Проблемът с машините за изкуствен интелект изучават нещата, но не могат да ги разберат

Всички говорят за „AI“ тези дни. Но независимо дали търсите в Siri, Alexa или само автокорректните функции, които се намират в клавиатурата на вашия смартфон, ние не създаваме изкуствен интелект с общо предназначение. Създаваме програми, които могат да изпълняват специфични, тесни задачи.

Компютрите не могат да „мислят“

Всеки път, когато една компания твърди, че излиза с нова функция „AI“, тя обикновено означава, че компанията използва машинно обучение за изграждане на невронна мрежа. “Машинно обучение” е техника, която позволява на машината да “научи” как да изпълнява по-добре определена задача.

Ние не атакуваме машинното обучение тук! Машинното обучение е фантастична технология с много мощни приложения. Но това не е изкуствен интелект с общо предназначение, а разбирането на ограниченията на машинното обучение ви помага да разберете защо настоящата технология за изкуствен интелект е толкова ограничена.

"Изкуственият интелект" на научно-фантастичните сънища е компютъризиран или роботизиран вид мозък, който мисли за нещата и ги разбира като хората. Такъв изкуствен интелект би бил изкуствен общ интелект (AGI), което означава, че може да мисли за множество различни неща и да приложи това разузнаване към множество различни области. Свързаното понятие е „силен AI“, което би било машина, способна да изпитва човешкото съзнание.

Все още нямаме такъв вид ИИ. Не сме никъде близо до него. Компютърна единица като Siri, Alexa или Cortana не разбира и не мисли, както правим хората. Той изобщо не „разбира“ нещата.

Изкуствените интелигентности, които имаме, са обучени да изпълняват много конкретна задача, ако приемем, че хората могат да предоставят данните, за да им помогнат да се научат. Те се учат да правят нещо, но все още не го разбират.

Компютрите не разбират

Gmail има нова функция „Интелигентен отговор“, която предлага отговори на имейли. Функцията за интелигентен отговор определи „Изпратено от моя iPhone“ като общ отговор. Също така искаше да предложи „Обичам те” като отговор на много различни видове имейли, включително служебни имейли.

Това е така, защото компютърът не разбира какво означават тези отговори. Това е просто научих, че много хора изпращат тези фрази в имейли. Не знае дали искаш да кажеш „Обичам те“ на шефа си или не.

Като друг пример, Google Фото събира колаж от случайни снимки на килима в един от домовете ни. След това той идентифицира този колаж като скорошен акцент в Google Home Hub. Google Фото знаеха, че снимките са подобни, но не разбраха колко незначителни са те.

Машини Често се учат да играят системата

Машинното обучение е свързано с възлагането на задача и позволяването на компютър да реши най-ефективния начин да го направи. Тъй като те не разбират, лесно е да се стигне до компютър, който да “научи” как да разреши различен проблем от това, което искате.

Ето списък на забавните примери, в които „изкуствени интелигенции“, създадени, за да играят игри и определени цели, са се научили да играят системата. Всички тези примери идват от тази отлична електронна таблица:

• "Същества, отглеждани за скорост, стават наистина високи и генерират високи скорости от падане."
• "Агентът се самоубива в края на ниво 1, за да избегне загуба на ниво 2."
• - Агентът спира играта за неопределено време, за да избегне загубата.
• „В симулацията на изкуствения живот, където оцеляването изискваше енергия, но раждането нямаше разходи за енергия, един вид е развил заседналия начин на живот, който се състои главно от чифтосване, за да се произвеждат нови деца, които могат да се консумират (или да се използват като приятели за производство на по-годни деца) . "
• „Тъй като AIs е по-вероятно да се„ убият ”, ако загубят една игра, възможността да се срине играта е предимство за процеса на генетичен подбор. Ето защо, няколко ИИ са разработили начини да разбият играта. "
• "Невронните мрежи се развиват, за да класифицират ядливите и отровни гъби, като се възползват от представените данни в алтернативен ред и всъщност не усвояват никакви характеристики на входните изображения."

Някои от тези решения може да звучат умно, но нито една от тези невронни мрежи не разбира какво правят. На тях им е била поставена цел и са научили начин да го постигнат. Ако целта е да се избегне загубата в компютърна игра, натискането на бутона за пауза е най-лесното и най-бързо решение, което може да се намери..

Машинно обучение и невронни мрежи

При машинно обучение компютърът не е програмиран да изпълнява определена задача. Вместо това се зареждат данни и се оценява тяхното представяне при изпълнение на задачата.

Елементарен пример за машинно обучение е разпознаването на образи. Да предположим, че искаме да обучим компютърна програма, за да идентифицираме снимки, в които има куче. Можем да дадем на компютъра милиони изображения, някои от които имат кучета в тях, а други не. Изображенията са етикетирани дали в тях има куче или не. Компютърната програма се обучава да разпознава как изглеждат кучетата въз основа на този набор от данни.

Процесът на машинно обучение се използва за обучение на невронна мрежа, която е компютърна програма с множество слоеве, през които преминава всяко въвеждане на данни, и всеки слой им присвоява различни тегла и вероятности, преди в крайна сметка да направи определяне. Той е моделиран по начина, по който мислим, че мозъкът може да работи, с различни слоеве неврони, които участват в мисленето чрез задача. „Дълбокото обучение“ обикновено се отнася до невронни мрежи с множество слоеве между входа и изхода.

Тъй като ние знаем кои снимки в набора от данни съдържат кучета и кои не, можем да стартираме снимките през невронната мрежа и да видим дали те водят до правилния отговор. Ако мрежата реши, че дадена снимка няма куче, когато има такава, например, има механизъм за съобщаване на мрежата, че е сгрешил, коригира някои неща и се опитва отново. Компютърът все по-добре се идентифицира дали снимките съдържат куче.

Всичко това става автоматично. С правилния софтуер и много структурирани данни за компютъра да се обучава, компютърът може да настрои своята невронна мрежа, за да идентифицира кучета в снимки. Наричаме това „AI“.

Но в края на деня нямате интелигентна компютърна програма, която разбира какво е куче. Имате компютър, който е научил да решава дали кучето е на снимка. Това все още е доста впечатляващо, но това е всичко, което може да направи.

И в зависимост от входа, който сте му дали, тази невронна мрежа може да не е толкова умна, колкото изглежда. Например, ако във вашия набор от данни няма снимки на котки, невронната мрежа може да не вижда разлика между котки и кучета и да маркира всички котки като кучета, когато я пуснете в реалните снимки на хората.

За какво се използва машинното обучение?

Машинното обучение се използва за всякакви задачи, включително разпознаване на реч. Гласовите асистенти като Google, Alexa и Siri са толкова добри в разбирането на човешки гласове, поради техники за машинно обучение, които са ги обучили да разбират човешката реч. Те са се обучавали на огромно количество проби от човешки речи и стават по-добри и по-добри в разбирането кои звуци съответстват на кои думи.

Самостоятелно управляващите автомобили използват техники за машинно обучение, които обучават компютъра да идентифицира обекти по пътя и как да реагира правилно. Google Снимки са пълни с функции като албуми на живо, които автоматично идентифицират хора и животни в снимки с помощта на машинно обучение.

DeepMind от Alphabet използва машинно обучение, за да създаде AlphaGo, компютърна програма, която може да играе сложната настолна игра Go and beat на най-добрите хора в света. Машинното обучение също е било използвано за създаване на компютри, които могат да играят други игри, от шах до DOTA 2.

Машинното обучение се използва дори за Face ID на най-новите iPhone. Вашият iPhone изгражда невронна мрежа, която се научава да идентифицира лицето ви, а Apple включва специален чип за „невронни двигатели“, който изпълнява всички проблеми с броя на задачите за това и други задачи за машинно обучение..

Машинното обучение може да се използва за много други неща - от идентифициране на измами с кредитни карти до персонализирани препоръки за продукти на уебсайтове за пазаруване.

Но невронните мрежи, създадени с машинно обучение, наистина не разбират нищо. Те са полезни програми, които могат да изпълнят тесните задачи, за които са се обучавали, и това е всичко.

Кредит за снимката: Phonlamai Photo / Shutterstock.com, Татяна Шепелева / Shutterstock.com, Sundry Photography / Shutterstock.com.