Проблема з AI машини вивчають речі, але не можуть зрозуміти їх

У наші дні всі говорять про «AI». Але, чи ви дивитеся на Siri, Alexa, або просто на автокорегуючі функції, знайдені на клавіатурі смартфона, ми не створюємо загальний мета штучного інтелекту. Ми створюємо програми, які можуть виконувати конкретні, вузькі завдання.

Комп'ютери не можуть «думати»

Всякий раз, коли компанія каже, що вона виходить з новою функцією «AI», це в цілому означає, що компанія використовує машинне навчання для створення нейронної мережі. «Машинне навчання» - це техніка, яка дозволяє машині «вчитися», як краще виконувати певне завдання.

Ми не атакуємо машинне навчання тут! Машинне навчання - це фантастична технологія з великою кількістю потужних застосувань. Але це не штучний інтелект загального призначення, і розуміння обмежень машинного навчання допомагає зрозуміти, чому наша нинішня технологія штучного інтелекту настільки обмежена.

"Штучний інтелект" науково-фантастичних мрій - це комп'ютеризований або робототехнічний вид мозку, який думає про речі і розуміє їх як люди. Такий штучний інтелект був би штучним загальним розумом (AGI), що означає, що він може думати про кілька різних речей і застосовувати цей інтелект до різних областей. Пов'язане з цим поняття є «сильним AI», який був би машиною, здатною відчувати людську свідомість.

Ми не маємо такого роду AI ще. Ми ніде не близькі до нього. Об'єкт комп'ютера, як Siri, Alexa або Cortana не розуміє і не думає, як ми, люди. Вона зовсім не розуміє.

Штучні інтелекти, які ми маємо, навчені виконувати конкретне завдання дуже добре, якщо люди можуть надати дані, які допоможуть їм навчитися. Вони вчаться щось робити, але все ще не розуміють цього.

Комп'ютери не розуміють

У Gmail є нова функція "Розумний відповідь", яка пропонує відповіді на повідомлення електронної пошти. Функція "розумний відповідь" визначила "Надіслані з мого iPhone" як звичайну відповідь. Вона також хотіла запропонувати «Я тебе люблю» як відповідь на багато різних типів електронних листів, включаючи робочі листи.

Це тому, що комп'ютер не розуміє, що означають ці відповіді. Це просто зрозуміло, що багато людей надсилають ці фрази в електронні листи. Це не знає, чи хочете ви сказати "я люблю тебе" своєму начальнику чи ні.

Як інший приклад, Google Фото зібрав колаж випадкових фотографій килима в одному з наших будинків. Потім він визначив цей колаж як нещодавній висвітлення на веб-сайті Google Home Hub. Google Фото знали, що фотографії схожі, але не розуміли, наскільки вони важливі.

Машини часто навчаються грати в систему

Машинне навчання - це все про призначення завдання, і дозволити комп'ютеру вирішити найбільш ефективний спосіб зробити це. Тому що вони не розуміють, це легко в кінцевому підсумку з комп'ютером "навчання", як вирішити іншу проблему від того, що ви хотіли.

Ось список цікавих прикладів, коли «штучні інтелігенції», створені для гри в ігри та призначені цілі, навчилися грати в систему. Усі ці приклади випливають із цієї чудової таблиці:

• "Істоти, вирощені для швидкості, ростуть дійсно високими і генерують високі швидкості шляхом падіння."
• "Агент вбиває себе в кінці 1-го рівня, щоб уникнути втрати на рівні 2."
• "Агент зупиняє гру на невизначений час, щоб уникнути втрати".
• "У штучному моделюванні життя, де виживання потребувало енергії, але народження не мало енергетичних витрат, один з видів розвинув сидячий спосіб життя, який складався переважно з спарювання для того, щоб виробляти нових дітей, які можна було б з'їсти (або використовувати як товаришів для виробництва більш їстівних дітей) . "
• «Оскільки АІ мали більшу ймовірність« вбити », якщо вони програли гру, то можливість зірвати гру була перевагою для процесу генетичного відбору. Таким чином, кілька ІІ розробили способи розбити гру ».
• "Нейронні мережі розвивалися, щоб класифікувати їстівні та отруйні гриби, скориставшись даними, представленими в порядку чергування, і фактично не вивчали будь-яких особливостей вхідних зображень".

Деякі з цих рішень можуть здатися розумними, але жодна з цих нейронних мереж не розуміла, що вони роблять. Їм призначили мету і навчилися досягати цього. Якщо метою є уникнути втрати в комп'ютерній грі, натискання кнопки паузи є найпростішим, найшвидшим рішенням, яке вони можуть знайти.

Машинне навчання та нейронні мережі

За допомогою машинного навчання комп'ютер не запрограмований на виконання певного завдання. Замість цього, вона подається дані і оцінюється на її продуктивність при виконанні завдання.

Найпростішим прикладом машинного навчання є розпізнавання зображень. Припустимо, ми хочемо навчити комп'ютерну програму для виявлення фотографій, у яких є собака. Ми можемо дати комп'ютерам мільйони зображень, деякі з яких мають собак у них, а деякі ні. Зображення позначені, чи є у них собака чи ні. Комп'ютерна програма «тренує» себе, щоб визначити, як виглядають собаки на основі цього набору даних.

Процес машинного навчання використовується для підготовки нейронної мережі, яка є комп'ютерною програмою з декількома шарами, через які кожен вхідний дані проходить, і кожен шар призначає їм різні ваги і ймовірності, перш ніж в кінцевому підсумку зробити визначення. Це моделюється на тому, як ми думаємо, що мозок може працювати, з різними шарами нейронів, залучених до мислення завдання. "Глибоке навчання" зазвичай відноситься до нейронних мереж з безліччю шарів, складених між входом і виходом.

Тому що ми знаємо, які фотографії в наборі даних містять собак, а які ні, ми можемо запустити фотографії через нейронну мережу і подивитися, чи вони призводять до правильної відповіді. Якщо мережа вирішує, що певна фотографія не має собаку, наприклад, існує механізм, який повідомляє мережі, що він помилявся, коригуючи деякі речі і намагаючись знову. Комп'ютер постійно покращує ідентифікацію фотографій собаки.

Все це відбувається автоматично. З правильним програмним забезпеченням і багатьма структурованими даними для комп'ютера, щоб навчити себе, комп'ютер може налаштувати свою нейронну мережу, щоб ідентифікувати собак у фотографіях. Ми називаємо це "AI".

Але в кінці дня у вас немає інтелектуальної комп'ютерної програми, яка б розуміла, що таке собака. У вас є комп'ютер, який навчився вирішувати, чи буде собака на фотографії. Це все ще досить вражаюче, але це все, що можна зробити.

І, в залежності від вхідних даних, які ви дали йому, ця нейронна мережа може бути не такою розумною, як вона виглядає. Наприклад, якщо у вашому наборі даних не було фотографій котів, нейронна мережа може не побачити різниці між кішками та собаками, а також може позначити всіх кішок як собак, коли ви розблокуєте їх на реальних фотографіях людей.

Що таке машинне навчання для?

Машинне навчання використовується для всіх видів завдань, включаючи розпізнавання мовлення. Голосові помічники, такі як Google, Alexa і Siri, настільки добре розуміють людський голос завдяки методам машинного навчання, які навчили їх розуміти людську мову. Вони навчилися величезній кількості зразків людської мови і стали краще і краще розуміти, які звуки відповідають яким словам.

Самостійне керування автомобілями використовує методи машинного навчання, які навчають комп'ютер ідентифікувати об'єкти на дорозі і як правильно реагувати на них. Служба "Фотографії Google" наповнена функціями, такими як альбоми в реальному часі, які автоматично ідентифікують людей та тварин на фотографіях за допомогою машинного навчання.

Alphabet's DeepMind використовував машинне навчання для створення AlphaGo, комп'ютерної програми, яка могла б зіграти в складну настільну гру Go and beat найкращих людей у ​​світі. Машинне навчання також використовувалося для створення комп'ютерів, які добре грають в інші ігри, від шахів до DOTA 2.

Машинне навчання використовується навіть для Face ID на останніх iPhone. Ваш iPhone конструює нейронну мережу, яка навчається ідентифікувати ваше обличчя, і Apple включає в себе спеціальний чіп «нейронних двигунів», який виконує всі задачі, пов'язані з даними та іншими завданнями машинного навчання..

Машинне навчання може бути використано для багатьох інших речей, від виявлення шахрайства з кредитною карткою до індивідуальних рекомендацій продукту на веб-сайтах покупок.

Але нейронні мережі, створені за допомогою машинного навчання, дійсно нічого не розуміють. Це корисні програми, які можуть виконати ті вузькі завдання, на які вони навчалися, і це все.

Зображення: Phonlamai Photo / Shutterstock.com, Тетяна Шепелєва / Shutterstock.com, Sundry Photography / Shutterstock.com.