Kas īsti ir mākslīgais intelekts? (pilnīgs iesācēja ceļvedis)
The Dinner Party Question
Iedomājieties: sēžat vakariņās ar ģimeni. Jūsu māsasmeita uzdod jautājumu savam telefonam, un tas atbild nevainojami. Jūsu brālis piemin, ka viņa mašīna prot novietoties pati. Jūsu māsa stāsta par mākslīgo intelektu, kas raksta viņas darba e-pastus. Tad kāds pagriežas pret jums un jautā: "Bet kas īsti IR mākslīgais intelekts?"
Jūs apstājaties. Prātā skrien domas. Zināt, ka tam ir kāds sakars ar datoriem un gudrību. Varbūt roboti? Droši vien matemātika? Noteikti kaut kas par mācīšanos no datiem? Bet, kad mēģināt to izteikt vārdos, viss ātri kļūst miglains.
Jūs neesat vienīgais. Pat cilvēki, kas strādā tehnoloģiju jomā, cenšas izskaidrot MI vienkāršiem vārdiem. Eksperti lieto tādus vārdus kā "neironu tīkli", "mašīnmācīšanās" un "dziļā mācīšanās", kas izklausās iespaidīgi, bet neko neizskaidro cilvēkam, kurš vienkārši grib saprast, kas notiek, kad viņa telefons atpazīst viņa seju.
Parasti notiek viens no diviem: vai nu kāds pārlieku vienkāršo MI līdz bezjēdzībai ("Tas ir tikai tas, ka datori ir gudri!"), vai arī apbērbj jūs ar tehnisku žargonu, līdz acis stiklojas un jūs pieklājīgi mājat, neko nesaprotot.
Neviena no šīm pieejām nepalīdz. Jūs esat pelnījuši labāk. Jūs esat pelnījuši skaidrojumu, kas ciena gan jūsu saprātu, gan jūsu laiku. Skaidrojumu, kas ir godīgs par to, kas MI patiesībā ir, ko tas patiešām var darīt, un jā, ko tas nevar darīt, lai kā to apgalvotu mārketinga materiāli.
Tieši tam šis ceļvedis ir paredzēts. Bez doktora grāda prasības. Bez mārketinga skaļiem vārdiem. Bez izvairīšanās. Tikai godīgs, rūpīgs mākslīgā intelekta skaidrojums, ko jūs patiešām varat saprast un izskaidrot citiem.
Kas MI patiesībā ir (Pamati)
Sāksim ar patiesību, vienkārši un skaidri:
Mākslīgais intelekts ir programmatūra, kas pieņem lēmumus, atpazīstot modeļus, ko tā ir iemācījusies no piemēriem.
Tas ir kodols. Ne maģija. Ne apziņa. Ne jūtīgums. Modeļu atpazīšana caur piemēriem, ko veic datorprogrammas.
Ļaujiet man to padarīt konkrētu ar kaut ko, ko jūs jau saprotat: mācīšanos atpazīt suņus.
Kad bijāt mazs, kāds jums parādīja suni. Varbūt norādīja uz to un teica "suns." Jūs redzējāt citu suni, citu šķirni, citu izmēru. "Suns." Vēl vienu. "Suns." Laika gaitā jūsu smadzenes pamanīja modeļus: četras kājas, kažoks, aste, rejas, noteiktas kustības. Galu galā jūs varējāt ieraudzīt suni, ko nekad iepriekš nebijāt redzējis, un uzreiz zināt, ka "tas ir suns." Jūs iemācījāties modeli.
MI darbojas tāpat, bet ar matemātiku nevis smadzeņu šūnām. Jūs tam parādāt tūkstošiem suņu attēlu ar apzīmējumu "suns" un tūkstošiem citu lietu attēlu ar apzīmējumu "nav suns." MI atrod matemātiskus modeļus: noteiktas formas parādās suņu fotoattēlos, noteiktas faktūras, noteikti pazīmju izkārtojumi. Pēc pietiekami daudz piemēru tas var paskatīties uz jaunu fotoattēlu, ko nekad nav redzējis, un noteikt, vai tajā ir suns.
Tas pats process. Cita mehānika. Jūs izmantojāt neironus. MI izmanto skaitļus datora atmiņā. Jūs izmantojāt elektroķīmiskus signālus. MI izmanto aprēķinus. Bet abi iemācījāties, atrodot modeļus piemēros.
"Mākslīgā" daļa? Tas darbojas uz silīcija mikroshēmām un elektrisko strāvu, nevis neironiem un smadzeņu audiem. "Intelekta" daļa? Tā ir lēmumu pieņemšana, balstoties uz apgūtiem modeļiem, kas noteikti ir viena no tā sastāvdaļām, ko mēs saucam par intelektu.
Bet lūk, kas MI NAV, un tas ir būtiski: tas nedomā. Tas nesaprot. Tas nav apzinīgs. Tam nav apziņas. Tas atpazīst modeļus un piemēro noteikumus, kas balstīti uz šiem modeļiem. Neticami sarežģīta modeļu atpazīšana, jā. Bet tomēr modeļu atpazīšana, nevis patiesa izpratne.
Īsa vēsture (Kā mēs šeit nonācām)
Izpratne par to, no kurienes nāk mākslīgais intelekts, palīdz saprast, kas tas ir šodien.
Sapnis par mākslīgo intelektu ir sens. Patiešām sens. Senie mīti vēstīja par mehāniskiem kalpiem un mākslīgām būtnēm. Taču mūsdienu mākslīgā intelekta stāsts sākas 20. gadsimta 50. gados.
1950. gadā Alans Tjūrings, britu matemātiķis, kurš Otrā pasaules kara laikā palīdzēja atšifrēt nacistu kodus, uzdeva vienkāršu jautājumu: "Vai mašīnas spēj domāt?" Viņš ierosināja testu: ja tu sarunājies ar kaut ko un nevari pateikt, vai tas ir cilvēks vai mašīna, vai tam ir nozīme? Tas kļuva pazīstams kā Tjūringa tests.
1956. gadā zinātnieku grupa sapulcējās Dārtsmutas koledžā vasaras seminārā. Viņi radīja terminu "mākslīgais intelekts" un prognozēja, ka mašīnas, kas atbilst cilvēka intelektam, pastāvēs vienas paaudzes laikā. Viņi bija optimistiski. Ļoti optimistiski. Pārāk optimistiski.
Sekoja entuziasma un vilšanās cikli, ko dēvēja par "mākslīgā intelekta ziemām", kad finansējums izsīka un interese mazinājās, jo tehnoloģija nespēja pildīt savus solījumus.
Agrīnais mākslīgais intelekts balstījās uz noteikumiem un loģiku. Ja varēji pierakstīt noteikumus kaut kam, dators varēja tiem sekot. Tas labi darbojās šahā un vienkāršās loģikas mīklās. Tas katastrofāli cieta neveiksmi reālās pasaules uzdevumos, piemēram, seju atpazīšanā vai runas saprašanā.
Kāpēc? Tāpēc, ka lielākā daļa cilvēka intelekta nav noteikumi, ko varam pierakstīt. Kad atpazīsti drauga seju, tu apzināti neseko noteikumiem. Tu vienkārši zini. Tavas smadzenes ir apguvušas modeļus, kurus nevari izteikt vārdos.
Izrāviens notika, kad pētnieki pārtrauca mēģināt ieprogrammēt intelektu un sāka to audzēt. Tā vietā, lai rakstītu noteikumus, viņi izveidoja sistēmas, kas varēja apgūt noteikumus no piemēriem. Šī pāreja no ieprogrammēta intelekta uz apgūtu intelektu mainīja visu.
20. gadsimta 80. un 90. gados neironu tīkli ieguva popularitāti, sistēmas, kas brīvi iedvesmojas no tā, kā smadzeņu šūnas savienojas un sazinās. Taču datori vēl nebija pietiekami jaudīgi. Datu vēl nebija pietiekami daudz. Matemātika bija, bet infrastruktūra nebija.
Tad ap 2010. gadu notika trīs lietas, kas mainīja spēli:
Pirmkārt, internets radīja milzīgas datu kopas. Miljardiem fotogrāfiju. Miljoniem stundu video. Bezgalīgs teksts. Visi piemēri, no kuriem mākslīgajam intelektam bija jāmācās.
Otrkārt, datori kļuva ievērojami jaudīgāki, īpaši grafikas procesori (GPU), kas sākotnēji tika radīti videospēlēm, bet ir ideāli piemēroti matemātikai, ko prasa mākslīgais intelekts.
Treškārt, pētnieki izdomāja, kā trenēt ļoti lielus neironu tīklus, lai tie matemātiski nesabruktu, problēma, kas bija nomocījusi agrākus mēģinājumus.
Šie trīs faktori apvienojās sprādzienveidīgi. Līdz 2012. gadam mākslīgais intelekts pārspēja cilvēkus attēlu atpazīšanā. Līdz 2016. gadam tas pārspēja pasaules čempionus sarežģītās spēlēs, piemēram, Go. Līdz 2020. gadam tas ģenerēja cilvēka kvalitātes tekstu. Līdz 2023. gadam tas radīja mākslu, rakstīja kodu un nokārtoja profesionālus eksāmenus.
Mēs dzīvojam šī sprādziena laikā. Taču mēs neesam pie mākslīgā vispārējā intelekta (MI, kas atbilst cilvēka intelektam visās jomās). Mēs pat neesam tuvu. Tas, kas mums ir, ir šaurs mākslīgais intelekts: sistēmas, kas ir pārcilvēciskas konkrētos uzdevumos, bet nederīgas visam pārējam.
Trīs veidi, ar kuriem Tu Patiesībā Saskaries Ik Dienu
Mākslīgais intelekts nav viena lieta. Tā ir pieeju saime. Šeit ir trīs, ar kuriem tu mijiedarbojies pastāvīgi, pat ja to neapzinies:
1. tips: Uz noteikumiem balstīts mākslīgais intelekts (vecā paaudze)
Šī ir vecākā mākslīgā intelekta forma, un tā joprojām ir visuresoša. Kāds uzraksta skaidrus noteikumus, un dators tos precīzi ievēro.
Padomājiet par savu e-pasta surogātpasta filtru tā pirmsākumos. Programmētājs uzrakstīja noteikumus: "Ja e-pasts satur 'Nigērijas princis', atzīmē to kā surogātpastu. Ja e-pasts satur 'apsveicam, uzvarētāj', atzīmē to kā surogātpastu. Ja e-pastam ir pielikumi no nezināma sūtītāja, atzīmē to kā surogātpastu."
Vienkārši. Skaidri. Caurredzami.
Priekšrocības: Jūs precīzi zināt, kā tas darbojas, jo katru noteikumu ir uzrakstījis cilvēks. Tas ir paredzams. To var auditēt. Ja tiek pieļauta kļūda, varat atrast konkrēto noteikumu, kas to izraisīja, un to labot.
Trūkumi: Trausls. Nespēj tikt galā ar situācijām, kas nav noteikumos. Surogātpasta izplatītāji ātri pielāgojas. Uzrakstiet "N1gēr1jas pr1ncs", nevis "Nigērijas princis", un pēkšņi noteikums vairs nesakrīt. Katram variantam ir nepieciešams jauns noteikums. Tas nav mērogojams sarežģītām problēmām.
Kur ar to saskaraties: Termostati, kas ievēro temperatūras noteikumus. Vienkārši tērzēšanas roboti ar ieprogrammētām atbildēm. Nodokļu sagatavošanas programmatūra, kas ievēro nodokļu kodeksa noteikumus. Jebkura sistēma, kurā noteikumi ir skaidri definēti un daudz nemainās.
2. tips: Mašīnmācīšanās (modeļu atklājējs)
Tā vietā, lai manuāli rakstītu noteikumus, jūs rādāt datoram piemērus un ļaujat tam automātiski atklāt modeļus.
Mūsdienu surogātpasta filtri darbojas šādi. Jūs neprogrammējat noteikumus. Tā vietā jūs rādāt sistēmai tūkstošiem surogātpasta e-pastu un tūkstošiem likumīgu e-pastu. Tā atklāj modeļus: surogātpastam mēdz būt noteikti vārdi, noteikti sūtītāju modeļi, noteikta saišu struktūra, noteikti nosūtīšanas laika modeļi. Tā to visu apgūst automātiski no piemēriem.
Priekšrocības: Pielāgojas jaunām situācijām. Surogātpasta izplatītāji maina taktiku? Sniedziet MI jaunus piemērus, un tas apgūst jaunus modeļus. Tiek galā ar sarežģītību, ko cilvēki nespēj izskaidrot. Jūs nevarat uzrakstīt noteikumus par to, "kas padara seju pievilcīgu", bet MI var apgūt modeļus no piemēriem.
Trūkumi: Jūs ne vienmēr zināt, KĀPĒC tas pieņēma lēmumu. Tas apguva modeļus, bet šie modeļi var nebūt acīmredzami vai viegli izskaidrojami. Tas var apgūt nepareizus modeļus, ja jūsu apmācības dati ir neobjektīvi. Tam ir nepieciešams daudz piemēru, no kuriem mācīties.
Kur ar to saskaraties: Ieteikumu sistēmas (Netflix, Spotify, YouTube iesaka, kas jums varētu patikt). Krāpšanas atklāšana (bankas pamana neparastus darījumus). Balss atpazīšana (jūsu tālrunis saprot runu). Produktu ieteikumi (Amazon iesaka preces). Kredītspējas novērtēšana. Medicīniskās diagnostikas palīdzība.
3. tips: Dziļā mācīšanās (sarežģītības risinātājs)
Šī ir mašīnmācīšanās, kas novesta līdz galējībai. Tā vietā, lai apgūtu vienkāršus modeļus, dziļā mācīšanās veido arvien sarežģītāku modeļu hierarhijas.
Iedomājieties, ka mācāt MI atpazīt sejas. Pirmais slānis mācās atklāt malas (vertikālas līnijas, horizontālas līnijas, diagonālas līnijas). Otrais slānis apvieno malas vienkāršās formās (stūri, līknes). Trešais slānis apvieno formas sejas daļās (acis, deguni, mutes). Ceturtais slānis apvieno sejas daļas veselās sejās. Katrs slānis balstās uz to, ko iepriekšējie slāņi ir apguvuši.
Priekšrocības: Spēj atrisināt problēmas, kas datoriem šķita neiespējamas. Objektu atpazīšana fotogrāfijās. Runas saprašana trokšņainā vidē. Tulkošana starp valodām. Reālistisku attēlu ģenerēšana. Sarežģītu stratēģijas spēļu spēlēšana.
Trūkumi: Nepieciešams milzīgs apmācības datu apjoms (miljoniem piemēru). Nepieciešama milzīga skaitļošanas jauda (specializēti procesori, kas darbojas dienām vai nedēļām). Vēl mazāk caurredzams nekā pamata mašīnmācīšanās. Jūs patiešām nevarat viegli izskaidrot, kāpēc tas pieņēma konkrētu lēmumu. Tas var negaidīti neizdoties, saskaroties ar situācijām, kas pārāk atšķiras no apmācības piemēriem.
Kur ar to sastopaties: Sejas atpazīšana tālrunī. Balss asistenti, piemēram, Siri vai Alexa. Automātiska fotoattēlu kārtošana. Valodu tulkošana. Pašvadības sistēmas automašīnās. Tērzēšanas roboti, piemēram, ChatGPT. Attēlu ģenerēšanas rīki. Jebkurš mākslīgais intelekts, kas savās spējās šķiet gandrīz vai maģisks.
Kā mākslīgais intelekts patiesībā mācās (procesa skaidrojums)
Šeit kļūst interesanti. Izstaigāsim precīzi to, kas notiek, kad mākslīgais intelekts kaut ko apgūst, izmantojot konkrētu piemēru, ko saprot ikviens.
Iedomājieties, ka vēlaties iemācīt mākslīgajam intelektam atpazīt, vai fotoattēlā ir kaķis. Lūk, soli pa solim veicamais process:
1. solis: piemēru vākšana (treniņdati)
Jūs savācat tūkstošiem fotoattēlu. Pieņemsim, 10 000 fotoattēlu ar kaķiem un 10 000 fotoattēlu bez kaķiem. Katru iezīmējat: "kaķis" vai "nav kaķis". Šī iezīmētā kolekcija ir jūsu treniņdati.
Šis solis ir svarīgāks, nekā vairums cilvēku apzinās. Treniņdatu kvalitāte nosaka mākslīgā intelekta kvalitāti. Ja parādīsiet tam tikai oranžu runču attēlus, tas, iespējams, neatpazīs melnu kaķi. Ja parādīsiet kaķus tikai uz balta fona, tam var rasties grūtības ar kaķiem uz zāles. Izvēlētie piemēri veido to, ko tas apgūst.
2. solis: sākšana ar nejaušību (neko nezināšana)
Mākslīgais intelekts sāk pilnīgi nezinošs. Tam ir iekšēji skaitļi (saukti par parametriem jeb svariem), kas nosaka, kā tas apstrādā attēlus. Sākotnēji šie skaitļi ir nejauši. Bez jēgas. Mākslīgais intelekts burtiski min.
Parādiet tam kaķa fotoattēlu, tas, iespējams, teiks "nav kaķis". Parādiet suņa fotoattēlu, tas, iespējams, teiks "kaķis". Tas pastāvīgi kļūdās. Tas ir gaidāmi. Tas vēl neko nav apguvis.
3. solis: prognožu veikšana (esošo zināšanu pārbaude)
Mākslīgais intelekts aplūko fotoattēlu no jūsu treniņkopas, izmantojot savus pašreizējos (nejaušos) iekšējos skaitļus. Tas apstrādā attēlu vairākos posmos, katrā izmantojot šos skaitļus, un sniedz atbildi: "kaķis" vai "nav kaķis" ar pārliecības līmeni.
Piemērs: aplūkojot suņa fotoattēlu, tas varētu teikt "Šis ir kaķis ar 23% pārliecību". Ļoti nepareizi.
4. solis: kļūdas mērīšana (kļūdas aprēķināšana)
Tagad salīdziniet mākslīgā intelekta atbildi ar faktisko iezīmi, ko jūs norādījāt. Jūs teicāt "nav kaķis". Mākslīgais intelekts teica "kaķis". Cik ļoti tas kļūdījās?
Šī kļūdainība tiek izteikta kā skaitlis, ko sauc par "zudumu" jeb "kļūdu". Jo pārliecinātāks tas bija par nepareizo atbildi, jo lielāka kļūda. Tik tikko kļūdījies? Maza kļūda. Pilnīgi nepareizi ar lielu pārliecību? Milzīga kļūda.
5. solis: pielāgojumu aprēķināšana (gradientu maģija)
Šeit talkā nāk aprēķini (neuztraucieties, jums nav jāsaprot matemātika). Mākslīgais intelekts var precīzi aprēķināt, KĀ pielāgot katru savu iekšējo skaitli, lai samazinātu kļūdu.
Iedomājieties to šādi: esat tumšā telpā un mēģināt atrast zemāko punktu paugurainai grīdai. Zem kājām varat sajust, kurš virziens ir lejup. Sperat nelielu soli lejupvirzienā. Atkal jūtat. Atkal sperat soli. Galu galā sasniedzat zemāko punktu.
Tieši to mākslīgais intelekts dara matemātiski. Tas aprēķina, kādā virzienā jāpielāgo katrs skaitlis, lai kļūda samazinātos. Šo virzienu sauc par "gradientu".
6. solis: neliela pielāgošana (mazu soļu speršana)
Mākslīgais intelekts (MI) visus savus iekšējos skaitļus pakāpeniski maina virzienā, kas samazina kļūdu. Ne jau ar lieliem lēcieniem (varētu pāršaut un padarīt situāciju sliktāku). Ne jau ar sīkiem solīšiem (mācīšanās prasītu mūžīgi). Tikai ar pareiza lieluma soļiem.
Cik lieliem? To nosaka kaut kas, ko sauc par "mācīšanās ātrumu", un pareizā mācīšanās ātruma izvēle ir daļēji māksla, daļēji zinātne.
7. solis: atkārto tūkstošiem reižu (pakāpeniska uzlabošanās)
Tu parādi tam vēl vienu fotoattēlu. Tas prognozē. Tu mēri kļūdu. Tu aprēķini pielāgojumus. Tu maini skaitļus. Atkārto.
Un atkal. Un atkal. Tūkstošiem reižu. Dažreiz desmitiem tūkstošu vai miljoniem reižu, vairākkārt iziet cauri visam treniņa datu kopumam.
Katrs pielāgojums ir niecīgs. Bet tie uzkrājas. Pēc pietiekami daudzu piemēru parādīšanas un pietiekami daudzu niecīgu pielāgojumu veikšanas notiek kaut kas ievērojams: MI kļūst labs kaķu atpazīšanā.
Nevis tāpēc, ka tas "saprot", kas ir kaķis. Bet tāpēc, ka tā iekšējos skaitļus ir veidojuši visi šie pielāgojumi, lai atpazītu modeļus, kas korelē ar kaķu klātbūtni: smailas ausis, ūsas, noteiktas sejas formas, kažoka faktūras, ķermeņa proporcijas.
8. solis: testē ar jauniem datiem (īstais pārbaudījums)
Tagad nāk izšķirošā daļa. Tu parādi MI fotoattēlus, ko tas nekad nav redzējis. Fotoattēlus, kas nebija treniņa datu kopā. Vai tas spēj atpazīt kaķus šajos jaunajos fotoattēlos?
Ja spēj, lieliski! Tas ir iemācījies vispārīgus modeļus, kas attiecas uz jaunām situācijām. Ja nespēj, tas ir "pārmācījies" uz taviem treniņa datiem, iegaumējot specifiskas detaļas, nevis apgūstot vispārināmus modeļus. Atpakaļ pie zīmēšanas dēļa.
Viss šis process, sākot no nejaušas minēšanas līdz precīzai atpazīšanai, tiek saukts par "treniņu". Tā nav maģija. Tas ir atkārtota matemātiska optimizācija. Bet rezultāti var šķist maģiski.
Ko MI patiešām spēj (godīgās iespējas)
Būsim nežēlīgi reālistiski par to, ko MI spēj un ko nespēj. Mārketinga materiāli tev to nepateiks. Es pateikšu.
Kur MI izceļas:
Modeļu atpazīšana pārcilvēciskā mērogā: MI spēj atpazīt modeļus miljonos datu punktu, kuru analīze cilvēkiem prasītu mūžu. Krāpniecisku darījumu pamanīšana miljardu vidū. Audzēju atrašana medicīniskajos attēlos ar precizitāti, kas atbilst ekspertu radiologu līmenim vai to pārspēj. Seju atpazīšana pūlī. Defektu identificēšana ražošanā.
Atkārtoti uzdevumi bez noguruma: Cilvēki nogurst. Mēs pieļaujam paviršas kļūdas pēc kāda darba atkārtošanas. MI nenogurst. Tas spēj analizēt miljono attēlu ar tādu pašu uzmanību kā pirmo. Ideāli piemērots kvalitātes kontrolei, datu ievades pārbaudei, jebkam, kam nepieciešams konsekvents atkārtots vērtējums.
Apstrādes ātrums: MI spēj analizēt informāciju datora ātrumā. Tūkstošiem dokumentu nolasīšana sekundē. Miljoniem datu bāzes ierakstu skenēšana acumirklī. Atbildēšana uz jautājumiem ātrāk, nekā cilvēks spēj domāt.
Daudzdimensionāla analīze: Cilvēkiem ir grūti domāt vairāk nekā trīs dimensijās. MI spēj atrast modeļus telpās ar tūkstošiem dimensiju. Tas ļauj izveidot tādas lietas kā ieteikumu sistēmas, kas vienlaikus ņem vērā simtiem faktoru.
Prognozēšana, balstoties uz vēsturiskiem modeļiem: Ar pietiekami daudz vēsturisku datu MI spēj prognozēt iespējamos iznākumus. Laika prognozes. Akciju cenu kustības (ar ļoti mainīgiem rezultātiem). Klientu uzvedība. Iekārtu apkopes vajadzības. Ne perfekti, bet bieži vien labāk nekā cilvēka minējumi.
Kur MI cieš neveiksmi (ierobežojumi):
Patiesa izpratne: Mākslīgais intelekts neko nesaprot. Ne īsti. Tas atpazīst modeļus un rada rezultātus, kas korelē ar šiem modeļiem. Pajautājiet tam, kāpēc debesis ir zilas, un tas sniegs tekstu, kas izklausās pareizi (jo tas ir iemācījies šo modeli no teksta datiem), bet tas īsti neizprot zilumu, debesis vai gaismas izkliedi. Tas atkārto apgūtus modeļus, nevis demonstrē izpratni.
Veselā saprāta spriešana: Cilvēkiem ir miljoniem sīku zināšanu, kuras mēs uzskatām par pašsaprotamām. "Uguns ir karsta." "Ūdens ir slapjš." "Lietas krīt uz leju, nevis uz augšu." "Ja nometīsi glāzi, tā var saplīst." Mākslīgajam intelektam šo pamatzināšanu pēc būtības nav, ja vien tas nav īpaši apmācīts, un pat tad tas bieži nespēj tikt galā ar jaunām jēdzienu kombinācijām.
Īsta radošums: Mākslīgais intelekts var apvienot esošos modeļus jaunos veidos. Tas var izskatīties radoši. Mākslas ģenerēšana, sajaucot apgūtos stilus. Stāstu rakstīšana, apvienojot apgūtās naratīva struktūras. Bet tas nerada patiesi jaunus jēdzienus. Tā ir sarežģīta modeļu rekombinācija, nevis īsta inovācija.
Cēlonis pret korelāciju: Mākslīgais intelekts atrod korelācijas datos. Bet korelācija nav cēloniskums. Piemērs: saldējuma pārdošana cieši korelē ar noslīkšanas gadījumu skaitu (abi sasniedz maksimumu vasarā). Mākslīgais intelekts var iemācīties šo korelāciju. Tas nesaprot, ka vasaras laikapstākļi izraisa abus un ka saldējums neizraisa noslīkšanu. Cilvēki to saprot. Mākslīgajam intelektam tas ir īpaši jāiemāca.
Pielāgošanās jaunām situācijām: Mākslīgais intelekts mācās no apmācības datiem. Parādiet tam situācijas, kas ļoti atšķiras no tā, ar ko tas ir apmācīts, un tas bieži vien cieš neveiksmi. Apmācīts uz īstu kaķu fotogrāfijām, pēc tam parādīts kaķis, kas veidots no papīra izgriezumiem? Iespējams, tas to pilnībā nepamanīs. Modeļi nesakrīt ar to, ko tas ir iemācījies.
Savu lēmumu izskaidrošana: Mūsdienu dziļās mācīšanās sistēmas ir bēdīgi slavenas ar savu necaurredzamību. Tās darbojas, bieži vien izcili, bet pajautājiet, KĀPĒC tās pieņēma konkrētu lēmumu, un parasti jūs nesaņemat skaidru atbildi. Lēmums radies no miljoniem skaitlisku mijiedarbību. Vienkārša izskaidrojuma nav.
Nepieciešamība pēc milzīga datu apjoma: Lielākajai daļai mākslīgā intelekta sistēmu mācīšanās vajag tūkstošiem vai miljoniem piemēru. Cilvēki var apgūt jaunus jēdzienus no viena līdz pieciem piemēriem. Šī plaisa, ko sauc par "mazpiemēru mācīšanos", joprojām ir būtisks ierobežojums.
Kur iederas binārās un ierobežojumu pieejas
Lūk, ko lielākā daļa mākslīgā intelekta diskusiju pilnībā izlaiž: jautājums par to, KĀ matemātika faktiski tiek veikta, ir ārkārtīgi svarīgs.
Lielākā daļa mūsdienu mākslīgā intelekta izmanto peldošā komata aritmētiku. Ko tas nozīmē? Tas strādā ar decimālskaitļiem ar daudzām zīmēm aiz komata. Iedomājieties 3.14159265 vai 0.00000734. Ļoti precīzi. Ļoti elastīgi. Arī skaitļošanas ziņā ļoti dārgi.
Katrs aprēķins ar šiem skaitļiem prasa tūkstošiem tranzistoru datora mikroshēmā. Reizināt divus peldošā komata skaitļus? Tūkstošiem tranzistoru strādā kopā. Veikt miljardiem šādu darbību? Jums vajag milzīgus procesorus, kas patērē ārkārtīgi daudz enerģijas.
Tāpēc mākslīgajam intelektam parasti ir vajadzīgas jaudīgas GPU un milzīgi datu centri. Matemātika ir skaitļošanas ziņā dārga aparatūras līmenī.
Bet ir atziņa, kas zināma jau gadu desmitiem, bet tikai nesen uztverta nopietni: inteliģencei bieži vien nav vajadzīga šī precizitāte. Lielākā daļa lēmumu galu galā ir bināri. Jā vai nē. Patiess vai nepatiess. Suns vai kaķis. Mēstule vai ne mēstule. Apstiprināt vai noraidīt.
Binārā skaitļošana izmanto tikai divas vērtības: 0 un 1, ieslēgts un izslēgts, patiess un nepatiess. Tieši tam datori sākotnēji tika radīti. XNOR vārti (pārbauda, vai divas binārās vērtības ir vienādas) prasa tikai 6 tranzistorus. Salīdzinot to ar tūkstošiem tranzistoru, kas nepieciešami peldošā komata darbībām, atklājas efektivitātes plaisa.
Daži uzņēmumi (Dweve ir viens no piemēriem) veido mākslīgā intelekta sistēmas, kas balstās uz binārām darbībām un skaidri noteiktiem ierobežojumiem, nevis peldošā komata svariem. Ko tas nozīmē praktiski?
Ātrums: Binārās darbības ir tas, ko datori veic dabiski un efektīvi. Strādājot ar vieniniekiem un nullēm, nevis sarežģītiem decimālskaitļiem, katra darbība prasa ievērojami mazāk skaitļošanas resursu.
Caurredzamība: Uz ierobežojumiem balstītas sistēmas izmanto skaidras loģiskās attiecības. Tās var redzēt, pārbaudīt un saprast, kāpēc pieņemts konkrēts lēmums, izsekojot, kuri ierobežojumi tika aktivizēti. Tā nav melnā kaste.
Energoefektivitāte: Binārās darbības patērē ievērojami mazāk enerģijas. Mākslīgais intelekts, kas var darboties jūsu tālrunī, nevis prasa datu centru. Mākslīgais intelekts, kam nav vajadzīgi specializēti procesori.
Kad tas darbojas: Daudzām reālās dzīves problēmām uz bināriem ierobežojumiem balstīts mākslīgais intelekts ir ne tikai pietiekams, bet pat pārāks. Rakstu atpazīšana, loģiskā spriešana, klasifikācijas uzdevumi, ierobežojumu apmierināšanas problēmas.
Kad tas nedarbojas: Augstas precizitātes skaitliskām problēmām joprojām ir izdevīgs peldošais komats. Sarežģīta nepārtraukta optimizācija. Atsevišķas zinātniskās simulācijas. Ne visam jābūt bināram.
Būtība nav tajā, ka viena pieeja vienmēr ir labāka. Būtība ir tajā, ka daudziem uzdevumiem nozare pēc noklusējuma izvēlas dārgu peldošā komata dziļo mācīšanos, lai gan vienkāršākas, efektīvākas un caurredzamākas binārās pieejas darbotos tikpat labi vai pat labāk.
Mākslīgā intelekta praktiskā realitāte šodien
Pamatosim visu šo teoriju tajā, kas patiešām pastāv tieši tagad, šodien, reālajā pasaulē:
Jūsu kabatā: Jūsu viedtālrunī vienlaikus darbojas vairākas mākslīgā intelekta sistēmas. Sejas atpazīšana atbloķē tālruni, analizējot desmitiem sejas pazīmju punktu. Balss asistenti reāllaikā pārveido jūsu runu tekstā. Kamera izmanto mākslīgo intelektu fotoattēlu uzlabošanai, atpazīstot ainas un automātiski pielāgojot iestatījumus. Akumulatora pārvaldības mākslīgais intelekts apgūst jūsu lietošanas paradumus un optimizē enerģijas patēriņu. Tastatūras automātiskā labošana izmanto valodas modeļus, lai paredzētu, ko rakstāt. Viss tas darbojas lokāli uz mikroshēmas, kas ir mazāka par jūsu īkšķa nagu.
Jūsu e-pastā: Katrs e-pasta pakalpojums izmanto vairākas mākslīgā intelekta sistēmas. Surogātpasta filtri analizē ziņojumu modeļus, sūtītāja reputāciju, saišu struktūras un saturu, lai noteiktu, kas ir surogātpasts. Prioritatās iesūtnes sistēmas apgūst, kuri e-pasti jums ir svarīgi, un parāda tos vispirms. Viedā rakstīšana paredz, ko jūs, iespējams, vēlēsieties rakstīt tālāk. Viss neredzams, nepārtraukti darbojas fonā.
Jūsu automašīnā: Mūsdienu transportlīdzekļos ir desmitiem mākslīgā intelekta sistēmu. Adaptīvā kruīza kontrole pielāgo ātrumu atbilstoši priekšā esošajai satiksmei. Joslas uzturēšanas palīgsistēma nosaka joslu marķējumus un notur jūs centrā. Parkošanās palīgsistēma aprēķina trajektorijas. Pat dzinēja pārvaldība izmanto mākslīgo intelektu, lai optimizētu degvielas efektivitāti un veiktspēju atbilstoši braukšanas paradumiem.
Veselības aprūpē: mākslīgais intelekts ikdienā palīdz ārstiem. Analizē rentgena un CT attēlus, meklējot novirzes, bieži pamanot problēmas, kuras cilvēka acs nepamana. Pārbauda zāļu mijiedarbības datubāzes, kad tiek izrakstīti medikamenti. Analizē pacientu datus, lai prognozētu veselības riskus. Palīdz diagnosticēt, salīdzinot simptomus ar miljoniem medicīnisko ierakstu.
Finanšu jomā: bankas plaši izmanto mākslīgo intelektu. Krāpšanas atklāšanas sistēmas reāllaikā analizē darījumu modeļus, atzīmējot aizdomīgas darbības, pirms jūsu karte pat ir norēķinājusies. Kredītspējas novērtēšanā risks tiek noteikts ar mākslīgā intelekta palīdzību. Tirdzniecības algoritmi sekundē pieņem miljoniem lēmumu. Klientu apkalpošanas tērzēšanas roboti risina ierastos jautājumus.
Jūsu mājās: viedie termostati apgūst jūsu grafiku un vēlmes, automātiski regulējot temperatūru. Viedie skaļruņi reaģē uz balss komandām. Drošības kameras izmanto mākslīgo intelektu, lai atšķirtu cilvēkus, dzīvniekus un transportlīdzekļus. Pat jūsu putekļsūcējs var izmantot mākslīgo intelektu, lai kartētu jūsu mājokli un plānotu tīrīšanas maršrutus.
Tas ir īsts mākslīgais intelekts. Ne zinātniskā fantastika. Ne tālā nākotne. Tieši tagad tas katru dienu pieņem miljoniem mazu lēmumu, kas ietekmē jūsu dzīvi, bieži vien jums to pat nepamanot.
Mākslīgā intelekta nākotne (godīgas prognozes)
Aizmirstiet ažiotāžu. Aizmirstiet zinātnisko fantastiku. Lūk, kas patiesībā ir iespējams nākamajos 5 līdz 10 gados, balstoties uz pašreizējām tendencēm un reālistisku tehnoloģiju attīstību:
Vairāk malējās skaitļošanas (mākslīgais intelekts pamet mākoni): mākslīgais intelekts pārvietojas no attāliem serveriem uz vietējām ierīcēm. Jūsu tālrunis. Jūsu klēpjdators. Jūsu automašīna. Kāpēc? Privātums (jūsu dati nekad nepamet jūsu ierīci). Ātrums (nav tīkla aizkaves). Uzticamība (darbojas bez interneta). Izmaksas (nav mākoņa rēķinu). Šī tendence paātrinās, ko veicina efektīvāki mākslīgā intelekta algoritmi un jaudīgāki vietējie procesori.
Obligāta pārredzamība (noteikumi, kas pieprasa izskaidrojamību): Eiropas mākslīgā intelekta noteikumi jau pieprasa, lai noteiktas mākslīgā intelekta sistēmas būtu izskaidrojamas. Jums ir likumīgas tiesības saprast, kāpēc mākslīgais intelekts noraidīja jūsu aizdevumu vai atzīmēja jūsu saturu. Tas liek uzņēmumiem jau no paša sākuma iebūvēt pārredzamību, attālinoties no pilnīgi necaurredzamām melnās kastes sistēmām.
Hibrīdas pieejas (dažādu mākslīgā intelekta veidu apvienošana): nākotne nav viens mākslīgā intelekta veids, kas uzvar. Tā ir katra veida izmantošana tam, ko tas dara vislabāk. Dziļā mācīšanās modeļu atpazīšanai. Simboliskais mākslīgais intelekts loģiskai spriešanai. Uz noteikumiem balstītas sistēmas labi definētām jomām. Uz ierobežojumiem balstītas pieejas efektivitātei un pārredzamībai. Viss darbojas kopā.
Ievērojams efektivitātes pieaugums (vairāk ar mazāk): pašreizējais mākslīgais intelekts ir izšķērdīgs. Lielu modeļu apmācība izmaksā miljoniem elektrības. To darbināšanai nepieciešama jaudīga aparatūra. Tas nepaliks mūžīgi. Ekonomiskais un vides spiediens veicina ievērojamus efektivitātes uzlabojumus. Binārie neironu tīkli, modeļu saspiešana, labāki algoritmi. Nāk mākslīgais intelekts, kas darbojas ar nelielu daļu no pašreizējās enerģijas.
Domēna specializācija (eksperts mākslīgais intelekts, nevis vispārējs): tā vietā, lai viens milzīgs mākslīgais intelekts mēģinātu visu darīt slikti, mēs virzāmies uz daudzām specializētām mākslīgā intelekta sistēmām, katra eksperte savā jomā. Medicīniskais mākslīgais intelekts, dziļi apmācīts uz medicīnas datiem. Juridiskais mākslīgais intelekts, eksperts tiesību jomā. Finanšu mākslīgais intelekts, specializējies finansēs. Katrs apmācīts tieši savam uzdevumam, nevis cenšas būt viss visiem.
Labāka mazparauga mācīšanās (mācīšanās no mazāk piemēriem): plaisa starp cilvēka mācīšanos (1 līdz 5 piemēri) un mākslīgā intelekta mācīšanos (tūkstošiem piemēru) sarūk. Jaunas metodes ļauj mākslīgajam intelektam mācīties no ievērojami mazāk piemēriem, izmantojot esošās zināšanas un pārnesot mācīšanos starp jomām. Vēl ne cilvēka līmenī, bet tuvojas.
Kas NAV gaidāms drīz (reālistiskie ierobežojumi):
Vispārīgs mākslīgais intelekts, kas atbilst cilvēka intelektam visās jomās? Ne nākamajā desmitgadē. Visticamāk, ne arī vairākās nākamajās desmitgadēs. Iespējams, nekad. Pašreizējais MI ir šaurs: pārcilvēcisks konkrētos uzdevumos, nederīgs visā pārējā. Lai veiktu lēcienu līdz vispārīgam intelektam, ir vajadzīgi izrāvieni, ko neesam sasnieguši un, iespējams, nespējam sasniegt.
Apziņa? Sapratne? Pašapziņa? Nekas pašreizējos MI pētījumos neliecina, ka tas būtu tuvu. MI rada rezultātus, kas izskatās pēc sapratnes, atpazīstot un apvienojot apgūtus modeļus. Tā nav apziņa. Tā ir sarežģīta modeļu atpazīšana.
Hipju cikls sola revolucionāru vispārīgo mākslīgo intelektu dažu gadu laikā. Realitāte ir tāda, ka mums nav skaidra ceļa līdz tam no pašreizējām metodēm. Vai mēs tādu varētu atrast? Iespējams. Vai jums vajadzētu derēt, ka tas notiks drīz? Nē.
Kas Jums Patiešām Jāatceras
Ja no šī ceļveža neatceraties neko citu, atcerieties šīs būtiskās patiesības:
1. MI ir modeļu atpazīšana, nevis maģija. Tas mācās no piemēriem un pielieto apgūtos modeļus jaunās situācijās. Sarežģīts, jā. Spēcīgs, noteikti. Maģija? Nē. Saprotot, kā tas darbojas, tas zaudē savu noslēpumainību.
2. MI neko nesaprot tā, kā to dara cilvēki. Teksts, ko tas ģenerē, attēli, ko tas rada, lēmumi, ko tas pieņem, visi izriet no modeļu atpazīšanas un statistiskās korelācijas, nevis patiesas izpratnes. Tā noteikti nav vaina, bet tas ir būtisks ierobežojums, kas jāsaprot.
3. Datu kvalitāte nosaka MI kvalitāti. Nav piemēru, nav mācīšanās. Slikti piemēri nozīmē sliktu mācīšanos. Neobjektīvi piemēri rada neobjektīvu MI. Treniņdatu kvalitātei un reprezentativitātei lielākajā daļā reālās pasaules lietojumu ir lielāka nozīme nekā algoritma sarežģītībai.
4. Dažādi MI veidi izceļas dažādos uzdevumos. Uz noteikumiem balstīts MI labi definētām problēmām ar skaidriem noteikumiem. Mašīnmācīšanās modeļu atpazīšanai nesakārtotos datos. Dziļā mācīšanās sarežģītiem hierarhiskiem modeļiem. Uz bināriem ierobežojumiem balstītas pieejas loģiskai spriešanai un efektivitātei. Neviena pieeja nav labākā visam.
5. Caurredzamībai un izskaidrojamībai ir nozīme. Kad MI pieņem svarīgus lēmumus, kas ietekmē jūsu dzīvi, jums ir tiesības saprast, kāpēc. Melnās kastes lēmumi kļūst arvien nepieņemamāki, īpaši regulētās jomās. Pieprasiet izskaidrojamību.
6. Efektivitātei ir lielāka nozīme, nekā domājat. MI skaitļošanas izmaksas ietekmē akumulatora darbības laiku, privātumu (lokāli pret mākoni), ātrumu, izmaksas un ietekmi uz vidi. Binārās darbības un uz ierobežojumiem balstītas pieejas piedāvā reālas priekšrocības daudziem lietojumiem: ātrāk, lētāk, caurredzamāk, efektīvāk.
7. MI ir rīks, nevis risinājums. Tas atrisina konkrētas problēmas, ja to pareizi pielieto. Tas nav burvju līdzeklis visam. Izprotot tā iespējas un ierobežojumus, jūs to varat izmantot efektīvi un pamanīt, kad tas tiek nepareizi pielietots.
8. Nākotne jau ir klāt. Jūs mijiedarbojaties ar MI desmitiem vai simtiem reižu dienā. Tas ir jūsu tālrunī, automašīnā, e-pastā, meklēšanas rezultātos, banku pakalpojumos, veselības aprūpē. Saprotot, ko tas patiesībā dara, jūs varat pieņemt labākus lēmumus par privātumu, drošību un uzticēšanos.
Būtība
Mākslīgais intelekts ir īsts. Tas ir noderīgs. Tas ir arī ierobežots tādos veidos, ko mārketinga materiāli reti piemin.
Pamatā MI ir modeļu atpazīšana no piemēriem. Parādiet tam pietiekami daudz piemēru par kaut ko, un tas iemācās atpazīt šo lietu jaunās situācijās. Šis vienkāršais princips, pielietots ar sarežģītu matemātiku un milzīgu skaitļošanas jaudu, nodrošina iespējas, kas šķiet gandrīz maģiskas.
Bet tā nav maģija. Tā nav apziņa. Tā nav sapratne. Tā ir matemātiska modeļu atpazīšana milzīgā mērogā, izpildīta ar milzīgu ātrumu, trenēta uz plašām datu kopām.
To saprotot, tev būs vieglāk orientēties ar mākslīgo intelektu piesātinātajā pasaulē, kurā dzīvojam. Kad kāds apgalvo, ka MI kaut ko paveiks, vari jautāt: "Vai tas patiesībā ir rakstu atpazīšana, vai arī tas prasa patiesu sapratni?" Kad uzņēmums slavē savu MI, vari jautāt: "Kādus rakstus tas atpazīst un no kādiem datiem tas mācījās?" Kad MI pieņem lēmumu, kas tevi ietekmē, vari pieprasīt: "Parādi man, kāpēc, izseko loģikai, padari to caurskatāmu."
Noslēpums ir zudis. MI ir sarežģīta rakstu atpazīšana. Tas ir pietiekami spēcīgi, lai pārveidotu nozares un ikdienas dzīvi. Tas nav pietiekami spēcīgi, lai domātu, justu vai patiesi saprastu.
Zini atšķirību, un tu sapratīsi MI labāk nekā lielākā daļa cilvēku, kas tev to skaidro.
Tagad, kad kāds tajā vakariņu viesībās jautā "Kas īsti ir mākslīgais intelekts?", tu vari sniegt patiesu atbildi. Ne mārketinga ažiotāžu. Ne nesaprotamu žargonu. Tikai patiesību: rakstu atpazīšana no piemēriem, ko veic matemātika, kas nodrošina gan pārsteidzošas iespējas, gan ļoti reālus ierobežojumus.
Tas ir MI. Viss stāsts. Viss pārējais ir detaļas.