Waarom moderne AI een doodlopende weg is in technologie

De term 'kunstmatige intelligentie' is vaakIk bedoel neurale netwerken gebouwd op de technologie van diep machinaal leren. Bovendien is de technologie voor het trainen van neurale netwerken goed ingeburgerd en werpt deze zijn vruchten af. Niet alle wetenschappers delen echter de mening dat kunstmatige intelligentie zich langs dit pad zou moeten ontwikkelen. Iemand gelooft zelfs dat dergelijke systemen 'het vertrouwen niet waard zijn' en dat hun ontwikkeling niets goeds zal opleveren.

Kunstmatige intelligentie in moderne zin is helemaal niet wat veel mensen denken.

Waarom machine learning slecht is voor de menselijke ontwikkeling

In grootschalig werk gepubliceerd op de pagina'sTechnologyreview, een professor aan de New York University, een specialist op het gebied van cognitieve wetenschap (cognitieve wetenschap), Gary Marcus, sprak over het potentieel voor wijdverbreid gebruik van neurale netwerken op basis van diep machinaal leren.

Ten eerste gelooft de wetenschapper dat technologie dat heeftexpliciete beperkingen. In het bijzonder is er lang gesproken over wat nodig is om de zogenaamde "echte AI" te creëren, die geschikt is voor het oplossen van een breed scala aan taken, en niet slechts één specifieke taak, zoals nu gebeurt. Bestaande AI-systemen hebben de piek van hun ontwikkeling al bereikt en kunnen praktisch nergens groeien. Bovendien kun je niet zomaar één AI nemen en bijvoorbeeld leren om een ​​auto te besturen, en de andere om het te laten repareren en vervolgens de systemen te combineren, waardoor een universele assistent ontstaat. Kunstmatige intellecten zullen gewoon niet kunnen communiceren, omdat ze 'op verschillende manieren hebben gestudeerd'.

Je kunt AI trainen om Atari beter te spelenmens, maar het is onwaarschijnlijk om een ​​goede robomobiel te maken. Hoewel deze taak ook vrij sterk gespecialiseerd is. Diep leren werkt goed bij de analyse van big data, maar de algoritmen zien geen oorzakelijk verband en nemen slecht veranderingen in de omstandigheden waar. Verplaats de elementen in het computerspel met twee tot drie pixels en de getrainde AI wordt niet meer effectief. Maak de go pitch niet vierkant, maar rechthoekig, en kunstmatige intelligentie verliest zelfs voor een beginnende speler.

Hoe AI slimmer te maken

Om algoritmen meer te makeneffectief, ze moeten "anders worden onderwezen". Het is noodzakelijk om ervoor te zorgen dat ze de relatie van objecten beginnen te zien en de gevolgen van interactie met hen. In dit geval zullen we als het beste voorbeeld dienen.

Rekruteer stagiaire studenten en zij zijn er doorheeneen paar dagen zullen aan elk probleem beginnen te werken - van wet tot medicijn. Niet omdat ze allemaal slim zijn. En vanuit het feit dat mensen een algemeen idee hebben van de wereld, en niet een bepaald.

Professor Gary Marcus

Bovendien is wat Marcus biedt helemaal niet nieuw. Het hierboven beschreven voorbeeld is hoe wetenschappers 'klassieke AI' dachten. Alleen om zo'n AI effectief te laten werken, moeten we alle mogelijke resultaten vooraf programmeren. En dit is bijna onrealistisch. Maar er is een manier. Trouwens, welke manier van AI-ontwikkeling heeft volgens jou de voorkeur? Vertel ons erover in onze chat in Telegram.

Zie ook: Hoe kunstmatige intelligentie werkt

De oplossing kan een soort symbiose zijn"Klassieke AI", die de relatie ziet en beslissingen op een begrijpelijke manier ontvangt, en diepgaand leren, in staat om een ​​oplossing te vinden door middel van "trial and error". Dit kan een basissysteem van regels en voorschriften met betrekking tot de wereld zijn. Op basis daarvan kunnen AI-systemen zich al op een bepaald gebied ontwikkelen. Echte kunstmatige intelligentie moet beseffen hoe alles werkt om oorzaak-gevolg relaties te begrijpen en gemakkelijk van de ene taak naar de andere over te schakelen. Moderne systemen gemaakt met behulp van deep learning-technologie zijn hier eenvoudigweg niet toe in staat.