Mi az AI valójában?

Kulturális és gyakorlati bevezetés a tervezők számára

Ez az első fejezet az Element AI Alapítványok sorozatában az AI első tervezéséről (AI1D). Mindegyik fejezet célja az AI1D alkotóelemeinek meghatározása annak érdekében, hogy közös nyelv jöjjön létre, amellyel felfedezheti a tervezés új korszakát. Itt olvashatja a sorozat bevezetőjét, és feliratkozhat, hogy itt maradjon a következő fejezettel kapcsolatban.

Mint tervező, miért kell tudnia megérteni a mesterséges intelligenciát? Ez egy olyan kifejezés, amelyet az utóbbi időben annyira belekapasztaltak a média és a technológiai körökbe, egyfajta gyorsítótár, amely leírhat bármit a virtuális személyi asszisztensektől, a robotoktól, a sci-fi karakterektől vagy a legújabb mélytanulási algoritmustól. Lehet, hogy AI-ben dolgozik, és ezeknek a különféle területeknek árnyaltabb megértése van, vagy talán csak azt érzi, hogy az elkövetkező években az AI valamilyen módon befolyásolja a munkádat, de nem biztos abban, hogy hogyan.

Ezt szem előtt tartva, üdvözöljük az AI-First Design Alapítványok sorozatunk első fejezetében, amelyben arra törekszünk, hogy körvonalazzuk a mesterséges intelligencia nyelvét, és megvitatjuk annak sok meghatározását. Ennek során reméljük, hogy arra gondolunk, hogy mi a mesterséges intelligencia napjainkban, és amellyel válaszolhatunk: Mi az AI-First Design?

Ez a fejezet a jelenlegi AI táj vizsgálatára és a különböző meghatározások navigálására szolgál, amelyeket az AI a kifejezés első létrehozása óta látott. Áttekintjük az AI történetét, megvizsgáljuk a népszerűség csúcsait és mélységét, és rávilágítunk az AI sikereinek közelmúltbeli növekedése óta bekövetkező fő mérföldkövekre. Végül megvizsgáljuk az AI sok definícióját, és néhány kihívást, amelyekkel szembe kell néznünk egy olyan kidolgozásával, amelyben mindenki egyetérthet. Fejjel: a hosszabb oldalán van, tehát kényelmesen játsszon, ugorj előre egy szakaszra, amely jobban érdekli Önt, vagy csak olvassa el az alábbiakban ezt a szuper rövid változatot.

TL; DR

Ahelyett, hogy az 1950-es években megkezdenénk az AI vizsgálatát, ütemtervünk sokkal korábban kezdődik, Homer Iliadjában, amikor már a szobrokat és az isteneket emlegetették emberi jellegű tulajdonságokkal. Azóta sok történt! Ma elértünk minden idők csúcsát az AI előrehaladási aránya, a finanszírozás és a lelkesedés szempontjából, bár továbbra is nagy a különbség a sci-fi elvárások és a gépek által megvalósítható realitások között. Az AI nagyon messze van az emberi jellegű általános intelligencia elérésétől, de egyre jobban teljesíti a szűken meghatározott feladatokat. Íme a fő összetevői annak, hogyan definiáljuk az AI-t ma, és miért számít számodra Önnek mint tervezőnek:

  1. Ez nagyrészt adatokon alapul.
    Az AI közelmúltbeli fejlődése nem lett volna lehetséges a csatlakoztatott eszközök által összegyűjtött hatalmas mennyiségű adat és a tárolás képessége nélkül.
  2. Szűk és nagyon koncentrált.
    Az AI nagyon jól megtalálja az adatok mintázatait és elvégzi a meghatározott feladatokat, amelyeket meghatározunk, de az előre meghatározott paramétereken kívül nem általánosítja nagyon jól.
  3. Nem számít számításai eredményének.
    Az emberi döntéshozatal veleszületett rendetlenségétől eltérően az AI döntéshozatali képességét nem befolyásolják a hátsó indítékok vagy az a tény, hogy mennyi ideig aludtak tegnap este, hanem kizárólag a feladatra összpontosít. Mivel azonban nem ismeri a jótól a rosszatól, az adatokban előforduló torzítások megmaradnak.
  4. Az AI képességeit megtanulják, nem programozzák.
    Az AI önmagában is javíthatja iterápiáját - anélkül, hogy minden lépést beprogramozott volna - tanulhat tapasztalataiból és javulhat a jövőbeni előrejelzések és döntések meghozatalában, ami egyre kifinomultabb képességeket eredményez.
  5. Ez egy változó kifejezés.
    Az AI-t a különböző közösségek eltérően határozzák meg, és meghatározása a jövőbeni technológiai fejlődés mellett változik.

Tudva ezt, úgy gondoljuk, hogy az AI óriási hatással lesz a tervezés területére, ahogy azt ismerjük. Amikor elkezdi befolyásolni minden vállalkozás, termék, szolgáltatás és (felhasználói) tapasztalat kialakítását, elengedhetetlen, hogy alapvető ismeretekkel rendelkezzünk arról, hogy mihez dolgozunk, és eldöntsük, hogyan akarjuk kiaknázni a potenciálját.

Még mindig kíváncsi? Még több van rajta!

Az AI hullámai és mínuszai az idő múlásával

Előfutárok: az istenek hamisításának szándéka

Noha az AI-re gondolva általában valami futurisztikus képet ábrázolunk, ez a koncepció évszázadok óta fennáll. Kr. E. 750 körül körül például Homer Iliadjában a nyomorult Hephaestus automatakat készített, hogy segítsen neki megkerülni:

Ezek aranyszínűek és olyan megjelenésűek, mint az élő fiatal nők. Van intelligencia a szívükben, van bennük beszéd és erő, és a halhatatlan istenek megtanultak, hogyan kell csinálni a dolgokat.

Pamela McCorduck a Gépek, akik gondolkodnak című könyvében más lények sokaságát írja le, amelyeket Hephaestus különféle feladatokra készített, amelyek közül legalább az egyik biztosan ismerős, ha fenyegető: Pandora és hírhedt doboza.

A gondolat gépesítése

A fikció ezen példáin túl jelentős előrelépés történt az antikvitás érvelésében és logikájában, ami a jelenlegi kodifikált nyelvünkhöz vezetett, amely az összes számítás alapjául szolgált. A mesterséges intelligencia lényegében azt feltételezi, hogy a gondolat gépesíthető és reprodukálható. Arisztotelész volt az elsők között, akik úttörőként alakították át a gondolatokat logikai érvekké szervezésében a syllogismism kialakítása során, amely gyakran három vonalú formát ölt, például:

Minden ember halandó.
Sokrates ember.
Ezért Szókratész halandó.

A perzsa matematikus, Muhammad ibn Musa al-Khwarizmi, más néven az Algoritmi latinizált neve (amelyből az algoritmus szóját származtattuk), szintén kulcsszerepet játszik sok olyan koncepcióban, amelyet ma magától értetődik az AI-ben. Az algebra szó például az „al-jabr” -ből származik, amely a két művelet egyike, amelyet kvadratikus egyenletek megoldására használtak. A matematikusok és filozófusok, mint például Gottfried Wilhelm Leibniz, Thomas Hobbes, René Descartes a 17. század folyamán tovább haladtak ezen alapokra építve, azzal a céllal, hogy a gondolkodás olyan rendszeres legyen, mint az algebra vagy a geometria.

Míg a következő évszázadokban sok más matematikai előrelépés történt, amelyek hozzájárultak a mai mesterséges intelligencia kialakításához, az Ada Lovelace 19. századi angol matematikus kiemelkedik kreatív megközelítéseivel és úttörő munkájával a számítástechnikában. Ő volt az első, aki azt sugallta, hogy Charles Babbage általános célú számítógépes számítógépe, az Analytical Engine rendelkezik a számításon kívüli képességekkel, majd elkészítette az első algoritmust, és megszerezte a világ első számítógépes programozójának címet.

A mesterséges intelligencia születése

Noha a számítástechnika területén a 20. század elején haladást tapasztaltunk, a mesterséges intelligencia valóban elindult az 1950-es években, egy 1956-os Dartmouth Főiskolai konferencián, amelyben azt állították, hogy minden tanulást és intelligenciát pontosan lehet leírni, hogy gépen lehessen szimulálni. Itt jött elő a „mesterséges intelligencia” kifejezés először, utalva az „emberi intelligencia gépeken történő szimulációjára”. Az ötven évvel később a Dartmouth műhelyen gondolkodva John McCarthy egyik szervezője elmosolyodott: „Azt hittem, hogy a műhely ismertté vált volna az eredményeivel. Valójában jelentős mértékben ismertté vált egyszerűen azért, mert népszerűsítette a „mesterséges intelligencia” kifejezést. ”

Az 50-es évekből származó másik fontos AI mérföldkő, amelyet talán ismersz, a híres „Turing Test”. Benedict Cumberbatch „Az utánzás játék” című előadásának népszerűsítéseként Alan Turing brit számítógépes tudós azt javasolta, hogy ha egy gép képes olyan beszélgetést folytatni, amely megkülönböztethetetlen az emberrel folytatott beszélgetéstől, akkor egy „gondolkodó gép” valószínű. Más szavakkal: a számítógép csak akkor lenne intelligens, ha becsaphatja az embereket arra, hogy azt gondolják, hogy ember.

Az ötvenes évek közepétől a 70-es évek elején az AI „arany éveinek” nevezték őket, a számítástechnika hatalmas fejlődésével, valamint a lelkesedés és az állami finanszírozás növekedésével együtt. Pontosabban, Marvin Minsky a lendületet a Dartmouth műhelyből indította el, amikor 1959-ben alapította a Massachusetts Institute of Technology AI laboratóriumát, és a 60-as és 70-es években tovább vezette a terepet. A Gaming 1951-ben egy olyan program kifejlesztésével is felfedezte a számítógépes intelligencia fejlesztésének és tesztelésének ideális eszközét, amikor az IBM kifejlesztette a dámajátékot játszó programot. A 60-as években a „legközelebbi szomszéd” algoritmust hozták létre az „utazó eladó” megoldására. probléma ”:„ Mivel a városok listája és az egyes várospárok közötti távolságok szerint mi a legrövidebb út, amely pontosan egyszer meglátogatja az egyes városokat és visszatér a kiindulási városba? ”Az így kapott algoritmus képezte az alapvető mintafelismerés kezdetét.

1969-ben azonban Marvin Minsky és Seymour Papert kiadta a Perceptrons könyvet, amely a meglévő ideghálózati technológia néhány korlátozásáról szól, és valószínűleg a következő években az „AI tél” előadója volt.

Az AI telek a 70-es és 80-as években

Az 50-es évektől a 70-es évekig terjedő, ilyen sikeres futással, amelyet nemcsak a tudományos haladás táplált, hanem a tudományos fantasztikus közlemények által támasztott megnövekedett elvárások is, például Stanley Kubrick 2001. évi űri Odüsszea vagy Isaac Asimov I., Robot ütközési útja az AI korlátozásával elkerülhetetlen volt.

Alapvetõen, amikor a számítógépek nem tudtak megfelelni mindenki irreálisan magas elvárásainak, a finanszírozás és a lelkesedés megszáradt, ami az egész világon az AI laboratóriumok lebontásához vezetett. Noha 1980-tól 1987-ig volt egy rövid második szél nagy japán beruházással, ez a fellendülés rövidebb ideig tartott, és egy másik AI-tél volt az, amelyet 1987-től 1993-ig tartottak.

Roger Schank és Marvin Minsky, az AI vezető kutatói, akik túlélték az 1970-es évek első télét, figyelmeztette az üzleti közösséget, hogy „a 80-as években az AI iránti lelkesedés elkerülte az irányítást, és a csalódás minden bizonnyal következményekkel jár.” Ezek a csúcsok és völgyek Az AI lelkesedése ma folytatódik. Noha az elmúlt években néhány népszerűtlen AI-felhasználás történt, például az amerikai hadsereg használja az AI-t barátságos vagy ellenséges tankok azonosítására, vagy a közelmúltban a Microsoft Tay chatbotja, amely tavaly gyorsan bemutatta a rasszista és antiszemita viselkedést a Twitteren, általában mondva azt mondhatnád, hogy ma minden idők csúcspontja vagyunk az AI előlegei, a finanszírozás és a lelkesedés szempontjából.

AI táj ma - Miért olyan meleg?

A tech hype mérésének népszerű eszköze a Gartner Hype Cycle, amely ebben az évben a mélyreható és a gépi tanulás csúcspontját képviseli. Noha gyakran inkább a médiában való megjelenítés mutatójának tekintik, mint a tudományos kutatást, vannak olyan jogszerűen izgalmas előrelépések, amelyek az AI jelenlegi népszerűségéhez vezettek. Tehát valójában hihetetlen? Nem egészen. Vizsgáljuk meg néhány fontosabb AI mérföldkövet az elmúlt hat évben, amelyek hozzájárultak jelenlegi megszállottságunkhoz.

Legutóbbi AI mérföldkövek

  • 2011: Az Apple Siri bemutatása a kissé természetes nyelv segítségével, a kérdések megválaszolására, az ajánlások megfogalmazására és az egyszerű műveletek végrehajtására, vagy ennek hiányában az interneten való keresés az Ön számára.
  • 2012: A konvolúciós neurális hálózatok (röviden CNN-k) megsemmisítik a versenyt az ImageNet osztályozásban - azaz a „számítógépes látás éves olimpiaja” -, fórumot teremtve a közösségben, és felszabadítva a mély tanulás iránti érdeklődés hatalmas újjáéledését.
  • A Google egy ideghálózatot képzett a macskák sikeres felismerésére a YouTube-videókban egy mély tanulási algoritmus segítségével, annak ellenére, hogy nem adtak információt az aranyos macska jellemzőinek megkülönböztetéséről.
  • 2013: A Neil, a szórakoztató Never Ending Image Learner elnevezése, a Carnegie Mellon Egyetemen jelent meg, hogy folyamatosan hasonlítsa össze és elemezze a különféle képek közötti kapcsolatokat, azzal a céllal, hogy megtanulja a józan ész kívánatos, ám mégis megkíséretlen emberi képességét.
  • 2015: A Facebook elindítja a DeepFace-ot, egy mélyrehatóan felismerő arcfelismerő rendszert, amelyet négy millió képből képeztek ki, amelyet a Facebook-felhasználók töltöttek fel. 97,35% -os pontossággal képes azonosítani az arcokat, ami több mint 27% -os javulást jelent a korábbi rendszerekhez képest.
  • 2015: A DeepMind Deep Q Networks megtanulja az Atari-játékokat játszani, jelölve a mély megerősítéses tanulás korának eljövetelét.
  • 2015–17: a Google DeepMind AlphaGo legyőzi a Go bajnokokat, Fan Hui-ot, Lee Sedolt és Ke Jie-t, az akkori világ első számú rangsorolt ​​játékosát.
  • 2015: A Google DeepDream mindenkit azon töpreng, hogy a gépek képeket tudnak-e készíteni, trippy képeket generálnak egy konvolúciós neurális hálózat segítségével, a képek arcainak és más mintáinak felismerésére szolgáló szoftverrel, a képek automatikus osztályozása céljából.
  • 2015-jelen: Ross Goodwin művész az elbeszélött valóság új formáit gépi tanulással tanulmányozza a költői „automatikus fénykép” elbeszélője, a Word Camera segítségével, és beprogramozta az öncímes AI „Benjamin” -t, hogy forgatókönyvet írjon egy filmhez, melynek főszereplője David Hasselhoff.
  • 2015-jelen: Az AI személyi asszisztenseinek széles skáláját mutatják be otthonában, az Apple Siri most a Microsoft Cortana, az Amazon Alexa és a Google Now segítségével küzdi a figyelmét.
  • 2017: A Libratus, amelyet Carnegie Mellon professzor, Tuomas Sandholm és egyetemi hallgatója, Noam Brown tervezett, négy legjobb játékos ellen nyert a póker összetett változatában - a Texas Hold'emben.
  • 2017: A Google Deepmind és a StarCraft II multiplayer űrháborús videojáték alkotói kiadták az eszközöket, amelyek lehetővé teszik, hogy az AI kutatói robotokat hozzanak létre, amelyek képesek versenyezni az emberekkel szemben. A robotok még nem nyertek meg, és egy ideig nem várható el, de ha megteszik, ez sokkal nagyobb eredmény lesz, mint a Go-n történő nyerés.

Előrelépések a gépi tanulás és a mély tanulás területén

Ahol az AI szakemberek élnek

Mindezek a mérföldkövek nem valósultak volna meg az előző évtized mesterséges intelligencia legizgalmasabb területein: gépi tanulás és mély tanulás nélkül történő jelentős előrelépés nélkül. Bár ezek a kifejezések hasonlónak hangzanak, nem teljesen azonosak. Nézzük meg.

A 90-es évek végétől és a 2000-es évek elejétől kezdve a megnövekedett számítógépes tárolási és feldolgozási képességek azt jelentették, hogy az AI rendszerek végre elegendő adatot tároltak és elegendő energiát használtak fel a bonyolultabb folyamatok kezelésére. Ugyanakkor az internethasználat és a csatlakoztathatóság robbantása egyre növekvő mennyiségű adatot hozott létre, például képeket, szöveget, térképeket vagy tranzakciós információkat, amelyeket fel lehet használni a gépek kiképzéséhez.

A korábban alkalmazott „ha akkor” szabályok és bonyolult szimbolikus logikai eljárások rendszerének helyett, amelyek több ezer sornyi kódot igényelnek az alapvető döntéshozáshoz, mint a jó öregkorú mesterséges intelligencia vagy a GOFAI esetében, a gépi tanulás visszafelé működik. Hatalmas adatkészletek felhasználásával az algoritmusok iteratív módon tanulnak, mintákat keresve a jövőbeli bemenetek értelmezésére. A gépi tanulást szépen összefoglalta Arthur Samuel, a gépi tanulás úttörője, aki 1959-ben visszamentette azt a „tanulási területet, amely a számítógépek számára lehetővé teszi a tanulást anélkül, hogy kifejezetten programoznák őket.” A gépi tanulást a ma olyan kérdésekről van szó, mint a rákos sejtek azonosítása, a következő film előrejelzése, a beszélt nyelv mindenféle megértése vagy a ház piaci értékének meghatározása.

Melyik rákos sejtek vannak ebben a képen? Lehet, hogy egy AI gyorsabban megtudja, mint egy orvos. Kép: Gabriel Caponetti a népszerű tudományban.

A gépi tanulásban a közelmúltban elért haladás nagyrészt a mély tanulás növekedésének tudható be, amely a gépi tanulás egyik alterülete. A mély tanulás az agy szerkezetéből kölcsönöz azáltal, hogy sok egyszerű „neuron” -szerű szerkezetet összekapcsol, hogy érdekes dolgokat tegyen egy idegi hálózatban. Ha ezeknek a mesterséges idegsejteknek sok rétegét egymásra rakják (tehát „mélyek”), a hálózat egésze megtanulja bonyolult feladatok elvégzését. Érdekes, hogy ezekben a rétegekben a neuronok gyakran meghatározott szerepeket végeznek, például felismerik az adott objektum széleit vagy körvonalait. A mély tanulás egyedülálló ereje az, hogy ezeket az alfeladatokat - gyakran „jellemzőknek” nevezik - közvetlenül az adatokból tanulják meg, ahelyett, hogy a programozók meghatároznák. Ez lehetővé teszi a mélyreható tanulást olyan problémák megoldására, ahol a megoldások az emberek számára nem egyértelműek.

Vegyünk egy valós példát: felismerjük a rákos sejteket. A klasszikus AI megközelítés egy emberi szakértőre támaszkodik, aki megpróbálja megfejteni saját döntéshozatali folyamatát, majd kodifikálni azt az algoritmusban. Például előfordulhat, hogy megjelöljük azokat a cellákat, amelyek meghaladnak egy bizonyos méretet, vagy homályos körvonalakkal vagy sajátos alakkal rendelkeznek. A mélyreható tanulás révén közvetlenül betáplálhatjuk a felcímkézett sejtek képeit annak jelzésére, hogy rákosak-e vagy sem, és ideghálózatunk megtanulja kiválasztani a kép leghasznosabb tulajdonságait az adott feladathoz. Ez a „felügyelt tanulás” klasszikus példája: megadunk néhány bemenetet és néhány kívánt kimenetet, és az algoritmus megtanulja leképezni az egyiket a másikra.

A címkéket teljesen meg is szüntethetjük, és megkérhetjük az algoritmust, hogy csoportosítsuk azokat a cellákat, amelyekben van valami közös. Ezt a folyamatot klaszterezésnek nevezzük, és ez egyfajta felügyelet nélküli tanulás. Itt nem felügyeletet adunk címkék formájában, hanem csak mélyreható tanulást alkalmazunk az adatok szerkezetének megtalálására. Példánkban talán a sejtek sokféle típusúak - bőrsejtek, májsejtek és izomsejtek -, és hasznos lenne ezeket csoportosítani, mielőtt megpróbálnánk kitalálni, hogy az egyes klaszterek melyik sejtjei rákosak. A fürtözés egyéb általános alkalmazásai között szerepel a fényképeken található különféle arcok azonosítása, a különféle ügyféltípusok megértése és az azonos témájú hírek összegyűjtése.

Ne higgye el a hypenek: AI mítoszok vs. valóság

Tehát az AI elmúlt években bekövetkezett gyors előrelépéseivel azt gondolod, hogy mindannyian rendben lennének? Nos, nem mindenki. Mint az AI első arany éveiben az 50-es és 60-as években, továbbra is nagy a különbség a tudományos-fantasztikus és a média ábrázolásain alapuló AI-re vonatkozó elvárásaink és az AI manapság valójában képességei között. (Nem is beszélve az ezekkel az előrejelzésekkel kapcsolatos zavartalan félelemtől, a magánélet védelmével kapcsolatos aggályoktól vagy a munkahely megszűnéséről.)

A vita egy másik módja a „szűk” és az „általános” mesterséges intelligencia közötti különbségnek. Az AI eddigi legnagyobb sikerei a „szűk” mesterséges intelligencián alapulnak, vagyis egy adott feladat szigorú paramétereken belüli végrehajtásában, például Siri egy diktált szöveges üzenet gépelésében vagy egy macska felismerésében a képen. A keskeny AI-ben nincs fogalom az öntudatosságról vagy az általános problémamegoldó készségről. Ezzel szemben annak nagy része, amely az elmúlt évtizedekben megragadta a közvélemény képzeletét, az „általános mesterséges intelligencia” ez a fantázia emberi jellegű asszisztens formájában, hasonlóan a Hal 9000-hez, az R2D2-hez vagy a Samantha-hoz benne, ahol az AI egyenlő, ha nem nagyobb intelligencia, mint az emberek.

Nagyon világos, hogy messze vagyunk mindentől, ami az általános AI-hez hasonlít. Yoshua Bengio, az Element AI egyik alapítója kifejezetten kifejezi ezt a témát, amikor beszélt - nem gondolja, hogy ésszerű idő-alapú előrejelzést tenni arról, hogy mikor történhet ez. Egy közelmúltbeli beszédében néhány konkrét okot vázolt fel, amelyek miatt mi még nem léteznek ott, az első az, hogy az eddigi összes ipari AI siker pusztán felügyelt tanuláson alapszik. Tanulási rendszereink továbbra is meglehetősen egyszerű gondolkodásúak, mivel felületes nyomokra támaszkodnak az adatokban, amelyek a képzési kontextuson kívül nem teljesülnek jól.

A Google neurális, háló által generált súlyzó, fantom végtaggal kiegészítve. Kép: Google.

Például, amikor a Google egy ideghálózatot képzett a súlyzók képének elkészítésére ezer kép alapján, akkor ez szinte helyes volt. Persze, két súlyt egy bárban kötünk össze, de mit csinálnak ott azok a fantomkarok? Bár a neurális hálózat sikeresen azonosította a súlyzók általános vizuális tulajdonságait, mivel a forrásképeken mindig a súlyzót tartó emberek szerepeltek, azt is feltételezte, hogy a súlyzónak van fegyvere.

Az ilyen jelentős korlátozások ellenére, hogy hallani Elon Musk hangját Mark Zuckerberggel a múlt nyáron, azt gondolja, hogy egy sarokkövön egy AI-üzemű III. Világháború volt. A vezérigazgatónk, Jean-François Gagné egy nemrégiben írt blogbejegyzésben tér vissza az AI jelenlegi helyzetének alapjaihoz:

„Az AI nagyon szűk és törékeny. Nem működik jól a felállított hatókörön kívül. Csak egyszerű objektív funkciókat képes kezelni; tehát valójában mi vagyunk, az emberek, az emberi intelligenciánk segítségével hatékonyan alkalmazzák azt arra a pontra, ahol a munka automatizálható. "

AI sok meghatározása

Most, hogy felgyorsítottuk az AI történelmi fejleményeit és közelmúltbeli fejlődését, mélyítsük át a sok meghatározást, amelyeket az évek során kidolgoztunk. Bár néhányan azt állították, hogy a kifejezést az utóbbi időben annyira túl használják, hogy értelmetlenné váltak, nem vagyunk hajlandóak feladni azt.

Hogyan használják ma az „AI” kifejezést?

Az AI meghatározásához kezdjük az intelligencia vizsgálatával. Egyrészt egyszerűen értelmezhető az intellektus, például IQ pontszám alapján. De mindannyian tudjuk, hogy az intelligencia valójában sokkal rétegesebb és összetettebb. Az Oxfordi szótár ezt a következőképpen határozza meg: „tudás és készségek elsajátításának és alkalmazásának képessége”, míg a Cambridge-i szótár megközelítése kissé eltér: „az a képesség, hogy megtanuljanak, megértsék és megítéljék az ítéleteket, vagy hogy véleményük legyen az indokon alapuló”. Mások az intelligencia mérésének ésszerűbb módszereit fejlesztették ki az évek során, például Howard Gardner több intelligencia elmélete, olyan modalitásokkal, mint például zenei-ritmikus és harmonikus, vizuális-térbeli, verbális-nyelvi, logikai-matematikai, testi-kinesthetic és egzisztenciális. , többek között. Elfogadásaink közelebb állnak az utóbbi meghatározáshoz, lehetővé téve az információk megszerzését, feldolgozását és alkalmazását széles körben.

Az intelligencia elképzelésünk szintén nagyon antropomorf: azon alapszik, hogy mi emberekként gondolkodjunk és megoldjuk a problémákat. Az AI-t széles körben megértik ugyanúgy, hogy egy mesterségesen intelligens rendszer olyan következtetésekre jut, amelyek hasonlóak az emberi megközelítéshez. Ezen ötleten alapulva, David C. Parkes és Michael P. Wellman az AI fogalmát „homo economicus-ként, a neoklasszikus közgazdaságtan mitikus, tökéletesen racionális ágenseként” mutatják be. az AI kiképzéséhez használt adatok gyakran természetüknél fogva hibásak az emberi vagy más elfogultság miatt, ami szinte lehetetlenné teszi a „tökéletes ésszerűség” értékelését.

A Fehér Ház 2016. évi jelentése az AI azon kihívásainak összegéről, amelyek összefüggő meghatározással állnak elő: „Nincs egyetlen olyan AI meghatározás, amelyet a gyakorló szakemberek általánosan elfogadnak. Egyesek az AI-t lazán úgy határozzák meg, mint egy számítógépesített rendszert, amely olyan viselkedést mutat, amelyet általában intelligenciát igénylőnek tartanak. Mások úgy definiálják az AI-t, mint olyan rendszert, amely képes komplex problémák racionális megoldására, vagy megfelelő lépések megtételére a céljainak elérése érdekében bármilyen valós körülmények között, amelyekkel szembesül. "Érdekes megjegyezni, hogy itt nem az„ emberi viselkedés ”kifejezést használják, hanem egyszerűen "viselkedés".

Nick Bostrom, a svéd filozófus az AI tanulmányozásának és adaptálásának fogalmára összpontosít a szuperintelligencia: Útlevelek, veszélyek, stratégiák című könyvében: „Az általános intelligencia elérésére szolgáló rendszer alapvető tervezésének szerves részét képezi a tanulási képesség ... fenntartja a bizonytalanság és a valószínűségi információk kezelésének képességét. ”Mások, például Ethem Alpaydın számítástechnikai professzor a géptanulás bevezetésében, azt állítják, hogy„ az intelligens rendszernek képesnek kell lennie alkalmazkodni a környezetéhez; meg kell tanulnia, hogy ne ismételje meg hibáit, hanem megismételje a sikerét. ”

Meghatározásaink

Amellett, hogy megvizsgáltuk, mások hogyan definiálják az AI-t manapság, kutatásunk része egy vállalati szintű felmérés elküldése volt, amelyben kollégáinkat arra kértük, hogy egy mondatban (vagy kettőben vagy háromban) definiálják a mesterséges intelligenciát. A felmérés eredményeiben három fő válaszkategória merült fel:

  1. Az AI a számítógép azon képessége, hogy a rendelkezésére álló adatok alapján döntéseket hozzon vagy előrejelezhessen.
  2. Az AI egy számítógép képessége arra, hogy megismételje a magasabb rendű agyi funkciókat, például az észlelést, a megismerést, az irányítást, a tervezést vagy a stratégiát.
  3. Az AI egy adat és számítás által létrehozott program, azaz nem keményen kódolt.

A mai célokra elegendőek-e ezek a meghatározások? Melyek a hibák, amikor megpróbáljuk meghatározni egy ilyen széles és folyamatosan fejlődő koncepciót?

Miért olyan nehéz?

A „szünet” jelenség az egyik legnagyobb kihívás, amikor az AI-ről beszélünk. A kifejezés gyakori használata az alkalmazások széles skáláját és a bennük rejlő zavart eredményezi - amint azt Genevieve Bell, a Stanford Antropológiai PhD doktora, valamint az Intel interakciós és tapasztalati kutatási igazgatója magyarázta:

"Számomra a mesterséges intelligencia egy átfogó kifejezés, és ez az, ami bekerült a népszerűségbe, és ki. Jelenleg visszatért. Ez egy esernyő, amely alatt beszélhetünk a kognitív számítástechnikáról, a gépi tanulásról és a mély tanulásról, valamint az algoritmusokról. Ez egy szünet, mert mindent jelent, és semmit egyszerre. Ez ugyanúgy kulturális kategória, mint műszaki. ”

A kifejezést gyakran rossz körülmények között (vagy inkább pontatlan körülmények között) használják, mert olyan széles, amint azt a McKinsey Global Institute 2017. évi vitaanyagában körvonalazza, AI: A következő digitális határ:

“… Nehéz meghatározni, mert az emberek különböző technológiákat kevernek össze és illesztnek egymáshoz, hogy megoldásokat hozzanak az egyes problémákra. Ezeket néha független technológiákként kezelik, néha más technológiák alcsoportjaiként, néha alkalmazásokként… Néhány keret az AI technológiákat alapfunkciók szerint csoportosítja… mások üzleti alkalmazások szerint csoportosítják őket… ”

Az AI meghatározásának másik nagy kihívása az a tény, hogy a tudomány és alkalmazásai folyamatosan fejlődnek. Amint Pamela McCorduck kifejti a Gépek, akik gondolnak című könyvében, az új problémát megoldó intelligens rendszert gyakran „csak számításnak” vagy „nem valódi intelligenciának” tekintik. Bostrom filozófus ezt szépen összefoglalja: „Sok élvonalbeli AI szűrt általános alkalmazásokba, gyakran anélkül, hogy AI-nek hívnák, mert ha egyszer valami eléggé hasznosnak és általánosnak bizonyul, már nem jelölik meg AI-ként.” Például az IBM program, amely dámajátékot játszott. 1951-ben az akkori úttörő AI-nek lehetett volna tekinteni, de ma alapvető számítástechnikának minősítik. Vagy az utóbbi időben néhányan pesszimista módon azt állítják, hogy a szűk AI-kben nincs semmi „intelligens”, például az AlphaGo veri Lee Sedolt.

Mindezen kihívásokra figyelemmel, lehet-e módja annak, hogy csökkentsük az ítéletünket elhomályosító kulturális és média zajt, és a kézzelfogható kérdésekre összpontosítsunk? Az „AI” szó használatakor általában egy adott technológiára utalunk, mint például a természetes nyelvfeldolgozás, a gépi tanulás vagy a gépi látás. Tehát a lehető legkonkrétabb lehetőség jó indulás. Más körülmények között azonban az „AI” kifejezés használata nem helytelen, például olyan helyzetekben, amikor valójában nem tudjuk pontosan, hogy melyik technológiát használjuk. Ez egy csapda, amelybe nem vagyunk immunisek, hogy beleesjünk, az összes AI-szakemberekkel és újságírókkal együtt, amelyek táplálják ezt a folyamatban lévő vitát.

Előretekintve

Megkísérelve világosan megfogalmazni, mi az AI „mi”, rájöttünk, hogy ez nagyon sok különböző dolgot jelent a különböző emberek számára. Ez egy ötlet, amely nagyon hosszú ideig megragadta képzeletünket. Még ha a számítógép-tudományra is szűkítjük, az még mindig nagyon széles. Ezt szem előtt tartva azt gondoljuk, hogy fontos arra összpontosítani, hogy az AI miként változtatja meg az életünket, a mai áttörések, amelyek ezt a hype-t idézik elő. Kevin Kelly ezt egy szépen összefoglalta egy nemrégiben megjelent TED-beszélgetésben:

„Jelenleg nincsenek AI-szakértők. Sok pénz megy rá, milliárd dollárt költünk rá; hatalmas üzlet, de nincs szakértő, összehasonlítva azzal, amit most 20 évvel később tudunk. Tehát még csak a kezdetek elején vagyunk, ennek első órájában vagyunk ... A 20 év múlva a legnépszerűbb AI termék, amelyet mindenki használ, még nem találták ki. Ez azt jelenti, hogy nem késik. ”

Más szavakkal: normális, ha az AI-vel kapcsolatos fogalmaink több szempontból és néha ellentmondásos ötletekből állnak, mert az most fejlődik és történik. Ez nem azt jelenti, hogy bűnösnek kell tekinteni, hanem inkább egy felhívást, hogy megragadja annak velejáró méltóságát és rendetlenségét, miközben javítunk.

Mindez azt mondja, hogy nem fogjuk meghatározni a meghatározást. Azt akarjuk azonban, hogy a tervezők, akik küzdenek a ma gyártásra kerülő technológiával, alapvető ismeretekkel rendelkezzenek az AI-ről és annak képességeiről. Ha „AI bármi, amit még nem tettek meg”, ahogyan azt a Tesler-tétel megfogalmazza, akkor pontosan erre kell figyelnünk - nem arra, amit már megtettünk, hanem arra, hogy mi lehetséges, vagy nagyon hamarosan.

Úgy gondoljuk, hogy az AI alapvető fontosságú óriási tanulási lehetőség, és ha tudatosan fejlesztették ki, akkor az embereket széles körű előrehaladáshoz vezetheti. Mivel a lóval eke drasztikusan forradalmasította a mezőgazdaságot az 1100-as években, és a gőzgép motorja a gyártás és a szállítás egy új korszakot hajtott végre a 18. században, láthatjuk, hogy az AI alátámasztja a digitális újítás következő évszázadát. Ahogyan a MIT fizikai professzora, Max Tegmark a közelmúltban kijelentette, most nem itt az ideje, hogy elgondolkozzunk a jövőről, mint valamilyen előre meghatározott eseményről, amelyet elkerülhetetlenül sújtunk, hanem inkább azt kell feltennünk önmagunkhoz, hogy „milyen jövőt akarunk megtervezni? AI-vel?

Ha élvezte ezt, vigyázzon a következő fejezetre az AI-First Design Foundations sorozatunkban - Mi az a forma, valóban?

Szerzők és közreműködők

Rebecca West az AI1D Journal szerkesztője az Element AI-nél és író, a projektekre összpontosítva, amelyek a tervezés, a technológia és a kreativitás metszéspontjában állnak.

Illusztrációk: Dona Solo, az Element AI vizuális tervezője.

Masha Krol tapasztalati tervező, Archy de Berker alkalmazott kutató tudósunk és a 2017. nyári kutatói gyakornokunk, Louis-Félix La Roche-Morin közreműködésével.