Yleinen ja toistuva näkemys tekoälyn tutkimuksen viimeisimmistä läpimurtoista on, että tunteelliset ja älykkäät koneet ovat vain horisontissa. Koneet ymmärtävät suulliset käskyt, erottavat kuvia, ajavat autoja ja pelaavat pelejä paremmin kuin me. Kuinka kauan voi kulua ennen kuin he kävelevät keskuudessamme?
Uusi Valkoisen talon keinoälyä käsittelevä mietintö suhtautuu kyseiseen uneen asianmukaisesti skeptisesti. Sanotaan, että seuraavien 20 vuoden aikana koneissa ei todennäköisesti näytetä olevan "laajasti sovellettavaa älykkyyttä, joka on verrattavissa tai ylittää ihmisen älykkyyden", vaikka sanotaankin, että tulevina vuosina koneet saavuttavat ja ylittävät ihmisen suorituskyvyn entistä enemmän ja lisää tehtäviä. " Mutta sen oletukset siitä, kuinka nämä kyvyt kehittyvät, jäivät tärkeisiin kohtiin huomiotta.
AI-tutkijana tunnustan, että oli kiva, että oma alani korostettiin Yhdysvaltain korkeimmalla tasolla, mutta raportti keskittyi melkein yksinomaan siihen, mitä kutsun "tylsäksi AI: ksi". Se hylkäsi puolessa lauseessa AI-tutkimuksen osaani siitä, miten evoluutio voi auttaa kehittämään jatkuvasti paranevia AI-järjestelmiä ja kuinka laskennalliset mallit voivat auttaa meitä ymmärtämään, kuinka inhimillinen älykkyytemme kehittyi.
Raportissa keskitytään niin sanottuihin yleisiin AI-työkaluihin: koneoppimiseen ja syväoppimiseen. Nämä ovat sellaisia tekniikoita, jotka ovat kyenneet toistamaan "Jeopardy!" No, ja voita ihmisten Go-mestarit monimutkaisimmassa pelissä, joka koskaan keksitty. Nämä nykyiset älykkäät järjestelmät pystyvät käsittelemään valtavia määriä dataa ja tekemään monimutkaisia laskelmia erittäin nopeasti. Mutta heistä puuttuu elementti, joka on avain rakentaessamme tulevaisuuden tuntevia koneita.
Meidän on tehtävä enemmän kuin opetettava koneita oppimaan. Meidän on ylitettävä rajat, jotka määrittelevät neljä erilaista tekoälyn tyyppiä, esteet, jotka erottavat koneet meistä - ja meidät niistä.
Tyyppi I AI: Reaktiiviset koneet
AI-järjestelmien tyypillisimmät tyypit ovat puhtaasti reaktiivisia, eivätkä ne kykene muodostamaan muistoja eivätkä käyttämään aiempia kokemuksia nykyisten päätösten tekoon. Deep Blue, IBM: n shakkipelaaja supertietokone, joka voitti kansainvälisen suurmestari Garry Kasparovin 1990-luvun lopulla, on täydellinen esimerkki tämän tyyppisestä koneesta.
Deep Blue tunnistaa kappaleet shakkilaudalla ja tietää miten kukin liikkuu. Se voi tehdä ennustuksia siitä, mitkä liikkeet saattavat olla seuraavaksi vastustajalle. Ja se voi valita optimaalisimmat liikkeet mahdollisuuksien joukosta.
Mutta siinä ei ole mitään käsitystä menneisyydestä, eikä mitään muistia siitä, mitä on tapahtunut aiemmin. Lukuun ottamatta harvoin käytettyä shakkikohtaista sääntöä saman liikkeen toistamisesta kolme kertaa, Deep Blue ohittaa kaiken ennen nykyhetkeä. Ainoa se on katsoa shakkipöydän paloja sellaisena kuin ne ovat tällä hetkellä ja valita mahdollisista seuraavista liikkeistä.
Tämän tyyppiseen älykkyyteen kuuluu tietokone, joka havaitsee maailman suoraan ja toimii sen mukaan, mitä se näkee. Se ei luota sisäiseen maailmankäsitykseen. AI-tutkija Rodney Brooks väitti lehdistössä, että meidän pitäisi rakentaa vain tällaisia koneita. Hänen tärkein syy oli, että ihmiset eivät ole kovin osaavia ohjelmoimaan tarkkoja simuloituja maailmoja tietokoneiden käytettäväksi, mitä AI-stipendissä kutsutaan "maailman esitykseksi".
Nykyisillä älykkäillä koneilla, joita ihmettelemme, joko ei ole sellaista maailmankäsitettä tai joilla on hyvin rajallinen ja erikoistunut kone erityistehtäviinsä. Deep Blue -suunnitelman innovaatio ei ollut laajentaa tietokoneen mahdollisten elokuvien valikoimaa. Pikemminkin kehittäjät löysivät tavan kaventaa näkemystään, lopettaa joidenkin mahdollisten tulevien siirtojen harjoittamisen sen perusteella, kuinka se arvioi niiden lopputulosta. Ilman tätä kykyä Deep Blue olisi pitänyt olla vielä tehokkaampi tietokone, jotta se todella voittaa Kasparovin.
Samoin Googlen AlphaGo, joka on voittanut ihmisten parhaimmat asiantuntijat, ei myöskään pysty arvioimaan kaikkia mahdollisia tulevia muutoksia. Sen analyysimenetelmä on hienostuneempi kuin Deep Blue: n, ja se käyttää hermoverkkoa pelien kehityksen arviointiin.
Nämä menetelmät parantavat AI-järjestelmien kykyä pelata tiettyjä pelejä paremmin, mutta niitä ei voida helposti muuttaa tai soveltaa muihin tilanteisiin. Näillä tietokoneavusteisilla mielikuvituksilla ei ole käsitystä laajemmasta maailmasta - tarkoittaen, että ne eivät pysty toimimaan niille osoitettujen erityistehtävien ulkopuolella ja ovat helposti lankaan johtavia.
He eivät voi osallistua vuorovaikutteisesti maailmaan, kuten me kuvittelemme AI-järjestelmiä yhtenä päivänä. Sen sijaan nämä koneet käyttäytyvät täsmälleen samalla tavalla joka kerta, kun he kohtaavat saman tilanteen. Tämä voi olla erittäin hyvä varmistettaessa, että AI-järjestelmä on luotettava: Haluat auton auton olevan luotettava kuljettaja. Mutta on huonoa, jos haluamme koneiden olevan todella yhteydessä maailmaan ja reagoimaan siihen. Nämä yksinkertaisimmat AI-järjestelmät eivät koskaan ole tylsää, kiinnostavia tai surullisia.
Tyyppi II AI: Rajoitettu muisti
Tämä tyypin II luokka sisältää koneita, jotka voivat tarkastella menneisyyttä. Itse ajavat autot tekevät osan tästä jo. Esimerkiksi he tarkkailevat muiden autojen nopeutta ja suuntaa. Tätä ei voida tehdä vain yhdessä hetkessä, vaan se vaatii tiettyjen esineiden tunnistamista ja niiden seurantaa ajan kuluessa.
Nämä havainnot lisätään itse ajavien autojen esiohjelmoituihin maailmankuvauksiin, joihin sisältyy myös kaistamerkinnät, liikennevalot ja muut tärkeät elementit, kuten tien käyrät. Ne sisältyvät, kun auto päättää, milloin vaihtaa kaistaa, välttääksesi toisen kuljettajan katkaisemista tai lähellä olevan auton iskua.
Mutta nämä yksinkertaiset tiedot menneisyydestä ovat vain ohimeneviä. Niitä ei tallenneta osana auton kirjaston kokemuksia, joista se voi oppia, mistä ihmisen kuljettajat kokoavat kokemuksia vuosien varrella.
Joten miten voimme rakentaa AI-järjestelmiä, jotka rakentavat kokonaisia esityksiä, muistavat kokemuksensa ja oppivat käsittelemään uusia tilanteita? Brooks oli oikeassa siinä, että tämän tekeminen on erittäin vaikeaa. Oma Darwinian evoluution inspiroimien menetelmien tutkimus voi alkaa korvata ihmisen puutteita antamalla koneiden rakentaa omia esityksiä.
Tyyppi III AI: Mielen teoria
Saatamme lopettaa täällä ja kutsua tätä kohtaa tärkeäksi jakoksi olemassa olevien koneiden ja tulevaisuudessa rakentamiemme koneiden välillä. On kuitenkin parempi olla tarkempi keskustella siitä, minkä tyyppisiä esityksiä koneiden on muodostettava ja mitä niiden on oltava.
Seuraavan, edistyneemmän luokan koneet eivät muodosta vain esityksiä maailmasta, vaan myös muista edustajista tai kokonaisuuksista maailmassa. Psykologiassa sitä kutsutaan "mielen teoriaksi" - käsitys siitä, että ihmisillä, olentoilla ja esineillä voi olla ajatuksia ja tunteita, jotka vaikuttavat heidän omaan käyttäytymisensä.
Tämä on ratkaisevan tärkeää, koska me ihmiset muodostimme yhteiskuntien, koska ne antoivat meille mahdollisuuden olla sosiaalisessa vuorovaikutuksessa. Ymmärtämättä toistensa motiiveja ja aikomuksia ja ottamatta huomioon sitä, mitä joku muu tietää joko minusta tai ympäristöstä, yhteistyö on parhaimmillaan vaikeaa, pahimmassa tapauksessa mahdotonta.
Jos AI-järjestelmät todellakin koskaan kulkevat keskuudessamme, heidän on kyettävä ymmärtämään, että jokaisella meistä on ajatuksia ja tunteita sekä odotuksia siitä, kuinka meitä kohdellaan. Ja heidän on mukautettava käyttäytymistään vastaavasti.
Tyyppi IV AI: Itsetietoisuus
AI-kehityksen viimeinen vaihe on rakentaa järjestelmiä, jotka voivat muodostaa esityksen itsestään. Viime kädessä meidän, AI: n tutkijoiden, ei tarvitse vain ymmärtää tietoisuutta, vaan myös rakentaa koneita, joilla on se.
Tämä on tietyssä mielessä tyypin III tekoälyjen hallussa olevan "mielen teorian" jatko. Tietoisuutta kutsutaan syystä myös "itsetietoisuudeksi". ("Haluan, että esine" on hyvin erilainen lausunto kuin "tiedän, että haluan kyseisen esineen.") Tietoiset olennot ovat tietoisia itsestään, tietävät sisäisistä tiloistaan ja kykenevät ennustamaan muiden tunteita. Oletetaan, että joku takaa takaa liikenteessä on vihainen tai kärsimätön, koska niin me tunnemme tunteessamme toisiamme. Ilman mielen teoriaa emme voineet tehdä sellaisia päätelmiä.
Vaikka olemme todennäköisesti kaukana itsetietoisten koneiden luomisesta, meidän olisi keskityttävä pyrkimyksiin muistin ymmärtämiseen, oppimiseen ja kykyyn perustaa päätökset aiempiin kokemuksiin. Tämä on tärkeä askel ymmärtää ihmisen älykkyyttä yksinään. Ja on ratkaisevan tärkeää, jos haluamme suunnitella tai kehittää koneita, jotka ovat enemmän kuin poikkeuksellisia luokittelemalla näkemään heidän edessään.
Arend Hintze, integratiivisen biologian ja tietotekniikan ja tekniikan apulaisprofessori, Michiganin osavaltion yliopisto
