Kā mašīnas domā (vai nedomā): spriešana mākslīgajā intelektā
Modeļu atpazīšanas un spriešanas plaisa
Mākslīgais intelekts var pārspēt cilvēkus šahā. Diagnosticēt slimības no attēliem. Uzrakstīt sakarīgas esejas. Izskatās gudrs. Šķiet, ka spriež.
Bet lūk, neērtā patiesība: lielākā daļa mākslīgā intelekta nespriež. Tas atpazīst modeļus. Izcili. Milzīgā mērogā. Taču modeļu atpazīšana nav spriešana.
Izprast atšķirību ir svarīgi. Jo problēmas, kuru risināšanai mums nepieciešams mākslīgais intelekts, arvien vairāk prasa patiesu spriešanu. Ne tikai modeļu atpazīšanu.
Kas īsti ir spriešana
Spriešana ir secinājumu izdarīšana no informācijas. Ne tikai korelācijas. Patiesa loģiska izsecināšana. No dotiem faktiem iegūt jaunus faktus. No premisām nonākt pie secinājumiem.
Cilvēka spriešanas piemērs:
1. premisa: Visi zīdītāji ir siltasiņu dzīvnieki.
2. premisa: Vaļi ir zīdītāji.
Secinājums: Tātad vaļi ir siltasiņu dzīvnieki.
Jūs nekad iepriekš nebijāt redzējis šo konkrēto siloģismu. Bet jūs to izspriedāt. Pielietojāt loģiku. Atvasinājāt secinājumu. Tā ir spriešana.
Ko mākslīgais intelekts dara citādi:
Neironu tīkli redz miljoniem piemēru. "Zīdītāji" bieži parādās kopā ar "siltasiņu dzīvnieki". "Vaļi" bieži parādās kopā ar "zīdītāji". Statistiskā saistība. Tīkls prognozē, ka "vaļi ir siltasiņu dzīvnieki", jo modeļi to liecina. Nevis tāpēc, ka tas izprot loģisko saistību.
Abi nonāk pie pareizās atbildes. Tikai viens no tiem spriež.
Spriešanas veidi
Dažādām problēmām ir vajadzīgas dažādas spriešanas pieejas:
Deduktīvā spriešana:
No vispārīgā uz konkrēto. Ja ir doti noteikumi, tos piemēro konkrētiem gadījumiem. Secinājumi ir garantēti, ja premisas ir patiesas.
Piemērs: Visiem putniem ir spalvas. Zvirbuļi ir putni. Tātad zvirbuļiem ir spalvas.
Loģikas dzinēji šajā ir izcili. Uz priekšu virzīta ķēde (piemēro noteikumus faktiem) vai atpakaļvirziena ķēde (strādā no mērķa līdz vajadzīgajiem faktiem). Determinēta. Uzticama.
Induktīvā spriešana:
No konkrētā uz vispārīgo. Novēro piemērus. Atrodi modeļus. Vispārini noteikumus.
Piemērs: Redzēji 100 gulbjus. Visi bija balti. Secini: visi gulbji ir balti. (Patiesībā tas ir nepareizi. Pastāv melnie gulbji. Indukcija negarantē pareizību.)
Tieši tāpēc Eiropas regulatoru neuzticas tīri induktīvam mākslīgajam intelektam (MI) kritiskos lēmumos. ES MI akts nepieņem "mēs trenējāmies uz 10 miljoniem piemēru" kā pareizības pierādījumu. Viens melnais gulbis, viena malas gadījums, ko treniņdati palaida garām, un jūsu medicīniskās diagnostikas MI nogalina cilvēku, jūsu kredīta algoritms diskriminē, jūsu autonomā transportlīdzekļa avarē. Indukcija darbojas, līdz tā katastrofāli beidz darboties. Eiropas inženierzinātņu kultūra, kas gadsimtiem balstīta uz "parādi man matemātisko pierādījumu", uzskata varbūtīgo MI par neērti ticībā balstītu.
Neironu tīkli ir induktīvas mašīnas. Miljoniem piemēru. Izvelk modeļus. Vispārina. Tas ir viņu spēks.
Abduktīvā spriešana:
No novērojuma līdz labākajam izskaidrojumam. Ja ir dotas sekas, secina cēloņus.
Piemērs: Zāle ir slapja. Labākais izskaidrojums: ir lijis. (Varētu būt arī smidzinātāji. Abdukcija atrod ticamus izskaidrojumus, nevis garantētus.)
Diagnostikas sistēmas to izmanto. Medicīniskais MI, kas novēro simptomus un secina slimības. Hipotēžu ģenerēšana.
Cēloņsakarību spriešana:
Izpratne par cēloņa un seku attiecībām. Ne tikai korelācija. Faktiska cēloņsakarība.
Piemērs: Smēķēšana izraisa vēzi. Ne tikai "smēķētājiem vēzis ir biežāk". Cēloņsakarības mehānisms.
MI tas ir grūti. Korelāciju datos ir viegli atrast. Cēloņsakarība prasa izpratni. Lielākajai daļai MI tā trūkst.
Eiropas pētniecības iestādes attīsta cēloņsakarību MI pētniecību, ko virza regulatīvās prasības pierādīt cēloņsakarības mehānismus, nevis tikai korelāciju. Kad medicīnas ierīcēm jāpierāda, ka iejaukšanās X izraisa iznākumu Y (nevis tikai korelē), cēloņsakarību spriešana kļūst nepieciešama. Eiropas regulatīvās sistēmas arvien vairāk uzsver šo atšķirību, radot spēcīgus stimulus cēloņsakarību secināšanas pētniecībai un attīstībai.
Analogical Reasoning:
Transfer knowledge between similar domains. "This is like that, so probably..."
Example: Atoms are like solar systems. Electrons orbit nucleus like planets orbit sun. (Useful analogy, not literally true.)
Helps generalization across domains. AI is getting better at this. But still limited compared to humans.
Current language models produce amusing analogical failures. Ask for an analogy and they'll generate something syntactically perfect, semantically nonsensical. "Consciousness is like a filing cabinet because both involve storing information" technically uses analogical structure while completely missing what makes analogies insightful. Humans recognize bad analogies immediately. AI confidently delivers them as profound insights. Pattern matching the form of reasoning without understanding the content.
Why neural networks struggle with reasoning
Neural networks excel at pattern recognition. Reasoning is different:
- No Explicit Logic: Neural networks have no logical rules. Just weights. Billions of numerical parameters. Patterns emerge from training. But no explicit "if-then" rules. Logic is implicit at best. Inaccessible at worst.
- No Compositionality: Human reasoning composes. Combine simple rules into complex arguments. Neural networks don't naturally decompose reasoning into reusable logical components. Each inference is end-to-end. Opaque.
- No Guarantees: Logical reasoning provides certainty. If premises are true, conclusion is true. Neural networks provide probabilities. "90% confident" isn't the same as "logically certain." For critical decisions, this matters.
- No Explanation: Why did the network conclude X? "Activation patterns in layer 47." Not helpful. Logical reasoning provides proof steps. Traceable. Auditable. Neural reasoning is black box.
- Brittle Generalization: Logical rules apply universally. Neural patterns are data-dependent. Distribution shift breaks them. Reasoning should be robust. Pattern matching often isn't.
This doesn't mean neural networks are useless. Pattern recognition is valuable. But it's not reasoning.
Chain-of-thought: making neural networks "reason"
Nesenais izrāviens: ķēdes domāšanas pamudinājumi. Lieciet valodas modeļiem parādīt savus spriešanas soļus.
Standarta pamudinājums:
Jautājums: "Nūja un bumba kopā maksā €1,10. Nūja maksā par €1 vairāk nekā bumba. Cik maksā bumba?"
AI: "€0,10" (Nepareizi. Intuitīva atbilde, nevis izspriesta.)
Ķēdes domāšanas pamudinājums:
Jautājums: "Nūja un bumba kopā maksā €1,10. Nūja maksā par €1 vairāk nekā bumba. Cik maksā bumba? Padomāsim soli pa solim."
AI: "Sauksim bumbas cenu X. Tad nūja maksā X + €1. Kopā: X + (X + €1) = €1,10. Tātad 2X + €1 = €1,10. Līdz ar to 2X = €0,10. Tātad X = €0,05. Bumba maksā €0,05."
Tas pats modelis. Cits pamudinājums. Pareiza atbilde. Kāpēc? Piespiest modeli skaidri parādīt spriešanas soļus palīdz. Modelis joprojām atpazīst modeļus. Bet modeļus pār spriešanas soļiem, nevis tikai atbildēm. Tuvāk īstai spriešanai.
Nūjas un bumbas problēma ir lieliski diagnostiska. Cilvēki to risina nepareizi, izmantojot 1. sistēmas domāšanu: ātri, intuitīvi, nepareizi. AI to risina nepareizi, izmantojot... arī intuīciju, būtībā, tikai statistisku. Lieciet abiem palēnināties un parādīt savu darbu, abi uzlabojas. Atšķirība: cilvēki jūtas neērti, kad viņus izlabo. AI tas nerūp. Tas pārliecinoši sniegs jums €0,10, tad pārliecinoši sniegs €0,05, tad pārliecinoši paskaidros, kāpēc €0,10 visu laiku bija acīmredzami nepareizi. Bez kauna, bez mācīšanās, tikai modeļu atpazīšana dažādos pamudinājumos.
Ierobežojumi joprojām pastāv. "Spriešana" joprojām ir statistiska. Nav loģisku garantiju. Bet tas ir progress.
Simboliskā AI: tradicionālās spriešanas pieejas
Pirms neironu tīkli dominēja, valdīja simboliskā AI. Cita filozofija:
Skaidra zināšanu reprezentācija: Fakti un noteikumi loģiskā formā. "JA dzīvniekam ir spalvas, TAD dzīvnieks ir putns." Skaidri. Interpretējami.
Loģikas dzinēji: Uz priekšu virzīta ķēde, atpakaļ virzīta ķēde. Piemēro noteikumus. Atvasina secinājumus. Determinēti. Izskaidrojami.
- Priekšrocības: Garantēti pareizi secinājumi (ja noteikumi ir pareizi). Izskaidrojamas spriešanas ķēdes. Spēj apstrādāt jaunas noteikumu kombinācijas. Darbojas ar nelielu datu apjomu.
- Trūkumi: Nepieciešama manuāla noteikumu izveide. Trausla (reālā pasaule ir nesakārtota). Slikti apstrādā nenoteiktību. Slikti mērogojas uz sarežģītām jomām.
Tāpēc neironu tīkli pārņēma vadību. Reālajā pasaulē ir troksnis. Izņēmumi. Nenoteiktība. Simboliskā AI cīnās. Neironu tīkli plaukst.
Bet mēs kaut ko zaudējām: spriešanas garantijas. Izskaidrojamību. Loģisko noteiktību.
Eiropieši nekad pilnībā neatteicās no simboliskās AI, īpaši drošībai kritiskās jomās. Aviācijas un automobiļu nozares joprojām izmanto formālās metodes (būtībā simbolisko spriešanu) drošībai kritisku sistēmu sertifikācijai. Medicīnas ierīču ražotājiem regulētajos Eiropas tirgos ir jāsniedz loģiski pareizības pierādījumi. Kad sertifikācijas institūcijas pieprasa matemātisku verifikāciju, tīri neironu tīkli izrādās nepietiekami. Simboliskie pierādījumi joprojām ir nepieciešami. Eiropas inženierija saglabāja šīs spējas, kamēr neironu tīkli dominēja citur.
Hibrīdās pieejas: labākais no abām pasaulēm
Pašreizējā robeža: apvienot neironu un simbolisko. Izmantot katra stiprās puses.
- Neironu-simboliskā integrācija: Neironu tīkli iegūst modeļus no datiem. Pārvērš tos simboliskos noteikumos. Piemēro loģisko spriešanu. Iegūst modeļu atpazīšanu UN loģisko secināšanu.
- Kā tas darbojas: 1. Neironu tīkls apstrādā ievades. Radīt iegultnes (vektoru reprezentācijas).
2. Iegultnes pārvērstas simboliskos faktos. "entitātei X ir īpašība Y."
3. Simboliskās spriešanas dzinējs piemēro loģiskos noteikumus faktiem.
4. Conclusions converted back to neural form if needed.
Bidirectional translation. Neural to symbolic. Symbolic to neural. Each does what it's good at.
Advantages: Pattern recognition from neural. Logical guarantees from symbolic. Explainable reasoning chains. Robust to distribution shift (rules hold universally).
Challenges: Translation overhead. Maintaining consistency between neural and symbolic representations. Complexity of integration.
Worth it for domains requiring reasoning. Medical diagnosis. Legal analysis. Safety-critical decisions. Where "90% confident" isn't good enough.
European Hybrid AI Development:
European research institutions have strong incentives for neural-symbolic integration. Regulatory necessity drives this. The EU AI Act's explainability requirements prove challenging for pure neural networks. GDPR's transparency demands require traceable reasoning. These constraints push development toward hybrid approaches.
European universities research neural-symbolic architectures for regulated domains like medical diagnosis, combining neural pattern recognition with symbolic reasoning that applies clinical guidelines, providing both statistical confidence and logical justification. Research focuses on "interpretable AI" where neural perception feeds symbolic reasoning, maintaining transparency throughout the decision process.
European research institutes develop hybrid systems for industrial automation: neural networks handle sensor data whilst symbolic planners make operational decisions with provable safety guarantees. These systems deploy in environments where unexplainable AI decisions could cause harm, necessitating formal verification.
The pattern: regulatory requirements for explainability and safety create strong selection pressure for architectures combining neural and symbolic approaches. Constraints drive innovation toward systems meeting both performance and compliance requirements.
Constraint-based reasoning (the Dweve approach)
Binary constraint systems offer another path:
- Explicit Constraints: Knowledge encoded as binary constraints. "If conditions A, B, C are satisfied, then conclusion D holds." Logical rules. Deterministic.
- Efficient Reasoning: XNOR and popcount operations check constraint satisfaction. Binary operations. Hardware-native. Fast.
- Composable Logic: Constraints compose. Combine simple constraints into complex reasoning. Modular. Reusable.
- Explainable Decisions: Every conclusion traces to constraints. Which constraints fired? Why? Audit trail automatically generated. Transparency by design.
Example: Dweve Loom
456 domain-specialist constraint sets. Each contains 2-3.5M binary constraints. Evolutionary search discovered these. Not handcrafted. But once discovered, they're deterministic logic.
Query: pattern matches against constraints. PAP (Permuted Agreement Popcount) determines which domain-specialist sets are relevant. Selected domain specialists apply their constraints. Reasoning through binary logic. Traceable. Auditable.
Not pattern matching. Actual constraint satisfaction. Logical reasoning. At hardware speed.
The future of AI reasoning
Where is this heading?
- Labāka simboliskā integrācija: Nevainojama neironu un simboliskā tulkošana. Neironu tīkli, kas dabiski rada simboliskus attēlojumus. Vienota arhitektūra.
- Pārbaudāma spriešana: AI spriešanas formāla pārbaude. Matemātiski pierādījumi, ka secinājumi ir pareizi. Drošībai kritiskām lietojumprogrammām. Nekāda "90% pārliecība." Garantēta pareizība.
- Cēloņsakarību spriešana: AI, kas saprot cēloņsakarības. Ne tikai korelāciju. Atbild uz "kāpēc", ne tikai "kas." Ļauj veikt labākas iejaukšanās. Labākas prognozes. Patiesa izpratne.
- Meta-spriešana: AI, kas spriež par savu spriešanu. Novērtē secinājumu kvalitāti. Apzinās, kad ir nenoteikts. Kad tam nepieciešama papildu informācija. Kad tam būtu jādeleģē cilvēkiem. Pašapzinīga spriešana.
- Izkliedēta spriešana: Daudzaģentu sistēmas, kur dažādi aģenti izmanto dažādus spriešanas veidus. Viens veic dedukciju. Cits veic abdukciju. Vēl cits veic cēloņsakarību spriešanu. Kolektīvais intelekts, pateicoties daudzveidīgai spriešanai.
Mērķis nav aizstāt modeļu atpazīšanu. Tas ir papildināt to ar īstu spriešanu. Labākais no abām pasaulēm. Uztvere caur modeļiem. Spriešana caur loģiku. Tieši tad AI kļūst patiesi inteliģents.
Eiropas sertifikācijas prasības:
Eiropas regulatīvais regulējums nepārprotami pieprasa spriešanas pārbaudi augsta riska AI sistēmām. ES AI akts nosaka, ka automatizētiem lēmumiem kritiskās jomās jābūt izskaidrojamiem, ne tikai statistiski pārliecinošiem, bet loģiski izsekojamiem. Tas virza Eiropas AI izstrādi uz spriešanas spējīgām arhitektūrām.
Austrijas datu aizsardzības iestādes pieprasa algoritmiskus revīzijas pierakstus, kas parāda loģiskos soļus no ievades līdz lēmumam. Francijas medicīnas ierīču regulatoru prasa cēloņsakarību skaidrojumus: "šī diagnoze, jo šie simptomi cēloņsakarīgi norāda uz šo stāvokli," nevis "90% varbūtība, pamatojoties uz apmācības datiem." Vācijas rūpniecības drošības standarti (ISO 26262, IEC 61508) nosaka formāli pārbaudītu spriešanu drošībai kritiskai automatizācijai.
ASV AI uzņēmumi, kas ienāca Eiropas tirgos, atklāja, ka viņu tīri neironu tīklu sistēmas nevarēja iziet sertifikāciju. Nekāda precizitāte neapmierināja regulatorus, kuri pieprasīja loģiskus pierādījumus. Rezultāts: vai nu pārbūvēt ar spriešanas spējām, vai atteikties no Eiropas tirgus. Lielākā daļa izvēlējās pārbūvi un atklāja, ka spriešanas spējīgās versijas darbojās labāk visā pasaulē, ne tikai Eiropā. Regulatīvās prasības atkal virzīja labāku inženieriju.
Praktiskā spriešana: kas šodien patiešām darbojas
Neraugoties uz ierobežojumiem, spriešanas spējīgu mākslīgo intelektu varam veidot jau tagad. Ne ideālu. Ne cilvēka līmenī. Bet patiesi spējīgu veikt loģisku secināšanu ierobežotās jomās.
Medicīniskā diagnostika:
Beļģijas slimnīcās izmanto hibrīdu diagnostikas mākslīgo intelektu: neironu tīkli analizē medicīniskos attēlus (rakstu atpazīšana), simboliskie spriešanas mehānismi piemēro klīniskās vadlīnijas (deduktīvā spriešana), kauzālie modeļi izskaidro, kāpēc tiek ieteiktas konkrētas pārbaudes (kauzālā spriešana). Katra sastāvdaļa dara to, kas tai padodas vislabāk. Rezultāts: diagnozes ar statistisko ticamību un loģisku pamatojumu. Eiropas medicīnisko ierīču regulatoru prasībām tas atbilst. Tīrus neironu tīklus tie noraida.
Industriālā automatizācija:
Vācijas rūpnīcās ražošanas plānošanai izmanto uz ierobežojumiem balstītas plānošanas sistēmas. Tūkstošiem bināro ierobežojumu kodē ražošanas noteikumus, drošības prasības un efektivitātes mērķus. SAT risinātāji atrod derīgus grafikus, kas apmierina visus ierobežojumus. Kad kaut kas noiet greizi, sistēma precīzi izskaidro, kurš ierobežojums tika pārkāpts un kāpēc. Nekāda "neironu tīkls tā nolēma." Konkrēta loģiskā spriešana.
Finanšu atbilstība:
Šveices bankas izmanto uz noteikumiem balstītu atbilstības mākslīgo intelektu ar neironu tīklu ievades apstrādi. Neironu tīkli iegūst informāciju no dokumentiem (rakstu atpazīšana). Simboliskie spriešanas mehānismi piemēro banku noteikumus (deduktīvā spriešana). Katrs atbilstības lēmums ir izsekojams līdz konkrētiem noteikumiem. Revidenti var pārbaudīt spriešanas ķēdes. "Mēs iezīmējām šo darījumu, jo regulējums X aizliedz Y apstākļos Z, un tie visi šeit ir spēkā." Nevis "85% varbūtība, ka pārkāpta atbilstība."
Tiesiskā analīze:
Nīderlandes advokātu biroji līgumu analīzē izmanto mākslīgo intelektu, kas apvieno neironu valodas izpratni ar loģisko spriešanu par tiesību normām. Neironu tīkli identificē būtiskās klauzulas. Simboliskās sistēmas piemēro precedentus un likumus. Abduktīvā spriešana ģenerē skaidrojumus, kāpēc konkrētas interpretācijas ir piemērojamas. Juristi iegūst abus: uz rakstiem balstītu klauzulu identificēšanu un uz noteikumiem balstītu tiesisko spriešanu.
Izplatīta tendence: Eiropas regulatīvā vide ir piespiedusi ieviest praktiskus spriešanas risinājumus. Tie nav pētniecības prototipi; tās ir ieviestas sistēmas, kas iziet reālu sertifikāciju. Amerikas uzņēmumi, kas vēlas piekļuvi Eiropas tirgum, licencē šīs tehnoloģijas vai pārveido savas sistēmas, lai tās atbilstu prasībām. Regulatīvā arbitrāža, izmantojot labāku inženieriju.
Kas jums jāatceras
- 1. Modeļu atpazīšana nav spriešana. Neironu tīkli izceļas ar modeļu atpazīšanu. Spriešanai nepieciešama loģika. Atšķirīgas spējas.
- 2. Pastāv vairāki spriešanas veidi. Deduktīvā, induktīvā, abduktīvā, cēloņsakarību, analogiskā. Katrs piemērots dažādām problēmām.
- 3. Neironu tīkliem spriešana sagādā grūtības. Nav skaidras loģikas. Nav kompozicionalitātes. Nav garantiju. Necaurredzami lēmumi.
- 4. Simboliskā mākslīgā intelekta nodrošina spriešanu. Skaidri noteikumi. Loģiska secināšana. Izskaidrojami. Bet trausli un grūti mērogojami.
- 5. Hibrīdās pieejas apvieno stiprās puses. Neironu modeļu atpazīšana plus simboliskā spriešana. Labākais no abām pasaulēm.
- 6. Domāšanas ķēde palīdz. Piespiežot neironu tīklus parādīt spriešanas soļus, uzlabojas veiktspēja. Joprojām statistiska, bet labāka.
- 7. Ierobežojumu sistēmas nodrošina deterministisku spriešanu. Bināri ierobežojumi. Loģiski noteikumi. Izskaidrojami. Efektīvi. Dweve pieeja.
- 8. Eiropas regulējums virza spriešanas pētniecību. Izskaidrojamības prasības liek izstrādāt loģiski pamatotu mākslīgo intelektu. Atbilstība kļūst par konkurences priekšrocību.
Filozofiskās likmes
Debates par modeļiem pret spriešanu nav tikai tehniskas; tās ir filozofiskas. Ko mēs vēlamies no mākslīgā intelekta?
Ja mākslīgais intelekts ir rīks cilvēkiem līdzīgu uzdevumu automatizēšanai, atdarinot tos, modeļu atpazīšana ir pietiekama. Apmāciet to ar piemēriem, ļaujiet tam reproducēt līdzīgus rezultātus. Kā sarežģīta uzmeklēšanas tabula. Tas darbojas daudzās lietojumprogrammās. Ieteikumu sistēmas. Attēlu klasifikācija. Teksta pabeigšana.
Bet, ja mākslīgajam intelektam vajadzētu papildināt cilvēka intelektu, sniegt ieskatu, ko cilvēki vieni nespēj sasniegt, risināt problēmas, kurām nepieciešama loģiska stingrība, pieņemt lēmumus ar izskaidrojamu pamatojumu, modeļu atpazīšana neizdodas. Mums ir nepieciešama faktiska spriešana. Izpratne. Loģiska secināšana, ko cilvēki var pārbaudīt un kam uzticēties.
Eiropas regulatori, iespējams, nejauši izvēlējās otro ceļu. ES Mākslīgā intelekta akta prasības par izskaidrojamību netieši noraida tīru modeļu atpazīšanu kritisku lēmumu pieņemšanā. "Jo modelis to paredzēja" nav pieņemams pamatojums. "Jo šīs loģiskās premisas noved pie šāda secinājuma" ir. Šī filozofiskā nostāja, ka MI jāspriež, nevis tikai jākorelē, veido to, kādas MI sistēmas tiek izstrādātas un ieviestas Eiropā.
ASV MI izstrāde lielākoties izvēlējās pirmo ceļu: modeļu atpazīšanu plašā mērogā. Lielāki modeļi, vairāk datu, labākas korelācijas. Tas lieliski darbojas daudziem uzdevumiem. Tas izgāžas iespaidīgi, kad svarīga ir spriešana. Filozofiskā plaisa izpaužas kā tehniskā plaisa: statistiskais MI pret loģisko MI. Eiropas regulējums šo plaisu neradīja; tas tikai piespieda izdarīt izvēli.
Būtība
MI lielākie sasniegumi nāk no modeļu atpazīšanas. Attēlu klasifikācija. Valodu tulkošana. Spēļu spēlēšana. Viss ir modeļi.
Bet problēmas, kuras mums patiešām jāatrisina, prasa spriešanu. Medicīniskā diagnoze. Juridisks spriedums. Drošībai kritiski lēmumi. Zinātniski atklājumi. Šiem ir vajadzīga loģika, ne tikai modeļi.
Pašreizējais MI ir fenomenāls "kas" jautājumos. Kas ir šajā attēlā? Kas notiek tālāk šajā secībā? Atbildes, kas balstītas modeļos.
Nākotnes MI jāspēj atbildēt uz "kāpēc" jautājumiem. Kāpēc tas notika? Kāpēc mums tas būtu jādara? Atbildes, kas balstītas spriešanā. Loģiska secināšana. Cēloņsakarību izpratne.
Mēs tur ejam. Neirāli-simboliskā integrācija. Domāšanas ķēdes pamudināšana. Ierobežojumu sistēmas. Progress ir reāls. Bet plaisa paliek: modeļu atpazīšana nav spriešana.
Izprotot šo atšķirību, jūs varat godīgi novērtēt MI iespējas. Ziniet, kad pietiek ar modeļu atpazīšanu. Ziniet, kad spriešana ir būtiska. Izvēlieties arhitektūras atbilstoši. Ieviesiet gudri.
Plaisa starp ASV un Eiropas MI izstrādi arvien vairāk atspoguļo šo modeļu pret spriešanu sadalījumu. Silīcija ieleja optimizē modeļu atpazīšanu: milzīgi modeļi, milzīgas datu kopas, statistiska izcilība. Eiropas MI izstrāde optimizē spriešanu: loģiski pierādījumi, cēloņsakarību modeļi, izskaidrojama secināšana. Ne filozofiska izvēle, bet regulatīva prasība.
Ironija: "ierobežojošā" Eiropas pieeja rada MI, kas praksē darbojas labāk. Izskaidrojama spriešana ātrāk uztver kļūdas. Loģiski pierādījumi novērš katastrofālas atteices. Cēloņsakarību izpratne ļauj veikt labākas iejaukšanās. Modeļu atpazīšana iespaido demonstrācijās. Spriešana gūst panākumus ieviešanā. Eiropas regulatori nejauši noteica to, ko laba inženierija vienmēr ir prasījusi.
Nākotne pieder MI, kas spēj gan uztvert modeļus, gan spriest ar loģiku. Atpazīšana un secināšana. Statistika un loģika. Tas ir mērķis. Tad MI kļūst patiesi inteliģents.
Pašreizējais stāvoklis: mums ir izcili modeļu atpazītāji, kas izliekas spriežam. Domāšanas ķēdes pamudināšana ir modeļu atpazīšana pār spriešanai līdzīgu tekstu, labāk nekā nekas, bet ne īsta loģika. Kā mācīt papagaili skaitīt matemātiskus pierādījumus. Iespaidīga atdarināšana. Ne izpratne.
Nākotnes stāvoklis: hibrīdas sistēmas, kur neirālā uztvere baro simbolisko spriešanu. Modeļu atpazīšana apstrādā nekārtīgus reālās pasaules ievaddatus. Loģiskā secināšana apstrādā lēmumus, kam vajadzīgas garantijas. Eiropas regulatīvās prasības virza šo nākotni ātrāk, nekā Amerikas inovāciju kultūra to dabiski sasniegtu. Dažreiz ierobežojumi patiešām rada brīvību, brīvību no katastrofālām MI atteicēm, katrā ziņā.
Vēlaties MI ar spriešanas spējām? Iepazīstiet Dweve Nexus un Loom. Vairāki spriešanas režīmi. Deduktīva, induktīva, abduktīva. Neirāli-simboliskā integrācija. Binārā ierobežojumu loģika. Izskaidrojamas secināšanas ķēdes. Tāds MI, kas ne tikai atpazīst modeļus. Tas patiešām spriež.