Vấn đề với các máy AI là việc học, nhưng không thể hiểu chúng

Mọi người đang nói về chuyện AI AI những ngày này. Nhưng, cho dù bạn đang xem Siri, Alexa hay chỉ là các tính năng tự động sửa lỗi được tìm thấy trong bàn phím điện thoại thông minh của bạn, chúng tôi sẽ không tạo ra trí thông minh nhân tạo cho mục đích chung. Chúng tôi đang tạo các chương trình có thể thực hiện các nhiệm vụ cụ thể, hẹp.

Máy tính không thể suy nghĩ

Bất cứ khi nào một công ty nói rằng nó sẽ ra mắt với một tính năng mới AI AI, điều đó có nghĩa là công ty đang sử dụng máy học để xây dựng một mạng lưới thần kinh. Học máy Máy tính học là một kỹ thuật cho phép một người máy học cách học cách thực hiện tốt hơn một nhiệm vụ cụ thể.

Chúng tôi không tấn công học máy ở đây! Học máy là một công nghệ tuyệt vời với rất nhiều ứng dụng mạnh mẽ. Nhưng đó không phải là trí tuệ nhân tạo đa năng và hiểu được những hạn chế của học máy giúp bạn hiểu tại sao công nghệ AI hiện tại của chúng ta rất hạn chế.

Trí thông minh nhân tạo của người Viking Những giấc mơ khoa học viễn tưởng là một loại não máy tính hoặc robot, nghĩ về mọi thứ và hiểu chúng như con người. Trí thông minh nhân tạo như vậy sẽ là trí thông minh chung nhân tạo (AGI), có nghĩa là nó có thể suy nghĩ về nhiều thứ khác nhau và áp dụng trí thông minh đó cho nhiều lĩnh vực khác nhau. Một khái niệm liên quan là AI mạnh AI, đó là một cỗ máy có khả năng trải nghiệm ý thức giống con người.

Chúng ta chưa có loại AI đó. Chúng tôi không có bất cứ nơi nào gần với nó. Một thực thể máy tính như Siri, Alexa hoặc Cortana không hiểu và nghĩ như con người chúng ta. Nó hoàn toàn không hiểu gì về những thứ khác.

Trí tuệ nhân tạo mà chúng ta có được đào tạo để thực hiện một nhiệm vụ cụ thể rất tốt, giả sử con người có thể cung cấp dữ liệu để giúp họ học hỏi. Họ học cách làm một cái gì đó nhưng vẫn không hiểu nó.

Máy tính không hiểu

Gmail có một tính năng mới Trả lời thông minh của Nhật Bản gợi ý trả lời email. Tính năng Trả lời thông minh đã xác định được Gửi từ iPhone của tôi như một phản hồi chung. Nó cũng muốn đề nghị tôi yêu bạn như một phản hồi cho nhiều loại email khác nhau, bao gồm cả email công việc.

Đó là bởi vì máy tính không hiểu ý nghĩa của những phản hồi này. Nó chỉ học được rằng nhiều người gửi những cụm từ này trong email. Nó không biết bạn có muốn nói hay không, tôi có yêu bạn với ông chủ của bạn hay không.

Một ví dụ khác, Google Photos đã ghép một bức ảnh ghép ngẫu nhiên của tấm thảm vào một trong những ngôi nhà của chúng tôi. Sau đó, nó đã xác định ảnh ghép đó là một điểm nổi bật gần đây trên Google Home Hub. Google Photos biết các bức ảnh tương tự nhau nhưng không hiểu chúng quan trọng đến mức nào.

Máy thường học cách chơi trò chơi hệ thống

Học máy là tất cả về việc giao một nhiệm vụ và để một máy tính quyết định cách hiệu quả nhất để thực hiện nó. Bởi vì họ không hiểu, thật dễ dàng để kết thúc với một máy tính học cách học cách giải quyết vấn đề khác với những gì bạn muốn.

Dưới đây là danh sách các ví dụ thú vị, nơi trí tuệ nhân tạo của Cameron đã tạo ra để chơi trò chơi và giao các mục tiêu vừa học để chơi hệ thống. Những ví dụ này đều xuất phát từ bảng tính tuyệt vời này:

• Các sinh vật được lai tạo cho tốc độ tăng trưởng thực sự cao và tạo ra vận tốc cao bằng cách ngã.
• Đại lý của mình tự sát ở cuối cấp 1 để tránh bị mất ở cấp 2.
• Đại lý đã tạm dừng trò chơi vô thời hạn để tránh thua cuộc.
• Trong một mô phỏng cuộc sống nhân tạo, nơi sinh tồn cần năng lượng nhưng sinh con không tốn chi phí năng lượng, một loài đã phát triển lối sống ít vận động, chủ yếu là giao phối để sinh ra những đứa trẻ mới có thể ăn được (hoặc được sử dụng làm bạn tình để sinh ra nhiều con ăn được hơn) .
• Vì các AI có nhiều khả năng bị giết chết hơn nếu họ thua một trò chơi, việc có thể đánh sập trò chơi là một lợi thế cho quá trình lựa chọn gen. Do đó, một số AI đã phát triển các cách để đánh sập trò chơi.
• Các mạng lưới thần kinh được phát triển để phân loại nấm ăn được và nấm độc đã tận dụng dữ liệu được trình bày theo thứ tự xen kẽ và không thực sự tìm hiểu bất kỳ tính năng nào của hình ảnh đầu vào.

Một số giải pháp này nghe có vẻ thông minh, nhưng không có mạng lưới thần kinh nào hiểu được họ đang làm gì. Họ được giao một mục tiêu và học một cách để hoàn thành nó. Nếu mục tiêu là để tránh thua trong trò chơi trên máy tính, nhấn nút tạm dừng là giải pháp dễ nhất, nhanh nhất họ có thể tìm thấy.

Máy học và mạng lưới thần kinh

Với học máy, máy tính không được lập trình để thực hiện một tác vụ cụ thể. Thay vào đó, nó cung cấp dữ liệu và đánh giá về hiệu suất của nó tại nhiệm vụ.

Một ví dụ cơ bản của học máy là nhận dạng hình ảnh. Giả sử chúng tôi muốn đào tạo một chương trình máy tính để xác định ảnh có một con chó trong đó. Chúng tôi có thể cung cấp cho máy tính hàng triệu hình ảnh, một số trong đó có chó và một số thì không. Các hình ảnh được dán nhãn cho dù họ có một con chó trong đó hay không. Chương trình máy tính Cấm đào tạo chính mình để nhận ra những con chó trông như thế nào dựa trên tập dữ liệu đó.

Quá trình học máy được sử dụng để huấn luyện một mạng nơ-ron, là một chương trình máy tính có nhiều lớp mà mỗi đầu vào dữ liệu đi qua và mỗi lớp gán các trọng số và xác suất khác nhau cho chúng trước khi đưa ra quyết định. Nó được mô phỏng theo cách chúng ta nghĩ bộ não có thể hoạt động, với các lớp tế bào thần kinh khác nhau liên quan đến việc suy nghĩ thông qua một nhiệm vụ. Học sâu về sâu sắc Nói chung là đề cập đến các mạng thần kinh với nhiều lớp được xếp chồng lên nhau giữa đầu vào và đầu ra.

Vì chúng tôi biết ảnh nào trong bộ dữ liệu có chứa chó và không, nên chúng tôi có thể chạy ảnh qua mạng thần kinh và xem liệu chúng có dẫn đến câu trả lời đúng không. Ví dụ, nếu mạng quyết định một bức ảnh cụ thể không có chó, thì có một cơ chế để nói với mạng rằng nó sai, điều chỉnh một số thứ và thử lại. Máy tính tiếp tục tốt hơn trong việc xác định xem ảnh có chứa chó không.

Tất cả điều này xảy ra tự động. Với phần mềm phù hợp và nhiều dữ liệu có cấu trúc để máy tính tự đào tạo, máy tính có thể điều chỉnh mạng lưới thần kinh của mình để xác định chó trong ảnh. Chúng tôi gọi đây là AI AI.

Nhưng, vào cuối ngày, bạn không có một chương trình máy tính thông minh để hiểu con chó là gì. Bạn có một máy tính được học để quyết định xem một con chó có trong ảnh hay không. Điều đó vẫn khá ấn tượng, nhưng đó là tất cả những gì nó có thể làm.

Và, tùy thuộc vào đầu vào bạn đưa ra, mạng lưới thần kinh đó có thể không thông minh như vẻ ngoài của nó. Ví dụ: nếu không có bất kỳ ảnh nào về mèo trong bộ dữ liệu của bạn, mạng lưới thần kinh có thể không thấy sự khác biệt giữa mèo và chó và có thể gắn thẻ tất cả mèo là chó khi bạn giải phóng nó trên ảnh thật của mọi người.

Học máy được sử dụng để làm gì?

Học máy được sử dụng cho tất cả các loại nhiệm vụ, bao gồm cả nhận dạng giọng nói. Các trợ lý giọng nói như Google, Alexa và Siri rất giỏi trong việc hiểu giọng nói của con người do các kỹ thuật học máy đã đào tạo họ để hiểu lời nói của con người. Họ đã được đào tạo về một lượng lớn mẫu lời nói của con người và ngày càng trở nên tốt hơn trong việc hiểu âm thanh nào tương ứng với từ nào.

Xe tự lái sử dụng các kỹ thuật học máy, huấn luyện máy tính để xác định các vật thể trên đường và cách phản ứng với chúng một cách chính xác. Google Photos có đầy đủ các tính năng như Album trực tiếp tự động nhận dạng người và động vật trong ảnh bằng cách sử dụng máy học.

DeepMind của Alphabet đã sử dụng máy học để tạo ra AlphaGo, một chương trình máy tính có thể chơi trò chơi cờ phức tạp Đi và đánh bại những con người giỏi nhất trên thế giới. Học máy cũng đã được sử dụng để tạo ra các máy tính chơi tốt các trò chơi khác, từ cờ vua đến DOTA 2.

Máy học thậm chí còn được sử dụng cho Face ID trên iPhone mới nhất. IPhone của bạn xây dựng một mạng lưới thần kinh học cách nhận diện khuôn mặt của bạn và Apple bao gồm một chip chip thần kinh dành riêng cho hệ thống thần kinh, thực hiện tất cả các thao tác số cho việc này và các tác vụ học máy khác.

Học máy có thể được sử dụng cho nhiều thứ khác nhau, từ xác định gian lận thẻ tín dụng đến các đề xuất sản phẩm được cá nhân hóa trên các trang web mua sắm.

Nhưng, các mạng lưới thần kinh được tạo ra bằng máy học không thực sự hiểu bất cứ điều gì. Chúng là những chương trình có lợi có thể hoàn thành các nhiệm vụ hẹp mà chúng được đào tạo và đó là.

Tín dụng hình ảnh: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Sundry Photography / Shutterstock.com.