Robin Li: Yapay zeka, insan gibi olmamalı Şimdi birçok zeka sahte!
Sorumlu Editör | Hu Weiwei
Üretildi | CSDN (ID: CSDNNews)
23 Ağustos'ta Pekin saatinde, ilk Çin Uluslararası Akıllı Endüstri Fuarı'nın Büyük Veri Zekası Zirvesi'nde Baidu Yönetim Kurulu Başkanı ve CEO'su Robin Li, "Akıllı Şehirlerde Yeni Yapay Zeka Düşüncesi" başlıklı bir açılış konuşması yaptı.
Li Yanhong konuşuyor
Konuşmasında yapay zeka ile ilgili güncel üç yanlış anlamadan bahsetti.
Li Yanhong'a göre ilk yanlış anlaşılma, Yapay zeka insanlara benzememeli "Enerjimiz insana benzeyen bir makinenin nasıl yapılacağına veya bu makinenin yürümeyi, koşmayı ve merdivenlerden inip çıkmayı öğrenmesini sağlamak için harcanmamalı. Bu mekanik çağın düşüncesi. Makineyi bırakmak istiyorsak İnsan el emeği yerine, sanayileşmiş çağda bu sorunu çözdük. (Şimdi) çözmek istediğimiz şey makinelerin insanlar gibi düşünmesini sağlamak. "
İkinci yanlış anlaşılma, dedi Li Yanhong, İnsan beyninin çalışmasını inceleyerek makinelerin insanlar gibi düşünmesini sağlamak imkansızdır. . Li Yanhong, insanların insan beyninin nasıl çalıştığını ve insan beyninin çalışma prensibini taklit etmek için makinelerin nasıl kullanılacağını henüz anlamadıklarını söyledi. Bu nedenle yapay zeka, insan beyninin gerçekleştirebileceği değeri veya işlevi gerçekleştirmek için makineler kullanmalıdır.
Robin Li, üçüncü yanlış anlamanın "yapay zeka tehdit teorisi" ile ilgili olduğuna inanıyor, İnsanların yapay zekanın kendilerini "tehdit etmesi" konusunda endişelenmesine gerek yok . "Bunun endişelenmeye gerek olduğunu sanmıyorum. Çünkü günlük teknik araştırma yaptığımızda, düşündüğümüzden çok daha zor olduğunu keşfedeceğiz. Bırakın makine bir insan gibi düşünsün, sözde AGI (Yapay genel zeka: genel yapay zeka) aslında bizden çok uzak. "
Yapay zeka 1950'lerde doğdu. Son teknoloji disiplinler arası bir konu olarak, birçok iniş ve çıkış oldu ve hiçbir zaman birleşik bir tanım olmadı. Bununla ilgili birçok yanlış anlama da var. Robin Linin konuşmasından, bunlardan birini görebiliriz. iki. AI tartışmasıyla ilgili olarak, CSDN de herkes için bir çeviri yaptı.Aşağıdaki metin biraz uzun, ancak bir göz atmaya değer kuru mallarla dolu.
Birincisi, AI hakkında derin bir anlayışa sahip olmalıyız; ikincisi, AI'yı nasıl daha iyi geliştireceğimizi bilmeliyiz. Ancak bu iki nokta karşılandığında, yapay zekanın ilerlemesini değerlendirmeye hak kazanırız.
Çoğu disiplinin kendi ilerleme değerlendirmeleri için çok net standartları vardır. Ancak yapay zeka bir istisnadır. Kendi ilerlemesini değerlendirmek için diğer en az altı alandan yöntem ve standartları ödünç alması gerekir. Altı alan:
1. Bilim;
2. Mühendislik;
3. Matematik;
4. Felsefe;
5. Tasarım;
6. Gösteri.
Bu yaklaşım genellikle bazı sorunlara neden olur. Değerlendirme kriterleri çok çeşitlidir ve farklı alanlar farklı araştırma yönlerine odaklanır. Hangi yöntemi kullanmalı? Hangi sonuçlar daha önemlidir? Ilerleme nasıl? Bu sorunlara yanıt olarak farklı alanların kaçınılmaz olarak farklılıkları olacaktır.
Yapay zeka kendini sınırlamak için neden diğer disiplinlerden birden fazla değerlendirme standardı kullanıyor? Kendi gelişme yönüne karar veremez mi?
Aslında durum böyledir, AI, Boynuz Kanatlı Tavşana benzer, birden fazla disiplinin birleşimidir. Tek bir konu standardı ile yapay zekanın objektif ve kapsamlı bir değerlendirmesini yapmak zordur.
Boynuz Kanatlı Tavşan: Almanya'nın Bavyera dağ ormanlarında bulunan efsanevi bir yaratıktır. Gövdesi bir sincap ya da tavşan gibidir, genellikle yarasaya benzer kanatları, geyik boynuzları ve keskin dişleri vardır.
Bu makale, herkesin Boynuz Kanatlı Tavşanı nasıl uçuracağını düşünmesine yardımcı olacak bir çerçeve sunmaktadır. Çerçeve yanıltıcı değildir, uygulanmaktadır: Altı farklı disiplinin farklı bakış açılarını ve bu altı disiplinin yapay zeka araştırmalarındaki farklı rollerini kapsar. Ar-Ge personeline ve belirli projelere bağlı olarak, bu altı disiplin en iyi sonuçları elde etmek için birleşebilir. İnsanlar, belirli disiplinlerin ağırlığını artırmak için ikna edici argümanlar öne sürebilirler.
YZ'nin değerlendirilmesi üç boyuttan ele alınmalıdır: çözülecek sorun, benimsenen strateji ve uygulama yöntemi. Yapay zeka uygulamalarını geliştirmek için daha fazla bilimsel deney yapılmasını savunuyorum; ilginç felsefi konuları takip ediyorum; tasarım uygulamalarını daha iyi anlıyor ve muhteşem gösteri efektleri yaratmaya daha fazla dikkat ediyorum. Bu noktalar aşağıda ayrıntılı olarak açıklanacaktır.
Çerçeve esas olarak AI uygulayıcıları içindir. Genel halk için, şu soru hakkında daha fazla endişe duyabilirler: süper zeki YZ'nin işimi tamamlamama yardım etmesi ne kadar sürer, böylece iş olmadan zengin olabiliriz. Ayrıntılı değerlendirme çerçevesinin derinlemesine analizini gerektiren rasyonel bir sonuca varmanın çok karmaşık olduğunu düşünüyorum.
Ancak, bu makaledeki bakış açım ortaya çıkar çıkmaz bazı şüpheler geldi. Yapay zeka, bilimsel teori testlerini görmezden geliyor, Ve bildiklerinin çoğu yanlış olabilir. Dahası, AI sonuçlarının bazı gösterileri genellikle yanıltıcıdır.
Daha sonra, bu makale, her biri altı disiplin standardını ve AI'daki rollerini açıklayan altı bölüme ayrılacak ve ardından, sanırım altı disiplin ağırlığını yeniden belirleyen sonuç bölümü.
Bilim
Bilimsel ilerlemeyi ölçmek için ana göstergeler şunlardır:
1. Yeni keşfedilen gerçek;
2. Daha geniş bir açıklama;
3. Sıradan merakla ilişkili, ancak tamamen aynı olmayan, ayırt edici bir "ilginç" duygusu.
Sırayla detaylandıralım.
En büyük kusur
1950'lerden 1980'lere kadar olan ve "Eski Moda Yapay Zeka" (GOFAI) olarak adlandırılan ana akım yapay zeka araştırma projesi, buna olan ilgisini kaybetti. GOFAI bir zamanlar heyecan vericiydi çünkü bilginin, muhakemenin, algının ve eylemin nasıl işlediğine dair ilginç ve makul açıklamalar sağladı.
On yıllardır bu teorileri uygulamaya koymakta başarısız olduk ve bu amaca ulaştığımızda tanınmıyoruz. Bildiğimiz neredeyse her şey yanlış. GOFAI araştırma projesi, 1990 civarında tamamen kaldırıldı.
Ayer gençken mantıksal pozitivizmin destekçisiydi. Bu teori başarısız olunca insanlar ona sordu: "Geriye dönüp bakınca bu hareketin temel kusuru nedir sizce?" Diye cevapladı. " En büyük dezavantaj, neredeyse her şeyin sahte olmasıdır! "
GOFAI'nin birçok kusuru var, ancak asıl sorun neredeyse tüm kusurların sahte olmasıdır. Bunu daha önce fark etmeliydik, ama çok güzel şeyler yapabileceğimizi düşünerek, büyüleyici felsefi ve psikolojik problemlerle dikkatimiz dağıldı!
Mevcut yapay zeka söz konusu olduğunda en önemli soru şudur: Hangi kısımları doğru? Başka avantajları veya dezavantajları olabilir, ancak bunlar, hangi bölümlerin doğru olduğunu belirlemek için yeterli bilimsel araştırma tamamlanıncaya kadar ikincildir.
Bilim, olası deneyler veya diğer gözlemlerle dünyanın nasıl çalıştığını anlamayı amaçlar. AI'da deney abartılıdır.
Daha da iyisi: Tamamen kontrollü koşullar altında mükemmel ve tekrarlayan deneyler yapıyoruz! Bilimsel araştırmalarla karşı karşıya olduğumda, neredeyse hiçbir alan yok, çok uygun olduğumu söylemeye cesaret ediyorum.
Bununla birlikte, hipotezler veya deneyler dahil olmak üzere yapay zeka araştırmaları yaygın değildir. Makale raporunun içeriği genellikle bir deney gibi görünür, ancak gerçekte şuna eşdeğerdir: X mimarisini Y görevine uygularız ve ardından% Z oranında doğru bir oran elde ederiz.
Burada belirli bir varsayım yok. Bir hipotez olmadan, deney bilim dışıdır, onu yeni kaydettiniz, bir gerçek.
AI'yı açıklayın
Teori makul bir şekilde açıklanabiliyorsa, o zaman katı bir formülden çok daha sezgisel olacaktır. Zorunlu bir gereklilik olmamasına rağmen, yorumlama aslında bilimsel ilerleme için bir standarttır. İyi bir deney, veriler dışındaki tüm yorumlama biçimlerini ortadan kaldırmak için kontrol yöntemlerini kullanmalıdır.
Algoritmanız% Z doğru, neden? Bu, benzer sorunların performansı için ne anlama geliyor? AI belgeleri genellikle sadece spekülasyondur. Cevap "% Z'yi doğru bulduk, çünkü X mimarisi çok güçlü ve sizin için de yararlı olabilir!"
Makale, "W mimarisine dayanan önceki makale, mevcut sürüm bir öncekinden% Z daha iyidir" diyebilir, bu da X'in W'den daha iyi olduğu anlamına gelir. Ama bu yeterince inandırıcı mı?
GOFAI ile karşılaştırıldığında, mevcut makine öğrenimi araştırması açıklamaya öncelik vermiyor. Alan bazen onlara direniyor gibi görünüyor. Bilimsel standartlar söz konusu olduğunda, kesin bir açıklayıcı hipotez testi yoksa, sadece ilginç bir şey bırakacaksınız. Çoğu durumda, yapay zekanın halka açık gösteriminin ana içeriği eğlence.
"Bu yıl% Z oranında doğru bir orana ulaştık, geçen yılın aynı dönemindeki doğru oran sadece% (Z-) idi." Bu ilerleme gibi geliyor ama mantıklı geliyor mu?
Belirli bir sorunu gerçekten bir çözüm yoluyla iyileştirmek istiyorsanız, bir sonraki bölümde tartışacağım mühendislik sürecini izlemeniz gerekir. İyileştirmenin kaynağını anlamadığınız sürece, bu bilimsel ilerleme değildir.
Genellikle bunu kapsamlı ve titiz deneyimler olmadan yapamazsınız. Başarıya götüren faktörleri izole etmek için görevin birden çok çeşidini sistematik olarak test etmeniz gerekir. Ayrıca diğer mimarileri test etmeniz ve diğer görevleri tamamlamanız gerekir.
İş çok zor. Birçok araştırmacı bazı deneyler yaptı. Bununla birlikte, hipotezi tam olarak test etmek için, alanın tamamının ihtiyacı vardır ancak genellikle eksik kısımları doldurmaz. Kantitatif kıyaslama rekabeti kültürü, bilimi değil teorik yamaları teşvik eder.
Son zamanlarda heyecanlanan birçok yapay zeka "buluşunda", görünüşte en bariz ve önemli kontrol deneylerinin eksikliği var. (Bunlardan birkaçını aşağıda tartışmak niyetindeyim.)
Yapay zeka bilimsel olarak ilginç mi?
Yapay zeka, yapay zekayı araştırdığı için, temel konularının bilimsel bir önemi olmayabilir. Sadece yapay zeka sisteminin kasıtlı olarak doğal zekayı simüle ettiği ölçüde biyoloji ile ilgileniyorlar; veya bir dereceye kadar görevi tamamlayabilecek tek bir hesaplama türü olduğunu söyleyebilirsin. Bu nedenle biyoloji ve yapay zeka aynı olmalıdır. Örneğin bu, görme işlemenin erken aşamaları için geçerli olabilir.
YZ'nin özü, hesaplanabilen doğada (bilim), bugün hesaplanabilen şeylerde (mühendislik) ve sınırsız kaynakların ilkeli hesaplamalarında (matematik) yatmaz.
Gerçek özü, çok uzak olmayan bir gelecekte hesaplayacağımız şeyde yatıyor. Bu makalede belirtildiği gibi, AI'nın eğlenceli standardının bilim, mühendislik veya matematikten çok zihin felsefesine daha yakın olduğunu öneriyorum.
Tekrarlanabilirlik reform hareketinden öğrenmek
Feynman, ünlü "Mal Kültü" nde bilimin "ilk prensibi" olması gerektiğine işaret etti: Kendini kandıramazsın, en kolay aldatılan kişisin. Bu yüzden çok dikkatli olmalısın. Kendinizi kandırmadığınız sürece, diğer bilim adamlarını kandırmak kolay değildir.
Psikolojinin "tekrarlanabilir krizi", birçok bilim alanının kendilerini büyük ölçüde aldattığını göstermektedir. Yayınlanan araştırma sonuçlarının çoğu yanlış.
Bu sorunla karşı karşıya olan birçok alan var ve sosyal psikoloji de bunlardan biri. Psikologlar etkileyici geriye dönük analizler yapıyor ve reform yapmaya çalışıyorlar. Bu alandaki bilim adamları, aşağıdaki durumlarda büyük olasılıkla yanlış sonuçlar çıkarabileceklerini keşfettiler:
- Araştırmacılar, insan doğası ve günlük yaşam üzerinde etkisi olan dramatik ve şaşırtıcı teoriler peşinde;
- Araştırmacılar, keşfin ötesine geçmek ve halka açıklarken abartmak için medyayla birlikte çalışırlar;
- Araştırmacılar, sonuçlarını gerçeğe göre açıklayabilir;
- Araştırmacılar boş sonuçlar ("başarısızlık") bildirmezler;
- Araştırmacılar sorunları bulmak için nadiren birbirlerinin çalışmalarını tekrar ederler;
- Araştırmacılar çalışmalarını ayrıntılı olarak kaydetmeyecekler ve kimse çalışmalarını kontrol edemeyecek;
- Yetersiz deneme ölçeği (birden çok boyuttan yalnızca birini seçin);
- Kontrol eksikliği veya eksikliği (çeşitli şekillerde);
- Teorinin sınırlarını bulmak için deney sistematik olarak değişmedi.
Bu bilimsel uygulamaların başarısızlığı yapay zeka araştırmalarında yaygındır ve on yıl önce sosyal psikoloji ile aynı gibi görünüyor. Psikolojik deneyime göre, bilimsel olarak yanlış olan birçok varsayımsal AI sonucu beklemeliyiz.
Psikoloji ve yapay zeka sahte bilim değildir. Topluluğun normlara dair kötü algıları var: yeni gerçeklere güvenilir bir şekilde yol açamayan normlar. Bireysel araştırmacılar, diğer başarılı insanların ayak izlerini körü körüne takip ediyor. Sosyal reform hareketi olmadan bunu yapmalarını bekleyemeyiz.
Heyecan verici olan şey, psikologların bu konuları ciddiye almasıdır. Bu bilimsel uygulamanın başarısızlığını önlemek için yeni bilişsel normlar formüle ediyorlar. Bu reformlar gerçek, açıklayıcı ve ilginç teorik keşifleri daha yaygın hale getirmelidir.
AI, uygulama standartlarını iyileştirmek için psikoloji deneyiminden öğrenebilir mi? Bence olabilir ve olmalı!
Başka bir deyişle, AI geyik kanatlı bir tavşandır. Bu sadece bilim değil, belki de tekrarlanabilirlik hareketinin egemenliğini takip etmekten daha fazlasıdır.
mühendislik
Mühendislik, iyi sonuçlarla pratik çözümler üretmek için iyi bilinen teknik yöntemleri pratik problemlere uygular.
Mühendislik ilerleme standartları bilimden çok farklıdır. Mühendislik süreci sırasında yeni gerçekler veya açıklamalar keşfederseniz, bu yalnızca tesadüfi olabilir. Bilimsel anlamda mühendislik "ilginç" olmamalı, aksine gerçek değer ürettiğinde heyecan vericidir.
Mühendislik, çözümleri net sınırlar içinde bulur ve net hedefleri optimize eder. Birkaç tipik olan vardır ve genellikle aralarında bir değiş tokuş vardır. Örneğin: maliyet, güvenlik, dayanıklılık, güvenilirlik, kullanım kolaylığı ve kolay bakım.
AI araştırmacıları genellikle mühendislik uygulaması yaptıklarını iddia ederler. Bilimsel deneyler yapmadıklarına işaret ettiğinizde, bu ifade iyi bir kalkandır: "Evet, sadece bu küçük parçanın daha iyi çalışması için mühendislik yapıyorum."
Felsefi düşüncelerin ilişkili faktörler olduğunu ileri sürdüğünüzde, cevapları çok ironik geliyor: "Ben gerçek bir iş yapıyorum, bu hayali şeyler alakasız. Bir mühendis olarak ben bir materyalistim. Aktivistler. "
Bazı AI işleri gerçek projelerdir. Aşağıdakiler değerlendirme kriterleridir:
- Ayırt edici teknik yöntemler benimsedi mi? Bazen; ancak çok az AI yöntemi anlaşılabilir.
- Açık gerçek sorunu çözüyor mu? Bazen; ancak araştırmada, yapay zeka genellikle pratik problemlerden ziyade oyuncak problemlerine uygulanır; endüstride, belirgin olmayan özellikler hakkındaki kafa karışıklığı.
- İyi bilinen pratik bir çözüm üretti mi? Bazen "Reklam tıklama oranımız% 0,73 arttı" diyebilirsiniz, ancak nedenini bilmiyorsanız tıklama oranı yarın düşebilir.
"Veri bilimi", bir dereceye kadar, kaotik gerçek problemlere uygulanan bir AI (makine öğrenimi) yöntemidir. Bazen bu çok etkilidir. Veri bilimciler hakkında fazla bir şey bilmiyorum ama benim izlenimim, yapay zeka yöntemlerinin anlaşılmazlığı ve güvenilmezliği sinir bozucu olduğu yönünde.
Görüşleri daha çok mühendislerin görüşlerine benziyor. Ve iyi karakterize edilmiş istatistiksel yöntemlerin pratikte makine öğreniminden daha iyi olduğunu bulduklarını duydum.
Projenin yanında, yeni teknolojilerin ve yöntemlerin geliştirilmesi yer almaktadır. Bu, çoğu yapay zekanın favorisidir. Bu, özellikle yeni sistem mimarisinin rakipten% Z daha iyi olduğunu kanıtladığınızda tatmin edicidir.
Kriterlerle ilgili olarak, herkes rekabet ediyor. Bu güvenilir bir şekilde gerçek dünya pratiğine dönüşüyor mu? Çoğu yapay zeka araştırmacısı keşfetmek için zaman harcamak istemiyor. Mühendislik ile karşılaştırıldığında, yapay zekanın bu yönünün tasarımla daha çok ortak noktası vardır.
Bunu yapabildiğiniz zaman, mühendislik harikadır. AI daha çok mühendislik gibi olmalı mı? Çok çaba sarf ederek, yapay zeka araştırmalarında geliştirilen yöntemler bazen iyi karakterize edilebilir, böylece mühendisler bu yöntemleri sıklıkla kullanabilir.
O zaman herkes ona "AI" demez. Bu sinir bozucu olabilir: Ne zaman çok iyi bir şey yapsak, elimizden alınır ve alan hak ettiği güveni alamaz.
Hiç şüphe yok ki, yapay zeka araştırması, yazılım teknolojisindeki en önemli gelişmelerin çoğundan ayrılmıştır. (Hash tablosunun (Hash table) her zaman gelişmiş ve anlaşılmaz bir yapay zeka teknolojisi olarak kabul edildiğini biliyor musunuz?) Ekonomik açıdan bakıldığında, yapay zeka araştırması yatırıma çok değer.
Bununla birlikte, bir kelimenin anlamı amacında yatmaktadır. "AI", "şaşırtıcı derecede karmaşık veya varsayımsal olabilen yazılım, ancak neden çalıştığını anlamıyoruz" anlamına gelir. Bu, mühendislik değildir.
matematik
Bilim gibi, matematik de ilginç açıklayıcı gerçekleri keşfetmeyi amaçlar. "İlginç", "açıklama" ve "gerçek" kelimelerinin anlamları tamamen farklıdır, tıpkı yöntem kanıtı ve deney gibi, tamamen farklıdırlar.
Yapay zeka tarihi boyunca, matematiğin derinliklerine indi ve sonuçları hem yapay zeka hem de matematik alanlarına yardımcı oldu. Bu genellikle güçlü bir sinerjiye sahiptir.
Başka bir deyişle, yapay zeka'daki matematik, ilginç, açıklayıcı ve gerçek duyguların değerlendirme kriterleri yanıltıcı olabilir.
Algoritmanın asimptotik yakınsamasının kanıtı tipik bir örnektir. İspatın teknik olarak doğru olduğunu varsayarsak, matematiksel anlamda doğru olmalıdır.
Matematiksel olarak açıklanmış bir yapı sergileyebilir. Örneğin, önemli ölçüde genelleştirilmişse, erken sonuçlar matematiksel olarak ilginçtir.
Asimptotik yakınsamanın çoğu kanıtı doğru, açıklayıcı veya farklı standartlara sahip AI için ilginç değildir. AI, fiziksel gerçekleştirilebilirlikle ilgilidir. Bu mutlaka "mevcut teknoloji kullanılarak ulaşılabilir" anlamına gelmez, ancak en azından "prensipte ulaşılabilir" anlamına gelir.
Algoritmanın doğru yanıtı "yakınsama" aldığını göstermenin sonucu bize fiziksel fizibiliteyi anlatır. Hızlı aritmetik, 10 ila 100 GPU üzerinde çalışan bir algoritmanın bir trilyon yıl sonra hala cevaptan uzak olduğunu gösteriyorsa, o zaman kanıt, tıpkı AI gibi doğru, açıklayıcı veya ilginç değildir.
Aksine, algoritmanın gerçekçi bir donanım miktarı üzerinde makul bir hızla yakınlaşacağını kanıtlayamazsanız, yapay zeka değil, matematik kadar ilginç olabilir.
Matematik çok değerli bir araçtır. Yapay zekada, onu iyi kullanmak için matematiğin kendi dış değerlendirme kriterlerini aşması gerekir.
Felsefe
Bilim ve matematik gibi analitik felsefe de ilginç açıklayıcı gerçekleri bulmayı amaçlar. "İlginç", "açıklama" ve "gerçek" gibi kendi fikirleri vardır.
Genel olarak, filozoflar doğru olduğuna inandıkları "sezgilerle" başlarlar ve sonra doğru olduklarını tartışarak kanıtlamaya çalışırlar. Doğruluk standardı olan "ikna edici sezgisel argüman" yapay zeka üzerinde olumsuz bir etkiye sahip olduğunu düşünüyorum.
Bilimsel olarak daha iyi standart olan "nötr hipotez testi" ile çelişir. Sürekli olarak yetersiz kanıta dayalı olarak yapay zekaya yol açtı ve abartıldı. Analitik felsefe ve sinirbilim arasındaki anormal ilişkinin yapay zekayı yanılttığına inanıyorum.
Öte yandan, analitik felsefenin psikolojik standardı, neyin "ilginç" kabul edildiğine ilişkin olarak, büyük ölçüde AI ile örtüşmektedir. Yapay zeka, başlangıcından bu yana her zaman "uygulamalı felsefe" veya "deneysel felsefe" veya "felsefe tarafından yapılan malzeme" olmuştur. Felsefi sezginin sadece tartışmak yerine teknik olarak kanıtlanabileceğini umuyorum ki bu daha ikna edici olacaktır.
Çoğu psikanalitik filozofun kanıtlamak istediği iki temel sezgi şunlardır:
1. Materyalizm (zihin ve beden düalizminin aksine): Spiritüel şeyler aslında beyninizin maddi içeriğidir.
2. Bilişselcilik (davranışçılığın aksine): İnançlarınız var, varsayımlar üzerinde düşünün, planlar yapın ve önermelerden sonuçlara kadar mantığınız var.
Bunlar açıkça çelişkili. "Varsayımlar" maddi şeyler gibi görünmüyor. Bu, görülmesi zor bir inanç.
Bu gerilim GOFAI için sorunlara neden oldu ve teknik uygulama yoluyla çözümünün olası tüm şüphelerin ötesinde olduğu kanıtlanabilir.
GOFAI makalesi temel olarak bir uygulamayı açıklar: Gizmo mimarisi (bunun hakkında tasarım bölümünde bahsedeceğim). Genellikle bilimsel içeriği çok az olan bir "deney" i de tanımlarlar: "Bir programı üç küçük girdi üzerinde çalıştırırız ve istenen çıktıyı üretir."
GOFAI makalesinin heyecan verici kısmı açıklayıcı argümandır. Küçük icatların yapısından başlayarak, zihin üzerine felsefi önermeler yaptık.
Plan, "deneyimden öğrenmek" veya "bilgiden akıl yürütmektir". Algoritması, bu zihinsel süreçlerin en azından kabaca nasıl işlediğini ve bazı durumlarda insan olabileceğini açıklıyor.
Bu iddialar, bilimsel dayanakları olmadığı için genellikle abartılıyor. Aslında, program etiketlerle grafiksel bir yapı oluşturur. Biz buna "bilgi" diyoruz.
Bu algoritmalar "öğreniyor" mu yoksa "muhakeme" mi? Sonuçta bununla ilgili hiçbir gerçek yok. Ancak en azından tartışma gerektiriyor.Hikayenin içeriğinin çoğu eksik.
Hepimiz GOFAI'yi bu kadar uzun süre mi suçladık? Bunun analitik felsefenin düşünme tarzını miras aldığını düşünüyorum: metafizik sezgiyi kanıtlamak için anlatı argümanını kullanmaya çalışmak. Haklı olduğumuzu biliyoruz, sadece kanıtlamak istiyoruz. Bunu kanıtlamaya başladığımız yol, deneyden çok gösteriydi.
Sonunda, GOFAI'nin gündeminin önündeki engel sadece sınırlı bir teknoloji veya bilimsel bilgi meselesi değil, bir ilke meselesi gibi görünüyor ve çöktü.
Bu noktada, bazılarımız YZ'nin temel felsefi varsayımını, bilişselliğin davranışçılığa tek alternatif olduğunu sorgulamak için geri döndük. Yeni bir araştırma alanı başlattık, üçüncü bir alternatifin peşine düştük, interaktif ve farklı felsefi yöntemlerden ilham aldık.
Yapay zekanın "ilginçliği" için en iyi standardın felsefi olduğuna inanıyorum, bu yüzden yapay zeka araştırması için doğru yön felsefi konuları çalışmaktır. Öyleyse, yeni bir felsefi yöntem doğru harekettir! Bunun lehine kanıt, birkaç teknolojik ilerlemedir. Belki bu işi daha ileriye götürebiliriz ve almalıyız.
GOFAI'nin çöküşünden sonra filozoflar yapay zekayı terk etti. Çoğu insan hala bilişe bağlı, bu yüzden sinirbilime geçmeyi umacaklar. Beyin açıkça fiziksel, zihinsel ve bilişseldir, dolayısıyla materyalizm ve bilişselliğin doğru olduğunun açık bir kanıtıdır.
Bu nedenle, gerçekler tespit edildi ve düşüncelerin ilginç olduğunu söylemeye gerek yok, bu yüzden tek ihtiyacımız olan bir açıklama. Filozoflar, sinirbilimcileri, sonuçlarını açıklamak için bilişsel terimleri kullanmaya teşvik eder. Sanırım bu, yapay zekayı çarpıtmanın kabaca aynı yolu, sinirbilimi çarpıtıyor.
Otuz yıl sonra, beynin nasıl çalıştığı hakkında hâlâ hiçbir şey bilmiyoruz. Nasıl düşündüğümüzü ve bizi neyin insan yaptığını anlamak istiyoruz! Ancak, gerçek şu ki, göz hareketine dahil olan 30 kadar hücre çekirdeği vardır!
Tam bir anlayış olmadan beyin çok büyülü görünür. Öyleyse, onları bilimsel olarak anlamak yerine, neden simüle edip aynı gücü elde etmiyorsunuz? Belki de anlayış kazanmak için simüle edilmiş beyin üzerinde deneyler yapmak gerçek beyinden daha kolaydır.
AI, başından beri bu yaklaşımı GOFAI ile paralel olarak kullanıyor. Bu araştırmanın çoğu McCullough ve Pitts'in 1943 nöron modelinden geliyor. O zamanki bilgi durumu göz önüne alındığında, bu model biyolojik olarak makul.
Önerme mantığını uygulayarak, bunun hala "düşünce yasası" için bir aday olduğuna işaret ettiler. Sonraki geleneksel araştırma, motivasyonu biyolojik faktörler değil hesaplama faktörleri olan McCullough ve Pitts modeline teknik özellikler ekledi. Bunlardan en önemlisi, çağdaş "sinir ağları" ve "derin öğrenmenin" temel özelliği olan hata geri yayılım algoritmasıdır.
Aynı zamanda, sinirbilimin biyolojik nöronları anlaması daha karmaşık ve doğrudur. Bu iki görev arasında farklılıklar var. Bu nedenle, mevcut bilimsel bilgi açısından, AI "sinir ağları" sinir ağlarından tamamen farklıdır. Geri yayılımın kendisi biyolojik olarak mantıksız görünüyor.
Bu alandaki herkes bunu biliyor, ancak kıdemli araştırmacılar hala "sinir ağlarının" tıpkı beyin gibi nasıl çalıştığını konuşuyorlar. Aşağıda nedenlere değineceğim.
Araştırma planınızı umut dolu kılan nedir? Amacımız insan zekası, sinir ağımız, insan beyni gibi çalışıyor.
Bu sistemlerin neden çalıştığını açıklayamazsınız. Bu bir problem değil mi? Beynin nasıl çalıştığını bilmiyoruz ama yapıyorlar ve sinir ağları da öyle.
Nasıl, ne zaman ve neden çalıştıklarını öğrenmek için daha çok çalışmanız gerekmez mi? Hayır, bu imkansız. Beyin çok büyüktür; onları analitik olarak anlayamazsınız.
Bazı insanlar belirli "sinir ağlarını" analiz ettiklerini ve nasıl çalıştıklarını anladıklarını söylüyor. Sonuç olarak, bazı sıkıcı şeyler yaptılar, kNN'ye eşdeğer, hatta sadece gerileme.
Ama görüyorsunuz, matematiksel olarak sinir ağlarının herhangi bir hesaplamayı esnek bir şekilde yapabildiğini kanıtladık. Beyin gibi. Telefonum da iyi. Evet, ancak cep telefonları beyin gibi değildir.
Bu bir abartı olabilir. Bununla birlikte, bazen varsayılan "beyin gibi çalışma" ifadesinin, araştırma projesinin neden bir bütün olarak başarılı olması gerektiğini açıkladığı ve ayrıntılarla ilgili teknik şüpheleri ortadan kaldırdığı da açıktır.
Bu, GOFAI'deki hata modeline benzer görünüyor. "Bilgi temsilimizin" insan bilgisi gibi olamayacağını biliyoruz ve nedeni görmezden gelmeyi seçiyoruz. Çağdaş "sinir ağı" araştırmacıları, algoritmalarının sinir ağlarından tamamen farklı olduğunu biliyor ve nedenlerini görmezden gelmeyi seçiyor.
GOFAI bazen insan muhakemesi hakkında abartılı ifadelerde bulunur; mevcut makine öğrenimi araştırmacıları bazen insan sezgisi hakkında abartılı ifadeler kullanır.
neden? Çünkü araştırmacılar, bilimsel sorular sormaktan ziyade, teknik uygulama yoluyla felsefi bir vaatleri önceden kanıtlamaya çalışıyorlar. Bu alan, elde edilen bilimsel bilgi yoluyla değil, ilerlemeyi ölçmek için ölçülebilir performans rekabetini kullanır.
tasarım
Yapay zeka araştırmacılarının sezgilerinin doğru olduğuna ve gerçekleştirmenin ve tanımlayıcı bilgisayar programlarının güçlü bir anlayış kaynağı olduğuna inanıyorum. Ama bu ne yapar? Gerçekleştirmeleri bilimsel deneylere benzetmek caziptir, ancak genellikle değildirler. Bunları mühendislik çözümleri olarak düşünmek cazip geliyor, ancak genellikle değiller. Bana göre "uygulama" en iyi bir tasarım çözümü olarak anlaşılır.
Yapay zeka araştırmasının gerçek uygulaması, elektrik mühendisliğinden çok mimari tasarıma benziyor. AI'ya bu açıdan bakmak, yinelenen ve yıkıcı yutturmaca kalıplarını açıklamaya yardımcı olabilir.
Tasarım görünümleri, teknik zorlukları ve boşa harcanan büyük enerji kaynaklarını ortadan kaldırarak AI uygulamalarını da iyileştirebilir.
Tasarımın özü
Tasarım, mühendislik gibi, faydalı eserler üretmeyi amaçlar. Tasarım mühendisliğin aksine, belirsizlik sorununu (tanımlanamayan özellikler) çözer; açık ve makul yöntemlerle sınırlı değildir, optimal çözümler yerine modaya uygun çözümler geliştirir.
Mühendislikte, açıkça belirlenmiş bir problem ifadesiyle başlarsınız. İlk olarak, rehberlik sürecinin anlamını ve kısıtlamalarını anlamak için onu analiz edin. Ancak sorunu tam olarak anladıktan sonra çözümü bir araya getirmeye başlarsınız.
Tasarım sadece analize değil senteze odaklanır. Sorun ifadesi belirsiz olduğu için yararlı bir rehberlik sağlamaz; ancak nihai çözümü de güçlü bir şekilde sınırlamaz. Sürecin ilk aşamalarından itibaren, spesifik problem durumundan önerilen güvenilir kısımları tasarlayın ve deneysel çözümü oluşturun. Analiz çok önemli değildir ve çoğu zaman çözümünüzün ne kadar iyi olduğunu değerlendirme sürecindedir.
Tasarım sorunları ve belirsizlikler nedeniyle en iyi çözüm yoktur. Başarılı bir tasarım, belirli bir sorunu çözdüğünüz anlamına gelmez, hem güzel hem de kullanışlı bir şey ürettiğiniz anlamına gelir.
Tasarım uygulaması
Sistematik, açık ve makul yöntemler tasarımda ikincildir. Bunların çoğu, bulanık çözüm standardının bulanık problemine uygulanamaz. Uzman tasarımcılar, "yaratıcılığa" ve "sezgiye" güvendiklerini söylüyorlar. Bu işe yaramaz, sadece "Nasıl yaptığımızı bilmiyoruz" anlamına gelir.
Aslında, tasarım yetenekleri büyük ölçüde görünmez ve anlaşılmazdır. Bu nedenle çıraklık yoluyla öğrenilmesi gerekir. Sınıfta öğrenmek veya okumak yerine.
Bununla birlikte, tasarım pratiği üzerine deneysel araştırma bize nasıl çalıştığına dair fikir verebilir.
Her şeyden önce, tasarımcının süreç boyunca problemin belirli detaylarıyla ilgilenmesi gerekir. Bunun aksine, mühendisler kaostan soyutlayarak esas olarak biçimsel alanlarda çalışırlar.
Olası tasarım yöntemleri mecazi olarak önerilmiştir. Tasarımcı, bu önerilere dayanarak bir dizi hızlı prototip model oluşturdu ve nasıl çalıştığını anlamaya çalıştı.
Mimarlar kartondan modeller oluşturur; AI araştırmacıları bunları kod aracılığıyla oluşturur. Bu prototipler mühendislik modelleri değil, titiz fiili testler gerektiren "taslaklar" dır.
Donald Schön, bu döngüyü "malzemelerle yansıtıcı bir diyalog" olarak tanımlıyor. Modelin bir sonraki adıma rehberlik etmesi için tekrar özgüllük sağlamasına izin verin. Nasıl çalışıp çalışmayacağını "görebilirsiniz".
Çeşitli olasılıkları deneyerek ve ardından gelecek vaat eden adayları yinelemeli olarak geliştirerek, problem alanı hakkında bir anlayış geliştirebilirsiniz. Kazanılan anlayış açıklayıcıdır, ancak genel tasarım bilgisi gibi, örtük ve anlaşılmaz teknik bilginin bir parçasıdır.
Tasarım sürecinde, problemin kendisi tekrar tekrar değiştirilir ve tüm problem hala akıcıdır. Başarmak istediğiniz şeyin tekrar tekrar değişeceğini düşünüyorsunuz. Çözüm, sorunu tanımlar ve bunun tersi de geçerlidir. Genel alanda modaya uygun bir şey yaratmak istiyorsunuz; "modaya uygun" bir şey, bunun yalnızca nihai ürünün belirli bir özelliği olarak görünmesi anlamına gelir.
Mühendisler için bu çok yetersiz görünüyor. Problemi tam olarak açıklamak, problem sayısını bulmak ve makul yöntemler kullanmak daha iyidir.
Bunu yapabilirseniz, bu genellikle en iyi yoldur. Bu yüzden proje değerlidir. Ancak gerçek dünyadaki birçok durum, açıkça tanımlanmış sorunları akıllıca çözmez.
Bir tasarım uygulaması olarak AI araştırması
Yukarıda bahsedildiği gibi, AI ile ilgili olarak, mühendislik bölümünde açıklandığı gibi, AI genellikle bulanık çözüm standartlarına sahip bulanık problemlere bulanık yöntemler uygular. (Örneğin, Mandarin'i İngilizceye çevirmek için bir sinir ağı kullanmak.) En azından bu durumda, tasarım pratiğine benzer.
Sorunu çözebilir ve doğruluğunu kanıtlayabilirseniz, yapay zeka değil, ana akım bilgisayar bilimi yapıyorsunuz demektir. Çeviri sorununun ne olduğunu kimse anlayamaz ve en iyi çeviri diye bir şey yoktur.
Ancak, bir yapay zeka araştırmacısı olarak amacınız insanları etkileyecek kadar iyi yapmaktır. Bu kesinlikle moda!
Böylece bir dizi hızlı ve kirli prototip oluşturmaya ve nasıl çalıştıklarını anlamak için bazı Mandarin metinlerinde denemeye başlıyorsunuz. Program farklı, iyi ve kötü çeviri kalıpları üretir.Bu kalıpların tam olarak ne olduğunu söylemek zor olabilir, ancak yavaş yavaş neyin yararlı ve neden olduğuna dair içgörüler geliştirirsiniz.
İlerledikçe çeviriniz, anlayışı değiştirmek anlamına gelir. Bu, doğal dil metinleri ve program yapıları dahil olmak üzere "belirli malzemelerle olan yansıtıcı diyaloğunuzdur".
Bu nedenle, AI'da, tam olarak açıklığa kavuşturamayabileceğimiz, anlayış kazanmak için belirli planlar oluştururuz. Yapay zeka konusunda uzmanlık geliştirmek için sadece gazete okuyamazsınız; başkalarının kodunu da okumanız gerekir. Sadece okumakla kalmaz, kodu yeniden uygulamanız gerekir.
Anlayışınızın bir kısmı ancak kodlamanın kendisi ile elde edilebilir. Sıfırdan bir geri yayılım motoru yazmadan önce, bir sinir ağının ne olduğunu gerçekten bilmiyorsunuz ve onu bazı klasik küçük veri kümelerine karşı çalıştırıyor ve çıktıları konusunda kafanız karışıyor.
Beceri uyuşmazlığı
Yapay zeka araştırmacıları, esas olarak biçimsel soruları girdi alanları olarak kabul eder: mühendislik, matematik veya teorik fizik. Ancak çözmemiz gereken sorun esas olarak tasarım yöntemidir.
Sınıftaki kaosla nasıl başa çıkılacağını okuyamaz veya Coursera'dan öğrenemezsiniz. Bildiğim kadarıyla, şu anda sektörde en iyi akademik AI laboratuvarlarından doktora çalışmaları olan ve başka herhangi bir anahtar içeriği öğrenemeyen bazı çıraklar var.
AI personeli, resmi problemleri çözmek için temel öğretim becerilerinden sonra belirsizlikten mümkün olan en kısa sürede kurtulma eğilimindedir. Bilgi modellerinin kademeli olarak ortaya çıkmasına izin veren bir bataklığın gerçek dünyasında yürümek yerine, en yakın mevcut soyutlamaların analizinden kaçmak daha rahattır.
Bu nedenle, erken problemlerin resmileştirilmesi, AI'da benzersiz bir hata modudur. Belirsiz bir gerçek dünya fenomeni (öğrenme gibi) bazı matematiklerle (örneğin fonksiyon yaklaşımı) değiştirilir. Gerçek dünyadaki kelimeler ("öğrenme") her ikisine de birbirinin yerine kullanılabilir, böylece araştırmacılar farkı fark etmezler bile.
Daha sonra, bu kesin ama yanlış problem ifadesini çözmek için her türden ilginç icatlara ve geliştirilmiş moda aletlere sahip olabilirsiniz. Bu, değerli teknolojik ilerleme sağlayabilir.
Öte yandan, fonksiyon yaklaşımı aslında öğrenmiyor. Erken resmileştirme, soyut matematik problemlerinin çözümünün somut gerçek problemlerin çözümü olmayabileceği anlamına gelir ve bunun tersi de geçerlidir.
Bu, iki benzersiz sorun moduna yol açar. Öncelikle soyut problemler, belirli problemlerden daha zor olabilir. Çünkü önemli yararlı işlevleri atlar. Tasarım teorisi açısından, kafa karışıklığının ima ettiği öneriyi duymadınız.
GOFAI Phil Agre
AI X
X X n-gram
çözüm
AI AI
30
X X
20 50
20 50 neden?
AI
1970 Terry Winograd SHRDLU AI
SiriAlexa SHRDLU GOFAI
Winograd 1986
SHRDLU Winograd
AI
AI
AI
AI AI
Philip Agre
postscript
Zachary Lipton Jacob Steinhardt
https://meaningness.com/metablog/artificial-intelligence-progress
"Belgeler için çağrı"
CSDN kamu hesabı, "on milyonlarca teknik insanla büyüme" kavramını destekler. Teknik insanların ilk kez ilgilendiği endüstri odak olaylarını teknik insanların benzersiz bakış açılarından açıklamak için yalnızca "inek başlıkları" ve "konuşma" sütunlarını kullanmakla kalmaz, aynı zamanda "Teknik Başlıklar" sütunu, sektördeki popüler teknolojilerin ve uygulamaların derinlemesine bir yorumunu sunarak, tüm geliştiricilerin teknolojik trendlere ayak uydurmasına, uyanık bir teknolojik anlayışı sürdürmesine ve sektör eğilimleri ve teknolojileri hakkında daha kapsamlı bir anlayışa sahip olmasına olanak tanır.
Yüksek kaliteli makaleleriniz veya endüstrinin sıcak olayları, teknoloji trendleri hakkında içgörüler veya derinlemesine uygulama uygulamaları, senaryolar vb. Hakkında yeni içgörüleriniz varsa, lütfen gönderimler için CSDN ile iletişime geçin. İletişim: WeChat (guorui_1118, lütfen gönderim + ad + şirket pozisyonunu not edin), e-posta (guorui@csdn.net).
