Co je to AI?

Kulturní a praktický úvod pro designéry

Toto je první kapitola v sérii základů Element AI o AI-First Design (AI1D). Každá kapitola si klade za cíl definovat součásti AI1D, aby se vytvořil společný jazyk, se kterým se bude zkoumat tato nová éra designu. Zde si můžete přečíst úvod do seriálu a zaregistrovat se, abyste zůstali naladěni na další kapitolu zde.

Proč byste jako designér měli umět rozumět umělé inteligenci? Je to termín, o kterém se v poslední době tolik obejde v mediálních a technologických kruzích, což je druh chytrosti, který by mohl popisovat cokoli od virtuálních osobních asistentů, robotů, sci-fi postaviček nebo nejnovějšího algoritmu hlubokého učení. Možná pracujete v AI a máte lepší porozumění těmto odlišným oblastem, nebo možná jen cítíte, že vaše práce bude nějakým způsobem ovlivněna AI v nadcházejících letech, ale nejste si zcela jisti, jak.

S ohledem na to vítáme první kapitolu naší AI-First Design Foundations Series, ve které se zaměřujeme na potlačení jazyka umělé inteligence a prodiskutování jeho mnoha definic. Přitom doufáme, že přistoupíme na představu, co je dnes umělá inteligence, z čehož můžeme stavět směrem k odpovědi: Co je AI-First Design?

Tato kapitola je věnována zkoumání současného prostředí umělé inteligence a orientaci v různých definicích, které umělá inteligence viděla od prvního vymezení pojmu. Prověříme historii AI, prozkoumáme vrcholy a minima popularity a upozorníme na hlavní milníky od nedávného nárůstu úspěchů AI. Nakonec prozkoumáme mnoho definic AI a některé z výzev, kterým čelíme, když přijdeme s tou, se kterou se všichni mohou dohodnout. Heads up: je to na delší straně, takže se pohodlně přeskočte do sekce, která by vás mohla zajímat více, nebo si jen přečtěte tuto super krátkou verzi níže.

TL; DR

Spíše než abychom začali zkoumat umělou inteligenci v padesátých letech, začíná naše časová osa mnohem dříve, v Homerově Iliadě, když jsme již hledali, jak se mají postavit sochy a bohy s podobnými vlastnostmi jako lidé. Od té doby se toho hodně stalo! Dnes jsme dosáhli historického maxima, pokud jde o míru zálohy AI, financování a nadšení, ačkoli mezi sci-fi očekáváními a skutečností toho, čeho lze dosáhnout pomocí strojů, stále existuje velká propast. AI zůstává velmi daleko od dosažení obecné inteligence podobné člověku, ale je stále lepší a lepší při plnění úzce definovaných úkolů. Zde jsou hlavní součásti toho, jak definujeme AI dnes a proč je pro vás jako konstruktéra důležité:

  1. Z velké části je založena na datech.
    Nedávný pokrok v AI by nebyl možný bez obrovského množství dat shromážděných všemi našimi připojenými zařízeními a schopnosti je uložit.
  2. Je úzký a velmi soustředěný.
    AI je velmi dobrá při hledání vzorců v datech a při plnění konkrétních úkolů, které jsme definovali, ale neovšeobecňuje se velmi dobře mimo předdefinované parametry.
  3. Není znepokojen výsledkem jeho výpočtů.
    Na rozdíl od vlastní nepříznivosti lidského rozhodování není schopnost umělé inteligence rozhodovat neovlivněna postranními motivy ani tím, kolik spánku spala včera v noci, ale je zaměřena pouze na daný úkol. Vzhledem k tomu, že to není dobré ze špatného, ​​jsou všechna zkreslení, která v datech existují, zachována.
  4. Schopnosti AI jsou učeny, ne naprogramovány.
    AI se může iterativně zdokonalovat samostatně - aniž by byl naprogramován každý krok na cestě, může se poučit ze svých zkušeností a zlepšovat se při vytváření budoucích předpovědí a rozhodnutí, což vede ke stále sofistikovanějším schopnostem.
  5. Je to vyvíjející se termín.
    AI je definována různými komunitami a její definice se bude s budoucím technologickým pokrokem měnit.

Víme, že věříme, že AI bude mít obrovský dopad na oblast designu, jak ji známe. Protože začíná ovlivňovat design všech podniků, produktů, služeb a (uživatelských) zkušeností, je nezbytné, abychom měli základní znalosti o tom, s čím pracujeme, a rozhodli jsme se, jak chceme využít jeho potenciál.

Stále zvědavý? Je toho víc!

Zvýšení a snížení AI v průběhu času

Předchůdci: přání falšovat bohy

I když obvykle uvažujeme o něčem futuristickém, když uvažujeme o umělé inteligenci, tato představa existuje už po staletí. Například kolem roku 750 př.nl v Homerově Iliadě zmrzačený Hephaestus vytvořil automaty, které mu pomohou obejít se:

Jsou zlaté a vypadají jako živé mladé ženy. V jejich srdcích je inteligence a v nich je řeč a síla az nesmrtelných bohů se naučili, jak dělat věci.

Ve své knize Stroje, kteří si myslí, Pamela McCorduck popisuje řadu dalších tvorů, které Hephaestus vytvořil pro různé úkoly, z nichž alespoň jedno je jistě známé, pokud hrozí tad: Pandora a její neslavná krabice.

Mechanizace myšlení

Kromě těchto příkladů ve fikci došlo k důležitým pokrokům v uvažování a logice ve starověku, které vedly k tomu, že náš současný kodifikovaný jazyk byl základem pro všechny výpočty. Umělá inteligence ve své podstatě předpokládá, že myšlenka může být mechanizována a reprodukována. Aristoteles byl jedním z prvních průkopníků, kteří organizovali myšlenky do logických argumentů ve vývoji syllogismu, který často nabývá třířádkové formy, jako například:

Všichni muži jsou smrtelní.
Socrates je muž.
Socrates je proto smrtelný.

Perský matematik Muhammad ibn Musa al-Khwarizmi, známý také pod svým latinizovaným jménem Algoritmi (ze kterého jsme odvodili slovo algoritmus), je také klíčovou postavou v mnoha koncepcích, které dnes v AI považujeme za samozřejmost. Slovo algebra je například odvozeno od „al-jabr“, jedné ze dvou operací, které použil k řešení kvadratických rovnic. Další pokroky v průběhu 17. století matematiky a filozofové jako Gottfried Wilhelm Leibniz, Thomas Hobbes, René Descartes stavěli na těchto základech, jejichž cílem bylo, aby se myšlenka stala systematickou jako algebra nebo geometrie.

Zatímco v následujících stoletích došlo k mnoha dalším matematickým pokrokům, které přispěly k moderní umělé inteligenci, anglický matematik Ada Lovelace z 19. století vyniká svými kreativními přístupy a průkopnickou prací v oblasti výpočetní techniky. Byla první, kdo navrhl, že mechanický univerzální počítač Charlese Babbagee, analytický motor, může mít možnosti, které nelze vypočítat, a poté vytvořila svůj první algoritmus, čímž získala titul prvního světového počítačového programátora.

Zrození umělé inteligence

Přestože jsme počátkem 20. století viděli pokrok v oblasti výpočetní techniky, umělá inteligence se opravdu rozběhla v padesátých letech. Konference na Dartmouth College v roce 1956 tvrdila, že veškeré učení a inteligence lze přesně popsat tak, aby byly simulovány strojem. Právě zde byl poprvé vytvořen termín „umělá inteligence“, který odkazoval na „simulaci lidské inteligence stroji“. Při úvahách o workshopu v Dartmouthu o 50 let později jeden z organizátorů John McCarthy přemýšlel: „Byl bych si myslel, že workshop by byl známý výsledky, které přinesl. Ve skutečnosti se to do značné míry stalo známým jednoduše proto, že popularizovalo pojem „umělá inteligence“. “

Dalším významným milníkem AI z 50. let, který možná znáte, je známý „Turingův test“. Britský počítačový vědec Alan Turing, který popularizoval výkon Benedikta Cumberbatcha ve hře The Imitation Game, navrhl, že pokud by stroj mohl vést rozhovor, který byl nerozeznatelný od rozhovoru s člověkem, pak byl „myslící stroj“ hodnověrný. Jinými slovy, počítač by byl inteligentní, pouze pokud by mohl člověka oklamat, aby si myslel, že je člověk.

To, co následovalo od poloviny padesátých let v průběhu počátku 70. let, bylo označováno jako „zlaté roky AI“, s obrovským pokrokem v oblasti výpočetní techniky a zvýšením nadšení i vládního financování. Konkrétně, Marvin Minsky udržoval tempo odchodu z Dartmouthské dílny, když v roce 1959 spoluzakládal laboratoř AI v Massachusetts Institute of Technology a pokračoval v vedení tohoto pole v 60. a 70. letech. Gaming se také začal objevovat jako ideální prostředek pro vývoj a testování počítačové inteligence, když IBM vyvinula program, který by mohl hrát dámu v roce 1951. V 60. letech byl algoritmus „nejbližší soused“ vytvořen ve snaze vyřešit „cestujícího prodavače“ problem “:„ Jaká je nejkratší možná trasa, která navštíví každé město přesně jednou a vrátí se do původního města, vzhledem k seznamu měst a vzdáleností mezi jednotlivými dvojicemi měst? “Výsledný algoritmus vytvořil začátky základního rozpoznávání vzorů.

V roce 1969 však Marvin Minsky a Seymour Papert publikovali knihu Perceptrons, knihu, která diskutuje o některých omezeních stávajících technologií neuronových sítí a v následujících letech byla možná předzvěstí „zimy AI“.

AI zimy v 70. a 80. letech

S takovým úspěšným během od 50. do 70. let, poháněného nejen vědeckými pokroky, ale také zvýšenými očekáváními veřejnosti, podporovanými sci-fi, jako je Stanley Kubrick's 2001 A Space Odyssey nebo Isaac Asimov's I, Robot, kolizní kurz s omezeními AI bylo nevyhnutelné.

V zásadě, když počítače nemohly splnit nerealisticky vysoká očekávání všech, financování a nadšení všech, vedlo to k demontáži laboratoří AI po celém světě. Ačkoli v letech 1980 až 1987 došlo ke krátkému druhému větru s velkou investicí z Japonska, tento rozmach byl krátkotrvající a rezervoval si ji další zima AI v letech 1987 až 1993.

Roger Schank a Marvin Minsky, přední výzkumní pracovníci v oblasti umělé inteligence, kteří přežili první zimu sedmdesátých let, varovali obchodní komunitu, že „nadšení pro umělou inteligenci se v 80. letech vymklo kontrole a toto zklamání by bezpochyby následovalo.“ Tyto vrcholy a údolí v Nadšení AI pokračuje dodnes. Ačkoli v posledních letech došlo k několika nepopulárním účelům AI, jako je například použití AI americké armády k identifikaci přátelských nebo nepřátelských tanků, nebo v poslední době Microsoft Taybot, který v minulém roce na Twitteru rychle projevoval rasistické a antisemitské chování, obecně řečeno, můžete říci, že dnes jsme na všech dobách, pokud jde o zálohy AI, financování a nadšení.

AI Landscape Today - Proč tak horké?

Populárním nástrojem pro měření tech humbuků je Gartnerův Hype Cycle, který letos představuje hluboké učení a strojové učení na svém vrcholu. I když je často považován spíše za ukazatel mediálního pokrytí než vědecký výzkum, existují některé legitimně vzrušující pokroky, které vedly k současné popularitě AI. Takže je to vlastně všechno humbuk? Ne tak docela. Pojďme prozkoumat některé významné milníky AI za posledních šest let, které přispěly k naší současné posedlosti.

Nedávné milníky AI

  • 2011: Apple Siri je představen pomocí trochu přirozeného jazyka k zodpovězení otázek, doporučení a provádění jednoduchých akcí, nebo pokud to neudělá, vyhledejte na internetu věci.
  • 2012: Konvoluční neuronové sítě (zkrátka CNN) ničí konkurenci v klasifikaci ImageNet - a.k.a. „každoroční olympiáda počítačové vidění“ - vytváří v komunitě rozruch a uvolňuje obrovský vzestup zájmu o hluboké učení.
  • Google trénuje neuronovou síť, aby úspěšně rozpoznávala kočky ve videích YouTube pomocí algoritmu hlubokého učení, přestože jí nebyly poskytnuty žádné informace o rozlišování roztomilých kočičích funkcí.
  • 2013: NEIL, zábavně pojmenovaný Never Ending Image Learner, je propuštěn na Carnegie Mellon University, aby neustále porovnával a analyzoval vztahy mezi různými obrazy s cílem naučit se oh-tak-žádoucí, ale nepolapitelné lidské schopnosti zdravého rozumu.
  • 2015: Facebook začíná zavádět DeepFace, systém rozpoznávání obličeje s hlubokým učením, který byl vyškolen na čtyřech milionech obrázků nahraných uživateli Facebooku. Může identifikovat tváře s přesností 97,35%, což je zlepšení oproti předchozím systémům o více než 27%.
  • 2015: Deep Q Networks by DeepMind se učí hrát hry Atari, což značí nadcházející věk hlubokého posilování učení.
  • 2015–17: AlphaGo společnosti Google DeepMind porazil fanoušky Go fanoušků Hui, Lee Sedol a Ke Jie, světového hráče č. 1 v té době.
  • 2015: Google DeepDream přiměje každého, aby přemýšlel, jestli stroje dokážou vytvořit umění, generovat Trippy obrázky pomocí konvoluční neuronové sítě, software navržený k detekci obličejů a dalších vzorů v obrazech s cílem automaticky klasifikovat obrázky.
  • 2015-dosud: Umělec Ross Goodwin zkoumá nové formy vyprávěné reality pomocí strojového učení se svým poetickým „automatickým fotografem“ vypravěčem Word Camera a naprogramoval AI „Benjamin“ s vlastním názvem, aby napsal scénář pro film v hlavní roli Davida Hasselhoffa.
  • 2015-současnost: Do domu je představena řada osobních asistentů AI. Siri společnosti Apple nyní bojuje s Cortanou od společnosti Microsoft, Amazonskou Alexou a Asistentem Google pro vaši pozornost.
  • 2017: Libratus, navržený profesorem Carnegie Mellon Tuomasem Sandholmem a jeho studentem Noamem Brownem, vyhrál proti čtyřem nejlepším hráčům v komplexní verzi pokeru - Texas Hold‘em.
  • 2017: Google Deepmind a tvůrci multiplayerové videohry pro vesmírnou válku StarCraft II vydali nástroje, které vědcům AI umožní vytvořit roboty schopné konkurovat lidem. Roboti ještě nevyhráli a neočekává se, že na chvíli budou, ale když to udělají, bude to mnohem větší úspěch než vítězství na Go.

Pokroky ve strojovém učení a hlubokém učení

Kde žijí praktici umělé inteligence

Všechny tyto mezníky by nebyly možné bez velkých pokroků v nejzajímavějších oblastech umělé inteligence v posledním desetiletí: strojové učení a hluboké učení. Ačkoli tyto pojmy znějí podobně, nejsou úplně stejné. Pojďme to objasnit.

Počínaje koncem 90. a začátkem roku 2000 znamenaly rozšířené možnosti ukládání a zpracování počítačů, že systémy AI mohly konečně pojmout dostatek dat a využít dostatek energie k řešení složitějších procesů. Současně exploze při používání internetu a připojení vytvořila stále rostoucí množství dat, jako jsou obrázky, text, mapy nebo informace o transakcích, které lze použít ke školení strojů.

Místo dřívějšího programového systému pravidel „if-then“ a komplikovaných symbolických logických postupů, které vyžadují tisíce řádků kódu pro vedení základního rozhodování, jako je tomu v Dobré staromódní umělé inteligenci nebo GOFAI, strojové učení funguje pozpátku. Algoritmy se pomocí obrovských datových sad učí iterativně a hledají vzory, které by měly smysl pro budoucí vstupy. Strojové učení bylo pěkně shrnuto průkopníkem strojového učení Arthurem Samuelem, který ho v roce 1959 popsal jako „obor studia, který umožňuje počítačům učit se, aniž by byl explicitně programován.“ Strojové učení se používá k oslovení široké škály problémy dnes, jako je identifikace rakovinných buněk, předpovídání filmu, který byste si mohli chtít dále prohlížet, porozumění všem druhům mluveného jazyka nebo určování tržní hodnoty vašeho domu.

Jaké jsou rakovinné buňky na tomto obrázku? AI by mohl být schopen zjistit rychleji než lékař. Obrázek: Gabriel Caponetti v populární vědě.

Nedávné pokroky ve strojovém učení byly do značné míry způsobeny růstem hlubokého učení - podpole strojového učení. Hluboké učení si půjčuje ze struktury mozku propojením mnoha jednoduchých struktur podobných neuronům, aby se daly dělat zajímavé věci v neuronové síti. Skládáním mnoha vrstev těchto umělých neuronů dohromady (tedy „hluboko“) se může síť jako celek naučit dělat složité úkoly. Je zajímavé, že neurony v těchto vrstvách často konají při provádění specifických rolí, jako je rozpoznávání hran nebo obrys konkrétního objektu. Unikátní síla hlubokého učení je, že tyto dílčí úkoly - často známé jako „funkce“ - jsou učeny přímo z dat, spíše než jsou specifikovány programátory. To umožňuje hluboké učení řešit problémy tam, kde řešení nejsou pro člověka zřejmá.

Vezměme si příklad skutečného života: rozpoznávání rakovinných buněk. Klasický přístup AI by se spoléhal na lidského experta, který by se pokusil destilovat svůj vlastní rozhodovací proces a pak jej kodifikovat v algoritmu. Můžeme například označit buňky, které jsou větší než určitá velikost, nebo mají fuzzy obrys nebo zvláštní tvar. Při hlubokém učení však můžeme přímo přivádět obrázky buněk označených jako indikující, zda jsou rakovinné nebo ne, a naše nervová síť se naučí vybrat nejužitečnější vlastnosti obrázku pro tento konkrétní úkol. Toto je klasický příklad „učení pod dohledem“: poskytujeme některé vstupy a některé požadované výstupy a algoritmus se učí mapovat z jednoho na druhý.

Můžeme také zcela odstranit štítky a požádat algoritmus, aby seskupil buňky, které mají něco společného. Tento proces se nazývá shlukování a jedná se o druh učení bez dozoru. Zde neposkytujeme dohled ve formě štítků, jednoduše pomocí hloubkového učení zjistíme strukturu dat. V našem příkladu jsou naše buňky spousty různých typů - kožní buňky, jaterní buňky a svalové buňky - a bylo by užitečné je seskupit, než se pokusíme zjistit, které buňky v každém klastru jsou rakovinné. Mezi další běžné aplikace pro shlukování patří identifikace různých tváří na vašich fotografiích, porozumění různým typům zákazníků a shromažďování zpráv o stejném tématu.

Nevěřte v humbuk: AI Mýty vs. Reality

Takže se všemi těmito rychlými pokroky v umělé inteligenci v posledních letech byste si mysleli, že bychom byli všichni vyčerpáni, že? No, ne všichni. Stejně jako v prvních zlatých letech umělé inteligence v 50. a 60. letech stále existuje velká mezera mezi našimi očekáváními umělé inteligence na základě zobrazení ve sci-fi a médiích a tím, co je umělá umělá inteligence dnes schopná. (Nemluvě o nekontrolovatelném strachu z narušení, obav z soukromí nebo ztráty zaměstnání spojené s těmito předpovědi.)

Dalším způsobem, jak tuto diskusi vymezit, je rozdíl mezi „úzkou“ a „obecnou“ umělou inteligencí. Většina z největších úspěchů AI doposud spočívá v „úzké“ umělé inteligenci, tj. Při plnění konkrétního úkolu v rámci přísných parametrů, jako je Siri, které pro vás zadává diktovanou textovou zprávu, nebo rozpoznávání kočky v obrázku. V úzké AI neexistuje představa sebevědomí ani dovedností obecného řešení problémů. Naopak hodně z toho, co po desetiletí zachytilo představivost veřejnosti, byla tato fantazie „obecné umělé inteligence“ ve formě pomocníka podobného člověku, podobná Halu 9000, R2D2 nebo Samantha v ní, kde se AI rovná, pokud ne větší inteligence než lidé.

Abychom to jasně řekli, jsme daleko od všeho, co se podobá obecné AI. Yoshua Bengio, jeden ze zakladatelů společnosti Element AI, je výslovný, když mluví o tomto tématu - nevěří, že je rozumné stanovit časovou předpověď, kdy k tomu může dojít. V nedávné přednášce nastínil několik konkrétních důvodů, proč tam ještě nejsme, první je, že všechny dosavadní průmyslové úspěchy umělé inteligence byly založeny čistě na učení pod dohledem. Naše výukové systémy jsou stále docela smýšlející, protože se spoléhají na povrchní vodítka v datech, která se mimo kontext školení nedaří.

Činky generované neuronovou sítí společnosti Google, kompletní s fantomovými končetinami. Obrázek: Google.

Například když Google vyškolil neuronovou síť pro generování obrázků činek na základě tisíců obrázků, bylo to téměř v pořádku. Jistě, máme dvě váhy spojené barem, ale co tam dělají ty fantomové zbraně? Ačkoli nervová síť byla schopna úspěšně identifikovat běžné vizuální vlastnosti činek, protože zdrojové obrazy vždy představovaly lidi, kteří drželi činky, předpokládá se také, že činky mají zbraně.

Přes taková významná omezení, slyšet Elon Musk spar s Markem Zuckerbergem minulé léto, měli byste si myslet, že AI-fueled druhá světová válka byla za rohem. Náš generální ředitel Jean-François Gagné nás přivedl zpět k základům o současném stavu AI v nedávném blogovém příspěvku:

"AI je velmi úzký a křehký." Nefunguje dobře mimo rámec, pro který je nastaven. Může spravovat pouze jednoduché objektivní funkce; takže jsme to opravdu my, lidé, pomocí naší lidské inteligence, abychom ji efektivně aplikovali do bodu, kdy může být práce automatizována. “

Mnoho definic AI

Nyní, když se chystáme na historický vývoj a nedávný pokrok v umělé inteligenci, pojďme se podívat na mnoho definic, které jsme přišli s popisem v průběhu let. I když někteří tvrdili, že tento termín je v poslední době tak nadužívaný, že se stal nesmyslným, nejsme zcela ochotni se toho vzdát.

Jak se dnes používá termín „AI“

Pro definování umělé inteligence začněme zkoumáním inteligence. Na jedné straně byste mohli vzít zjednodušující představu o intelektu, například na základě skóre IQ. Všichni však víme, že inteligence je ve skutečnosti mnohem více vrstvená a složitější. Oxfordský slovník definuje jako: „schopnost získávat a uplatňovat znalosti a dovednosti“, zatímco přístup Cambridge Dictionary je trochu odlišný: „schopnost učit se, rozumět a činit soudy nebo mít názory založené na rozumu.“ Jiní v průběhu let vyvinuli podrobnější způsoby měření inteligence, například Howard Gardnerovu teorii vícenásobných inteligencí, představující modality, jako je hudební rytmický a harmonický, vizuální prostorový, verbálně-lingvistický, logicko-matematický, tělesně-kinestetický a existenciální , mezi ostatními. Náš přístup je blíže této poslední definici, což umožňuje získávání, zpracování a uplatňování informací v širokém rozsahu kontextů.

Naše myšlenka inteligence je také velmi antropomorfní: je založena na způsobu, jakým my, lidé, přemýšlíme a řešíme problémy. AI je široce chápáno stejným způsobem v tom, že uměle vytvořený inteligentní systém dospěl k závěrům způsobem, který připomíná lidský přístup. Na základě této myšlenky představují David C. Parkes a Michael P. Wellman pojem AI jako „homo economicus, mýtický dokonale racionální agent neoklasické ekonomie.“ data použitá k trénování umělé inteligence jsou často neodmyslitelně způsobena lidským nebo jiným zaujatím, což znemožňuje „dokonalou racionalitu“ vyhodnotit.

Zpráva Bílého domu z roku 2016 o umělých inteligencích představuje souhrn výzev, které přicházejí s ucelenou definicí: „Neexistuje jediná definice umělé inteligence, která by odborníci obecně akceptovali. Někteří definují AI volně jako počítačový systém, který vykazuje chování, o kterém se běžně uvažuje, že vyžaduje inteligenci. Jiní definují umělou inteligenci jako systém schopný racionálně řešit složité problémy nebo přijímat vhodná opatření k dosažení svých cílů za jakýchkoli skutečných okolností, se kterými se setká. “Je zajímavé poznamenat, že zde nepoužívají termín„ lidské chování “, ale jednoduše "chování".

Švédský filozof Nick Bostrom se ve své knize Superintelligence: Paths, Dangers, Strategies zaměřuje na pojem učení a adaptace v AI: „Schopnost učit se by byla nedílnou součástí základního návrhu systému určeného k dosažení obecné inteligence… To samé drží schopnost vypořádat se s nejistotami a pravděpodobnostními informacemi. “Jiní, jako je profesor počítačového inženýrství Ethem Alpaydın v úvodu do strojového učení, uvádějí, že„ inteligentní systém by měl být schopen přizpůsobit se svému prostředí; měla by se naučit neopakovat své chyby, ale opakovat své úspěchy. “

Naše definice

Kromě zkoumání toho, jak jiní dnes definují umělou inteligenci, součástí našeho výzkumu byla také rozeslání celofiremního průzkumu, v němž naši kolegové požádali, aby definovali umělou inteligenci ve větě (nebo dvou, třech). Ve výsledcích průzkumu se objevily tři hlavní kategorie odpovědí:

  1. AI je schopnost počítače činit rozhodnutí nebo předpovídat na základě dostupných údajů.
  2. AI je schopnost počítače replikovat mozkové funkce vyššího řádu, jako je vnímání, poznání, kontrola, plánování nebo strategie.
  3. AI je program vytvořený daty a výpočtem, tj. Není pevně zakódován.

Jsou dnes pro naše účely dostačující? Jaké jsou úskalí při pokusu o definování tak širokého a neustále se vyvíjejícího konceptu?

Proč je to tak těžké?

Fenomén „catchall“ je jednou z hlavních výzev, když hovoříme o umělé inteligenci. Častá použití tohoto termínu vedla k široké škále aplikací a inherentnímu zmatku, jak vysvětlil Genevieve Bell, PhD na Stanfordu v antropologii a ředitel, Interaction and Experience Research ve společnosti Intel:

„Umělá inteligence je pro mě termínem„ catchall “a je to ten, který se pohybuje v popularitě i mimo ni. V tuto chvíli je to zpátky. Je to zastřešující pojem, pod kterým můžete hovořit o kognitivním zpracování, strojovém učení a hlubokém učení a algoritmech. Je to háček, protože to znamená všechno a nic zároveň. Je to kulturní kategorie stejně jako technická kategorie. “

Termín je často používán za nesprávných okolností (nebo spíše nepřesných okolností), protože je tak široký, jak je uvedeno v tomto diskusním dokumentu McKinsey Global Institute z roku 2017, AI: Další digitální hranice:

„... Je těžké to určit, protože lidé kombinují různé technologie a vytvářejí řešení pro jednotlivé problémy. Někdy se s nimi zachází jako s nezávislými technologiemi, někdy jako s podskupinami jiných technologií a někdy jako s aplikacemi ... Některé rámce sdružují technologie AI podle základní funkčnosti ..., jiné je seskupují podle obchodních aplikací ... “

Další velkou výzvou při definování umělé inteligence je skutečnost, že věda a její aplikace se neustále vyvíjejí. Jak vysvětluje Pamela McCorduck ve své knize Machines Who Think, inteligentní systém řešící nový problém je často zlevněn jako „jen výpočet“ nebo „ne skutečná inteligence“. Filozof Bostrom to shrnul pěkně: „Mnoho špičkových AI se filtrovalo do obecných aplikací, často bez toho, že by se jim říkalo AI, protože jakmile se něco stane dostatečně užitečným a dost běžným, nebude již označeno AI.“ Například program IBM, který hrál dámu v roce 1951 mohl být v té době považován za průlomovou umělou inteligenci, ale dnes by byl popsán jako základní výpočetní technika. Nebo více nedávno, někteří by argumentovali, že pesimisticky, že tam není nic “inteligentní” o nějakém “úzkém AI”, takový jako AlphaGo porazit Lee Sedol.

Existuje po zvážení všech těchto výzev způsob, jak snížit kulturní a mediální hluk zakalující náš úsudek a zaměřit se na hmatatelné problémy? Když používáme slovo „AI“, obvykle odkazujeme na konkrétní technologii, jako je zpracování přirozeného jazyka, strojové učení nebo strojové vidění. Dobré místo pro začátek je tedy být co nejkonkrétnější. Za jiných okolností však použití výrazu „AI“ není nesprávné, například v situacích, kdy opravdu nevíme, která technologie se právě používá. Je to past, do které nejsme imunní, abychom se do ní dostali, spolu se všemi praktiky AI a novináři, kteří podporují tuto probíhající diskusi.

Dívat se dopředu

Ve snaze jasně formulovat, co AI „je“, jsme zjistili, že to pro různé lidi znamená docela málo různých věcí. Je to nápad, který zachytil naši fantazii po velmi dlouhou dobu. I když to zúžíme na informatiku, je to stále velmi široké. S ohledem na to si myslíme, že je důležité zaměřit se na to, jak umělá inteligence již mění naše životy, průlomy, které v dnešní době vyvolávají tento trik Kevin Kelly to shrnul pěkně v nedávné řeči TED:

"Momentálně nejsou žádní odborníci na umělou inteligenci." Je na to spousta peněz, utráceny jsou miliardy dolarů; je to obrovský podnik, ale ve srovnání s tím, co víme o 20 let, neexistují odborníci. Jsme tedy jen na začátku začátku, jsme v první hodině toho všeho ... Nejoblíbenější produkt AI za 20 let, který všichni používají, dosud nebyl vynalezen. To znamená, že nejdeš pozdě. “

Jinými slovy, je normální, že naše představy o umělé inteligenci zahrnují více hledisek a někdy si protichůdné myšlenky, protože se nyní vyvíjí a děje. Toto není zamýšleno jako čtení, ale spíše jako výzva k přijetí jeho vlastní bigness a nepořádku, když pracujeme na jeho zlepšení.

To vše říct, nebudeme stanovovat definici. Chceme však, aby návrháři, kteří se zabývají technologiemi přicházejícími do výroby dnes, měli základní znalosti o umělé inteligenci a jejích schopnostech. Pokud „AI je to, co ještě nebylo provedeno“, jak to říká Teslerova věta, pak musíme přesně hledat - ne na to, co již bylo provedeno, ale na to, co je možné, nebo velmi brzy.

Věříme, že ve svém jádru je umělá inteligence nesmírnou příležitostí k učení, a pokud bude vědomě vyvinutá, může lidi přimět k širokému pokroku. Jak pluhy tažené koňmi dramaticky revolucionalizovaly zemědělství v 1100s, a parní stroje poháněly výrobu a přepravu do nové éry v 18. století, vidíme AI podporující příští století digitální inovace. Jak nedávno uvedl profesor fyziky MIT Max Tegmark, nyní není čas přemýšlet o budoucnosti jako o nějaké předurčené události, ke které nevyhnutelně škubneme, ale spíše bychom se měli ptát: „Jaký druh budoucnosti chceme navrhnout s AI? “

Pokud se vám to líbilo, podívejte se na další kapitolu naší série AI-First Design Foundations - Co je to design, opravdu?

Autoři a přispěvatelé

Rebecca West je redaktorkou časopisu AI1D Journal na Element AI a spisovatelkou se zaměřením na projekty na průniku designu, technologie a kreativity.

Ilustrace Dona Solo, vizuálního návrháře v Element AI.

S přispěním návrháře zkušeností Mashy Krol, vědce aplikovaného výzkumu Archyho de Berkera a našeho výzkumného pracovníka léta 2017 Louis-Félix La Roche-Morina.