Zapytaj Watsona lub Siri: Sztuczna inteligencja jest tak nieuchwytna jak nigdy

W 1966 r. niektórzy naukowcy z Massachusetts Institute of Technology stwierdzili, że mogą rozwinąć wizję komputerową jako letni projekt, być może nawet zdobyć kilku inteligentnych undergrads, aby wykonać zadanie.

Świat pracuje nad tym problemem od tamtej pory.

Wizja komputerowa to miejsce, w którym komputery rozpoznają obiekty podobne do ludzi. To drzewo. To Carlos. I tak dalej. Jest to jedno z wielu zadań, które uważamy za istotne dla uogólnionej sztucznej inteligencji, w której maszyny mogą działać i rozumować tak, jak robią to ludzie.

Podczas gdy robimy znaczny postęp w dziedzinie widzenia komputerowego, szczególnie w ostatnich latach, trwająca 50 lat dłużej niż się spodziewano pokazuje, dlaczego AI (sztuczna inteligencja) jest tak trudnym i nieuchwytnym celem.

"Jak duży postęp robimy? Naprawdę trudno o to poradzić "- powiedział Beau Cronin, menedżer produktu Salesforce.com, który obecnie pracuje nad niektórymi technologiami wykorzystującymi sztuczną inteligencję. Cronin mówił w piątek na konferencji O'Reilly Strata + Hadoop World w Nowym Jorku.

Głównym tematem konferencji były duże dane. Potrzeba analityki dużych zbiorów danych sprawiła, że ​​badania nad sztuczną inteligencją stały się strzałem w ramię. Dziś tytani branży internetowej - Apple, Google, Facebook, Microsoft, IBM - wprowadzają badania nad sztuczną inteligencją w miejsce kierowcy, przesuwając najnowocześniejsze osiągnięcia w pozornie rutynowych zadaniach, takich jak kierowanie reklam i spersonalizowana pomoc.

Ale pod wieloma względami nie jesteśmy bliżej osiągnięcia ogólnej ogólnej sztucznej inteligencji, w tym sensie, że komputer może zachowywać się jak człowiek, zauważył Cronin. Systemy wykorzystujące technologie sztucznej inteligencji, takie jak uczenie maszynowe, są zdefiniowane do wykonywania bardzo wąsko zdefiniowanych zadań.

Stan sztucznej inteligencji zawsze był trudny do oszacowania, powiedział Cronin. Systemy AI są trudne do oszacowania: mogą się doskonalić w jednym obszarze, ale nie można ich osiągnąć w innym, podobnym zadaniu. Wiele projektów, czasem nawet bardzo dobrze finansowanych, nie dociera do nikąd.

Nawet podstawowe definicje sztucznej inteligencji nadal nie są zablokowane. Kiedy dwoje ludzi mówi o sztucznej inteligencji, jeden może odnosić się do konkretnego algorytmu uczenia maszynowego, podczas gdy drugi może mówić o autonomicznych robotach. AI wciąż przyciąga dziwaków, samotnych wilków pracujących w swoich piwnicach 10 godzin tygodniowo, mając nadzieję na rozwiązanie problemu sztucznej inteligencji raz na zawsze.

Przebojowy projekt "Mit of Vision" MIT w latach 60. wskazał jeden z głównych przeszkód dla Badania nad AI, zwane Paradoksem Moraveca.

Paradoks Moraveca twierdzi zasadniczo, że rzeczy, które są łatwe do wykonania dla ludzi - rozpoznawanie obiektów i percepcja - są niezwykle trudne dla komputerów, podczas gdy proste zadania dla komputerów - potwierdzające skomplikowane twierdzenia - są niezwykle trudne jeśli nie jest to niemożliwe dla ludzi do zrobienia (niektórzy z obecnych czytelników wykluczają, bez wątpienia).

Fala szumu wokół maszyn do myślenia, a następnie rozczarowań wynikających z marginalnych wyników, poprowadziła pole do przejścia przez szereg zostały nazwane "AI Winters", w których finansowanie badań wysycha, a postępy spowalniają.

Prawdopodobnie nie zobaczymy kolejnej AI Winter, choćby dlatego, że zbyt wiele dużych firm, w szczególności Google i Facebook, opiera swoją działalność Modele wykorzystujące inteligencję do lepszego intuicji tego, czego szukają użytkownicy, powiedział Cronin. Inne firmy oferują technologie wspomagane komputerowo, takie jak Apple z Siri i IBM z Watson.

Pod wieloma względami dzisiejsze systemy AI są bezpośrednią linią pierwszych systemów AI zbudowanych w latach 60., takich jak Eliza. psychiatryczny program dozowania porad nadal używany przez niektórych dzisiejszych partnerów Twittera - i Perceptron, jeden z pierwszych prekursorów głęboko uczących się sieci neuronowych.

Takie wczesne systemy AI były "głęboko wadliwe i ograniczone. Byli po prostu bardzo podstawowi w swoich możliwościach - powiedział Cronin. Niemniej jednak "można wyciągnąć bezpośrednie linie z tych wczesnych systemów do pracy, którą wykonujemy dzisiaj w sztucznej inteligencji" - zauważył. "Watson jest tym, czym chcielibyśmy być Eliza."

Jednak po latach bardzo niewielkiego postępu, coraz bardziej stajemy się coraz bardziej zdumiewającymi formami pomocy w zakresie sztucznej inteligencji dla konkretnych zadań. Tempo postępu ma miejsce w tempie, które zaskoczyło "nawet ludzi, którzy są w terenie od dłuższego czasu", powiedział Cronin.

Samochody samobieżne, na przepaści, które stały się komercyjnie dostępne, zostały uznane za prawie nieosiągalną technologię zaledwie 10 lat temu.

Być może wynika to ze zmiany w finansowaniu badań nad sztuczną inteligencją. Rządy dysponujące pieniędzmi na badania zawsze inwestowały w wielkie ambicje naukowców. Przez wiele lat małe komercyjne organizacje badawcze, takie jak SRI International i Cycorp, posunęły się naprzód pod względem aktualności.

Obecnie badania AI mają dobrodziejstw w większości dużych firm informatycznych i internetowych, takich jak Google, Facebook i Microsoft Badania. Wiele mniejszych startupów, w połączeniu z kapitałem wysokiego ryzyka, również przesuwa kopertę.

"Praca jest coraz częściej stosowana w komercyjnych projektach niż w akademickich" - powiedział Cronin. W rezultacie technologie AI działają teraz w większej skali niż kiedykolwiek w czasach akademickich. "Dogłębne uczenie się na własną rękę, wykonane w środowisku akademickim, nie ma takiego samego wpływu jak wtedy, gdy jest wprowadzane do Google, skalowane i wbudowywane w nowy produkt."

W rezultacie, metody AI, takie jak maszyna uczenie się, są obecnie integrowane w komercyjnych usługach i produktach, w szybszym tempie niż kiedykolwiek wcześniej. Cronin zauważył, że Watson i Siri są bardziej znani jako "duże projekty integracyjne" niż pionierskie nowe formy inteligencji.

Coraz większy napływ dużych ilości danych pomógł również tej dziedzinie, wprowadzając metody inferencyjne i inne metody statystyczne, których niewielu Przewidywana gra odegra tak potężną rolę w technologii, powiedział Cronin. W dawnych czasach akademickich badań nad sztuczną inteligencją ilość danych, które można wykorzystać do uzasadnienia, była stosunkowo niewielka w porównaniu z górami, które mamy dzisiaj.

Google uczyniło bank ze swojego ogromnego zbioru danych o swoich użytkownikach , który zebrał jako pierwszy i zorientował się, jak zarobić pieniądze z później. Firma początkowo nie została wyrzucona z powodu "umieszczenia dużej struktury w modelu" - powiedział Cronin. Zostało to nazwane przez inżynierów Google "nieuzasadnioną skutecznością danych".

W dalszej perspektywie będziemy musieli włożyć więcej uwagi w techniki głębszego uczenia się niż teraz, powiedział Cronin. Dzisiejsze metody nie doprowadzą nas do pełnej sztucznej inteligencji. "Potrzebujemy bogatszych, bardziej przewidywalnych modeli" - powiedział Conin, który może "rutynowo przewidywać, co się stanie".

Jeden z uczestników audycji, Juan Pablo Velez, analityk danych w firmie konsultingowej ds. Danych naukowych w Nowym Jorku, Polynumeral , zgadza się z oceną AI Cronina.

"Wiele nowych innowacji pojawiło się w głębokim uczeniu, które zostało wprowadzone na dużą skalę, podobnie jak wyszukiwanie obrazów Google. Ale badania są bardzo mocno powiązane z programami dużych firm i nie musi to oznaczać, że jesteśmy bliżej uogólnionej inteligencji maszynowej "- powiedział Velez.

Pod wieloma względami znajdujemy się w tym samym punkcie badań nad sztuczną inteligencją, zawsze byliśmy: posuwając się naprzód szybko w pewnych aspektach, podczas gdy wydawało się, że stoimy wciąż w stosunku do wielkiego celu, uogólnionej sztucznej inteligencji. Jak powiedział Yann LeCun, szef działu badań nad sztuczną inteligencją na Facebooku, badania nad sztuczną inteligencją przypominają szybką jazdę we mgle, gdzie nie można dostrzec następnej przeszkody, którą uderzysz.

Aż do dnia, w którym zbudujemy maszynę, aby patrzeć w przyszłość mgła dla nas, przyszłość AI będzie niepewna przez jakiś czas.