Bagaimana untuk menyelesaikan masalah 'akal sehat' kecerdasan buatan

​Penterjemah |. Li Rui

Penilai |. pengiktirafan dan pemprosesan bahasa semula jadi.

Namun, sistem pembelajaran mendalam masih belum menyelesaikan beberapa masalah. Oleh kerana sistem pembelajaran mendalam tidak pandai mengendalikan situasi baharu, mereka memerlukan sejumlah besar data untuk dilatih dan kadangkala membuat kesilapan pelik yang mengelirukan walaupun penciptanya.

Sesetengah saintis percaya bahawa masalah ini boleh diselesaikan dengan mencipta rangkaian saraf yang lebih besar dan lebih besar serta melatih mereka pada set data yang lebih besar dan lebih besar. Sesetengah orang juga percaya bahawa apa yang diperlukan oleh bidang kecerdasan buatan adalah "akal sehat" daripada manusia.

Dalam buku baharu mereka, "Mesin Seperti Kami," saintis komputer Ronald J. Brachman dan Hector J. Levesque menawarkan pemikiran mereka tentang teka-teki kecerdasan buatan yang hilang ini dan kemungkinan penyelesaian teka-teki "akal sehat". telah membingungkan penyelidik selama beberapa dekad. Dalam temu bual dengan media industri, Brachman membincangkan apa itu akal dan bukan, mengapa mesin tidak mempunyai akal, dan bagaimana konsep "perwakilan pengetahuan" boleh membimbing komuniti kecerdasan buatan ke arah yang betul. Konsep "perwakilan pengetahuan" telah wujud selama beberapa dekad tetapi telah diketepikan semasa kegilaan pembelajaran mendalam.

Walaupun masih terperangkap dalam alam hipotetikal, Machines Like Us menawarkan perspektif baharu tentang bidang penyelidikan yang berpotensi, hasil kerja dua orang ini yang telah bekerjasama sejak 1970-an Saintis yang mengkaji kecerdasan buatan dalam kedalaman.

Sistem kecerdasan buatan yang sangat baik membuat kesilapan yang pelik

Brachman berkata, “Dalam 10 hingga 12 tahun yang lalu, memandangkan orang ramai telah menunjukkan keghairahan yang luar biasa untuk pembelajaran mendalam, terdapat banyak perbincangan mengenai deep berasaskan pembelajaran Perbincangan tentang sistem yang boleh melakukan segala-galanya yang pada asalnya kita mahu sistem AI lakukan ”

Pada zaman awal AI, visinya adalah untuk mencipta sistem autonomi mandiri, mungkin dalam bentuk. robot itu boleh melakukan sesuatu secara bebas dengan sedikit atau tiada campur tangan manusia.

Brachman berkata, “Hari ini, kerana ramai orang teruja dengan apa yang boleh dicapai oleh pembelajaran mendalam, skop penyelidikan telah banyak mengecil Terutamanya dalam bidang perindustrian, sejumlah besar pembiayaan dan pengambilan bakat telah memacu penyelidikan pada berasaskan pengalaman atau tumpuan yang kuat pada sistem terlatih contoh yang ramai mendakwa hampir dengan kecerdasan buatan am, atau 'kecerdasan buatan lama yang baik' (GOFAI) atau pendekatan simbolik benar-benar ketinggalan zaman atau tidak perlu."

Jelas sekali, walaupun begitu mengagumkan, sistem pembelajaran mendalam menghadapi masalah yang membingungkan yang masih belum dapat diselesaikan. Rangkaian saraf terdedah kepada serangan musuh, di mana pengubahsuaian yang dibuat khas pada nilai input menyebabkan model pembelajaran mesin membuat perubahan secara tiba-tiba dan salah pada outputnya. Pembelajaran mendalam juga bergelut untuk memahami perhubungan sebab-akibat yang mudah, dan sangat teruk dalam menyusun konsep dan menggabungkannya. Model bahasa yang besar telah menjadi bidang minat khusus baru-baru ini, tetapi kadangkala membuat kesilapan yang sangat bodoh dalam menghasilkan teks yang koheren dan mengagumkan.

Brachman berkata, "Persepsi orang ramai terhadap kesilapan yang dibuat oleh kecerdasan buatan ini ialah mereka kelihatan bodoh dan jahil, dan manusia jarang melakukan kesilapan ini. Tetapi yang penting ialah terdapat beberapa sebab yang membawa kepada kesilapan ini. Sukar untuk dijelaskan.”

Kesilapan ini menyebabkan Brachman dan Levesque memikirkan apa yang hilang daripada teknologi AI hari ini dan perkara yang diperlukan untuk melengkapkan atau menggantikan sistem rangkaian saraf latihan yang dipacu contoh.

Brachman berkata, "Jika anda memikirkannya, apa yang sistem ini jelas hilang ialah apa yang manusia panggil akal, iaitu keupayaan untuk melihat perkara yang jelas kepada ramai orang dan dengan cepat membuat kesimpulan yang mudah dan jelas. . Dan dapat menghentikan diri sendiri apabila anda membuat keputusan untuk melakukan sesuatu yang anda segera sedar adalah tidak masuk akal atau pilihan yang salah.”

Apa itu akal?

Komuniti AI telah bercakap tentang akal sejak awalnya. Malah, salah satu kertas kecerdasan buatan terawal yang ditulis oleh John McCarthy pada tahun 1958 bertajuk "Programs with Common Sense."

Brachman berkata, "Ini bukan sesuatu yang baru, dan ia bukan nama yang kami cipta, tetapi bidang ini telah kehilangan pandangan tentang maksud teras apa yang dikatakan oleh perintis kecerdasan buatan. Jika kita lebih memahami apa itu akal sehat. dan apa yang memilikinya, Apa maksudnya, dan yang lebih penting kepada kami, bagaimana ia berfungsi dan bagaimana ia akan dilaksanakan, seseorang mendapat sedikit panduan dalam kesusasteraan psikologi ”

Dalam Mesin Seperti Kami dan Levesque menggambarkan akal sehat sebagai "keupayaan untuk menggunakan pengetahuan biasa, setiap hari, pengalaman secara berkesan untuk mencapai matlamat biasa, setiap hari, praktikal."

Akal waras adalah penting untuk kelangsungan hidup. Manusia dan haiwan yang lebih tinggi telah berkembang untuk belajar melalui pengalaman, membangunkan kemahiran rutin dan autopilot yang boleh menangani kebanyakan situasi yang mereka hadapi setiap hari. Tetapi kehidupan seharian adalah lebih daripada sekadar rutin yang dilihat orang berulang kali. Orang ramai sering berhadapan dengan situasi baru yang tidak pernah mereka lihat sebelum ini. Sesetengah daripada mereka mungkin sangat berbeza daripada biasa, tetapi kebanyakan masa, orang melihat sesuatu yang sedikit berbeza daripada kebiasaan mereka. Dalam perbincangan AI, ini kadangkala dirujuk sebagai "ekor panjang."

Brachman berkata, "Pada pandangan kami, apabila rutin ini terganggu, akal fikiran sebenarnya adalah perkara pertama yang diaktifkan, membolehkan orang ramai memahami situasi baharu dengan cepat dan mengingati apa yang telah mereka lakukan sebelum ini, Laraskan ingatan anda dengan pantas, menerapkannya pada situasi baharu, dan teruskan ”

Dalam beberapa cara, akal fikiran agak berbeza daripada paradigma pemikiran dwi-sistem yang dipopularkan oleh ahli psikologi dan pemenang Hadiah Nobel Daniel Kahneman. Akal waras bukanlah pemikiran Sistem 1 yang pantas dan autopilot yang melaksanakan kebanyakan tugas harian yang boleh dilakukan oleh orang ramai tanpa penumpuan khas (cth., memberus gigi, mengikat kasut, butang butang, memandu di kawasan yang biasa). Ia memerlukan pemikiran positif untuk keluar dari rutin semasa.

Pada masa yang sama, akal bukan pemikiran Sistem 2 adalah mod pemikiran perlahan yang memerlukan tumpuan penuh dan pemikiran langkah demi langkah (contohnya, merancang perjalanan enam minggu, mereka bentuk. perisian, menyelesaikan masalah kompleks, dsb.) persamaan matematik).

Brachman berkata, "Orang ramai boleh berfikir secara mendalam untuk menghadapi cabaran. Pemikiran sebegini menjadikan otak orang letih dan lambat. Akal budi membolehkan orang ramai mengelakkan situasi ini dalam hampir mana-mana kehidupan seharian. , kerana terdapat tidak perlu berfikir secara mendalam tentang apa yang perlu dilakukan seterusnya. ”

Brachman dan Levesque menekankan dalam karya mereka yang diterbitkan bahawa akal sehat adalah "fenomena kognitif cetek" berbanding dengan analisis berkaedah, ia berjalan lebih cepat.

"Tidak masuk akal jika memerlukan banyak pemikiran untuk memikirkannya. Kita boleh menganggapnya sebagai 'pemikiran reflektif' dan 'reflektif' sama pentingnya dengan 'berfikir'"

Bahaya AI tanpa akal

Akal waras memerlukan kebolehramalan, kepercayaan, kebolehjelasan dan kebertanggungjawaban.

Brachman berkata, "Kebanyakan orang tidak melakukan kesilapan yang pelik. Walaupun orang mungkin melakukan beberapa perkara bodoh, mereka mungkin mengelakkan kesilapan tersebut selepas bermuhasabah. Walaupun manusia tidak sempurna, beberapa Kesilapan boleh diramal pada tahap tertentu. ”

Cabaran dengan sistem AI tanpa akal fikiran ialah mereka boleh melakukan kesilapan apabila mencapai had latihan mereka. Brachman berkata kesilapan itu benar-benar tidak dapat diramalkan dan tidak dapat dijelaskan.

Brachman berkata, "Sistem AI tanpa akal fikiran tidak mempunyai perspektif ini, tidak mempunyai sandaran untuk menghalang diri mereka daripada melakukan perkara-perkara pelik, dan akan terdedah. Apabila mereka melakukan kesilapan, kesilapan itu tidak bermakna bagi mereka. semua." . ”

Ralat ini boleh menjadi tidak berbahaya, seperti salah label pada imej, atau ia boleh menjadi sangat berbahaya, seperti menyebabkan kereta pandu sendiri memandu ke lorong yang salah.

Brachman dan Levesque menulis dalam buku itu, "Jika sistem kecerdasan buatan menghadapi masalah bermain catur dan kebimbangannya adalah untuk memenangi permainan, maka akal sehat tidak akan bermain untuk mereka, dan apabila Akal sehat akan mula bermain apabila orang bermain permainan catur ”

Jadi apabila sistem AI beralih ke aplikasi sensitif dalam domain terbuka, seperti memandu kereta atau bekerjasama dengan manusia, atau terlibat dalam perbualan terbuka, akal akan datang memainkan peranan yang sangat penting. Sentiasa ada sesuatu yang baru dan menarik berlaku di kawasan ini.

Brachman dan Levesque menulis dalam buku mereka Machines Like Us, “Jika kita mahu sistem kecerdasan buatan dapat mengendalikan perkara yang biasa berlaku di dunia nyata dengan cara yang munasabah, kita perlu melakukan lebih daripada sekadar Kepakaran diperolehi daripada persampelan apa yang telah berlaku. Meramalkan masa depan semata-mata berdasarkan melihat dan menginternalisasi apa yang berlaku pada masa lalu tidak akan berfungsi ”

Mengulas Semula Kecerdasan Buatan Simbolik

Walau bagaimanapun, terdapat juga sejumlah besar kajian dan eksperimen yang menunjukkan bahawa lebih banyak data dan pengiraan tidak menyelesaikan masalah sistem kecerdasan buatan tanpa akal, tetapi hanya menyembunyikannya dalam pemberat berangka yang lebih besar dan lebih mengelirukan dan operasi matriks.

Brachman berkata, "Sistem ini melihat dan menginternalisasi korelasi atau corak. Mereka tidak membentuk 'konsep.' Walaupun sistem ini berinteraksi dengan bahasa, mereka hanya meniru tingkah laku manusia tanpa apa yang orang fikir mereka ada. mekanisme."

Brachman dan Levesque menyokong penciptaan sistem yang mengekodkan pengetahuan akal dan pemahaman akal tentang dunia.

Mereka menulis dalam buku: “Pengetahuan akal adalah tentang perkara-perkara di dunia dan sifat-sifat yang mereka miliki, ditengahi oleh apa yang kita panggil struktur konseptual Ia adalah mengenai pelbagai perkara yang mungkin wujud dan pelbagai sifat yang mungkin mereka miliki. Satu set idea tentang sifat akan digunakan melalui perwakilan simbolik dan melaksanakan operasi pengiraan pada struktur simbolik ini tentang perkara yang perlu dilakukan sama dengan menggunakan pengetahuan perwakilan ini untuk mempertimbangkan cara mencapai matlamat dan cara bertindak balas kepada pemerhatian. ”

Brachman dan Levesque berhujah bahawa bidang itu perlu melihat ke belakang dan menyemak semula beberapa kerja awalnya mengenai kecerdasan buatan simbolik untuk membawa akal fikiran kepada komputer. Mereka memanggil ini hipotesis "perwakilan pengetahuan". Buku ini memperincikan cara membina sistem perwakilan pengetahuan (KR) dan cara menggabungkan cebisan pengetahuan yang berbeza untuk membentuk bentuk pengetahuan dan penaakulan yang lebih kompleks.

Menurut hipotesis Knowledge Representation (KR), representasi pengetahuan akal akan dibahagikan kepada dua bahagian: "Satu ialah model dunia yang mewakili keadaan dunia, dan satu lagi model konseptual. yang mewakili struktur konsep, dan ini ialah rangka kerja umum untuk mengelaskan item di dunia "

Brachman berkata "Maksud kami adalah untuk kembali kepada beberapa pemikiran awal tentang kecerdasan buatan, di mana beberapa jenis. simbol dan prosedur manipulasi simbol (apa yang orang biasa panggil penaakulan) enjin) boleh digunakan untuk mengekod dan menggunakan apa yang orang panggil pengetahuan asas tentang dunia: fizik intuitif atau naif, pemahaman asas tentang bagaimana manusia dan ejen lain berkelakuan dan mempunyai niat dan kepercayaan, cara masa dan peristiwa berfungsi, sebab dan akibat, dsb. Ini semua pengetahuan yang kita perolehi dalam satu atau dua tahun pertama mempunyai perwakilan rasmi dunia yang sebenarnya boleh memberi kesan sebab akibat pada tingkah laku mesin. dan juga melakukan perkara seperti komposisi yang membuat orang biasa "Perkara dipersembahkan dalam cara baharu."

Brachman menekankan bahawa andaian yang mereka kemukakan dalam buku itu boleh dibatalkan pada masa hadapan.

Brachman berkata, "Dalam jangka panjang, sama ada mengenai pra-pembinaan, pra-pengekodan semua pengetahuan ini, atau membiarkan sistem AI belajar dengan cara yang berbeza, saya tidak tahu. Tetapi sebagai hipotesis dan eksperimen, saya rasa Langkah seterusnya untuk kecerdasan buatan adalah cuba membina pangkalan pengetahuan ini dan meminta sistem menggunakannya untuk menangani kejadian yang tidak dijangka dalam kehidupan seharian, membuat tekaan kasar tentang cara menangani situasi biasa dan tidak biasa. ."

Hipotesis Brachman dan Levesque dibina atas usaha terdahulu untuk mencipta pangkalan pengetahuan akal sehat simbolik yang besar seperti Cyc, sebuah projek yang bermula sejak 1980-an dan mengumpulkan berjuta-juta peraturan dan konsep tentang dunia.

Brachman berkata, "Saya fikir kita perlu pergi lebih jauh lagi. Kita perlu melihat bagaimana mesin pembuat keputusan autonomi boleh menggunakan perkara ini dalam konteks membuat keputusan setiap hari. Ini adalah satu perkara untuk membina pengetahuan fakta dan dapat menjawab jenis soalan berbahaya "Tetapi bekerja dalam dunia yang bising ini dan dapat bertindak balas terhadap kejutan yang tidak dijangka secara rasional dan segera adalah perkara lain sepenuhnya."

Adakah pembelajaran mesin mempunyai peranan dalam akal sehat? Brachman berkata sistem berasaskan pembelajaran mesin akan terus memainkan peranan penting dalam persepsi kecerdasan buatan.

Dia berkata, “Saya tidak akan menolak sistem pengendalian simbolik yang menggunakan kalkulus predikat urutan pertama untuk memproses piksel pada retina buatan atau mengendalikan pemprosesan isyarat kelajuan ini sangat baik pada tahap deria rendah tugas pengiktirafan dan pada masa ini Tidak jelas sejauh mana rantaian kognitif perkara ini berada, tetapi mereka tidak berjaya sehingga ke penghujungnya kerana ia tidak membentuk konsep dan hubungan antara perkara yang dilihat orang dalam adegan dan bahasa semula jadi.”

Gabungan rangkaian saraf dan sistem simbolik merupakan idea yang semakin menonjol sejak beberapa tahun kebelakangan ini. Gary Marcus, Luis Lamb, dan Joshua Tenenbaum, antara lain, mencadangkan pembangunan sistem "neuro-simbolik" yang akan menggabungkan sistem berasaskan simbolik dan pembelajaran terbaik untuk menangani cabaran semasa dalam kecerdasan buatan.

Walaupun Brachman bersetuju dengan banyak kerja yang dilakukan di lapangan, dia juga berkata bahawa pandangan semasa AI hibrid memerlukan sedikit pelarasan.

Dia berkata: “Saya fikir mana-mana sistem neuro-simbolik semasa akan bergelut untuk menjelaskan perbezaan antara akal dan penaakulan simbolik yang lebih tersusun dan mendalam yang melibatkan matematik, perancangan berat dan analisis mendalam Asas suka melihat dalam dunia AI hibrid ini adalah pertimbangan sebenar akal sehat, membenarkan mesin menggunakan akal sehat seperti yang dilakukan manusia dan memintanya melakukan perkara yang sama seperti yang dilakukan manusia.”

Tajuk asal:

​

​

Cara menyelesaikan masalah "akal sehat" AI

​

​

​, pengarang: Ben Dickson​

Atas ialah kandungan terperinci Bagaimana untuk menyelesaikan masalah 'akal sehat' kecerdasan buatan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!