Die aktuelle künstliche Intelligenz (KI) befindet sich in einer wunderbaren Ära, und oft taucht erstaunliches stillschweigendes Wissen auf (Polanyis Rache und die neue Romanze und stillschweigendes Wissen über künstliche Intelligenz, https://bit.ly/3qYrAOY), aber Es ist sicher, dass Computer diese Aufgabe noch lange nicht bewältigen können. In jüngster Zeit sind interessante Forschungsergebnisse zu groß angelegten Lernsystemen auf Basis der Transformer-Architektur entstanden, die auf großen multimodalen Korpora im Netzwerkmaßstab und Milliarden von Parametern für das Training basieren. Typische Beispiele sind große Sprachmodelle, GPT3 und PALM, die auf beliebige Textaufforderungen reagieren, Sprach-/Bildmodelle DALL-E und Imagen, die Text in Bilder umwandeln (sogar Modelle mit allgemeinem Verhalten wie GATO).
Das Aufkommen groß angelegter Lernmodelle hat die Natur der Forschung im Bereich der künstlichen Intelligenz grundlegend verändert. Als Forscher kürzlich DALL-E verwendeten, glaubten sie, dass es eine eigene, einzigartige Sprache entwickelt zu haben schien, wenn Menschen es beherrschen könnten, könnten sie besser mit DALL-E interagieren. Einige Forscher haben auch herausgefunden, dass die Leistung von GPT3 bei Denkproblemen verbessert werden kann, indem bestimmte Zaubersprüche (z. B. „Lass uns Schritt für Schritt denken“) in die Eingabeaufforderung eingefügt werden. Jetzt sind große Lernmodelle wie GPT3 und DALL-E wie „fremde Spezies“ und wir müssen versuchen, ihr Verhalten zu entschlüsseln.
Dies ist sicherlich ein seltsamer Wendepunkt für künstliche Intelligenz. Seit ihrer Entstehung ist künstliche Intelligenz ein „Niemandsland“ zwischen Ingenieurwesen (Systeme mit spezifischen Funktionen) und Wissenschaft (Entdeckung der Gesetze natürlicher Phänomene). Der wissenschaftliche Teil der KI ergibt sich aus ihren ursprünglichen Ansprüchen, bei denen es sich um Erkenntnisse über die Natur der menschlichen Intelligenz handelte, während der technische Teil eher auf der Konzentration auf intelligente Fähigkeiten (die es Computern ermöglichen, intelligentes Verhalten zu zeigen) als auf Erkenntnissen über die menschliche Intelligenz beruht.
Und die aktuelle Situation ändert sich rasant, insbesondere künstliche Intelligenz ist zum Synonym für groß angelegte Lernmodelle geworden. Der aktuelle Status quo ist, dass niemand etwas darüber weiß, wie die trainierten Modelle eine bestimmte Funktion haben oder welche anderen Funktionen sie möglicherweise haben (wie etwa die sogenannte Fähigkeit von PALM, „Witze zu erklären“). Selbst ihre Erfinder haben oft keine Ahnung, was diese Systeme leisten können. Die Erforschung dieser Systeme, um ihren „funktionalen“ Umfang zu verstehen, ist zu einem aktuellen Trend in der Forschung zur künstlichen Intelligenz geworden.
Es wird immer deutlicher, dass einige Teile der künstlichen Intelligenz von ihren technischen Wurzeln abweichen. Heutzutage ist es schwierig, sich große Lernsysteme als technische Entwürfe mit spezifischen Zielen im herkömmlichen Sinne vorzustellen. Schließlich kann man nicht sagen, dass die eigenen Kinder „designt“ sind. Im Ingenieurwesen werden unerwartete neue Eigenschaften der von ihm entworfenen Systeme normalerweise nicht gefeiert (so wie Bauingenieure nicht mit Aufregung feiern, wenn sich herausstellt, dass eine Brücke, die sie entworfen haben, um einem Hurrikan der Kategorie 5 standzuhalten, schwebt).
Es gibt immer mehr Hinweise darauf, dass die Untersuchung dieser großen trainierten (aber nicht entworfenen) Systeme zu einer Naturwissenschaft werden soll: Beobachtung der Funktion des Systems; Durchführung qualitativer Analysen bewährter Verfahren.
Angesichts der Tatsache, dass sich die aktuelle Forschung eher auf das Aussehen als auf das Innere konzentriert, ähnelt dies dem großen Ziel, es ohne tatsächliche Beweise in der Biologie „herauszufinden“. Maschinelles Lernen ist ein Forschungsvorhaben, das sich mehr darauf konzentriert, warum ein System das tut, was es tut (denken Sie an die Durchführung von „MRT“-Studien großer lernender Systeme), als darauf, zu beweisen, dass das System dafür konzipiert wurde. Die aus diesen Studien gewonnenen Erkenntnisse können die Fähigkeit zur Feinabstimmung von Systemen (genau wie in der Medizin) verbessern. Natürlich ermöglicht die Untersuchung von Oberflächensituationen gezieltere Eingriffe als in Innenräumen.
Künstliche Intelligenz wird zur Naturwissenschaft und wird auch Auswirkungen auf die gesamte Informatik haben, wenn man bedenkt, dass künstliche Intelligenz einen enormen Einfluss auf fast alle Computerbereiche haben wird. Auch das Wort „Wissenschaft“ in der Informatik wurde in Frage gestellt und lächerlich gemacht. Aber das hat sich jetzt geändert, da künstliche Intelligenz zu einer Naturwissenschaft geworden ist, die groß angelegte künstliche Lernsysteme untersucht. Natürlich kann es viele Widerstände und Meinungen gegen diesen Übergang geben, da die Informatik seit langem der heilige Gral des „Korrigierens durch Konstruktion“ ist. Von Anfang an war die Informatik gleichbedeutend mit dem Leben in einem System voller Anreize. Es ist so korrekt wie ein gut erzogener Hund, genau wie ein Mensch.
Bereits im Jahr 2003 warnte Turing-Preisträgerin Leslie Lamport davor, dass die Zukunft der Informatik möglicherweise eher in der Biologie als in der Logik liegen würde, und sagte, die Informatik würde es uns ermöglichen, in einer Welt der Homöopathie und Glaubensheilung zu leben. Damals ging es ihm vor allem um komplexe, von Menschen programmierte Softwaresysteme und nicht um die mysteriöseren groß angelegten Lernmodelle von heute.
Wenn man von einem Bereich, der sich hauptsächlich mit absichtlichem Design und „Korrektheit durch Konstruktion“ befasst, zum Versuch übergeht, bestehende (nicht entworfene) Artefakte zu erforschen oder zu verstehen, lohnt es sich, über den damit verbundenen methodischen Wandel nachzudenken. Im Gegensatz zur Erforschung wilder Lebewesen in der Biologie untersucht die künstliche Intelligenz künstliche Artefakte, die von Menschen geschaffen wurden, denen es an „Gespür für Design“ mangelt. Wenn es um die Schaffung und den Einsatz künstlicher Artefakte geht, die nicht verstanden werden, werden sich definitiv ethische Probleme ergeben. Es ist unwahrscheinlich, dass große Lernmodelle garantiert nachweisbare Fähigkeiten unterstützen, sei es im Hinblick auf Genauigkeit, Transparenz oder Fairness. Dennoch sind dies entscheidende Aspekte bei der Bereitstellung und Praxis dieser Systeme. Auch wenn Menschen nicht in der Lage sind, Beweise für die Richtigkeit ihrer eigenen Entscheidungen und Handlungen zu erbringen, gibt es Rechtssysteme, die es Menschen ermöglichen, Strafen wie Geldstrafen, Tadel und sogar Gefängnis zu befolgen. Was sind die äquivalenten Systeme für groß angelegte Lernsysteme?
Auch die Ästhetik der Computerforschung wird sich verändern. Derzeitige Forscher können Arbeiten anhand des Anteils bewerten, in dem sie Theoreme und Definitionen enthalten. Da die Ziele der Informatik jedoch immer mehr den Zielen der Naturwissenschaften wie der Biologie ähneln, besteht die Notwendigkeit, neue rechnerisch-ästhetische Methoden zu entwickeln (da sich der Nullsatz nicht sehr vom Nulldefinitionsverhältnis unterscheiden wird). Es gibt Anzeichen dafür, dass die rechnerische Komplexitätsanalyse in der KI-Forschung in den Hintergrund gerückt ist.
Das obige ist der detaillierte Inhalt vonNach dem überwältigenden Aufkommen großer Modelle wurde die Informatik schließlich zu einer „Naturwissenschaft'. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
