211service.com
Myślące Maszyny
W 1982 roku, kiedy był jeszcze studentem na MIT, Danny Hillis był współzałożycielem Thinking Machines, jednej z najsłynniejszych awarii w historii informatyki. Grupa krnąbrnych i błyskotliwych badaczy Thinking Machines próbowała zbudować pierwszą na świecie sztuczną inteligencję. Ale jeśli firmie nie udało się zbudować maszyny, która będzie z nas dumna (motto jej firmy), jej maszyna połączeniowa zademonstrowała praktyczność przetwarzania równoległego, będącego podstawą nowoczesnych superkomputerów. Dziś Danny Hillis jest współprzewodniczącym Applied Minds, firmy zajmującej się projektowaniem i wynalazkami, i buduje Zegar Długiego Teraz, mechaniczny zegarek, który ma przetrwać 10 000 lat.
Danny Hillis w biurze w silniku H-1 rakiety Saturn 1B, pierwszym stopniu silnika Apollo 7. (Źródło: Daniel Hennessey)
TR: Dlaczego tworzenie sztucznej inteligencji jest takie trudne?
Ta historia była częścią naszego wydania z listopada 2006 r.
- Zobacz resztę numeru
- Subskrybuj
Wzgórze: Patrzymy na własne umysły i obserwujemy nasze wzorce świadomego myślenia, rozumowania, planowania i tworzenia analogii, i myślimy: To jest myślenie. Właściwie to tylko wierzchołek bardzo głębokiej góry lodowej. Kiedy pierwsi badacze sztucznej inteligencji zaczęli zakładać, że trudnymi problemami są takie rzeczy, jak gra w szachy i zdawanie egzaminów z rachunku różniczkowego. To okazało się łatwe. Ale rodzaje myślenia, które wydawały się bezwysiłkowe, jak rozpoznanie twarzy lub dostrzeżenie tego, co jest ważne w historii, okazały się bardzo, bardzo trudne.
TR: Dlaczego Myślące Maszyny nie zdołały stworzyć myślącej maszyny?
Wzgórze: Cóż, prosta odpowiedź brzmi, że po prostu nie mieliśmy wystarczająco dużo czasu. Ale wystarczająco dużo czasu to dziesięciolecia, może całe wcielenia. To trudny problem, prawdopodobnie wiele trudnych problemów i tak naprawdę nie wiemy, jak je rozwiązać. Nadal nie mamy prawdziwej naukowej odpowiedzi na pytanie Czym jest umysł?
TR: Maszyna połączeń była efektywną platformą dla superkomputerów. Dlaczego Thinking Machines nie prosperowała jako firma zajmująca się superkomputerami?
Wzgórze: Superkomputer okazał się technologią, a nie biznesem. Mój przyjaciel Nathan Myhrvold, który w tym czasie prowadził Microsoft Research, powiedział mi kiedyś: Tworzenie oprogramowania dla superkomputera jest co najmniej tak samo trudne, jak dla komputera PC, ale masz tylko kilka tysięcy klientów, a my mamy miliardy. Nie tylko to, ale każdy z tych klientów faktycznie oczekuje, że dasz im dokładnie to, czego potrzebują.
TR: Jakie były udane komercyjne zastosowania badań w Thinking Machines?
Wzgórze: Zastosowania komercyjne obejmowały głównie projektowanie chipów, eksplorację danych, wyszukiwanie tekstu, kryptologię, chemię obliczeniową, grafikę komputerową, optymalizację finansową, przetwarzanie sejsmiczne i modelowanie przepływu płynów. Zastosowania naukowe, takie jak astronomia, modelowanie klimatu czy chromodynamika kwantowa, były ekscytujące, gdy pomogły uzyskać wyniki na okładce Natura , ale nigdy na nich nie zarobiliśmy.
TR: Co się stało z patentami firmy Thinking Machines? Bardziej niż ktokolwiek inny odpowiadasz za masowe przetwarzanie równoległe. Dostajesz kredyt, ale bez płatności. Kto to dostaje i dlaczego?
Wzgórze: Cóż, przede wszystkim powinienem jasno powiedzieć, że jestem tylko jedną z wielu osób, które przyczyniły się do rozwoju obliczeń masowo równoległych. Jeśli chodzi o patenty, jedną z konsekwencji awarii Thinking Machines jest utrata praw do technologii. Z perspektywy czasu okazało się to błogosławieństwem, bo uratowało mnie przed spędzeniem kolejnej dekady mojego życia w sądzie.
TR: Czym różni się twoja filozofia sztucznej inteligencji od słynnego społeczeństwa umysłu Marvina Minsky'ego?
Wzgórze: Marvin jest moim mentorem, więc każda moja filozofia AI zaczyna się od jego. Mieszkałem w jego piwnicy, kiedy pisał książkę Społeczeństwo Umysłu, i każdego dnia pisał nową lub dwie strony i pozwalał mi to przeczytać. Potem rozmawialiśmy o tym i słyszałem wszystkie myśli, które za tym włożył. Wciąż nie wyobrażam sobie, jak by to było czytać tę książkę od deski do deski, bez długiej rozmowy na każdej stronie. Ale o to właśnie chodzi w tej książce: jak ująłby to Marvin, Mózg to kłębek. Dzieje się wiele różnych rzeczy, które oddziałują na siebie w skomplikowany sposób. Marvin z pewnością myli się co do większości szczegółów, ale myślę, że ogólny obraz wielu różnych, luźno powiązanych, półautonomicznych procesów jest w zasadzie słuszny.
TR: Wyprzedziłeś swój czas, stosując obliczenia w immunologii, genetyce i neurobiologii. Dzisiaj obliczenia są wszechobecne w biologii. Co to będzie oznaczać?
Wzgórze: Jestem podekscytowany, że biologia obliczeniowa zaczyna działać na własną rękę. Wydaje się, że dział informatyki zrobił to w 1970 roku. Wszystko wydaje się możliwe, a jedynym ograniczeniem jest nasza wyobraźnia. Wciąż jest tak wiele podstawowych, prostych pytań, na które nie ma odpowiedzi: Jak zakodowane są wspomnienia? W jaki sposób układ odpornościowy ma poczucie „ja”?
Szczególnie interesuje mnie, co wyjdzie z obliczeniowych modeli ewolucji, chociaż muszę przyznać, że ta dziedzina wydaje się teraz nieco zablokowana. Większość obecnych modeli ewolucji redukuje to do bardzo słabego algorytmu wyszukiwania, ale zawsze czułem, że jest w tym coś więcej. Nie chodzi o to, że biolodzy mylą się co do mechanizmów, ale raczej o to, że modele są znacznie prostsze niż biologia. Być może kluczem jest interakcja ewolucji i rozwoju, zachowanie i środowisko lub coś w tym rodzaju.