Все говорят об «ИИ» в эти дни. Но независимо от того, смотрите ли вы на Siri, Alexa или просто функции автозамены, обнаруженные на клавиатуре смартфона, мы не создаем искусственный интеллект общего назначения. Мы создаем программы, которые могут выполнять конкретные узкие задачи.
Компьютеры не могут «думать»
Всякий раз, когда компания заявляет, что выпускает новую функцию «ИИ», это обычно означает, что компания использует машинное обучение для построения нейронной сети. «Машинное обучение» — это техника, которая позволяет машине «научиться» лучше выполнять определенную задачу.
Мы не атакуем машинное обучение здесь! Машинное обучение — это фантастическая технология с большим количеством мощных применений. Но это не универсальный искусственный интеллект, и понимание ограничений машинного обучения помогает понять, почему наша современная технология искусственного интеллекта настолько ограничена.
«Искусственный интеллект» сновидений научной фантастики — это компьютерный или роботизированный вид мозга, который думает о вещах и понимает их так, как это делают люди. Такой искусственный интеллект был бы искусственным общим интеллектом (AGI), что означает, что он может думать о множестве разных вещей и применять этот интеллект к множеству различных областей. Родственным понятием является «сильный ИИ», который будет машиной, способной испытывать человеческое сознание.
У нас такого ИИ пока нет. Мы не близко к этому. Компьютерные сущности, такие как Сири, Алекса или Кортана, не понимают и не думают, как мы, люди. Он действительно не «понимает» вещи вообще.
Искусственный интеллект, который у нас есть, обучен хорошо выполнять определенную задачу, предполагая, что люди могут предоставить данные, которые помогут им учиться. Они учатся что-то делать, но все еще не понимают этого.
Компьютеры не понимают
В Gmail появилась новая функция «Умный ответ», которая предлагает ответы на электронные письма. Функция Smart Reply определила « Отправлено с моего iPhone » как общий ответ. Он также хотел предложить «Я люблю тебя» в качестве ответа на множество различных типов электронных писем, включая рабочие письма.
Это потому, что компьютер не понимает, что означают эти ответы. Просто стало известно, что многие люди отправляют эти фразы по электронной почте. Он не знает, хотите ли вы сказать «я тебя люблю» своему боссу или нет.
В качестве другого примера, Google Фото собрал коллаж из случайных фотографий ковра в одном из наших домов. Затем он определил этот коллаж как недавнюю заметку в Google Home Hub. Google Фото знали, что фотографии похожи, но не понимали, насколько они не важны.
Машины часто учатся играть в систему
Машинное обучение — это все, что позволяет назначить задачу и позволить компьютеру выбрать наиболее эффективный способ ее выполнения. Поскольку они не понимают, в конечном итоге компьютер «научится» решать проблемы, отличные от того, что вы хотели.
Вот список забавных примеров, когда «искусственный интеллект» создавался, чтобы играть в игры, и назначал цели, только что изученные для игровой системы. Все эти примеры взяты из этой превосходной таблицы :
- «Существа, порожденные для скорости, становятся действительно высокими и генерируют высокие скорости, падая».
- «Агент убивает себя в конце уровня 1, чтобы не потерять в уровне 2».
- «Агент приостанавливает игру на неопределенный срок, чтобы не проиграть».
- «В искусственном моделировании жизни, где выживание требовало энергии, но рождение не требовало затрат энергии, один вид развивал сидячий образ жизни, который состоял в основном из спаривания, чтобы родить новых детей, которых можно было съесть (или использовать в качестве помощников для производства более съедобных детей) «.
- «Поскольку ИИ с большей вероятностью будут« убиты »в случае проигрыша игры, возможность сбоя игры была преимуществом для процесса генетического отбора. Поэтому несколько ИИ разработали способы сбить игру ».
- «Нейронные сети, разработанные для классификации съедобных и ядовитых грибов, использовали данные, представленные в чередующемся порядке, и фактически не изучали никаких особенностей входных изображений».
Некоторые из этих решений могут показаться умными, но ни одна из этих нейронных сетей не понимала, что они делают. Им была поставлена цель и они научились ее достигать. Если цель состоит в том, чтобы избежать проигрыша в компьютерной игре, нажатие кнопки паузы является самым простым и быстрым решением, которое они могут найти.
Машинное обучение и нейронные сети
При машинном обучении компьютер не запрограммирован для выполнения определенной задачи. Вместо этого он передает данные и оценивает их производительность при выполнении задачи.
Элементарным примером машинного обучения является распознавание изображений. Допустим, мы хотим обучить компьютерной программе распознавать фотографии, на которых есть собака. Мы можем дать компьютеру миллионы изображений, некоторые из которых содержат собак, а некоторые нет. Изображения помечены независимо от того, есть ли в них собака или нет. Компьютерная программа «обучает» себя распознавать собак на основе этого набора данных.
Процесс машинного обучения используется для обучения нейронной сети, которая представляет собой компьютерную программу с несколькими уровнями, через которые проходит каждый ввод данных, и каждый уровень присваивает им различные веса и вероятности, прежде чем в конечном итоге сделать определение. Он основан на том, как мы думаем, что мозг может работать, с различными слоями нейронов, вовлеченных в продумывание задачи. «Глубокое обучение» обычно относится к нейронным сетям с множеством слоев, расположенных между входом и выходом.
Поскольку мы знаем, какие фотографии в наборе данных содержат собак, а какие нет, мы можем просмотреть фотографии через нейронную сеть и посмотреть, дают ли они правильный ответ. Если сеть решает, что конкретная фотография не имеет собаку, например, есть механизм, который сообщает сети, что она была неправильной, корректирует некоторые вещи и пытается снова. Компьютер продолжает лучше определять, содержат ли фотографии собаку.
Это все происходит автоматически. Благодаря подходящему программному обеспечению и большому количеству структурированных данных, на которых обучается компьютер, компьютер может настроить свою нейронную сеть для идентификации собак на фотографиях. Мы называем это «ИИ».
Но, в конце концов, у вас нет интеллектуальной компьютерной программы, которая бы понимала, что такое собака. У вас есть компьютер, который научился решать, стоит ли собака на фотографии. Это все еще довольно впечатляет, но это все, что он может сделать.
И, в зависимости от того, что вы дали, эта нейронная сеть может быть не такой умной, как кажется. Например, если в вашем наборе данных не было никаких фотографий кошек, нейронная сеть может не видеть различий между кошками и собаками и может пометить всех кошек как собак, когда вы публикуете их на реальных фотографиях людей.
Для чего используется машинное обучение?
Машинное обучение используется для всех видов задач, включая распознавание речи. Голосовые помощники, такие как Google, Alexa и Siri, так хорошо понимают человеческие голоса благодаря методам машинного обучения, которые научили их понимать человеческую речь. Они обучались огромному количеству образцов человеческой речи и стали лучше и лучше понимать, какие звуки соответствуют каким словам.
Автомобили с самостоятельным вождением используют методы машинного обучения, которые обучают компьютер распознавать объекты на дороге и правильно реагировать на них. В Google Фото есть множество функций, таких как живые альбомы, которые автоматически идентифицируют людей и животных на фотографиях с помощью машинного обучения.
Компания Alphabet DeepMind использовала машинное обучение для создания AlphaGo , компьютерной программы, которая могла бы играть в сложную настольную игру Go и побеждать лучших людей в мире. Машинное обучение также использовалось для создания компьютеров, которые хорошо умеют играть в другие игры, от шахмат до DOTA 2 .
Машинное обучение даже используется для идентификации лица на последних iPhone. Ваш iPhone создает нейронную сеть, которая учится распознавать ваше лицо, и Apple включает специальный чип «нейронный движок», который выполняет все сложные вычисления для этой и других задач машинного обучения.
Машинное обучение может использоваться для множества других вещей, от выявления мошенничества с кредитными картами до персонализированных рекомендаций по продуктам на сайтах покупок.
Но нейронные сети, созданные с помощью машинного обучения, ничего не понимают. Это полезные программы, которые могут выполнять узкие задачи, к которым они были подготовлены, и все.
Изображение предоставлено: Phonlamai Photo /Shutterstock.com, Татьяна Шепелева /Shutterstock.com, Sundry Photography /Shutterstock.com.