Kako strojevi razmišljaju (ili ne)

Kako strojevi razmišljaju (ili ne)

Razlika između prepoznavanja uzoraka i rasuđivanja

Umjetna inteligencija može pobijediti ljude u šahu. Dijagnosticirati bolesti sa slika. Napisati koherentne eseje. Djeluje inteligentno. Čini se kao rasuđivanje.

Ali evo neugodne istine: većina umjetne inteligencije ne rasuđuje. Ona prepoznaje uzorke. Sjajno. U ogromnim razmjerima. Ali prepoznavanje uzoraka nije rasuđivanje.

Razumijevanje te razlike je važno. Jer problemi koje trebamo riješiti uz pomoć umjetne inteligencije sve više zahtijevaju stvarno rasuđivanje. Ne samo prepoznavanje uzoraka.

Što je rasuđivanje zapravo

Rasuđivanje je izvođenje zaključaka iz informacija. Ne samo korelacija. Stvarno logičko zaključivanje. Iz zadanih činjenica izvesti nove činjenice. Iz zadanih premisa doći do zaključaka.

Primjer ljudskog rasuđivanja:

Premisa 1: Svi sisavci su toplokrvni.

Premisa 2: Kitovi su sisavci.

Zaključak: Dakle, kitovi su toplokrvni.

Nikada prije niste vidjeli ovaj konkretan silogizam. Ali prošli ste kroz njega razmišljajući. Primijenili logiku. Izveli zaključak. To je rasuđivanje.

Što umjetna inteligencija radi drugačije:

Neuronske mreže vide milijune primjera. "Sisavci" se često pojavljuju uz "toplokrvni". "Kitovi" se često pojavljuju uz "sisavci". Statistička povezanost. Mreža predviđa da su "kitovi toplokrvni" jer uzorci to sugeriraju. Ne zato što razumije logički odnos.

Obje dolaze do točnog odgovora. Samo jedno je rasuđivanje.

Vrste razmišljanja

Različiti problemi zahtijevaju različite pristupe razmišljanju:

Deduktivno razmišljanje:

Od općeg prema pojedinačnom. Uz zadana pravila, primijeni ih na konkretne slučajeve. Zaključci su zajamčeni ako su premise istinite.

Primjer: Sve ptice imaju perje. Vrapci su ptice. Stoga vrapci imaju perje.

Logički strojevi su u tome izvrsni. Lančanje unaprijed (primjena pravila na činjenice) ili lančanje unatrag (kretanje od cilja prema potrebnim činjenicama). Deterministički. Pouzdani.

Induktivno razmišljanje:

Od pojedinačnog prema općem. Promatraj primjere. Pronađi obrasce. Generaliziraj pravila.

Primjer: Vidio sam 100 labudova. Svi su bili bijeli. Zaključak: svi su labudovi bijeli. (Zapravo pogrešno. Crni labudovi postoje. Indukcija nije zajamčena.)

Upravo zato europski regulatori ne vjeruju čisto induktivnom AI-ju za kritične odluke. Akt EU-a o umjetnoj inteligenciji ne prihvaća "trenirali smo na 10 milijuna primjera" kao dokaz ispravnosti. Jedan crni labud, jedan rubni slučaj koji podaci za treniranje nisu obuhvatili, i vaš AI za medicinsku dijagnostiku nekoga ubije, vaš algoritam za kredite diskriminira, vaše autonomno vozilo se sudari. Indukcija funkcionira sve dok katastrofalno ne prestane. Europska inženjerska kultura, izgrađena na stoljećima "pokaži mi matematički dokaz", smatra probabilistički AI neugodno utemeljenim na vjeri.

Neuronske mreže su induktivni strojevi. Milijuni primjera. Izvlačenje obrazaca. Generalizacija. To je njihova snaga.

Abduktivno razmišljanje:

Od promatranja do najboljeg objašnjenja. Uz zadane učinke, zaključi uzroke.

Primjer: Trava je mokra. Najbolje objašnjenje: padala je kiša. (Mogli su biti i prskalice. Abdukcija pronalazi uvjerljiva objašnjenja, ne zajamčena.)

Dijagnostički sustavi to koriste. Medicinski AI koji promatra simptome i zaključuje bolesti. Generiranje hipoteza.

Kauzalno razmišljanje:

Razumijevanje odnosa uzroka i posljedice. Ne samo korelacija. Stvarna uzročnost.

Primjer: Pušenje uzrokuje rak. Ne samo "pušači češće obolijevaju od raka". Mehanički uzrok.

To je teško za AI. Korelaciju je lako pronaći u podacima. Uzročnost zahtijeva razumijevanje. Većina AI-ja to nema.

Europske istraživačke institucije bave se istraživanjem kauzalnog AI-ja, potaknute regulatornim zahtjevima za dokazivanjem uzročnih mehanizama, a ne puke korelacije. Kada medicinski uređaji moraju dokazati da intervencija X uzrokuje ishod Y (ne samo da je s njim u korelaciji), kauzalno razmišljanje postaje nužno. Europski regulatorni okviri sve više naglašavaju tu razliku, stvarajući snažne poticaje za istraživanje i razvoj kauzalnog zaključivanja.

Analogno zaključivanje:

Prijenos znanja između sličnih područja. "Ovo je kao ono, pa vjerojatno..."

Primjer: atomi su poput Sunčevih sustava. Elektroni kruže oko jezgre kao što planeti kruže oko Sunca. (Korisna analogija, ali ne doslovno točna.)

Pomaže generalizaciji u različitim područjima. AI u tome postaje sve bolji. No još uvijek je ograničen u usporedbi s ljudima.

Današnji jezični modeli proizvode zabavne pogreške u analogijama. Zatražite analogiju i generirat će nešto sintaktički savršeno, ali semantički besmisleno. "Svijest je poput registratora jer oboje uključuje pohranu informacija" tehnički koristi analognu strukturu, a potpuno promašuje ono što analogije čini pronicljivima. Ljudi odmah prepoznaju loše analogije. AI ih samouvjereno predstavlja kao duboke uvide. Prepoznavanje uzorka forme zaključivanja bez razumijevanja sadržaja.

Zašto neuronske mreže teško zaključuju

Neuronske mreže izvrsne su u prepoznavanju uzoraka. Zaključivanje je drugačije:

• Nema eksplicitne logike: Neuronske mreže nemaju logička pravila. Samo težine. Milijarde numeričkih parametara. Uzorci proizlaze iz obuke. Ali nema eksplicitnih pravila "ako-onda". Logika je najboljem slučaju implicitna. U najgorem slučaju nedostupna.
• Nema kompozicionalnosti: Ljudsko zaključivanje sastavlja. Kombinira jednostavna pravila u složene argumente. Neuronske mreže prirodno ne rastavljaju zaključivanje na višekratno upotrebljive logičke komponente. Svako zaključivanje je od kraja do kraja. Neprozirno.
• Nema jamstava: Logičko zaključivanje pruža izvjesnost. Ako su premise istinite, zaključak je istinit. Neuronske mreže pružaju vjerojatnosti. "90% pouzdanosti" nije isto što i "logički izvjesno". Za ključne odluke to je važno.
• Nema objašnjenja: Zašto je mreža zaključila X? "Obrasci aktivacije u sloju 47." Nije od pomoći. Logičko zaključivanje pruža korake dokaza. Sljedivo. Provjerljivo. Neuronsko zaključivanje je crna kutija.
• Krhka generalizacija: Logička pravila primjenjuju se univerzalno. Neuronski obrasci ovise o podacima. Promjena distribucije ih ruši. Zaključivanje bi trebalo biti robusno. Prepoznavanje uzoraka često nije.

To ne znači da su neuronske mreže beskorisne. Prepoznavanje uzoraka je vrijedno. Ali to nije zaključivanje.

Lanac misli: kako neuronske mreže "zaključuju"

Nedavni proboj: poticanje lanca razmišljanja. Natjerajte jezične modele da pokažu svoje korake zaključivanja.

Standardno poticanje:

Pitanje: "Palica i loptica koštaju 1,10 €. Palica košta 1 € više od loptice. Koliko košta loptica?"

UI: "0,10 €" (Netočno. Intuitivan odgovor, bez zaključivanja.)

Poticanje lanca razmišljanja:

Pitanje: "Palica i loptica koštaju 1,10 €. Palica košta 1 € više od loptice. Koliko košta loptica? Razmislimo korak po korak."

UI: "Označimo cijenu loptice s X. Tada palica košta X + 1 €. Zajedno: X + (X + 1 €) = 1,10 €. Dakle, 2X + 1 € = 1,10 €. Prema tome, 2X = 0,10 €. Znači, X = 0,05 €. Loptica košta 0,05 €."

Isti model. Drugačiji upit. Točan odgovor. Zašto? Prisilno iznošenje eksplicitnih koraka zaključivanja pomaže. Model i dalje prepoznaje obrasce. Ali obrasce nad koracima zaključivanja, ne samo nad odgovorima. Bliže stvarnom zaključivanju.

Problem palice i loptice izvrsno je dijagnostički. Ljudi griješe zbog razmišljanja sustava 1: brzo, intuitivno, pogrešno. UI griješi zbog... također intuicije, zapravo, samo statističke. Natjerajte oboje da uspore i pokažu svoj rad, i oboje se poboljšaju. Razlika: ljudi se osjećaju posramljeno kad ih se ispravi. UI ne mari. Samouvjereno će vam dati 0,10 €, zatim samouvjereno 0,05 €, a onda samouvjereno objasniti zašto je 0,10 € očito cijelo vrijeme bilo pogrešno. Bez srama, bez učenja, samo prepoznavanje obrazaca na različitim upitima.

Ograničenja ostaju. "Zaključivanje" je i dalje statističko. Nema logičkih jamstava. Ali to je napredak.

Simbolička UI: tradicionalni pristupi zaključivanju

Prije nego što su neuronske mreže dominirale, vladala je simbolička UI. Drugačija filozofija:

Eksplicitna reprezentacija znanja: Činjenice i pravila u logičkom obliku. "AKO životinja ima perje ONDA je životinja ptica." Jasno. Interpretabilno.

Logički strojevi: Lančanje unaprijed, lančanje unatrag. Primjenjuju pravila. Izvode zaključke. Deterministički. Objašnjivi.

• Prednosti: Zajamčeno točni zaključci (ako su pravila točna). Objašnjivi lanci zaključivanja. Mogu se nositi s novim kombinacijama pravila. Rade s malim količinama podataka.
• Nedostaci: Zahtijevaju ručno stvaranje pravila. Krhki (stvarni je svijet neuredan). Ne nose se dobro s nesigurnošću. Slabo skaliraju na složena područja.

Zato su neuronske mreže preuzele vlast. Stvarni svijet ima šum. Iznimke. Dvosmislenost. Simbolička UI se muči. Neuronske mreže napreduju.

Ali nešto smo izgubili: jamstva zaključivanja. Objašnjivost. Logičku izvjesnost.

Europljani nikada nisu u potpunosti napustili simboličku UI, osobito u sigurnosno kritičnim područjima. Zrakoplovna i automobilska industrija i dalje koriste formalne metode (u biti simboličko zaključivanje) za certifikaciju sigurnosno kritičnih sustava. Proizvođači medicinskih uređaja na reguliranim europskim tržištima moraju pružiti logičke dokaze ispravnosti. Kad tijela za certifikaciju zahtijevaju matematičku verifikaciju, čiste neuronske mreže pokazuju se nedostatnima. Simbolički dokazi ostaju nužni. Europsko inženjerstvo zadržalo je te sposobnosti dok su neuronske mreže dominirale drugdje.

Hibridni pristupi: najbolje od oba svijeta

Trenutna granica: kombinirati neuronsko i simboličko. Iskoristiti snage svakoga.

• Neuronsko-simbolička integracija: Neuronske mreže izvlače obrasce iz podataka. Pretvaraju ih u simbolička pravila. Primjenjuju logičko zaključivanje. Dobivaju prepoznavanje obrazaca I logičko zaključivanje.
• Kako funkcionira: 1. Neuronska mreža obrađuje ulaze. Proizvodi ugradnje (vektorske reprezentacije).

2. Ugradnje se pretvaraju u simboličke činjenice. "entitet X ima svojstvo Y."

3. Simbolički stroj za zaključivanje primjenjuje logička pravila na činjenice.

4. Zaključci se po potrebi pretvaraju natrag u neuronski oblik.

Dvosmjerni prijevod. Neuronski u simbolički. Simbolički u neuronski. Svaki radi ono u čemu je najbolji.

Prednosti: Prepoznavanje uzoraka iz neuronskog pristupa. Logička jamstva iz simboličkog pristupa. Objašnjivi lanci zaključivanja. Otpornost na promjene distribucije (pravila vrijede univerzalno).

Izazovi: Režijski trošak prijevoda. Održavanje dosljednosti između neuronskih i simboličkih reprezentacija. Složenost integracije.

Isplati se za područja koja zahtijevaju zaključivanje. Medicinska dijagnostika. Pravna analiza. Odluke kritične za sigurnost. Gdje "90% pouzdanosti" nije dovoljno dobro.

Europski razvoj hibridne umjetne inteligencije:

Europske istraživačke institucije imaju snažne poticaje za neuronsko-simboličku integraciju. Regulatorna nužnost to pokreće. Zahtjevi za objašnjivost iz EU-ova Akta o umjetnoj inteligenciji predstavljaju izazov za čiste neuronske mreže. Zahtjevi za transparentnošću iz GDPR-a zahtijevaju sljedivo zaključivanje. Ta ograničenja guraju razvoj prema hibridnim pristupima.

Europska sveučilišta istražuju neuronsko-simboličke arhitekture za regulirana područja poput medicinske dijagnostike, kombinirajući neuronsko prepoznavanje uzoraka sa simboličkim zaključivanjem koje primjenjuje kliničke smjernice, pružajući i statističku pouzdanost i logičko opravdanje. Istraživanje se usredotočuje na "objašnjivu umjetnu inteligenciju" u kojoj neuronska percepcija napaja simboličko zaključivanje, održavajući transparentnost tijekom cijelog procesa odlučivanja.

Europski istraživački instituti razvijaju hibridne sustave za industrijsku automatizaciju: neuronske mreže obrađuju podatke sa senzora, dok simbolički planeri donose operativne odluke s dokazivim sigurnosnim jamstvima. Ti se sustavi primjenjuju u okruženjima u kojima neobjašnjive odluke umjetne inteligencije mogu uzrokovati štetu, što zahtijeva formalnu verifikaciju.

Obrazac: regulatorni zahtjevi za objašnjivost i sigurnost stvaraju snažan selekcijski pritisak za arhitekture koje kombiniraju neuronske i simboličke pristupe. Ograničenja potiču inovacije prema sustavima koji zadovoljavaju i zahtjeve performansi i zahtjeve usklađenosti.

Zaključivanje temeljeno na ograničenjima (pristup Dweve)

Binarni sustavi ograničenja nude drugi put:

• Eksplicitna ograničenja: Znanje kodirano kao binarna ograničenja. "Ako su uvjeti A, B, C zadovoljeni, tada vrijedi zaključak D." Logička pravila. Deterministički.
• Učinkovito zaključivanje: XNOR i popcount operacije provjeravaju zadovoljenje ograničenja. Binarne operacije. Izvorne za hardver. Brzo.
• Sastavljiva logika: Ograničenja se sastavljaju. Kombinirajte jednostavna ograničenja u složeno zaključivanje. Modularno. Ponovno upotrebljivo.
• Objašnjive odluke: Svaki zaključak vodi do ograničenja. Koja su ograničenja aktivirana? Zašto? Revizijski trag automatski se generira. Transparentnost po dizajnu.

Primjer: Dweve Loom

456 skupova ograničenja specijaliziranih za područje. Svaki sadrži 2-3,5 milijuna binarnih ograničenja. Evolucijsko pretraživanje otkrilo ih je. Nisu ručno izrađena. Ali jednom otkrivena, ona su deterministička logika.

Upit: uzorak se uspoređuje s ograničenjima. PAP (Permuted Agreement Popcount) određuje koji su skupovi specijalizirani za područje relevantni. Odabrani stručnjaci za područje primjenjuju svoja ograničenja. Zaključivanje kroz binarnu logiku. Sljedivo. Revizijski provjerljivo.

Nije uspoređivanje uzoraka. Stvarno zadovoljenje ograničenja. Logičko zaključivanje. Brzinom hardvera.

Budućnost zaključivanja umjetne inteligencije

Kamo ovo vodi?

• Bolja simbolička integracija: Besprijekoran neuralno-simbolički prijevod. Neuronske mreže koje prirodno proizvode simboličke reprezentacije. Jedinstvena arhitektura.
• Provjereno zaključivanje: Formalna provjera AI zaključivanja. Matematički dokazi da su zaključci točni. Za sigurnosno kritične primjene. Bez "90% pouzdanosti." Zajamčeno točno.
• Uzročno zaključivanje: AI koji razumije uzročnost. Ne samo korelaciju. Odgovara na "zašto", ne samo na "što." Omogućuje bolje intervencije. Bolja predviđanja. Pravo razumijevanje.
• Meta-zaključivanje: AI koji razmišlja o vlastitom zaključivanju. Procjenjuje kvalitetu zaključaka. Prepoznaje kada je nesiguran. Kada mu treba više informacija. Kada bi se trebao obratiti ljudima. Samosvjesno zaključivanje.
• Distribuirano zaključivanje: Multi-agentski sustavi u kojima različiti agenti doprinose različitim načinima zaključivanja. Jedan radi deduktivno. Jedan abduktivno. Jedan uzročno. Kolektivna inteligencija kroz raznoliko zaključivanje.

Cilj nije zamijeniti prepoznavanje uzoraka. Cilj je nadograditi ga stvarnim zaključivanjem. Najbolje od oba svijeta. Percepcija kroz uzorke. Zaključivanje kroz logiku. Tada AI postaje istinski inteligentan.

Zahtjevi europske certifikacije:

Europski regulatorni okvir izričito zahtijeva provjeru zaključivanja za AI sustave visokog rizika. Akt EU-a o umjetnoj inteligenciji nalaže da automatizirane odluke u kritičnim područjima moraju biti objašnjive, ne samo statistički pouzdane, već i logički sljedive. To usmjerava europski razvoj AI-ja prema arhitekturama sposobnima za zaključivanje.

Austrijska tijela za zaštitu podataka zahtijevaju algoritamske revizijske tragove koji prikazuju logičke korake od ulaza do odluke. Francuski regulatori medicinskih uređaja zahtijevaju uzročna objašnjenja: "ova dijagnoza jer ovi simptomi uzročno upućuju na ovo stanje", a ne "90% vjerojatnosti na temelju podataka za obuku." Njemački industrijski sigurnosni standardi (ISO 26262, IEC 61508) nalažu formalno provjereno zaključivanje za sigurnosno kritičnu automatizaciju.

Američke AI tvrtke koje ulaze na europska tržišta otkrile su da njihovi čisto neuronski mrežni sustavi ne mogu proći certifikaciju. Nikakva razina točnosti nije zadovoljila regulatore koji zahtijevaju logičke dokaze. Rezultat: ili ponovna izgradnja sa sposobnošću zaključivanja ili napuštanje europskog tržišta. Većina je odabrala ponovnu izgradnju i otkrila da verzije sposobne za zaključivanje rade bolje globalno, ne samo u Europi. Regulatorni zahtjevi su, opet, doveli do boljeg inženjeringa.

Praktično zaključivanje: što danas stvarno funkcionira

Unatoč ograničenjima, već sada možemo izgraditi AI sposoban za zaključivanje. Ne savršen. Ne na ljudskoj razini. Ali istinski sposoban za logičko zaključivanje u ograničenim domenama.

Medicinska dijagnostika:

Belgijske bolnice koriste hibridni dijagnostički AI: neuronske mreže analiziraju medicinske slike (prepoznavanje uzoraka), simbolički rezoneri primjenjuju kliničke smjernice (deduktivno zaključivanje), kauzalni modeli objašnjavaju zašto se preporučuju određeni testovi (kauzalno zaključivanje). Svaka komponenta radi ono u čemu je najbolja. Rezultat: dijagnoze s i statističkom pouzdanošću i logičkim opravdanjem. Europski regulatori medicinskih uređaja to odobravaju. Čiste neuronske mreže odbijaju.

Industrijska automatizacija:

Njemačke tvornice koriste sustave za planiranje temeljene na ograničenjima za raspoređivanje proizvodnje. Tisuće binarnih ograničenja kodiraju proizvodna pravila, sigurnosne zahtjeve i ciljeve učinkovitosti. SAT rješavači pronalaze valjane rasporede koji zadovoljavaju sva ograničenja. Kad nešto pođe po zlu, sustav točno objašnjava koje je ograničenje prekršeno i zašto. Bez "odlučila je neuronska mreža." Specifično logičko zaključivanje.

Financijska usklađenost:

Švicarske banke koriste AI za usklađenost temeljen na pravilima s neuronskom mrežom za obradu ulaznih podataka. Neuronske mreže izvlače informacije iz dokumenata (prepoznavanje uzoraka). Simbolički rezoneri primjenjuju bankarske propise (deduktivno zaključivanje). Svaka odluka o usklađenosti može se pratiti do konkretnih propisa. Revizori mogu provjeriti lance zaključivanja. "Označili smo ovu transakciju jer propis X zabranjuje Y pod uvjetima Z, a svi ovdje vrijede." Ne "85% vjerojatnosti kršenja usklađenosti."

Pravna analiza:

Nizozemske odvjetničke tvrtke koriste AI za analizu ugovora koji kombinira neuronsko razumijevanje jezika s logičkim zaključivanjem nad pravnim pravilima. Neuronske mreže identificiraju relevantne klauzule. Simbolički sustavi primjenjuju sudsku praksu i zakone. Abduktivno zaključivanje generira objašnjenja zašto se određena tumačenja primjenjuju. Odvjetnici dobivaju oboje: identifikaciju klauzula temeljenu na uzorcima i pravno zaključivanje temeljeno na pravilima.

Uobičajeni obrazac: europsko regulatorno okruženje prisililo je na implementacije praktičnog zaključivanja. To nisu istraživački prototipovi; radi se o implementiranim sustavima koji prolaze stvarnu certifikaciju. Američke tvrtke koje žele pristup europskom tržištu licenciraju te tehnologije ili obnavljaju svoje sustave kako bi im odgovarali. Regulatorna arbitraža kroz bolji inženjering.

Što trebate zapamtiti

• 1. Prepoznavanje obrazaca nije zaključivanje. Neuronske mreže izvrsne su u obrascima. Zaključivanje zahtijeva logiku. Različite sposobnosti.
• 2. Postoji više vrsta zaključivanja. Deduktivno, induktivno, abduktivno, kauzalno, analogno. Svaka odgovara različitim problemima.
• 3. Neuronske mreže teško se nose sa zaključivanjem. Nema eksplicitne logike. Nema kompozicionalnosti. Nema jamstava. Neprozirne odluke.
• 4. Simbolička umjetna inteligencija pruža zaključivanje. Eksplicitna pravila. Logičko zaključivanje. Objašnjivo. No krhko i teško skalabilno.
• 5. Hibridni pristupi kombiniraju snage. Neuronsko prepoznavanje obrazaca plus simboličko zaključivanje. Najbolje iz oba svijeta.
• 6. Lanac misli pomaže. Prisiljavanje neuronskih mreža da prikažu korake zaključivanja poboljšava izvedbu. I dalje statistički, ali bolje.
• 7. Sustavi ograničenja nude determinističko zaključivanje. Binarna ograničenja. Logička pravila. Objašnjivo. Učinkovito. Dweve pristup.
• 8. Europska regulativa pokreće istraživanje zaključivanja. Zahtjevi za objašnjivošću prisiljavaju razvoj logički ispravne umjetne inteligencije. Usklađenost postaje konkurentska prednost.

Filozofski ulozi

Debata o obrascima naspram zaključivanja nije samo tehnička; filozofska je. Što želimo od umjetne inteligencije?

Ako je umjetna inteligencija alat za automatizaciju zadataka sličnih ljudskima kroz oponašanje, prepoznavanje obrazaca je dovoljno. Istrenirajte je na primjerima, pustite je da reproducira slične rezultate. Poput sofisticirane tablice pretraživanja. To funkcionira za mnoge primjene. Sustavi preporuka. Klasifikacija slika. Dovršavanje teksta.

Ali ako bi umjetna inteligencija trebala nadopunjavati ljudsku inteligenciju, pružati uvide do kojih ljudi ne mogu doći sami, rješavati probleme koji zahtijevaju logičku strogost, donositi odluke s objašnjivim obrazloženjem, prepoznavanje obrazaca ne uspijeva. Trebamo stvarno zaključivanje. Razumijevanje. Logičko zaključivanje koje ljudi mogu provjeriti i kojemu mogu vjerovati.

Europski regulatori, možda slučajno, odabrali su drugi put. Zahtjevi za objašnjivost u EU aktu o umjetnoj inteligenciji implicitno odbacuju čisto prepoznavanje uzoraka za kritične odluke. „Jer je model to predvidio" nije prihvatljivo opravdanje. „Jer ove logičke premise vode do ovog zaključka" jest. Ovaj filozofski stav, da umjetna inteligencija mora razmišljati, a ne samo povezivati, oblikuje koji se sustavi umjetne inteligencije grade i primjenjuju u Europi.

Američki razvoj umjetne inteligencije uglavnom je odabrao prvi put: prepoznavanje uzoraka u velikom opsegu. Veći modeli, više podataka, bolje korelacije. Odlično funkcionira za mnoge zadatke. Spektakularno podbacuje kada je razmišljanje važno. Filozofski se rascjep očituje kao tehnički rascjep: statistička umjetna inteligencija naspram logičke umjetne inteligencije. Europski propisi nisu stvorili ovaj rascjep; samo su prisilili na odabir.

Zaključak

Najveća dostignuća umjetne inteligencije proizlaze iz prepoznavanja uzoraka. Klasifikacija slika. Prevođenje jezika. Igranje igara. Sve su to uzorci.

No problemi koje stvarno trebamo riješiti zahtijevaju razmišljanje. Medicinska dijagnostika. Pravno prosuđivanje. Odluke ključne za sigurnost. Znanstvena otkrića. Za to je potrebna logika, ne samo uzorci.

Trenutna umjetna inteligencija izvrsna je u pitanjima „što". Što je na ovoj slici? Što slijedi u ovom nizu? Odgovori temeljeni na uzorcima.

Buduća umjetna inteligencija morat će odgovarati na pitanja „zašto". Zašto se to dogodilo? Zašto bismo to trebali učiniti? Odgovori temeljeni na razmišljanju. Logičko zaključivanje. Razumijevanje uzročnosti.

Približavamo se tome. Neuronsko-simbolička integracija. Poticanje lanca razmišljanja. Sustavi temeljeni na ograničenjima. Napredak je stvaran. No jaz ostaje: prepoznavanje uzoraka nije razmišljanje.

Razumijevanje ove razlike pomaže vam da iskreno procijenite mogućnosti umjetne inteligencije. Znajte kada je prepoznavanje uzoraka dovoljno. Znajte kada je razmišljanje nužno. U skladu s tim birajte arhitekture. Primjenjujte mudro.

Rascjep između američkog i europskog razvoja umjetne inteligencije sve više odražava ovu podjelu na uzorke i razmišljanje. Silicijska dolina optimizira za prepoznavanje uzoraka: golemi modeli, ogromni skupovi podataka, statistička izvrsnost. Europski razvoj umjetne inteligencije optimizira za razmišljanje: logički dokazi, uzročni modeli, objašnjivo zaključivanje. Ne filozofska preferencija, nego regulatorni zahtjev.

Ironija: „restriktivan" europski pristup proizvodi umjetnu inteligenciju koja u praksi radi bolje. Objašnjivo zaključivanje brže otkriva pogreške. Logički dokazi sprječavaju katastrofalne kvarove. Razumijevanje uzročnosti omogućuje bolje intervencije. Prepoznavanje uzoraka impresionira u demonstracijama. Razmišljanje uspijeva u primjeni. Europski regulatori slučajno su propisali ono što je dobro inženjerstvo oduvijek zahtijevalo.

Budućnost pripada umjetnoj inteligenciji koja može i percipirati uzorke i razmišljati logički. Prepoznavanje i zaključivanje. Statistika i logika. To je cilj. Tada umjetna inteligencija postaje istinski inteligentna.

Trenutno stanje: imamo briljantne prepoznavače uzoraka koji se pretvaraju da razmišljaju. Poticanje lanca razmišljanja prepoznavanje je uzoraka nad tekstom u obliku razmišljanja, bolje od ničega, ali ne i stvarna logika. Kao kad se papigu uvježbava da recitira matematičke dokaze. Dojmljivo oponašanje. Ne i razumijevanje.

Buduće stanje: hibridni sustavi u kojima neuronska percepcija hrani simboličko zaključivanje. Prepoznavanje uzoraka obrađuje neuredne stvarne ulaze. Logičko zaključivanje vodi odluke koje zahtijevaju jamstva. Europski regulatorni zahtjevi guraju ovu budućnost brže nego što bi je američka inovacijska kultura prirodno dosegnula. Ponekad ograničenja doista stvaraju slobodu, slobodu od katastrofalnih kvarova umjetne inteligencije, u svakom slučaju.

Želite umjetnu inteligenciju sposobnu za razmišljanje? Istražite Dweve Nexus i Loom. Više načina razmišljanja. Deduktivno, induktivno, abduktivno. Neuronsko-simbolička integracija. Logika binarnih ograničenja. Objašnjivi lanci zaključivanja. Ona vrsta umjetne inteligencije koja ne samo prepoznaje uzorke. Ona doista razmišlja.