Der er et sjovt psykologisk fænomen: gentag ethvert ord mange gange, og til sidst mister det al mening, det bliver til en våd klud, til fonetisk intet. For mange af os har udtrykket "kunstig intelligens" længe mistet sin betydning. AI er overalt inden for teknologi lige nu, og driver alt fra tv til tandbørste, men det betyder ikke, hvad det skal. Det behøver ikke være sådan.
Kunstig intelligens: godt eller ondt
Mens udtrykket "kunstig intelligens" unægteligt misbruges, klarer denne teknologi mere end nogensinde nogensinde, både godt og dårligt. Det bruges i sundhedsvæsen og kamp; hjælper folk med at skrive musik og bøger; evaluerer din kreditværdighed og forbedrer de fotos, der er taget med din telefon. Kort sagt, hun tager beslutninger, der påvirker dit liv, uanset om du kan lide det eller ej.
Det kan være vanskeligt at være enig med den hype og hype, som teknologivirksomheder og annoncører diskuterer med AI. Tag f.eks. Oral-B's Genius X-tandbørste, et af mange enheder, der blev afsløret på dette års CES, der fremhævede påståede AI-kapaciteter. Men ved nærmere undersøgelse bliver det klart, at børsten simpelthen giver dig feedback på, om du børster dine tænder i den rigtige tid og på de rigtige steder. Der er nogle smarte sensorer derude, der kan fortælle, hvor din børste er i munden, men at kalde det kunstig intelligens er skidt, intet mere.
Hype skaber misforståelse. Pressen kan oppustes og overdrive enhver forskning ved at klæbe Terminator på enhver vag AI-historie. Dette fører ofte til forvirring om, hvad kunstig intelligens er. Dette kan være et vanskeligt emne for ikke-eksperter, og folk forbinder ofte fejlagtigt moderne AI med den version, de er mest fortrolig med: sci-fi-repræsentationen af en bevidst computer mange gange klogere end mennesker. Eksperter kalder dette særlige billede af AI generel kunstig intelligens, og hvis vi nogensinde kan skabe noget som dette, vil det være meget langt væk. Indtil da vil overdrivning af AI-systemets funktioner, intelligens eller evner ikke hjælpe processen på nogen måde.
Det er meget bedre at tale om "maskinlæring" snarere end kunstig intelligens. Det er et underfelt af kunstig intelligens, der omfatter næsten alle de teknikker, der har størst indflydelse på verden i dag (inklusive hvad der kaldes dyb læring). Der er ingen "AI" mystik i denne sætning, men det er mere nyttigt at forklare, hvad denne teknologi gør.
Hvordan fungerer maskinlæring? I de sidste par år har du og jeg haft mulighed for at læse snesevis af forklaringer, og den vigtigste forskel, jeg har fundet for mig selv, ligger lige i navnet: maskinlæring er alt, hvad der gør det muligt for computere at lære på egen hånd. Men hvad det virkelig betyder, er et meget større spørgsmål.
Salgsfremmende video:
Lad os starte med problemet. Lad os sige, at du vil oprette et program, der kan genkende katte. Du kan skrive det på gammeldags måde ved at programmere åbenlyse regler som "katte har spidse ører" og "katte er fluffy". Men hvad gør programmet, når du viser det et billede af en tiger? Hver regel vil være tidskrævende at programmere, og du bliver nødt til at forklare mange forskellige koncepter, såsom fluffiness og muddring. Bedre at lade maskinen lære sig selv. Så du giver hende en enorm samling af katbilleder, og hun går gennem dem for at finde sine egne mønstre i det, hun ser. Det forbinder prikkerne først, mest ved et uheld, men du tester det igen og igen for at bevare de bedste versioner. Og med tiden begynder hun ganske godt at definere, hvad en kat er, og hvad ikke.
Indtil videre er alt forudsigeligt. Faktisk har du sandsynligvis læst en lignende forklaring før - ked af det. En anden ting er vigtig. Hvad er bivirkningerne af at træne et beslutningssystem som dette?
Den største fordel ved denne metode er den mest åbenlyse: Du behøver aldrig at programmere dette system. Selvfølgelig vil du arbejde hårdt for at forbedre systemets databehandlingsprincipper, mens det finder smartere måder at udtrække oplysninger, men du vil ikke fortælle systemet, hvad det skal kigge efter. Dette betyder, at hun vil være i stand til at finde mønstre, som folk måske savner eller ikke engang tænker over. Og da alt programmets behov er data - 1'ere og 0'ere - kan det trænes til at udføre alle slags opgaver, fordi verden bogstaveligt talt vrimler af data. Med hammeren i maskinlæring i din hånd vil den digitale verden være fuld af søm, der er klar til at gå i aktion.
Men lad os nu tænke over ulemperne. Hvis du ikke underviser i en computer, hvordan ved du hvordan den træffer beslutninger? Maskinlæringssystemer kan ikke forklare deres tænkning, hvilket betyder, at din algoritme muligvis fungerer godt af de forkerte grunde. Eftersom alt, hvad en computer ved, er de data, du leverer dem, kan det også udvikle en bias mod ting, eller det kan kun være godt for smalle opgaver, der ligner de data, den har set før. Det har ikke den sunde fornuft, du ville forvente af en person. Du kan oprette verdens bedste kattegenkendelsessoftware, men det vil aldrig fortælle dig, at killinger ikke kan køre på motorcykler, eller at katten sandsynligvis vil blive kaldt "Koschey den udødelige" eller "Alexei Tolstoj".
At lære computere at lære på egen hånd er et strålende trick. Og som alle tricks inkluderer denne tricks. AI-systemer har intelligens, hvis du vil kalde det det. Men dette er ikke et organisk sind, og det spiller ikke efter de samme regler som mennesker. Du kan lige så godt spørge: Hvor smart er bogen? Hvilken oplevelse kodes i stegepanden?
Hvor er vi nu med vores kunstige intelligens? Efter år med overskrifter, der ringer om endnu et stort gennembrud (som ikke er sket endnu, og overskrifterne er stadig på), konkluderer nogle eksperter, at vi har nået et eller andet plateau. Men dette er ikke til hinder for fremskridt. Med hensyn til forskning er der en enorm mængde muligheder for at udforske med den viden, vi allerede har til rådighed, og med hensyn til produktet så vi kun spidsen til den algoritmiske isbjerge.
Kai-fu Lee, en venturekapitalist og tidligere kunstig efterretningsforsker, beskriver det aktuelle øjeblik som "adoptionstidens æra" - når teknologien begynder at "udslette laboratoriet i verden." Benedict Evans sammenligner maskinlæring med relationelle databaser, der skabte en formue i 90'erne og ændrede hele industrier, men det vil være så dagligdags, at du keder dig, hvis dine øjne er oversvømmet af storheden i filmisk AI. Vi er nu på det stadie, hvor AI skulle blive normalt og sædvanligt. Meget snart er maskinlæring i hver af os, og vi holder op med at være opmærksomme på det.
Men indtil videre er dette ikke sket.
I øjeblikket er kunstig intelligens - maskinlæring - stadig noget nyt, som ofte forbliver uforklarlig eller utilstrækkeligt studeret. Men i fremtiden vil det blive så kendt og dagligdags, at du holder op med at bemærke det.
Ilya Khel