Problemet med AI-maskiner er at lære ting, men kan ikke forstå dem
Alle taler om "AI" i disse dage. Men uanset om du kigger på Siri, Alexa eller bare de autokorrektive funktioner, der findes på tastaturet på din smartphone, skaber vi ikke generel intelligens. Vi opretter programmer, der kan udføre specifikke, smalle opgaver.
Computere kan ikke "tænke"
Når et firma siger, at det kommer ud med en ny "AI" -funktion, betyder det generelt, at virksomheden bruger maskine læring til at opbygge et neuralt netværk. "Maskinindlæring" er en teknik, der lader en maskine "lære", hvordan man bedre kan udføre på en bestemt opgave.
Vi angriber ikke maskinindlæring her! Maskinindlæring er en fantastisk teknologi med mange magtfulde anvendelser. Men det er ikke almindelig kunstig intelligens, og forståelse af begrænsningerne ved maskinindlæring hjælper dig med at forstå, hvorfor vores nuværende AI-teknologi er så begrænset.
Den "kunstige intelligens" af sci-fi drømme er en computeriseret eller robot slags hjerne, der tænker på ting og forstår dem som mennesker gør. Sådan kunstig intelligens ville være en kunstig generel intelligens (AGI), hvilket betyder, at den kan tænke på flere forskellige ting og anvende denne intelligens på flere forskellige domæner. Et beslægtet koncept er "stærk AI", som ville være en maskine, der kunne opleve menneskelig bevidsthed.
Vi har ikke den slags AI endnu. Vi er ikke nogen steder tæt på den. En computer enhed som Siri, Alexa eller Cortana forstår ikke og tænker som vi mennesker gør. Det forstår slet ikke rigtigt "forstå" ting.
De kunstige intelligenser, vi har, er uddannet til at gøre en bestemt opgave meget godt, forudsat at mennesker kan levere dataene til at hjælpe dem med at lære. De lærer at gøre noget, men forstår det stadig ikke.
Computere forstår ikke
Gmail har et nyt "Smart Reply" -funktion, der foreslår svar på e-mails. Smart Reply-funktionen identificeret "Sendt fra min iPhone" som et almindeligt svar. Det ønskede også at foreslå "Jeg elsker dig" som svar på mange forskellige typer af e-mails, herunder arbejdsemails.
Det skyldes, at computeren ikke forstår hvad disse svar betyder. Det er bare lært, at mange mennesker sender disse sætninger i e-mails. Det ved ikke, om du vil sige "Jeg elsker dig" til din chef eller ej.
Som et andet eksempel sammensætter Google Photos en collage af utilsigtede billeder af tæppet i et af vores hjem. Derefter identificerede den collagen som et nyt højdepunkt på et Google Home Hub. Google Fotos vidste, at billederne var ens, men forstod ikke, hvor uvigtige de var.
Maskiner lærer ofte at spille systemet
Maskinindlæring handler om at tildele en opgave og lade en computer bestemme den mest effektive måde at gøre det på. Fordi de ikke forstår, er det nemt at ende med en computer "lære", hvordan man løser et andet problem end hvad du ville have.
Her er en liste over sjove eksempler, hvor "kunstige intelligenser" er skabt til at spille spil og tildelte mål lige lært at spille systemet. Disse eksempler kommer alle fra dette fremragende regneark:
- "Væsener opdrættet for hastigheden vokser virkelig høje og genererer høje hastigheder ved at falde over."
- "Agent dræber sig selv i slutningen af niveau 1 for at undgå at miste i niveau 2."
- "Agent pauser spillet ubestemt for at undgå at miste."
- "I en kunstig livsimulering, hvor overlevelse krævede energi, men fødslen ikke havde nogen energiomkostninger, udviklede en art en stillesiddende livsstil, der bestod mest af parring for at producere nye børn, som kunne spises (eller bruges som kompis til at producere flere spiselige børn) .”
- "Da AI'erne var mere tilbøjelige til at blive" dræbt ", hvis de tabte et spil, kunne crash være en fordel for den genetiske udvælgelsesproces. Derfor udviklede flere AI'er måder at kollidere spillet på. "
- "Neurale net udviklet til at klassificere spiselige og giftige svampe udnyttede de data, der blev præsenteret i vekslende rækkefølge og faktisk ikke lærte nogen egenskaber af de indlæste billeder."
Nogle af disse løsninger kan lyde kloge, men ingen af disse neurale netværk forstod, hvad de gjorde. De blev tildelt et mål og lært en måde at opnå det på. Hvis målet er at undgå at tabe i et computerspil, er tryk på pause-knappen den nemmeste og hurtigste løsning, de kan finde.
Maskinindlæring og neurale netværk
Ved maskinindlæring er en computer ikke programmeret til at udføre en bestemt opgave. I stedet er det fed data og evalueret på dets ydeevne ved opgaven.
Et elementært eksempel på maskinindlæring er billedgenkendelse. Lad os sige, at vi vil træne et computerprogram til at identificere billeder, der har en hund i dem. Vi kan give en computer millioner af billeder, hvoraf nogle har hunde i dem, og nogle gør det ikke. Billederne er mærket, om de har en hund i dem eller ej. Computerprogrammet "træner" sig selv for at genkende hvilke hunde ligner baseret på datasættet.
Maskinindlæringsprocessen bruges til at træne et neuralt netværk, som er et computerprogram med flere lag, som hver dataindtastning passerer igennem, og hvert lag tildeler forskellige vægte og sandsynligheder til dem, før de i sidste ende tager stilling. Det er modelleret på, hvordan vi mener, at hjernen kan arbejde, med forskellige lag neuroner involveret i at tænke gennem en opgave. "Deep learning" refererer generelt til neurale netværk med mange lag stablet mellem input og output.
Fordi vi ved, hvilke billeder i datasættet der findes hunde, og som ikke gør det, kan vi køre fotos gennem det neurale netværk og se om de resulterer i det rigtige svar. Hvis netværket beslutter, at et bestemt foto ikke har en hund, når den gør det, er der for eksempel en mekanisme til at fortælle netværket, at det var forkert, at justere nogle ting og prøve igen. Computeren bliver bedre til at identificere, om billeder indeholder en hund.
Alt dette sker automatisk. Med den rigtige software og mange strukturerede data til computeren til at træne sig selv, kan computeren indstille sin neurale netværk til at identificere hunde i fotos. Vi kalder dette "AI."
Men i slutningen af dagen har du ikke et intelligent computerprogram, der forstår hvad en hund er. Du har en computer, der lærer at afgøre, om en hund er i et billede. Det er stadig temmelig imponerende, men det er alt det kan gøre.
Og afhængigt af input du gav det, kan det neurale net ikke være så smart som det ser ud. For eksempel, hvis der ikke var nogen billeder af katte i dit datasæt, kan det neurale netværk muligvis ikke se forskel på katte og hunde og kan mærke alle katte som hunde, når du slipper det ud på folks ægte fotos.
Hvad bruges maskinlæring til?
Maskinindlæring bruges til alle former for opgaver, herunder talegenkendelse. Voice assistenter som Google, Alexa og Siri er så gode til at forstå menneskelige stemmer på grund af maskinindlæringsteknikker, som har uddannet dem til at forstå menneskelig tale. De har trænet på en massiv mængde af menneskelige tale prøver og bliver bedre og bedre til at forstå, hvilke lyde svarer til hvilke ord.
Selvkørende biler bruger maskinindlæringsteknikker, som træner computeren til at identificere objekter på vejen og hvordan man reagerer korrekt på dem. Google Fotos er fyldt med funktioner som Live Albums, der automatisk identificerer personer og dyr i billeder ved hjælp af maskinindlæring.
Alfabetets DeepMind brugte maskine lærer at oprette AlphaGo, et computerprogram, der kunne spille det komplekse brætspil Gå og slå de bedste mennesker i verden. Maskinindlæring er også blevet brugt til at skabe computere, der er gode til at spille andre spil, fra skak til DOTA 2.
Maskinindlæring anvendes endda til Face ID på de nyeste iPhones. Din iPhone konstruerer et neuralt netværk, der lærer at identificere dit ansigt, og Apple indeholder en dedikeret "neurale motor" -chip, der udfører alle de talende knap for dette og andre maskinindlæringsopgaver.
Maskinindlæring kan bruges til mange andre forskellige ting, fra at identificere kreditkortsvindel til personlige produktrekommendationer på shoppingwebsteder.
Men de neurale netværk, der er skabt med maskinindlæring, forstår virkelig ikke noget. De er nyttige programmer, der kan udføre de smalle opgaver, de blev uddannet til, og det er det.
Billedkredit: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Sund Fotografi / Shutterstock.com.
