Det menes bredt, at med de seneste fremskridt inden for forskning i kunstig intelligens vil levende og intelligente maskiner snart være i horisonten. Biler forstår stemmekommandoer, skelner mellem billeder, kører biler og spiller spil bedre, end vi gør. Hvor længe er det tilbage at vente, indtil de begynder at gå blandt os?
En nylig udgivet rapport fra Det Hvide Hus om kunstig intelligens indtager en skeptisk holdning. Det siger, at det er usandsynligt, at vi i de næste 20 år vil se maskiner, der "udviser intellektuelle evner, der er sammenlignelige med eller bedre end menneskers," men i de kommende år vil maskiner opnå menneskelige evner til flere og flere opgaver. " Imidlertid mangler denne rapport et par vigtige ting.
Forsker af kunstig intelligens Arend Hintze hævder, at rapporten udelukkende fokuserer på "kedelig type AI." Det afskærer en kæmpe gren af AI-forskning i midten af sætningen, hvordan evolution hjælper os med at udvikle stadig bedre AI-systemer, og hvordan beregningsmodeller hjælper os med at forstå udviklingen af vores egen menneskelige intelligens.
Rapporten fokuserer på, som videnskabsmanden siger, de vigtigste værktøjer til AI: maskinlæring og dyb læring. Denne slags teknologi gjorde det muligt for robotter at spille quizzer godt og udspille mestrene i spillet go. Disse systemer kan håndtere kolossale datamængder og udføre komplekse beregninger meget hurtigt. Men de mangler et element, der vil være nøglen til at skabe de intelligente maskiner, som vi gerne vil have i fremtiden.
Vi har brug for mere end undervisningsmaskiner for at lære. Vi er nødt til at overvinde de grænser, der definerer fire forskellige typer kunstig intelligens. Barrierer, der adskiller maskiner fra os - og os fra dem.
AI type I: jetmaskiner
De mest basale typer AI-systemer er meget reaktive og kan ikke danne minder eller bruge tidligere erfaringer til at informere aktuelle beslutninger. Deep Blue, den skakspilende supercomputer IBM, der slog Grandmaster Garry Kasparov i slutningen af 1990'erne, er et perfekt eksempel på denne type maskine.
Salgsfremmende video:
Deep Blue kan identificere brikker på et skakbræt og ved, hvordan de bevæger sig. Han kan forudsige bevægelser, både hans egne og modstanderens. Og han vælger de mest optimale træk muligt.
Han har dog ingen idé om fortiden og mindet om, hvad der skete. Bortset fra den sjældent anvendte skakspecifikke regel om ikke at gentage det samme træk tre gange, ignorerer Deep Blue alt indtil nu. Han ser bare på brikkerne på skakbrættet og vælger det næste træk.
Denne type intelligens inkluderer en computer, der direkte opfatter verden og handler ud fra, hvad den ser. Han stoler ikke på et indre verdensbegreb. I sit arbejde argumenterede AI-forsker Rodney Brooks for, at vi kun skulle bygge sådanne maskiner. Efter hans mening er mennesker ikke særlig gode til at programmere præcise simulerede verdener til computere, som de siger, til at skabe en "repræsentation", en repræsentation af verden.
De moderne intelligente maskiner, som vi beundrer, har enten ikke et sådant verdensbegreb, eller det er meget begrænset og beskæftiger sig med visse opgaver. Innovationen i Deep Blues design handlede ikke om at udvide antallet af mulige bevægelser, en computer overvejer. I stedet har udviklerne fundet en måde at indsnævre sin vision på, at kassere nogle af de mulige bevægelser i fremtiden, afhængigt af hvordan de evalueres.
Ligeledes har AlphaGo Google, der slog verdensmesteren i Go, ingen måde at vurdere mulige fremtidige træk på. Dens analysemetode er mere sofistikeret end Deep Blue: den bruger et neuralt netværk til at evaluere spillets udfoldelse.
Disse teknikker forbedrer AI-systemernes kapacitet, får visse spil til at spille bedre, men er ikke lette at ændre eller anvende i andre situationer. Disse computertyper har ikke et koncept for verdenen som helhed - hvilket betyder, at de ikke kan gå ud over at udføre de specifikke opgaver, som de blev lavet til, og de bliver let narret.
De kan ikke deltage interaktivt i verden, og vi vil gerne se netop sådanne AI-systemer en dag. I stedet vil maskinerne opføre sig nøjagtigt som de altid gør, når de står over for den samme situation. Hvis vi vil gøre AI-systemet pålideligt og pålideligt, så er det en god ting: du vil gerne have, at dit autonome køretøj er pålideligt. Men hvis vi vil have maskiner til at interagere med os og med verden, er det dårligt. De enkleste AI-systemer keder sig aldrig, de kan ikke være interesserede eller ked af det.
AI type II: begrænset hukommelse
Type II inkluderer maskiner, der kan se ind i fortiden. Selvkørende biler er allerede lidt i stand til dette. For eksempel observerer de hastigheden og retningen på andre køretøjer. Dette kan ikke gøres på én gang, for dette skal du identificere bestemte objekter og observere dem over tid.
Disse observationer føjes til de selvkørende bilers forprogrammerede repræsentationer af verden, som inkluderer vejmarkeringer, trafiklys og andre kritiske elementer. De forbinder, når bilen beslutter at skifte bane og ikke kollidere med en anden.
Men disse enkle informationer om fortiden er kun midlertidige. De lagres ikke som en del af et køretøjsoplevelsesbibliotek, hvor det kan lære, som menneskelige chauffører, samle erfaring gennem årene under kørsel.
Hvordan bygger vi AI-systemer, der bygger komplette repræsentationer, husker vores oplevelser og lærer at håndtere nye situationer? Brooke havde ret i, at dette er meget vanskeligt at gøre. Måske er det værd at lede efter inspiration i den darwinistiske udvikling?
AI type III: sindsteori
Vi er nødt til at tage et lille stop her og kalde dette øjeblik et vigtigt hul mellem de maskiner, vi har, og de maskiner, vi gerne vil bygge i fremtiden. Det første trin er dog at være mere specifik om de synspunkter, maskinerne skal oprette.
Maskiner i den næste, mere avancerede klasse danner ikke kun repræsentationer af verden, men også af andre agenter eller enheder i verden. I psykologi kaldes dette "sindsteori" - forståelsen for, at mennesker, væsener og objekter i verden kan have tanker og følelser, der påvirker deres egen opførsel.
Dette er vigtigt for den måde, vi mennesker former samfundet på, da det giver os sociale interaktioner. Uden at forstå hinandens motiver og intentioner og ikke overveje, hvad en anden ved om mig eller miljøet, er det i bedste fald vanskeligt at arbejde sammen og i værste fald umuligt.
Hvis AI-systemer virkelig nogensinde strejfer blandt os, bliver de nødt til at forstå, hvad vi tænker og føler, i det mindste på antagelsesniveauet. Og juster din adfærd i overensstemmelse hermed.
IV type AI: selvbevidsthed
Det endelige mål med kunstig intelligensudvikling er at skabe systemer, der kan forme selvbilleder. I sidste ende skal AI-forskere ikke kun forstå bevidsthed, men også skabe maskiner med bevidsthed.
Dette er på en måde en udvidelse af "sindsteorien", der blev nævnt i den tidligere type AI. Når vi taler om bevidsthed, mener vi også selvbevidsthed. "Jeg vil have denne ting" er forskellig fra "Jeg ved, jeg vil have denne ting". Bevidste væsener er selvbevidste, opmærksomme på deres indre tilstande og kan foregribe andres adfærd eller følelser. Vi antager, at nogen, der signaliserer os i trafikken, er vred eller utålmodig, fordi det er sådan, vi kan føle sig i hans sted. Uden en sindsteori kunne vi ikke drage sådanne slutninger.
Mens vi sandsynligvis er langt fra at bygge selvbevidste maskiner, skal vi fokusere vores indsats på vejen mod forståelse af hukommelse, læring og evnen til at træffe beslutninger om tidligere oplevelser. Dette er et vigtigt skridt i retning af at forstå det menneskelige sind selv. Og det er meget vigtigt, hvis vi ønsker at designe eller udvikle maskiner, der ikke kun kan klassificere det, de ser foran os, men også meget mere.
ILYA KHEL
