Spoločným a opakujúcim sa názorom na najnovšie prielomy vo výskume umelej inteligencie je to, že vnímajúce a inteligentné stroje sú práve na obzore. Stroje rozumejú slovným príkazom, rozlišujú obrázky, riadia autá a hrajú hry lepšie ako my. O koľko dlhšie to môže trvať, kým medzi nami kráčajú?
Nová správa Bieleho domu o umelej inteligencii má na tento sen primerane skeptický názor. Uvádza sa v nej, že v nasledujúcich 20 rokoch pravdepodobne nebudú stroje „vystavovať široko použiteľnú inteligenciu porovnateľnú alebo prevyšujúcu inteligenciu ľudí“, aj keď sa ďalej hovorí, že „v nasledujúcich rokoch“ stroje dosiahnu a presiahnu ľudskú výkonnosť pri ďalších a ďalšie úlohy. “ Avšak jej predpoklady o vývoji týchto schopností vynechali niektoré dôležité body.
Ako výskumný pracovník v oblasti AI priznávam, že bolo pekné, aby sa moje pole zvýraznilo na najvyššej úrovni americkej vlády, ale správa sa zamerala takmer výlučne na to, čo nazývam „nudný druh AI“. V polovici vety som zamietol moju vetvu výskumu AI o tom, ako môže vývoj pomôcť vyvinúť neustále sa zlepšujúce systémy AI a ako nám výpočtové modely môžu pomôcť pochopiť, ako sa vyvíjala naša ľudská inteligencia.
Správa sa zameriava na to, čo by sa dalo nazvať tradičné nástroje AI: strojové učenie a hlboké vzdelávanie. Jedná sa o najrôznejšie technológie, ktoré boli schopné hrať „Jeopardy!“ a porazte ľudských majstrov Go v najkomplikovanejšej hre, akú kedy vymysleli. Tieto súčasné inteligentné systémy dokážu spracovať obrovské množstvo údajov a veľmi rýchlo vykonať zložité výpočty. Ale im chýba prvok, ktorý bude kľúčom k budovaniu vnímajúcich strojov, ktoré v budúcnosti zobrazujeme.
Musíme sa učiť viac ako učiť stroje. Musíme prekonať hranice, ktoré definujú štyri rôzne typy umelej inteligencie, bariéry, ktoré nás oddeľujú - a od nich.
Typ I AI: Reaktívne stroje
Najzákladnejšie typy systémov AI sú čisto reaktívne a nie sú schopné vytvárať spomienky ani využívať minulé skúsenosti na informovanie o súčasných rozhodnutiach. Dokonalým príkladom tohto typu stroja je Deep Blue, superpočítač IBM, ktorý hrá šach, ktorý na konci 90. rokov porazil medzinárodného velmistra Garryho Kasparova.
Deep Blue dokáže identifikovať figúrky na šachovnici a vedieť, ako sa každý pohybuje. Môže robiť predpovede o tom, aké kroky môžu byť pre neho a jeho súpera najbližšie. A môže si vybrať z tých najoptimálnejších ťahov.
Nemá však predstavu o minulosti ani spomienku na to, čo sa predtým stalo. Okrem zriedka používaných pravidiel týkajúcich sa šachu proti opakovaniu toho istého ťahu trikrát, Deep Blue ignoruje všetko pred súčasným okamihom. Jediné, čo robí, je pozrieť sa na figúrky na šachovnici, ktorá stojí práve teraz, a vybrať si z možných ďalších ťahov.
Tento druh inteligencie zahŕňa počítač, ktorý priamo vníma svet a koná podľa toho, čo vidí. Nezávisí to od vnútornej koncepcie sveta. Výskumník AI Rodney Brooks v seminárnej práci tvrdil, že by sme mali stavať iba také stroje. Jeho hlavným dôvodom bolo to, že ľudia nie sú veľmi dobrí v programovaní presných simulovaných svetov pre počítače, ktoré sa používajú, čo sa v AI štipendiu nazýva „reprezentácia“ sveta.
Súčasné inteligentné stroje, ktoré obdivujeme, nemajú ani takú predstavu o svete, alebo majú veľmi obmedzené a špecializované zameranie na konkrétne úlohy. Novinkou v dizajne spoločnosti Deep Blue nebolo rozšírenie rozsahu možných filmov, ktoré počítač zvažoval. Vývojári skôr našli spôsob, ako zúžiť svoj názor, prestať vykonávať niektoré potenciálne budúce kroky, na základe toho, ako hodnotia svoj výsledok. Bez tejto schopnosti by Deep Blue potrebovala byť ešte výkonnejší počítač, aby skutočne porazil Kasparova.
Podobne ani AlphaGo spoločnosti Google, ktoré porazilo špičkových odborníkov v oblasti ľudských služieb Go, nedokáže vyhodnotiť všetky potenciálne budúce kroky. Metóda jej analýzy je sofistikovanejšia ako metóda Deep Blue's. Na hodnotenie vývoja hry využíva neurónovú sieť.
Tieto metódy zlepšujú schopnosť systémov AI lepšie hrať konkrétne hry, nemôžu sa však ľahko zmeniť alebo použiť v iných situáciách. Tieto počítačové predstavivosti nemajú predstavu o širšom svete - čo znamená, že nemôžu fungovať nad rámec konkrétnych úloh, ktoré im boli pridelené, a ľahko sa dajú oklamať.
Nemôžu sa interaktívne zúčastňovať na svete, ako si vieme predstaviť AI systémy jedného dňa. Namiesto toho sa tieto stroje budú správať presne rovnakým spôsobom zakaždým, keď sa stretnú s rovnakou situáciou. To môže byť veľmi dobré na zabezpečenie dôveryhodnosti systému AI: Chcete, aby vaše autonómne vozidlo bolo spoľahlivým vodičom. Je však zlé, ak chceme, aby sa stroje skutočne zapájali do sveta a reagovali naň. Tieto najjednoduchšie systémy AI sa nikdy nebudú nudiť, nebudú sa zaujímať ani nebudú smutné.
AI typu II: obmedzená pamäť
Táto trieda typu II obsahuje stroje, ktoré môžu pozerať do minulosti. Autá s vlastným pohonom to už robia. Napríklad sledujú rýchlosť a smer iných vozidiel. To sa nedá urobiť len v jednom okamihu, ale skôr si vyžaduje identifikáciu konkrétnych objektov a ich sledovanie v priebehu času.
Tieto pozorovania sa pridávajú k vopred naprogramovaným vyobrazeniam automobilov s vlastným pohonom, ktoré zahŕňajú aj značenie jazdných pruhov, semafory a ďalšie dôležité prvky, ako sú krivky na ceste. Zahrnú sa, keď sa auto rozhodne, kedy má zmeniť jazdný pruh, aby nedošlo k prerušeniu jazdy iného vodiča alebo k zasiahnutiu blízkym autom.
Tieto jednoduché informácie o minulosti sú však iba prechodné. Nie sú uložené ako súčasť knižnice skúseností vozidla, z ktorej sa môžu poučiť, zo spôsobu, akým vodiči zhromažďujú skúsenosti za roky za volantom.
Ako teda môžeme zostaviť systémy AI, ktoré vytvárajú úplné reprezentácie, pamätajú si ich skúsenosti a učia sa, ako zvládnuť nové situácie? Brooks mal pravdu v tom, že je veľmi ťažké to urobiť. Môj vlastný výskum metód inšpirovaných darwinovskou evolúciou sa môže začať vyrovnávať s ľudskými nedostatkami tým, že nechá stroje, aby si vytvorili vlastné reprezentácie.
Typ III AI: Teória mysle
Mohli by sme sa tu zastaviť a označiť tento bod za dôležitý rozdiel medzi strojmi, ktoré máme, a strojmi, ktoré budeme stavať v budúcnosti. Je však lepšie presnejšie diskutovať o typoch reprezentácií, ktoré musia stroje tvoriť a o čom musia byť.
Stroje v ďalšej, vyspelejšej triede netvoria len reprezentácie sveta, ale aj iných agentov alebo entít vo svete. V psychológii sa to nazýva „teória mysle“ - chápanie, že ľudia, stvorenia a objekty na svete môžu mať myšlienky a emócie, ktoré ovplyvňujú ich vlastné správanie.
To je rozhodujúce pre to, ako sme my ľudia tvorili spoločnosti, pretože nám umožňovali spoločenské interakcie. Bez pochopenia motívov a zámerov druhej strany a bez ohľadu na to, čo niekto iný vie o mne alebo o životnom prostredí, je spolupráca v najlepšom prípade ťažká, v najhoršom prípade nemožná.
Ak budú medzi nami systémy AI skutočne chodiť, budú musieť pochopiť, že každý z nás má myšlienky a pocity a očakávania, ako sa k nám bude pristupovať. A budú musieť podľa toho upraviť svoje správanie.
AI typu IV: Sebavedomie
Posledným krokom vo vývoji AI je vytvorenie systémov, ktoré môžu vytvárať reprezentácie o sebe. V konečnom dôsledku budeme my výskumníci AI musieť nielen porozumieť vedomiu, ale stavať stroje, ktoré ho majú.
V istom zmysle ide o rozšírenie „teórie mysle“, ktorú vlastnia umelé inteligencie typu III. Vedomie sa z nejakého dôvodu nazýva aj „sebavedomie“. („Chcem túto položku“ je veľmi odlišné tvrdenie ako „Viem, že túto položku chcem.“) Vedomé bytosti si uvedomujú samé seba, vedia o svojich vnútorných stavoch a dokážu predpovedať pocity druhých. Predpokladáme, že niekto trúbiaci za nami v premávke je nahnevaný alebo netrpezlivý, pretože takto sa cítime, keď trúbime na ostatných. Bez teórie mysle by sme nemohli urobiť také druhy inferencií.
Aj keď pravdepodobne nie sme ďaleko od vytvárania strojov, ktoré si uvedomujú sami seba, mali by sme sa zamerať na porozumenie pamäti, učenie a schopnosť zakladať rozhodnutia na minulých skúsenostiach. Toto je dôležitý krok k pochopeniu ľudskej inteligencie ako takej. A je rozhodujúce, ak chceme navrhovať alebo vyvíjať stroje, ktoré sú viac ako výnimočné pri klasifikácii toho, čo vidia pred nimi.
Arend Hintze, odborný asistent integračnej biológie a informatiky a inžinierstva, Michiganská štátna univerzita
