Siedem grzechów głównych przewidywań AI

Joost Swarte

Otacza nas histeria na temat przyszłości sztucznej inteligencji i robotyki — histeria dotycząca tego, jak będą potężne, jak szybko i co zrobią z miejscami pracy.

Niedawno widziałem historię w Zegarek rynku to mówi roboty zajmą połowę dzisiejszych miejsc pracy za 10 do 20 lat . Miał nawet grafikę, aby udowodnić liczby.

Ta historia była częścią naszego wydania z listopada 2017 r.

• Zobacz resztę numeru
• Subskrybuj

Twierdzenia są śmieszne. (Staram się zachować profesjonalny język, ale czasami…) Na przykład historia wydaje się mówić, że z miliona pracowników zajmujących się gruntami i konserwatorami w Stanach Zjednoczonych do zaledwie 50 000 w ciągu 10 do 20 lat, ponieważ roboty przejmą te miejsca pracy . Ile robotów pracuje obecnie na tych stanowiskach? Zero . Ile było realistycznych demonstracji robotów pracujących na tej arenie? Zero . Podobne historie odnoszą się do wszystkich innych kategorii, w których sugeruje się, że zakończy się ponad 90 procent miejsc pracy, które obecnie wymagają fizycznej obecności w określonym miejscu.

Błędne przewidywania prowadzą do obaw przed rzeczami, które się nie wydarzą, niezależnie od tego, czy będzie to zniszczenie miejsc pracy na szeroką skalę, Osobliwość, czy pojawienie się sztucznej inteligencji, która ma inne wartości niż nasze i może próbować nas zniszczyć. Musimy odeprzeć te błędy. Ale dlaczego ludzie je robią? Widzę siedem typowych powodów.

Joost Swarte

1. Przecenianie i niedocenianie

Roy Amara był współzałożycielem Instytutu dla Przyszłości w Palo Alto, intelektualnym sercu Doliny Krzemowej. Najbardziej znany jest ze swojego powiedzenia, które teraz określa się jako Prawo Amary:

Mamy tendencję do przeceniania wpływu technologii na krótką metę i niedoceniania jej na dłuższą metę.

W tych 21 słowach jest wiele. Optymista może to przeczytać w jeden sposób, a pesymista w inny.

Świetnym przykładem dwóch stron prawa Amary jest amerykański globalny system pozycjonowania. Począwszy od 1978 roku, na orbicie umieszczono konstelację 24 satelitów (obecnie 31 wraz z częściami zapasowymi). Celem GPS było umożliwienie precyzyjnego dostarczania amunicji przez amerykańską armię. Ale w latach 80. program był prawie anulowany. Pierwsze użycie operacyjne zgodnie z jego przeznaczeniem miało miejsce w 1991 roku podczas Pustynnej Burzy; wojsko potrzebowało jeszcze kilku sukcesów, aby zaakceptować jego użyteczność.

Błędne przewidywania prowadzą do obaw przed rzeczami, które się nie wydarzą.

Dzisiaj GPS jest w tym, co Amara nazwałaby długoterminowo, a sposoby jego używania były początkowo niewyobrażalne. Mój zegarek Apple z serii 2 korzysta z GPS, gdy biegam, rejestrując moją lokalizację wystarczająco dokładnie, aby zobaczyć, po której stronie ulicy biegnę. Mały rozmiar i cena odbiornika byłyby niezrozumiałe dla wczesnych inżynierów GPS. Technologia synchronizuje eksperymenty fizyczne na całym świecie i odgrywa intymną rolę w synchronizowaniu amerykańskiej sieci elektrycznej i utrzymywaniu jej działania. Pozwala nawet traderom o wysokiej częstotliwości, którzy naprawdę kontrolują rynek akcji, w większości uniknąć katastrofalnych błędów czasowych. Jest używany przez wszystkie nasze samoloty, duże i małe, do nawigacji i jest używany do śledzenia osób na warunkowym wyjściu z więzienia. Określa, który wariant nasion zostanie zasiany w której części wielu pól na całym świecie. Śledzi floty ciężarówek i raportuje wydajność kierowców.

GPS rozpoczął się od jednego celu, ale trudno było go uruchomić tak, jak pierwotnie oczekiwano. Teraz przeniknął do tak wielu aspektów naszego życia, że ​​nie bylibyśmy zgubieni, gdyby odszedł; bylibyśmy zmarznięci, głodni i całkiem możliwe, że martwi.

Podobny schemat obserwujemy w przypadku innych technologii w ciągu ostatnich 30 lat. Wielka obietnica z góry, rozczarowanie, a potem powoli rosnące zaufanie do wyników, które przewyższają pierwotne oczekiwania. Dotyczy to obliczeń, sekwencjonowania genomu, energii słonecznej, wiatrowej, a nawet dostaw artykułów spożywczych do domu.

Sztuczna inteligencja była wielokrotnie przeceniana, w latach 60., 80. i teraz znowu wierzę, ale jej perspektywy długoterminowe są prawdopodobnie również niedoceniane. Pytanie brzmi: Jak długo trwa długoterminowa? ? Kolejne sześć błędów pomaga wyjaśnić, dlaczego skala czasowa jest rażąco niedoszacowana dla przyszłości sztucznej inteligencji.

Joost Swarte

2. Wyobrażanie sobie magii

Kiedy byłem nastolatkiem, Arthur C. Clarke był jednym z trzech największych pisarzy science fiction, obok Roberta Heinleina i Isaaca Asimova. Ale Clarke był także wynalazcą, pisarzem naukowym i futurystą. W latach 1962-1973 sformułował trzy powiedzenia, które stały się znane jako trzy prawa Clarke'a:

Kiedy wybitny, ale starszy naukowiec stwierdza, że ​​coś jest możliwe, prawie na pewno ma rację. Kiedy stwierdza, że ​​coś jest niemożliwe, najprawdopodobniej się myli.

Jedynym sposobem na odkrycie granic tego, co możliwe, jest zapuszczenie się trochę poza nie, w niemożliwe.

Każda wystarczająco zaawansowana technologia jest nie do odróżnienia od magii.

Osobiście prawdopodobnie powinienem uważać na drugie zdanie w jego pierwszym prawie, ponieważ jestem znacznie bardziej konserwatywny niż niektórzy inni, jeśli chodzi o to, jak szybko AI będzie wznosić się. Ale na razie chcę wyjaśnić trzecie prawo Clarke'a.

Wyobraź sobie, że mamy wehikuł czasu i możemy przenieść Izaaka Newtona z końca XVII wieku do dnia dzisiejszego, umieszczając go w miejscu, które byłoby mu znajome: kaplica Trinity College na Uniwersytecie Cambridge.

Teraz pokaż Newtonowi jabłko. Wyciągnij iPhone'a z kieszeni i włącz go, aby ekran świecił i był pełen ikon, i podaj mu. Newton, który ujawnił, w jaki sposób białe światło składa się ze składników różnokolorowego światła przez rozdzielenie światła słonecznego za pomocą pryzmatu, a następnie złożenie go z powrotem, bez wątpienia byłby zaskoczony, gdyby tak mały obiekt wytwarzał tak żywe kolory w ciemności kaplicy . Teraz włącz film przedstawiający angielską scenę country, a potem jakąś muzykę kościelną, którą by usłyszał. A potem pokaż mu stronę internetową z ponad 500 stronami jego kopia z osobistymi adnotacjami jego arcydzieła Zasady , ucząc go, jak używać gestu uszczypnięcia do powiększania szczegółów.

Uważaj na argumenty na temat technologii przyszłości, która jest magiczna.

Czy Newton mógłby zacząć wyjaśniać, jak to małe urządzenie to wszystko zrobiło? Chociaż wynalazł rachunek różniczkowy i wyjaśnił zarówno optykę, jak i grawitację, nigdy nie był w stanie oddzielić chemii od alchemii. Myślę więc, że byłby zdezorientowany i nie byłby w stanie wymyślić nawet najdrobniejszego, spójnego zarysu tego, czym było to urządzenie. Nie różniłoby się to dla niego od ucieleśnienia okultyzmu – czegoś, co go bardzo interesowało. Byłoby nie do odróżnienia od magii. I pamiętaj, Newton był naprawdę mądrym gościem.

Jeśli coś jest magiczne, trudno poznać jego ograniczenia. Załóżmy, że dalej pokazujemy Newtonowi, jak urządzenie może oświetlać ciemność, jak może robić zdjęcia i filmy oraz nagrywać dźwięk, jak może być używane jako szkło powiększające i jako lustro. Następnie pokazujemy mu, jak można go wykorzystać do wykonywania obliczeń arytmetycznych z niewiarygodną szybkością iz wieloma miejscami po przecinku. Pokazujemy, że liczy kroki, które wykonał, gdy go niesie, i pokazujemy mu, że może go używać do rozmów z ludźmi na całym świecie, natychmiast, bezpośrednio z kaplicy.

Co jeszcze może Newton przypuszczać, że urządzenie może zrobić? Pryzmaty działają wiecznie. Czy przypuściłby, że iPhone będzie działał wiecznie tak, jak jest, zaniedbując zrozumienie, że trzeba go naładować? Przypomnijmy, że złapaliśmy go sprzed 100 lat przed narodzinami Michaela Faradaya, więc brakowało mu naukowego zrozumienia elektryczności. Skoro iPhone może być źródłem światła bez ognia, to czy może również przemieniać ołów w złoto?

To jest problem, który wszyscy mamy z wyobrażoną technologią przyszłości. Jeśli jest wystarczająco daleko od technologii, którą dziś mamy i którą rozumiemy, to nie znamy jej ograniczeń. A jeśli staje się nie do odróżnienia od magii, wszystko, co się o tym mówi, nie jest już falsyfikowalne.

Jest to problem, który regularnie napotykam, próbując dyskutować z ludźmi o tym, czy powinniśmy obawiać się sztucznej inteligencji ogólnej, czy AGI – idei, że zbudujemy autonomicznych agentów, którzy będą działać podobnie jak istoty na świecie. Powiedziano mi, że nie rozumiem, jak potężny będzie AGI. To nie jest argument. Nie mamy pojęcia, czy może w ogóle istnieć. Chciałbym, żeby istniało – to zawsze była moja motywacja do pracy w robotyce i sztucznej inteligencji. Ale współczesne badania AGI wcale nie radzą sobie dobrze, jeśli chodzi o ogólne lub wspieranie niezależnej jednostki o ciągłym istnieniu. Wydaje się, że głównie utknął w tych samych kwestiach w rozumowaniu i zdrowym rozsądku, z którymi sztuczna inteligencja ma problemy od co najmniej 50 lat. Wszystkie dowody, które widzę, mówią, że nie mamy jeszcze prawdziwego pomysłu, jak je zbudować. Jego właściwości są zupełnie nieznane, więc retorycznie szybko staje się magiczny, potężny bez granic.

Nic we wszechświecie nie jest nieograniczone.

Uważaj na argumenty na temat technologii przyszłości, która jest magiczna. Takiego argumentu nigdy nie można obalić. Jest to argument oparty na wierze, a nie argument naukowy.

Joost Swarte

3. Wydajność a kompetencje

Wszyscy używamy wskazówek dotyczących tego, jak ludzie wykonują określone zadanie, aby oszacować, jak dobrze mogą wykonać inne zadanie. W obcym mieście pytamy nieznajomą na ulicy o drogę, a ona odpowiada z pewnością siebie i wskazówkami, które wydają się sensowne, więc uważamy, że możemy również zapytać ją o lokalny system płatności, gdy chcesz jechać autobusem.

Załóżmy teraz, że ktoś mówi nam, że na konkretnym zdjęciu widać ludzi grających we Frisbee w parku. Oczywiście zakładamy, że ta osoba może odpowiedzieć na pytania typu Jaki jest kształt frisbee? Z grubsza jak daleko można rzucić frisbee? Czy można zjeść frisbee? Ile osób gra we Frisbee jednocześnie? Czy trzymiesięczna osoba może grać we Frisbee? Czy dzisiejsza pogoda jest odpowiednia do gry we Frisbee?

Komputery, które mogą oznaczać obrazy, jak ludzie grający we Frisbee w parku, nie mają szans na udzielenie odpowiedzi na te pytania. Poza tym, że mogą tylko oznaczyć więcej zdjęć i nie mogą w ogóle odpowiedzieć na pytania, nie mają pojęcia, kim jest człowiek, że parki są zwykle na zewnątrz, że ludzie są w wieku, że pogoda to coś więcej niż to, jak wygląda zdjęcie, itp.

Nie oznacza to, że te systemy są bezużyteczne; mają wielką wartość dla wyszukiwarek. Ale oto, co idzie nie tak. Ludzie słyszą, że jakiś robot lub jakiś system AI wykonał jakieś zadanie. Następnie uogólniają to wykonanie na kompetencję, której można oczekiwać od osoby wykonującej to samo zadanie. I stosują to uogólnienie do robota lub systemu AI.

Dzisiejsze roboty i systemy sztucznej inteligencji są niezwykle wąskie w swoich możliwościach. Uogólnienia w stylu ludzkim nie mają zastosowania.

Joost Swarte

4. Walizka słowa

Marvin Minsky nazwał słowa, które niosą różne znaczenia, słowami walizkowymi. Nauka to potężne słowo walizkowe; może odnosić się do wielu różnych rodzajów doświadczeń. Nauka posługiwania się pałeczkami to zupełnie inne doświadczenie niż nauka melodii nowej piosenki. A nauka pisania kodu to zupełnie inne doświadczenie niż nauka poruszania się po mieście.

Kiedy ludzie słyszą, że uczenie maszynowe robi wielkie postępy w jakiejś nowej domenie, mają tendencję do używania jako mentalnego modelu sposobu, w jaki dana osoba uczyłaby się tej nowej domeny. Jednak uczenie maszynowe jest bardzo kruche i wymaga wielu przygotowań przez badaczy lub inżynierów, kodowania specjalnego przeznaczenia, specjalnych zestawów danych szkoleniowych i niestandardowej struktury uczenia się dla każdej nowej domeny problemu. Dzisiejsze uczenie maszynowe wcale nie jest uczeniem podobnym do gąbki, w które angażują się ludzie, robiąc szybkie postępy w nowej domenie bez konieczności wprowadzania zmian chirurgicznych lub tworzenia specjalnego celu.

Podobnie, gdy ludzie słyszą, że komputer może pokonać mistrza świata w szachach (w 1997 r.) lub jednego z najlepszych na świecie graczy w Go (w 2016 r.), mają tendencję do myślenia, że ​​gra w tę grę tak, jak robiłby to człowiek. Oczywiście w rzeczywistości programy te nie miały pojęcia, czym właściwie jest gra, ani nawet w to, w co grają. Były też znacznie mniej przystosowalne. Kiedy ludzie grają w grę, niewielka zmiana zasad ich nie zniechęca. Nie dotyczy to AlphaGo czy Deep Blue.

Walizki wprowadzają ludzi w błąd co do tego, jak dobrze maszyny radzą sobie z zadaniami, które ludzie mogą wykonać. Dzieje się tak częściowo dlatego, że badacze sztucznej inteligencji – a co gorsza ich instytucjonalne biura prasowe – chętnie twierdzą, że postęp w przypadku koncepcji walizki. Ważną frazą jest tutaj przykład. Ten szczegół szybko się gubi. Nagłówki trąbią o walizce i zniekształcają ogólne zrozumienie tego, gdzie jest sztuczna inteligencja i jak blisko jest osiągnięcia więcej.

Joost Swarte

5. Wykładnicze

Wiele osób cierpi z powodu poważnego przypadku wykładniczego.

Każdy ma jakieś pojęcie o prawie Moore'a, które sugeruje, że komputery stają się coraz lepsze w harmonogramie podobnym do zegarka. W rzeczywistości Gordon Moore powiedział, że liczba elementów, które mogłyby zmieścić się w mikroczipie, podwaja się co roku. Tak było przez 50 lat, chociaż stała czasowa podwojenia stopniowo wydłużała się z jednego roku do ponad dwóch lat, a schemat dobiega końca.

Podwojenie komponentów w chipie spowodowało, że komputery stale podwajają prędkość. Doprowadziło to do zwiększenia pojemności układów pamięci czterokrotnie co dwa lata. Doprowadziło to również do aparatów cyfrowych, które mają coraz lepszą rozdzielczość i ekranów LCD z wykładniczo większą liczbą pikseli.

Powodem, dla którego Prawo Moore'a zadziałało, jest to, że odnosiło się do cyfrowej abstrakcji pytania prawda-fałsz. Czy w jakimkolwiek obwodzie jest ładunek elektryczny lub napięcie, czy nie? Odpowiedź pozostaje jasna, gdy komponenty chipa stają się coraz mniejsze — aż do momentu, gdy zainterweniuje fizyczna granica, a my przechodzimy do komponentów o tak małej liczbie elektronów, że efekty kwantowe zaczynają dominować. Właśnie na tym jesteśmy teraz dzięki naszej technologii chipowej opartej na krzemie.

Kiedy ludzie cierpią z powodu wykładniczego, mogą myśleć, że wykładniki, których używają do uzasadnienia argumentów, będą nadal szybko działać. Ale prawo Moore'a i inne pozornie wykładnicze prawa mogą zawieść, ponieważ od początku nie były wykładnicze.

W pierwszej połowie tego stulecia, kiedy prowadziłem Laboratorium Informatyki i Sztucznej Inteligencji w MIT (CSAIL) i potrzebowałem pomocy w zebraniu pieniędzy dla ponad 90 różnych grup badawczych, próbowałem wykorzystać wzrost pamięci w iPodach, aby pokazać sponsorom, jak zmieniały się bardzo szybko. Oto dane dotyczące ilości miejsca na muzykę w iPodzie za 400 USD lub mniej:

rok	gigabajty
2002	10
2003	dwadzieścia
2004	40
2006	80
2007	160

Potem ekstrapolowałbym kilka lat i zapytałem, co zrobimy z całą tą pamięcią w naszych kieszeniach.

Ekstrapolując do dnia dzisiejszego, spodziewalibyśmy się, że iPod za 400 dolarów będzie miał 160 000 gigabajtów pamięci. Ale najlepszy współczesny iPhone (który kosztuje znacznie ponad 400 dolarów) ma tylko 256 gigabajtów pamięci, mniej niż dwa razy więcej niż iPod z 2007 roku. Ta szczególna wykładnicza załamała się bardzo nagle, gdy ilość pamięci osiągnęła punkt, w którym była wystarczająco duża, aby pomieścić bibliotekę muzyczną i aplikacje, zdjęcia i filmy każdej rozsądnej osoby. Wartości wykładnicze mogą się załamać, gdy zostanie osiągnięty fizyczny limit lub gdy nie ma już ekonomicznego uzasadnienia, aby je kontynuować.

Podobnie zaobserwowaliśmy nagły wzrost wydajności systemów AI dzięki sukcesowi głębokiego uczenia się. Wiele osób wydaje się sądzić, że oznacza to, że nadal będziemy regularnie obserwować wzrost wydajności AI o równe wielokrotności. Ale sukces głębokiego uczenia się trwał 30 lat i było to odosobnione wydarzenie.

Nie oznacza to, że nie będzie więcej odosobnionych zdarzeń, w których praca z zaścianek badań nad sztuczną inteligencją nagle napędza gwałtowny wzrost wydajności wielu aplikacji AI. Ale nie ma prawa, które mówi, jak często będą się zdarzać.

Joost Swarte

6. Scenariusze Hollywood

Fabuła wielu hollywoodzkich filmów science fiction polega na tym, że świat jest taki, jaki jest dzisiaj, z wyjątkiem jednego nowego zwrotu.

w Dwustuletni człowiek Richard Martin, grany przez Sama Neilla, siada do śniadania i czeka na niego chodzący, mówiący humanoidalny robot, grany przez Robina Williamsa. Richard bierze gazetę do czytania przy śniadaniu. Gazeta! Wydrukowano na papierze. Ani tabletu, ani podcastu pochodzącego z urządzenia podobnego do Amazon Echo, ani bezpośredniego połączenia neuronowego z Internetem.

Okazuje się, że wielu badaczy sztucznej inteligencji i znawców sztucznej inteligencji, zwłaszcza tych pesymistów, którzy oddają się przewidywaniom, że sztuczna inteligencja wymyka się spod kontroli i zabija ludzi, jest podobnie obciążonych wyobraźnią. Ignorują fakt, że jeśli uda nam się w końcu zbudować takie inteligentne urządzenia, świat do tego czasu znacznie się zmieni. Nie będziemy nagle zaskoczeni istnieniem takich superinteligencji. Z biegiem czasu będą ewoluować technologicznie, a nasz świat zostanie zaludniony przez wiele innych inteligencji, a my już zdobędziemy duże doświadczenie. Na długo zanim pojawią się złe superinteligencje, które będą chciały się nas pozbyć, pojawią się nieco mniej inteligentne, mniej wojownicze maszyny. Wcześniej będą naprawdę zrzędliwe maszyny. Wcześniej dość irytujące maszyny. A przed nimi aroganckie, nieprzyjemne maszyny. Po drodze będziemy zmieniać nasz świat, dostosowując zarówno środowisko do nowych technologii, jak i same nowe technologie. Nie mówię, że może nie być wyzwań. Mówię, że nie będą one nagłe i nieoczekiwane, jak wiele osób myśli.

Joost Swarte

7. Szybkość wdrożenia

W niektórych branżach bardzo często wdrażane są nowe wersje oprogramowania. Nowe funkcje dla platform takich jak Facebook są wdrażane prawie co godzinę. W przypadku wielu nowych funkcji, o ile pomyślnie przeszły one testy integracyjne, w przypadku pojawienia się problemu w terenie i konieczności wycofania wersji, nie będzie to miało większego wpływu na ekonomię. Jest to tempo, do którego przyzwyczaili się twórcy oprogramowania z Doliny Krzemowej i sieci Web. Działa, ponieważ koszt krańcowy nowo wdrożonego kodu jest bardzo, bardzo bliski zeru.

Z drugiej strony wdrażanie nowego sprzętu wiąże się ze znacznymi kosztami krańcowymi. Wiemy to z własnego życia. Wiele z kupowanych dzisiaj samochodów, które nie jeżdżą samodzielnie, a w większości nie obsługują oprogramowania, prawdopodobnie nadal będzie jeździć po drogach w 2040 roku. -napędowy. Jeśli dziś zbudujemy nowy dom, możemy spodziewać się, że może on istnieć przez ponad 100 lat. Budynek, w którym mieszkam, został zbudowany w 1904 roku i nie jest najstarszy w mojej okolicy.

Koszty kapitałowe utrzymują fizyczny sprzęt przez długi czas, nawet jeśli są w nim aspekty zaawansowane technologicznie, a nawet jeśli ma misję egzystencjalną.

Siły Powietrzne USA nadal latają wariantem bombowca B-52 B-52H. Ta wersja została wprowadzona w 1961 roku, co oznacza, że ​​ma 56 lat. Ostatnia powstała w 1962 roku, zaledwie 55 lat temu. Obecnie oczekuje się, że samoloty te będą latać co najmniej do 2040 r., a być może dłużej – mówi się o przedłużeniu ich życia do 100 lat.

Regularnie widzę sprzęt sprzed kilkudziesięciu lat w fabrykach na całym świecie. Widzę nawet komputery PC z systemem Windows 3.0 — wersją oprogramowania wydaną w 1990 roku. Myślenie jest takie, że jeśli nie jest zepsute, nie naprawiaj tego. Te komputery i ich oprogramowanie przez ponad dwie dekady niezawodnie uruchamiały tę samą aplikację, wykonując to samo zadanie.

Prawie wszystkie innowacje w robotyce i sztucznej inteligencji potrzebują dużo, dużo więcej czasu, aby być naprawdę szeroko wdrożone, niż wyobrażają sobie ludzie w terenie i poza nią.

Główny mechanizm sterowania w fabrykach, w tym zupełnie nowych w USA, Europie, Japonii, Korei i Chinach, oparty jest na programowalnych sterownikach logicznych, czyli sterownikach PLC. Zostały one wprowadzone w 1968 roku w celu zastąpienia przekaźników elektromechanicznych. Cewka jest nadal podstawową jednostką abstrakcji używaną dzisiaj, a sterowniki PLC są programowane tak, jakby były siecią 24-woltowych przekaźników elektromechanicznych. Jeszcze. Niektóre bezpośrednie przewody zostały zastąpione kablami Ethernet. Ale nie są częścią otwartej sieci. Zamiast tego są to pojedyncze kable biegnące od punktu do punktu, fizycznie ucieleśniające przepływ sterowania — kolejność wykonywania kroków — w tych zupełnie nowych, starożytnych sterownikach automatyki. Gdy chcesz zmienić przepływ informacji lub kontrolować przepływ, w większości fabryk na całym świecie konsultanci potrzebują tygodni, aby dowiedzieć się, co tam jest, zaprojektować nowe rekonfiguracje, a następnie zespoły handlowców ponownie okablowają i ponownie konfigurują sprzęt. Jeden z głównych producentów tego sprzętu powiedział mi niedawno, że zamierzają dokonywać trzech aktualizacji oprogramowania co 20 lat.

W zasadzie można to zrobić inaczej. W praktyce tak nie jest. Właśnie spojrzałem na listę zadań i nawet dzisiaj, tego dnia, Tesla Motors próbuje zatrudnić techników PLC w swojej fabryce w Fremont w Kalifornii. Wykorzystają emulację przekaźnika elektromagnetycznego w produkcji samochodu, który jest najbardziej wspierany przez sztuczną inteligencję.

Wielu badaczy i ekspertów AI wyobraża sobie, że świat jest już cyfrowy i że samo wprowadzenie nowych systemów AI natychmiast spłynie do zmian operacyjnych w terenie, w łańcuchu dostaw, na hali produkcyjnej, w projektowaniu produktów.

Nic nie może być dalej od prawdy. Prawie wszystkie innowacje w robotyce i sztucznej inteligencji potrzebują dużo, dużo więcej czasu, aby być naprawdę szeroko wdrożone, niż wyobrażają sobie ludzie w terenie i poza nią.

Rodney Brooks jest byłym dyrektorem Laboratorium Informatyki i Sztucznej Inteligencji w MIT oraz założycielem Rethink Robotics i iRobot. Ten esej został zaadaptowany za zgodą A Poczta który pierwotnie pojawił się na rodneybrooks.com.

ukryć