Системний підхід Повне розкриття інформації: у мене є досвід роботи зі штучним інтелектом: я загравав із ним у 1980-х роках (пам’ятаєте експертні системи?), а потім безпечно уникнув штучного інтелекту взимку кінця 1980-х років, перейшовши на формальну перевірку, перш ніж нарешті зупинитися на мережах як на своїй спеціальності 1988 рік.
І подібно до того, як мій колега із системного підходу Ларрі Петерсон має на книжковій полиці класику, як-от підручник з Паскаля, у мене досі є кілька книг про штучний інтелект з вісімдесятих років, зокрема П. Х. Вінстона. Штучний Інтелект (1984). Гортати цю книгу — справжнє захоплення, у тому сенсі, що багато з неї виглядає так, ніби вона була написана вчора. Наприклад, передмова починається так:
Сфера штучного інтелекту надзвичайно змінилася з часу публікації першого видання цієї книги. Предмети зі штучного інтелекту є обов’язковими для студентів, які спеціалізуються на комп’ютерних науках, і статті про штучний інтелект регулярно публікуються в більшості авторитетних журналів новин. Частково причиною змін є те, що накопичено солідні результати.
Мене також зацікавило кілька прикладів 1984 року того, «на що здатні комп’ютери». Одним із прикладів було розв’язування серйозних проблем із обчисленням – примітно, оскільки точна арифметика, здається, виходить за межі можливостей сучасних систем на базі LLM.
Якщо обчислення вже можна було розв’язати комп’ютерами в 1984 році, хоча базова арифметика ставить у глухий кут системи, які ми розглядаємо як сучасний рівень техніки, можливо, прогрес ШІ за останні 40 років не такий великий, як здається на перший погляд. (Тим не менш, є навіть краще Сучасні системи для обчислення просто не базуються на LLM, і незрозуміло, чи хтось називає їх ШІ.)
Однією з причин, чому я взяв свою стару копію Вінстона, було дізнатися, що він скаже про визначення штучного інтелекту, тому що це теж суперечлива тема. Його перший погляд на це не надто обнадійливий:
Штучний інтелект — це дослідження ідей, які дозволяють комп’ютерам бути інтелектуальними.
Ну, гаразд, це досить циркулярно, оскільки вам потрібно якось визначити інтелект, як визнає Вінстон. Але потім він заявляє про дві мети ШІ:
- Щоб зробити комп’ютери кориснішими
- Щоб зрозуміти принципи, які роблять інтелект можливим.
Іншими словами, важко дати визначення інтелекту, але, можливо, вивчення ШІ допоможе нам краще зрозуміти, що це таке. Я б зайшов так далеко, щоб сказати, що ми все ще ведемо дебати про те, що таке інтелект через 40 років. Перша мета здається похвальною, але вона явно стосується багатьох технологій, не пов’язаних зі ШІ.
Ця дискусія щодо значення «ШІ» продовжує витати в галузі. Я зустрічав багато висловлювань про те, що нам не потрібен був би термін штучний загальний інтелект, він же AGI, якби тільки термін AI не був настільки забруднений людьми, які продають статистичні моделі як AI. Я насправді не купую це. Наскільки я можу судити, штучний інтелект завжди охоплював широкий спектр обчислювальних технік, більшість з яких нікого не змусить подумати, що комп’ютер демонструє людський рівень інтелекту.
Коли приблизно вісім років тому я знову почав займатися сферою штучного інтелекту, нейронні мережі, якими деякі мої колеги користувалися в 1988 році, перш ніж впали в немилість, разюче повернулися до того моменту, коли глибоке розпізнавання зображень нейронні мережі мали перевершив швидкість і точність людей, хоча й з деякими застереженнями. Цей підйом штучного інтелекту спричинив певну тривогу серед моїх колег-інженерів із VMware, які відчули, що відбувається важливий технологічний зрушення, якого (а) більшість із нас не розуміла (б) наш роботодавець не міг скористатися перевагами .
Коли я взявся за завдання дізнатися, як працюють нейронні мережі (з a велика допомога від Родні Брукса) Я зрозумів, що мова, якою ми говоримо про системи штучного інтелекту, має значний вплив на те, як ми про них думаємо. Наприклад, до 2017 року ми багато чули про «глибоке навчання» та «глибинні нейронні мережі», і використання слова «глибинний» має цікаве подвійне значення. Якщо я скажу, що маю «глибокі думки», ви можете уявити, що я думаю про сенс життя чи щось таке ж вагоме, і «глибоке навчання», здається, означає щось подібне.
Але насправді «глибина» у «поглибленому навчанні» є посиланням на глибину, виміряну кількістю шарів, нейронної мережі, яка підтримує навчання. Отже, це не «глибокий» у сенсі значущого, а просто глибокий так само, як басейн має глибокий кінець – той, у якому більше води. Це подвійне значення створює ілюзію того, що нейронні мережі «мислять».
Подібна плутанина стосується «навчання», де Брукс був настільки корисним: глибока нейронна мережа (DNN) краще справляється із завданням, чим більше навчальних даних вона піддається, тому в цьому сенсі вона «навчається» на досвіді, але те, як воно навчається, зовсім не схоже на те, як людина навчається.
Як приклад того, як DNN навчаються, розглянемо AlphaGo, ігрова система, яка використовує нейронні мережі для поразка людські гросмейстери. За словами розробників системи, у той час як людина легко впорається зі зміною розміру дошки (зазвичай сітка 19 × 19), невелика зміна зробить AlphaGo безсилою, доки він не матиме часу для навчання на нових даних зі зміненого розміру дошки.
Для мене це чітко ілюструє, наскільки «навчання» DNN принципово відрізняється від навчання людини, навіть якщо ми використовуємо те саме слово. Нейронна мережа не в змозі узагальнити те, що вона «навчилася». І підкреслюючи це, AlphaGo нещодавно переможений суперником-людиною, який неодноразово використовував стиль гри, якого не було в тренувальних даних. Ця нездатність справлятися з новими ситуаціями, здається, є характерною рисою систем ШІ.
Мова має значення
Мова, яка використовується для опису систем ШІ, продовжує впливати на наше уявлення про них. На жаль, враховуючи обґрунтовану негативну реакцію на недавній ажіотаж щодо штучного інтелекту та деякі помітні збої в системах штучного інтелекту, зараз може бути стільки ж людей, які переконані, що штучний інтелект абсолютно марний, як і тих, хто каже, що штучний інтелект ось-ось досягне людського інтелекту. .
Я дуже скептично ставлюся до останнього табору, як зазначено вище, але я також вважаю, що було б прикро втратити з поля зору позитивний вплив, який можуть мати системи штучного інтелекту – або, якщо хочете, системи машинного навчання.
Зараз я допомагаю кільком колегам писати книгу про програми машинного навчання для мереж, і нікого не повинно здивувати, коли ми почуємо, що існує багато мережевих проблем, які піддаються рішенням на основі ML. Зокрема, сліди мережевого трафіку є фантастичними джерелами даних, а навчальні дані є їжею, на якій процвітають системи машинного навчання.
Додатки, починаючи від запобігання відмові в обслуговуванні й закінчуючи виявленням зловмисного програмного забезпечення та геолокацією, можуть використовувати алгоритми машинного навчання, і мета цієї книжки — допомогти мережевим людям зрозуміти, що машинне навчання — це не чарівний порошок, яким ви посипаєте свої дані, щоб отримати відповіді, а набір інженерних інструментів, які можна вибірково застосовувати для вирішення реальних проблем. Іншими словами, не панацея і не розкручене плацебо. Мета книги — допомогти читачам зрозуміти, які інструменти ML підходять для різних класів мережевих проблем.
Одна історія, яка привернула мою увагу деякий час тому, стосувалася використання ШІ для допомоги Network Rail у Великобританії керувати рослинністю що росте вздовж британських залізничних ліній. Ключовою технологією штучного інтелекту є розпізнавання зображень (для ідентифікації видів рослин) із використанням технології, яку DNN розробили за останнє десятиліття. Можливо, це не так захоплююче, як генеративні системи штучного інтелекту, які привернули увагу світу у 2023 році, але гарне, практичне застосування техніки, яка стоїть під егідою штучного інтелекту.
Зараз я намагаюся використовувати термін «машинне навчання», а не ШІ, коли це доречно, сподіваючись уникнути ажіотажу та алергічних реакцій, які зараз викликає «ШІ». Маючи в пам’яті слова Патріка Вінстона, я міг би просто почати говорити про «зробити комп’ютери корисними». ®
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/