Έρευνα

Γιατί το σύγχρονο AI είναι αδιέξοδο στην τεχνολογία

Ο όρος "τεχνητή νοημοσύνη" είναι συχνάΕννοώ νευρικά δίκτυα που βασίζονται στην τεχνολογία της βαθιάς μηχανικής μάθησης. Επιπλέον, η τεχνολογία της κατάρτισης νευρωνικών δικτύων είναι καθιερωμένη και φέρνει καρπούς. Ωστόσο, δεν είναι όλοι οι επιστήμονες που μοιράζονται την άποψη ότι η τεχνητή νοημοσύνη πρέπει να αναπτυχθεί κατά μήκος αυτής της πορείας. Κάποιος πιστεύει ακόμη ότι τα συστήματα αυτά «δεν αξίζουν την εμπιστοσύνη» και η ανάπτυξή τους δεν θα οδηγήσει σε κάτι καλό.

Η τεχνητή νοημοσύνη με τη σύγχρονη έννοια δεν είναι καθόλου αυτό που πολλοί άνθρωποι σκέφτονται.

Γιατί η μηχανική μάθηση είναι κακή για την ανθρώπινη ανάπτυξη

Σε εργασίες μεγάλης κλίμακας που δημοσιεύονται στις σελίδεςΟ Technologyreview, καθηγητής στο Πανεπιστήμιο της Νέας Υόρκης, ειδικός στον τομέα της γνωστικής επιστήμης (γνωστική επιστήμη), Gary Marcus, είπε σχετικά με τις δυνατότητες για ευρεία χρήση των νευρωνικών δικτύων που βασίζονται σε βαθιά μηχανική μάθηση.

Πρώτον, ο επιστήμονας πιστεύει ότι η τεχνολογία έχειρητούς περιορισμούς. Συγκεκριμένα, έχει μιλήσει εδώ και πολύ καιρό για αυτό που απαιτείται για να δημιουργηθεί το λεγόμενο "πραγματικό ΑΙ", το οποίο είναι κατάλληλο για την επίλυση ενός ευρέος φάσματος καθηκόντων, και όχι μόνο ενός συγκεκριμένου, όπως συμβαίνει τώρα. Τα υπάρχοντα συστήματα AI έχουν ήδη φτάσει στην κορυφή της ανάπτυξής τους και πρακτικά δεν έχουν πουθενά να αναπτυχθούν. Επιπλέον, δεν μπορείτε απλά να πάρετε και, ας πούμε, να διδάξετε πρώτα ένα AI για να οδηγήσετε ένα αυτοκίνητο, και το άλλο να τον αναγκάσει να επισκευαστεί και στη συνέχεια να συνδυάσει τα συστήματα, δημιουργώντας ένα καθολικό βοηθό. Οι τεχνητές νοητικές σκέψεις απλά δεν θα είναι σε θέση να αλληλεπιδρούν, αφού "μελετούσαν με διάφορους τρόπους".

Μπορείτε να εκπαιδεύσετε το AI να παίζει καλύτερα το Atariάνθρωπος, αλλά είναι απίθανο να κάνεις ένα καλό robomobile. Αν και αυτό το καθήκον είναι εξίσου εξειδικευμένο. Η βαθιά μάθηση λειτουργεί καλά στην ανάλυση μεγάλων δεδομένων, αλλά οι αλγόριθμοι δεν βλέπουν μια αιτιώδη συνάφεια και δεν αντιλαμβάνονται καθόλου την αλλαγή των συνθηκών. Μετακινήστε τα στοιχεία στο παιχνίδι του υπολογιστή με δύο έως τρία pixel και το εκπαιδευμένο AI θα γίνει αναποτελεσματικό. Κάντε το pitch pitch όχι τετράγωνο, αλλά ορθογώνιο, και η τεχνητή νοημοσύνη θα χάσει ακόμα και σε έναν αρχάριο παίκτη.

Πώς να κάνετε τον AI πιο έξυπνο

Για να κάνετε περισσότερους αλγορίθμουςαποτελεσματικά, πρέπει να "διδάσκονται διαφορετικά". Είναι απαραίτητο να βεβαιωθείτε ότι αρχίζουν να βλέπουν τη σχέση των αντικειμένων και τις συνέπειες της αλληλεπίδρασης με αυτά. Σε αυτή την περίπτωση, θα αποτελέσουμε το καλύτερο παράδειγμα.

Προσλάβετε τους εσωτερικούς σπουδαστές και μέσω αυτώνλίγες μέρες θα αρχίσουν να εργάζονται για οποιοδήποτε πρόβλημα - από το νόμο μέχρι την ιατρική. Όχι επειδή όλοι τους είναι έξυπνοι. Και από το γεγονός ότι οι άνθρωποι έχουν μια γενική ιδέα για τον κόσμο, και όχι ένα συγκεκριμένο.

Ο καθηγητής Gary Marcus

Επιπλέον, αυτό που προσφέρει ο Μάρκος δεν είναι καθόλου νέο. Το παράδειγμα που περιγράψαμε πιο πάνω είναι ο τρόπος με τον οποίο οι επιστήμονες φανταζόταν "κλασικό ΑΙ" Μόνο για να λειτουργήσει αποτελεσματικά ένας τέτοιος AI, πρέπει να προγραμματίσουμε εκ των προτέρων όλα τα πιθανά αποτελέσματα. Και αυτό είναι σχεδόν μη ρεαλιστικό. Αλλά υπάρχει ένας τρόπος. Παρεμπιπτόντως, ποιος τρόπος ανάπτυξης του AI προτιμάται κατά τη γνώμη σας; Ενημερώστε μας σχετικά με αυτό στην τηλεφωνική συνομιλία μας.

Δείτε επίσης: Πώς λειτουργεί η τεχνητή νοημοσύνη

Η λύση μπορεί να είναι ένα είδος συμβίωσης"Κλασική ΑΠ", η οποία βλέπει τη σχέση και παίρνει αποφάσεις κατά τρόπο κατανοητό, και βαθιά εκμάθηση, είναι σε θέση να βρει μια λύση μέσω "δοκιμής και λάθους". Αυτό μπορεί να είναι ένα βασικό σύστημα κανόνων και κανονισμών που αφορούν τον κόσμο. Βάσει αυτών, τα συστήματα AI θα είναι ήδη σε θέση να αναπτυχθούν σε μια συγκεκριμένη περιοχή. Η πραγματική τεχνητή νοημοσύνη πρέπει να συνειδητοποιήσει πως όλα λειτουργούν για να κατανοήσουν τις σχέσεις αιτίας-αποτελέσματος και να μεταβούν εύκολα από μια εργασία σε άλλη. Τα σύγχρονα συστήματα που δημιουργούνται χρησιμοποιώντας τεχνολογία βαθιάς εκμάθησης δεν είναι απλά ικανά για αυτό.