AI Lebih Sulit Dari yang Kita Pikirkan: 4 Kesalahan Utama dalam Penelitian AI

Kecerdasan buatan telah menjadi berita utama selama hampir satu dekade, karena sistem telah membuat kemajuan pesat dalam waktu lama AI tantangan seperti pengenalan gambar, pemrosesan bahasa alami, dan game. Perusahaan teknologi telah menaburkan algoritme pembelajaran mesin ke dalam mesin pencari dan rekomendasi serta sistem pengenalan wajah, dan OpenAI GPT-3 dan DeepMind's Lipatan Alfa menjanjikan aplikasi yang lebih praktis, mulai dari menulis hingga membuat kode hingga penemuan ilmiah.

Memang, kami berada di tengah-tengah musim semi AI, dengan investasi dalam teknologi yang sedang berkembang dan sentimen optimisme dan kemungkinan yang besar terhadap apa yang dapat dicapai dan kapan.

Kali ini mungkin terasa berbeda dari mata air AI sebelumnya karena aplikasi praktis yang disebutkan di atas dan penyebaran AI yang sempit ke dalam teknologi yang banyak dari kita gunakan setiap hari — seperti ponsel cerdas, TV, mobil, dan penyedot debu, dan lain-lain. Tetapi mungkin juga kita sedang mengendarai gelombang kemajuan jangka pendek dalam AI yang akan segera menjadi bagian dari pasang surut kemajuan, pendanaan, dan sentimen yang telah menjadi ciri bidang ini sejak didirikan pada tahun 1956.

AI telah gagal dalam banyak prediksi yang dibuat selama beberapa dekade terakhir; 2020, misalnya, adalah digembar-gemborkan sebanyak tahun ini mobil self-driving akan mulai memenuhi jalan, dengan mulus mengangkut penumpang saat mereka duduk dan menikmati perjalanan. Tetapi masalahnya ternyata lebih sulit daripada yang diantisipasi, dan alih-alih gerombolan taksi robot, proyek paling canggih tetap dalam uji coba. Sementara itu, beberapa orang di lapangan percaya bahwa bentuk dominan AI — semacam pembelajaran mesin berdasarkan jaringan neural — akan segera kehabisan tenaga tanpa adanya serangkaian terobosan penting.

Dalam sebuah makalah berjudul Mengapa AI Lebih Sulit Dari Yang Kita Pikirkan, diterbitkan minggu lalu di server pracetak arXiv, Melani Mitchell, seorang profesor ilmu komputer di Portland State University saat ini di Institut Santa Fe, berpendapat bahwa AI terjebak dalam siklus pasang surut sebagian besar karena kita belum benar-benar memahami sifat dan kompleksitas kecerdasan manusia. Mitchell memecah poin menyeluruh ini menjadi empat kesalahpahaman umum seputar AI, dan membahas apa artinya untuk masa depan bidang ini.

1. Kemajuan dalam kecerdasan sempit adalah kemajuan menuju kecerdasan umum

Prestasi baru yang mengesankan dari AI sering kali disertai dengan asumsi bahwa pencapaian yang sama ini semakin dekat untuk kita capai kecerdasan mesin tingkat manusia. Tapi tidak hanya, seperti yang ditunjukkan Mitchell, kecerdasannya yang sempit dan umum sama berbedanya dengan memanjat pohon versus mendarat di bulan, tetapi bahkan kecerdasan yang sempit pun masih sangat bergantung pada kelimpahan data khusus tugas dan pelatihan yang difasilitasi oleh manusia.

Ambil GPT-3, yang mana beberapa dikutip memiliki melampaui "sempit" kecerdasan: algoritme dilatih untuk menulis teks, tetapi belajar menerjemahkan, menulis kode, melengkapi gambar secara otomatis, dan melakukan matematika, di antara tugas-tugas lainnya. Tetapi meskipun kemampuan GPT-3 ternyata lebih luas daripada yang diharapkan pembuatnya, semua keterampilannya masih dalam domain tempat ia dilatih: yaitu, bahasa — lisan, tertulis, dan pemrograman.

Menjadi mahir dalam keterampilan yang tidak berhubungan dengan bahasa tanpa pelatihan akan menandakan kecerdasan umum, tetapi ini tidak terjadi pada GPT-3, juga tidak terjadi pada AI lain yang dikembangkan baru-baru ini: mereka tetap bersifat sempit dan , meski penting dalam dirinya sendiri, tidak boleh digabungkan dengan langkah-langkah menuju pemahaman menyeluruh tentang dunia yang diperlukan untuk kecerdasan umum.

2. Yang mudah bagi manusia harus mudah bagi mesin

Is AI lebih pintar dari anak berumur empat tahun? Dalam kebanyakan pengertian, jawabannya adalah tidak, dan itu karena keterampilan dan tugas yang kita anggap "mudah" ternyata jauh lebih kompleks daripada yang kita berikan kepada mereka, as Paradoks Moravec mencatats.

Anak usia empat tahun cukup pandai mencari tahu sebab dan akibat hubungan berdasarkan interaksi mereka dengan dunia di sekitar mereka. Misalnya, jika mereka menyentuh panci di atas kompor dan jari terbakar, mereka akan mengerti bahwa luka bakar itu disebabkan oleh panasnya panci, bukan karena panci itu bulat atau perak. Bagi manusia, ini adalah akal sehat dasar, tetapi algoritme mengalami kesulitan membuat kesimpulan sebab akibat, terutama tanpa kumpulan data yang besar atau dalam konteks yang berbeda dari yang mereka pelajari.

Persepsi dan pilihan yang terjadi di tingkat bawah sadar pada manusia terletak pada pengalaman dan pembelajaran seumur hidup, bahkan pada tingkat dasar seperti "menyentuh hal-hal panas akan membakar Anda". Karena kita mencapai titik di mana pengetahuan semacam ini bersifat refleksif, bahkan tidak membutuhkan pemikiran sadar, kita melihatnya sebagai "mudah," tetapi justru sebaliknya. “AI lebih sulit daripada yang kita pikirkan, "tulis Mitchell," karena kita sebagian besar tidak menyadari kompleksitas proses berpikir kita sendiri. "

3. Bahasa manusia dapat menggambarkan kecerdasan mesin

Manusia memiliki kecenderungan untuk melakukan antropomorfisasi pada benda-benda non-manusia, dari hewan hingga benda mati hingga robot dan komputer. Dalam melakukannya, kami menggunakan kata-kata yang sama yang akan kami gunakan untuk membahas aktivitas atau kecerdasan manusia — kecuali kata-kata ini tidak sesuai dengan konteksnya, dan pada kenyataannya dapat mengaburkan pemahaman kami tentang AI. Mitchell menggunakan istilah itu “Angan-angan”, diciptakan oleh seorang ilmuwan komputer pada tahun 1970-an. Kata-kata seperti "membaca", "memahami", dan "berpikir" digunakan untuk mendeskripsikan dan mengevaluasi AI, tetapi kata-kata ini tidak memberikan gambaran yang akurat tentang bagaimana AI berfungsi atau berkembang.

Bahkan "belajar" adalah istilah yang salah, kata Mitchell, karena jika sebuah mesin benar-benar "mempelajari" suatu keterampilan baru, ia akan dapat menerapkan keterampilan itu dalam pengaturan yang berbeda; menemukan korelasi dalam kumpulan data dan menggunakan pola yang diidentifikasi untuk membuat prediksi atau memenuhi tolok ukur lain adalah sesuatu, tetapi ini bukan "belajar" dalam cara yang dipelajari manusia.

Jadi mengapa harus ribut-ribut tentang kata-kata, jika hanya itu yang kita miliki dan intinya? Nah, kata Mitchell, bahasa yang tidak akurat ini tidak hanya dapat menyesatkan publik dan media, tetapi juga dapat memengaruhi cara peneliti AI berpikir tentang sistem mereka dan menjalankan pekerjaan mereka.

4. Kecerdasan ada di kepala kita

Poin terakhir Mitchell adalah bahwa kecerdasan manusia tidak hanya terkandung di otak, tetapi membutuhkan tubuh fisik.

Ini tampaknya cukup jelas; kita menggunakan indera kita untuk menyerap dan memproses informasi, dan kita berinteraksi dan bergerak melalui dunia dalam tubuh kita. Namun penekanan yang berlaku dalam penelitian AI adalah di otak: memahaminya, mereplikasi berbagai aspeknya bentuk atau fungsi, dan pembuatan AI lebih menyukainya.

Jika kecerdasan hidup hanya di otak, kita akan dapat bergerak lebih dekat untuk mencapai AI tingkat manusia dengan, katakanlah, membangun jaringan saraf dengan jumlah parameter yang sama dengan otak yang memiliki koneksi sinaptik, sehingga menduplikasi “kapasitas komputasi otak . ”

Menggambar paralel semacam ini dapat diterapkan dalam kasus di mana "kecerdasan" mengacu pada operasi dengan seperangkat aturan untuk bekerja menuju tujuan yang ditentukan — seperti memenangkan permainan catur atau memodelkan cara protein melipat, yang keduanya sudah dapat dilakukan oleh komputer. baik. Tetapi jenis kecerdasan lain jauh lebih dibentuk oleh dan tunduk pada emosi, bias, dan pengalaman individu.

Kembali ke contoh GPT-3: algoritme menghasilkan kecerdasan “subyektif” (tulisannya sendiri) menggunakan seperangkat aturan dan parameter yang dibuat dengan kumpulan data besar kecerdasan subjektif yang sudah ada sebelumnya (tulisan oleh manusia). GPT-3 dipuji sebagai sesuatu yang “kreatif”, namun penulisannya bergantung pada asosiasi yang dibuat antara kata dan frasa dalam tulisan manusia—yang sarat dengan bias, emosi, pengetahuan yang sudah ada sebelumnya, akal sehat, dan pengalaman unik penulis mengenai hal tersebut. dunia, semua dialami melalui tubuh.

Mitchell berpendapat bahwa aspek non-rasional, subjektif dari cara manusia berpikir dan beroperasitidak merupakan halangan bagi kecerdasan kita, tetapi adalah sebenarnya batuan dasar nya dan enabler. Pakar kecerdasan umum artifisial terkemuka Ben Goertzel juga mendukung "arsitektur seluruh organisme", surat perintahing, “Manusia adalah tubuh seperti halnya pikiran, dan untuk mencapai AGI seperti manusia akan membutuhkan sistem AI yang tertanam dalam sistem fisik yang mampu berinteraksi dengan dunia manusia sehari-hari dengan cara yang berbeda.”

Dari mana?

Kesalahpahaman ini meninggalkan sedikit keraguan tentang apa yang peneliti dan pengembang AI tidak seharusnya melakukan. Yang kurang jelas adalah bagaimana melangkah maju. Kita harus mulai, kata Mitchell, dengan pemahaman yang lebih baik tentang kecerdasan — bukan tugas yang kecil atau mudah. Namun, satu tempat yang baik bagi para peneliti AI adalah di disiplin ilmu lain yang mempelajari kecerdasan.

Kenapa kita begitu ingin membuat versi buatan dari kecerdasan manusia? Itu telah berkembang selama jutaan tahun dan sangat kompleks dan rumit, namun masih penuh dengan kekurangannya sendiri juga. Mungkin jawabannya adalah kita tidak sedang mencoba membangun otak buatan sebaik milik kita; kami mencoba membangun yang lebih baik, dan itu akan membantu kami memecahkan masalah yang saat ini tidak terpecahkan.

Evolusi manusia terjadi selama sekitar enam juta tahun. Sementara itu sudah 65 tahun sejak AI menjadi bidang studimati, dan menulis teks seperti manusia, membuat wajah palsu, memegangnya sendiri dalam perdebatan, membuat diagnosis medis, dan lebih. Meskipun ada banyak yang tersisa untuk dipelajari, tampaknya AI mengalami kemajuan cukup baik dalam skema besar-dan langkah selanjutnya untuk melangkah lebih jauh adalah memperdalam pemahaman kita tentang pikiran kita sendiri.

Gambar Kredit: Rene Bohmer on Unsplash

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