Viimane läbimurre tehisintellekti uuringutes on levinud ja korduv seisukoht, et tundlikud ja intelligentsed masinad on lihtsalt silmapiiril. Masinad saavad suulistest käskudest aru, eristavad pilte, juhivad autosid ja mängivad mänge paremini kui meie. Kui palju kauem võib olla enne, kui nad meie vahel jalutavad?
Uus Valge Maja tehisintellekti aruanne võtab selle unistuse kohta piisavalt skeptiliselt. Ta väidab, et järgmise 20 aasta jooksul ei näe masinad tõenäoliselt "laialdaselt rakendatavat intelligentsust, mis on võrreldav või ületa inimeste omadega", ehkki öeldakse veel, et lähiaastatel jõuavad masinad inimeste jõudluseni ja ületavad neid ja rohkem ülesandeid. " Kuid tema eeldused nende võimete arenemise kohta jätsid mõned olulised punktid tähelepanuta.
AI-uurijana tunnistan, et oli tore, kui mu enda valdkond tõsteti esile Ameerika valitsuse kõrgeimal tasemel, kuid raport keskendus peaaegu eranditult sellele, mida ma nimetan "igavaks AI-ks". See lükkas poole lausega tagasi minu haru AI uurimistööst selle kohta, kuidas evolutsioon võib aidata arendada pidevalt täiustavaid AI süsteeme ja kuidas arvutuslikud mudelid aitavad meil mõista, kuidas meie inimluure arenes.
Aruandes keskendutakse sellele, mida võiks nimetada AI tavapärasteks tööriistadeks: masinõpe ja süvaõpe. Need on omamoodi tehnoloogiad, mis on suutnud mängida mängu "Jeopardy!" noh, ja peksid inimeste Go meistrid kõige keerukamas mängus, mis iial leiutatud. Need praegused intelligentsed süsteemid on võimelised käsitlema tohutul hulgal andmeid ja tegema keerulisi arvutusi väga kiiresti. Kuid neil puudub element, mis oleks võtmeks nende tunnetavate masinate ehitamisel, mida meie pildil tulevikus on.
Peame õppimiseks rohkem kui masinaid õpetama. Peame ületama piirid, mis määratlevad tehisintellekti neli erinevat tüüpi, tõkked, mis eraldavad masinaid meist - ja meid neist.
I tüüpi AI: reaktiivmasinad
Kõige põhilisemad AI-süsteemide tüübid on puhtalt reageerivad ja neil pole võimalust mälestusi moodustada ega kasutada mineviku kogemusi praeguste otsuste tegemisel. 1990-ndate aastate lõpul rahvusvahelist suurärimeest Garry Kasparovit alistanud IBM-i malemängiv superarvuti Deep Blue on selle tüüpi masinate täiuslik näide.
Deep Blue suudab malelaual olevad tükid tuvastada ja teada, kuidas igaüks liigub. See võib anda ennustusi selle kohta, millised käigud võivad tema ja vastase jaoks järgmised olla. Ja see saab võimaluste hulgast valida kõige optimaalsemad käigud.
Kuid sellel pole mingit minevikukontseptsiooni ega mälestust varem juhtunust. Lisaks harva kasutatavale malevaspetsiifilisele reeglile sama käigu kolm korda korrata, ignoreerib Deep Blue kõike enne praegust hetke. Vaja on vaid vaadata malelaual olevaid tükke praegusel kujul ja valida järgmiste võimalike käikude hulgast.
Seda tüüpi intelligentsus hõlmab seda, et arvuti tajub maailma otse ja tegutseb selle järgi, mida ta näeb. See ei tugine maailma sisemisele kontseptsioonile. AI uurija Rodney Brooks väitis ühes seminaris, et me peaksime ehitama ainult selliseid masinaid. Tema peamine põhjus oli see, et inimesed ei oska arvutite jaoks täpseid simuleeritud maailmu programmeerida, seda nimetatakse AI stipendiumis maailma "esitusviisiks".
Praegustel intelligentsetel masinatel, mille üle me imestame, puudub selline maailmakujundus või on nende konkreetseteks tööülesanneteks väga piiratud ja spetsialiseerunud masinad. Deep Blue disaini uuendus polnud laiendada arvutiga peetavate võimalike filmide valikut. Pigem leidsid arendajad viisi selle vaate kitsendamiseks, võimalike tulevaste sammude jätkamiseks, lähtudes sellest, kuidas ta nende tulemusi hindas. Ilma selle võimeta oleks Deep Blue pidanud Kasparovi reaalseks löömiseks olema veelgi võimsam arvuti.
Samamoodi ei suuda ka Google AlphaGo, mis on peksnud inimeste parimaid eksperte, hinnata ka kõiki võimalikke tulevasi käike. Selle analüüsimeetod on keerukam kui Deep Blue oma, kasutades mängude arengu hindamiseks närvivõrku.
Need meetodid parandavad AI-süsteemide võimet konkreetseid mänge paremini mängida, kuid neid ei saa hõlpsasti muuta ega muudes olukordades rakendada. Nendel arvutipõhistel kujutlustel pole laiema maailma kontseptsiooni - see tähendab, et nad ei saa toimida kaugemale neile määratud konkreetsetest ülesannetest ja neid on lihtne petta.
Nad ei saa maailmas interaktiivselt osaleda, nagu me AI süsteeme ühel päeval ette kujutame. Selle asemel käituvad need masinad iga kord, kui nad satuvad samasse olukorda, täpselt samamoodi. See võib olla väga hea, kui soovite tagada, et AI-süsteem on usaldusväärne: soovite, et teie autonoomne auto oleks usaldusväärne juht. Kuid on halb, kui tahame, et masinad saaksid tõeliselt maailmaga suhelda ja sellele reageerida. Nendest lihtsamatest AI-süsteemidest ei saa kunagi igav ega huvita ega kurvasta.
II tüüpi AI: piiratud mälu
See II tüübi klass sisaldab masinaid, mis võivad vaadata minevikku. Isesõitvad autod teevad sellest juba osa. Näiteks jälgivad nad teiste autode kiirust ja suunda. Seda ei saa teha vaid ühe hetkega, see nõuab pigem konkreetsete objektide tuvastamist ja aja jooksul jälgimist.
Need tähelepanekud lisatakse isesõitvate autode eelprogrammeeritud maailma kujutistele, mis hõlmavad ka sõidumärgistust, fooritulesid ja muid olulisi elemente, näiteks maanteel olevad kurvid. Need on kaasatud, kui auto otsustab, millal sõiduradasid vahetada, et vältida teise juhi mahajätmist või lähedal asuva auto löömist.
Kuid need lihtsad andmed mineviku kohta on ainult mööduvad. Neid ei salvestata osana autokogu raamatukogust, millest see võib õppida - viisist, kuidas inimeste juhid koguvad kogemusi rooli taga.
Kuidas saaksime luua AI-süsteeme, mis ehitaksid täielikud esindused, mäletaksid nende kogemusi ja õpiksid uutes olukordades hakkama saama? Brooksil oli õigus selles osas, et seda on väga raske teha. Minu enda uurimus Darwini evolutsioonist inspireeritud meetodite kohta võib hakata inimlikke puudusi korvama, lastes masinatel oma esindusi üles ehitada.
III tüüpi AI: meeleteooria
Võiksime siin peatuda ja nimetada seda punkti oluliseks lõheks meie masinate ja tulevikus masinate vahel, mida me ehitame. Parem on aga täpsemini arutada, milliseid esindusi masinad peavad moodustama ja milleks need peaksid olema.
Järgmise, edasijõudnuma klassi masinad ei esinda mitte ainult maailma, vaid ka teiste esindajate või üksuste kohta maailmas. Psühholoogias nimetatakse seda "meele teooriaks" - arusaam, et maailma inimestel, olenditel ja objektidel võivad olla mõtted ja emotsioonid, mis mõjutavad nende endi käitumist.
See on ülioluline selle jaoks, kuidas me inimesed ühiskonnad moodustasime, sest need võimaldasid meil sotsiaalset läbikäimist. Ilma üksteise motiividest ja kavatsustest aru saamata ning arvestamata sellega, mida keegi teine teab minust või keskkonnast, on koos töötamine parimal juhul keeruline, halvimal juhul võimatu.
Kui AI-süsteemid tõepoolest kunagi meie vahel kõnnivad, peavad nad saama aru, et kõigil meist on mõtteid ja tundeid ning ootusi, kuidas meid koheldi. Ja nad peavad oma käitumist vastavalt kohandama.
Tüüp IV AI: eneseteadvus
AI arendamise viimane samm on süsteemide loomine, mis suudavad endast kujutada. Lõppkokkuvõttes peame meie, AI teadlased, mitte ainult teadvust mõistma, vaid ehitama masinaid, millel see olemas on.
See on teatud mõttes "meeleteooria" laiendus, mida omavad III tüüpi tehisintellektid. Teadvust nimetatakse põhjusel ka "eneseteadvuseks". ("Ma tahan seda eset" on väga erinev lause kui "ma tean, et tahan seda eset.") Teadlikud olendid on iseendast teadlikud, teavad oma sisemist olekut ja suudavad ennustada teiste tundeid. Eeldame, et keegi, kes liikluses taga ajab, on vihane või kannatamatu, sest just nii tunneme end teiste ees hoides. Ilma meeleteooriata ei saaks me selliseid järeldusi teha.
Ehkki oleme ilmselt kaugel oma teadvustavate masinate loomisest, peaksime oma jõupingutused keskenduma mälu mõistmisele, õppimisele ja võimalusele otsuste tegemisel tugineda varasematele kogemustele. See on oluline samm inimese intelligentsuse mõistmiseks iseseisvalt. Ja see on ülioluline, kui tahame kavandada või arendada masinaid, mis on nende ees nähtava klassifitseerimisel rohkem kui erandlikud.
Arend Hintze, integratiivse bioloogia, infotehnoloogia ja tehnikateaduste abiprofessor, Michigan State University
