Kaj pravzaprav je umetna inteligenca? (popoln vodnik za začetnike)
Vprašanje o večerji
Predstavljajte si: sedite pri večerji z družino. Vaša nečakinja zastavi vprašanje svojemu telefonu in ta odgovori popolno. Vaš brat omeni, da se njegov avto zna sam parkirati. Vaša sestra govori o umetni inteligenci, ki piše njena službena sporočila. Nato se nekdo obrne k vam in vpraša: "Ampak kaj sploh JE umetna inteligenca?"
Obmolknite. Misli se vam podijo. Veste, da ima nekaj opraviti z računalniki in pametjo. Mogoče roboti? Verjetno matematika? Zagotovo nekaj o učenju iz podatkov? Toda ko poskušate to ubesediti, postane vse hitro megleno.
Niste edini. Tudi ljudje, ki delajo v tehnologiji, težko pojasnijo umetno inteligenco s preprostimi besedami. Strokovnjaki uporabljajo izraze, kot so "nevronske mreže", "strojevno učenje" in "globoko učenje", ki zvenijo impresivno, a ne pojasnijo ničesar nekomu, ki si le želi razumeti, kaj se dogaja, ko njegov telefon prepozna njegov obraz.
Običajno se zgodi eno od dveh stvari: nekdo umetno inteligenco tako poenostavi, da postane brez pomena ("To so samo pametni računalniki!") ali pa vas zasuje s tehničnim žargonom, dokler se vam pogled ne zamegli in vljudno prikimavate, ne da bi razumeli karkoli.
Noben pristop ne pomaga. Zaslužite si boljše. Zaslužite si razlago, ki spoštuje tako vašo inteligenco kot vaš čas. Razlago, ki je iskrena o tem, kaj umetna inteligenca dejansko je, kaj resnično zmore, in da, česa ne zmore, kljub temu kar trdijo marketinška gradiva.
Prav za to je ta vodnik. Brez doktorata. Brez marketinškega zavijanja. Brez nejasnega razlaganja. Le iskrena, temeljita razlaga umetne inteligence, ki jo lahko dejansko razumete in razložite drugim.
Kaj umetna inteligenca dejansko je (temelj)
Začnimo z resnico, preprosto in jasno:
Umetna inteligenca je programska oprema, ki sprejema odločitve s prepoznavanjem vzorcev, ki se jih je naučila iz primerov.
To je jedro. Ni čarovnija. Ni zavest. Ni čutečnost. Prepoznavanje vzorcev skozi primere, ki ga izvajajo računalniški programi.
Naj to ponazorim z nečim, kar že poznate: učenjem prepoznavanja psov.
Ko ste bili majhni, vam je nekdo pokazal psa. Morda pokazal nanj in rekel "pes." Videli ste drugega psa, druge pasme, druge velikosti. "Pes." Še enega. "Pes." Sčasoma so vaši možgani opazili vzorce: štiri noge, kožuh, rep, lajanje, določeni načini gibanja. Na koncu ste lahko prepoznali psa, ki ga še nikoli niste videli, in takoj vedeli: "to je pes." Naučili ste se vzorca.
Umetna inteligenca deluje na enak način, le z matematiko namesto z možganskimi celicami. Pokažete ji na tisoče slik psov z oznako "pes" in na tisoče slik drugih stvari z oznako "ni pes." Umetna inteligenca poišče matematične vzorce: določene oblike se pojavljajo na fotografijah psov, določene teksture, določene razporeditve značilnosti. Po dovolj primerih lahko pogleda novo fotografijo, ki je še nikoli ni videla, in ugotovi, ali je na njej pes.
Enak postopek. Drugačna oprema. Vi ste uporabljali nevrone. Umetna inteligenca uporablja številke v računalniškem pomnilniku. Vi ste uporabljali elektrokemične signale. Umetna inteligenca uporablja izračune. A oba sta se učila z iskanjem vzorcev v primerih.
Del "umetna"? Deluje na silicijevih čipih in električnem toku namesto na nevronih in možganskem tkivu. Del "inteligenca"? Sprejemanje odločitev na podlagi naučenih vzorcev, kar je zagotovo ena od sestavin tega, čemur pravimo inteligenca.
Toda tukaj je, kaj umetna inteligenca NI, in to je ključno: ne razmišlja. Ne razume. Ni zavestna. Ni samozavedajoča. Prepoznava vzorce in uporablja pravila na podlagi teh vzorcev. Neverjetno sofisticirano prepoznavanje vzorcev, da. A kljub temu prepoznavanje vzorcev, ne pravo razumevanje.
Kratka zgodovina (Kako smo prišli do sem)
Razumevanje, od kod izvira AI, nam pomaga razumeti, kaj je danes.
Sanje o umetni inteligenci so stare. Res stare. Starodavni miti so govorili o mehanskih služabnikih in umetnih bitjih. Toda sodobna zgodba o AI se začne v petdesetih letih 20. stoletja.
Leta 1950 je Alan Turing, britanski matematik, ki je med drugo svetovno vojno pomagal razvozlati nacistične šifre, zastavil preprosto vprašanje: »Ali lahko stroji razmišljajo?« Predlagal je preizkus: če se pogovarjaš z nečim in ne moreš ugotoviti, ali je to človek ali stroj, ali je to sploh pomembno? To je postalo znano kot Turingov preizkus.
Leta 1956 se je skupina znanstvenikov zbrala na kolidžu Dartmouth na poletni delavnici. Skovali so izraz »umetna inteligenca« in napovedali, da bodo stroji, ki bodo dosegli človeško inteligenco, obstajali v eni generaciji. Bili so optimistični. Zelo optimistični. Preveč optimistični.
Sledili so cikli navdušenja in razočaranja, imenovani »zime umetne inteligence«, ko je zmanjkalo financiranja in je zanimanje upadlo, ker tehnologija ni mogla izpolniti svojih obljub.
Zgodnja umetna inteligenca se je osredotočala na pravila in logiko. Če si lahko zapisal pravila za nekaj, jih je računalnik lahko upošteval. To je delovalo pri šahu in preprostih logičnih ugankah. Pri nalogah iz resničnega sveta, kot sta prepoznavanje obrazov ali razumevanje govora, pa je spodletelo.
Zakaj? Ker večina človeške inteligence niso pravila, ki bi jih lahko zapisali. Ko prepoznaš obraz prijatelja, se zavestno ne držiš pravil. Enostavno veš. Tvoji možgani so se naučili vzorcev, ki jih ne moreš ubesediti.
Preboj se je zgodil, ko so raziskovalci nehali poskušati programirati inteligenco in jo začeli gojiti. Namesto pisanja pravil so ustvarili sisteme, ki so se lahko pravil naučili iz primerov. Ta premik, od programirane inteligence k naučeni inteligenci, je spremenil vse.
V osemdesetih in devetdesetih letih so nevronske mreže pridobile zagon, sistemi, ki so ohlapno navdihnjeni s tem, kako se možganske celice povezujejo in komunicirajo. Toda računalniki še niso bili dovolj zmogljivi. Podatkov še ni bilo dovolj. Matematika je bila tu, infrastrukture pa ni bilo.
Nato so se okoli leta 2010 zgodile tri stvari, ki so spremenile igro:
Prvič, internet je ustvaril ogromne nabore podatkov. Milijarde fotografij. Milijone ur videa. Nešteto besedila. Vsi primeri, iz katerih se je AI moral učiti.
Drugič, računalniki so postali bistveno zmogljivejši, zlasti grafični procesorji (GPU), prvotno izdelani za videoigre, a popolni za matematiko, ki jo AI potrebuje.
Tretjič, raziskovalci so ugotovili, kako usposobiti zelo velike nevronske mreže, ne da bi matematično razpadle, problem, ki je pestil prejšnje poskuse.
Ti trije dejavniki so se eksplozivno združili. Do leta 2012 je AI premagoval ljudi pri prepoznavanju slik. Do leta 2016 je premagoval svetovne prvake v zapletenih igrah, kot je Go. Do leta 2020 je ustvarjal besedila kakovosti človeka. Do leta 2023 je ustvarjal umetnost, pisal kodo in opravljal strokovne izpite.
Živimo sredi te eksplozije. Vendar nismo pri splošni umetni inteligenci (AI, ki dosega človeško inteligenco na vseh področjih). Niti približno nismo tam. Kar imamo, je ozka AI: sistemi, ki so nadčloveški pri določenih nalogah, a neuporabni pri vsem drugem.
Tri vrste, na katere naletiš vsak dan
AI ni ena stvar. Je družina pristopov. Tu so tri, s katerimi nenehno komuniciraš, tudi če se tega ne zavedaš:
Vrsta 1: Umjetna inteligencija temeljena na pravilima (stara garda)
Ovo je najstariji oblik umjetne inteligencije i još uvijek je posvuda. Netko napiše jasna pravila, a računalo ih točno slijedi.
Sjetite se svog filtera za neželjenu e-poštu u ranim danima. Programer je napisao pravila: "Ako e-pošta sadrži 'nigerijskog princa', označi kao neželjenu. Ako e-pošta sadrži 'čestitamo, dobitnik ste', označi kao neželjenu. Ako e-pošta ima privitke od nepoznatog pošiljatelja, označi kao neželjenu."
Jednostavno. Jasno. Transparentno.
Prednosti: Točno znate kako funkcionira jer je svako pravilo napisao čovjek. Predvidljiva je. Može se revidirati. Ako pogriješi, možete pronaći konkretno pravilo koje je uzrokovalo pogrešku i popraviti ga.
Nedostaci: Kruta je. Ne može se nositi sa situacijama izvan pravila. Spameri se brzo prilagođavaju. Napišite "N1g3rian pr1nce" umjesto "nigerijskog princa" i pravilo odjednom više ne odgovara. Trebate novo pravilo za svaku varijaciju. Ne skalira se na složene probleme.
Gdje je susrećete: Termostati koji slijede pravila o temperaturi. Jednostavni chatbotovi sa skriptiranim odgovorima. Softver za porezne prijave koji slijedi pravila poreznog zakona. Bilo koji sustav u kojem su pravila dobro definirana i ne mijenjaju se puno.
Vrsta 2: Strojno učenje (pronalazač obrazaca)
Umjesto ručnog pisanja pravila, računalu pokazujete primjere i puštate ga da samo otkrije obrasce.
Moderni filteri za neželjenu e-poštu rade na taj način. Ne programirate pravila. Umjesto toga, sustavu pokazujete tisuće neželjenih e-poruka i tisuće legitimnih e-poruka. On otkriva obrasce: neželjena e-pošta obično ima određene riječi, određene obrasce pošiljatelja, određene strukture poveznica, određene obrasce vremena slanja. Sve to uči automatski iz primjera.
Prednosti: Prilagođava se novim situacijama. Spameri mijenjaju taktiku? Dajte umjetnoj inteligenciji nove primjere i ona će naučiti nove obrasce. Nosi se sa složenošću koju ljudi ne mogu artikulirati. Ne možete napisati pravila za "što čini lice privlačnim", ali umjetna inteligencija može naučiti obrasce iz primjera.
Nedostaci: Ne znate uvijek ZAŠTO je donijela odluku. Naučila je obrasce, ali ti obrasci možda nisu očiti ili ih nije lako objasniti. Može naučiti pogrešne obrasce ako su vaši podaci za obuku pristrani. Treba joj puno primjera za učenje.
Gdje je susrećete: Sustavi preporuka (Netflix, Spotify, YouTube koji predlažu što bi vam se moglo svidjeti). Otkrivanje prijevara (banke koje uočavaju neuobičajene transakcije). Prepoznavanje glasa (vaš telefon koji razumije govor). Preporuke proizvoda (Amazon koji predlaže artikle). Kreditni rejting. Pomoć u medicinskoj dijagnostici.
Vrsta 3: Duboko učenje (obrađivač složenosti)
To je strojno učenje dovedeno do ekstrema. Umjesto učenja jednostavnih obrazaca, duboko učenje gradi hijerarhije sve složenijih obrazaca.
Zamislite da učite umjetnu inteligenciju prepoznavati lica. Prvi sloj uči otkrivati rubove (okomite linije, vodoravne linije, dijagonalne linije). Drugi sloj kombinira rubove u jednostavne oblike (kutove, krivulje). Treći sloj kombinira oblike u dijelove lica (oči, noseve, usta). Četvrti sloj kombinira dijelove lica u cijela lica. Svaki sloj nadograđuje ono što su prethodni slojevi naučili.
Prednosti: Može riješiti probleme koji su se činili nemogućima za računala. Prepoznavanje objekata na fotografijama. Razumijevanje govora u bučnim okruženjima. Prevođenje među jezicima. Generiranje realističnih slika. Igranje složenih strateških igara.
Nedostaci: Trebaju joj ogromne količine podataka za obuku (milijuni primjera). Zahtijeva ogromnu računalnu snagu (specijalizirani procesori koji rade danima ili tjednima). Još je manje transparentna od osnovnog strojnog učenja. Doista ne možete lako objasniti zašto je donijela određenu odluku. Može zakazati na neočekivane načine kada naiđe na situacije koje su previše različite od primjera za obuku.
Kje ga srečate: Odklepanje obraza na telefonu. Glasovni pomočniki, kot sta Siri ali Alexa. Samodejno razvrščanje fotografij. Prevajanje jezika. Sistemi za samovozeče avtomobile. Klepetalni roboti, kot je ChatGPT. Orodja za ustvarjanje slik. Vsaka umetna inteligenca, ki se zdi skoraj čarobna v svojih zmogljivostih.
Kako se umetna inteligenca dejansko uči (razložen postopek)
Tu postane zanimivo. Poglejmo si natančno, kaj se zgodi, ko se umetna inteligenca nekaj nauči, ob konkretnem primeru, ki ga lahko razume vsak.
Predstavljajte si, da želite usposobiti umetno inteligenco za prepoznavanje, ali fotografija vsebuje mačko. Postopek je naslednji:
1. korak: Zberite primere (podatki za usposabljanje)
Zberete na tisoče fotografij. Recimo 10.000 fotografij z mačkami in 10.000 fotografij brez mačk. Vsako označite: »mačka« ali »ni mačka«. Ta označena zbirka so vaši podatki za usposabljanje.
Ta korak je pomembnejši, kot se večina ljudi zaveda. Kakovost vaših podatkov za usposabljanje določa kakovost vaše umetne inteligence. Če ji pokažete samo slike oranžnih tigrastih mačk, morda ne bo prepoznala črne mačke. Če ji pokažete mačke samo na belih ozadjih, bo morda imela težave z mačkami na travi. Primeri, ki jih izberete, oblikujejo tisto, česar se nauči.
2. korak: Začnite z naključnostjo (brez znanja)
Umetna inteligenca začne popolnoma nevedna. Ima notranje številke (imenovane parametri ali uteži), ki določajo, kako obdeluje slike. Na začetku so te številke naključne. Brez pomena. Umetna inteligenca dobesedno ugiba.
Pokažete ji fotografijo mačke, morda reče »ni mačka«. Pokažete ji fotografijo psa, morda reče »mačka«. Nenehno se moti. To je pričakovano. Ni se še ničesar naučila.
3. korak: Ustvarite napovedi (preizkušanje trenutnega znanja)
Umetna inteligenca pogleda fotografijo iz vašega nabora za usposabljanje s svojimi trenutnimi (naključnimi) notranjimi številkami. Sliko obdela v več korakih, pri vsakem uporabi te številke, in ustvari odgovor: »mačka« ali »ni mačka« s stopnjo zaupanja.
Primer: Ko gleda fotografijo psa, lahko reče »To je mačka s 23-odstotnim zaupanjem«. Zelo narobe.
4. korak: Izmerite napako (izračun napake)
Zdaj primerjate odgovor umetne inteligence z dejansko oznako, ki ste jo zagotovili. Rekli ste »ni mačka«. Umetna inteligenca je rekla »mačka«. Kako zelo se je motila?
Ta napačnost je izražena kot številka, imenovana »izguba« ali »napaka«. Bolj ko je bila prepričana v napačen odgovor, večja je napaka. Komaj narobe? Majhna napaka. Popolnoma narobe z visokim zaupanjem? Ogromna napaka.
5. korak: Izračunajte prilagoditve (čarobnost gradientov)
Tu nastopi račun (brez skrbi, matematike vam ni treba razumeti). Umetna inteligenca lahko natančno izračuna, KAKO prilagoditi vsako svojo notranjo številko, da zmanjša napako.
Predstavljajte si to takole: ste v temni sobi in poskušate najti najnižjo točko na hribovitih tleh. Pod nogami čutite, v katero smer je navzdol. Naredite majhen korak v smeri navzdol. Znova začutite. Znova stopite. Sčasoma dosežete nizko točko.
To v bistvu počne umetna inteligenca matematično. Izračuna, v katero smer prilagoditi vsako številko, da se napaka zmanjša. Ta smer se imenuje »gradient«.
6. korak: Rahlo prilagodite (majhni koraki)
AI vse svoje notranje številke usmerja v smer, ki zmanjšuje napako. Ne z velikimi skoki (lahko bi prekoračil cilj in poslabšal stvari). Ne z drobnimi koraki (učenje bi trajalo večno). Le s koraki prave velikosti.
Kako velikimi? To določa nekaj, čemur pravimo »stopnja učenja«, izbira prave stopnje učenja pa je del umetnosti, del znanosti.
7. korak: Ponavljanje na tisoče krat (postopno izboljševanje)
Pokažeš mu drugo fotografijo. Napove. Izmeriš napako. Izračunaš prilagoditve. Prilagodiš številke. Ponoviš.
In spet. In spet. Na tisoče krat. Včasih na desettisoče ali milijone krat, pri čemer večkrat prečkaš celoten nabor za učenje.
Vsaka prilagoditev je drobna. A se kopičijo. Ko mu pokažeš dovolj primerov in narediš dovolj drobnih prilagoditev, se zgodi nekaj izjemnega: AI postane dober v prepoznavanju mačk.
Ne zato, ker »razume«, kaj je mačka. Ampak zato, ker so njegove notranje številke oblikovale vse te prilagoditve, da prepoznava vzorce, ki so povezani s prisotnostjo mačk: koničasta ušesa, brki, posebne oblike obraza, tekstura dlake, proporci telesa.
8. korak: Preizkus na novih podatkih (pravi preizkus)
Zdaj pride ključni del. AI-ju pokažeš fotografije, ki jih še nikoli ni videl. Fotografije, ki niso bile v naboru za učenje. Ali prepozna mačke na teh novih fotografijah?
Če jih, odlično! Naučil se je splošnih vzorcev, ki veljajo za nove situacije. Če jih ne, se je »preveč prilagodil« tvojim podatkom za učenje, pri čemer si je zapomnil posebnosti namesto naučil splošnih vzorcev. Nazaj na začetek.
Celoten ta proces, od naključnega ugibanja do natančnega prepoznavanja, se imenuje »učenje«. Ni čarovnija. Je ponavljajoča se matematična optimizacija. A rezultati so lahko videti čarobni.
Kaj AI dejansko zmore (poštene zmogljivosti)
Bodimo brez milosti realni glede tega, kaj AI zmore in česa ne. Marketinška gradiva ti tega ne bodo povedala. Jaz ti bom.
Pri čemer AI blesti:
Prepoznavanje vzorcev v nadčloveškem obsegu: AI lahko prepozna vzorce v milijonih podatkovnih točk, ki bi jih ljudje analizirali celo življenje. Odkrivanje goljufivih transakcij med milijardami. Iskanje tumorjev na medicinskih slikah z natančnostjo, ki se enači z izkušenimi radiologi ali jih presega. Prepoznavanje obrazov v množici. Odkrivanje napak v proizvodnji.
Ponavljajoča se opravila brez utrujenosti: Ljudje se utrudimo. Po ponavljanju nečesa delamo površne napake. AI se ne. Lahko analizira milijonto sliko z enako pozornostjo kot prvo. Idealen za kontrolo kakovosti, preverjanje vnosa podatkov, za vse, kar zahteva dosledno ponavljajočo se presojo.
Hitrost obdelave: AI lahko analizira informacije z računalniško hitrostjo. Prebere na tisoče dokumentov na sekundo. V trenutku pregleda milijone zapisov v podatkovnih bazah. Odgovarja na poizvedbe hitreje, kot človek misli.
Večdimenzionalna analiza: Ljudje težko razmišljamo v več kot treh dimenzijah. AI lahko najde vzorce v prostorih s tisoči dimenzij. To omogoča stvari, kot so sistemi priporočil, ki hkrati upoštevajo na stotine dejavnikov.
Napovedovanje na podlagi zgodovinskih vzorcev: Z dovolj zgodovinskimi podatki lahko AI napove verjetne izide. Vremenska napoved. Gibanje cen delnic (z zelo mešanimi rezultati). Vedenje strank. Potrebe po vzdrževanju opreme. Ni popoln, a pogosto boljši od človeškega ugibanja.
S čim ima AI težave (omejitve):
Pravo razumevanje: UI ničesar ne razume. Pravzaprav ne. Prepoznava vzorce in ustvarja rezultate, ki so v korelaciji s temi vzorci. Če jo vprašate, zakaj je nebo modro, vam bo dala besedilo, ki se sliši pravilno (ker se je tega vzorca naučila iz besedilnih podatkov), vendar dejansko ne dojema modrine, neba ali sipanja svetlobe. Recitira naučene vzorce, ne izkazuje razumevanja.
Zdravorazumsko sklepanje: Ljudje imamo na milijone drobnih delčkov znanja, ki jih jemljemo kot samoumevne. »Ogenj je vroč.« »Voda je mokra.« »Stvari padajo navzdol, ne navzgor.« »Če ti pade kozarec, se lahko razbije.« UI tega ozadja nima sama po sebi, razen če ni izrecno naučena na njem, pa tudi takrat pogosto odpove pri novih kombinacijah pojmov.
Prava ustvarjalnost: UI lahko na nove načine združuje obstoječe vzorce. To je lahko videti ustvarjalno. Ustvarjanje umetnosti z mešanjem naučenih slogov. Pisanje zgodb s kombiniranjem naučenih pripovednih struktur. Vendar ne ustvarja resnično novih konceptov. Gre za sofisticirano rekombinacijo vzorcev, ne za pravo inovacijo.
Vzročnost proti korelaciji: UI odkriva korelacije v podatkih. Toda korelacija ni vzročnost. Primer: prodaja sladoleda je močno povezana s smrtnimi primeri zaradi utopitve (oba dosežeta vrhunec poleti). UI bi se lahko naučila te korelacije. Ne razume, da poletno vreme povzroča oboje in da sladoled ne povzroča utopitev. Ljudje to razumemo. UI je treba tega izrecno naučiti.
Prilagajanje novim situacijam: UI se uči iz učnih podatkov. Če ji pokažete situacije, ki se zelo razlikujejo od tistih, na katerih se je učila, pogosto spektakularno odpove. Naučena na fotografijah pravih mačk, nato pa ji pokažete mačko iz papirnatih izrezkov? Morda je sploh ne prepozna. Vzorci se ne ujemajo s tem, kar se je naučila.
Pojasnjevanje svojih odločitev: Sodobni sistemi globokega učenja so znano neprozorni. Delujejo, pogosto odlično, toda če vprašate, ZAKAJ so sprejeli določeno odločitev, običajno ne dobite jasnega odgovora. Odločitev je nastala iz milijonov numeričnih interakcij. Preproste razlage ni.
Potreba po ogromnih količinah podatkov: Večina UI za učenje potrebuje na tisoče ali milijone primerov. Ljudje se lahko novih konceptov naučimo iz enega do petih primerov. Ta vrzel, imenovana »učenje iz nekaj primerov«, ostaja pomembna omejitev.
Kje se uvrščata binarni in omejitveni pristop
Tukaj je nekaj, kar večina razprav o UI povsem izpusti: vprašanje, KAKO se matematika dejansko izvaja, je izjemno pomembno.
Večina današnje UI uporablja aritmetiko s plavajočo vejico. Kaj to pomeni? Dela z decimalnimi števili z mnogo decimalnimi mesti. Pomislite na 3,14159265 ali 0,00000734. Zelo natančno. Zelo prilagodljivo. Tudi računsko zelo drago.
Vsak izračun s temi števili zahteva na tisoče tranzistorjev na računalniškem čipu. Množenje dveh števil s plavajočo vejico? Na tisoče tranzistorjev, ki delujejo skupaj. Milijarde takih operacij? Potrebujete ogromne procesorje, ki porabljajo izjemno veliko energije.
Zato UI običajno zahteva zmogljive grafične procesorje in ogromne podatkovne centre. Matematika je na ravni strojne opreme računsko zelo zahtevna.
Toda tukaj je spoznanje, ki je znano že desetletja, a so ga resno začeli upoštevati šele pred kratkim: inteligenca pogosto ne potrebuje te natančnosti. Večina odločitev je v osnovi binarnih. Da ali ne. Resnično ali neresnično. Pes ali mačka. Vsiljena pošta ali ne. Odobri ali zavrni.
Binarno računalništvo uporablja samo dve vrednosti: 0 in 1, vklopljeno in izklopljeno, resnično in neresnično. Za to so bili računalniki prvotno zgrajeni. Vrata XNOR (preverjajo, ali sta dve binarni vrednosti enaki) potrebujejo le 6 tranzistorjev. Če to primerjamo s tisoči tranzistorjev za operacije s plavajočo vejico, se pokaže razlika v učinkovitosti.
Nekatera podjetja (Dweve je en primer) gradijo sisteme umetne inteligence, ki temeljijo na binarnih operacijah in izrecnih omejitvah, namesto na utežeh s plavajočo vejico. Kaj to pomeni v praksi?
Hitrost: Binarne operacije so tisto, kar računalniki počnejo naravno in učinkovito. Delo z enicami in ničlami namesto s kompleksnimi decimalnimi števili pomeni precej manj računskega dela na operacijo.
Preglednost: Sistemi, ki temeljijo na omejitvah, uporabljajo izrecne logične povezave. Lahko jih vidite, preverite in razumete, zakaj je bila sprejeta določena odločitev, tako da sledite, katere omejitve so bile aktivirane. Ni črna škatla.
Energijska učinkovitost: Binarne operacije porabijo precej manj energije. Umetna inteligenca, ki lahko deluje na vašem telefonu, namesto da bi potrebovala podatkovni center. Umetna inteligenca, ki ne potrebuje specializiranih procesorjev.
Kdaj deluje: Za številne probleme iz resničnega sveta binarna umetna inteligenca, ki temelji na omejitvah, ni le zadostna, ampak je boljša. Prepoznavanje vzorcev, logično sklepanje, naloge razvrščanja, problemi izpolnjevanja omejitev.
Kdaj ne deluje: Problemi z visoko natančnostjo še vedno koristijo plavajoči vejici. Kompleksna neprekinjena optimizacija. Določene znanstvene simulacije. Ni vse binarno.
Bistvo ni v tem, da je en pristop vedno boljši. Bistvo je, da se industrija pri številnih nalogah privzeto zanaša na drago globoko učenje s plavajočo vejico, čeprav bi preprostejši, učinkovitejši in preglednejši binarni pristopi delovali enako dobro ali bolje.
Praktična resničnost umetne inteligence danes
Vso to teorijo prenesimo v to, kar dejansko obstaja zdaj, danes, v resničnem svetu:
V vašem žepu: Vaš pametni telefon vsebuje več sistemov umetne inteligence, ki delujejo hkrati. Prepoznavanje obraza odklene telefon z analizo desetin obraznih točk. Glasovni pomočniki prepisujejo vaš govor v realnem času. Vaša kamera uporablja umetno inteligenco za izboljšanje fotografij, prepoznava prizore in samodejno prilagaja nastavitve. Umetna inteligenca za upravljanje baterije se uči vaših vzorcev uporabe in optimizira porabo energije. Samodejni popravki na tipkovnici uporabljajo jezikovne modele za napovedovanje, kaj tipkate. Vse to deluje lokalno na čipu, manjšem od vašega nohta.
V vašem e-poštnem predalu: Vsaka e-poštna storitev uporablja več sistemov umetne inteligence. Filtri za neželeno pošto analizirajo vzorce sporočil, ugled pošiljatelja, strukturo povezav in vsebino, da se odločijo, kaj je neželena pošta. Sistemi prednostnega predala se učijo, katera sporočila so vam pomembna, in jih prikažejo najprej. Pametno sestavljanje napoveduje, kaj boste morda želeli napisati naslednje. Vse nevidno, nenehno deluje v ozadju.
V vašem avtomobilu: Sodobna vozila vsebujejo na desetine sistemov umetne inteligence. Prilagodljivi tempomat prilagaja hitrost glede na promet pred vami. Sistem za ohranjanje voznega pasu zaznava oznake na cesti in vas ohranja na sredini. Pomoč pri parkiranju izračunava trajektorije. Tudi upravljanje motorja uporablja umetno inteligenco za optimizacijo porabe goriva in zmogljivosti glede na vzorce vožnje.
V zdravstvu: umetna inteligenca vsakodnevno pomaga zdravnikom. Analizira rentgenske posnetke in CT-preiskave ter odkriva nepravilnosti, ki jih človeško oko pogosto spregleda. Preverja podatkovne zbirke medsebojnih učinkov zdravil pri predpisovanju receptov. Analizira podatke o bolnikih za napovedovanje zdravstvenih tveganj. Pomaga pri diagnostiki s primerjavo simptomov z milijoni zdravstvenih zapisov.
V financah: banke intenzivno uporabljajo umetno inteligenco. Sistemi za odkrivanje goljufij analizirajo vzorce transakcij v realnem času in zaznajo sumljivo dejavnost, še preden je vaša kartica sploh obremenjena. Kreditno ocenjevanje uporablja umetno inteligenco za presojo tveganja. Trgovalni algoritmi sprejmejo milijone odločitev na sekundo. Klepetalni roboti za podporo strankam obravnavajo rutinska vprašanja.
V vašem domu: pametni termostati se učijo vašega urnika in želja ter samodejno prilagajajo temperaturo. Pametni zvočniki se odzivajo na glasovne ukaze. Varnostne kamere uporabljajo umetno inteligenco za razlikovanje med ljudmi, živalmi in vozili. Celo vaš sesalnik lahko uporablja umetno inteligenco za preslikavo doma in načrtovanje poti čiščenja.
To je prava umetna inteligenca. Ne znanstvena fantastika. Ne oddaljena prihodnost. Prav zdaj sprejema milijone majhnih odločitev vsak dan, ki vplivajo na vaše življenje, pogosto ne da bi se tega sploh zavedali.
Prihodnost umetne inteligence (iskrene napovedi)
Pozabite na pretiravanja. Pozabite na znanstveno fantastiko. To je tisto, kar je dejansko verjetno v naslednjih 5 do 10 letih na podlagi trenutnih trendov in realističnega tehnološkega napredka:
Več robnega računalništva (umetna inteligenca zapušča oblak): umetna inteligenca se seli z oddaljenih strežnikov na lokalne naprave. Na vaš telefon. Na vaš prenosnik. V vaš avto. Zakaj? Zaradi zasebnosti (vaši podatki nikoli ne zapustijo vaše naprave). Zaradi hitrosti (brez zakasnitve omrežja). Zaradi zanesljivosti (deluje brez interneta). Zaradi stroškov (brez računov za oblak). Ta trend se pospešuje, omogočajo pa ga učinkovitejši algoritmi umetne inteligence in zmogljivejši lokalni procesorji.
Obvezna preglednost (predpisi zahtevajo pojasnljivost): evropska zakonodaja o umetni inteligenci že zahteva, da so nekateri sistemi umetne inteligence pojasnljivi. Imate zakonsko pravico razumeti, zakaj vam je umetna inteligenca zavrnila posojilo ali označila vašo vsebino. To podjetja sili, da preglednost vgradijo že od začetka in se odmikajo od popolnoma neprozornih sistemov črne škatle.
Hibridni pristopi (združevanje različnih vrst umetne inteligence): prihodnost ni v tem, da ena vrsta umetne inteligence zmaga. Gre za uporabo vsake vrste tam, kjer je najboljša. Globoko učenje za prepoznavanje vzorcev. Simbolična umetna inteligenca za logično sklepanje. Sistemi na podlagi pravil za dobro opredeljena področja. Pristopi na podlagi omejitev za učinkovitost in preglednost. Vse skupaj deluje usklajeno.
Izjemno povečanje učinkovitosti (več z manj): trenutna umetna inteligenca je potratna. Usposabljanje velikih modelov stane milijone za elektriko. Za njihovo delovanje je potrebna zmogljiva strojna oprema. To se ne bo obdržalo. Gospodarski in okoljski pritiski spodbujajo izjemne izboljšave učinkovitosti. Binarne nevronske mreže, stiskanje modelov, boljši algoritmi. Prihaja umetna inteligenca, ki deluje z delčkom trenutne porabe energije.
Specializacija področij (strokovna umetna inteligenca namesto splošne): namesto ene ogromne umetne inteligence, ki poskuša vse delati slabo, gremo proti številnim specializiranim sistemom umetne inteligence, od katerih je vsak strokovnjak na svojem področju. Medicinska umetna inteligenca, poglobljeno usposobljena na medicinskih podatkih. Pravna umetna inteligenca, strokovnjakinja za pravo. Finančna umetna inteligenca, specializirana za finance. Vsaka je usposobljena posebej za svojo nalogo, ne poskuša biti vse za vse.
Boljše učenje iz nekaj primerov (učenje iz manj primerov): vrzel med človeškim učenjem (1 do 5 primerov) in učenjem umetne inteligence (na tisoče primerov) se zmanjšuje. Nove tehnike omogočajo umetni inteligenci učenje iz veliko manj primerov z uporabo obstoječega znanja in prenosom učenja med področji. Še ni na človeški ravni, vendar se ji približuje.
Česa NE bo kmalu (realistične meje):
Splošna umetna inteligenca, ki bi po vseh področjih dosegla človeško inteligenco? Ne v naslednjem desetletju. Verjetno tudi ne v naslednjih nekaj desetletjih. Morda nikoli. Današnja umetna inteligenca je ozka: pri določenih nalogah je nadčloveška, pri vseh drugih pa neuporabna. Preskok do splošne inteligence zahteva preboje, ki jih še nismo dosegli in jih morda sploh ne moremo.
Zavest? Razumevanje? Samozavedanje? Nič v današnjih raziskavah umetne inteligence ne nakazuje, da bi bilo kaj od tega blizu. UI ustvarja rezultate, ki so videti kot razumevanje, tako da prepoznava in ponovno povezuje naučene vzorce. To ni zavest. To je sofisticirano prepoznavanje vzorcev.
Hype cikel obljublja revolucionarno splošno umetno inteligenco v nekaj letih. Resničnost je, da iz sedanjih tehnik ni jasne poti do nje. Bi jo lahko odkrili? Mogoče. Bi morali staviti na to, da se bo to zgodilo kmalu? Ne.
Kaj si morate dejansko zapomniti
Če si iz tega vodnika ne zapomnite ničesar drugega, si zapomnite te bistvene resnice:
1. UI je prepoznavanje vzorcev, ne čarovnija. Uči se iz primerov in naučene vzorce uporablja v novih situacijah. Sofisticirana, da. Zmogljiva, absolutno. Čarovnija? Ne. Razumevanje, kako deluje, jo demistificira.
2. UI ničesar ne razume tako, kot razumejo ljudje. Besedila, ki jih ustvarja, slike, ki jih oblikuje, in odločitve, ki jih sprejema, izhajajo iz prepoznavanja vzorcev in statističnih korelacij, ne iz pristnega razumevanja. To ni nujno napaka, je pa ključna omejitev, ki jo je treba razumeti.
3. Kakovost podatkov določa kakovost UI. Brez primerov ni učenja. Slabi primeri pomenijo slabo učenje. Pristranski primeri ustvarijo pristransko UI. Kakovost in reprezentativnost učnih podatkov sta pri večini aplikacij v resničnem svetu pomembnejši od sofisticiranosti algoritmov.
4. Različne vrste UI so odlične pri različnih nalogah. Pravilno zasnovana UI za dobro opredeljene probleme z jasnimi pravili. Strojno učenje za prepoznavanje vzorcev v neurejenih podatkih. Globoko učenje za zapletene hierarhične vzorce. Pristopi, ki temeljijo na binarnih omejitvah, za logično sklepanje in učinkovitost. Noben posamezen pristop ni najboljši za vse.
5. Preglednost in pojasnljivost sta pomembni. Ko UI sprejema pomembne odločitve, ki vplivajo na vaše življenje, si zaslužite razumeti, zakaj. Odločitve črne škatle so vse manj sprejemljive, zlasti na reguliranih področjih. Zahtevajte pojasnljivost.
6. Učinkovitost je pomembnejša, kot si mislite. Računska cena UI vpliva na življenjsko dobo baterije, zasebnost (lokalno v primerjavi z oblakom), hitrost, stroške in vpliv na okolje. Binarne operacije in pristopi, ki temeljijo na omejitvah, ponujajo resnične prednosti za številne aplikacije: hitrejše, cenejše, preglednejše in učinkovitejše.
7. UI je orodje, ne rešitev. Rešuje določene probleme, če jo pravilno uporabljamo. Ni čarobna paličica za vse. Razumevanje njenih zmožnosti in omejitev vam pomaga, da jo učinkovito uporabljate in prepoznate, kdaj se uporablja napačno.
8. Prihodnost je že tukaj. Z UI se srečujete desetkrat ali stokrat na dan. Je v vašem telefonu, vašem avtomobilu, vaši e-pošti, vaših rezultatih iskanja, vašem bančništvu in vašem zdravstvu. Razumevanje, kaj dejansko počne, vam pomaga pri boljših odločitvah o zasebnosti, varnosti in zaupanju.
Bistvo
Umetna inteligenca je resnična. Uporabna je. Prav tako je omejena na načine, ki jih marketinška gradiva le redko omenjajo.
V svojem jedru je UI prepoznavanje vzorcev iz primerov. Pokažite ji dovolj primerov nečesa in naučila se bo to prepoznati v novih situacijah. To preprosto načelo, uporabljeno s sofisticirano matematiko in ogromno računsko močjo, omogoča zmogljivosti, ki se zdijo skoraj čarobne.
A ni čarovnija. Ni zavest. Ni razumevanje. Je matematično prepoznavanje vzorcev v ogromnem obsegu, izvedeno z izjemno hitrostjo in naučeno na obsežnih naborih podatkov.
Razumevanje tega vam pomaga pri krmarjenju po svetu, polnem umetne inteligence, v katerem živimo. Ko nekdo trdi, da bo UI nekaj naredila, lahko vprašate: »Ali gre dejansko za prepoznavanje vzorcev ali pa zahteva pristno razumevanje?« Ko se podjetje hvali s svojo UI, lahko vprašate: »Katere vzorce prepoznava in iz katerih podatkov se je učila?« Ko UI sprejme odločitev, ki vpliva na vas, lahko zahtevate: »Pokažite mi, zakaj, sledite logiki, naredite to pregledno.«
Skrivnosti ni več. UI je sofisticirano prepoznavanje vzorcev. To je dovolj zmogljivo, da preoblikuje panoge in vsakdanje življenje. Ni pa dovolj zmogljivo, da bi mislila, čutila ali resnično razumela.
Spoznajte razliko in UI boste razumeli bolje kot večina ljudi, ki vam jo razlaga.
Ko vas bo zdaj nekdo na tisti večerji vprašal: »Kaj pravzaprav JE umetna inteligenca?«, mu lahko daste pravi odgovor. Ne marketinško navlako. Ne nerazumljivo žargon. Samo resnico: prepoznavanje vzorcev iz primerov, izvedeno z matematiko, ki omogoča tako neverjetne zmogljivosti kot tudi zelo resnične omejitve.
To je UI. Cela zgodba. Vse ostalo so podrobnosti.