Oğul bir göz açıp kapayıncaya kadar büyüdü: Hinton, LeCun, Bengio sinir ağlarının kısa bir tarihi hakkında konuşuyor
En paranoyak insanlardan bazıları bahar gelene kadar ısrar etti
1960'da Buffalo'da işçiler bir algılayıcıyı "ince ayarlıyor"
AI Technology Review Press: Son beş yılın gelişmesinden sonra, yapay zeka, metafizik bir kavramdan teknoloji endüstrisinin en büyük umutlarından birine dönüştü. Bilgisayarlar, yüzleri ve nesneleri tanıyabilir, insanların ne dediğini anlayabilir ve birçok dili tercüme edebilir. Google'ın ana şirketi Alphabet, Amazon, Apple, Facebook ve dünyanın en büyük teknoloji devleri Microsoft, geleceklerini büyük ölçüde yapay zekaya yatırdılar. "Önce kim daha akıllı makineler yapacak?" Başlıklı bir tur başlattılar. "AI rekabeti. Devlerin yapay zeka yarışması, yapay zeka teknolojisini ateşledi. Tesla'nın sürücüsüz arabası neredeyse bir gecede yola çıktı ve Amazon'un sesli yardımcısı Alexa çocuğunuzla sohbet ediyordu. Ancak yapay zeka bir gecede inşa edilmedi, tek bir Silikon Vadisi şirketinin bağımsız çalışması da değil.
Modern yapay zekanın arkasındaki tarih, yani sinir ağları ve makine öğrenimi, İkinci Dünya Savaşı'nın son aşamasına kadar izlenebilir. O zamanlar bilim adamları, bir insan beyni gibi bilgiyi depolayabilen ve işleyebilen bir bilgisayar sistemi kurmaya yeni başlıyorlardı. O zamandan bu yana geçen on yıllarda, bu teknoloji iniş çıkışlar geliştirdi, ancak aptal olarak görülmekten korkmayan küçük bir grup inatçı yapay zeka araştırmacısı sayesinde, bilgisayar bilimcileri tarafından yaklaşık 2012 yılına kadar geniş çapta kabul görmedi. Sebat. Her zaman sinir ağlarının dünyayı aydınlatacağına ve insanlığın kaderini değiştireceğine inanırlar.
Bu öncüler dünyanın dört bir yanına dağılmış durumdadır, ancak kendini sinir ağı araştırmalarına adamış bilim adamları özellikle Kanada'da yoğunlaşmıştır. Aslında, Kanada'ya büyük ölçüde iyi şanslar nedeniyle gelebildiler: sinir ağları üzerine yapılan araştırmalar o zamanlar moda değildi.O zamanlar, hükümet tarafından desteklenen Kanada İleri Araştırmalar Enstitüsü (CIFAR), sinir ağı araştırmalarının finanse edilmesinden etkilendi. Küçük bir grup profesyonel bilim insanı Kanada'ya geldi. Buna, Toronto Üniversitesi'nden Geoffrey Hinton ve Yann LeCun, Montreal Üniversitesi'nden Yoshua Bengio ve Alberta Üniversitesi'nden Richard Sutton gibi araştırma fikirlerini paylaşma ve araştırma kariyerlerini sürdürme fırsatı veren bilgisayar bilimcileri dahildir. Bu inatçı bilgisayar bilimcileri, AI'nın gelişimini hızlandırmak için birçok kavram öne sürdüler. Şimdiye kadar, tüm bu erken kavramlar modern AI'nın temel taşları olarak kabul edildi ve bu insanlar aynı zamanda AI'nın "vaftiz babaları" olarak kabul edildi. Bu makale, Bloomberg muhabiri Ashlee Vance'in kendileriyle yaptığı röportajın içeriğine dayanan çok tuhaf bir hikaye anlatacak. Bu içerikler arasında "Sinir ağının çalışması neden bu kadar uzun sürüyor?" "Sinir ağını seven bilgisayar bilimcisi Nasıl birbirlerine sarıldılar? "" Neden dünyanın bu kadar çok yeri Kanada'yı seçiyor? "Bütün bunlar sonunda akıllı makinelerin yükselişine sahne oldu.
AI resimleri, BLOOMBERG BUSINESSWEEK Mart 2018 sayısı
Kanada Başbakanı Justin Trudeau: Yapay zeka, geniş anlamda insan düşüncelerini veya davranışlarını simüle edebilen bir bilgisayarı ifade eder. Bu tanım altında, bilgisayarın tekrar tekrar bir deney yapmasına izin verdiğiniz makine öğrenimi kavramı doğdu. Bu durum, yolda giden kendi kendine giden bir arabayı veya fotoğraftaki bir kediyi tanımaya çalışan bir makineyi simüle ediyor olabilir.
Bu kavram altında, derin öğrenme adı verilen bir makine öğrenimi alt küme yöntemi yer almaktadır. Derin öğrenmenin genel fikri, bir sinir ağı oluşturmaktır, sinir ağındaki ağırlıklar ve önyargılar, ağ ideal çıktıyı verene kadar ayarlanabilir. Derin öğrenme, bilgisayarın problem çözme yeteneklerini yinelemeli olarak geliştirebilir.Bu, Geoff Hinton ve diğer bilim adamlarının son birkaç on yılda gerçekten incelediği şeydir. Derin öğrenme, aynı zamanda mevcut AI teknolojisinin en heyecan verici temelidir. Derin öğrenme, insan beyni düşüncesini taklit etmede de daha iyidir.
New York Times muhabiri Cade Metz, "Yapay Zekanın Gelecek Tarihi" kitabının yazarı: Sinir Ağları ilhamı, insan beyni sinir ağını simüle edebilen bir bilgisayar sistemi kurmanın önerildiği 1940'lara kadar uzanıyor. Ancak kısa bir süre sonra, 1950'lerde Frank Rosenblatt adında bir adam bu tür araştırmaların geliştirilmesini gerçekten teşvik etti. Profesör Frank Rosenblatt, o sırada ABD Donanması ve diğer devlet daireleri ile işbirliği yapıyordu ve sinir ağları kavramına dayanarak, bu tür bir "algılayıcı" geliştirdi. Elde ettiği sonuçları ortaya çıkardığında, New York Times ve The New Yorker gibi dergiler, habercilik açısından en dikkat çekici konuma koydu.
Rosenblatt, bu algılayıcının yalnızca görüntüleri tanıma gibi küçük görevleri yerine getirmekle kalmayacağını, teorik olarak makineye yürümeyi, konuşmayı ve yüz ifadeleri yapmayı öğretebileceğini iddia ediyor. Ancak algılayıcı yalnızca bir nöron katmanına sahiptir, bu da onun son derece sınırlı şeyler yapabileceği anlamına gelir. Aslında söz verdiği cihazın özelliklerinin hiçbirinin fark edilmediğinden bahsetmiyorum bile.
O sırada Rosenblatt'ın bir meslektaşı Marvin Minsky idi. Minsky, Bronxt'ta lisedeyken Rosenblatt'ın sınıf arkadaşıydı. Minsky, 1960'larda Rosenblatt tarafından geliştirilen algılayıcı ve algılayıcıyı ayrıntılı olarak tanıttığı bir kitap yazdı. Sinir ağlarının sınırlamaları. Neredeyse bu kitap yüzünden, sinir ağları alanındaki araştırmalar en az on yıldır dondurulmuş durumda.
Geoff Hinton: Rosenblatt'ın algılayıcısı bazı ilginç şeyler başarabilirdi, ancak yaklaşık 50 yıl öndeydi. Sınıf arkadaşı Minsky bir zamanlar sinir ağlarına inanan biri olmasına rağmen, çözemediklerini kitabında gösterdi. Minsky ve Seymour Papert tarafından yazılan "Algılayıcılar: Hesaplamalı Geometriye Giriş" kitabı temelde bu alandaki araştırmaları ölüme mahkum etti.
Metz: İlk olarak CMU'da ve daha sonra Toronto Üniversitesi'nde bulunan Geoff Hinton, her zaman sinir ağları fikrinde ısrar etti. O ve çalışma arkadaşları sonunda çok katmanlı bir sinir ağı, yani derin bir sinir ağı geliştirdiler ve sonunda gücünü çeşitli farklı görevlerde göstermeye başladılar.
Fransa doğumlu bilgisayar bilimcisi Yann LeCun ayrıca Toronto'daki Hinton laboratuvarında bir yıl doktora sonrası çalışma yaptı. Daha sonra LeCun, ABD, New Jersey'deki Bell Laboratuvarlarına gitti.
Yann LeCun: Çok küçükken tüm zeka kavramı beni büyüledi. 1960'larda uzay araştırmaları varken, ilk bilgisayarlar ve yapay zeka ortaya çıktığında büyüdüm. Bu yüzden mühendislik okumaya başladım ve yapay zeka ile çok ilgilendim, bu alan o zamanlar henüz yeni yeni oluşmuş olsa da.
Yann LeCun (sağda), 1979'da Esiee Paris Üniversitesi'nde
Algılayıcıyı duydum ve kendimi çok merak ediyorum çünkü "öğrenmenin" zekanın bir parçası olduğunu düşünüyorum. Algılayıcılarla ilgili her şeyi okumak için çeşitli şekillerde buldum. Bir mühendis olarak, akıllı bir makineyi kendiniz yapmaya çalışmanın bariz bir yolu, sizi bilgelik oluşturan bileşenlere dikkat etmeye yönlendirecektir. Bu biraz havacılığın öncülerinin kuşlardan ilham almasına benziyor, ancak aynı zamanda tamamen kopyalanmıyor. Aslında biyolojik zekayı veya beyni taklit etmemize gerek yok, çünkü işlevinin birçok yönü, zekanın kendisiyle ne kadar ilgisi olduğu değil, yalnızca biyokimya veya biyolojinin temel yasalarına tabidir. Uçuş için tüylere gerek olmadığı gibi, asıl önemli olan gizli aerodinamik prensiplerdir.
Metz: Bazı insanlar LeCun'un tam bir çılgın olduğunu düşünürdü ve araştırması boşuna. O zamanlar, büyük bir yapay zeka konferansına katıldıysanız ve sinir ağları üzerinde çalıştığınızı söylediyseniz, akademinin ana akımı sizi kesinlikle dışlayacaktır. O zamanlar, sinir ağlarının hepsi sınır araştırmasıydı.
Yoshua Bengio: 1985'te sinir ağları marjinal bir araştırmaydı ve bu kursu McGill Üniversitesi'nde alamadım. Klasik sembolik yapay zekayı öğrendim. Bu yüzden profesörümü sinir ağlarını incelemem için bana rehberlik etmesi için ikna etmeliyim. Devlet bursu kazandım, böylece araştırma konusunu kendim seçebilirim ve profesör için herhangi bir kayıp yok. Onunla makine öğrenimi yapabileceğim konusunda bir anlaşmaya vardım, ancak bu araştırmayı onun ilgi alanına ve konuşma tanıma alanına uygulamalıyım.
LeCun: 1986 civarında, bir sinir ağları dalgası vardı. Fizikçiler bu modellerle ilgilenmeye başladılar ve yeni matematiksel yöntemler önerdiler, bu da alanı ana akım tarafından bir kez daha kabul gördü, bu da 1980'lerin sonlarında ve 1990'ların başlarında sinir ağları dalgasına yol açtı. Bazı insanlar, kredi kartı dolandırıcılık tespiti gibi bazı pratik şeyler yapmak için sinir ağı tabanlı sistemler oluşturdu. Sembol tanımaya dayalı kontrolleri okumak için otomatik bir sistem geliştirdim.
1995 yılında, Pomerleau sürücüsüz arabasını gösteriyordu.
Metz: Carnegie Mellon Üniversitesi'nden Dean Pomerleau, 1980'lerin sonunda, halka açık yollarda gidebilen, sinir ağlarına dayalı kendi kendine giden bir araba yaptı. LeCun, 1990'larda bu teknolojiyi el yazısıyla yazılmış rakamları tanıyan bir sistem oluşturmak için kullandı ve sonunda bu sistem bankalar tarafından kullanıldı.
1980'lerin sonlarından 1990'lara kadar, sinir ağları yeniden canlandı ve bazı pratik uygulamalar ortaya çıktı.LeCun'un çalışması en iyi örnek. Ancak daha sonra, sınırlı bilgi işlem gücü ve mevcut veri eksikliği nedeniyle üst sınıra ulaştı. Yapay zeka kışı yeniden vuruyor.
Jurgen Schmidhuber: Bu Kanadalıların algoritmasını kesinlikle kullanmıyoruz (not: Bengio burada); bizim algoritmamızı kullanıyorlar. LeCun aslen Fransızdı ve biz onun algoritmasını kullanıyoruz. Bu iyi. Çok önemli ve çok faydalı olan birçok katkısı var.
Bu araştırmacıları uzun zamandır tanıyorum. Yoshua ile ilk tanıştığımda, o ve öğrencilerim aynı çalışmayı yayınladılar, aşağı yukarı aynı olan bu çalışma dört yıl önce öğrencim tarafından yayınlandı. Birkaç yıl sonra, bir toplantıda bir hesaplaşma yaşadık ve her şey netleşti. Seminerde bir kamuoyu tartışması vardı ve araştırmayı ilk kimin yaptığı belliydi. Bu tatsız değil, sadece gerçekleri açıklığa kavuşturuyor. Bilimsel araştırma yapmak, gerçekleri açıklığa kavuşturmaktır.
(Ve Bengio, Schmidhuber'ın iddiasını yalanladı.)
LeCun: O zamanki sorun, bu yöntemlerin karmaşık yazılımlar, büyük miktarda veri ve yüksek performanslı bilgisayarlar gerektirmesiydi. Pek çok insan bu kaynakları kullanma fırsatına sahip değil ve çok azı yatırım yapmaya istekli.
1990'ların ortaları ile 2005 yılları arasında insanlar daha basit bir yöntemi tercih ettiler - kimse sinir ağlarıyla gerçekten ilgilenmedi. Geoff, Yoshua ve benim için bu gerçekten karanlık bir dönem, acı hissetmiyoruz ama biraz üzücü olacak. Bariz potansiyele sahip bir araştırma olduğuna inanıyoruz, ancak herkes bunu görmezden gelmeyi seçiyor.
Hinton: Elbette, her zaman sinir ağlarına inandık ve bu araştırmaya bağlıyız. Ancak mühendisler, küçük veri kümelerinde diğer yöntemlerin eşit derecede etkili veya sinir ağlarından daha faydalı olduğunu keşfettiler, bu nedenle sinir ağlarının sadece bizim arzulu düşüncemiz olduğunu düşünerek başka yöntemler seçtiler. Sinir ağlarını daha etkili hale getirmek için çalışan çok az insan vardı.
CIFAR, dünyanın her yerinden insanların bizimle daha fazla alışveriş yapmasına izin verdi. Bu sefer bir dönüm noktasına ulaştı.
LeCun: Kesinlikle, çünkü bu küçük insan grubu sinir ağının doğru seçim olduğu konusunda ısrar ediyor, sonunda sinir ağı halkın gözüne geri dönüyor. 2003'te Geoff Toronto'daydı ve CIFAR ondan bir sinirsel hesaplama programı yapmasını istedi. İşe olan ilgimizi yeniden canlandırmak için bir araya geldik ve çok çalışmaya karar verdik. Bununla birlikte, fikirlerimizi yayınlamadan önce, fikirlerimizi gerçekten geliştirmek için bazı küçük seminerler ve konferanslar düzenlemek için güvenli bir yere ihtiyacımız var. Proje resmi olarak 2004'te başlatıldı ve 2006'da çok ilginç bazı makaleler yayınlandı. Geoff ayrıca "Science" da ilgili bir makale yayınladı.
Hinton'un 2006'daki "Science" makalesinde yüz tanıma görüntüleri
Trudeau: Yapay zekanın son kışında, çoğu insan sinir ağı araştırmalarından vazgeçip bazılarının ilerlemeye devam ettiği zaman, Kanada sessizce modern yapay zeka araştırmasının temelini oluşturdu.O zaman Kanada'nın bu açıdan saf bilimsel araştırmaları desteklediğini kesin olarak söyleyebilirim. , İyi gidiyor.
Gerçekten zeki insanlara, araştırmaları işletmeye veya belirli belirli yerlere ulaşmasa bile en son araştırma yapma fırsatları sunuyoruz.
Hinton: 2006'da Toronto'da, bu tekniği çok katmanlı ağları eğitmek için geliştirdik ve bu, önceki tekniklerden daha verimli. Aynı yıl, hem büyük etkisi olan hem de önermemizi desteklemede büyük rolü olan "Science" dergisinde bir makale yayınladık ve birçok insan sinir ağlarına olan ilgisini yeniden canlandırdı. 2009'da, laboratuvarımdaki iki öğrenci konuşma tanıma için derin sinir ağlarını kullanmak için bir yöntem geliştirdi ve etkisi o sırada diğer tüm yöntemlerden daha iyiydi.
Aslında, gelişimi sadece biraz, ancak tam tersine, diğer teknolojilerin gelişimi o zamanlar durdu ve 30 yıldır önemli bir ilerleme olmadı. Derin sinir ağları sadece birkaç ay içinde bu yöntemlerden daha iyisini yapabilir Açıkçası, sinir ağlarının sadece birkaç yıl içinde hala büyük ilerleme kaydedebileceği görülebiliyor.
Metz: Hinton, 2009 civarında Microsoft'ta konuşma tanıma araştırmacısı Deng Li ile tanıştı. Herkes gibi Deng Li de, yapay zekanın sembolik yapay zekanın tek biçimi olmaması gerektiğine inanıyor. Sembolik AI için, konuşma tanıma sisteminin satır satır koddan oluşması gerekir ve sistemin her davranışının özel ayrıntılarının manuel olarak ayarlanması gerekir ve sistem geliştirme de çok yavaştır.
Hinton, konuşma tanıma için sinir ağlarını kullanmaya çalıştığını ve önemli ilerleme kaydedildiğini söyledi. Sinir ağları, ses verilerindeki kalıpları analiz etmeyi öğrenebilir ve kod satırlarından oluşan sembolik AI sistemlerinden daha hızlı çalışabilir. Deng Li şu anda Hinton'un sözlerine tam olarak inanmadı, ancak Hinton'u araştırmaya devam etmesi için Microsoft'a davet etti ve sonunda iki Hinton işbirlikçisi de bir araya geldi. Microsoft'un konuşma tanıma teknolojisi böylece büyük bir adım attı ve Google da 2010 yılında büyük bir adım attı.
Daha sonra, 2012'nin sonunda, Hinton ve iki öğrenci de önceki tüm yöntemleri geride bırakarak görüntü tanımada bir atılım yaptı. Ancak bu sırada Microsoft ve Google dışındaki endüstri şirketleri bu fikrin ne kadar güçlü olduğunu anlamaya başladı.
Bunların çok eski fikirler olduğunu belirtmekte fayda var. Ama şimdi sinir ağlarının arkasındaki bilgi işlem gücü ve veri hacmi öncekinden çok farklı. Microsoft ve Google boyutundaki teknoloji şirketleri için metin, video vb. İşlemek için birlikte çalışmak üzere binlerce bilgisayara ihtiyaçları var. Sinir ağını başarılı kılan şey budur: ağı eğitmek çok fazla veri gerektirir ve ayrıca ağın eğitimini desteklemek için yeterli bilgi işlem gücüne ihtiyacınız vardır.
Hinton ofiste
LeCun: Başarılı olmanın neden bu kadar uzun sürdüğünü sormak istiyorsanız, cevabım şu: bilimsel araştırma böyle ve insan psikolojisi de böyle. Yeni bir teknoloji ortaya çıktığında, insanları bunun işe yarayabileceğine ikna etmek için yeterli kanıt olmalı ve sonra insanlar onu büyük ölçekte kullanmaya başlayacak. Bununla birlikte, bu sinir ağları yöntemlerinin her zaman "kritik" oldukları biliniyor ve etkilerini elde etmek için biraz "kara büyü" ye ihtiyaçları var.
Richard Sutton: Bilgi işlem gücünün bu kadar hızlı ve kalıcı bir şekilde geliştirilebilmesi şaşırtıcı. Şimdi, daha karmaşık algoritmalar geliştirmek isteyenler ile daha hızlı bilgisayarlar geliştirmek isteyenler arasında bir rekabet var. Algoritma tasarlayan kişiler için, önümüzdeki 5 ila 10 yıl içinde görünecek bilgisayarlarda çalışacak algoritmalar tasarlamayı şimdiden düşünebilirler.
Bilgisayarın iyi olana ve olmayana ihtiyacı vardır. Böylece insanlar ona "ödül" adı verilen özel bir işaret verecekler. Geri besleme değeri yüksekse iyi, geri besleme değeri düşükse kötü demektir. Bu tasarımın amacı budur.
Sinir ağları öğrenme sürecini depolayabilir ve pekiştirmeli öğrenme, neyi değiştirmek istediğinize karar vermenizi sağlar.
Bengio: Geoff, Yann ve benim hayal ettiğimiz türden denetimsiz öğrenmeyi gerçekleştirmenin hâlâ uzun bir yolu var. Neredeyse şirketler, esas olarak denetimli öğrenmeye dayanan derin öğrenmeye dayalı ürünler üretiyor ve bilgisayarlar, milyonlarca vaka aracılığıyla bir başkasıyla karşılaştıklarında ne yapacaklarını öğreniyor. Elbette insanlar böyle öğrenmez, biz bağımsız olarak öğrenebiliriz. Çevremizdeki dünyayı kendimiz keşfedebiliriz. 2 yaşındaki bir çocuğun temel fizik yasaları, yerçekimi, basınç vb. Hakkında sezgileri vardır ve ebeveynlerinin ona Newton'un mekanik yasalarını ve evrensel çekim yasasını öğretmesine gerek yoktur. Dünyayı gözlemliyoruz ve dünyayla etkileşime giriyoruz ve sonra bu dünyadaki şeylerin nasıl çalışacağına ve bir şeyi yaptıktan sonra nasıl gelişeceğimize dair kendi içgörülerimizi oluşturuyoruz.
Araştırmamız denetimsiz öğrenmenin yeni bir aşamasına dönüyor ve aynı zamanda pekiştirmeli öğrenmenin sonuçlarıyla da ilişkilendirilebilir. Sadece dünyayı gözlemlemiyoruz, aynı zamanda dünya ile etkileşime giriyoruz ve eylemlerin sonuçlarına dayanarak dünyanın yasalarını çözüyoruz.
LeCun: İlgilendiğim konu, makinelerin insanlar ve hayvanlar kadar verimli öğrenmesini sağlamak. Araba kullanmayı öğrenirken, yüreğinizden yola çıkmanızın iyi olmadığını bilirsiniz. Biz insanlar eylemlerimizin sonuçlarını tahmin edebiliriz, bu da bir şeyi yapmadan önce bir şeyin iyi mi yoksa kötü mü olduğunu anlayabileceğimiz anlamına gelir.
Bu nedenle, takip ettiğim hedef, makineleri eğitmenin bazı yeni yollarını bulmaktır, böylece gözlem yoluyla öğrenebilirler, böylece onlar da dünyanın öngörülü bir modelini oluşturabilirler. Günümüzde dünyada belirli bir tür organizma, çevresini tahmin etme yeteneğine sahiptir. Bir yaratık ne kadar akıllıysa tahmin yetenekleri de o kadar yüksektir. Bir anlamda, "tahmin" in "bilgeliğin" özü olduğu düşünülebilir ve daha sonra kendi tahminlerinize göre karşılık gelen eylemleri yapma yeteneği eklenebilir.
Önümüzdeki 3 yıl, 5 yıl, 10 yıl veya 15 yıl içinde büyük olasılıkla dikkate değer sonuçlar alacağız, ancak bu çok uzak değil. Ancak bu temelde insan zekasına yakın bir sistem kurmak uzun zaman alacak ve on yıllar alabilir.
Bengio: Makineler çok akıllı, hatta insanlardan daha akıllı hale gelse bile, insan işlerinin yerini mutlaka robotların alacağını düşünmüyorum. Bazı işlerin özü, insanlar arasındaki etkileşimdir ve biz her zaman insanların bu tür işler yaptığını umuyoruz. Örneğin, robotların kendi çocuklarıma veya büyüklerime bakmasına ve hastaneye kaldırılırken benimle ilgilenmesine izin vermekten hoşlanmıyorum. "Terminatör" gibi şeyler için endişelenmiyorum. İnanıyorum ki, bizim kadar zeki makineler yapabilirsek, o zaman onların insani değerlerimizi ve ahlakımızı anlama ve insanların lehine hareket etme yeteneklerine zaten sahip olacaklar.
Asıl endişelendiğim şey, AI'nın, silahlarda AI kullanmak gibi kötüye kullanılabileceğidir. Reklamcılıkta kullanılan yapay zeka insanları etkileyebilir ve böyle şeylerin olduğunu şimdiden görebiliriz. YZ kullanımının ahlaki veya etik sorunları olabileceği durumlarda, bunu yasaklamak için doğrudan yasalar tasarlamalıyız. İnsanlığın bir bütün olarak daha akıllı olması gerekiyor.
Sutton: Bence bu alana "yapay zeka" demenin büyük bir hata olduğunu düşünüyorum. İnsanları insanlardan çok farklıymış gibi hissettiriyor ve gerçekten zeki değil. Bu ifade insanlara pek çok "yabancı" duygu veriyor, ama aslında yaptığımız şey çok insani bir şey: insan bilgeliğini makinelerde yeniden üretmek.
Bilimin ortaya çıkardığı gerçek herkes tarafından beğenilmedi - gerçeği anladınız, ama gerçek beklediğiniz gibi değil. Belki de tarihteki dinsel dernekler ve bilim arasındaki çatışmanın nedeni budur. Bence insan beynini daha çok inceledikçe aynı şey olacak. Belki de "bilinç" için hiçbir zaman bir açıklama bulamayacağız, bazı insanlar bu sonucu beğenecek, bazıları beğenmeyecek. Bilim, nesnel gerçeği değiştiremez.
Dünyanın eğilimi her değiştiğinde, her zaman kazananlar ile kaybedenler arasında ayrım yapacağız ve gelecekte bizi bekleyen birçok büyük değişiklik var. Akıllı makineler olacağımızı düşünüyorum. AI'ya kendimiz veya çocuğumuz olarak bakmalıyız. Onları uygun hissettiğimiz gibi inşa edebiliriz.
Peki insan doğası nedir? İnsan doğası, iyileşmek için amansız bir motivasyondur. Her şeyi yerinde tutmaya çalışmamalı ve olması gereken bu olduğunu söylememeliyiz.
2011 yılında Hinton ve Bengio, Gatsby Enstitüsü tarafından düzenlenen atölye çalışmasının dışında yürüyüşe çıktı.
LeCun: Gelecekte nasıl olacağını gerçekten bilmiyorsak, bununla ilgili endişeler sadece temelsiz endişelerdir. Teknolojik tekillik fikrine katılmıyorum, bu da süper zeki bir makine yaptıktan bir gün sonra kendi başlarına daha akıllı bir makine yapabilecekleri ve kontrolden çıkacağı anlamına geliyor. Bu kavrama inanan insanlar muhtemelen tüm fiziksel veya sosyal olayların çeşitli dirençlerle karşılaşacağını unuturlar, üstel bir eğri büyüme süreci sonsuza kadar devam edemez.
Hollywood filmlerinde, "Alaska'nın gizemini çözen, süper zeki bir robot yaratan ve sonra dünyayı yöneten bir Alaska dahisinin" hikayesi imkansızdır. Bu çok saçma.
Trudeau: Bu konuda çok endişelenmiyorum. Yapay zekanın teorik olarak ne kadar tehlikeli olduğu konusunda yeterince bilim kurgu ve bilim kurgu filmi gördük. Sanırım teknolojinin iyi ve kötü şeyler yapmak için kullanılabileceği konusunda sağduyulu olmalıyız. Kanada'nın iyi tarafta olduğundan ve herkesi doğru yolda tutmaya çalıştığına sevindim. Ayrıca araştırmamızı yavaşlatmak ve evrenin gerçek anlamı hakkındaki anlayışımızı yavaşlatmak istemiyorum.
Buradaki asıl soru, nasıl bir dünya istiyoruz? Başarılı insanların korkuluklarla çevrili bahçeye saklanacağını umuyoruz, diğer tüm insanlar kıskanıyor ve dışarı çıktıklarında dirgen taşıyorlar, bu dünyadaki herkesin katkıda bulunacağını ve yapacağını umuyoruz. İnovasyon için fırsatlar yaratmak mı?
Hinton: Bence bu şeylerin sosyal etkisi büyük ölçüde içinde bulunduğumuz siyasi sisteme bağlı. Esasında, meta üretiminin verimliliğini artırmak, toplumun toplam refahını artırmalıdır. Aksine, kötü sonuçlar için tek bir olasılık vardır, yani bu toplum, üretkenliği artırmanın tüm faydalarını toplumun en tepedeki% 1'ine verecektir. Kanada'da yaşamamın nedenlerinden biri makul vergi tahsilat sistemidir: çok para kazanırsanız, çok fazla vergi de ödemeniz gerekir. Bu tasarımın harika olduğunu düşünüyorum.
Bence gerçekten önemli olan geleceği tahmin edemememiz. Önümüzdeki 20 yıl içinde neler olabileceğini tahmin etmeye başlar başlamaz, neredeyse kesinlikle yanılıyorsunuz. Ancak, teknolojik ilerleme gibi sonunda her şeyi değiştirecek olan tahmin edebileceğimiz bazı şeyler de var. (Bitiş)
AI Technology Review tarafından derlenen bloomberg aracılığıyla
Bu arada, insanları işe alıyoruz, öğrenelim mi?
BAT kıdemli algoritma mühendisleri için özel araştırma ve geliştirme kursları
Hayata ve işe en yakın eğlenceli pratik projeler
Profesyonel öğretim asistanları ile sınıf yönetimi yardımı
Bir teklif almak için öğrendiklerinizi uygulayın, öğrenmeyi bitirir bitirmez işe alınmanız tavsiye edilir.
Kodu tarayın veya öğrenmek için orijinal metni okumak için tıklayın!
( 0 ) Paylaşmaya hoş geldiniz, yarın görüşürüz!
