Rozwiązywanie AI

Celem sztucznej inteligencji (przynajmniej według twórców tej dziedziny) jest tworzenie komputerów, których inteligencja dorównuje lub przewyższa ludzką. Osiągnięcie tego celu to słynny problem AI. Dla niektórych sztuczna inteligencja jest oczywistym przeznaczeniem informatyki. Dla innych to porażka: najwyraźniej problem AI nie jest bliski rozwiązania. Czemu? W większości odpowiedź jest prosta: nikt tak naprawdę nie próbuje go rozwiązać. Może to być zaskoczeniem dla osób spoza pola. Co ci wszyscy badacze AI robili przez te wszystkie lata? Rzeczywistość jest taka, że ​​w dużej mierze zrezygnowali z wielkich ambicji sztucznej inteligencji i zamiast tego pracują nad coraz bardziej wyspecjalizowanymi podproblemami: nie tylko uczeniem się maszyn lub rozumieniem języka naturalnego, ale problemami w tych obszarach, takimi jak klasyfikowanie obiektów lub analizowanie zdań.

Myślę, że to podejście dziel i rządź nie zadziała. W sztucznej inteligencji najlepsze rozwiązanie problemu postrzeganego w odosobnieniu często staje na drodze do rozwiązania większego problemu. Aby osiągnąć prawdziwy postęp, musimy pracować nad kompleksowymi problemami — samodzielnymi zadaniami, takimi jak czytanie tekstu i odpowiadanie na pytania, które pociągają za sobą szereg podzadań (patrz Inteligentny asystent oprogramowania ). Do tej pory tak naprawdę nie było to możliwe, ponieważ niezbędna moc obliczeniowa nie była dostępna. Ale w ciągu mniej więcej dekady komputery przekroczą moc obliczeniową ludzkiego mózgu. (Podczas gdy komputery są niezwykle wydajne w określonych zadaniach, takich jak arytmetyka, ludzkie mózgi wciąż wyprzedzają liczbę operacji, które mogą wykonać na sekundę. Gdy stosuje się to do rzeczy, w których ludzie są dobrzy, takich jak wzrok i rozumienie języka, komputery tracą.)

Ta historia była częścią naszego wydania z marca 2009

• Zobacz resztę numeru
• Subskrybuj

Moc obliczeniowa to jednak nie wszystko. Poprzednie próby rozwiązania kompleksowych problemów AI nie powiodły się na jeden z dwóch sposobów. Niektórzy uprościli problemy do tego stopnia, że ​​rozwiązania nie przeniosły się do realnego świata. Inni wpadli na ścianę złożoności inżynierskiej: zbyt wiele rzeczy do złożenia, zbyt wiele interakcji między nimi, zbyt wiele błędów.

Aby działać lepiej, potrzebujemy nowego języka matematycznego dla sztucznej inteligencji. Przykłady z innych dziedzin nauki i technologii pokazują, jak potężne może to być: na przykład mechanika skorzystała z rachunku różniczkowego; prąd przemienny z liczb zespolonych; i obwody cyfrowe z logiki Boole'a. Dziś te rzeczy wydają się ich praktykującym drugą naturą, ale w tamtym czasie nie były one oczywiste. Kluczem jest znalezienie odpowiedniego języka do formułowania i rozwiązywania problemów.

Jaki powinien być język AI? Przynajmniej potrzebujemy języka, który łączy logikę i prawdopodobieństwo. Logika może poradzić sobie ze złożonością rzeczywistego świata — na przykład z dużą liczbą oddziałujących ze sobą obiektów lub wieloma typami obiektów — ale nie z jego niepewnością. Probabilistyczne modele graficzne pojawiły się jako ogólny język radzenia sobie z niepewnością, ale nie radzą sobie ze złożonością w świecie rzeczywistym.

Ostatnia dekada przyniosła prawdziwy postęp w tym kierunku, ale to wciąż początek. Jest mało prawdopodobne, że znajdziemy język AI, dopóki nie będziemy mieli większego doświadczenia z kompleksowymi problemami AI. Ale w ten sposób ostatecznie rozwiążemy sztuczną inteligencję: poprzez wzajemne oddziaływanie między rozwiązywaniem rzeczywistych problemów a wynalezieniem języka, który je uprości.

Pedro Domingos jest profesorem nadzwyczajnym informatyki i inżynierii na Uniwersytecie Waszyngtońskim w Seattle.

ukryć