvis lærte å spille spillet gjennom prøving og feiling.
MarI/O - Maskinlæring for videospill
I motsetning til et ekspertsystem, trenger ikke forsterkende læring en menneskelig ekspert for å fortelle det hvordan man maksimerer en poengsum. I stedet finner den ut av det over tid. I noen tilfeller kan reglene den lærer være fikset (som med å spille et klassisk Atari-spill.) I andre fortsetter det å tilpasse seg etter hvert som tiden går.
Evolusjonsalgoritmer
Kjent som en generisk populasjonsbasert metaheuristisk optimaliseringsalgoritme hvis du ikke tidligere har blitt introdusert ennå, evolusjonære algoritmer er en annen type maskinlæring; designet for å etterligne konseptet med naturlig utvalg inne i en datamaskin.
Prosessen begynner med at en programmerer legger inn målene han eller hun prøver å oppnå med sin algoritme. For eksempel har NASA brukt evolusjonære algoritmer for å designe satellittkomponenter. I så fall kan funksjonen være å komme opp med en løsning som kan passe inn i en 10cm x 10cm boks, i stand til å utstråle et sfærisk eller halvkuleformet mønster, og i stand til å operere på et bestemt Wi-Fi bånd.
Algoritmen kommer så opp med flere generasjoner av iterative design, som tester hver enkelt mot de angitte målene. Når man til slutt krysser av i alle de riktige boksene, opphører det. I tillegg til å hjelpe NASA med å designe satellitter, er evolusjonsalgoritmer en favoritt blant kreative som bruker kunstig intelligens til arbeidet sitt: som f.eks. designerne av disse smarte møblene.
Redaktørenes anbefalinger
- Dyplæring A.I. hjelper arkeologer med å oversette eldgamle nettbrett
- Dyplæring A.I. kan imitere forvrengningseffektene til ikoniske gitarguder
- Tankelesende A.I. analyserer hjernebølgene dine for å gjette hvilken video du ser på
- Fremtidens hustakstmann er trolig en A.I. algoritme
- Fotorealistisk A.I. verktøyet kan fylle ut hull i bilder, inkludert ansikter
