Mikä todella on AI?

Kulttuurinen ja käytännöllinen esittely suunnittelijoille

Tämä on ensimmäinen luku Element AI: n säätiöiden sarjassa AI-First Design (AI1D). Jokaisen luvun tavoitteena on määritellä AI1D: n komponentit, jotta voidaan luoda yhteinen kieli, jonka kanssa tutkia tätä uutta muotoilukautta. Voit lukea sarjan esittelyn täällä ja ilmoittautua seuraavan luvun seuraamiseksi.

Miksi suunnittelijana sinun pitäisi kyetä ymmärtämään tekoäly? Se on termi, jota on viime aikoina leikattu niin paljon media- ja tekniikkapiireissä, eräänlainen katkelma, joka voisi kuvata mitä tahansa virtuaalisista henkilökohtaisista avustajista, roboteista, sci-fi-hahmoista tai viimeisimmästä syvän oppimisen algoritmista. Ehkä työskentelet AI: ssä ja sinulla on vivahteikkaampi käsitys näistä erillisistä aloista, tai ehkä vain tunnet, että AI vaikuttaa lähivuosina työhösi jollain tavalla, mutta et ole aivan varma kuinka.

Tervetuloa tätä silmällä pitäen AI-First Design Foundations -sarjan ensimmäiseen lukuun, jossa pyrimme napaamaan tekoälyn kielen ja keskustelemaan sen monista määritelmistä. Toivomme saavasi ajatella ajatusta siitä, mitä keinoäly on tänään, josta voimme rakentaa kohti vastaamista: Mikä on AI-First Design?

Tämä luku on omistettu nykyisen AI-maiseman tutkimiseen ja navigointiin eri määritelmissä, joita AI on nähnyt termin ensimmäisestä perustamisesta lähtien. Tarkastelemme AI: n historiaa tutkimalla suosion huippuja ja matalimpia kohtia ja korostamme tärkeimpiä välitavoitteita AI: n äskettäisen onnistumisen lisääntymisen jälkeen. Lopuksi tutkimme AI: n monia määritelmiä ja joitain haasteista, joita meillä on edessään sellaisen laatimiseksi, josta kaikki voivat sopia. Päät ylös: se on pidemmällä puolella, joten ole mukava, siirry eteenpäin kohtaan, joka voi kiinnostaa sinua enemmän, tai lue vain tämä erittäin lyhyt versio alla.

TL; DR

Sen sijaan, että aloittaisimme AI-tutkimuksen 1950-luvulla, aikajana alkaa paljon aikaisemmin, Homeroksen Iliadissa, kun halusimme jo imeä patsaita ja jumalia ihmisen kaltaisilla ominaisuuksilla. Siitä lähtien on tapahtunut paljon! Tänään olemme saavuttaneet kaikkien aikojen korkeimman tason AI: n ennakkomaksujen, rahoituksen ja innostumisen suhteen, vaikka tieteellisten odotusten ja koneiden saavutettavissa olevien realiteettien välillä on edelleen suuri ero. AI on hyvin kaukana saavuttamasta ihmisen kaltaista yleistä älykkyyttä, mutta saavuttaa paremmin ja kapeammin määritellyt tehtävät. Tässä on tärkeimmät komponentit, kuinka määrittelemme AI tänään ja miksi sillä on merkitystä sinulle suunnittelijana:

  1. Se perustuu suurelta osin tietoihin.
    AI: n viimeaikainen kehitys ei olisi ollut mahdollista ilman kaikkien kytkettyjen laitteidemme keräämiä valtavia määriä tietoja ja mahdollisuutta tallentaa niitä.
  2. Se on kapea ja hyvin keskittynyt.
    AI on erittäin hyvä löytää kuvioita tiedoista ja suorittamaan määriteltyjä tehtäviä, mutta se ei yleisty kovinkaan hyvin ennalta määritettyjen parametrien ulkopuolella.
  3. Se ei ole huolissaan laskelmiensa tuloksista.
    Toisin kuin ihmisen päätöksenteon luontainen sotkuisuus, AI: n kykyyn tehdä päätöksiä eivät vaikuta taka-ajat tai se, kuinka paljon unta se sai viime yönä, vaan se keskittyy yksinomaan käsillä olevaan tehtävään. Koska se ei kuitenkaan tiedä hyvää pahasta, datassa olevat vääristymät säilyvät.
  4. AI: n kyvyt opitaan, ei ohjelmoida.
    AI voi parantaa iteratiivisesti yksinään - ilman että sitä on ohjelmoitu joka vaiheessa, se voi oppia kokemuksistaan ​​ja parantaa tulevien ennusteiden ja päätösten tekemisessä, mikä johtaa entistä kehittyneempiin kykyihin.
  5. Se on kehittyvä termi.
    Eri yhteisöt määrittelevät AI: n eri tavalla, ja sen määritelmä muuttuu edelleen tekniikan kehityksen myötä.

Tiedämme tämän, uskomme, että AI: lla on valtava vaikutus suunnittelun alaan sellaisena kuin me sen tunnemme. Kun se alkaa vaikuttaa kaikkien yritysten, tuotteiden, palveluiden ja (käyttäjä) kokemusten suunnitteluun, on välttämätöntä, että meillä on perusteellinen käsitys siitä, mitä työskentelemme, ja päättää, kuinka haluamme hyödyntää sen potentiaalia.

Vielä utelias? Siellä on enemmän!

AI: n ylä- ja alamäet läpi ajan

Esiasteet: halu jumalia jumalia

Vaikka kuvaamme yleensä jotain futuristista ajatellessamme AI: ta, ajatus on ollut olemassa jo vuosisatojen ajan. Esimerkiksi noin 750 eKr. Homeroksen Iliadissa, kurja Hephaestus loi automatteja auttamaan häntä liikkumaan:

Nämä ovat kultaisia ​​ja ulkonäöltään kuin elävät nuoret naiset. Heidän sydämessään on älykkyyttä, heissä on puhetta ja voimaa, ja kuolemattomilta jumalilta he ovat oppineet tekemään asioita.

Pamela McCorduck kuvaa kirjassaan Koneet, jotka ajattelevat, joukon muita olentoja, jotka Hephaestus on luonut erilaisiin tehtäviin, joista ainakin yksi on varmasti tuttu, jos vain uhkaava: Pandora ja hänen surullisen kastinsa.

Ajatuksen mekanisointi

Näiden kaunokirjallisuuden esimerkien lisäksi antiikin päättelyssä ja logiikassa oli tapahtunut merkittävää edistystä, joka johti nykyiseen kodifioituun kieleen kaiken laskennan perustana. Keinotekoinen älykkyys olettaa olemuksessaan, että ajatus voidaan koneistaa ja toistaa. Aristoteles oli yksi ensimmäisistä, joka pioneeristi järjesti ajatuksia loogisiksi perusteiksi sylogismin kehittämisessä, joka on usein kolmiviivainen, kuten:

Kaikki miehet ovat kuolevaisia.
Sokrates on mies.
Siksi Sokrates on kuolevainen.

Persialainen matemaatikko Muhammad ibn Musa al-Khwarizmi, joka tunnetaan myös hänen latinisoidulla nimellään Algoritmi (josta olemme tulleet sanan algoritmi), on myös avainhahmo monissa käsitteissä, joita pidämme itsestään selvänä AI: ssä. Esimerkiksi sana algebra on johdettu ”al-jabrista”, joka on yksi kahdesta operaatiosta, joita hän käytti kvadraattisten yhtälöiden ratkaisemiseen. Näihin perustuksiin rakennetut matemaatikot ja filosofit, kuten Gottfried Wilhelm Leibniz, Thomas Hobbes ja René Descartes, ovat edenneet koko 1500-luvun ajan ja pyrkivät tekemään ajatuksesta yhtä systemaattisen kuin algebran tai geometrian.

Vaikka seuraavilla vuosisatoilla oli monia muita matemaattisia edistysaskeleita, jotka vaikuttivat nykyajan tekoälyyn, 1800-luvun englantilainen matemaatikko Ada Lovelace erottuu luovista lähestymistavoistaan ​​ja uraauurtavasta työstään laskennassa. Hän ehdotti ensimmäisenä, että Charles Babuggen mekaanisella yleiskäyttöisellä tietokoneella, Analytical Enginellä, voisi olla ominaisuuksia, jotka eivät ole laskennallisia, ja sitten luotiin ensimmäinen algoritmi, joka ansaitsi hänelle maailman ensimmäisen tietokoneohjelmoijan tittelin.

Keinoälyn synty

Vaikka tietojenkäsittelyssä tapahtui edistystä koko 1900-luvun alkupuolen aikana, tekoäly todella aloitti toiminnan 1950-luvulla, kun Dartmouth Collegessa pidettiin konferenssi vuonna 1956, jossa väitettiin, että kaikki oppiminen ja älykkyys voitaisiin kuvata riittävän tarkasti koneen simuloimiseksi. Juuri tässä keksittiin termi "tekoäly", joka viittasi "ihmisten älykkyyden simulointiin koneilla". Pohtiessani Dartmouth-työpajaa 50 vuotta myöhemmin, yksi järjestäjistä John McCarthy hymyili: ”Olisin uskonut, että työpaja olisi ollut tiedossa sen tuottamista tuloksista. Itse asiassa se tuli tunnetuksi huomattavassa määrin yksinkertaisesti siksi, että se popularisoi termiä "tekoäly". "

Toinen merkittävä AI: n virstanpylväs 50-luvulta, jonka saatat tuntea, on kuuluisa “Turing Test”. Benedict Cumberbatchin esiintymisessä The Imitation Game suosittu brittiläinen tietotekniikan tutkija Alan Turing ehdotti, että jos kone pystyisi suorittamaan keskustelun, joka oli erotettavissa keskustelusta ihmisen kanssa, silloin ”ajattelukone” oli uskottava. Toisin sanoen tietokone on älykäs vain, jos se voi huijata ihmistä ajattelemaan, että se on ihminen.

Sitä, joka seurasi 50-luvun puolivälistä 70-luvun alkupuolella, kutsuttiin AI: n "kultaisiksi vuosiksi", joiden tietotekniikka on edistynyt huomattavasti, sekä innostumisen että valtion rahoituksen lisääntyessä. Erityisesti Marvin Minsky jatkoi vauhtia menemällä Dartmouth-työpajaan, kun hän perusti Massachusetts Institute of Technologyn AI-laboratorion vuonna 1959 ja jatkoi kentän johtamista 60-70-luvuilla. Peli alkoi myös paljastaa itsensä ihanteellisena tietotekniikan kehittämis- ja testausmenetelmänä, kun IBM kehitti ohjelman, joka voisi pelata tammea vuonna 1951. 60-luvulla luotiin lähimmän naapurin algoritmi yrittäessään ratkaista ”matkustava myyntimies”. ongelma ”:” Mikä on luettelo kaupungeista ja kunkin kaupunkiparin välisistä etäisyyksistä, mikä on lyhin mahdollinen reitti, joka käy jokaisessa kaupungissa tarkalleen kerran ja palaa lähtökaupunkiin? ”Tuloksena oleva algoritmi muodosti peruskuvion tunnistuksen alkujen.

Marvin Minsky ja Seymour Papert julkaisivat kuitenkin vuonna 1969 Perceptrons-kirjan, kirjassa, joka käsittelee joitain nykyisen hermoverkkotekniikan rajoituksia, ja oli ehkä seuraavien vuosien ”AI-talven” alullepanija.

AI-talvet 70- ja 80-luvuilla

50-luvulta 70-luvulle mennessä suoritetun onnistuneen juoksun myötä tieteellisen kehityksen lisäksi myös tieteellinen fiktio, kuten Stanley Kubrickin 2001 A Space Odyssey tai Isaac Asimov's I, Robot, kasvatti yleisön odotuksia, törmäyskurssi AI: n rajoituksilla. oli väistämätöntä.

Pohjimmiltaan, kun tietokoneet eivät pystyneet vastaamaan kaikkien epärealistisesti korkeita odotuksia, rahoitus ja innostus kuivuivat, mikä johti AI-laboratorioiden purkamiseen ympäri maailmaa. Vaikka oli lyhyt toinen tuuli vuosina 1980–1987, ja Japanista tehtiin suuri sijoitus, tämä puomi oli lyhytikäinen ja uuden AI-talven varassa vuodesta 1987 vuoteen 1993.

Roger Schank ja Marvin Minsky, johtavat AI-tutkijat, jotka olivat selvinneet 1970-luvun ensimmäisestä talvesta, varoittivat yritysyhteisöä siitä, että ”innostuminen AI: stä oli alkanut hallita 80-luvulla ja että pettymys seuraa varmasti.” Nämä huiput ja laaksot AI-innostus jatkuu tänään. Vaikka AI: tä on viime vuosina käytetty muutama epäsuosittu, kuten Yhdysvaltain armeija on käyttänyt AI: tä tunnistaakseen ystävällisiä tai vihollisen tankeja, tai viime aikoina Microsoftin Tay-chatbot, joka näytti viime vuonna nopeasti rasistista ja antisemitismistä käyttäytymisistä Twitterissä, yleensä puhuen, voisit sanoa, että olemme tänään kaikkien aikojen korkeimmalla tasolla AI-ennakkojen, rahoituksen ja innostumisen suhteen.

AI Landscape Today - Miksi niin kuuma?

Suosittu työkalu tech hype -mittauksen mittaamiseen on Gartnerin Hype Cycle, joka tänä vuonna tarjoaa syvän oppimisen ja koneoppimisen huipullaan. Vaikka sitä pidetään usein enemmän tiedotusvälineiden kuin tieteellisen tutkimuksen indikaattorina, on joitain oikeutetusti jännittäviä edistysaskeleita, jotka ovat johtaneet AI: n nykyiseen suosioon. Joten onko se kaikki todellakin hype? Ei aivan. Tarkastellaan joitain tärkeimpiä AI: n välitavoitteita viimeisen kuuden vuoden ajalta, jotka ovat vaikuttaneet nykyiseen pakkomiellemme.

Viimeaikaiset AI: n välitavoitteet

  • 2011: Applen Siri esiteltiin käyttämään melko luonnollista kieltä vastaamaan kysymyksiin, antamaan suosituksia ja suorittamaan yksinkertaisia ​​toimintoja. Jos näin ei ole, etsiä asioita Internetistä puolestasi.
  • 2012: Konvoluutiohermostoverkot (lyhyt CNN: t) tuhoavat kilpailun ImageNet-luokittelussa - esimerkiksi ”tietokoneen näkemyksen vuotuisissa olympialaisissa” - luomalla yhteisöön furourin ja vapauttamalla syvän oppimisen kiinnostuksen valtavan herättämisen.
  • Google kouluttaa hermoverkkoa tunnistamaan kissat onnistuneesti YouTube-videoissa syvän oppimisalgoritmin avulla, vaikka sille ei annettu tietoa söpöjen kissan ominaisuuksien erottamisesta.
  • 2013: NEIL, viihdyttävällä nimellä Never Ending Image Learner, julkaistaan ​​Carnegie Mellon Universityssä vertailemaan ja analysoimaan jatkuvasti eri kuvien välisiä suhteita tavoitteenaan oppia terveellisen järjen ihmisen kyllä ​​niin toivottavaa, mutta silti vaikeaa kykyä.
  • 2015: Facebook aloittaa DeepFace-syvällisen oppimisen kasvojentunnistusjärjestelmän, jota koulutettiin neljälle Facebook-käyttäjien lataamalle kuvalle. Se pystyy tunnistamaan kasvot 97,35% tarkkuudella, mikä on yli 27% enemmän kuin aikaisemmissa järjestelmissä.
  • 2015: DeepMindin Deep Q Networks oppii pelaamaan Atari-pelejä, merkitseen syvän vahvistamisen oppimisen ikää.
  • 2015–17: Google DeepMindin AlphaGo voitti Go-mestarit Fan Huin, Lee Sedolin ja Ke Jiein, joka oli tuolloin maailman ensimmäisen sijan pelaaja.
  • 2015: Google DeepDream saa kaikki ihmettelemään, voivatko koneet tehdä taiteen tuottamalla trippikuvia käyttämällä konvoluutiohermoverkkoa, ohjelmistoa, joka on suunniteltu havaitsemaan kuvien kasvot ja muut kuviot, joiden tarkoituksena on kuvien automaattinen luokittelu.
  • 2015-nykypäivä: taiteilija Ross Goodwin tutkii uusia kerrotun todellisuuden muotoja koneoppimisella runollisen ”automaattisen valokuva” -juttajani Word Kameran avulla ja ohjelmoi itse nimeltään AI “Benjamin” kirjoittamaan käsikirjoituksen elokuvalle, jonka pääosassa on David Hasselhoff.
  • Vuodesta 2015-nykypäivä: Kotiin tuodaan erilaisia ​​AI-henkilökohtaisia ​​avustajia, kun Applen Siri taistelee nyt Microsoftin Cortanan, Amazonin Alexan ja Google Nyt -palvelun huomioksi.
  • 2017: Libratus, jonka ovat suunnitellut Carnegie Mellon -professori Tuomas Sandholm ja hänen korkea-asteen opiskelija Noam Brown voittivat neljää huippupelaajaa vastaan ​​pokerin monimutkaisessa versiossa - Texas Hold’em.
  • 2017: Googlen Deepmind ja moninpelissä olevan avaruussodan videopelin StarCraft II luojat ovat julkaissut työkalut, joiden avulla AI-tutkijat voivat luoda robotteja, jotka pystyvät kilpailemaan ihmisiä vastaan. Botteja ei ole vielä voitettu, eikä niiden odoteta vielä jonkin aikaa, mutta kun ne tulevat voimaan, se on paljon suurempi saavutus kuin voittaminen Go: lla.

Koneoppimisen ja syvän oppimisen edistyminen

Missä AI-ammattilaiset asuvat

Kaikki nämä välitavoitteet eivät olisi olleet mahdollisia ilman merkittäviä edistysaskeleita viimeisen vuosikymmenen mielenkiintoisimmilla alueilla: koneoppimisessa ja syvällisessä oppimisessa. Vaikka nämä termit kuulostavat samanlaisilta, ne eivät ole aivan samoja. Selvitetään.

90-luvun lopulta ja 2000-luvun alkupuolelta kasvaneet tietokoneiden tallennus- ja käsittelyominaisuudet tarkoittivat, että AI-järjestelmät pystyivät vihdoin pitämään tarpeeksi dataa ja valjastamaan riittävästi voimaa monimutkaisempien prosessien käsittelemiseksi. Samaan aikaan Internetin käytön ja yhteyksien räjähdys tuotti jatkuvasti kasvavan määrän dataa, kuten kuvia, tekstiä, karttoja tai tapahtuma-tietoja, joita voidaan käyttää koneiden kouluttamiseen.

Aikaisemman ohjelmoidun "jos silloin" -sääntöjen järjestelmän ja monimutkaisten symbolisten logiikkamenettelyjen sijaan, jotka vaativat tuhansia koodirivejä päätöksenteon ohjaamiseksi, kuten hyvässä vanhanaikaisessa tekoälyssä tai GOFAI: ssa, koneoppiminen toimii taaksepäin. Käyttämällä valtavia tietojoukkoja algoritmit oppivat iteratiivisesti etsimällä malleja, joiden avulla tulevaisuuden syötteet voidaan ymmärtää. Koneoppimisen tiivisti yhteen koneoppion edelläkävijä Arthur Samuel, joka jo vuonna 1959 kuvaili sitä ”opintoalueeksi, joka antaa tietokoneille mahdollisuuden oppia ilman, että sitä on nimenomaisesti ohjelmoitu.” Koneoppimista käytetään käsittelemään monenlaisia aiheita, kuten syöpäsolujen tunnistaminen, ennakoida mitä elokuvaa kannattaa katsoa seuraavaksi, ymmärtää kaikenlaista puhuttua kieltä tai määrittää talosi markkina-arvo.

Mitkä syöpäsolut tässä kuvassa ovat? AI voi pystyä selvittämään nopeammin kuin lääkäri. Kuva: Gabriel Caponetti in Popular Science.

Koneoppimisessa viimeaikaiset edistysaskeleet ovat suurelta osin johtuneet syvällisen oppimisen kasvusta - koneoppimisen osa-alueesta. Syvä oppiminen lainaa aivojen rakennetta yhdistämällä paljon yksinkertaisia ​​“neuroni” -tyyppisiä rakenteita yhteen kiinnostavien asioiden tekemiseksi hermoverkossa. Pinottamalla useita kerrosta näitä keinotekoisia neuroneja (siis "syvä"), koko verkko voi oppia tekemään monimutkaisia ​​tehtäviä. Mielenkiintoista on, että näiden kerrosten neuronit päätyvät usein suorittamaan tiettyjä rooleja, kuten tunnistamaan reunat tai tietyn objektin ääriviivat. Syvän oppimisen ainutlaatuinen vahvuus on, että nämä alatehtävät - joita usein kutsutaan ”ominaisuuksiksi” - oppitaan suoraan tiedoista, sen sijaan että ohjelmoijat määrittäisivät niitä. Tämä mahdollistaa syvän oppimisen ratkaista ongelmat, joissa ratkaisut eivät ole ihmisille ilmeisiä.

Otetaan tosielämän esimerkki: syöpäsolujen tunnistaminen. Klassinen AI-lähestymistapa luottaisi siihen, että ihmisen asiantuntija yrittää tislata oman päätöksentekoprosessinsa ja kodifioida sen sitten algoritmissa. Voimme esimerkiksi ilmoittaa solut, jotka ovat suurempia kuin tietty koko, tai joilla on sumea ääriviiva tai ominainen muoto. Syvällä oppimisella voimme kuitenkin syöttää suoraan merkittyjen solujen kuvia osoittaaksesi, ovatko ne syöpä vai ei, ja hermoverkostomme oppii valitsemaan kuvan hyödyllisimmät ominaisuudet tähän tiettyyn tehtävään. Tämä on klassinen esimerkki “ohjatusta oppimisesta”: tarjoamme joitain tuloja ja haluttuja lähtöjä, ja algoritmi oppii kartoittamaan toisistaan.

Voimme myös poistaa tarrat kokonaan ja pyytää algoritmia ryhmittelemään solut, joilla on jotain yhteistä. Tätä prosessia kutsutaan klusterointiin ja se on eräänlainen ohjaamaton oppiminen. Täällä emme tarjoa valvontaa tarrojen muodossa, vaan käytämme vain syvää oppimista löytääksesi rakenteen tiedoista. Esimerkissämme ehkä, että solumme ovat paljon erityyppisiä - ihosolut, maksasolut ja lihassolut -, ja olisi hyödyllistä ryhmitellä ne ennen kuin yrität selvittää, mitkä kunkin klusterin solut ovat syöpäsoluja. Muita ryhmittelyyn liittyviä yleisiä sovelluksia ovat valokuvien eri kasvojen tunnistaminen, erityyppisten asiakkaiden ymmärtäminen ja samasta aiheesta uutisjuttujen kerääminen.

Älä usko hype: AI Myytit vs. Todellisuudet

Joten kaikkien näiden nopeiden AI-edistysaskelten takia viime vuosina luuletko meidän olevan pumpattu siitä oikein? No, kaikki eivät. Kuten AI: n ensimmäisinä kultaisina vuosina 50-60-luvulla, tieteiskirjallisuuden ja median kuvauksiin perustuvien AI-odotuksiemme ja sen, minkä AI todella pystyy nykyään, välillä on edelleen suuri ero. (Puhumattakaan näihin ennusteisiin liittyvä häiriöiden pelko, yksityisyyden suoja tai työpaikkojen menetys.)

Toinen tapa kehittää tätä keskustelua on ero “kapean” ja “yleisen” tekoälyn välillä. Suuri osa AI: n suurimmista menestyksistä on tähän mennessä ollut “kapeassa” tekoälyssä, ts. Tietyn tehtävän suorittamisessa tiukkojen parametrien puitteissa, kuten Siri kirjoittamalla sinulle sanottu tekstiviesti tai tunnistamalla kissan kuvan. Kapeassa AI: ssä ei ole käsitettä itsetuntemuksesta tai yleisistä ongelmanratkaisutaitoista. Kääntäen, suuri osa yleisön mielikuvitusta on vanginnut vuosikymmenien ajan tämän ”yleisen tekoälyn” fantasiaa ihmisen kaltaisen avustajan muodossa, kuten Hal 9000, R2D2 tai Samantha in Her, jossa AI: lla on sama, jos ei suurempi älykkyys kuin ihmiset.

Ollakseni erittäin selvää, olemme kaukana kaikesta, joka muistuttaa yleistä AI: ta. Yoshua Bengio, yksi Element AI: n perustajista, on selkeä puhuessaan tästä aiheesta - hän ei usko, että on kohtuullista ennustaa aikaperusteisesti, milloin tämä saattaa tapahtua. Äskettäisessä puheessaan hän esitteli muutamia erityisiä syitä siihen, miksi meitä ei vielä ole paikalla. Ensimmäinen oli, että kaikki tähän mennessä tehdyt teollisen AI-onnistumiset perustuvat puhtaasti ohjattuun oppimiseen. Oppimisjärjestelmämme ovat edelleen melko yksinkertaisia, koska ne luottavat pinnallisiin vihjeisiin tietoihin, jotka eivät tee hyvin koulutustilanteiden ulkopuolella.

Googlen hermostoverkkojen tuottamat käsipainot, varustetut raajat. Kuva: Google.

Esimerkiksi, kun Google koulutti hermoverkon tuottamaan käsipainojen kuvia tuhansien kuvien perusteella, se sai sen melkein oikein. Toki, meillä on kaksi painoa, jotka on kytketty palkilla, mutta mitä nuo pikkuvarret tekevät siellä? Vaikka hermoverkko pystyi onnistuneesti tunnistamaan käsipainojen yleiset visuaaliset ominaisuudet, koska lähdekuvissa oli aina ihmisiä, jotka pitivät käsipainoja, siinä oletetaan myös, että käsipainoilla on aseita.

Tällaisista merkittävistä rajoituksista huolimatta, kuullaksesi Elon Muskin kipinää Mark Zuckerbergin kanssa viime kesänä, luulet, että AI: n tukema kolmas maailmansota oli nurkan takana. Toimitusjohtajamme Jean-François Gagné palauttaa meidät äskettäisessä blogiviestissä takaisin AI: n nykytilan perusteisiin:

”AI on hyvin kapea ja hauras. Se ei toimi hyvin sen asettaman laajuuden ulkopuolella. Se pystyy hallitsemaan vain yksinkertaisia ​​objektiivisia toimintoja; niin todella me, ihmiset, käytämme inhimillistä älykkyyttämme soveltaaksemme sitä tehokkaasti siihen pisteeseen, missä työ voidaan automatisoida. "

AI: lla on monia määritelmiä

Nyt kun pystymme nopeuttamaan AI: n historiallista kehitystä ja viimeaikaista kehitystä, kaivokaamme lukuisiin määritelmiin, jotka olemme keksineet kuvaamaan sitä vuosien mittaan. Vaikka jotkut ovat väittäneet, että termiä on viime aikoina käytetty niin liikaa, että siitä on tullut merkityksetön, emme ole aivan valmiita luopumaan siitä.

Kuinka termiä "AI" käytetään nykyään

AI: n määrittelemiseksi aloitetaan tutkimalla älykkyyttä. Yhtäältä voit ottaa yksinkertaistetun älyn käsitteen, joka perustuu esimerkiksi IQ-pisteykseen. Mutta me kaikki tiedämme, että älykkyys on itse asiassa paljon kerroksellisempi ja monimutkaisempi. Oxfordin sanakirja määrittelee sen seuraavasti: "kyky hankkia ja soveltaa tietoja ja taitoja", kun taas Cambridge-sanakirjan lähestymistapa on hiukan erilainen: "kyky oppia, ymmärtää ja tehdä arvioita tai olla perusteluun perustuvia mielipiteitä". Toiset ovat kehittäneet vuosien mittaan vivahteikkaampia tapoja miettiä älykkyyttä, kuten Howard Gardnerin teoria monien älykkyyksien teoriasta, jossa esiintyvät moraalisuudet kuten musiikillinen-rytminen ja harmoninen, visuaalisesti-spatiaalinen, sanallinen-kielellinen, looginen-matemaattinen, kehon-kinesteettinen ja eksistentiaalinen , muiden joukossa. Suunnittelumme on lähempänä tätä viimeistä määritelmää, joka mahdollistaa tiedon hankkimisen, käsittelemisen ja soveltamisen monissa tilanteissa.

Älykkyysideamme on myös hyvin antropomorfinen: se perustuu tapaan, jolla me ihmisinä ajattelemme ja ratkaisemme ongelmia. AI ymmärretään laajasti samalla tavalla, koska keinotekoisesti älykäs järjestelmä tekee johtopäätöksiä tavalla, joka muistuttaa ihmisen lähestymistapaa. Tämän ajatuksen pohjalta David C. Parkes ja Michael P. Wellman esittävät AI: n käsitteen "homo economicus -kanavana, uusklassisen talouden myyttisen täysin rationaalisena tekijänä". Mutta vaikka on houkuttelevaa ajatella, että voisimme ajatella täysin rationaalisen kokonaisuuden, AI: n kouluttamiseen käytetyt tiedot ovat usein luonnostaan ​​virheellisiä johtuen inhimillisistä tai muista puolueellisuuksista, mikä tekee ”täydellisen rationaalisuuden” arvioinnin lähes mahdottomaksi.

Valkoisen talon vuoden 2016 raportti AI: n summista yhtenäisen määritelmän laatimisen haasteisiin: ”Ei ole olemassa yhtä ainoaa AI: n määritelmää, jonka lääkärit yleisesti hyväksyvät. Jotkut määrittelevät AI: n löysästi tietokonepohjaiseksi järjestelmäksi, jolla esiintyy käyttäytymistä, jonka yleisesti ajatellaan vaativan älykkyyttä. Toiset määrittelevät AI: n järjestelmäksi, joka pystyy ratkaisemaan rationaalisesti monimutkaisia ​​ongelmia tai toteuttamaan tarkoituksenmukaisia ​​toimia tavoitteiden saavuttamiseksi missä tahansa todellisessa tilanteessa. "On mielenkiintoista huomata, että he eivät käytä termiä" ihmisen käyttäytyminen ", vaan yksinkertaisesti ”käyttäytyminen”.

Ruotsalainen filosofi Nick Bostrom keskittyy AI: n oppimisen ja sopeutumisen käsitteeseen kirjassaan Superintelligence: Polut, vaarat, strategiat: ”Oppimiskyky olisi olennainen osa yleisen älykkyyden saavuttamiseksi tarkoitetun järjestelmän ydinsuunnittelua ... Sama pitää kykyä käsitellä epävarmuutta ja todennäköisyyttä koskevia tietoja. ”Toiset, kuten tietokonetekniikan professori Ethem Alpaydın koneiden oppimisen johdannossa, väittävät, että” älykkään järjestelmän on kyettävä mukautumaan ympäristöönsä; sen tulisi oppia toistamatta virheitä, mutta toistamaan onnistumisensa. ”

Määritelmämme

Sen lisäksi, että tutkimme, miten muut määrittelevät nykyään AI: n, osa tutkimukseemme sisälsi myös koko yrityksen kattavan kyselyn lähettämisen, jossa kollegoitamme pyydettiin määrittelemään tekoäly lauseessa (tai kaksi tai kolme). Kyselyjen tuloksissa ilmeni kolme päävastausluokkaa:

  1. AI on tietokoneen kyky tehdä päätöksiä tai ennustaa sen käytettävissä olevien tietojen perusteella.
  2. AI on tietokoneen kyky toistaa korkeamman asteen aivotoimintoja, kuten havainto, kognitio, hallinta, suunnittelu tai strategia.
  3. AI on datan ja laskennan avulla luotu ohjelma, toisin sanoen sitä ei ole koodattu.

Ovatko nämä määritelmät nykypäivän tarkoituksia varten riittäviä? Mitä haasteita on yritetty määritellä niin laaja ja jatkuvasti kehittyvä käsite?

Miksi tämä on niin vaikeaa?

Kissanilmiö on yksi suurimmista haasteista puhuttaessa AI: stä. Termin usein käyttämät ovat johtaneet laajaan sovellusvalikoimaan ja luontaisiin sekaannuksiin, kuten Genevieve Bell, Stanfordin antropologian tohtori ja Intelin vuorovaikutus- ja kokemustutkimuksen johtaja selittää:

”Minulle keinoäly on katkera termi, ja se on se, joka pyörii suosion ulkopuolella. Se on palannut tällä hetkellä. Se on kattotermi, jonka avulla voit puhua kognitiivisesta laskennasta, koneoppimisesta ja syväoppimisesta sekä algoritmeista. Se on catchall, koska se tarkoittaa kaikkea eikä mitään samanaikaisesti. Se on kulttuuriluokka yhtä paljon kuin tekninen. "

Termiä käytetään usein väärissä olosuhteissa (tai pikemminkin epätarkkoissa olosuhteissa), koska se on niin laaja, kuten esitetään tässä McKinsey Global Institute -keskusteluasiakirjassa 2017, AI: Seuraava digitaalinen raja:

”… On vaikea määrittää, koska ihmiset sekoittavat ja sovittavat yhteen eri tekniikoita luodakseen ratkaisuja yksittäisiin ongelmiin. Toisinaan niitä käsitellään itsenäisinä tekniikoina, joskus toisen tekniikan alaryhminä ja joskus sovelluksina… Jotkut puitteet ryhmittelevät AI-tekniikat perustoimintojen perusteella…, toiset ryhmittelevät ne yrityssovellusten perusteella… ”

Toinen suuri haaste AI: n määrittelyssä on se, että tiede ja sen sovellukset kehittyvät jatkuvasti. Kuten Pamela McCorduck selittää kirjassaan Machines Who Think, älykäs järjestelmä, joka ratkaisee uuden ongelman, diskontataan "vain laskennalla" tai "ei todellisella älykkyydellä". Filosofi Bostrom summaa tämän hienosti: ”Monet huipputekniset AI-tekniikat ovat suodattaneet yleisiin sovelluksiin, usein ilman, että niitä kutsutaan AI: ksi, kun jostakin tulee tarpeeksi hyödyllinen ja riittävän yleinen, sitä ei enää nimetä AI: ksi.” Esimerkiksi IBM-ohjelma, joka pelasi tammea. vuonna 1951 saattoi olla tuolloin pidetty uraauurtavana AI: nä, mutta sitä kuvailtaisiin nykyään perustietojen laskemiseen. Tai viime aikoina jotkut väittävät pessimistisesti, että mistään ”kapeasta AI: sta”, kuten AlphaGon lyömisestä Lee Sedolia, ei ole mitään ”älykästä”.

Ottaen huomioon kaikki nämä haasteet, onko olemassa tapa vähentää arviointimme aiheuttamaa kulttuuri- ja mediamelua ja keskittyä konkreettisiin kysymyksiin? Kun käytämme sanaa “AI”, tarkoitamme yleensä tiettyä tekniikkaa, kuten luonnollista kielenkäsittelyä, koneoppimista tai konenäköä. Joten mahdollisimman tarkka oleminen on hyvä paikka aloittaa. Muissa olosuhteissa termin "AI" käyttäminen ei kuitenkaan ole väärää, esimerkiksi tilanteissa, joissa emme todellakaan tiedä tarkalleen, mitä tekniikkaa käytetään. Se on ansa, johon emme ole immuuneja putoamiseen yhdessä kaikkien AI-harjoittajien ja toimittajien kanssa, jotka tukevat tätä jatkuvaa keskustelua.

Katse eteenpäin

Yrittäessämme selkeästi ilmaista, mikä AI “on”, olemme huomanneet, että se tarkoittaa melko monia erilaisia ​​asioita eri ihmisille. Se on idea, joka on vanginnut mielikuvituksemme erittäin kauan. Vaikka rajaamme sen tietotekniikkaan, se on silti erittäin laaja. Tämän mielestä mielestämme on tärkeää keskittyä siihen, kuinka AI muuttaa jo elämäämme, nykypäivän läpimurtoja, jotka herättävät tämän hypeen. Kevin Kelly tiivisti tämän hienosti äskettäisessä TED-puheessa:

”Tällä hetkellä ei ole AI-asiantuntijoita. Siihen menee paljon rahaa, siihen kulutetaan miljardeja dollareita; se on valtava yritys, mutta asiantuntijoita ei ole, verrattuna siihen, mitä tiedämme 20 vuoden kuluttua. Joten olemme vasta alussa alkuun, olemme kaiken tämän ensimmäisen tunnin aikana ... Suosituinta AI-tuotetta 20 vuoden kuluttua, jota kaikki käyttävät, ei ole vielä keksitty. Se tarkoittaa, että et ole myöhässä. "

Toisin sanoen on normaalia, että käsityksemme AI: stä sisältävät useita näkökulmia ja joskus ristiriitaisia ​​ideoita, koska se kehittyy ja tapahtuu nyt. Tätä ei ole tarkoitus lukea kopiona, vaan pikemminkin kehotusta omaksua sen luontainen arvokkuus ja sotkuisuus, kun pyrimme parantamaan sitä.

Kaikki tämä sanoa, ettemme aio määritellä määritelmää. Haluamme kuitenkin, että suunnittelijat, jotka kamppailevat nykyään tuotantoon tulevan tekniikan kanssa, saavat perustiedot AI: stä ja sen ominaisuuksista. Jos ”AI on mitä ei ole vielä tehty”, kuten Teslerin lause väittää, niin meidän on tarkasteltava juuri tätä - ei siihen, mitä on jo tehty, vaan siihen, mikä on mahdollista tai hyvin pian.

Uskomme, että AI on sen ytimessä valtava oppimismahdollisuus, ja mikäli sitä kehitetään järkevästi, se voi ajaa ihmisiä laajaan kehitykseen. Kun hevosvetoiset aurat mullistivat dramaattisesti maataloutta 1100-luvulla ja höyrymoottorit ajoivat tuotannon ja kuljetuksen uudelle aikakaudelle 1800-luvulla, näemme AI: n seuraavan vuosisadan digitaalisen innovoinnin taustalla. Kuten MIT-fysiikan professori Max Tegmark äskettäin totesi, nyt ei ole aika pohtia tulevaisuutta jonkin ennalta määritetyn tapahtumana, jota väistämättä vahingoitamme, vaan meidän pitäisi pikemminkin kysyä itseltämme: ”Millaista tulevaisuutta haluamme suunnitella AI: n kanssa? ”

Jos nautit tästä, katso seuraavaa lukua AI-First Design Foundations -sarjassa - Mikä on muotoilu, oikeasti?

Tekijät ja avustajat

Rebecca West on Element AI: n AI1D-lehden toimittaja ja kirjailija, joka keskittyy suunnitteluun, teknologiaan ja luovuuteen liittyvissä projekteissa.

Kuvituksia Element AI: n visuaalinen suunnittelija Dona Solo.

Kokemussuunnittelija Masha Krolin, soveltavan tutkimuksen tutkijan Archy de Berkerin ja kesämme 2017 tutkimusharjoittelijamme Louis-Félix La Roche-Morinin kanssa.