Zakaj je nevro-simbolna umetna inteligenca A.I. Prihodnosti

Slikajte pladenj. Na pladnju je izbor oblik: nekatere kocke, druge krogle. Oblike so narejene iz različnih materialov in predstavljajo izbor velikosti. Skupaj je morda osem predmetov. Moje vprašanje: "Če pogledamo predmete, ali je enako število velikih stvari in kovinskih krogel?"

To ni trik vprašanje. Dejstvo, da se sliši, kot da je, je pozitiven dokaz, kako preprosto je v resnici. To je vprašanje, na katerega bi lahko predšolski otrok najverjetneje z lahkoto odgovoril. Toda za današnje najsodobnejše nevronske mreže je to skoraj nemogoče. To je treba spremeniti. In to se mora zgoditi s ponovnim odkrivanjem umetne inteligence, kot jo poznamo.

To ni moje mnenje; to je mnenje David Cox, direktor MIT-IBM Watson A.I. Laboratorij v Cambridgeu, MA. V prejšnjem življenju je bil Cox profesor na univerzi Harvard, kjer je njegova ekipa uporabila vpoglede iz nevroznanosti za pomoč pri izgradnji boljših računalniških sistemov za strojno učenje, ki jih navdihuje možgane. V svoji trenutni vlogi pri IBM nadzoruje edinstveno partnerstvo med MIT in IBM, ki pospešuje AI. raziskave, vključno z IBM-ovim Watson A.I. platforma. Watson, za tiste, ki ne vedo, je bil A.I. ki je slavno premagal dva najboljša igralca iger

v zgodovini na televizijskem kvizu Nevarnost. Watson je prav tako primarno sistem strojnega učenja, usposobljen z uporabo množice podatkov v nasprotju s pravili, ki jih izpelje človek.

Torej, ko Cox pravi, da mora svet ponovno razmisliti o A.I. ko gre v novo desetletje, zveni nekako čudno. Konec koncev je bilo leto 2010 nedvomno najuspešnejše desetletje v A.I. zgodovina: obdobje, v katerem se preboji dogajajo navidezno tedensko in brez ledenega pridiha A.I. pozimi na vidiku. Prav zato meni, da je A.I. vendarle treba spremeniti. In njegov predlog za to spremembo, trenutno nejasen izraz, imenovan »nevro-simbolni AI«, bi lahko do konca dvajsetih let postal eden tistih izrazov, ki jih dobro poznamo.

Vzpon in padec simboličnega A.I.

Nevro-simbolni A.I. ni, strogo gledano, popolnoma nov način izvajanja A.I. Je kombinacija dveh obstoječih pristopov k izdelavi miselnih strojev; tisti, ki so bili nekoč nasproti vsakemu kot smrtni sovražniki.

»Simbolni« del imena se nanaša na prvi mainstream pristop k ustvarjanju umetne inteligence. Od petdesetih do osemdesetih let 20. stoletja je simbolni A.I. vladal vrhovno. Za simbolični A.I. raziskovalec, inteligenca temelji na človekovi sposobnosti razumevanja sveta okoli sebe z oblikovanjem notranjih simbolnih predstav. Nato ustvarijo pravila za obravnavanje teh konceptov in ta pravila je mogoče formalizirati na način, ki zajame vsakodnevno znanje.

Če so možgani analogni računalniku, to pomeni, da je vsaka situacija, s katero se srečamo, odvisna od tega, da sami izvajamo interni računalniški program, ki korak za korakom pojasnjuje, kako izvesti operacijo, ki v celoti temelji na logika. Pod pogojem, da je temu tako, simbolični A.I. raziskovalci verjamejo, da ista pravila o organizacijo sveta bi lahko odkrili in nato kodificirali v obliki algoritma za računalnik izvajati.

Simbolični A.I. povzročilo nekaj precej impresivnih demonstracij. Na primer, leta 1964 je računalniški znanstvenik Bertram Raphael razvil sistem, imenovan SIR, kar pomeni "Semantično iskanje informacij.” SIR je bil računalniški sklepni sistem, ki se je na videz lahko naučil odnosov med predmeti na način, ki je bil podoben resnični inteligenci. Če bi ji rekli na primer: »John je fant; fant je oseba; oseba ima dve roki; roka ima pet prstov," potem bi SIR odgovoril na vprašanje "Koliko prstov ima John?" s pravilno številko 10.

Računalniški sistemi, ki temeljijo na simbolni A.I. dosegli vrhunec svoje moči (in upad) v osemdesetih. To je bilo desetletje tako imenovanega "strokovnega sistema", ki je poskušal uporabiti sisteme, ki temeljijo na pravilih, za reševanje problemov v resničnem svetu, kot je npr. pomoč organskim kemikom pri prepoznavanju neznanih organskih molekul ali pomoč zdravnikom pri priporočanju pravilnega odmerka antibiotikov za okužbe.

Osnovni koncept teh ekspertnih sistemov je bil trden. Imeli pa so težave. Sistemi so bili dragi, zahtevali so nenehno posodabljanje in, kar je najslabše, dejansko so lahko postali manj natančni, ko je bilo vključenih več pravil.

Svet nevronskih mrež

»Nevro« del nevro-simboličnega A.I. se nanaša na nevronske mreže globokega učenja. Nevronske mreže so vrsta računalništva, ki so jo navdihnili možgani in je spodbudila številne A.I. preboje v zadnjem desetletju. A.I. ki zna voziti avtomobile? Nevronske mreže. A.I. ki lahko prevede besedilo v več deset različnih jezikov? Nevronske mreže. A.I. ki pametnemu zvočniku v vašem domu pomaga razumeti vaš glas? Nevronske mreže so tehnologija, za katero se moramo zahvaliti.

Nevronske mreže delujejo drugače kot simbolni A.I. ker temeljijo na podatkih in ne na pravilih. Da bi nekaj pojasnil simboličnemu A.I. pomeni izrecno zagotavljanje vseh informacij, ki jih potrebuje za pravilno identifikacijo. Kot analogijo si predstavljajte, da nekoga pošljete po vašo mamo z avtobusne postaje, vendar jo morate opisati z naborom pravil, ki bodo vašemu prijatelju omogočili, da jo izbere iz množice. Če želite usposobiti nevronsko mrežo za to, ji preprosto pokažete na tisoče slik zadevnega predmeta. Ko postane dovolj pameten, ne samo, da bo lahko prepoznal ta predmet; lahko sestavlja svoje podobne predmete, ki imajo nikoli dejansko ni obstajal v resničnem svetu.

»Zagotovo je globoko učenje omogočilo neverjeten napredek,« je David Cox povedal za Digital Trends. "Hkrati pa so v steni zaskrbljujoče razpoke, ki se začenjajo kazati."

Ena od teh tako imenovanih razpok temelji točno na stvari, zaradi katere so današnje nevronske mreže tako močne: na podatkih. Tako kot človek se tudi nevronska mreža uči na podlagi primerov. Toda medtem ko bi človek morda moral videti le enega ali dva učna primera predmeta, da bi si ga pravilno zapomnil, A.I. bo zahtevalo veliko, veliko več. Natančnost je odvisna od velike količine označenih podatkov, s katerimi se lahko nauči vsake nove naloge.

Goreči semaforji

Zaradi tega so manj dobri pri statistično redkih težavah "črnega laboda". Dogodek črni labod, ki ga je populariziral Nassim Nicholas Taleb, je kotiček, ki je statistično redek. »Številne naše rešitve za globoko učenje danes – ne glede na to, kako neverjetne so – so neke vrste rešitve 80-20,« je nadaljeval Cox. »Dobili bodo 80 % primerov prav, a če so ti koti primeri pomembni, bodo padli. Če vidite predmet, ki običajno ne sodi [na določeno mesto], ali predmet v nekoliko čudni orientaciji, bodo celo neverjetni sistemi padli."

Preden se je pridružil IBM-u, je Cox soustanovil podjetje, Zaznavni avtomati, ki je razvil programsko opremo za samovozeče avtomobile. Ekipa je imela kanal Slack, v katerem so objavljali smešne slike, na katere so naleteli med zbiranjem podatkov. Na eni od njih, posneti v križišču, je bil prikazan semafor v ognju. "To je eden tistih primerov, ki jih morda ne boste nikoli videli v življenju," je dejal Cox. »Ne vem, ali imata Waymo in Tesla slike gorečih semaforjev v naborih podatkov, ki jih uporabljata za urijo svoje nevronske mreže, vendar sem pripravljen staviti... če jih imajo, bodo imeli le zelo nekaj."

Ena stvar je, da je vogalni primer nekaj, kar je nepomembno, ker se redko zgodi in sploh ni tako pomembno, ko se zgodi. Prejeti slabo priporočilo restavracije morda ni idealno, vendar verjetno ne bo dovolj, da bi vam celo pokvarili dan. Dokler je prejšnjih 99 priporočil, ki jih je dal sistem, dobrih, ni pravega razloga za razočaranje. Samovozeči avto, ki se v križišču zaradi gorečega semaforja ali konjske vprege ne odzove pravilno, bi lahko naredil veliko več kot pokvaril dan. Morda je malo verjetno, da se bo zgodilo, a če se že, želimo vedeti, da je sistem zasnovan tako, da se lahko spopade s tem.

"Če imate sposobnost razmišljanja in ekstrapolacije, ki presega tisto, kar smo videli prej, se lahko ukvarjamo s temi scenariji," je pojasnil Cox. »Vemo, da ljudje to zmoremo. Če vidim, da gori semafor, lahko prinesem veliko znanja. Vem na primer, da mi luč ne bo povedala, ali naj se ustavim ali grem. Vem, da moram biti previden, ker [vozniki okoli mene bodo zmedeni.] Vem, da se vozniki, ki prihajajo nasproti, morda obnašajo drugače, ker jim luči morda delujejo. Znam razložiti akcijski načrt, ki me bo pripeljal, kamor moram iti. V takšnih okoljih, ki so kritični za varnost in naloge, mislim, da nam globoko učenje še ne služi popolnoma dobro. Zato potrebujemo dodatne rešitve.«

Komplementarne ideje

Ideja nevro-simboličnega A.I. je združiti te pristope za združevanje učenja in logike. Nevronske mreže bodo pomagale narediti simbolični AI. sistemi pametnejši tako, da svet razdelijo na simbole, namesto da se zanašajo na človeške programerje, da to storijo namesto njih. Medtem simbolični A.I. algoritmi bodo pomagali vključiti zdrav razum in znanje o domeni v poglobljeno učenje. Rezultati bi lahko privedli do pomembnega napredka v A.I. sistemi, ki se ukvarjajo s kompleksnimi nalogami, povezanimi z vsem, od samovozečih avtomobilov do obdelave naravnega jezika. In vse to, medtem ko za usposabljanje potrebujete veliko manj podatkov.

"Nevronske mreže in simbolične ideje se resnično čudovito dopolnjujejo," je dejal Cox. »Ker vam nevronske mreže dajejo odgovore, kako preiti iz nereda resničnega sveta v simbolično predstavitev sveta, pri čemer najdete vse korelacije v slikah. Ko enkrat dobite to simbolično predstavitev, lahko naredite nekaj precej čarobnih stvari v smislu sklepanja.«

Na primer, v primeru oblike, s katerim sem začel ta članek, bi nevro-simbolni sistem za prepoznavanje predmetov uporabil zmožnosti nevronske mreže za prepoznavanje vzorcev. Potem bi se zanašal na simbolični A.I. uporabiti logiko in semantično sklepanje za odkrivanje novih odnosov. Takšni sistemi imajo že dokazano učinkovito deluje.

Tudi to ne bi bilo koristno le v kotnih primerih. Vse bolj je pomembno, da A.I. sistemi so razložljivi, kadar je to potrebno. Nevronska mreža lahko nekatere naloge opravlja izjemno dobro, vendar je velik del njenega notranjega razmišljanja »zakritega v črni škatli«, ki je nedoumljiva tistim, ki želijo vedeti, kako se je odločila. Še enkrat, to ni tako pomembno, če gre za bota, ki priporoča napačno skladbo na Spotifyju. Če pa vam je bilo zavrnjeno bančno posojilo, zavrnjena prošnja za zaposlitev ali če je bil nekdo poškodovan v incidentu, ki vključuje avtonomni avtomobil, bi bilo bolje, da bi lahko pojasnili, zakaj so bila določena priporočila narejeno. Tu je nevro-simbolni A.I. bi lahko vstopil.

A.I. raziskave: naslednja generacija

Pred nekaj desetletji so svetovi simboličnega AI. in nevronske mreže so bile med seboj v nasprotju. Znane osebnosti, ki so zagovarjale pristope, niso samo verjele, da je njihov pristop pravilen; verjeli so, da to pomeni, da je drugi pristop napačen. Ni nujno, da so bili napačni, da so to storili. Obe šoli A.I. tekmujeta za reševanje istih problemov in z omejenim financiranjem. se je zdelo bistveno nasprotno drug drugemu. Danes se zdi, da bi se lahko izkazalo ravno nasprotno.

"Res je fascinantno videti mlajšo generacijo," je dejal Cox. »[Veliko ljudi v moji ekipi je] razmeroma mlajših ljudi: svežih, navdušenih, pred kratkim so doktorirali. Enostavno nimajo nič od te zgodovine. Enostavno jim ni mar [za dva pristopa, ki se spopadata drug proti drugemu] - in ne maranje je res močno, ker te odpre in se znebi teh predsodkov. Z veseljem raziskujejo križišča... Samo želijo narediti nekaj kul z AI.«

Če bo šlo vse po načrtih, bomo vsi imeli koristi od rezultatov.

Priporočila urednikov

• Analogni AI? Sliši se noro, a morda je prihodnost
• Preberite srhljivo lepe "sintetične spise" A.I. ki misli, da je Bog
• Algoritemska arhitektura: Ali naj pustimo A.I. projektirati zgradbe za nas?
• Jezikovni supermodel: Kako GPT-3 tiho uvaja A.I. revolucija
• Ženske z bajtom: načrt Vivienne Ming za reševanje "neurejenih človeških težav" z AI.