Udtrykket "kunstig intelligens" henviser ofte til neurale netværk, der er bygget på dybe maskinindlæringsteknologier. Desuden er teknologien til træning af neurale netværk godt udviklet og bærer frugt. Imidlertid er det ikke alle forskere, der deler den opfattelse, at kunstig intelligens bør udvikle sig på denne vej. Nogen mener endda, at sådanne systemer "ikke skal have tillid til", og deres udvikling ikke vil føre til noget godt.
Kunstig intelligens i moderne forstand - dette er slet ikke, hvad mange synes.
Hvorfor maskinlæring er dårligt for menneskets udvikling
I et stort arbejde, der blev offentliggjort på siderne fra Technologyreview, talte en professor ved New York University, en ekspert inden for kognitiv videnskab (videnskaben om kognition) Gary Marcus om risikoen for den udbredte anvendelse af neurale netværk baseret på dyb maskinlæring.
For det første mener videnskabsmanden, at teknologien har klare begrænsninger. Især har der i lang tid været tale om behovet for at skabe en såkaldt "ægte AI", som er egnet til at løse en lang række problemer, og ikke kun en bestemt, som sker nu. De eksisterende AI-systemer har allerede nået toppen af deres udvikling, og de har praktisk taget "intetsteds at vokse". Derudover kan du ikke bare tage og, siger, først lære en AI at køre en bil og tvinge en anden til at reparere den og derefter kombinere systemerne og skabe en universel assistent. Kunstige intelligenser vil simpelthen ikke være i stand til at interagere, da de "lærte på forskellige måder."
Hvordan man gør AI smartere
Salgsfremmende video:
For at algoritmer skal blive mere effektive, skal de "trænes forskelligt." Det er nødvendigt at få dem til at begynde at se forholdet mellem genstande og konsekvenserne af at interagere med dem. I dette tilfælde tjener vi som det bedste eksempel.
Professor Gary Marcus.
Desuden er det, Marcus tilbyder, slet ikke nyt. Eksemplet beskrevet ovenfor er, hvordan forskere forestillede sig "klassisk AI." Men for at en sådan AI skal fungere effektivt, er vi nødt til at programmere alle mulige resultater på forhånd. Og dette er næsten urealistisk. Men der er en udvej.
Løsningen kan være en slags symbiose af "klassisk AI", der ser forhold og får løsninger på en forståelig måde, og dyb læring, som er i stand til at finde en løsning gennem "prøve og fejl". Det kan være et slags grundlæggende system med regler og regler vedrørende den omkringliggende verden. På deres basis vil AI-systemer allerede være i stand til at udvikle sig selv på et bestemt område. Ægte kunstig intelligens skal forstå, hvordan alt fungerer rundt for at forstå forhold / årsag-virkning og let skifte fra en opgave til en anden. Moderne systemer bygget ved hjælp af dyb læringsteknologi er simpelthen ikke i stand til dette.
Vladimir Kuznetsov