Kopējais un atkārtotais skatījums uz jaunākajiem sasniegumiem mākslīgā intelekta izpētē ir tāds, ka jūtamas un inteliģentas mašīnas atrodas tikai pie horizonta. Mašīnas saprot verbālās komandas, atšķir attēlus, vada automašīnas un spēlē spēles labāk nekā mēs. Cik ilgi var paiet, pirms viņi staigā mūsu vidū?
Jaunajā Baltā nama ziņojumā par mākslīgo intelektu ir pietiekami skeptiski skatīts uz šo sapni. Tajā teikts, ka nākamajos 20 gados, visticamāk, neredzēs mašīnas "ar plaši pielietojamu intelektu, kas līdzīgs vai lielāks par cilvēku intelektu", lai gan joprojām saka, ka nākamajos gados "mašīnas sasniegs un pārsniegs cilvēku sniegumu vairāk un vairāk uzdevumu. " Bet tās pieņēmumos par to, kā šīs spējas attīstīsies, nav ievēroti daži svarīgi punkti.
Kā AI pētnieks atzīšu, ka bija jauki, ja mans lauciņš tika izcelts Amerikas valdības augstākajā līmenī, taču ziņojums gandrīz koncentrējās tikai uz to, ko es saucu par “garlaicīgo AI veidu”. Tas pus teikumā noraidīja manu AI pētījumu nozari par to, kā evolūcija var palīdzēt attīstīt arvien pilnveidotās AI sistēmas un kā skaitļošanas modeļi var mums palīdzēt saprast, kā attīstījās mūsu cilvēku intelekts.
Ziņojumā uzmanība tiek pievērsta tam, ko varētu saukt par galvenajiem AI rīkiem: mašīnmācīšanās un dziļa mācīšanās. Šīs ir tehnoloģijas, kuras spēja atskaņot "Briesmas!" labi, un pārspēt cilvēku Go meistarus vissarežģītākajā spēlē, kāda jebkad izgudrota. Šīs pašreizējās viedās sistēmas spēj apstrādāt milzīgus datu apjomus un ļoti ātri veikt sarežģītus aprēķinus. Bet viņiem trūkst elementa, kas būs galvenais, lai nākotnē izveidotu mūsdienās uztveramās mašīnas.
Mums jādara vairāk nekā jāiemāca mašīnām mācīties. Mums jāpārvar robežas, kas nosaka četrus dažādus mākslīgā intelekta veidus, barjeras, kas atdala mašīnas no mums - un mūs no tām.
I tipa AI: reaktīvās mašīnas
Visvienkāršākie AI sistēmu veidi ir tīri reaktīvi, un tiem nav iespēju neveidot atmiņas, ne izmantot pagātnes pieredzi, lai informētu pašreizējos lēmumus. Ideāls šāda veida mašīnu piemērs ir IBM šaha spēlējošais superdators Deep Blue, kurš 1990. gadu beigās pārspēja starptautisko lielmeistaru Gariju Kasparovu.
Deep Blue var identificēt gabalus uz šaha galdiņa un zināt, kā katrs pārvietojas. Tas var sniegt prognozes par to, kādi gājieni varētu būt nākamie tai un pretiniekam. Un tas no visām iespējām var izvēlēties optimālākos gājienus.
Bet tam nav nedz pagātnes koncepcijas, nedz atmiņas par iepriekš notikušo. Izņemot reti izmantojamo šahā noteikto normu pret viena un tā paša gājiena atkārtošanu trīs reizes, Deep Blue ignorē visu pirms šī brīža. Atliek tikai aplūkot gabalus uz šaha galdiņa pašreizējā stāvoklī un izvēlēties no iespējamiem nākamajiem gājieniem.
Šis izlūkošanas veids ietver datoru, kas tieši uztver pasauli un rīkojas pēc tā, ko redz. Tā nepaļaujas uz pasaules iekšējo koncepciju. Semināra rakstā AI pētnieks Rodnijs Brukss iebilda, ka mums vajadzētu būvēt tikai tādas mašīnas. Viņa galvenais iemesls bija tas, ka cilvēki ne pārāk labi programmē precīzu imitētu pasauli datoru lietošanai, ko AI stipendiātā sauc par pasaules “attēlojumu”.
Pašreizējām intelektuālajām mašīnām, par kurām mēs brīnāmies, vai nu nav šādas pasaules koncepcijas, vai arī tām ir ļoti ierobežots un specializēts speciālajiem pienākumiem. Jauninājums Deep Blue dizainā nebija paplašināt iespējamo filmu klāstu, ko apskatīja dators. Drīzāk izstrādātāji atrada veidu, kā sašaurināt tā viedokli, pārtraukt veikt dažus iespējamos nākotnes pasākumus, balstoties uz to, kā tas novērtēja to iznākumu. Bez šīs iespējas Deep Blue vajadzēja būt vēl jaudīgākam datoram, lai faktiski pārspētu Kasparovu.
Tāpat Google AlphaGo, kas pārspējis labākos cilvēku Go ekspertus, arī nevar novērtēt visas iespējamās turpmākās kustības. Tās analīzes metode ir sarežģītāka nekā Deep Blue, izmantojot neironu tīklu, lai novērtētu spēles attīstību.
Šīs metodes uzlabo AI sistēmu spēju labāk spēlēt noteiktas spēles, taču tās nevar viegli mainīt vai izmantot citās situācijās. Šīm datorizētajām iztēlām nav plašās pasaules jēdziena - tas nozīmē, ka tās nevar darboties tālāk par noteiktajiem uzdevumiem un ir viegli apmānītas.
Viņi nevar interaktīvi piedalīties pasaulē, kā mēs kādu dienu iedomājamies AI sistēmas. Tā vietā šīs mašīnas izturēsies tieši tāpat kā katru reizi, kad saskaras ar to pašu situāciju. Tas var būt ļoti labi, lai nodrošinātu, ka AI sistēma ir uzticama: Jūs vēlaties, lai jūsu autonomā automašīna būtu uzticams vadītājs. Bet tas ir slikti, ja mēs vēlamies, lai mašīnas patiesi iesaistītos pasaulē un reaģētu uz to. Šīs vienkāršākās AI sistēmas nekad nebūs garlaicīgas, ne ieinteresētas vai bēdīgas.
II tipa AI: ierobežota atmiņa
Šajā II tipa klasē mašīnas var ieskatīties pagātnē. Pašbraucošas automašīnas to jau dara. Piemēram, viņi novēro citu automašīnu ātrumu un virzienu. To nevar izdarīt tikai vienā mirklī, bet drīzāk ir nepieciešams noteikt konkrētus objektus un laika gaitā tos uzraudzīt.
Šie novērojumi tiek pievienoti pašbraucošo automašīnu iepriekš ieprogrammētajam pasaules attēlojumam, kas ietver arī joslu marķējumu, luksoforus un citus svarīgus elementus, piemēram, ceļa līkumus. Tie tiek iekļauti, kad automašīna izlemj, kad mainīt joslas, lai nenovirzītu citu vadītāju vai netiktu notriekta blakus esošā automašīna.
Bet šī vienkāršā informācija par pagātni ir tikai īslaicīga. Tie netiek saglabāti kā daļa no automašīnas pieredzes bibliotēkas, no kuras var mācīties, kā cilvēki autovadītāji gadu gaitā apkopo pieredzi aiz riteņa.
Tātad, kā mēs varam izveidot tādas AI sistēmas, kas veido pilnīgas reprezentācijas, atceras viņu pieredzi un iemācās rīkoties jaunās situācijās? Brūksai bija taisnība, ka to ir ļoti grūti izdarīt. Mani paši pētījumi par metodēm, kuras iedvesmojusi darvinistu evolūcija, var sākt kompensēt cilvēku trūkumus, ļaujot mašīnām veidot savas reprezentācijas.
III tipa AI: prāta teorija
Mēs šeit varētu apstāties un nosaukt šo punktu par būtisko plaisu starp mašīnām, kas mums ir, un mašīnām, kuras mēs nākotnē uzbūvēsim. Tomēr labāk ir būt specifiskākam, lai apspriestu reprezentācijas veidus, kas mašīnām jāveido, un to, kādai tām jābūt.
Mašīnas nākamajā, progresīvākajā klasē veido ne tikai attēlojumu par pasauli, bet arī par citiem aģentiem vai entītijām pasaulē. Psiholoģijā to sauc par "prāta teoriju" - izpratni, ka cilvēkiem, radījumiem un objektiem pasaulē var būt domas un emocijas, kas ietekmē viņu pašu izturēšanos.
Tas ir ļoti svarīgi tam, kā mēs, cilvēki, veidojām sabiedrības, jo tie ļāva mums būt sociālai mijiedarbībai. Nesaprotot viens otra motīvus un nodomus un neņemot vērā to, ko kāds cits zina vai nu par mani, vai vidi, strādāt kopā ir labākajā gadījumā grūti, sliktākajā gadījumā - neiespējami.
Ja AI sistēmas patiešām kādreiz staigās mūsu starpā, viņiem būs jāspēj saprast, ka katram no mums ir domas un jūtas, un cerības par to, kā pret mums izturēsies. Un viņiem būs attiecīgi jāpielāgo sava uzvedība.
IV tips AI: Pašapziņa
AI attīstības pēdējais solis ir izveidot sistēmas, kas var veidot reprezentācijas par sevi. Galu galā mums, AI pētniekiem, būs ne tikai jāsaprot apziņa, bet arī jāveido mašīnas, kurām tā ir.
Tas savā ziņā ir "prāta teorijas", kas piemīt III tipa mākslīgajiem intelektiem, paplašinājums. Apziņa iemesla dēļ tiek saukta arī par "pašapziņu". ("Es gribu, lai šis priekšmets" ir ļoti atšķirīgs apgalvojums nekā "Es zinu, ka gribu šo priekšmetu.") Apzinīgas būtnes apzinās sevi, zina par saviem iekšējiem stāvokļiem un spēj paredzēt citu cilvēku izjūtas. Mēs domājam, ka kāds, kurš satiksmē sliecas aiz mums, ir dusmīgs vai nepacietīgs, jo tieši tā mēs jūtamies, godājot citus. Bez prāta teorijas mēs nevarētu izdarīt šāda veida secinājumus.
Kaut arī mēs, iespējams, esam tālu no tā, lai izveidotu mašīnas, kas apzinās sevi, mums jācenšas koncentrēties uz atmiņas izpratni, mācīšanos un spēju balstīt lēmumus uz pagātnes pieredzi. Tas ir svarīgs solis, lai izprastu cilvēka intelektu pats par sevi. Un tas ir ārkārtīgi svarīgi, ja mēs vēlamies projektēt vai attīstīt mašīnas, kas ir vairāk nekā ārkārtas, klasificējot to, ko viņi redz priekšā.
Arends Hintze, integratīvās bioloģijas un datorzinātņu un inženierzinātņu profesora asistents, Mičiganas štata universitāte
