Η οικοδόμηση του AI είναι περίπλοκη, αλλά η κατανόηση δεν χρειάζεται να είναι. Οι περισσότερες υπάρχουσες τεχνητές νοημοσύνες είναι μόνο πολύ καλές εικαστικές μηχανές (όπως το μυαλό μας). Τροφοδοτείτε μια δέσμη δεδομένων (όπως τους αριθμούς 1-10) και ζητήστε τη να κάνει ένα μοντέλο (x + 1, ξεκινώντας από το 0) και να κάνει μια πρόβλεψη. (Ο επόμενος αριθμός θα είναι έντεκα.) Δεν υπάρχει μαγικό, εκτός από αυτό που κάνουν οι άνθρωποι κάθε μέρα: χρησιμοποιώντας ό, τι γνωρίζουμε για να φανταστούμε πράγματα που δεν γνωρίζουμε.

Αυτό που θέτει το AI εκτός από άλλα προγράμματα υπολογιστών είναι ότι δεν χρειάζεται να το προγραμματίσουμε ειδικά για κάθε σενάριο. Μπορούμε να διδάξουμε τα πράγματα (μηχανική μάθηση), και μπορεί να διδάξει επίσης (βαθιά μάθηση). Ενώ υπάρχουν πολλαπλές ποικιλίες εκάστου, μπορούν να οριστούν ευρέως ως εξής:

  • Τεχνητή νοημοσύνη (AI): μια μηχανή που μιμείται την ανθρώπινη συμπεριφορά
  • Μηχανική μάθηση: ένα υποσύνολο του AI όπου οι άνθρωποι τρένο μηχανές για να αναγνωρίσουν τα πρότυπα στα δεδομένα και να κάνουν προβλέψεις
  • Βαθιά μάθηση: ένα υποσύνολο μηχανικής μάθησης στο οποίο η μηχανή μπορεί να εκπαιδεύσει η ίδια

Τεχνητή νοημοσύνη

Ο ευρύτερος δυνατός ορισμός του AI είναι απλά ότι είναι μια μηχανή που σκέφτεται σαν άνθρωπος. Μπορεί να είναι τόσο απλό όσο ακολουθώντας ένα λογικό διάγραμμα ροής, ή θα μπορούσε να είναι ένας σχεδόν ανθρώπινος υπολογιστής που μπορεί να μάθει από μια ευρεία ποικιλία αισθητηριακών εισροών και να εφαρμόσει αυτή τη γνώση σε νέες καταστάσεις. Αυτό το τελευταίο μέρος είναι το κλειδί - ο ισχυρός AI που ο καθένας φαντάζει είναι αυτός που μπορεί να συνδέσει όλα τα είδη των σημείων δεδομένων που έχουν μάθει, για να του δώσει τη δυνατότητα να χειρίζεται σχεδόν οποιαδήποτε κατάσταση.

Αυτή τη στιγμή το AI είναι ακόμα σε πολύ στενό κομμάτι - η Alexa είναι ένας εκπληκτικός μπάτλερ, αλλά δεν μπορεί να περάσει μια δοκιμή Turing. Σήμερα έχουμε μια περιορισμένη μορφή AI, αλλά είναι καλό να θυμόμαστε ότι ο ορισμός είναι τόσο ευρύς ώστε τελικά θα μπορούσε να καλύψει προγράμματα που κάνουν το DeepMind να μοιάζει με μια αριθμομηχανή.

Εκμάθηση μηχανών

Χωρίς μάθηση μηχανών, η υπάρχουσα AI θα περιοριζόταν ως επί το πλείστον στη λειτουργία των μακρών λιστών "αν το x είναι αληθινό, κάνουμε y, αλλιώς, κάνουμε z." Αυτή η καινοτομία δίνει στους υπολογιστές την εξουσία να κατανοήσουν τα πράγματα χωρίς να προγραμματιστούν ρητά. Ως παράδειγμα ενός τύπου εκμάθησης μηχανών, ας υποθέσουμε ότι θέλετε ένα πρόγραμμα να είναι σε θέση να αναγνωρίσει τις γάτες στις εικόνες:

  1. Δώστε στο AI σας ένα σύνολο χαρακτηριστικών γάτας για αναζήτηση - μεμονωμένες γραμμές, μεγαλύτερα σχήματα, σχέδια χρωμάτων κλπ.
  2. Εκτελέστε μερικές εικόνες μέσω του AI - κάποιοι ή όλοι μπορούν να χαρακτηριστούν "γάτα", ώστε το μηχάνημα να μπορεί να επιλέξει αποτελεσματικότερα τις σχετικές δυνατότητες γάτας.
  3. Αφού το πρόγραμμα έχει δει αρκετές γάτες, θα πρέπει να γνωρίζει πώς να το βρει σε μια εικόνα - "Αν η εικόνα περιέχει τα Χαρακτηριστικά Χ, Υ και / ή Ζ, είναι 95% πιθανό να έχει μια γάτα".

Όπως είναι περίπλοκο, όπως οι ήχοι μηχανικής μάθησης, μπορεί να βράσει κάτω από τα εξής: "Οι άνθρωποι λένε στους υπολογιστές τι πρέπει να ψάξουν και οι υπολογιστές επεξεργάζονται τα κριτήρια μέχρι να έχουν ένα μοντέλο." Είναι αρκετά απλό, εξαιρετικά χρήσιμο και φιλτράρει το spam, συνιστά τις επόμενες εμφανίσεις σας Netflix και τροποποιεί τη ροή σας στο Facebook. Δοκιμάστε τη μηχανή αναζήτησης της Google για μια γρήγορη επίδειξη!

Βαθιά μάθηση

Από το 2018, αυτή είναι η αιχμή του AI. Σκεφτείτε το ως εκμάθηση μηχανών με βαθιά "νευρωνικά δίκτυα" τα οποία επεξεργάζονται τα δεδομένα κάπως με τον ανθρώπινο εγκέφαλο. Η βασική διαφορά από τον προκάτοχό της είναι ότι οι άνθρωποι δεν χρειάζεται να διδάξουν σε ένα πρόγραμμα βαθιάς μάθησης τι μοιάζουν οι γάτες. Απλά δώστε του αρκετές φωτογραφίες από γάτες, και αυτό θα το καταλάβει από μόνο του:

  1. Εισάγετε πολλές φωτογραφίες γάτας.
  2. Ο αλγόριθμος θα επιθεωρήσει τις φωτογραφίες για να δει ποιες λειτουργίες έχουν κοινό (υπαινιγμός: είναι οι γάτες).
  3. Κάθε φωτογραφία θα εξελιχθεί σε πολλαπλά επίπεδα λεπτομέρειας, από μεγάλα, γενικά σχήματα έως μικροσκοπικές, μικρές γραμμές. Εάν ένα σχήμα ή γραμμή επαναληφθεί πολύ, ο αλγόριθμος θα το χαρακτηρίσει ως ένα σημαντικό χαρακτηριστικό.
  4. Μετά την ανάλυση αρκετών εικόνων, ο αλγόριθμος γνωρίζει τώρα ποια πρότυπα παρέχουν τις ισχυρότερες αποδείξεις για τις γάτες, και όλοι οι άνθρωποι έπρεπε να κάνουν ήταν να παρέχουν τα ακατέργαστα δεδομένα.

Για να συνοψίσουμε: η βαθιά εκμάθηση είναι η μηχανική μάθηση όπου η μηχανή εκπαιδεύεται η ίδια, αν και είναι πέρα ​​από τις μόνο γάτες - τα νευρικά δίκτυα είναι πλέον σε θέση να περιγράψουν με ακρίβεια τα πάντα σε μια εικόνα.

Η βαθιά εκμάθηση απαιτεί πολύ περισσότερα αρχικά δεδομένα και υπολογιστική ισχύ από τη μηχανική μάθηση, αλλά αρχίζει να αναπτύσσεται από εταιρείες από το Facebook στο Amazon. Η πιο περίφημη εκδήλωση της μηχανικής μάθησης είναι ο AlphaGo, ένας υπολογιστής που έπαιξε παιχνίδια του Go ενάντια στον εαυτό του, μέχρι να μπορέσει να προβλέψει με ακρίβεια τις καλύτερες κινήσεις αρκετά καλά για να νικήσει επανειλημμένα πολλούς παγκόσμιους πρωταθλητές.

Συμπέρασμα: AI = Αποκαλυπτική νοημοσύνη;

Το Χόλιγουντ είναι υπεύθυνο για πολλές κακές επιστήμες, αλλά όταν πρόκειται για την ΑΕ, η αλήθεια και η μυθοπλασία δυνητικά δεν είναι τόσο μακριά. Δεν είναι αδιανόητο ότι ένα ρομπότ θα μπορούσε να αναλάβει έναν διαστημικό σταθμό (2001: Μια διαστημική οδύσσεια), να σας κάνει να ερωτευτείτε (ή να συμπεριφέρεστε ακριβώς όπως ένας άνθρωπος (Blade Runner, Ex Machina).

Αυτό όμως δεν το κάνει κακό στοίχημα. Το AI θα μπορούσε να επιταχύνει την ανθρώπινη πρόοδο ταχύτερα από ό, τι πριν από αυτό. Και παρόλο που μπορεί να φαίνεται κυνικό, η πραγματικότητα είναι ότι αν οι υπεύθυνοι επιστήμονες μείνουν μακριά από την ΑΙ λόγω της πιθανότητας να πάει στραβά, πιθανότατα θα αναπτυχθούν ούτως ή άλλως από άτομα με λιγότερες ανησυχίες σχετικά με την ασφάλεια. Πήραμε υπολογιστές από πούλια σε Go και τα επόμενα βήματα μπορούσαν να μεταφέρουν την ανθρωπότητα σε μερικά ενδιαφέροντα μέρη.