Prečo je neuro-symbolická umelá inteligencia AI budúcnosti

Predstavte si podnos. Na podnose je sortiment tvarov: Niektoré kocky, iné gule. Tvary sú vyrobené z rôznych materiálov a predstavujú sortiment veľkostí. Celkovo je tu možno osem objektov. Moja otázka: "Keď sa pozriete na predmety, je tam rovnaký počet veľkých vecí a kovových gúľ?"

Nie je to triková otázka. Skutočnosť, že to znie, ako keby to bolo, je pozitívnym dôkazom toho, aké jednoduché to v skutočnosti je. Je to druh otázky, na ktorú by s najväčšou pravdepodobnosťou mohol ľahko odpovedať predškolák. Ale pre dnešné najmodernejšie neurónové siete je to takmer nemožné. Toto je potrebné zmeniť. A musí sa to stať opätovným objavením umelej inteligencie, ako ju poznáme.

To nie je môj názor; je to názor David Cox, riaditeľ MIT-IBM Watson A.I. Laboratórium v ​​Cambridge, MA. V predchádzajúcom živote bol Cox profesorom na Harvardskej univerzite, kde jeho tím využil poznatky z neurovedy, aby pomohol vybudovať lepšie počítačové systémy strojového učenia inšpirované mozgom. Vo svojej súčasnej pozícii v IBM dohliada na jedinečné partnerstvo medzi MIT a IBM, ktoré napreduje v A.I. výskum, vrátane IBM Watson A.I. plošina. Watson, pre tých, ktorí nevedia, bol A.I. ktorý famózne porazil dvoch najlepších hráčov hernej show

v histórii v televíznom kvíze Nebezpečenstvo. Watson je tiež primárne systém strojového učenia, trénovaný pomocou množstva údajov na rozdiel od pravidiel odvodených od ľudí.

Takže keď Cox hovorí, že svet musí prehodnotiť A.I. ako smeruje do novej dekády, znie to trochu zvláštne. Koniec koncov, roky 2010 boli pravdepodobne najúspešnejším desaťročím v A.I. história: Obdobie, v ktorom sa objavy dejú zdanlivo každý týždeň a bez mrazivého náznaku A.I. zima náhľad. To je presne dôvod, prečo si myslí, že A.I. je však potrebné zmeniť. A jeho návrh na túto zmenu, v súčasnosti nejasný termín nazývaný „neuro-symbolická AI“, by sa mohol stať jednou z tých fráz, s ktorými sme dôverne oboznámení v čase, keď sa skončia roky 2020.

Vzostup a pád symbolického A.I.

Neuro-symbolická A.I. nie je, prísne vzaté, úplne nový spôsob vykonávania A.I. Je to kombinácia dvoch existujúcich prístupov k budovaniu mysliacich strojov; tých, ktorí boli raz postavení proti každému ako smrteľní nepriatelia.

„Symbolická“ časť názvu odkazuje na prvý mainstreamový prístup k vytváraniu umelej inteligencie. Od 50. do 80. rokov 20. storočia symbolický A.I. vládol najvyššie. K symbolickému A.I. výskumník, inteligencia je založená na schopnosti ľudí porozumieť svetu okolo seba vytváraním vnútorných symbolických reprezentácií. Potom vytvárajú pravidlá pre zaobchádzanie s týmito pojmami a tieto pravidlá môžu byť formalizované spôsobom, ktorý zachytáva každodenné poznatky.

Ak je mozog analogický s počítačom, znamená to, že každá situácia, s ktorou sa stretneme, závisí od toho, že sme bežali interný počítačový program, ktorý krok za krokom vysvetľuje, ako vykonať operáciu, založený výlučne na logika. Za predpokladu, že je to tak, symbolický A.I. výskumníci sa domnievajú, že rovnaké pravidlá o organizácia sveta by mohla byť objavená a následne kodifikovaná vo forme algoritmu pre počítač vykonávať.

Symbolický A.I. vyústilo do niekoľkých veľmi pôsobivých ukážok. Napríklad v roku 1964 počítačový vedec Bertram Raphael vyvinul systém s názvom SIR, čo znamená „Sémantické získavanie informácií.“ SIR bol výpočtový systém uvažovania, ktorý bol zdanlivo schopný naučiť sa vzťahy medzi objektmi spôsobom, ktorý sa podobal skutočnej inteligencii. Ak by ste povedali, že napríklad „John je chlapec; chlapec je osoba; človek má dve ruky; ruka má päť prstov,“ potom by SIR odpovedal na otázku „Koľko prstov má John?“ so správnym číslom 10.

Počítačové systémy založené na symbolickom A.I. dosiahli vrchol svojich právomocí (a ich úpadok) v 80. rokoch. Bolo to desaťročie takzvaného „expertného systému“, ktorý sa pokúšal použiť systémy založené na pravidlách na riešenie skutočných problémov, ako napr. pomáha organickým chemikom identifikovať neznáme organické molekuly alebo pomáha lekárom pri odporúčaní správnej dávky antibiotík infekcií.

Základná koncepcia týchto expertných systémov bola pevná. Ale mali problémy. Systémy boli drahé, vyžadovali si neustálu aktualizáciu a čo je najhoršie, mohli byť skutočne menej presné, čím viac pravidiel bolo začlenených.

Svet neurónových sietí

„Neuro“ časť neuro-symbolickej A.I. odkazuje na hlboké učenie neurónových sietí. Neurónové siete sú typom výpočtov inšpirovaným mozgom, ktorý poháňal mnoho AI. prelomy zaznamenané za posledné desaťročie. A.I. ktorý vie jazdiť na autách? Neurónové siete. A.I. ktorý dokáže preložiť text do desiatok rôznych jazykov? Neurónové siete. A.I. čo pomáha inteligentnému reproduktoru vo vašej domácnosti porozumieť vášmu hlasu? Neurónové siete sú technológiou, ktorej sa treba poďakovať.

Neurónové siete fungujú inak ako symbolické A.I. pretože sú založené na údajoch a nie na pravidlách. Vysvetliť niečo symbolickému A.I. systém znamená, že mu explicitne poskytneme každý kúsok informácie, ktorý potrebuje na správnu identifikáciu. Ako analógiu si predstavte, že niekoho pošlete, aby vyzdvihol vašu mamu z autobusovej stanice, no musíte ju opísať poskytnutím súboru pravidiel, ktoré umožnia vašej kamarátke vybrať ju z davu. Aby ste to naučili neurónovú sieť, jednoducho jej ukážete tisíce obrázkov predmetného objektu. Akonáhle bude dostatočne inteligentný, nielenže bude schopný rozpoznať tento objekt; môže vytvárať svoje vlastné podobné predmety, ktoré majú v skutočnom svete nikdy neexistoval.

„Hlboké učenie určite umožnilo úžasné pokroky,“ povedal David Cox pre Digital Trends. "Súčasne sa v stene objavujú znepokojivé trhliny, ktoré sa začínajú prejavovať."

Jeden z týchto takzvaných trhlín sa spolieha presne na to, čo urobilo dnešné neurónové siete tak silnými: dáta. Rovnako ako človek, neurónová sieť sa učí na základe príkladov. Ale zatiaľ čo človeku môže stačiť vidieť jeden alebo dva tréningové príklady objektu, aby si ho správne zapamätal, A.I. bude vyžadovať mnoho, mnoho ďalších. Presnosť závisí od veľkého množstva anotovaných údajov, pomocou ktorých sa môže naučiť každú novú úlohu.

Horiace semafory

To ich robí menej dobrými v štatisticky zriedkavých problémoch „čiernej labute“. Podujatie čiernej labute, popularizované o Nassim Nicholas Taleb, je rohový prípad, ktorý je štatisticky zriedkavý. „Mnohé z našich dnešných riešení hlbokého učenia – akokoľvek sú úžasné – sú riešeniami 80-20,“ pokračoval Cox. „V 80 % prípadov budú mať pravdu, ale ak na rohových prípadoch záleží, budú mať tendenciu klesať. Ak uvidíte objekt, ktorý bežne nepatrí [na určité miesto], alebo objekt s orientáciou, ktorá je trochu divná, dokonca aj úžasné systémy spadnú."

Pred nástupom do IBM Cox spoluzakladal spoločnosť, Vnímavé automaty, ktorá vyvinula softvér pre samoriadiace autá. Tím mal kanál Slack, v ktorom uverejňoval vtipné obrázky, na ktoré narazili počas zberu údajov. Na jednom z nich, nasnímanom na križovatke, bol horiaci semafor. "Je to jeden z tých prípadov, ktoré možno nikdy v živote neuvidíte," povedal Cox. „Neviem, či Waymo a Tesla majú obrázky horiacich semaforov v súboroch údajov, ktoré používajú trénujú svoje neurónové siete, ale som ochotný sa staviť... ak nejaké majú, budú mať len veľmi málo."

Jedna vec je, že rohový prípad je niečo, čo je bezvýznamné, pretože sa to stáva zriedka a nezáleží na tom, keď sa to stane. Odporúčanie zlej reštaurácie nemusí byť ideálne, ale pravdepodobne to nebude stačiť na to, aby vám pokazilo deň. Pokiaľ je predchádzajúcich 99 odporúčaní systému dobrých, neexistuje žiadny skutočný dôvod na frustráciu. Samoriadiace auto, ktoré na križovatke nereaguje správne kvôli horiacemu semaforu alebo konskému záprahu, môže urobiť oveľa viac, než len pokaziť váš deň. Je nepravdepodobné, že sa to stane, ale ak áno, chceme vedieť, že systém je navrhnutý tak, aby sa s tým dokázal vyrovnať.

"Ak máte schopnosť uvažovať a extrapolovať nad rámec toho, čo sme videli predtým, môžeme sa s týmito scenármi vysporiadať," vysvetlil Cox. „Vieme, že ľudia to dokážu. Ak vidím horiaci semafor, môžem priniesť veľa vedomostí. Viem napríklad, že svetlo mi nepovie, či mám zastaviť alebo ísť. Viem, že musím byť opatrný, pretože [vodiči okolo mňa budú zmätení.] Viem, že vodiči idúci opačným smerom sa môžu správať inak, pretože im môže fungovať svetlo. Dokážem vymyslieť akčný plán, ktorý ma zavedie tam, kam potrebujem. V takýchto prostrediach kritických pre bezpečnosť a misiu si nemyslím, že by nám hlboké učenie slúžilo úplne dobre. Preto potrebujeme ďalšie riešenia."

Doplnkové nápady

Myšlienka neuro-symbolickej A.I. je spojiť tieto prístupy, aby sa spojilo učenie a logika. Neurónové siete pomôžu vytvoriť symbolickú A.I. inteligentnejšie systémy rozdelením sveta na symboly, namiesto toho, aby sa spoliehali na ľudských programátorov, ktorí to urobia za nich. Medzitým symbolický A.I. Algoritmy pomôžu začleniť zdravý rozum a znalosti domény do hlbokého učenia. Výsledky by mohli viesť k výraznému pokroku v A.I. systémy, ktoré riešia zložité úlohy týkajúce sa všetkého od samoriadiacich áut až po spracovanie prirodzeného jazyka. A to všetko pri potrebe oveľa menej dát na tréning.

"Neurónové siete a symbolické myšlienky sa skutočne úžasne navzájom dopĺňajú," povedal Cox. „Pretože neurónové siete vám dávajú odpovede, ako sa dostať od neusporiadanosti skutočného sveta k symbolickej reprezentácii sveta, pričom nájdete všetky korelácie v obrazoch. Akonáhle budete mať toto symbolické znázornenie, môžete urobiť niekoľko magických vecí, pokiaľ ide o uvažovanie."

Napríklad v príklade tvaru, ktorým som začal tento článok, by neuro-symbolický systém využíval schopnosti neurónovej siete na rozpoznávanie vzorov na identifikáciu objektov. Potom by sa spoliehal na symbolickú A.I. aplikovať logiku a sémantické uvažovanie na odhalenie nových vzťahov. Takéto systémy majú už bolo preukázané, že funguje efektívne.

Nie sú to len rohové prípady, kde by to bolo užitočné. Čoraz viac je dôležité, aby A.I. systémy sú v prípade potreby vysvetliteľné. Neurónová sieť môže vykonávať určité úlohy výnimočne dobre, ale veľká časť jej vnútorného uvažovania je „čierno zaškatuľkovaná“, čo je nevyspytateľné pre tých, ktorí chcú vedieť, ako sa rozhodla. Opäť na tom až tak nezáleží, ak ide o robota, ktorý odporúča nesprávnu skladbu na Spotify. Ale ak vám bola zamietnutá pôžička v banke, zamietnutá žiadosť o zamestnanie alebo bol niekto zranený incidente s autonómnym autom, radšej by ste mali vedieť vysvetliť, prečo boli určité odporúčania vyrobené. To je miesto, kde neuro-symbolický A.I. mohol vstúpiť.

A.I. výskum: ďalšia generácia

Pred niekoľkými desaťročiami svety symbolického A.I. a neurónové siete boli medzi sebou v rozpore. Renomované osobnosti, ktoré presadzovali tieto prístupy, nielenže verili, že ich prístup bol správny; verili, že to znamená, že druhý prístup bol nesprávny. Neboli nevyhnutne nesprávne, aby to urobili. Obe školy A.I., ktoré súťažia v riešení rovnakých problémov a majú obmedzené finančné prostriedky. sa javili zásadne proti sebe. Dnes sa zdá, že opak môže byť pravdou.

"Je naozaj fascinujúce vidieť mladšiu generáciu," povedal Cox. „[Mnohí z ľudí v mojom tíme sú] relatívne mladší ľudia: svieži, nadšení, pomerne nedávno ukončili doktorandské štúdium. Jednoducho nemajú nič z tejto histórie. Jednoducho sa nestarajú [o dva prístupy, ktoré sú postavené proti sebe] – a nestarať sa je naozaj silné, pretože vás to otvára a zbavuje vás týchto predsudkov. Radi skúmajú križovatky... Chcú len urobiť niečo skvelé s A.I.“

Ak pôjde všetko podľa plánu, z výsledkov budeme mať úžitok všetci.

Odporúčania redaktorov

• Analógová A.I.? Znie to šialene, ale môže to byť budúcnosť
• Prečítajte si strašidelne krásne „syntetické písmo“ od A.I. ktorý si myslí, že je to Boh
• Algoritmická architektúra: Mali by sme nechať A.I. navrhovať budovy pre nás?
• Jazyková supermodelka: Ako GPT-3 potichu spúšťa A.I. revolúcie
• Ženy s Byte: Plán Vivienne Ming vyriešiť „neporiadne ľudské problémy“ s A.I.