Вештачка интелигенција Што учи АИ за човечката интелигенција - Спектар на наука
Когнитивна наука: Што учи АИ за нашата интелигенција
Во 1996 година системот Deep Blue AI го победи актуелниот светски шампион во шах Гари Каспаров. 20 години подоцна AlphaGo го победи еден од најдобрите светски играчи на Го, Јужнокореецот Ли Седол. Денес, АИ можат да разликуваат малиген од бениген карцином на кожа, можат да паркираат автомобили и да контролираат воени беспилотни летала. Во иднина, тие ќе ни прават друштво во форма на домаќинства и роботи за нега. Ова покренува многу прашања: За што може да се користи вештачката интелигенција? Дали системите ќе бидат попаметни од нас? Дали треба да ги имитираат човечките способности за да го направат ова? И што можеме да научиме од ова за човечката интелигенција?
Ако сакате да ја пресоздадете човечката интелигенција, мора да дефинирате што е всушност. Ова вклучува многу различни вештини: користење алатки, планирање акции, развој на теории, да се биде креативен, разбирање јазик и уште неколку. Вградени се во мрежни основни вештини: сензорна перцепција, емоционална проценка, контрола на дејствување.
Многу од овие вештини ни изгледаат природно. Ние имаме тенденција да ја приврзуваме интелигенцијата на посебни вештини, како што е подлабоко разбирање на математиката. Сепак, споредбата со АИ системите покажува колку всушност се комплексни нашите наводно банални способности. Во историјата на АИ, се претпоставува двапати дека АИ системите наскоро би имале такви секојдневни вештини: еднаш со првиот бран на нервни мрежи во 1970-тите и вториот пат со бранот експертски системи на крајот на 1980-тите и почетокот на 90-тите години на минатиот век. И еуфориите резултираа во „ЗИ зима“ - фаза на разочарани и пригушени очекувања.
Во моментот, АИ системите сè уште размислуваат сосема поинаку од луѓето, исто како што авионите летаат поинаку од птиците, дури и ако ги следат истите општи основни физички принципи
Човечката интелигенција и денешната ВИ - со длабоко учење како основен метод - имаат радикално различни архитектури. Мозокот и АИ ги организираат и обработуваат и информациите за околината, но не на ист начин: Тие се разликуваат, на пример, во бројот на нивоа на обработка, нивното вмрежување, во механизмите на учење и во тоа како перцепцијата, знаењето и дејството комуницираат едни со други. Дури и ако сегашната ВИ произведе многу моќни инструменти, тоа може само да придонесе малку во разбирањето на човечката интелигенција: ВИ-системите исто така можат да произведат интелигентно размислување, но во моментот тие сè уште размислуваат сосема поинаку од луѓето; исто како што авионите летаат поинаку од птиците, дури и ако ги следат истите општи основни физички принципи. Покрај тоа, АИ е далеку од развој на човечки увид.
Основи на денешната АИ
Тековно најпознатата форма на ВИ се заснова на методот на »длабоко учење«. Потребно е многу голем број примери како влез, кои се состојат од внесување и следење на податоци, на пример слики и придружни »етикети« како што се »мачка« или »рак на кожа«. Од ова учи статистички обрасци и на тој начин гради комплексна мрежна структура со која може да пресметува предвидувања за нови влезни податоци, како што е соодветната ознака за слика. Учењето се состои во процесирање на разлики помеѓу предвидените и наб observedудуваните состојби на вистински последици со цел да се промени мрежната структура и пондерирањето на мрежните јазли на таков начин што грешката во предвидување е што е можно помала. АИ системот учи од повратните информации да ги поврзе примерите со правилните предвидувања.
Како по правило, АИ системот има многу поголема база на податоци за одредена задача отколку луѓето. Додека најдобрите шахисти можат да се вратат на десетици илјади игри шах или Го, АИ лесно може да се напојува со милиони игри. Ова им овозможува на системите за длабоко учење да откријат статистички закономерности кои се тешки или невозможни за пристап до луѓето. Сепак, досега ова работеше само за ограничени, јасно дефинирани задачи.
Што точно значи тоа? Во шахот има конечен број на квадрати, фигури и правила кои јасно ја одредуваат состојбата на играта и кои потези се можни следно. Секогаш кога АИ претходно решавала задача подобро од луѓето, тоа биле јасно дефинирани задачи. Затоа, може да се претпостави дека ВИ системите можат, во принцип, подобро да се справат од луѓето со која било прецизно дефинирана, конечна индивидуална задача за која има доволно примери за учење.
Но, што се случува кога задачите не се јасно дефинирани? Што ако задачата треба прво да се научи, а правилата на играта или головите се менуваат со текот на времето? Дали ние луѓето сме супериорни во однос на АИ во принцип и надвор од нашите можности веднаш штом ќе се замаглат рамковните услови, а задачите, правилата или целите се менуваат?
Возач на автомобил, на пример, треба да ја набудува состојбата во сообраќајот и да вози низ комплексно градилиште во исто време, во сите временски и светлосни услови. Може ли самостојно управување автомобили да се справат со ова? Специјалните системи за препознавање на предмети, луѓе, лица и сообраќајни ситуации во моментов се во брз развој. Се надеваме дека ако се поврзани заедно, автомобилот за иднината би можел да предизвика помалку несреќи во нормалниот сообраќај од просечниот возач. Но, ова не само што бара функционирање на специјални системи, туку и општ здрав разум што може да ги координира специјалните системи и да идентификува големи грешки. Ова е токму местото каде што луѓето и денешните ВИ системи се разликуваат на три начини.
1. Вештачката интелигенција не е робусна
АИ системите можат да бидат склони кон невообичаени груби грешки. Ако АИ е обучена со многу примери да препознава фотографии од автомобили и фотографии од ној, тогаш во принцип може многу добро да прави разлика помеѓу нив. Како и да е, може да се појават систематски грешки: Можно е намерно да се смени сликата на автомобил толку минимално, што ние луѓето не ја согледуваме промената, но АИ погрешно го класификува како ној. Во принцип, системот за вештачка интелигенција може да се направи посилен со тоа што ќе се остави да научи дека овие различни примери за автомобили треба да се класифицираат како такви. Но, основниот проблем останува: АИ системот научи само статистичка генерализација - користејќи голем број завртки за прилагодување во вештачка нервна мрежа.
За разлика од ова, човечкиот мозок исто така има способност да гради ментални модели од нашето искуство и на тој начин систематски да извлекува далекусежни заклучоци надвор од сегашните сензорни впечатоци што дури овозможуваат и објаснувања. Една форма на објаснувачка структура е позната и како генеративен модел. Таа се заснова на мноштво искуства и со негова помош нашиот мозок генерира внатрешна хипотеза од одредена сензорна перцепција, на пример за насоката во која вози автомобилот во моментов и кои други предмети ги покрива. Ваквите хипотези се многу поцврсти отколку системите насочени кон класификацијата врз кои се заснова длабокото учење. Автомобилот никогаш не е лошо класифициран од страна на луѓето како ној затоа што имаме различни и поопшти стратегии за моделирање на располагање за да се спречат ваквите груби грешки.
2. Тешко е да се објасни предвидување на АИ со длабоко учење
АИ системите учат да прават точни предвидувања со прилагодување на поставените завртки - тежините со кои ги обработуваат информациите. Ова им овозможува да препознаат обрасци во податоците. Како резултат на статистичките правила се дистрибуираат низ целата мрежа; ние тешко или воопшто не можеме да ги разбереме правилата и секако да не ги прилагодиме директно. Системот не е обучен да дава разбирливи предвидувања, дури и ако на тоа работат понови приоди: Може да го програмирате системот за вештачка интелигенција за да ги направите релевантните модели на пиксели видливи врз основа на кои се заснова класификација. Но, овие модели на пиксели ретко можат да бидат доделени на карактеристика во надворешниот свет што можеме да ја разбереме. Пример од препознавање на лице: Дали моделите на пиксели одговараат на апстрактно линиско лице или поточно на друга систематска шема на контраст што се разликува од нашите класи на одлики? Останува отворено.
Досега, АИ системите се засноваа на научени статистички регуларности без да ги бележат на мета ниво и да ги направат достапни на таков начин што можеме да ги разбереме. Дури и ако АИ системот го научил ова, тој сè уште нема разбирање за релевантните каузални врски. Бидејќи ги прикажува само односите помеѓу влезните и излезните податоци, а не причината и последицата. Ова е причината зошто вештачките нервни мрежи досега не беа во можност самите да развијат едноставно светско знаење.
3. Вештачката интелигенција е помалку флексибилна
Длабокото учење се потпира само на алгоритмите за учење кои проценуваат за сличност. Ние, луѓето, имаме многу различни стратегии на учење. Можеме да научиме од едно искуство, како што е согорување на прстите. Ние учиме со набудување на другите или имитирајќи го нивното однесување. Можеме веднаш да ги забележиме основните карактеристики, на пример, односите меѓу причините и последиците, и на овој начин да ги предвидиме последиците и да ги испланираме дејствата. Можеме да ги игнорираме површните сличности, како што е онаа помеѓу делфините и рибите. Нашето теоретско знаење нè спасува од грешка: делфинот не е риба, туку цицач. Значи, ние комбинираме различни стратегии за учење и знаење за да избегнеме грешки.
Карактеристика на човековото спознавање е тоа што од една страна можеме да се прилагодиме на нови ситуации, од друга страна да ја оцениме истата ситуација на еден или друг начин. Когнитивната флексибилност - и не високата когнитивна изведба - е централна карактеристика на човечката интелигенција. Основната идеја дека вештачката интелигенција едноставно мора да ги имитира индивидуалните перформанси на човекот, со цел да ги репродуцира и разбере човековите сознанија, се чини наивна. За да може ова да биде успешно, мора да интегрира различни форми на учење и интеракции помеѓу индивидуалните модули за учење во нејзината архитектура во мрежата.
Трите нивоа на интелигентни системи
Дали нема апсолутно никакви сличности помеѓу човечката и вештачката интелигенција? Британскиот невронаучник Дејвид Мар ги опишува интелигентните системи на три нивоа. Првото, пресметковно ниво е за тоа што обработката на информациите може да стори, на пример, препознавање на објект врз основа на одредени карактеристики. Овде, основните наоди на АИ можат да се пренесат во човековото спознание, бидејќи општите принципи на обработка на информации се однесуваат на сите системи, без разлика дали се луѓе, животни или компјутери.
На алгоритамско ниво, станува збор за патот до решението, на пример како индивидуалните карактеристики се комбинираат и обработуваат за да се идентификува објект. Сепак, може да има многу различни алгоритми кои го решаваат истиот пресметковен проблем. Со цел да се заклучат луѓето од АИ, се избираат оние што најдобро ја претставуваат нејзината когнитивна архитектура.
На ниво на имплементација, алгоритмот е имплементиран („имплементиран“) или биолошки во мозокот или технички во електронски систем. За да може да се споредат луѓето и АИ, вештачката мрежа во компјутерот мора да одговара на нервната мрежа во мозокот. Вториот, сепак, вклучува многу, делумно погрешно разбрани биохемиски процеси кои вештачката нервна мрежа не ги мапира. Ова не значи дека заедничките работи исчезнуваат целосно, но постои ризик тие да останат релативно апстрактни. Заклучоците од АИ за нервната обработка на луѓето досега беа можни само во многу ограничена мерка.
Биологија наспроти физика
Луѓето носат когнитивна архитектура која е биолошки закотвена во мозокот. Основните механизми на самоодржување обезбедуваат дишење, телесна температура, внес на калории и многу повеќе. Ова резултира во основните потреби за храна, спиење, физички интегритет, припадност, сексуалност, па дури и curубопитност. Нашите емоции се засноваат и на ова. Како биолошко-социјални суштества имаме сензации, чувства и емпатија. На секој АИ систем денес му недостасува ова: дури и ако е обучен за тоа, во најдобар случај може да симулира основни потреби и емоции.
Ова обично се оправдува со фактот дека АИ системите немаат никакво свесно искуство. Но, тоа е премногу кратковидо, затоа што и луѓето многу несвесно обработуваат. Наместо тоа, клучно е дека АИ не мора да одржува биолошка рамнотежа за да може да се одржува себеси, и затоа нема потреба од никакви регулаторни механизми. Нашите основни потреби нè мотивираат нас луѓето, меѓу другото, да ја истражуваме нашата физичка и социјална средина. На овој начин развиваме модел на светот и претпоставки за причинско-последичните врски.
Така, нашите биолошки прицврстени сознанија се поразновидни и вмрежени поинаку од денешните АИ системи. Ние не ги перципираме само пасивните предмети, туку активно ги истражуваме и однапред гледаме што можеме да сториме со нив. Нашата перцепција е обликувана од нашата култура и нашите искуства; нашите мисли се засноваат на нашите согледувања и сензации. Ова е радикална разлика: Денешните АИ системи се идиоти за специјални задачи или поврзани модули за сложени задачи, но и на двајцата сè уште им недостасуваат емоции и здрав разум.
Каде треба да оди?
Ако вештачката интелигенција треба да придонесе за фундаментално разбирање на човечката интелигенција, тогаш таа мора да биде вградена биолошки и ситуациона. Со други зборови: Робустен, флексибилен АИ базиран на човечки модели мора да биде биолошки мотивиран систем за учење, опремен со меѓусебно поврзани модули и што создава очекувања за околината. Таквиот систем може да обезбеди длабок увид во човековото спознание - вклучително и неговиот развој - и да произведе вештачка интелигенција што го заслужува своето име.
Колку ваквите ВИ системи можат да станат слични на нас? Може само да се шпекулира за тоа. Невробиолошката основа на нашето свесно искуство сè уште не е соодветно дешифрирана. Реплика на свесно човечко искуство со денешната АИ технологија останува засега невозможна. Слично на тоа, само делумно се разбира како се вмрежуваат перцепциите и одлуките, сензациите и емоциите. Но, еден ден веројатно ќе развиеме АИ системи кои можат да ја пресметаат и земат предвид емоционалната состојба на човечкиот колега. Тие не само што ќе бидат засновани на корелации, туку исто така ќе ги мапираат односите меѓу причините и последиците. За овие архитектури, повторно ќе се постави прашањето, до кој степен тие можат да го пресоздадат човечкото размислување.
Дали ќе живееме со автономни роботи на среден рок, што не можеме да го разликуваме од луѓето: чиста шпекулација. Сепак, ќе има интелигентни алатки кои се спојуваат со нас како индивидуализирани инструменти - како што веќе прават паметните телефони. Во медицината, може да се очекува дека АИ ќе ги прошири нашите когнитивни способности и дека имплантите на мозокот барем делумно ќе ги компензираат когнитивните ограничувања, како што е случај со длабока стимулација на мозокот во Паркинсонова болест денес. Во нешто понатамошна иднина може да има и вештачки системи организирани на сосема поинаков начин, кои покажуваат подлабоко, каузално разбирање на светот. Идеално, ваквите системи, меѓу другото, ќе ги советуваат луѓето за еколошки и економски прашања. Толку силна ВИ претставува опасности, но и потенцијал за решавање на глобалните проблеми.
Совети за литература
Буц, М.В., Катер, Е.Ф .: Како умот доаѓа во битие. Оксфорд Универзитет Прес, 2017 година.
Newen, A., de Bruin, L., Gallagher, S. (Eds.): The Oxford Handbook of 4E Cognition. Оксфорд Универзитет Прес, 2018 година.