Adakah algoritma pintar masa depan kelihatan seperti robot tujuan umum, seperti yang mahir dalam bantal malu dan membaca peta kerana ia berguna di dapur? Atau pembantu digital kami akan kelihatan lebih seperti beg tangan dari alat khusus - kurang satu masterchef chatty daripada dapur yang penuh dengan peralatan?
Jika algoritma cuba melakukan terlalu banyak, ia mendapat masalah. Resipi di bawah dihasilkan oleh rangkaian neural buatan, sejenis kecerdasan buatan (AI) yang belajar dengan contoh. Algoritma khusus ini diteliti tentang resipi buku masakan 30,000 dari pelbagai jenis, dari sup kepada pai kepada barbeku, dan kemudian cuba membuatnya sendiri. Hasilnya, boleh dikatakan, agak tidak menentu:
(Catatan Editor: Jangan cuba resipi ini di rumah, LOL)
Terikan Nasi Ayam
keju / telur, salad, keju
2 lb hati, pilihan
Cawan 1 dicincang pudina segar atau puding raspberi
1 / 2 cawan catrimas, parut
1 sudu besar minyak sayuran
Garam 1
Lada 1
2 1 / 2 tb gula, gula
Menggabungkan unleaves, dan kacau sehingga campurannya tebal. Kemudian masukkan telur, gula, madu, dan biji masak, dan masak dengan api yang rendah. Tambah sirap jagung, oregano, dan rosemary dan lada putih. Masukkan krim dengan panas. Masak tambah baki serbuk baking sudu 1 dan garam. Bakar di 350F untuk 2 hingga jam 1. Hidangkan panas.
Hasil: servis 6
Sekarang, inilah contoh resipi yang dihasilkan oleh algoritma asas yang sama - tetapi bukannya data yang termasuk resipi pelbagai jenis, ia hanya kelihatan pada kek. Resipi itu tidak sempurna, tetapi ia jauh lebih baik daripada yang sebelumnya:
Kek Carrot (Vera Ladies ")
kek, alkohol
Campuran kek 1 pkg kuning
3 cawan tepung
Serbuk pembakar sudu 1
1 1 / 2 sudu baking soda
1/4 sudu teh garam
1 sudu kayu manis
Haluskan teh halus 1
Ulas tanah teh 1 / 2
Serbuk pembakar sudu 1
1/2 sudu teh garam
1 sudu teh vanila
Telur 1, suhu bilik
1 cawan gula
1 sudu teh vanila
Pecah cincang 1
Panaskan ketuhar ke darjah 350. Tuangkan panci springform 9-inci.
Untuk membuat kek: Pukul telur pada kelajuan tinggi sehingga warna tebal dan kuning dan sisihkan. Dalam mangkuk yang berasingan, pukul putih telur hingga kaku. Keluarkan yang pertama seperti campuran ke dalam panci yang disediakan dan kelancarkan adunan. Bakar di dalam ketuhar selama kira-kira 40 atau sehingga tudung gigi kayu dimasukkan ke tengah keluar bersih. Hebat di kuali untuk minit 10. Berpaling ke rak dawai untuk menyejukkan sepenuhnya.
Keluarkan kek dari kuali untuk menyejukkan sepenuhnya. Hidangkan panas.
HereCto Cookbook (1989) From the Kitchen & Hawn in the Canadian Living
Hasil: servis 16
Pasti, apabila anda melihat arahan dengan lebih teliti, ia menghasilkan hanya satu telur telur bakar tunggal. Tetapi ia masih diperbaiki. Apabila AI dibenarkan untuk membuat pengkhususan, hanya ada sedikit kurang untuk mengesan. Ia tidak perlu cuba untuk memikirkan bila menggunakan coklat dan apabila menggunakan kentang, apabila dibakar, atau apabila dimakan. Jika algoritma pertama cuba menjadi kotak ajaib yang boleh menghasilkan beras, ais krim dan pai, algoritma kedua cuba menjadi sesuatu yang lebih seperti pembakar roti - khusus untuk satu tugas sahaja.
Pemaju yang melatih algoritma mesin pembelajaran mendapati bahawa ia sering masuk akal untuk membina toksik dan bukannya keajaiban. Itu mungkin kelihatan tidak wajar, kerana AIs fiksyen sains Barat cenderung menyerupai C-3PO dalam Star Wars atau WALL-E dalam filem eponim - contoh kecerdasan umum buatan (AGI), automata yang dapat berinteraksi dengan dunia seperti manusia, dan mengendalikan banyak tugas yang berbeza. Tetapi banyak syarikat tidak kelihatan - dan berjaya - menggunakan pembelajaran mesin untuk mencapai matlamat yang lebih terhad. Satu algoritma mungkin menjadi chatbot yang mengendalikan pelbagai soalan asas pelanggan tentang bil telefon mereka. Satu lagi mungkin membuat ramalan tentang apa yang pelanggan panggil untuk berbincang, memaparkan ramalan ini untuk wakil manusia yang menjawab telefon. Ini adalah contoh tiruan sempit kecerdasan (ANI) - terhad kepada fungsi yang sempit. Sebaliknya, Facebook baru-baru ini telah bersara dengan 'M' chatbot, yang tidak pernah berjaya dalam tujuan mengendalikan tempahan hotel, menempah tiket teater, mengatur lawatan burung nuri, dan banyak lagi.
Alasan kami mempunyai ANI tingkat pemanggang bukannya AGI WALL-E-level adalah bahawa sebarang algoritma yang cuba untuk umum teruk pada pelbagai tugas yang dihadapi.
Untuk contoh, inilah algoritma yang dilatih untuk menghasilkan gambar berdasarkan kapsyen.
Ini adalah cubaannya untuk membuat gambar dari frasa: 'burung ini berwarna kuning dengan kepalanya dan mempunyai paruh yang sangat pendek'.
Apabila ia telah dilatih dalam dataset yang terdiri sepenuhnya dari burung, ia melakukannya dengan baik (walaupun tanduk unicorn aneh):
Tetapi apabila tugasnya dijana apa-apa - dari tanda-tanda berhenti ke kapal untuk lembu kepada orang - ia bergelut. Berikut adalah percubaan untuk menghasilkan 'imej seorang gadis yang memakan kepingan besar pizza':
Kami tidak biasa memikirkan ada jurang yang besar antara satu algoritma yang melakukan satu perkara dengan baik, dan algoritma yang melakukan banyak perkara dengan baik. Tetapi sekarang kita sekarang algoritma mempunyai daya mental yang sangat terhad berbanding dengan otak manusia, dan setiap tugas baru menyebarkan mereka lebih kurus. Fikirkan perkakas berukuran toaster: mudah dibina dalam beberapa slot dan beberapa gegelung pemanasan supaya dapat roti bakar. Tetapi itu meninggalkan sedikit ruang untuk apa-apa lagi. Sekiranya anda cuba menambah fungsi berasaskan nasi dan ais krim, anda perlu melepaskan salah satu slot roti sekurang-kurangnya, dan mungkin tidak akan baik pada apa-apa.
Terdapat helah yang digunakan oleh pengaturcara untuk mendapatkan lebih banyak daripada algoritma ANI. Satu adalah pembelajaran pemindahan: melatih algoritma untuk melakukan satu tugas, dan ia boleh belajar untuk melakukan tugas yang berbeza tetapi berkait rapat selepas latihan semula yang minimum. Orang menggunakan pembelajaran pemindahan untuk melatih algoritma pengiktirafan imej, contohnya. Algoritma yang telah belajar untuk mengenal pasti haiwan telah mendapat banyak cara dalam mengesan kemahiran mengesan dan menguji tekstur tepi, yang boleh bergerak ke arah untuk mengenal pasti buah-buahan. Tetapi, jika anda melatih semula algoritma untuk mengenal pasti buah, satu fenomena dipanggil melupakan malapetaka bermaksud bahawa ia tidak akan lagi ingat bagaimana untuk mengenal pasti haiwan.
Satu lagi helah yang digunakan oleh algoritma hari ini ialah modularity. Daripada satu algoritma tunggal yang dapat mengatasi sebarang masalah, AIs masa depan mungkin merupakan kumpulan instrumen yang sangat khusus. Algoritma yang belajar untuk memainkan permainan video Durasi, misalnya, mempunyai modul memori, pengawas, dan modul yang berasingan. Modul-modul yang saling terhubung juga boleh memberikan kelebihan daripada kegagalan, dan mekanisme untuk mengundi pada penyelesaian terbaik untuk masalah berdasarkan pelbagai pendekatan yang berbeza. Mereka mungkin juga merupakan cara untuk mengesan dan menyelesaikan masalah kesilapan algoritma. Ia biasanya sukar untuk mengetahui bagaimana algoritma individu membuat keputusannya, tetapi jika keputusan dibuat oleh sub-algoritma yang bekerjasama, kita sekurang-kurangnya boleh melihat setiap sub-algoritma output.
Apabila kita membayangkan AIs masa depan yang jauh, mungkin WALL-E dan C-3PO bukanlah droid yang perlu kita cari. Sebaliknya, kita mungkin menggambarkan sesuatu yang lebih seperti telefon pintar yang penuh dengan aplikasinya, atau almari dapur yang dipenuhi dengan alat. Semasa kami menyediakan untuk algoritma dunia, kami perlu memastikan bahawa kami tidak merancang untuk berfikir, kotak-kotak ajaib yang tidak boleh dibina, tetapi sebaliknya untuk bakteria yang khusus.
Tentang Pengarang
Janelle Shane melatih rangkaian saraf untuk menulis humor di aiweirdness.com. Dia juga seorang saintis penyelidikan dalam bidang optik, dan tinggal di Boulder, Colorado.
Artikel ini pada asalnya diterbitkan pada Aeon dan telah diterbitkan semula di bawah Creative Commons.
Buku berkaitan:
at InnerSelf Market dan Amazon
