Det er allment antatt at med de siste fremskrittene innen kunstig intelligensforskning vil levende og intelligente maskiner snart være i horisonten. Biler forstår talekommandoer, skiller ut bilder, kjører biler og spiller spill bedre enn vi gjør. Hvor lenge er det igjen å vente til de begynner å gå blant oss?
En nylig utgitt rapport fra Det hvite hus om kunstig intelligens tar en skeptisk holdning. Det står at det er usannsynlig at vi i løpet av de neste 20 årene vil se maskiner som "viser intellektuelle evner som er sammenlignbare med eller bedre enn mennesker," men i de kommende årene vil "maskiner oppnå menneskelige evner til å utføre flere og flere oppgaver." Imidlertid mangler denne rapporten noen viktige ting.
Forsker av kunstig intelligens Arend Hintze argumenterer for at rapporten utelukkende fokuserer på "kjedelig type AI." Det kutter en gigantisk gren av AI-forskning i midten av setningen, hvordan evolusjon hjelper oss med å utvikle stadig bedre AI-systemer, og hvordan beregningsmodeller hjelper oss å forstå utviklingen av vår egen menneskelige intelligens.
Rapporten fokuserer på, som forskeren sier, de viktigste verktøyene for AI: maskinlæring og dyp læring. Denne typen teknologi tillot roboter å spille quizer godt og overspille mestrene i spillet. Disse systemene kan håndtere kolossale datamengder og utføre komplekse beregninger veldig raskt. Men de mangler et element som vil være nøkkelen til å skape de intelligente maskinene vi ønsker å ha i fremtiden.
Vi trenger mer enn å lære maskiner å lære. Vi må overvinne grensene som definerer fire forskjellige typer kunstig intelligens. Barrierer som skiller maskiner fra oss - og oss fra dem.
AI type I: jetmaskiner
De mest grunnleggende typene AI-systemer er svært reaktive og kan ikke danne minner eller bruke tidligere erfaringer for å informere gjeldende beslutninger. Deep Blue, den sjakkspillende IBM superdatamaskinen som slo stormesteren Garry Kasparov på slutten av 1990-tallet, er et perfekt eksempel på denne typen maskiner.
Kampanjevideo:
Deep Blue kan identifisere brikker på sjakkbrettet og vet hvordan de beveger seg. Han kan forutsi bevegelser, både sine egne og motstanderens. Og han velger mest mulig optimale grep.
Han har imidlertid ingen anelse om fortiden og minnet om det som skjedde. Bortsett fra den sjeldent brukte sjakkspesifikke regelen om ikke å gjenta det samme trekket tre ganger, ignorerer Deep Blue alt hittil. Han ser bare på brikkene på sjakkbrettet og velger neste trekk.
Denne typen intelligens inkluderer en datamaskin som oppfatter verden direkte og handler ut fra det den ser. Han stoler ikke på et indre verdensbegrep. I sitt arbeid argumenterte AI-forsker Rodney Brooks for at vi bare skulle bygge slike maskiner. Etter hans mening er mennesker ikke veldig flinke til å programmere presise simulerte verdener for datamaskiner, som de sier, til å skape en "representasjon", en representasjon av verden.
De moderne intelligente maskinene som vi beundrer, har enten ikke et slikt verdensbegrep, eller det er veldig begrenset og håndterer visse oppgaver. Innovasjonen i Deep Blues design handlet ikke om å utvide antall mulige trekk en datamaskin vurderer. I stedet har utviklerne funnet en måte å begrense visjonen på, for å forkaste noen av de mulige grepene i fremtiden, avhengig av hvordan de blir evaluert.
På samme måte har AlphaGo Google, som slo verdensmesteren i Go, ingen måte å vurdere mulige fremtidige trekk. Analysemetoden er mer sofistikert enn Deep Blue: den bruker et nevralt nettverk for å evaluere spillets utfoldelse.
Disse teknikkene forbedrer funksjonene til AI-systemer, får visse spill til å spille bedre, men er ikke enkle å endre eller bruke i andre situasjoner. Disse datamaskintypene har ikke et konsept av verden som helhet - noe som betyr at de ikke kan gå utover å utføre de spesifikke oppgavene de ble laget for, og de blir lett lurt.
De kan ikke delta interaktivt i verden, og vi vil gjerne se nettopp slike AI-systemer en dag. I stedet vil maskinene oppføre seg nøyaktig som de alltid gjør når de står overfor samme situasjon. Hvis vi vil gjøre AI-systemet pålitelig og pålitelig, er det en god ting: du vil at det autonome kjøretøyet skal være pålitelig. Men hvis vi vil at maskiner skal samhandle med oss og med verden, er det ille. De enkleste AI-systemene kjeder seg aldri, de kan ikke være interessert eller opprørt.
AI type II: begrenset minne
Type II inkluderer maskiner som kan se inn i fortiden. Selvkjørende biler er allerede litt i stand til dette. For eksempel observerer de hastigheten og retningen til andre biler. Dette kan ikke gjøres samtidig, for dette må du identifisere bestemte objekter og observere dem over tid.
Disse observasjonene blir lagt til selvkjørende bilers forhåndsprogrammerte representasjoner av verden, som inkluderer veimerking, trafikklys og andre kritiske elementer. De kobler seg sammen når bilen bestemmer seg for å bytte kjørefelt og ikke kollidere med en annen.
Men disse enkle biter av informasjon om fortiden er bare midlertidige. De vil ikke bli lagret som en del av et kjøretøyopplevelsesbibliotek der det kan lære, som menneskelige sjåfører, samle erfaring gjennom årene mens du kjører.
Hvordan bygger vi AI-systemer som bygger komplette representasjoner, husker våre erfaringer og lærer å takle nye situasjoner? Brooke hadde rett i at dette er veldig vanskelig å gjøre. Kanskje det er verdt å lete etter inspirasjon i darwinistisk evolusjon?
AI type III: sinnsteori
Her må vi ta en liten stopp og kalle dette øyeblikket et viktig gap mellom maskinene vi har og maskinene vi ønsker å bygge i fremtiden. Imidlertid er det første trinnet å være mer spesifikk om synspunktene som maskinene må lage.
Maskiner i neste, mer avanserte klasse danner ikke bare representasjoner av verden, men også av andre agenter eller enheter i verden. I psykologien kalles dette "teori om sinnet" - forståelsen av at mennesker, skapninger og gjenstander i verden kan ha tanker og følelser som påvirker deres egen atferd.
Dette er viktig for måten vi mennesker former samfunnet på, da det gir oss sosiale interaksjoner. Uten å forstå hverandres motiver og intensjoner og ikke vurdere hva noen andre vet om meg eller miljøet, er det i beste fall vanskelig å samarbeide og i verste fall umulig.
Hvis AI-systemer virkelig noen gang vandrer blant oss, må de forstå hva vi tenker og føler, i det minste på antagelsesnivået. Og juster oppførselen din deretter.
IV type AI: selvbevissthet
Det endelige målet med kunstig intelligensutvikling er å lage systemer som kan forme selvbilder. Til slutt må AI-forskere ikke bare forstå bevissthet, men også lage maskiner med bevissthet.
Dette er på sett og vis en utvidelse av "sinnsteorien" som ble nevnt i den forrige typen AI. Når vi snakker om bevissthet, mener vi også selvbevissthet. "Jeg vil ha denne tingen" er forskjellig fra "Jeg vet at jeg vil ha denne tingen". Bevisste vesener er selvbevisste, klar over deres indre tilstander og kan forutse andres atferd eller følelser. Vi antar at noen som signaliserer oss i trafikken, er sint eller utålmodig, fordi det er slik vi kan føle oss i hans sted. Uten en sinnsteori kunne vi ikke gjøre slike slutninger.
Mens vi sannsynligvis er langt fra å bygge selvbevisste maskiner, må vi fokusere vår innsats på veien til å forstå hukommelse, læring og evnen til å ta beslutninger om tidligere erfaringer. Dette er et viktig skritt mot å forstå menneskets sinn. Og dette er veldig viktig hvis vi ønsker å designe eller utvikle maskiner som ikke bare kan klassifisere det de ser foran oss, men også mye mer.
ILYA KHEL
