Unustage tehisintellekti hukk ja hype, tehkem arvutid kasulikuks

Süsteemne lähenemine Täielik avalikustamine: mul on tehisintellektiga seotud ajalugu, kuna olin sellega flirtinud 1980ndatel (mäletate ekspertsüsteeme?) ja siis ohutult vältinud 1980. aastate lõpu tehisintellekti talve, pöördudes ametliku kontrollimise poole, enne kui asusin lõpuks oma erialana võrkude loomisele. 1988.

Ja nagu mu Systems Approach’i kolleegil Larry Petersonil on raamaturiiulil klassikalisi teoseid, nagu Pascali käsiraamat, on mul endiselt paar kaheksakümnendate tehisintellekti raamatut, eriti PH Winstoni oma. Tehisintellekt (1984). Selle raamatu lehitsemine on üsna tore, selles mõttes, et suur osa sellest näib olevat kirjutatud eile. Näiteks algab eessõna järgmiselt:

Mind huvitas ka mõni 1984. aasta näide selle kohta, mida arvutid suudavad. Üks näide oli tõsiselt raskete arvutusülesannete lahendamine – see on märkimisväärne, sest täpne aritmeetika näib olevat tänapäevaste LLM-põhiste süsteemide võimalused.

Kui arvutus oli arvutite abil lahendatav juba 1984. aastal, samas kui elementaarne aritmeetika muudab süsteemid, mida me käsitleme tänapäevaste tehnika tasemetena, ei ole võib-olla viimase 40 aasta jooksul tehisintellekti areng nii suur, kui esmapilgul paistab. (See tähendab, et neid on isegi parem Tänapäeval kasutatakse arvutussüsteemides, kuid need ei põhine LLM-idel ja on ebaselge, kas keegi nimetab neid tehisintellektiks.)

Üks põhjus, miks ma oma vana Winstoni koopia kätte võtsin, oli see, et näha, mida tal oli AI määratluse kohta öelda, sest ka see on vastuoluline teema. Tema esimene seisukoht selles osas ei ole kuigi julgustav:

Noh, OK, see on üsna ringikujuline, kuna peate intelligentsust kuidagi määratlema, nagu Winston tunnistab. Kuid ta jätkab kahe AI ​​eesmärgi väljatoomisega:

1. Et muuta arvutid kasulikumaks
2. Et mõista põhimõtteid, mis võimaldavad intelligentsust.

Teisisõnu, intelligentsust on raske määratleda, kuid võib-olla aitab tehisintellekti uurimine meil paremini mõista, mis see on. Ma läheksin nii kaugele, et ütleksin, et meil on endiselt arutelu selle üle, mis on intelligentsus 40 aastat hiljem. Esimene eesmärk tundub kiiduväärt, kuid kehtib selgelt paljude mitte-AI tehnoloogia kohta.

See arutelu „AI” tähenduse üle jätkub tööstuses. Olen kohanud palju räigeid, et meil poleks vaja terminit Artificial General Intelligence ehk AGI, kui ainult terminit AI poleks statistilisi mudeleid AI-na turustavad inimesed nii saastanud. Ma tõesti ei osta seda. Niipalju kui ma võin öelda, on AI alati hõlmanud paljusid arvutustehnikaid, millest enamik ei petaks kedagi arvama, et arvuti näitab inimliku intelligentsuse taset.

Kui hakkasin umbes kaheksa aastat tagasi tehisintellekti valdkonnaga uuesti tegelema, olid närvivõrgud – mida mõned mu kolleegid kasutasid 1988. aastal, enne kui nende soosingust välja langesid – teinud jahmatava tagasituleku kuni punktini, kus pildituvastus sügavalt. närvivõrkudel oli ületas inimeste kiirust ja täpsust, kuigi mõningate mööndustega. See tehisintellekti tõus tõi kaasa teatud ärevuse minu VMware'i insenerikolleegide seas, kes tajusid, et toimumas on oluline tehnoloogiline nihe, millest (a) enamik meist ei saanud aru (b) meie tööandjal ei olnud võimalust seda ära kasutada. .

Kui ma heitsin end ülesandele õppida, kuidas närvivõrgud toimivad (koos a suur abi Rodney Brooksilt) Sain aru, et keel, mida me AI-süsteemidest rääkides kasutame, mõjutab oluliselt seda, kuidas me nendest mõtleme. Näiteks 2017. aastaks kuulsime palju „sügavast õppimisest“ ja „sügavatest närvivõrkudest“ ning sõna „sügav“ kasutamisel on huvitav kahekordne tähendus. Kui ma ütlen, et mul on "sügavad mõtted", võite ette kujutada, et ma mõtlen elu mõttele või millelegi samaväärsele kaalukale, ja "sügav õppimine" näib vihjavat midagi sarnast.

Kuid tegelikult on "sügav õppimine" viide õppimist toetava närvivõrgu sügavusele, mõõdetuna kihtide arvus. Nii et see ei ole tähenduslikus mõttes "sügav", vaid lihtsalt sügav samamoodi nagu basseinil on sügav ots – see, kus on rohkem vett. See kahekordne tähendus loob illusiooni, et närvivõrgud "mõtlevad".

Sarnane segadus kehtib "õppimise" kohta, kus Brooks oli nii abiks: sügav närvivõrk (DNN) saab ülesandega paremini hakkama, mida rohkem koolitusandmeid sellega kokku puutub, nii et selles mõttes "õpib" kogemusest, kuid viis, kuidas ta õpib, ei sarnane sellele, kuidas inimene asju õpib.

DNN-ide õppimise näitena kaaluge AlphaGo, mängusüsteem, mis kasutas närvivõrke võita inimeste suurmeistrid. Kui inimene saab süsteemiarendajate sõnul hõlpsalt hakkama tahvli suuruse muutmisega (tavaliselt 19 × 19 ruudustik), siis väike muudatus muudaks AlphaGo impotentseks, kuni tal on aega muudetud suurusega tahvli uute andmetega treenida.

Minu jaoks illustreerib see hästi, kuidas DNN-ide "õppimine" on põhimõtteliselt erinev inimese õppimisest, isegi kui kasutame sama sõna. Närvivõrk ei suuda üldistada seda, mida ta on "õppinud". Ja seda punkti tehes oli AlphaGo hiljuti võidetud inimvastane, kes kasutas korduvalt mängustiili, mida treeningandmetes polnud. See suutmatus uute olukordadega toime tulla näib olevat AI-süsteemide tunnus.

Keel loeb

AI-süsteemide kirjeldamisel kasutatav keel mõjutab jätkuvalt seda, kuidas me neist mõtleme. Arvestades hiljutise tehisintellekti leviku mõistlikku tagasilööki ja mõningaid märkimisväärseid tõrkeid tehisintellektisüsteemidega, võib praegu olla sama palju inimesi, kes on veendunud, et tehisintellekt on täiesti väärtusetud, kui on liikmeid, kes ütlevad, et tehisintellekt on saavutamas inimlikku intelligentsust. .

Olen viimase leeri suhtes väga skeptiline, nagu eespool kirjeldatud, kuid arvan ka, et oleks kahetsusväärne unustada tehisintellektisüsteemide – või kui eelistate, siis masinõppesüsteemide – positiivne mõju.

Aitan praegu paari kolleegi, kes kirjutavad raamatut võrgunduse masinõpperakenduste kohta, ja see ei tohiks kedagi üllatada, kui kuuleb, et on palju võrguprobleeme, mida saab lahendada ML-põhiste lahendustega. Eelkõige on võrguliikluse jäljed fantastilised andmeallikad ja koolitusandmed on toit, millel masinõppesüsteemid arenevad.

Kõik rakendused alates teenuse keelamise ennetamisest kuni pahavara tuvastamiseni ja lõpetades geograafilise asukoha määramisega saavad kasutada ML-algoritme ja selle raamatu eesmärk on aidata võrgustike loovatel inimestel mõista, et ML pole mingi võlupulber, mida puistate oma andmetele, et neid hankida. vastuseid, vaid inseneritööriistade komplekt, mida saab valikuliselt rakendada tõelistele probleemidele lahenduste leidmiseks. Teisisõnu, ei imerohi ega üleliigne platseebo. Raamatu eesmärk on aidata lugejatel mõista, millised ML-i tööriistad sobivad erinevate võrguprobleemide klasside jaoks.

Üks lugu, mis mulle mõni aeg tagasi silma jäi, oli AI kasutamine Network Raili abistamiseks Ühendkuningriigis hallata taimestikku mis kasvab Briti raudteeliinide kõrval. Peamine tehisintellekti tehnoloogia on siin pildituvastus (taimeliikide tuvastamiseks) – kasutades ära tehnoloogiat, mida DNN-id on viimase kümnendi jooksul pakkunud. Võib-olla mitte nii põnev kui generatiivsed AI-süsteemid, mis pälvisid maailma tähelepanu 2023. aastal, kuid see on AI vihmavarju all oleva tehnika hea praktiline rakendus.

Minu kalduvus on tänapäeval kasutada terminit "masinõpe", mitte tehisintellekt, kui see on asjakohane, lootes vältida nii hüppeid kui ka allergilisi reaktsioone, mida "AI" praegu tekitab. Ja Patrick Winstoni sõnad värskelt meeles, võiksin hakata rääkima "arvutite kasulikuks muutmisest". ®

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/