Masalah Dengan Mesin AI Adakah Belajar Perkara, Tetapi Tidak Memahami Mereka

Semua orang bercakap tentang "AI" hari ini. Tetapi, sama ada anda melihat Siri, Alexa, atau ciri autocorrect yang terdapat di papan kekunci telefon pintar anda, kami tidak mencipta kecerdasan buatan umum. Kami mencipta program yang boleh melaksanakan tugas-tugas tertentu dan sempit.

Komputer Tidak Boleh "Fikir"

Apabila sesuatu syarikat mengatakan ia keluar dengan ciri "AI" baru, ia secara amnya bermaksud bahawa syarikat itu menggunakan pembelajaran mesin untuk membina rangkaian saraf. "Pembelajaran Mesin" adalah teknik yang membolehkan mesin "belajar" bagaimana untuk melakukan lebih baik pada tugas tertentu.

Kami tidak menyerang pembelajaran mesin di sini! Pembelajaran mesin adalah teknologi yang hebat dengan banyak kegunaan yang kuat. Tetapi ia bukan kecerdasan buatan umum, dan memahami batasan pembelajaran mesin membantu anda memahami mengapa teknologi AI semasa kami sangat terhad.

"Kecerdasan buatan" mimpi sci-fi adalah sejenis otak komputer atau robot yang berfikir tentang sesuatu dan memahaminya sebagai manusia. Kecerdasan buatan sedemikian akan menjadi perisikan umum buatan (AGI), yang bermaksud ia boleh berfikir tentang pelbagai perkara yang berbeza dan menggunakan perisikan itu ke pelbagai domain yang berbeza. Konsep yang berkaitan adalah "AI kuat," yang akan menjadi mesin yang mampu mengalami kesedaran manusia.

Kami tidak mempunyai jenis AI itu lagi. Kami tidak berada di mana-mana sahaja. Entiti komputer seperti Siri, Alexa, atau Cortana tidak memahami dan berfikir seperti yang kita lakukan oleh manusia. Ia tidak benar-benar "memahami" perkara sama sekali.

Kecerdasan tiruan yang kita ada dilatih untuk melakukan tugas tertentu dengan baik, dengan asumsi manusia dapat menyediakan data untuk membantu mereka belajar. Mereka belajar untuk melakukan sesuatu tetapi masih tidak faham.

Komputer Tidak Memahami

Gmail mempunyai ciri "Jawab Pintar" baru yang mencadangkan balasan kepada e-mel. Ciri Balas Smart dikenal pasti "Dihantar dari iPhone saya" sebagai respons biasa. Ia juga ingin mencadangkan "Saya sayang kamu" sebagai respons kepada pelbagai jenis e-mel, termasuk e-mel kerja.

Ini kerana komputer tidak memahami makna jawapan ini. Hanya diketahui bahawa ramai orang menghantar frasa ini dalam e-mel. Ia tidak tahu sama ada anda ingin mengatakan "Saya sayang kamu" kepada bos anda atau tidak.

Sebagai contoh lain, Foto Google menyusun kolaj gambar karpet yang tidak disengajakan di salah satu rumah kami. Ia kemudian mengenal pasti bahawa kolaj sebagai kemuncak baru-baru ini di Google Home Hub. Foto Google tahu foto-foto itu serupa tetapi tidak mengerti betapa tidak pentingnya mereka.

Mesin Sering Belajar Mengajarkan Sistem

Pembelajaran mesin adalah mengenai tugas dan membiarkan komputer menentukan cara yang paling berkesan untuk melakukannya. Kerana mereka tidak faham, mudah untuk mendapatkan komputer "belajar" bagaimana menyelesaikan masalah yang berbeza dari apa yang anda inginkan.

Berikut adalah senarai contoh yang menyeronokkan di mana "kecerdasan buatan" dicipta untuk bermain permainan dan matlamat yang diberikan hanya belajar untuk memainkan sistem. Contoh-contoh ini semuanya datang dari spreadsheet yang sangat baik ini:

• "Makhluk-makhluk yang dibiakkan untuk kelajuan tumbuh sangat tinggi dan menghasilkan halaju tinggi dengan terjatuh."
• "Agen membunuh sendiri pada akhir tahap 1 untuk mengelakkan kehilangan dalam peringkat 2."
• "Ejen menjeda permainan selama-lamanya untuk mengelakkan kehilangan."
• "Dalam simulasi kehidupan buatan di mana kelangsungan hidup diperlukan tenaga tetapi melahirkan tidak mempunyai kos tenaga, satu spesies berkembang gaya hidup yang tidak aktif yang kebanyakannya terdiri daripada kawin untuk menghasilkan anak baru yang boleh dimakan (atau digunakan sebagai pasangan untuk menghasilkan lebih banyak anak yang boleh dimakan) . "
• "Memandangkan AIs lebih cenderung untuk mendapatkan" dibunuh "jika mereka kehilangan permainan, dapat merosakkan permainan itu adalah kelebihan untuk proses pemilihan genetik. Oleh itu, beberapa AI telah membangunkan cara untuk merosakkan permainan. "
• "Jaring neural berevolusi untuk mengklasifikasikan cendawan yang boleh dimakan dan beracun mengambil kesempatan daripada data yang dipersembahkan dalam susunan bergantian dan tidak benar-benar mempelajari ciri-ciri imej masukan."

Sebahagian daripada penyelesaian ini mungkin terdengar pandai, tetapi tidak ada rangkaian saraf yang memahami apa yang mereka lakukan. Mereka diberikan matlamat dan belajar cara untuk melakukannya. Jika matlamatnya adalah untuk mengelakkan kehilangan dalam permainan komputer, menekan butang jeda adalah penyelesaian yang paling mudah, paling cepat yang dapat mereka temukan.

Pembelajaran Mesin dan Rangkaian Neural

Dengan pembelajaran mesin, komputer tidak diprogramkan untuk melaksanakan tugas tertentu. Sebaliknya, data itu diberi makan dan dinilai berdasarkan prestasinya dalam tugas.

Contoh asas pembelajaran mesin adalah pengiktirafan imej. Katakan kita ingin melatih program komputer untuk mengenal pasti foto yang mempunyai anjing di dalamnya. Kita boleh memberi jutaan imej komputer, ada yang mempunyai anjing di dalamnya dan ada yang tidak. Imej dilabel sama ada mereka mempunyai anjing di dalamnya atau tidak. Program komputer "melatih" dirinya untuk mengenali apa yang dilihat anjing berdasarkan data yang ditetapkan.

Proses pembelajaran mesin digunakan untuk melatih rangkaian saraf, yang merupakan program komputer dengan pelbagai lapisan yang setiap input data berlalu, dan setiap lapisan memberikan berat dan kebarangkalian yang berbeza kepada mereka sebelum akhirnya membuat penentuan. Ia dimodelkan pada bagaimana kita berfikir otak mungkin berfungsi, dengan lapisan neuron yang berlainan yang terlibat dalam pemikiran melalui tugas. "Pembelajaran mendalam" secara amnya merujuk kepada rangkaian saraf dengan banyak lapisan yang disusun antara input dan output.

Kerana kita tahu mana foto-foto dalam set data mengandungi anjing dan yang tidak, kita boleh menjalankan foto melalui rangkaian saraf dan melihat sama ada ia menghasilkan jawapan yang betul. Jika rangkaian memutuskan gambar tertentu tidak mempunyai anjing apabila ia berlaku, sebagai contoh, ada satu mekanisme untuk memberitahu rangkaian itu salah, menyesuaikan beberapa perkara, dan mencuba lagi. Komputer terus menjadi semakin baik untuk mengenal pasti sama ada gambar mengandungi anjing.

Ini semuanya berlaku secara automatik. Dengan perisian yang betul dan banyak data berstruktur untuk komputer untuk melatih dirinya sendiri, komputer dapat menyesuaikan rangkaian sarafnya untuk mengenal pasti anjing dalam foto. Kami panggil "AI" ini.

Tetapi, pada penghujung hari, anda tidak mempunyai program komputer pintar yang memahami apa yang anjing itu. Anda mempunyai komputer yang dipelajari untuk menentukan sama ada anjing itu dalam foto. Itu masih cukup mengagumkan, tetapi itu sahaja yang boleh dilakukan.

Dan, bergantung kepada input yang anda berikan, rangkaian neural mungkin tidak sepertinya kelihatan seperti itu. Sebagai contoh, jika tidak ada foto kucing dalam set data anda, rangkaian saraf mungkin tidak melihat perbezaan antara kucing dan anjing dan mungkin menandakan semua kucing sebagai anjing apabila anda melepaskannya pada foto sebenar orang.

Apa Pembelajaran Mesin Digunakan Untuk?

Pembelajaran mesin digunakan untuk semua jenis tugas, termasuk pengenalan pertuturan. Pembantu suara seperti Google, Alexa, dan Siri sangat baik untuk memahami suara manusia kerana teknik pembelajaran mesin yang telah melatih mereka untuk memahami ucapan manusia. Mereka telah melatih sejumlah besar sampel ucapan manusia dan menjadi lebih baik dan lebih baik pada pemahaman yang sesuai dengan kata-kata yang mana.

Kereta memandu sendiri menggunakan teknik pembelajaran mesin yang melatih komputer untuk mengenal pasti objek di jalan raya dan bagaimana untuk bertindak balas dengan betul. Foto Google penuh dengan ciri seperti Album Langsung yang secara automatik mengenal pasti orang dan haiwan dalam foto menggunakan pembelajaran mesin.

DeepMind Alphabet menggunakan pembelajaran mesin untuk membuat AlphaGo, sebuah program komputer yang boleh memainkan permainan papan kompleks Pergi dan mengalahkan manusia terbaik di dunia. Pembelajaran mesin juga telah digunakan untuk membuat komputer yang baik bermain permainan lain, dari catur ke DOTA 2.

Pembelajaran mesin juga digunakan untuk Face ID pada iPhone terkini. IPhone anda membina rangkaian neural yang belajar untuk mengenal pasti wajah anda, dan Apple termasuk cip "enjin saraf" khusus yang melakukan semua-crunching untuk tugas ini dan tugas pembelajaran mesin lain.

Pembelajaran mesin boleh digunakan untuk banyak perkara lain yang berbeza, dari mengenalpasti penipuan kad kredit ke cadangan produk yang diperibadikan di laman web belanja.

Tetapi, rangkaian saraf yang dibuat dengan pembelajaran mesin tidak benar-benar memahami apa-apa. Mereka adalah program berfaedah yang dapat menyelesaikan tugas-tugas yang sempit yang mereka dilatih, dan itu sahaja.

Credit Image: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Sundry Photography / Shutterstock.com.