Το AI είναι πιο δύσκολο από όσο νομίζουμε: 4 βασικά λάθη στην έρευνα της τεχνητής νοημοσύνης

Η τεχνητή νοημοσύνη υπήρξε παντού πρωτοσέλιδα για σχεδόν μια δεκαετία, καθώς τα συστήματα έχουν σημειώσει γρήγορη πρόοδο σε μακροχρόνια βάση AI προκλήσεις όπως αναγνώριση εικόνας, επεξεργασία φυσικής γλώσσας και παιχνίδια. Οι εταιρείες τεχνολογίας έχουν σπείρει αλγόριθμους μηχανικής μάθησης σε μηχανές αναζήτησης και προτάσεων και συστήματα αναγνώρισης προσώπου και OpenAI GPT-3 και DeepMind's AlphaFold υπόσχονται ακόμη πιο πρακτικές εφαρμογές, από τη γραφή έως την κωδικοποίηση έως τις επιστημονικές ανακαλύψεις.

Πράγματι, βρισκόμαστε στη μέση μιας πηγής τεχνητής νοημοσύνης, με επενδύσεις στην τεχνολογία που αναπτύσσεται και ένα υπερισχύον συναίσθημα αισιοδοξίας και δυνατότητας προς αυτό που μπορεί να επιτύχει και πότε.

Αυτή τη φορά μπορεί να αισθάνεται διαφορετική από τα προηγούμενα ελατήρια AI, λόγω των προαναφερθεισών πρακτικών εφαρμογών και του πολλαπλασιασμού της στενής AI σε τεχνολογίες που πολλοί από εμάς χρησιμοποιούμε καθημερινά - όπως τα smartphone, οι τηλεοράσεις, τα αυτοκίνητα και οι ηλεκτρικές σκούπες, για να αναφέρουμε μερικές μόνο. Αλλά είναι επίσης πιθανό να οδηγήσουμε ένα κύμα βραχυπρόθεσμης προόδου στην AI που θα γίνει σύντομα μέρος της άμπωτης και θα προχωρήσει στην πρόοδο, τη χρηματοδότηση και το συναίσθημα που χαρακτήρισε τον τομέα από την ίδρυσή του το 1956.

Η τεχνητή νοημοσύνη έχει υπολείψει πολλών προβλέψεων που έγιναν τις τελευταίες δεκαετίες. Το 2020, για παράδειγμα, ήταν προανήγγειλε από πολλούς ως το έτος αυτο-οδήγηση αυτοκινήτων θα άρχιζε να γεμίζει δρόμους, να μεταφέρει απρόσκοπτα τους επιβάτες καθώς καθόταν πίσω και απόλαυσε τη διαδρομή. Αλλά το πρόβλημα ήταν πιο δύσκολο από το αναμενόμενο, και αντί για ορδές ρομπότ ταξί, τα πιο προηγμένα έργα παραμένουν σε δοκιμές. Εν τω μεταξύ, ορισμένοι στο πεδίο πιστεύουν ότι η κυρίαρχη μορφή της τεχνητής νοημοσύνης - ένα είδος μηχανικής μάθησης που βασίζεται σε νευρωνικά δίκτυα - μπορεί σύντομα να εξαντληθεί χωρίς να υπάρχει μια σειρά από κρίσιμες ανακαλύψεις.

Σε ένα άρθρο με τίτλο Γιατί το AI είναι πιο δύσκολο από ό, τι πιστεύουμε, δημοσιεύθηκε την περασμένη εβδομάδα στον διακομιστή προτύπων arXiv, Μελάνι Μίτσελ, καθηγητής πληροφορικής στο Πανεπιστήμιο του Πόρτλαντ στο Πανεπιστήμιο Ινστιτούτο Σάντα Φε, υποστηρίζει ότι η τεχνητή νοημοσύνη είναι κολλημένη σε έναν κύκλο ανατροπής και ροής σε μεγάλο βαθμό επειδή δεν καταλαβαίνουμε ακόμα πραγματικά τη φύση και την πολυπλοκότητα της ανθρώπινης νοημοσύνης. Ο Μίτσελ διασπά αυτό το γενικό σημείο σε τέσσερις κοινές παρανοήσεις γύρω από το AI και συζητά τι σημαίνουν για το μέλλον του γηπέδου.

1. Η πρόοδος στη στενή νοημοσύνη είναι πρόοδος προς τη γενική νοημοσύνη

Τα εντυπωσιακά νέα επιτεύγματα από την AI συνοδεύονται συχνά από μια υπόθεση ότι αυτά τα ίδια επιτεύγματα μας πλησιάζουν ανθρώπινου επιπέδου μηχανική νοημοσύνη. Όμως όχι μόνο, όπως επισημαίνει ο Mitchell, η στενή και η γενική νοημοσύνη είναι τόσο διαφορετικές όσο η αναρρίχηση ενός δέντρου έναντι της προσγείωσης στο φεγγάρι, αλλά ακόμη και η στενή νοημοσύνη εξακολουθεί να βασίζεται σε μεγάλο βαθμό σε μια πληθώρα δεδομένων για συγκεκριμένες εργασίες και εκπαίδευση που διευκολύνεται από τον άνθρωπο.

Πάρτε το GPT-3, το οποίο μερικοί παραπομπή ως έχει ξεπέρασε το «στενό» νοημοσύνη: ο αλγόριθμος εκπαιδεύτηκε για να γράφει κείμενο, αλλά έμαθε να μεταφράζει, να γράφει κώδικα, να συμπληρώνει αυτόματα εικόνες και να κάνει μαθηματικά, μεταξύ άλλων εργασιών. Ωστόσο, παρόλο που οι δυνατότητες του GPT-3 αποδείχθηκαν πιο εκτεταμένες από ό, τι σκόπευαν οι δημιουργοί της, όλες οι δεξιότητές της εξακολουθούν να βρίσκονται εντός του τομέα στον οποίο εκπαιδεύτηκε: δηλαδή, γλώσσα - ομιλία, γραπτή και προγραμματισμός.

Το να είσαι ικανός σε μια μη σχετιζόμενη με τη γλώσσα δεξιότητα χωρίς εκπαίδευση θα σήμαινε τη γενική νοημοσύνη, αλλά αυτό δεν συνέβη με το GPT-3, ούτε συνέβη με οποιοδήποτε άλλο πρόσφατα αναπτυγμένο AI: παραμένουν στενά στη φύση και , ενώ είναι σημαντικά από μόνα τους, δεν πρέπει να συνδυάζονται με βήματα προς την πλήρη κατανόηση του κόσμου που απαιτείται για τη γενική νοημοσύνη.

2. Αυτό που είναι εύκολο για τους ανθρώπους πρέπει να είναι εύκολο για τις μηχανές

Is AI πιο έξυπνο από ένα τετράχρονο; Στις περισσότερες απόψεις, η απάντηση είναι όχι και αυτό συμβαίνει επειδή οι δεξιότητες και τα καθήκοντα που θεωρούμε ότι είναι «εύκολα» είναι στην πραγματικότητα πολύ πιο περίπλοκα από ό, τι τους δίνουμε πίστωση,s Το παράδοξο του Moravec σημείωσηs.

Τα παιδιά τεσσάρων ετών είναι αρκετά καλά στο να βρουν σχέσεις αιτίου-αποτελέσματος με βάση τις αλληλεπιδράσεις τους με τον κόσμο γύρω τους. Αν, για παράδειγμα, αγγίξουν ένα δοχείο στη σόμπα και κάψουν ένα δάχτυλο, θα καταλάβουν ότι το έγκαυμα προκλήθηκε από το δοχείο να είναι ζεστό, όχι από το ότι είναι στρογγυλό ή ασημί. Στον άνθρωπο αυτό είναι βασική κοινή λογική, αλλά οι αλγόριθμοι δυσκολεύονται να κάνουν αιτιώδη συμπεράσματα, ειδικά χωρίς ένα μεγάλο σύνολο δεδομένων ή σε διαφορετικό πλαίσιο από αυτό στο οποίο εκπαιδεύτηκαν.

Οι αντιλήψεις και οι επιλογές που λαμβάνουν χώρα σε ένα υποσυνείδητο επίπεδο στον άνθρωπο, βασίζονται στην εμπειρία και τη μάθηση μιας ζωής, ακόμη και σε ένα στοιχειώδες επίπεδο όπως «το άγγιγμα καυτών πραγμάτων θα σε κάψει». Επειδή φτάνουμε σε ένα σημείο όπου αυτό το είδος γνώσης είναι ανακλαστικό, δεν απαιτεί καν συνειδητή σκέψη, το βλέπουμε ως «εύκολο», αλλά είναι ακριβώς το αντίθετο. "ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ είναι πιο δύσκολο από ό, τι νομίζουμε », γράφει ο Μίτσελ,« επειδή δεν γνωρίζουμε σε μεγάλο βαθμό την πολυπλοκότητα των δικών μας διαδικασιών σκέψης ».

3. Η ανθρώπινη γλώσσα μπορεί να περιγράψει τη νοημοσύνη της μηχανής

Οι άνθρωποι έχουν την τάση να ανθρωπομορφώνουν μη ανθρώπινα πράγματα, από ζώα έως άψυχα αντικείμενα έως ρομπότ και υπολογιστές. Με αυτόν τον τρόπο, χρησιμοποιούμε τις ίδιες λέξεις που θα χρησιμοποιούσαμε για να συζητήσουμε τις ανθρώπινες δραστηριότητες ή τη νοημοσύνη - εκτός από αυτές τις λέξεις που δεν ταιριάζουν απόλυτα στο πλαίσιο, και στην πραγματικότητα μπορούν να μπερδέψουν τη δική μας κατανόηση της AI. Ο Μίτσελ χρησιμοποιεί τον όρο «Ευσεβείς μνημονικοί», επινοήθηκε από επιστήμονα υπολογιστών στη δεκαετία του 1970. Λέξεις όπως «ανάγνωση», «κατανόηση» και «σκέψη» χρησιμοποιούνται για να περιγράψουν και να αξιολογήσουν την τεχνητή νοημοσύνη, αλλά αυτές οι λέξεις δεν μας δίνουν μια ακριβή απεικόνιση του τρόπου λειτουργίας ή εξέλιξης της τεχνητής νοημοσύνης.

Ακόμη και η «εκμάθηση» είναι εσφαλμένη, λέει ο Μίτσελ, γιατί αν μια μηχανή «μάθει» πραγματικά μια νέα ικανότητα, θα μπορούσε να εφαρμόσει αυτήν την ικανότητα σε διαφορετικές ρυθμίσεις. Η εύρεση συσχετισμών σε σύνολα δεδομένων και η χρήση των μοτίβων που προσδιορίζονται για την πραγματοποίηση προβλέψεων ή την ικανοποίηση άλλων κριτηρίων αναφοράς είναι κάτι, αλλά δεν είναι «μάθηση» με τον τρόπο που μαθαίνουν οι άνθρωποι.

Γιατί λοιπόν όλη η φασαρία για τα λόγια, αν είναι όλα που έχουμε και ξεπερνούν την ουσία; Λοιπόν, λέει ο Mitchell, αυτή η ανακριβής γλώσσα όχι μόνο μπορεί να παραπλανήσει το κοινό και τα μέσα ενημέρωσης, αλλά μπορεί να επηρεάσει τον τρόπο με τον οποίο οι ερευνητές AI σκέφτονται τα συστήματά τους και εκτελούν το έργο τους.

4. Η νοημοσύνη είναι στο μυαλό μας

Το τελευταίο σημείο του Μίτσελ είναι ότι η ανθρώπινη νοημοσύνη δεν περιέχεται αποκλειστικά στον εγκέφαλο, αλλά απαιτεί ένα φυσικό σώμα.

Αυτό φαίνεται αυτονόητο. χρησιμοποιούμε τις αισθήσεις μας για να απορροφήσουμε και να επεξεργαστούμε πληροφορίες και αλληλεπιδρούμε με και κινούμαστε στον κόσμο μέσα στο σώμα μας. Ωστόσο, η επικρατούσα έμφαση στην έρευνα για την τεχνητή νοημοσύνη είναι στον εγκέφαλο: κατανόηση, αναπαραγωγή διαφόρων πτυχών του μορφή ή συνάρτησηκαι δημιουργία Μου αρέσει περισσότερο.

Εάν η νοημοσύνη ζούσε μόνο στον εγκέφαλο, θα μπορούσαμε να πλησιάσουμε πιο κοντά στην επίτευξη AI σε ανθρώπινο επίπεδο, ας πούμε, χτίζοντας ένα νευρικό δίκτυο με τον ίδιο αριθμό παραμέτρων με τον εγκέφαλο που έχει συναπτικές συνδέσεις, διπλασιάζοντας έτσι την «υπολογιστική ικανότητα του εγκεφάλου» "

Η σχεδίαση αυτού του είδους παράλληλου μπορεί να ισχύει σε περιπτώσεις όπου η «νοημοσύνη» αναφέρεται στη λειτουργία με ένα σύνολο κανόνων για την επίτευξη ενός καθορισμένου στόχου - όπως η νίκη σε ένα παιχνίδι σκακιού ή η μοντελοποίηση του τρόπου με τον οποίο οι πρωτεΐνες διπλώνονται, και οι δύο από τους οποίους οι υπολογιστές μπορούν ήδη να κάνουν Καλά. Αλλά άλλοι τύποι νοημοσύνης διαμορφώνονται πολύ περισσότερο και υπόκεινται σε συναίσθημα, προκατάληψη και ατομική εμπειρία.

Επιστρέφοντας στο παράδειγμα GPT-3: ο αλγόριθμος παράγει «υποκειμενική» νοημοσύνη (τη δική του γραφή) χρησιμοποιώντας ένα σύνολο κανόνων και παραμέτρων που δημιούργησε με ένα τεράστιο σύνολο δεδομένων προϋπάρχουσας υποκειμενικής νοημοσύνης (γραφή από ανθρώπους). Το GPT-3 χαιρετίζεται ως «δημιουργικό», αλλά η γραφή του βασίζεται σε συσχετισμούς που δημιούργησε μεταξύ λέξεων και φράσεων στην ανθρώπινη γραφή—η οποία είναι γεμάτη με προκαταλήψεις, συναισθήματα, προϋπάρχουσες γνώσεις, κοινή λογική και τη μοναδική εμπειρία του συγγραφέα. κόσμο, όλα βιωμένα μέσα από το σώμα.

Μίτσελ υποστηρίζει ότι οι μη ορθολογικές, υποκειμενικές πτυχές του τρόπου σκέψης και λειτουργίας των ανθρώπωνόχι εμπόδιο στη νοημοσύνη μας, αλλά είναι στην πραγματικότητα το θεμέλιο του και ενεργοποιητής. Ο κορυφαίος εμπειρογνώμονας τεχνητής νοημοσύνης Ben Goertzel υποστηρίζει επίσης την «αρχιτεκτονική ολόκληρου του οργανισμού» ένταλμαING«Οι άνθρωποι είναι σώματα όπως και τα μυαλά, και έτσι η επίτευξη AGI που μοιάζει με άνθρωπο θα απαιτήσει την ενσωμάτωση συστημάτων AI σε φυσικά συστήματα ικανά να αλληλεπιδρούν με τον καθημερινό ανθρώπινο κόσμο με διαφορετικούς τρόπους».

Από πού να έρθετε;

Αυτές οι λανθασμένες αντιλήψεις αφήνουν μικρή αμφιβολία ως προς το τι ερευνητές και προγραμματιστές AI δεν θα έπρεπε κάνω. Αυτό που είναι λιγότερο σαφές είναι πώς να προχωρήσουμε. Πρέπει να ξεκινήσουμε, λέει ο Μίτσελ, με καλύτερη κατανόηση της νοημοσύνης - χωρίς μικρή ή απλή εργασία. Ένα καλό μέρος που μπορούν να δουν οι ερευνητές της AI είναι σε άλλους κλάδους της επιστήμης που μελετούν τη νοημοσύνη.

Γιατί όμως θέλουμε να δημιουργήσουμε μια τεχνητή εκδοχή της ανθρώπινης νοημοσύνης; Έχει εξελιχθεί εδώ και εκατομμύρια χρόνια και είναι εξαιρετικά περίπλοκο και περίπλοκο, αλλά εξακολουθεί να είναι γεμάτο με τις δικές του ελλείψεις. Ίσως η απάντηση είναι ότι δεν προσπαθούμε να χτίσουμε έναν τεχνητό εγκέφαλο τόσο καλή όσο Δικός μας; προσπαθούμε να χτίσουμε ένα που είναι καλύτερο και αυτό θα μας βοηθήσει να λύσουμε τα επίλυτα επί του παρόντος προβλήματα.

Ανθρώπινη εξέλιξη πραγματοποιήθηκε κατά τη διάρκεια περίπου έξι εκατομμυρίων ετών. Εν τω μεταξύ, είναι έχουν περάσει 65 χρόνια από τότε που η ΑΙ έγινε πεδίο stuντυ, και γράφει ανθρώπινο κείμενο ψεύτικα πρόσωπα, κρατώντας το δικό του σε συζητήσεις, κάνοντας ιατρικές διαγνώσεις, και περισσότερο. Αν και υπάρχει μένει πολύ να μάθει, φαίνεται ότι το AI προχωρά αρκετά καλά στο μεγάλο σχήμα των πραγμάτων-και το επόμενο βήμα για να το προχωρήσουμε είναι να εμβαθύνουμε την κατανόησή μας για το μυαλό μας.

Image Credit: Ρεν Μπόμερ on Unsplash

Πηγή: https://singularityhub.com/2021/05/06/to-advance-ai-we-need-to-better-understand-human-intelligence-and-address-these-4-fallacies/