Apa itu AI, betul-betul?

Pengenalan kebudayaan dan praktikal untuk pereka

Ini adalah bab pertama dalam Siri Asas Elemen AI mengenai Reka Bentuk AI-Pertama (AI1D). Setiap bab bertujuan untuk menentukan bahagian-bahagian komponen AI1D untuk mewujudkan satu bahasa yang sama untuk meneroka era reka bentuk baru ini. Anda boleh membaca intro untuk siri di sini, dan mendaftar untuk ditonton untuk bab seterusnya di sini.

Sebagai pereka, mengapa anda perlu memahami kecerdasan buatan? Ia adalah satu istilah yang dibentangkan begitu banyak di kalangan media dan teknologi sejak kebelakangan ini, sejenis tajuk yang dapat menggambarkan apa-apa daripada pembantu peribadi, robot, watak sci-fi maya, atau algoritma pembelajaran yang mendalam. Mungkin anda bekerja di AI dan anda mempunyai pemahaman yang lebih bernuansa tentang bidang-bidang yang berbeza ini, atau mungkin anda merasakan bahawa kerja anda akan terjejas dalam beberapa cara oleh AI pada tahun-tahun mendatang, tetapi anda tidak pasti bagaimana.

Dengan fikiran ini, selamat datang ke bab pertama dalam Siri Asas Reka Bentuk AI-Pertama kami, di mana kami berhasrat untuk menipu bahasa kecerdasan buatan dan membincangkan banyak definisi. Dengan berbuat demikian, kami berharap dapat memahami idea kecerdasan buatan hari ini, dari mana kami boleh membina ke arah menjawab: Apakah Reka Bentuk AI-Pertama?

Bab ini ditujukan untuk mengkaji lanskap AI semasa, dan menavigasi pelbagai definisi AI yang telah dilihat sejak istilah itu dicipta pertama. Kami akan mengkaji semula sejarah AI, meneliti puncak dan rendah dalam populariti, dan menonjolkan pencapaian utama sejak kejayaan AI yang baru-baru ini. Akhirnya, kita akan meneliti banyak definisi AI, dan beberapa cabaran yang kita hadapi untuk datang dengan satu yang semua orang boleh bersetuju. Heads up: itu di sisi yang lebih panjang, jadi dapatkan nyaman, lewati ke bagian yang mungkin lebih menarik minat Anda, atau hanya membaca versi pendek pendek di bawah ini.

TL; DR

Daripada memulakan peperiksaan AI pada tahun 1950-an, garis masa kami bermula jauh lebih awal, di Homer's Iliad, ketika kami sudah mencari untuk menarik patung-patung dan tuhan-tuhan dengan kualiti manusia. Banyak yang telah berlaku sejak itu! Hari ini, kami telah mencapai tahap yang sangat tinggi dari segi kadar pendahuluan, pendanaan dan semangat AI, walaupun masih terdapat jurang yang luas antara harapan sci-fi dan realiti apa yang dapat dicapai oleh mesin. AI masih jauh dari mencapai kecerdasan umum seperti manusia, tetapi menjadi lebih baik dan lebih baik dalam menyelesaikan tugasan yang sempit. Berikut adalah komponen utama bagaimana kami menentukan AI hari ini dan mengapa penting bagi anda sebagai pereka:

  1. Ia sebahagian besarnya berdasarkan data.
    Kemajuan terkini dalam AI tidak mungkin dilakukan tanpa banyak data yang dikumpulkan oleh semua peranti kami yang bersambung dan keupayaan untuk menyimpannya.
  2. Ia sempit dan sangat terfokus.
    AI sangat baik dalam mencari corak data dan melaksanakan tugas-tugas khusus yang telah kami jelaskan, tetapi tidak umum secara umum di luar parameter yang telah ditetapkan.
  3. Ia tidak peduli dengan hasil pengiraannya.
    Tidak seperti keganasan yang wujud dalam pembuatan keputusan manusia, keupayaan AI untuk membuat keputusan tidak dipengaruhi oleh motif tersembunyi atau berapa banyak tidur malam tadi, tetapi hanya tertumpu kepada tugas di tangan. Oleh kerana ia tidak tahu baik dari yang buruk, bagaimanapun, apa-apa bias yang wujud dalam data akan dilestarikan.
  4. Kebolehan AI dipelajari, tidak diprogramkan.
    AI boleh memperbaiki secara berulang dengan sendiri - tanpa diprogramkan setiap langkah, ia dapat belajar dari pengalamannya dan memperbaiki pada membuat ramalan dan keputusan masa depan, yang mengakibatkan kebolehan yang semakin canggih.
  5. Ia adalah istilah yang berubah.
    AI ditakrifkan secara berbeza oleh masyarakat yang berbeza dan takrifnya akan terus berubah dengan kemajuan teknologi masa depan.

Mengetahui ini, kami percaya AI akan mempunyai kesan yang luar biasa terhadap bidang reka bentuk seperti yang kita tahu. Memandangkan ia mula mempengaruhi reka bentuk semua perniagaan, produk, perkhidmatan dan pengalaman (pengguna), penting bagi kami untuk memiliki pemahaman asas tentang apa yang kami bekerjasama, dan memutuskan bagaimana kami ingin memanfaatkan potensinya.

Masih penasaran? Lebih banyak lagi!

Ups dan Downs AI Melalui Masa

Prekursor: keinginan untuk memalsukan tuhan-tuhan

Walaupun kita biasanya melihat sesuatu yang futuristik apabila kita berfikir tentang AI, tanggapan itu telah wujud selama berabad-abad. Sekitar 750 SM di Homer's Iliad, sebagai contoh, Hephaestus yang lumpuh mencipta automata untuk membantu dia mendapatkan sekitar:

Ini adalah emas, dan dalam rupa seperti wanita muda yang hidup. Terdapat kecerdasan di dalam hati mereka, dan ada ucapan di dalamnya dan kekuatan, dan dari tuhan-tuhan yang abadi mereka telah belajar bagaimana melakukan sesuatu.

Dalam bukunya Machines Who Think, Pamela McCorduck menggambarkan pelbagai makhluk lain yang dicipta oleh Hephaestus untuk pelbagai tugas, sekurang-kurangnya satu yang pasti akrab, jika seorang lelaki menacing: Pandora dan kotak terkenalnya.

Pemikiran Mekanisme

Di luar contoh-contoh ini dalam fiksyen, terdapat kemajuan penting dalam pemikiran dan logik dalam zaman dahulu yang membawa kepada bahasa kami yang dikodkan semasa sebagai asas untuk semua pengkomputeran. Kepintaran buatan, pada terasnya, menganggap pemikiran itu dapat dikerjakan dan direproduksi. Aristotle adalah antara perintis pertama yang menganjurkan pemikiran kepada hujah-hujah logik dalam mengembangkan silogisme, yang sering mengambil bentuk tiga baris, seperti:

Semua lelaki adalah manusia.
Socrates adalah lelaki.
Oleh itu, Socrates adalah fana.

Ahli matematik Persia, Muhammad ibn Musa al-Khwarizmi, yang juga dikenali dengan nama Algoritmi yang berasal dari bahasa Latin (yang berasal dari algoritma kata kami), juga merupakan tokoh utama dalam banyak konsep yang kita ambil untuk diberikan dalam AI hari ini. Algebra perkataan, contohnya, berasal dari "al-jabr", salah satu daripada dua operasi yang digunakannya untuk menyelesaikan persamaan kuadratik. Kemajuan selanjutnya sepanjang abad ke-17 oleh ahli matematik dan ahli falsafah seperti Gottfried Wilhelm Leibniz, Thomas Hobbes, René Descartes dibina di atas asas-asas ini, bertujuan untuk membuat pemikiran sebagai sistematik sebagai aljabar atau geometri.

Walaupun terdapat banyak kemajuan matematik lain pada abad berikut yang menyumbang kepada kecerdasan buatan moden, abad ke-19 ahli matematik Inggeris Ada Lovelace menonjol untuk pendekatan kreatifnya dan kerja pecah tanah dalam pengkomputeran. Dia adalah orang pertama yang mencadangkan bahawa mesin komputer umum, Charles Babbage, Mesin Analitikal, mungkin mempunyai keupayaan melebihi pengiraan, dan kemudian membuat algoritma pertama, memperoleh gelaran pemrogram komputer pertama di dunia.

Kelahiran kecerdasan buatan

Walaupun kita melihat kemajuan dalam pengkomputeran sepanjang abad ke-20, kecerdasan buatan benar-benar berlepas pada tahun 1950-an, dengan persidangan di Kolej Dartmouth pada tahun 1956 menegaskan bahawa semua pembelajaran dan kecerdasan dapat dijelaskan dengan tepat cukup untuk disimulasikan oleh mesin. Di sinilah istilah "kecerdasan buatan" dicipta pertama, merujuk kepada "simulasi kecerdasan manusia oleh mesin". Dalam mencerminkan bengkel Dartmouth 50 tahun kemudian, salah seorang penganjur John McCarthy berkata: "Saya fikir bengkel itu akan diketahui dengan hasil yang dihasilkannya. Ia, sebenarnya, telah diketahui pada tahap yang ketara semata-mata kerana ia mempopularkan istilah 'kecerdasan buatan'. "

Kejayaan utama AI yang lain dari tahun 50-an yang anda kenali adalah "Ujian Turing" yang terkenal. Dipopulerkan oleh prestasi Benedict Cumberbatch dalam Permainan Imitasi, saintis komputer Britain Alan Turing mencadangkan bahawa jika sebuah mesin boleh menjalankan perbualan yang tidak dapat dibezakan daripada perbualan dengan manusia, maka "mesin pemikiran" adalah munasabah. Dengan kata lain, komputer akan menjadi bijak hanya jika ia boleh menipu manusia untuk berfikir bahawa ia adalah manusia.

Apa yang diikuti dari pertengahan lima puluhan sepanjang tahun 70-an telah dirujuk sebagai "tahun keemasan" AI, dengan kemajuan besar dalam pengkomputeran, dan peningkatan semangat dan dana kerajaan. Khususnya, Marvin Minsky mengekalkan momentum dari bengkel Dartmouth ketika dia mengasaskan makmal AI Massachusetts Institute of Technology pada tahun 1959 dan terus memimpin bidang sepanjang tahun 60an dan 70an. Permainan juga mula mendedahkan dirinya sebagai cara yang ideal untuk membangun dan menguji kecerdasan komputer, dengan IBM membangunkan program yang boleh memainkan dam pada tahun 1951. Pada tahun 60-an, algoritma "jiran terdekat" dicipta dalam usaha untuk menyelesaikan "jurujual perjalanan masalah ":" Memandangkan senarai bandar-bandar dan jarak antara setiap pasangan kota, apakah laluan paling singkat yang melawat setiap bandar sekali dan kembali ke bandar asal? "Algoritma yang dihasilkan membentuk permulaan pola pengenalan dasar.

Walau bagaimanapun, pada tahun 1969, Marvin Minsky dan Seymour Papert menerbitkan Perceptrons, sebuah buku yang membincangkan beberapa batasan teknologi rangkaian neural yang ada, dan mungkin merupakan petanda "musim sejuk AI" pada tahun-tahun berikutnya.

AI musim sejuk pada tahun 70-an dan 80-an

Dengan kejayaan yang begitu berjaya dari tahun 50-an hingga 70-an, ia bukan sahaja didorong oleh kemajuan saintifik tetapi juga meningkatkan jangkaan orang ramai yang dipupuk oleh fiksyen sains seperti Stanley Kubrick's 2001 A Space Odyssey, atau Isaac Asimov's I, Robot, kursus perlanggaran dengan had AI tidak dapat dielakkan.

Pada dasarnya, apabila komputer tidak dapat memenuhi harapan yang tidak realistik semua orang, pendanaan dan semangatnya menjadi kering, yang membawa kepada pembongkaran makmal AI di seluruh dunia. Walaupun terdapat angin kedua singkat dari tahun 1980 hingga 1987 dengan pelaburan besar dari Jepun, ledakan ini telah lama dan diwarnai oleh musim sejuk AI yang lain dari 1987 hingga 1993.

Roger Schank dan Marvin Minsky, yang mengetuai penyelidik AI yang telah selamat musim sejuk pertama tahun 1970-an, memberi amaran kepada komuniti perniagaan bahawa "keghairahan untuk AI telah meredakan kawalan pada tahun '80-an dan kekecewaan itu pasti akan mengikutinya." Ini puncak dan lembah dalam Semangat AI berterusan hari ini. Walaupun terdapat beberapa kegunaan AI yang tidak popular dalam tahun-tahun kebelakangan ini, seperti penggunaan AI tentera AS untuk mengenal pasti tangki mesra atau musuh, atau lebih baru-baru ini chatbot Microsoft Tay, yang dengan cepat memperlihatkan tingkah laku perkauman dan anti-semit di Twitter tahun lalu, secara amnya Berbicara, anda boleh mengatakan bahawa hari ini kami berada pada tahap yang sangat tinggi dari segi pendahuluan, pendanaan dan semangat AI.

AI Landscape Today - Mengapa begitu panas?

Alat yang popular untuk mengukur gembar-gembur teknologi ialah Kitaran Hype Gartner, yang tahun ini mempunyai pembelajaran mendalam dan pembelajaran mesin pada puncaknya. Walaupun ia sering dianggap sebagai penunjuk liputan media daripada penyelidikan saintifik, terdapat beberapa kemajuan yang menarik yang telah membawa kepada populariti semasa AI. Jadi, adakah semuanya, sebenarnya, gembar-gembur? Tidak cukup. Mari kita periksa beberapa tonggak utama AI dari enam tahun yang lalu atau yang telah menyumbang kepada obsesi semasa kita.

AI Milestones terkini

  • 2011: Apple Siri diperkenalkan, menggunakan bahasa yang agak semula jadi untuk menjawab soalan, membuat cadangan dan melakukan tindakan mudah, atau gagal itu, melihat perkara-perkara di internet untuk anda.
  • 2012: Rangkaian Neural Convolutional (CNNs for short) memusnahkan pertandingan di klasifikasi ImageNet - a.k.a. "Olimpik tahunan visi komputer" - mewujudkan kegelisahan dalam masyarakat, dan melancarkan kebangkitan semula minat yang besar dalam pembelajaran mendalam.
  • Google melatih rangkaian saraf untuk berjaya mengiktiraf kucing dalam video YouTube menggunakan algoritma pembelajaran mendalam, walaupun tidak memberi maklumat mengenai membezakan ciri kucing comel.
  • 2013: NEIL, yang dilabelkan sebagai Never Ending Image Learner, dilepaskan di Carnegie Mellon University untuk sentiasa membandingkan dan menganalisis hubungan antara imej yang berbeza, yang bertujuan untuk mempelajari keupayaan akal manusia yang sangat menarik.
  • 2015: Facebook mula melancarkan DeepFace, satu sistem pengenalan wajah yang mendalam yang telah dilatih pada empat juta imej yang dimuat naik oleh pengguna Facebook. Ia dapat mengenal pasti wajah dengan ketepatan 97.35%, peningkatan lebih daripada 27% berbanding sistem sebelumnya.
  • 2015: Deep Q Networks oleh DeepMind belajar memainkan permainan Atari, menandakan masa depan pembelajaran tetulang yang mendalam.
  • 2015-17: Kekalahan GoogleGoMalaysia's GoGo Go juara Fan Hui, Lee Sedol dan Ke Jie, pemain nombor 1 dunia pada masa itu.
  • 2015: Google DeepDream membuat semua orang tertanya-tanya jika mesin boleh membuat seni, menjana imej trippy menggunakan rangkaian neural convolutional, perisian yang direka untuk mengesan wajah dan pola lain dalam imej dengan tujuan untuk mengklasifikasikan imej secara automatik.
  • 2015-hadir: Artis Ross Goodwin meneroka bentuk baru realiti yang diriwayatkan dengan menggunakan pembelajaran mesin dengan pensyarah "gambar automatik" naratif Kata Kamera dan memprogramkan diri bertajuk AI "Benjamin" untuk menulis skrip untuk filem yang dibintangi David Hasselhoff.
  • 2015-sekarang: Pelbagai pembantu peribadi AI diperkenalkan ke rumah, dengan Siri Siri sekarang bertarung dengan Microsoft Cortana, Alexa Amazon dan Google Now untuk perhatian anda.
  • 2017: Libratus, yang direka oleh profesor Carnegie Mellon, Tuomas Sandholm dan pelajarnya, Noam Brown, memenangi empat pemain teratas dalam versi kompleks poker - Texas Hold'em.
  • 2017: Deepmind Google dan pencipta permainan video ruang angkasa berbilang ruang StarCraft II telah mengeluarkan alat untuk membolehkan penyelidik AI membuat bot yang mampu bersaing dengan manusia. Bot-bot belum dimenangi, dan tidak dijangka untuk seketika, tetapi apabila mereka melakukannya, ia akan menjadi pencapaian yang lebih besar daripada menang di Go.

Kemajuan dalam Pembelajaran Mesin & Pembelajaran Deep

Di mana pengamal AI hidup

Kesemua tonggak ini tidak mungkin dilakukan tanpa kemajuan besar dalam bidang kecerdasan tiruan yang paling menarik dalam dekad yang lalu: pembelajaran mesin dan pembelajaran mendalam. Walaupun istilah ini serupa, mereka tidak begitu sama. Mari jelaskan.

Bermula pada lewat 90-an dan awal tahun 2000, peningkatan keupayaan penyimpanan dan pemprosesan komputer bermakna sistem AI akhirnya boleh memegang data yang cukup dan memanfaatkan kuasa yang cukup untuk menangani proses yang lebih kompleks. Pada masa yang sama, letupan dalam penggunaan dan sambungan internet mencipta jumlah data yang semakin meningkat, seperti imej, teks, peta atau maklumat transaksi yang boleh digunakan untuk melatih mesin.

Daripada sistem peraturan "jika-lalu" yang dahulu dan prosedur logik simbolik rumit yang memerlukan beribu-ribu baris kod untuk membimbing pengambilan keputusan asas seperti dalam Intelijen Buatan Lama yang Baik, atau GOFAI, pembelajaran mesin berfungsi ke belakang. Menggunakan dataset yang besar, algoritma belajar secara berulang, mencari corak untuk memahami input masa depan. Pembelajaran mesin disimpulkan dengan baik oleh perintis pembelajaran mesin Arthur Samuel, yang kembali pada tahun 1959 menggambarkannya sebagai "bidang pengajaran yang memberikan komputer keupayaan untuk belajar tanpa diprogram secara eksplisit." Pembelajaran mesin sedang digunakan untuk menangani pelbagai jenis isu hari ini, seperti mengenal pasti sel-sel kanser, meramalkan filem apa yang mungkin anda mahu menonton seterusnya, memahami pelbagai bahasa yang dituturkan atau menentukan nilai pasaran rumah anda.

Mana sel-sel kanser dalam imej ini? AI mungkin dapat mengetahui lebih cepat daripada doktor. Imej: Gabriel Caponetti dalam Sains Popular.

Kemajuan terkini dalam pembelajaran mesin sebahagian besarnya disebabkan oleh pertumbuhan pembelajaran mendalam - subfield pembelajaran mesin. Pembelajaran mendalam meminjam dari struktur otak, dengan menghubungkan banyak "neuron" sederhana seperti struktur bersama untuk melakukan perkara yang menarik dalam rangkaian saraf. Dengan menyusun banyak lapisan neuron buatan ini bersama-sama (dengan itu "mendalam"), rangkaian secara keseluruhannya boleh belajar melakukan tugas yang rumit. Menariknya, neuron di lapisan-lapisan ini sering menimbulkan peranan tertentu, seperti mengiktiraf tepi, atau garis besar objek tertentu. Kekuatan pembelajaran yang mendalam adalah bahawa sub-tugas ini - sering dikenali sebagai "ciri" - dipelajari langsung dari data, dan bukannya ditentukan oleh pengaturcara. Ini membolehkan pembelajaran mendalam untuk menangani masalah di mana penyelesaiannya tidak jelas kepada manusia.

Mari kita ambil contoh kehidupan sebenar: mengenali sel-sel kanser. Pendekatan AI klasik akan bergantung kepada ahli manusia yang cuba menyaring proses membuat keputusan sendiri dan kemudian mengkodifikasinya dalam algoritma. Contohnya, kita mungkin menanda sel yang lebih besar daripada saiz tertentu, atau mempunyai garis-garis kabur, atau bentuk yang aneh. Dengan pembelajaran yang mendalam, bagaimanapun, kita boleh memberi suapan secara langsung imej sel yang ditandakan untuk menunjukkan sama ada mereka kanser atau tidak, dan rangkaian saraf kita akan belajar untuk memilih ciri yang paling berguna imej untuk tugas tertentu ini. Ini adalah contoh klasik "pembelajaran diselia": kami menyediakan beberapa input dan beberapa output yang diingini, dan algoritma belajar untuk memetakan dari satu ke yang lain.

Kita juga boleh menghapuskan label sepenuhnya, dan meminta algoritma untuk mengepalai sel-sel yang mempunyai sesuatu yang sama. Proses ini dikenali sebagai clustering, dan ia adalah jenis pembelajaran tanpa pengawasan. Di sini kita tidak menyediakan pengawasan dalam bentuk label, kita hanya menggunakan pembelajaran mendalam untuk mencari struktur dalam data. Dalam contoh kami, mungkin sel-sel kami banyak jenis - sel kulit, sel hati, dan sel-sel otot - dan berguna untuk mengelompokkannya sebelum cuba mencari sel-sel di setiap kelompok yang kanser. Aplikasi biasa lain untuk clustering termasuk mengenal pasti wajah yang berbeza dalam foto anda, memahami jenis pelanggan yang berbeza dan menyusun cerita berita mengenai topik yang sama.

Jangan percaya gembar-gembur: AI Mitos vs Realiti

Oleh itu, dengan semua kemajuan pesat dalam AI dalam beberapa tahun kebelakangan ini, anda fikir kita akan dipompaikan dengan betul? Nah, bukan semua orang. Seperti pada tahun-tahun pertama AI di tahun 50-an dan 60-an, masih jauh jurang antara jangkaan AI berdasarkan penggambaran dalam sains fiksyen dan media, dan apa yang sebenarnya mampu hari ini. (Belum lagi ketakutan yang berleluasa gangguan, kebimbangan privasi atau kehilangan kerja yang berkaitan dengan ramalan ini.)

Satu lagi cara membingkai perbincangan ini adalah perbezaan antara kecerdasan buatan "sempit" dan "umum". Kebanyakan kejayaan terbesar AI setakat ini telah menjadi "kecerdasan" kecerdasan buatan, iaitu menyelesaikan tugas khusus dalam parameter yang ketat, seperti Siri menaip mesej teks yang ditentukan untuk anda, atau mengiktiraf kucing dalam imej. Tidak ada tanggapan mengenai kesedaran diri atau kemahiran menyelesaikan masalah umum dalam AI sempit. Sebaliknya, banyak yang telah menangkap imaginasi orang ramai selama beberapa dekad telah menjadi fantasi "kecerdasan buatan umum" dalam bentuk pembantu seperti manusia, seperti Hal 9000, R2D2 atau Samantha di Her, di mana AI sama, jika tidak lebih bijak daripada manusia.

Untuk menjadi sangat jelas, kami jauh dari apa yang menyerupai umum AI. Yoshua Bengio, salah seorang pengasas Element AI, adalah jelas apabila bercakap mengenai topik ini - dia tidak percaya ia munasabah untuk membuat ramalan berasaskan masa ketika ini berlaku. Dalam ceramah baru-baru ini, beliau menggariskan beberapa sebab tertentu mengapa kita tidak berada di sana, yang pertama adalah bahawa semua kejayaan AI industri setakat ini telah berasaskan semata-mata pada pembelajaran di bawah seliaan. Sistem pembelajaran kami masih agak mudah difikirkan, kerana mereka bergantung pada petunjuk dangkal dalam data yang tidak berfungsi dengan baik di luar konteks latihan.

Dumbbell belanjawan bersih saraf Google, lengkap dengan anggota hantu. Imej: Google.

Sebagai contoh, apabila Google melatih rangkaian saraf untuk menghasilkan imej-imej dumbbell berdasarkan ribuan gambar, ia mendapat hampir tepat. Pasti, kita mempunyai dua bobot yang dihubungkan oleh bar, tetapi apa yang dilakukan orang-orang hantu itu di sana? Walaupun rangkaian saraf berjaya mengenal pasti ciri-ciri visual umum dumbbell, kerana imej sumbernya sentiasa memaparkan manusia memegang dumbbells, ia juga menganggap dumbbell mempunyai lengan.

Walaupun terdapat batasan yang ketara, untuk mendengar spon Elon Musk dengan Mark Zuckerberg pada musim panas lalu, anda akan berfikir bahawa AI yang bertenaga Perang Dunia III adalah sekitar sudut. Ketua Pegawai Eksekutif kami Jean-François Gagné membawa kami kembali kepada asas-asas mengenai keadaan semasa AI dalam jawatan blog baru-baru ini:

"AI sangat sempit, dan rapuh. Ia tidak berfungsi dengan baik di luar skop yang ditetapkan untuknya. Ia hanya boleh menguruskan fungsi objektif mudah; jadi, sebenarnya kita, manusia, menggunakan kecerdasan manusia kita untuk menerapkannya dengan berkesan ke titik di mana pekerjaan boleh menjadi automatik. "

AI banyak definisi

Sekarang bahawa kita terpaksa mempercepat perkembangan sejarah dan kemajuan terkini dalam AI, mari kita menggali banyak definisi yang telah kita buat untuk menerangkannya selama ini. Walaupun sesetengah orang berpendapat bahawa istilah itu terlalu banyak digunakan akhir-akhir ini bahawa ia telah menjadi tidak bermakna, kita tidak begitu bersedia untuk berputus asa.

Bagaimana istilah "AI" digunakan hari ini

Untuk menentukan AI, mari kita mulakan dengan meneliti kecerdasan. Di satu pihak, anda boleh mengambil idea mudah intelek, berdasarkan skor IQ sebagai contoh. Tetapi kita semua tahu bahawa kecerdasan sebenarnya lebih berlapis dan kompleks. Kamus Oxford mendefinisikannya sebagai: "keupayaan untuk memperoleh dan mengaplikasikan pengetahuan dan kemahiran", sementara pendekatan Cambridge Dictionary adalah sedikit berbeza: "keupayaan untuk belajar, memahami, dan membuat penilaian atau mempunyai pendapat yang berdasarkan alasan." Lain-lain telah mengembangkan cara-cara untuk mengukur kecerdasan selama bertahun-tahun, seperti teori kecerdasan pelbagai Howard Gardner, yang menampilkan modaliti seperti muzik-irama dan harmonik, visual-spatial, linguistik lisan, logik-matematik, kinestetik tubuh dan eksistensial , antara yang lain. Pengambilalihan kami lebih dekat kepada takrifan terakhir ini, yang membolehkan pengambilalihan, pemprosesan dan penggunaan maklumat dalam pelbagai konteks.

Idea kecerdasan kita juga sangat antropomorfik: ia berdasarkan cara kita, sebagai manusia, berfikir dan menyelesaikan masalah. AI secara meluas difahami dengan cara yang sama, di mana sistem pintar buatan datang kepada kesimpulan dengan cara yang menyerupai pendekatan manusia. Membangun idea ini, David C. Parkes dan Michael P. Wellman mempersembahkan tanggapan AI sebagai "homo economicus, ejen mitos yang sangat rasional dalam ekonomi neoklasik." Tetapi, walaupun ia menggoda untuk berfikir bahawa kita boleh membayangkan sebuah entiti yang sempurna yang rasional, data yang digunakan untuk melatih AI selalunya cacat, kerana kecenderungan manusia atau yang lain, yang menjadikan "rasional sempurna" hampir mustahil untuk dinilai.

Laporan Rumah Putih pada tahun 2016 mengenai jumlah cabaran yang timbul dengan definisi kohesif: "Tidak ada definisi tunggal AI yang diterima secara universal oleh para pengamal. Ada yang menentukan AI secara longgar sebagai sistem berkomputer yang memperlihatkan tingkah laku yang biasa difikirkan sebagai memerlukan kecerdasan. Lain-lain mendefinisikan AI sebagai satu sistem yang mampu menyelesaikan masalah yang rumit atau mengambil tindakan yang sesuai untuk mencapai matlamatnya dalam apa jua keadaan dunia yang dihadapi. "Ia menarik perhatian bahawa mereka tidak menggunakan istilah" tingkah laku manusia "di sini, tetapi hanya "Tingkah laku".

Ahli falsafah Sweden Nick Bostrom memberi tumpuan kepada idea pembelajaran dan penyesuaian dalam AI dalam bukunya Superintelligence: Paths, Dangers, Strategies: "Keupayaan untuk belajar akan menjadi ciri penting dalam reka bentuk teras sistem yang bertujuan untuk mencapai kecerdasan am ... memegang keupayaan untuk menangani maklumat ketidakpastian dan probabiliti. "Yang lain, seperti Profesor Kejuruteraan Komputer Ethem Alpaydın dalam Pengenalan Pembelajaran Mesin, nyatakan bahawa" sistem pintar harus dapat menyesuaikan diri dengan persekitarannya; ia harus belajar untuk tidak mengulangi kesilapannya tetapi mengulangi kejayaannya. "

Takrifan kami

Selain mengkaji bagaimana orang lain menentukan AI hari ini, sebahagian daripada penyelidikan kami juga melibatkan menghantar kaji selidik seluruh syarikat yang meminta rakan sekerja kami untuk menentukan kecerdasan buatan, dalam satu ayat (atau dua, atau tiga). Dalam hasil tinjauan, tiga kategori jawapan utama muncul:

  1. AI adalah keupayaan komputer untuk membuat keputusan atau untuk meramalkan, berdasarkan data yang tersedia untuknya.
  2. AI adalah keupayaan komputer untuk meniru fungsi otak yang lebih tinggi seperti persepsi, kognisi, kawalan, perancangan, atau strategi.
  3. AI adalah sebuah program yang dicipta oleh data dan pengiraan, iaitu tidak keras.

Untuk tujuan kita hari ini, apakah definisi ini cukup? Apakah beberapa perangkap dalam usaha untuk mendefinisikan konsep yang luas dan sentiasa berkembang?

Mengapa ini begitu sukar?

Fenomena "catchall" adalah salah satu cabaran utama apabila kita bercakap tentang AI. Kegunaan istilah yang kerap telah mengakibatkan pelbagai aplikasi, dan kebingungan yang wujud, seperti yang dijelaskan oleh Genevieve Bell, PhD di Stanford dalam Antropologi dan Pengarah, Penyelidikan Interaksi dan Pengalaman di Intel:

"Bagi saya, kecerdasan buatan adalah istilah yang menarik dan ia adalah yang dikitarinya dan tidak popular. Ia kembali pada masa ini. Ia merupakan istilah payung di mana anda boleh membincangkan pengkomputeran kognitif, pembelajaran mesin dan pembelajaran mendalam, dan algoritma. Ia adalah penangkapan kerana ia bermakna segala-galanya dan tiada apa-apa pada masa yang sama. Ia adalah kategori kebudayaan sebanyak yang teknikal. "

Istilah ini sering digunakan dalam keadaan yang salah (atau agak keadaan tidak tepat) kerana ia begitu luas, seperti yang digariskan di dalam kertas perbincangan ini pada tahun 2017 McKinsey Global Institute, AI: Perbatasan digital seterusnya:

"... Sukar untuk dikurangkan kerana orang bercampur dan sepadan dengan teknologi yang berbeza untuk membuat penyelesaian untuk masalah individu. Kadang-kadang ini dianggap sebagai teknologi bebas, kadang-kadang sebagai sub-kumpulan teknologi lain dan kadang-kadang sebagai aplikasi ... Sesetengah rangka kerja kumpulan AI teknologi dengan fungsi asas ..., sesetengah kumpulan mereka dengan aplikasi perniagaan ... "

Satu lagi cabaran utama dalam menentukan AI ialah hakikat bahawa sains dan aplikasinya sentiasa berubah. Seperti yang dijelaskan oleh Pamela McCorduck dalam bukunya Machines Who Think, sering kali sistem pintar yang menyelesaikan masalah baru didiskaunkan sebagai "hanya pengiraan" atau "bukan kepintaran sebenar". Philosopher Bostrom merangkumkan dengan baik: "Banyak pemotongan AI telah ditapis ke dalam aplikasi umum, sering tanpa dipanggil AI kerana sekali sesuatu menjadi cukup berguna dan cukup biasa ia tidak dilabelkan AI lagi." Sebagai contoh, program IBM yang bermain dam pada tahun 1951 mungkin dianggap AI pecah semasa pada masa itu, tetapi akan digambarkan sebagai pengkomputeran asas hari ini. Atau lebih baru-baru ini, ada yang berpendapat dengan pesimis bahawa tidak ada "pintar" tentang mana-mana "AI sempit", seperti pemukul AlphaGo Lee Sedol.

Memandangkan semua cabaran ini, adakah ada cara untuk mengurangkan bunyi budaya dan media yang mengabaikan penghakiman kami dan memberi tumpuan kepada isu-isu ketara? Apabila kita menggunakan perkataan "AI", kita biasanya merujuk kepada teknologi tertentu, seperti pemprosesan bahasa semula jadi, pembelajaran mesin, atau penglihatan mesin. Oleh itu, secara spesifik adalah tempat yang baik untuk bermula. Dalam keadaan lain, bagaimanapun, dengan menggunakan istilah "AI" tidak salah, seperti dalam keadaan di mana kita benar-benar tidak tahu dengan tepat teknologi mana yang sedang digunakan. Ia adalah perangkap yang kita tidak kebal untuk jatuh ke dalam, bersama-sama dengan semua pengamal AI dan wartawan yang membangkitkan perbincangan yang berterusan ini.

Melihat ke hadapan

Dalam usaha untuk menjelaskan dengan jelas apa yang dimaksudkan dengan AI, kami mendapati bahawa ia bermakna beberapa perkara berbeza kepada orang yang berbeza. Ia adalah satu idea yang telah menangkap imaginasi kami untuk masa yang sangat lama. Walaupun kita mengecilkannya ke sains komputer, ia masih sangat luas. Dengan ini, kita fikir penting untuk memberi tumpuan kepada bagaimana AI sudah mengubah kehidupan kita, kejayaan hari ini yang mencetuskan gembar-gembur ini. Kevin Kelly merumuskannya dengan baik dalam perbincangan TED baru-baru ini:

"Tidak ada pakar AI sekarang. Ada banyak wang yang berlaku, ada berbilion ringgit yang dibelanjakan untuknya; ia adalah perniagaan yang besar, tetapi tidak ada pakar, berbanding apa yang akan kita tahu 20 tahun dari sekarang. Oleh itu, kita hanya pada awal permulaan, kita berada di jam pertama semua ini ... Produk AI yang paling popular dalam masa 20 tahun dari sekarang, yang semua orang menggunakan, belum lagi dicipta. Ini bermakna anda tidak lewat. "

Dengan kata lain, adalah wajar bahawa idea-idea AI kita melibatkan pelbagai pandangan dan kadang-kadang idea-idea yang bercanggah kerana ia berkembang dan berlaku sekarang. Ini tidak dimaksudkan untuk dibaca sebagai pembunuh, tetapi sebaliknya panggilan untuk merangkul kebendaan dan kegelisahan yang sedia ada ketika kami berusaha untuk menjadikannya lebih baik.

Semua ini dikatakan, kita tidak akan menubuhkan definisi THE. Walau bagaimanapun, kami mahu pereka bergulat dengan teknologi yang dihasilkan pada hari ini untuk memiliki pemahaman asas tentang AI dan keupayaannya. Jika "AI adalah apa yang belum dilakukan", seperti Teorem Tesler meletakkannya, maka ini adalah tepat di mana kita perlu mencari - bukan pada apa yang telah dilakukan, tetapi pada apa yang mungkin, atau tidak lama lagi.

Kami percaya bahawa pada terasnya, AI adalah satu peluang pembelajaran yang luar biasa, dan jika dimajukan secara sedar, dapat mendorong manusia ke arah kemajuan yang luas. Sebagai pembajak ditarik kuda secara dramatik merevolusikan pertanian pada tahun 1100-an, dan enjin stim mendorong pengeluaran dan pengangkutan ke era baru pada abad ke-18, kita melihat AI menyokong abad seterusnya inovasi digital. Sebagai Profesor MIT Physics MITT, Max Tegmark baru-baru ini menyatakan, kini bukan masa untuk merenungkan masa depan sebagai beberapa peristiwa yang ditakdirkan sebelum ini yang kita tidak dapat dielakkan, tetapi kita harus bertanya kepada diri sendiri, "Masa depan apa yang kita mahu reka bentuk dengan AI? "

Jika anda menikmati ini, cari bab seterusnya dalam siri Asas Reka Bentuk AI-Pertama kami - Apakah Reka Bentuk, Benar?

Pengarang & Penyumbang

Rebecca West adalah Editor Jurnal AI1D di Element AI dan seorang penulis dengan fokus pada projek-projek di persimpangan reka bentuk, teknologi dan kreativiti.

Ilustrasi oleh Dona Solo, seorang Pereka Visual di Element AI.

Dengan sumbangan dari Pereka Pengalaman Masha Krol, Penyelidik Gunaan Saintis Archy de Berker dan penyelidikan musim panas 2017 kami Louis-Félix La Roche-Morin.