Kodėl mes turėtume nustoti klaidinti žmonių ir mašinų intelektas

Mes jau įpratę girdėti tokias frazes kaip "mašina mokymo" ir "dirbtinio intelekto". Mes manome, kad kažkas galėjo atkurti žmogaus protas kompiuterio viduje. Tai, žinoma, nėra tiesa. Tačiau viena iš priežasčių, dėl kurių ši idėja yra taip plačiai paplitęs, dėl to, kad žmogaus mokymosi ir intelekto metafora buvo labai naudinga aiškinant mašina mokymo ir dirbtinio intelekto. Kai AI mokslininkai glaudžiai bendradarbiauja su neurologai bendruomenės, ir įkvėpimo eina į abi puses.

Kodėl mes turėtume nustoti klaidinti žmonių ir mašinų intelektas

, tačiau, kad metafora gali būti žmonių, kurie bando paaiškinti mašina mokymo tiems, kurie jį mažiau žinome kliūtis. Vienas iš didžiausių rizikos derinys žmonių ir mašinų žvalgybos yra tai, kad mes pradedame pervesti per daug teisių technika. Bet tiems iš mūsų, kurie dirba su programine įranga, svarbu atsiminti, kad ji yra protingas agentas asmuo - asmuo, kuris stato šių sistemų pabaigoje.

Ji turėtų turėti pagrindinius skirtumus tarp mašinų ir žmogaus intelekto. Nepaisant to, kad panašumo, žinoma, mes, ieško skirtumų galėtume geriau suprasti, kaip dirbtinis intelektas ir kaip mes sukurti ir naudoti ją kuo efektyviau.

Neuroniniai tinklai

Centrinė vieta metafora, kad nuorodos žmogaus ir mašinos mokymąsi yra neuroninių tinklų koncepcija. Didžiausias skirtumas tarp žmogaus smegenų ir dirbtinis neuroninis tinklas - tai iš neuroninių tinklų smegenų apimties. Svarbu ne tik neuronų smegenyse (kuris yra apskaičiuotas milijardais) skaičius, bet ir stebina skaičių jungčių tarp jų. Bet problema eina giliau, nei tiesiog masto klausimus. Žmogaus smegenys yra kokybiškai skiriasi nuo dirbtinio neuroninio tinklo kitose dviejų svarbių priežasčių: junginių, kurie maitina ją, analoginis, o ne skaitmeninis, o patys neuronai yra ne vienoda ir ne vienodas (o ne dirbtinių neuroninių tinklų).

Štai kodėl smegenys yra taip sudėtinga. Net labiausiai patyrę dirbtinis neuroninis tinklas, nors kartais sunku suprasti, yra arcitektūroje ir principai, nukreipti. Bent, mes norėtume, kad mes esame pasiryžę tai.

Net labiausiai patyrę neuroninis tinklas dirbtinis intelektas, skirtas konkrečiam tikslui ir pasiekti tam tikrą rezultatą. Tačiau žmogaus smegenys neturi tą patį laipsnį dėmesys projekte. Taip, jis turi savisaugos principus, ir taip toliau, bet ji vis dar su mumis reikalauja kritinio mąstymo ir kūrybiškumo, kuris vis dar negali būti užprogramuotas.

Gražus paprastumas AI

Ironiška tai, kad dirbtinis intelektas sistema yra daug paprasčiau, nei žmogaus smegenyse, todėl AI susidoroti su daug daugiau skaičiavimo sudėtingumas, nei galime.

Dirbtinis intelektas neuroninis tinklas gali saugoti daug daugiau duomenų ir informacijos, nei žmogaus smegenyse, daugiausia dėl to, saugoma ir apdorojama pagal neuroninio tinklo duomenų tipo. Jie yra atskira ir konkretus kaip Excel turinį.

Žmogaus smegenų duomenų neturi tas pačias savybes Diskretinės. Todėl, net jei dirbtinis neuroninis tinklas gali apdoroti konkrečius duomenis, ji negali apdoroti į turtingą ir daugiamačių būdu informacija, kaip tai daro žmogaus smegenis. Tai yra esminis skirtumas tarp projektuojamo sistemos ir žmogaus smegenys. Nepaisant metų mokslinių tyrimų, žmogaus smegenys vis dar neaišku, daugeliu atžvilgių. Tai yra dėl to, kad analoginiai synaptic jungtys tarp neuronų yra beveik nepralaidi skaitmeninės jungtys iki dirbtinės neuroninio tinklo.

greitis ir mastas

Apsvarstykite, ką tai reiškia praktiškai. Santykinis paprastumas AI leidžia greitai atlikti sudėtingą užduotį, ir labai gerai. Žmogaus smegenys tiesiog negali apdoroti duomenis tokiu greičiu, jei, pavyzdžiui, konvertuoja kalbą į tekstą ar tvarko daugybę vėžio ataskaitas.

svarbu tai, kad jis skyla duomenis ir informaciją apie mažų komponentų AI šiose situacijose. Pavyzdžiui, jis gali įveikti garsus dėl fonetinio dalis, kuri bus paverčiamas pilnomis sakiniais, arba padalinti vaizdą į gabalus suprasti taisykles, pagal kurias Puikios nuotraukos yra gaminami.

Žmonės dažnai daro panašiai, ir primena žmogaus ir mašinos mokymąsi; taip pat algoritmus, žmonės pertrauka duomenis ar informaciją į mažus gabaliukus ją apdoroti.

Bet yra priežastis, dėl šio panašumo. suskirstymas procese sukurta kiekvienoje neuroninio tinklo inžinierius žmogus. Be to, projektavimo procesas paprastai remiasi prielaida problema. Kaip dirbtinio intelekto sistema skyla duomenų rinkinys yra savaip "supratimo." Net tada, kai veikia labai sudėtingą algoritmą, tai, kaip mokyti AI parametrai - tai išyra duomenis į procesą - nustatyti nuo pat pradžių.

Žmogaus intelektas: problema identifikavimo

Žmogaus intelektas turėtų būti ne toks apribojimų rinkinys, tai, ką daro mums daug efektyviau spręsti problemas. Tai yra žmonių gebėjimas "sukurti" problema leidžia mums jas išspręsti gerai. Mūsų požiūris į problemų sprendimą yra iš konteksto supratimas ir sprendimų priėmimo elementas. PG gali ir gali išpakuoti šią problemą arba rasti naujų būdų, kaip jas spręsti, tačiau ji negali nustatyti problemą, kuri bando išspręsti.

Pastaraisiais metais, ji tampa dėmesio algoritminės nejautrumo objektas. Daugėja skandalų, susijusių su šališkumo AI sistemų. Žinoma, tai yra tiesiogiai susiję su tų, kurie algoritmai prietarais, tačiau priežastys, ten, kur yra algoritmų šių paklaidų, gali nustatyti tik žmonėms.

Žmogaus ir mašinos žvalgybos papildo vienas kitą

Turime prisiminti, kad dirbtinio intelekto ir mašininio mokymo - yra ne tik algoritmus, kurie "gavo iš rankų" ir yra iš mūsų kontrolės. Jie sukurti, suprojektuoti ir sukurti su mumis. Tai įpareigoja mus už mūsų ateitį atsakomybę - tai bus, ką mes padarysime tai save.

Esame pasirengę priimti dirbtinį intelektą? Papasakokite mūsų kalbasi telegramą.