Ierobežojumi rada brīvību: kāpēc loģika pārspēj varbūtību mākslīgajā intelektā
Varbūtību slazds
Mūsdienu mākslīgais intelekts darbojas ar varbūtībām. Neironu tīkls nezina. Tas min. Tas piešķir ticamības rādītājus. "87% pārliecības, ka tas ir kaķis." "92% pārliecības, ka šī diagnoze ir pareiza." "78% pārliecības, ka šis lēmums ir optimāls."
Nenoteiktība visapkārt. Varbūtību spriešana. Statistiskā ticamība. Aptuveni risinājumi.
Tas šķiet elastīgi. Tas šķiet spēcīgi. Tas šķiet kā inteliģence.
Patiesībā tas ir cietums. Varbūtību MI nekad nevar garantēt pareizību. Nekad nevar pierādīt drošību. Nekad nevar sniegt pārliecību. Varbūtību matemātika fundamentāli ierobežo to, ko šīs sistēmas spēj sasniegt.
Iedomājieties, ka skaidrojat varbūtību MI Eiropas regulatoriem. "Mūsu autonomais transportlīdzeklis ir 99,7% pārliecināts, ka tas neuzbrauks gājējiem." Viņi jautās par tiem 0,3%. Jūs teiksiet, ka tas ir statistiski nenozīmīgi. Viņi atteiks sertifikāciju. Jo drošībai kritiskās sistēmās "iespējams drošs" nav pietiekami droši. ES neregulē pēc varbūtībām; tā regulē pēc garantijām.
Uz ierobežojumiem balstīts MI, kas izmanto diskrēto loģiku, darbojas citādi. Nekādu varbūtību. Nekādas nenoteiktības. Nekādu aptuvenību. Tikai matemātiska patiesība. "Šis risinājums apmierina visus ierobežojumus" vai "ierobežojumu ietvaros risinājums nepastāv."
Bināri. Viennozīmīgi. Pierādāmi.
Tas izklausās ierobežojoši. Tas izklausās ierobežoti. Kā elastības apmaiņa pret stingrību.
Patiesība ir pretēja. Ierobežojumi rada brīvību. Loģika nodrošina pārliecību. Diskrētā matemātika sniedz garantijas, kādas varbūtību sistēmas nekad nespēj dot. Tā ir atšķirība starp "mēs domājam, ka tas darbojas" un "mēs varam pierādīt, ka tas darbojas." Viens saņem regulatīvo apstiprinājumu. Otrs saņem attīstības kavēšanos.
Kas ir ierobežojumu apmierināšanas problēmas?
Ierobežojumu apmierināšanas problēma (CSP) definē:
- Mainīgie: Lietas, kurām nepieciešamas vērtības. "Kādā krāsā šim reģionam jābūt?" "Kuru maršrutu šai paketei izvēlēties?" "Kā šis resurss būtu jāsadala?"
- Domēni: Iespējamās vērtības katram mainīgajam. Krāsas: {sarkana, zila, zaļa}. Maršruti: {A, B, C, D}. Sadalījums: {0%, 25%, 50%, 75%, 100%}.
- Ierobežojumi: Noteikumi, kuriem risinājumiem jāatbilst. "Blakus esošiem reģioniem nevar būt viena krāsa." "Kopējais maršruta attālums < 100 km." "Kopējais sadalījums = 100%."
Risinājuma atrašana nozīmē vērtību piešķiršanu mainīgajiem tā, lai visi ierobežojumi būtu izpildīti. Nekādu varbūtību. Nekādu ticamības rādītāju. Ierobežojumi vai nu ir izpildīti, vai nav.
Šis ietvars risina sudoku, plānošanu, resursu sadali, maršrutu plānošanu, dizaina problēmas un, jā, arī mākslīgā intelekta spriešanu.
CSP skaistums? Tie pēc būtības ir izskaidrojami. Kad jūsu mākslīgais intelekts pieņem lēmumu, jūs varat precīzi izsekot, kuri ierobežojumi tika izpildīti, kuri tika pārkāpti un kāpēc noteiktas iespējas tika izslēgtas. Mēģiniet to izdarīt ar neironu tīkla miljardu parametru. ES Mākslīgā intelekta akts pieprasa šādu pārredzamības līmeni augsta riska sistēmām. Uz ierobežojumiem balstīts mākslīgais intelekts to nodrošina automātiski.
No varbūtības uz loģiku
Tradicionālie neironu tīkli apgūst varbūtības kartējumus. Ievade → Statistisks modelis → Iespējama izvade. Iekšējais attēlojums ir nepārtraukti peldošā komata svari. Spriešana ir "šis modelis parasti norāda uz šo izvadi."
Uz ierobežojumiem balstīti binārie tīkli apgūst loģiskus noteikumus. Ievade → Ierobežojumu pārbaude → Garantēta izvade. Iekšējais attēlojums ir diskrēti bināri ierobežojumi. Spriešana ir "šī ievade atbilst šiem ierobežojumiem, tāpēc šī izvade."
Piemērs: medicīniskā diagnostika.
Varbūtības pieeja:
- Simptoms A konstatēts: palielina slimības X varbūtību par 23%
- Simptoms B konstatēts: palielina varbūtību vēl par 34%
- Testa rezultāts C: koriģē varbūtību līdz 82%
- Secinājums: 82% pārliecība, ka pacientam ir slimība X
Ko nozīmē 82%? Vai tas ir pietiekami labi ārstēšanai? Kā ar 18% nenoteiktību? Kuri simptomi deva lielāko ieguldījumu? Vai jūs varat izskaidrot spriešanu pacientam?
Vēl svarīgāk: vai jūs to varat izskaidrot Eiropas veselības regulatoriem, kuri saskaņā ar Medicīnisko ierīču regulu pieprasa pārredzamu lēmumu pieņemšanu medicīniskajam mākslīgajam intelektam? "Mūsu neironu tīkls saka 82%" neizturēs sertifikāciju. Viņi vēlas loģisku spriešanu, nevis statistisku pārliecību.
Uz ierobežojumiem balstīta pieeja:
- Ierobežojums C1: JA simptoms A UN simptoms B TAD slimība X iespējama
- Ierobežojums C2: JA tests C pozitīvs UN C1 izpildīts TAD slimība X apstiprināta
- Ierobežojums C3: JA C2 izpildīts UN nav izslēgšanas kritēriju TAD diagnoze slimība X
- Secinājums: Slimība X diagnosticēta (visi ierobežojumi izpildīti)
Skaidra loģika. Izsekojama argumentācija. Izskaidrojama pacientiem un regulatoriem. Nekādas nenoteiktības pašā secinājumu procesā.
Pacients jautā, kāpēc saņēmis šo diagnozi. Jūs viņam parādāt precīzus ierobežojumus, kas tika aktivizēti. Regulators auditē jūsu mākslīgo intelektu. Jūs sniedzat matemātisku pierādījumu lēmuma procesam. Mēģiniet to izdarīt ar atpakaļizplatīšanu un gradienta nolaišanos. Tas ir kā izskaidrot, kāpēc tieši viens lietus piliens radīja peļķi.
Formālās verifikācijas brīvība
Lūk, kur uz ierobežojumiem balstīts mākslīgais intelekts kļūst spēcīgs: formālā verifikācija.
Ar varbūtības modeļiem jūs nekad nevarat pierādīt pareizību. Varat veikt plašas pārbaudes. Varat izmērīt precizitāti. Bet nevarat pierādīt, ka "šis modelis nekad neizvadīs X, ja ievade ir Y."
Ar uz ierobežojumiem balstītiem bināriem modeļiem jūs varat pierādīt matemātiskas īpašības.
- Drošības īpašības: "Šis autonomas transportlīdzekļa vadības bloks nekad neizvadīs paātrinājumu > 0, ja šķērslis tiek atklāts 5 metru attālumā." Matemātisks pierādījums pastāv. Ne statistiska ticamība. Formāla noteiktība.
- Dzīvīguma īpašības: "Šī resursu sadales sistēma vienmēr atradīs derīgu sadalījumu, ja tāds pastāv ierobežojumu ietvaros." Pierādīts matemātiski. Bez "parasti darbojas" vai "99,7% gadījumu."
- Invarianti: "Šis finanšu mākslīgais intelekts nekad neieteiks darījumus, kas pārkāpj regulatīvos ierobežojumus." Formāli verificēts. Atbilstība regulatīvajām prasībām garantēta ar matemātiku, nevis uzraudzību.
Autobūves uzņēmumi, kas izmanto varbūtības mākslīgo intelektu autonomai braukšanai, saskaras ar izaicinājumiem: "Mēs nevaram matemātiski pierādīt drošības īpašības. Mēs varam tikai demonstrēt augstu ticamību, izmantojot testēšanu."
Rezultāts: Regulatori bieži atsaka sertifikāciju. Produkti tiek aizkavēti par 18+ mēnešiem. Eiropas automobiļu standarti ir īpaši stingri: Vācijas TÜV un Francijas UTAC nepieņem "iespējams drošs." Viņi pieprasa "pierādāmi drošs."
Ar uz ierobežojumiem balstītu bināru mākslīgo intelektu: "Mēs formāli verificējam, ka drošības ierobežojumus nekad nevar pārkāpt. Matemātisks pierādījums tiek sniegts."
Iespējamais rezultāts: kļūst iespējami ISO 26262 sertifikācijas ceļi. Uz ierobežojumiem balstīts mākslīgais intelekts varētu ļaut pirmajām ar MI darbināmām autonomām sistēmām izpildīt formālās drošības prasības.
Ironija? Eiropas regulatīvā stingrība, ko bieži uzskata par šķērsli MI ieviešanai, patiesībā dod priekšroku labākai tehnoloģijai. Varbūtības MI grūtības sagādā Eiropas prasību izpilde. Uz ierobežojumiem balstīts MI šajos apstākļos plaukst. Regulējums virza inovācijas uz matemātisku stingrību.
Reāli ierobežojumu lietojumi
Aplūkosim dzelzceļa uzņēmumu, kam nepieciešams MI vilcienu grafiku sastādīšanai: 1200 vilcieni dienā. Sarežģīti laika ierobežojumi. Drošībai kritiski.
Varbūtīgas mašīnmācīšanās pieeja:
- Apmācīt neironu tīklu uz vēsturiskajiem grafikiem
- Sasniegt 94% "precizitāti" grafiku ģenerēšanā
- 6% ģenerēto grafiku pārkāpj drošības ierobežojumus
- Manuāla pārbaude nepieciešama visiem grafikiem
- Iespējamais rezultāts: Nav ieviests. Risks pārāk liels.
Uz ierobežojumiem balstīta pieeja:
- Definēt 47 grafiku ierobežojumus (laika, jaudas, drošības)
- Binārās CSP risinātājs atrod derīgus grafikus
- 100% ģenerēto grafiku atbilst visiem ierobežojumiem
- Matemātiskais pierādījums: nedroši grafiki nav iespējami
- Iespējamais rezultāts: Veiksmīga ieviešana ar efektivitātes pieaugumu.
Ierobežojumu pieeja piedāvā gan drošības, gan efektivitātes priekšrocības. Varbūtības modeļi tērē skaitļošanas jaudu, pētot nederīgus risinājumus. Ierobežojumu risinātāji nekavējoties atmet nederīgās iespējas, izmantojot izplatīšanas paņēmienus.
Dzelzceļa grafiku sastādīšana ir kanoniska ierobežojumu apmierināmības problēma: tūkstošiem vilcienu, sarežģītas laika prasības, absolūtas drošības prasības. Sistēmas, kas ģenerē grafikus, kuri reizēm pārkāpj drošības ierobežojumus, nevar tikt ieviestas drošībai kritiskās dzelzceļa darbībās. Uz ierobežojumiem balstītas pieejas, kas matemātiski garantē visu drošības prasību izpildi, labāk saskan ar operatīvajām vajadzībām.
Kombinatoriskās eksplozijas mīts
Kritiķi apgalvo, ka ierobežojumu apmierināmība cieš no kombinatoriskās eksplozijas. "Pārāk daudz iespējamo kombināciju. Meklēšanas telpa pārāk liela."
Tas bija patiesi 1990. gadā. 2025. gadā tas vairs nav patiesi.
Mūsdienu binārās CSP risinātāji izmanto:
- Ierobežojumu izplatīšana: Kad piešķirat vērtību vienam mainīgajam, automātiski likvidējiet nederīgās vērtības no saistītajiem mainīgajiem. Meklēšanas telpa dramatiski sarūk, pirms pat sākat meklēšanu.
- Loka konsekvence: Nodrošiniet, ka katrai vērtībai mainīgā domēnā pastāv saderīga vērtība saistītajos mainīgajos. Agrīni atmetiet neiespējamās kombinācijas.
- Inteliģenta atgriešanās: Kad nonākat strupceļā, ne vienkārši izmēģiniet nākamo iespēju. Analizējiet, kurš ierobežojums izraisīja neveiksmi. Lēciet atpakaļ uz attiecīgo lēmuma punktu.
- Binārā optimizācija: Ierobežojumu pārbaudes reducējas uz vienkāršām bitu darbībām. XNOR un popcount, nevis peldošā komata salīdzinājumi. 100-1000× ātrāka izpilde.
Plānošanas problēma ar 10 000 mainīgajiem un 50 000 ierobežojumiem:
- Naiva meklēšana: 10^30 000 iespējamās kombinācijas (neiespējami)
- Ar ierobežojumu izplatīšanu: 10^2000 (dramatiski samazināts, joprojām sarežģīti)
- Ar loka konsekvenci: 10^500 (atrisināms ar mūsdienu metodēm)
- Ar inteliģentu atgriešanos: 10^50 (viegli atrisināms)
- Ar bināro optimizāciju: Turpmāks uzlabojums par vairākām kārtām
Mūsdienu paņēmieni lielākoties ir pārvarējuši kombinatoriskās eksplozijas problēmas. Ierobežojumu apmierināmība mērogojas līdz praktiskiem problēmu izmēriem.
Arguments par "kombinatorisko eksploziju" ir pēdējais patvērums varbūtīgā mākslīgā intelekta aizstāvjiem. Tas bija spēkā 1995. gadā. 2025. gadā tas ir novecojis. Mūsdienu ierobežojumu risinātāji ar bināro optimizāciju tiek galā ar problēmām, kas pirms 30 gadiem būtu bijušas neiespējamas. Matemātika attīstījās. Algoritmi uzlabojās. Aparatūra panāca. Noraidīt ierobežojumu apmierināmību kombinatoriskās eksplozijas dēļ ir tas pats, kas noraidīt gaisa satiksmi tāpēc, ka brāļu Raitu lidmašīna nevarēja šķērsot Atlantijas okeānu.
Hibrīdais intelekts
Šeit kļūst interesanti: apvieno varbūtīgo rakstu atpazīšanu ar uz ierobežojumiem balstītu spriešanu.
Izmanto neironu tīklus, lai atpazītu modeļus un iegūtu pazīmes no neapstrādātiem datiem. Pēc tam izmanto ierobežojumu apmierināmību, lai nodrošinātu, ka galīgais lēmums atbilst visām prasībām.
Piemērs: autonomā transportlīdzekļa uztvere.
- 1. solis (varbūtīgais): Neironu tīkls apstrādā kameras attēlus. Atklāj objektus. "84% pārliecība, ka tas ir gājējs pozīcijā (x,y)." "91% pārliecība, ka tā ir stopzīme."
- 2. solis (uz ierobežojumiem balstītais): CSP pārbauda ierobežojumus. "JA objekts atklāts ar >80% pārliecību UN pozīcija 10 m robežās, TAD ierobežojums 'šķērslis klāt' ir PATIESS." "JA stopzīme atklāta UN attālums < 50 m, TAD ierobežojums 'jāapstājas' ir PATIESS."
- 3. solis (formālais lēmums): Darbības izvēle, pamatojoties uz ierobežojumu apmierināmību. "Visi drošības ierobežojumi ir apmierināti. Paātrinājums atļauts." VAI "Ierosinātā darbība pārkāpj ierobežojumu 'jāapstājas'. Nepieciešama bremzēšana."
Uztvere var būt varbūtīga. Lēmumam jābūt loģiskam. Darbībai jābūt pierādāmi drošai.
Šī hibrīdā pieeja ir īpaši piemērota Eiropas tirgiem. Izmanto pārbaudītus neironu tīklus uztveres uzdevumiem, kuros varbūtīgā spriešana izceļas (attēlu atpazīšana, runas apstrāde). Pēc tam nodod tālāk uz uz ierobežojumiem balstītu lēmumu pieņemšanu, kur svarīga ir drošība un izskaidrojamība. Iegūsti labāko no abām pasaulēm: neironu tīklu modeļu atpazīšanas spēku ar ierobežojumu apmierināmības formālajām garantijām. Regulatori apstiprina formālo lēmumu slāni. Lietotāji gūst labumu no uztveres spējām.
Izskaidrojamības priekšrocība
ES MI akts pieprasa izskaidrojamību. Uz ierobežojumiem balstītas sistēmas to nodrošina dabiski.
Par jebkuru lēmumu vari izsekot:
- Kuri ierobežojumi bija aktīvi
- Kuri tika apmierināti, kuri netika
- Kāpēc noteiktas iespējas tika izslēgtas
- Kāpēc tika izvēlēts izvēlētais risinājums
- Matemātiskais pierādījums, ka labāks risinājums nepastāv
Banka, kas kredītlēmumu pieņemšanā izmanto uz ierobežojumiem balstītu mākslīgo intelektu, klientiem sniedz šādu paskaidrojumu: "Jūsu kredīts tika apstiprināts, jo: ienākumu ierobežojums ir izpildīts (€X > prasītie €Y), kredītvēstures ierobežojums ir izpildīts (rādītājs Z > slieksnis W), parāda attiecības ierobežojums ir izpildīts (R < limits S). Visi regulatīvie ierobežojumi ir ievēroti."
Noraidītais pretendents saņem: "Kredīts atteikts, jo: parāda attiecības ierobežojums ir pārkāpts (85% > maksimālie 75%). Lai kvalificētos, samaziniet parādu par €X vai palieliniet ienākumus par €Y."
Tā ir izskaidrojamība. Nevis "mūsu melnās kastes algoritms tā nolēma". Skaidra, loģiska un argumentēta pamatojuma sniegšana.
ES Mākslīgā intelekta akts klasificē kredītlēmumus kā augsta riska MI sistēmas, kurām nepieciešama pilnīga izskaidrojamība. Amerikāņu bankas, kas izmanto varbūtības MI, saskaras ar grūtībām atbilstības nodrošināšanā: kā izskaidrot 47 miljonus peldošā komata parametru? Eiropas bankas, kas izmanto uz ierobežojumiem balstītu MI, vienkārši izdrukā ierobežojumu novērtējumu. Regulatīvā atbilstība kļūst par dabiskām arhitektūras sekām, nevis pēcpārdomām, kurām nepieciešami atsevišķi skaidrojumu slāņi.
Dweve ierobežojumu arhitektūra
Dweve Core integrē ierobežojumu apmierināšanu ar binārajiem neironu tīkliem.
Katrs domēna speciālists Loom 456 nav tikai statistiskais modeļu atpazītājs. Tas ir ierobežojumu risinātājs. Katrs domēna speciālists satur 64-128MB bināro ierobežojumu, kas pārstāv specializētas zināšanu jomas. Domēna speciālists 47 var specializēties ģeometriskajos ierobežojumos. Domēna speciālists 203 apstrādā laika ierobežojumus. Domēna speciālists 389 koncentrējas uz resursu ierobežojumiem.
Kad pienāk problēma:
1. Ievades analīze identificē atbilstošos ierobežojumu veidus
2. Aktivizējas atbilstošie ierobežojumu domēna speciālisti
3. Katrs domēna speciālists piemēro savus ierobežojumus risinājumu telpai
4. Visu ierobežojumu krustpunkts nosaka derīgos risinājumus
5. Optimizācija izvēlas labāko derīgo risinājumu
Rezultāts: intelekts ar matemātiskām garantijām. Radošums pierādītās robežās. Elastīgums ar absolūtu drošību.
Aviācijas un kosmosa uzņēmumi varētu izmantot Dweve lidojumu vadības programmatūrā. Aviācijas regulatoriem nepieciešama formāla verifikācija. Tradicionālie neironu tīkli: nav iespējams sertificēt. Dweve uz ierobežojumiem balstītā arhitektūra nodrošina formālās verifikācijas ceļus uz potenciālo sertifikāciju.
EASA (Eiropas Savienības Aviācijas drošības aģentūra) ir bijusi īpaši skeptiska pret varbūtības MI lidojumiem kritiskās sistēmās. To sertifikācijas prasības pieprasa matemātisku drošības īpašību pierādījumu. Uz ierobežojumiem balstītas arhitektūras, piemēram, Dweve, atbilst šīm prasībām. Regulatīvā vide, kas bloķē varbūtības MI, faktiski atzinīgi vērtē uz ierobežojumiem balstītas pieejas. Eiropas stingrība kļūst par konkurences priekšrocību.
Veiktspējas raksturojums
Uz ierobežojumiem balstīti binārie CSP risinātāji piedāvā pārliecinošas veiktspējas priekšrocības atbilstošām problēmu klasēm.
Resursu sadales problēmām ar tūkstošiem resursu un ierobežojumu:
- Varbūtības optimizācijas metodes pēta risinājumu telpas, izmantojot iteratīvu uzlabošanu
- Jauktā veselo skaitļu programmēšana nodrošina optimāluma garantijas par skaitļošanas izmaksām
- SAT risinātāji izmanto Būla loģiku efektīvai ierobežojumu pārbaudei
- Binārais CSP ar loka konsekvenci apvieno izplatīšanas paņēmienus ar binārajām operācijām ātrai risināšanai
Binārās ierobežojumu operācijas ir ievērojami ātrākas nekā peldošā komata aprēķini, vienlaikus garantējot ierobežojumu apmierināšanu, ko varbūtības metodes nevar nodrošināt.
Plānošanas problēmām, kas ietver tūkstošiem uzdevumu ar laika ierobežojumiem:
- Metaheiristiskās pieejas (simulētā atlaidināšana, ģenētiskie algoritmi) pēta risinājumu telpu ar stohastisko meklēšanu
- Matemātiskās programmēšanas formulējumi sniedz optimālus risinājumus ar augstākām skaitļošanas prasībām
- Binārā CSP izmanto ierobežojumu izplatīšanu efektīvai meklēšanas telpas apgriešanai
Ātrumam ir nozīme reāllaika sistēmās. Ierobežojumu apmierināšana nodrošina gan veiktspēju, gan pareizības garantijas.
Brīvības paradokss
Ierobežojumi šķiet ierobežojoši. Noteikumi šķiet ierobežojoši. Loģika šķiet stingra.
Bet ierobežojumi definē iespēju telpas. Noteikumi ļauj pierādīt pareizību. Loģika sniedz noteiktu brīvību.
Varbūtību mākslīgais intelekts: "Mēs esam 87% pārliecināti, ka tas ir droši, bet mēs to nevaram pierādīt."
Ierobežojumu mākslīgais intelekts: "Tas ir pierādāmi droši noteiktās robežās. Pētiet brīvi šajās robežās."
Kurš sniedz vairāk brīvības? Nenoteikta elastība, kas var izraisīt katastrofālu kļūmi? Vai noteiktas robežas, kurās varat darboties ar pilnīgu pārliecību?
Atomelektrostacijas mākslīgais intelekts: Vai vēlaties 99,9% pārliecību, ka drošības procedūras tiek ievērotas? Vai matemātisku pierādījumu, ka drošības ierobežojumus nekad nevar pārkāpt?
Medicīnas mākslīgais intelekts: 95% noteiktību zāļu mijiedarbības pārbaudē? Vai formālu garantiju, ka netiks izrakstītas bīstamas kombinācijas?
Finanšu mākslīgais intelekts: Statistisko pārliecību par normatīvo atbilstību? Vai pierādītu atbilstību visiem tiesiskajiem ierobežojumiem?
Ierobežojumi rada brīvību. Brīvību izvietot mākslīgo intelektu drošībai kritiskās sistēmās. Brīvību garantēt pareizību. Brīvību no nenoteiktības ierobežojumiem.
Paradokss atrisinās skaisti: stingri ierobežojumi ļauj plašāku izvietošanu. Kad varat pierādīt drošību, regulatorī atļauj izmantošanu kritiskās sistēmās. Kad varat apgalvot tikai statistisko pārliecību, regulatorī ierobežo izvietošanu. Uz ierobežojumiem balstīts mākslīgais intelekts ar formālo verifikāciju atver lietojumus, kuriem varbūtību mākslīgais intelekts nekad nevar piekļūt. Jo stingrākas matemātiskās robežas, jo plašākas praktiskās iespējas.
Nākotne ir loģiska
Varbūtību neironu tīkli dominēja mākslīgajā intelektā 15 gadus, jo GPU izceļas peldošā komata operācijās un mums nebija efektīvu diskrēto risinātāju.
Šis laikmets beidzas.
Binārie neironu tīkli ļauj efektīvi apmierināt ierobežojumus. CPU apstrādā diskrēto loģiku labāk nekā peldošā komata tuvinājumus. Formālā verifikācija kļūst praktiska. Pierādāms mākslīgais intelekts kļūst īsts.
Nozares, kas to atzīst agri:
- Automobiļu rūpniecība: formālā verifikācija nepieciešama drošības sertifikācijai
- Aviācija: pierādīta pareizība obligāta lidojuma vadībai
- Medicīnas ierīces: normatīvās prasības izskaidrojamiem lēmumiem
- Finanses: juridiskas prasības revidējamai argumentācijai
- Rūpnieciskā vadība: drošības standarti prasa matemātiskas garantijas
Šie nav nišas lietojumi. Tie ir visaugstākās vērtības, viskritiskākie drošības mākslīgā intelekta izvietojumi.
Un tie visi prasa to, ko var nodrošināt tikai uz ierobežojumiem balstīts mākslīgais intelekts: pierādāmu pareizību, formālo verifikāciju, loģisko argumentāciju un izskaidrojamus lēmumus.
Varbūtību mākslīgajam intelektam bija savs brīdis. Uz ierobežojumiem balstīts mākslīgais intelekts ir nākotne. Ne tāpēc, ka varbūtība ir nepareiza. Tāpēc, ka noteiktība ir labāka.
Normatīvā vide padara to neizbēgamu. ES Mākslīgā intelekta akts, Medicīnas ierīču regula, automobiļu drošības standarti, aviācijas sertifikācijas prasības: viss prasa to, ko var nodrošināt tikai uz ierobežojumiem balstīts mākslīgais intelekts. Amerikas uzņēmumi, kas būvē varbūtību mākslīgo intelektu Eiropas tirgiem, saskarsies ar normatīviem šķēršļiem. Eiropas uzņēmumi, kas būvē uz ierobežojumiem balstītu mākslīgo intelektu, ir skaidrā ceļā uz sertifikāciju.
Ierobežojumi neierobežo brīvību. Tie nosaka telpu, kurā brīvība ir droša. Regulējumi nekavē inovāciju. Tie to virza uz risinājumiem, kas patiešām darbojas pārbaudes apstākļos. Mākslīgā intelekta nākotne nav nenoteikta elastība. Tā ir droša spēja pārbaudītās robežās.
Mākslīgais intelekts ar matemātiskām garantijām ir klāt. Dweve nodrošina uz ierobežojumiem balstītus bināros neironu tīklus ar formālu verifikāciju. Katrs no 456 domēna speciālistiem Loom satur 64-128MB bināro ierobežojumu, pārstāvot specializētas zināšanu jomas. Pierādāma pareizība. Izskaidrojama spriešana. Sertifikācijas potenciāls drošībai. Veidots Eiropas regulējuma prasībām. Loģika rada brīvību. Ierobežojumi nodrošina noteiktību.