نابودی و هیاهوی هوش مصنوعی را فراموش کنید، بیایید رایانه ها را مفید کنیم

رویکرد سیستم ها افشای کامل: من سابقه ای با هوش مصنوعی دارم، در دهه 1980 با آن معاشقه کردم (سیستم های خبره را به خاطر می آورید؟) و سپس با انحراف به سمت راستی آزمایی رسمی از زمستان هوش مصنوعی در اواخر دهه 1980 اجتناب کردم و سرانجام در شبکه به عنوان تخصص من در این زمینه وارد شدم. 1988.

و همانطور که لری پترسون، همکار من در Systems Approach، آثار کلاسیکی مانند کتابچه راهنمای پاسکال را در قفسه کتاب خود دارد، من هنوز هم چند کتاب هوش مصنوعی از دهه هشتاد را در اختیار دارم، به ویژه کتاب PH وینستون. هوش مصنوعی (1984). ورق زدن آن کتاب بسیار غم انگیز است، به این معنا که بیشتر آن به نظر می رسد ممکن است دیروز نوشته شده باشد. به عنوان مثال، مقدمه این گونه آغاز می شود:

من همچنین برای دیدن نمونه‌هایی از «آنچه رایانه‌ها می‌توانند انجام دهند» در سال 1984 برایم جالب بود. یکی از نمونه‌ها حل مسائل جدی حساب دیفرانسیل و انتگرال بود – قابل توجه است زیرا به نظر می‌رسد که محاسبات دقیق فراتر از قابلیت‌های سیستم‌های مبتنی بر LLM امروزی است.

اگر حساب دیفرانسیل و انتگرال قبلاً در سال 1984 توسط رایانه قابل حل بود، در حالی که محاسبات پایه سیستم‌هایی را که ما به‌عنوان پیشرفته‌ترین فناوری امروزی می‌بینیم، مختل می‌کند، شاید میزان پیشرفت در هوش مصنوعی در 40 سال گذشته به آن اندازه که در ابتدا به نظر می‌رسد، نباشد. (که گفته شد، حتی وجود دارد بهتر امروزه سیستم‌های مقابله با حساب دیفرانسیل و انتگرال، آنها بر اساس LLM نیستند و مشخص نیست که آیا کسی از آنها به عنوان هوش مصنوعی یاد می‌کند یا خیر.)

یکی از دلایلی که من نسخه قدیمی وینستون را انتخاب کردم این بود که ببینم او در مورد تعریف هوش مصنوعی چه می گوید، زیرا این نیز یک موضوع بحث برانگیز است. اولین برداشت او از این موضوع چندان دلگرم کننده نیست:

خوب، خوب، این بسیار دایره ای است، زیرا همانطور که وینستون اعتراف می کند باید به نحوی هوش را تعریف کنید. اما او سپس به بیان دو هدف هوش مصنوعی می‌پردازد:

1. برای اینکه کامپیوترها مفیدتر شوند
2. برای درک اصولی که هوش را ممکن می کند.

به عبارت دیگر، تعریف هوش سخت است، اما شاید مطالعه هوش مصنوعی به ما کمک کند تا درک بهتری از چیستی آن داشته باشیم. من تا آنجا پیش می روم که بگویم ما هنوز 40 سال بعد در مورد اینکه چه چیزی هوش را تشکیل می دهد بحث داریم. هدف اول ستودنی به نظر می رسد، اما به وضوح برای بسیاری از فناوری های غیر هوش مصنوعی اعمال می شود.

این بحث در مورد معنای "AI" همچنان در صنعت وجود دارد. من با سخنان زیادی روبرو شده ام که اگر فقط اصطلاح هوش مصنوعی توسط افرادی که مدل های آماری را به عنوان هوش مصنوعی بازاریابی می کنند آلوده نمی شد، به اصطلاح هوش عمومی مصنوعی، مستعار AGI نیازی نداشتیم. من واقعا این را نمی خرم تا آنجا که من می توانم بگویم هوش مصنوعی همیشه طیف گسترده ای از تکنیک های محاسباتی را پوشش داده است، که اکثر آنها کسی را فریب نمی دهند که فکر کند کامپیوتر سطوح هوش انسانی را نشان می دهد.

زمانی که حدود هشت سال پیش شروع به درگیر شدن مجدد با حوزه هوش مصنوعی کردم، شبکه‌های عصبی – که برخی از همکارانم در سال 1988 از آن استفاده می‌کردند قبل از اینکه مورد استفاده قرار نگیرند – بازگشت خیره‌کننده‌ای داشتند، تا جایی که تشخیص تصویر توسط عمیق شبکه های عصبی داشتند پیشی گرفت سرعت و دقت انسان ها، البته با برخی احتیاط ها. این افزایش هوش مصنوعی منجر به سطح خاصی از اضطراب در بین همکاران مهندسی من در VMware شد، آنها احساس کردند که یک تغییر تکنولوژیکی مهم در حال انجام است که (الف) بسیاری از ما نمی‌دانیم (ب) کارفرمای ما موقعیتی برای استفاده از آن ندارد. .

همانطور که خودم را به کار یادگیری نحوه عملکرد شبکه های عصبی انداختم (با یک کمک بزرگ از رادنی بروکس) متوجه شدم که زبانی که ما برای صحبت در مورد سیستم‌های هوش مصنوعی استفاده می‌کنیم تأثیر قابل‌توجهی بر نحوه تفکر ما در مورد آنها دارد. به عنوان مثال، تا سال 2017 ما چیزهای زیادی در مورد "یادگیری عمیق" و "شبکه های عصبی عمیق" می شنویم و استفاده از کلمه "عمیق" معنای دوگانه جالبی دارد. اگر بگویم که من "افکار عمیق" دارم، ممکن است تصور کنید که به معنای زندگی یا چیزی به همان اندازه سنگین فکر می کنم، و "یادگیری عمیق" به نظر می رسد به چیزی مشابه دلالت دارد.

اما در واقع "عمیق" در "یادگیری عمیق" اشاره ای به عمق شبکه عصبی است که بر اساس تعداد لایه ها اندازه گیری می شود که از یادگیری پشتیبانی می کند. بنابراین "عمیق" به معنای معنی دار نیست، بلکه عمیق است به همان صورتی که یک استخر شنا انتهای عمیقی دارد - استخری که آب بیشتری در آن است. این معنای دوگانه به این توهم کمک می کند که شبکه های عصبی در حال "فکر" هستند.

سردرگمی مشابهی در مورد «یادگیری» نیز صدق می‌کند، جایی که بروکس بسیار مفید بود: یک شبکه عصبی عمیق (DNN) هر چه داده‌های آموزشی بیشتری در معرض آن قرار گیرد در انجام یک کار بهتر می‌شود، بنابراین از این نظر از تجربه «یاد می‌گیرد»، اما روشی که انسان می آموزد هیچ شباهتی به روشی که انسان چیزها را می آموزد ندارد.

به عنوان نمونه ای از نحوه یادگیری DNN ها را در نظر بگیرید آلفاگو، سیستم بازی که از شبکه های عصبی استفاده می کرد شکست استادان بزرگ انسانی به گفته توسعه دهندگان سیستم، در حالی که یک انسان به راحتی با تغییر اندازه برد (معمولاً یک شبکه 19×19) مقابله می کند، یک تغییر کوچک باعث می شود AlphaGo ناتوان می شود تا زمانی که زمان لازم برای آموزش داده های جدید از برد تغییر اندازه پیدا کند.

برای من این به خوبی نشان می دهد که چگونه "یادگیری" DNN ها اساساً با یادگیری انسان متفاوت است، حتی اگر از همان کلمه استفاده کنیم. شبکه عصبی قادر به تعمیم آنچه که «یاد گرفته است» نیست. و با اشاره به این نکته، AlphaGo اخیرا بود شکست خورده توسط یک حریف انسانی که بارها از سبک بازی استفاده می‌کرد که در داده‌های تمرین وجود نداشت. به نظر می‌رسد این ناتوانی در مدیریت موقعیت‌های جدید از ویژگی‌های بارز سیستم‌های هوش مصنوعی است.

زبان اهمیت دارد

زبانی که برای توصیف سیستم های هوش مصنوعی استفاده می شود همچنان بر نحوه تفکر ما در مورد آنها تأثیر می گذارد. متأسفانه، با توجه به عقب نشینی معقول در تبلیغات اخیر هوش مصنوعی، و برخی از شکست های قابل توجه در سیستم های هوش مصنوعی، اکنون ممکن است افراد زیادی متقاعد شده باشند که هوش مصنوعی کاملا بی ارزش است، به اندازه اعضای گروهی که می گویند هوش مصنوعی در شرف دستیابی به هوشی شبیه انسان است. .

همانطور که در بالا ذکر شد، من به شدت نسبت به اردوگاه دوم بدبین هستم، اما همچنین فکر می‌کنم که تأثیر مثبتی که سیستم‌های هوش مصنوعی – یا اگر ترجیح می‌دهید، سیستم‌های یادگیری ماشینی – می‌توانند داشته باشند، مایه تأسف خواهد بود.

من در حال حاضر به چند نفر از همکارانم کمک می کنم تا کتابی در مورد برنامه های کاربردی یادگیری ماشین برای شبکه بنویسند، و شنیدن این موضوع که مشکلات شبکه ای زیادی وجود دارد که پاسخگوی راه حل های مبتنی بر ML هستند، نباید کسی را متعجب کند. به طور خاص، ردپای ترافیک شبکه منابع فوق‌العاده‌ای از داده‌ها هستند، و داده‌های آموزشی غذایی است که سیستم‌های یادگیری ماشینی بر اساس آن رشد می‌کنند.

برنامه‌های کاربردی از جلوگیری از انکار سرویس گرفته تا شناسایی بدافزار تا مکان‌یابی جغرافیایی می‌توانند از الگوریتم‌های ML استفاده کنند، و هدف این کتاب کمک به افراد شبکه‌ای است که بفهمند ML پودر جادویی نیست که روی داده‌های خود بپاشید تا به دست آورید. پاسخ‌ها، اما مجموعه‌ای از ابزارهای مهندسی است که می‌توانند به‌طور انتخابی برای تولید راه‌حل‌هایی برای مشکلات واقعی استفاده شوند. به عبارت دیگر، نه نوشدارویی و نه یک دارونمای بیش از حد تبلیغاتی. هدف این کتاب این است که به خوانندگان کمک کند تا بفهمند کدام ابزارهای ML برای کلاس های مختلف مشکلات شبکه مناسب هستند.

یکی از داستان هایی که مدتی قبل توجه من را به خود جلب کرد، استفاده از هوش مصنوعی برای کمک به Network Rail در بریتانیا بود پوشش گیاهی را مدیریت کنید که در کنار خطوط راه آهن بریتانیا رشد می کند. فناوری کلیدی "AI" در اینجا، تشخیص تصویر (برای شناسایی گونه‌های گیاهی) است - با استفاده از نوعی فناوری که DNN در دهه گذشته ارائه کرده است. شاید به اندازه سیستم‌های هوش مصنوعی مولد که در سال 2023 توجه جهان را به خود جلب کرد، هیجان‌انگیز نباشد، اما یک کاربرد خوب و عملی از تکنیکی است که زیر چتر هوش مصنوعی قرار دارد.

گرایش من این روزها این است که در مواقعی که مناسب است، به جای هوش مصنوعی از اصطلاح «یادگیری ماشینی» استفاده کنم، با این امید که از هیاهو و واکنش‌های آلرژیکی که اکنون «AI» ایجاد می‌کند اجتناب کنم. و با تازه شدن سخنان پاتریک وینستون در ذهنم، ممکن است فقط درباره «مفید ساختن رایانه ها» صحبت کنم. ®

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/