Сегодняшний ИИ технически «слаб», но он сложен и может оказать большое влияние на общество.

Haomiao Huang. 9 апреля 2019 12:30 UTC

ИИ, или искусственный интеллект, сейчас огромен. Решаются «неразрешимые» проблемы, инвестируются миллиарды долларов, и Microsoft даже наняла Common, чтобы рассказать вам, насколько хорош ее ИИ с поэзией в устной речи. Хлоп.

Как и в случае с любой новой технологией, шумиху трудно преодолеть. Я потратил годы на исследования в области робототехники, беспилотных летательных аппаратов и «искусственного интеллекта», но даже мне было трудно не отставать. В последние годы я потратил много времени на изучение, чтобы ответить даже на некоторые из самых основных вопросов, таких как:

  • О чем говорят люди, когда говорят ИИ?
  • В чем разница между ИИ, машинным обучением и глубоким обучением?
  • Что хорошего в глубоком обучении?
  • Какие проблемы раньше были легко решаемыми, а какие еще сложными?

Я знаю, что я не одинок в удивлении этим вещам. Так что, если вам интересно, что такое волнение ИИ на самом базовом уровне, пришло время немного заглянуть за кулисы. Если вы эксперт по ИИ, который для удовольствия читает документы NIPS, здесь у вас не будет много нового, но мы все с нетерпением ждем ваших разъяснений и исправлений в комментариях.

Что такое ИИ?

В компьютерной науке есть старая шутка, которая звучит так: в чем разница между ИИ и автоматизацией? Ну, автоматизация. это то, что мы Можно делать с компьютерами, а ИИ это то, что мы желание мы могли бы сделать. Как только мы понимаем, как что-то сделать, он перестает быть ИИ и начинает автоматизироваться.

Эта шутка существует потому, что даже сегодня ИИ не имеет четкого определения. искусственный интеллект просто не является техническим термином. Если вы посмотрите на Википедию, ИИ. это «интеллект, демонстрируемый машинами, в отличие от естественного интеллекта, демонстрируемого людьми и другими животными». Это настолько неопределенно, насколько вы можете это себе представить.

Как правило, существует два вида ИИ: сильный ИИ и слабый ИИ. Сильный ИИ. это то, о чем может думать большинство людей, когда они слышат ИИ. какой-то богоподобный всеведущий разум, такой как Скайнет или Хэл 9000, который способен к общему рассуждению и подобен человеческому интеллекту, превосходя человеческие возможности.

Слабые ИИ. это узкоспециализированные алгоритмы, предназначенные для ответа на конкретные полезные вопросы в узко определенных проблемных областях. Например, к этой категории подходит действительно хорошая игра в шахматы. То же самое касается программного обеспечения, которое действительно точно корректирует страховые взносы. Эти настройки ИИ впечатляют по-своему, но в целом очень ограничены.

Помимо Голливуда, сегодня мы не близки к сильному искусственному интеллекту. Прямо сейчас, все ИИ. слабый ИИ, и большинство исследователей в этой области соглашаются, что методы, которые мы придумали, чтобы сделать действительно большие ИИ слабые, вероятно, не приведут нас к Сильному ИИ.

Таким образом, ИИ в настоящее время представляет собой скорее маркетинговый термин, чем технический. Причина, по которой компании рекламируют свои «ИИ», а не «автоматизацию», заключается в том, что они хотят использовать образ голливудских ИИ в сознании общественности. Но. это не полностью неправильно. Если мы благосклонны, компании могут просто пытаться сказать, что, хотя мы и не далеки от сильного ИИ, современные слабые ИИ значительно более способны, чем всего несколько лет назад.

Любые маркетинговые инстинкты в стороне, это действительно так. Фактически, в определенных областях произошли крутые изменения в машинах, и это во многом из-за двух других модных слов, которые вы часто слышите: машинное обучение и глубокое обучение.

Машинное обучение

Машинное обучение. это особый способ создания искусственного интеллекта. Допустим, вы хотели запустить ракету и предсказать, куда она пойдет. По большому счету это не так сложно: гравитация довольно хорошо понятна, и вы можете записать уравнения и определить, куда они пойдут, основываясь на нескольких переменных, таких как скорость и начальная позиция.

Но это становится громоздким, когда вы смотрите на что-то, где правила не так ясны и хорошо известны. Скажем, вы хотите, чтобы компьютер смотрел на картинки, и вы хотите знать, показывает ли какая-либо из них изображение кота. Как вы записываете правила, чтобы описать, как выглядит каждая возможная комбинация усов и кошачьих ушей со всех возможных сторон?

Подход машинного обучения к настоящему времени хорошо известен: вместо того, чтобы пытаться записать правила, вы создаете систему, которая может выяснить свой собственный набор внутренних правил после того, как было показано много примеров. Вместо того, чтобы пытаться описать кошек, вы просто покажете своему ИИ множество картинок с кошками и дадите ему понять, кто такой кошка, а кто нет.

Это идеально подходит для нашего нынешнего мира. Система, которая изучает свои собственные правила на основе данных, может быть улучшена с помощью большего количества данных. И если есть одна вещь, которую мы действительно добились в качестве вида, это генерирование, хранение и управление много данных. Хотите быть лучше в распознавании кошек? Интернет порождает миллионы примеров.

Постоянно растущий поток данных является одной из причин, почему взрываются алгоритмы машинного обучения. Другая часть связана с тем, как использование данные.

С машинным обучением, помимо данных, есть еще два связанных вопроса:

  • Как я помню то, что я узнал? Как на компьютере хранить и представлять отношения и правила, извлеченные из данных примера?
  • Как я делаю обучение? Как мне изменить представление, которое я сохранил в ответ на новые примеры, и стать лучше?

Другими словами, что на самом деле делает учусь из всех этих данных?

В машинном обучении вычислительное представление обучения, которое вы храните, называется модель. Тип используемой вами модели оказывает огромное влияние: он определяет, как ваш ИИ учится, какие данные он может извлечь, и какие вопросы вы можете ему задать.

Давайте посмотрим на действительно простой пример, чтобы понять, что я имею в виду. Скажем, мы покупаем инжир в продуктовом магазине и хотим создать ИИ машинного обучения, который сообщит нам, когда они созреют. Это должно быть довольно легко, потому что с инжиром они в основном мягче, они слаще.

Мы могли бы выбрать несколько образцов спелых и незрелых фруктов, посмотреть, насколько они сладкие, а затем поместить их на график и наметить линию. Эта линия наша модель.

Основы современного ИИ. как это работает и разрушит ли общество в этом году

Наш малыш AI, в форме линии. «Чем оно мягче, тем слаще. "