Περίληψη του άρθρου: Το True AI δεν’δεν υπάρχει ακόμα … αυτό’S Augmented Intelligence

Σε αυτό το άρθρο, ο συγγραφέας συζητά την έννοια της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης. Ισχυρίζονται ότι ενώ το AI έχει γίνει ένα καυτό θέμα και ένα σημαντικό τεχνολογικό επίτευγμα, το True AI δεν υπάρχει ακόμα. Ο συγγραφέας εξηγεί τα βασικά της εκμάθησης AI και μηχανών, υπογραμμίζοντας τη σημασία των perceptrons σε αυτά τα συστήματα. Περιγράφουν τα perceptrons ως παρόμοια με τους νευρώνες στον ανθρώπινο εγκέφαλο, υπογραμμίζοντας τον ρόλο που διαδραματίζουν στην επεξεργασία και τη μετάδοση πληροφοριών. Επιπλέον, ο συγγραφέας εξηγεί τη διαδικασία εκπαίδευσης μοντέλων AI και τη σημασία της διάδοσης της πλάτης στη βελτίωση της ακρίβειας τους. Σημειώνουν επίσης ότι το AI παραμένει εξαιρετικά εξειδικευμένο και στερείται της ευελιξίας της ανθρώπινης νοημοσύνης.

1. Πώς διαφέρει η AI και η μηχανική μάθηση από την αληθινή τεχνητή νοημοσύνη?

Η αληθινή τεχνητή νοημοσύνη δεν υπάρχει ακόμη. Η AI και η μηχανική μάθηση είναι υποσύνολα του AI, εστιάζοντας σε εξειδικευμένα καθήκοντα και συγκεκριμένους αλγόριθμους. Δεν έχουν τη συνολική νοημοσύνη και την ευελιξία της ανθρώπινης νοημοσύνης.

2. Τι είναι τα perceptrons και πώς σχετίζονται με το AI?

Τα perceptrons είναι παρόμοια με τους νευρώνες στον ανθρώπινο εγκέφαλο και χρησιμεύουν ως δομικά στοιχεία των συστημάτων AI. Λαμβάνουν σήματα εισόδου, επεξεργάζονται και μεταδίδουν έξοδο σε άλλα perceptrons ή συστήματα. Τα perceptrons σχηματίζουν ένα δίκτυο εντός συστημάτων AI, διευκολύνοντας την επεξεργασία και τη λήψη αποφάσεων.

3. Πώς εκπαιδεύεται το AI?

Το AI εκπαιδεύεται με τη διατροφή δεδομένων στο σύστημα και αξιολογεί τις προβλέψεις του. Αρχικά, οι προβλέψεις του μοντέλου μπορεί να είναι ανακριβείς. Μέσω μιας διαδικασίας που ονομάζεται Back Propagation, το σύστημα ρυθμίζει τις παραμέτρους του, δημιουργώντας νέες συνδέσεις μεταξύ των perceptrons και βελτιώνοντας την ακρίβειά του με την πάροδο του χρόνου.

4. Γιατί το AI είναι εξαιρετικά εξειδικευμένο?

Το AI είναι εξαιρετικά εξειδικευμένο επειδή είναι εκπαιδευμένο για συγκεκριμένες εργασίες. Δεν διαθέτει την ευελιξία και τη συνολική νοημοσύνη των ανθρώπων. Ενώ η AI υπερέχει σε ορισμένα καθήκοντα, είναι περιορισμένη στις δυνατότητές του εκτός του εξειδικευμένου τομέα του.

5. Ποια είναι η σημασία της ανθρώπινης συμμετοχής στο AI?

Παρά τις εξελίξεις του, το AI εξακολουθεί να απαιτεί ανθρώπινη εισροή και παρέμβαση. Η ανθρώπινη νοημοσύνη συμπληρώνει το AI παρέχοντας το απαραίτητο πλαίσιο, κατανόηση και δυνατότητες λήψης αποφάσεων που στερούνται μηχανές. Οι άνθρωποι διαδραματίζουν καθοριστικό ρόλο στη χρήση και την καθοδήγηση των συστημάτων AI.

6. Πώς έχει γίνει το AI σημαντικό μέρος της σύγχρονης κουλτούρας?

Το AI έχει γίνει ένα σημαντικό μέρος της σύγχρονης κουλτούρας μέσω διαφόρων απεικονίσεων στην ψυχαγωγία και τα μέσα ενημέρωσης. Από τις ταινίες που διαθέτουν μηχανές ταξιδιού στο χρόνο σε αξιαγάπητα ρομπότ, η AI έχει καταγράψει τη φαντασία του κοινού και ενθάρρυνε το ενδιαφέρον για τις πιθανές επιπτώσεις της στην κοινωνία.

7. Γιατί η μηχανική μάθηση θεωρείται ευρύ και περίπλοκο πεδίο?

Η μηχανική μάθηση περιλαμβάνει ένα ευρύ φάσμα τεχνικών και εφαρμογών, καθιστώντας το ένα ευρύ και πολύπλοκο πεδίο. Καθώς η μηχανική μάθηση συνεχίζει να επεκτείνεται και να ενσωματώνεται με άλλους τομείς, η αύξηση του βάθους και της πολυπλοκότητάς της, απαιτώντας εξειδικευμένες γνώσεις για εμπεριστατωμένη κατανόηση.

8. Τι ρόλο παίζουν τα perceptrons στα συστήματα AI?

Τα perceptrons χρησιμεύουν ως θεμελιώδεις μονάδες εντός των συστημάτων AI. Λαμβάνουν και επεξεργάζονται σήματα εισόδου, οδηγώντας στη λήψη αποφάσεων και τη μετάδοση πληροφοριών στο σύστημα. Τα perceptrons σχηματίζουν διασυνδεδεμένα δίκτυα που επιτρέπουν τη λειτουργία των μοντέλων AI.

9. Πώς επηρεάζουν την κοινωνία AI και Machine Learning?

Η AI και η μηχανική μάθηση έχουν σημαντικό αντίκτυπο στην κοινωνία, επηρεάζοντας διάφορους τομείς και βιομηχανίες. Έχουν τη δυνατότητα να βελτιώσουν τον αυτοματισμό, να ενισχύσουν τις διαδικασίες λήψης αποφάσεων και να επενδύσουν τις βιομηχανίες όπως η υγειονομική περίθαλψη, η χρηματοδότηση και η μεταφορά.

10. Ποια είναι η σχέση μεταξύ perceptrons και νευρώνων?

Τα perceptrons διαμορφώνονται μετά από νευρώνες στον ανθρώπινο εγκέφαλο. Η δομή και η λειτουργία των perceptrons φέρουν ομοιότητες με τις βιολογικές διεργασίες που συμβαίνουν μέσα στους νευρώνες. Αυτή η σύνδεση επιτρέπει την ανάπτυξη συστημάτων AI που αντικατοπτρίζουν ορισμένες πτυχές της ανθρώπινης νοημοσύνης.

Αληθινή ai δεν’δεν υπάρχει ακόμα … αυτό’S Augmented Intelligence

Πριν από μερικές δεκαετίες, η τεχνητή νοημοσύνη (AI) περιοριζόταν μόνο στην ψυχαγωγία. Οι άνθρωποι θαυμάζαν την εξουσία που είχε αυτή η τεχνολογία, αλλά σήμερα η AI και η μηχανική μάθηση είναι καυτή θέμα. Στην πραγματικότητα, η πλειοψηφία των ανθρώπων έχει αλληλεπιδράσει με αυτήν την τεχνολογία με κάποιο τρόπο στη ζωή τους.

Κάνει “Αληθής” AI υπάρχουν ήδη?

Η τεχνητή νοημοσύνη είναι ίσως το μεγαλύτερο τεχνολογικό επίτευγμα στην ιστορία. Το’υποκειμενικό φυσικά, αλλά εγώ’Έχω εμμονή με την τεχνολογία από τότε που ήμουν παιδί. Καθώς εγώ’Σίγουρα υπάρχουν πολλές τεχνικές εξελίξεις που δεν γνωρίζω, AI ή μηχανική μάθηση, ξεπερνά τα όλα. Μια εξαίρεση θα μπορούσε ίσως να γίνει για την εφεύρεση της γλώσσας ή ίσως του τροχού, ωστόσο αμφιβάλλω ότι λίγα άλλα πράγματα θα έχουν τόσο βαθιά επίδραση στο ανθρώπινο είδος. Το AI υπήρξε σταθερό συστατικό της σύγχρονης κουλτούρας για πολλές γενιές τώρα. Από τα μηχανήματα που ταξιδεύουν στο χρόνο, η Hell-bent στην καταστροφή της ανθρωπότητας σε φιλικά και αξιαγάπητα ρομπότ που περιπλανώνται στο διάστημα, εμείς’Ve ανθρωπομορφισμένα μηχανήματα για την προετοιμασία για αυτό που όλοι γνωρίζουμε έρχεται.

Μόνο, τι γίνεται αν’ήδη εδώ? Κι αν ‘αληθής’ έχει ήδη δημιουργηθεί τεχνητή νοημοσύνη? Για να εξηγήσω, πρέπει να ξεπεράσω τον τρόπο λειτουργίας του AI. Κύριος’t Ανησυχώ. Εκεί’Δεν εμπλέκεται κανένα μαθηματικό.

Η μηχανική μάθηση είναι ένα εξαιρετικά μεγάλο και ευρύ πεδίο και καθώς αυτή η τεχνολογία αυξάνεται και γίνεται χρήσιμη για άλλους τομείς, αυξάνεται μόνο σε βάθος και πολυπλοκότητα. Προφανώς ο μέσος άνθρωπος δεν έχει το χρόνο να μάθει πώς λειτουργεί όλα, ανεξάρτητα από το πόσο σημαντικό θα μπορούσε να το πράξει. Ευτυχώς, οι αρχές στις οποίες λειτουργεί είναι πολύ απλές. Το πρώτο πράγμα που πρέπει να γνωρίζουμε είναι κάτι που ονομάζεται Perceptron.

Κοίτα

Ο καλύτερος τρόπος για να αντιληφθείς ένα perceptron είναι ότι είναι ουσιαστικά ο ίδιος με έναν νευρώνα στον ανθρώπινο εγκέφαλο. Αν εσύ’Δεν είναι πραγματικά σίγουρος τι είναι ένας νευρώνας, Don’t Ανησυχείς, σε έκανα να καλύψω.

Οι νευρώνες είναι τα κύτταρα που αποτελούν το νευρικό μας σύστημα. (Είπα κανένα μαθηματικό, δεν το έκανα’να πούμε τίποτα για τη βιολογία) Ευτυχώς, αυτοί’είναι αρκετά απλό όσο πηγαίνουν αυτά τα πράγματα. Αυτό το κόκκινο τμήμα στην αριστερή πλευρά είναι ο πυρήνας. Λαμβάνει ηλεκτρικές παρορμήσεις από αυτά τα κλάδο που αναζητούν πράγματα. Ο πυρήνας κάνει κάποιο υπολογισμό και αποφασίζει τι σήμα να στέλνει προς τα δεξιά, το οποίο τροφοδοτείται σε πολλούς άλλους νευρώνες. Αυτό ήταν το σχέδιο για κάτι που ονομάζεται Perceptron.

Ξέρω, ξέρω, αυτό είναι σίγουρα κοντά στα μαθηματικά, αλλά κάνουμε’Ωστόσο, δεν χρειάζεται να γνωρίζετε κάποιο από αυτά. Υπόσχεση. Όλα αυτά τα πράγματα στα αριστερά είναι τα σήματα εισόδου που μπαίνουν στο ‘πυρήνας’, που κάνει κάτι, στη συνέχεια στέλνει την έξοδο σε άλλα perceptrons. ο ‘Μηχανή’ στη μηχανική μάθηση είναι ένα μεγάλο δίκτυο αυτών ‘προγραμματισμένα αντικείμενα’. Οι διαμορφώσεις ποικίλλουν, αλλά αυτό’είναι η ουσία του. Λαμβάνουν σήμα εισόδου από κάτι, είτε πρόκειται για κείμενο, αριθμητικά δεδομένα, είτε για οτιδήποτε άλλο και αυτό το εξαιρετικά περίπλοκο δίκτυο ψηφιακών νευρώνων μεταδίδει σήματα εμπρός και πίσω με κάποιο τρόπο έως ότου το συνολικό μοντέλο εξάγει την πρόβλεψή του.

Αν εσύ’δεν ακολουθείτε εντελώς, Don’t Ανησυχώ. Η σημαντική λήψη είναι αυτό: ένα δίκτυο κόμβων λαμβάνει πληροφορίες, κάνει κάποιο υπολογισμό και στέλνει πληροφορίες σε άλλους που αποφασίζουν τι να κάνουν με αυτό. Ακούγεται οικείο? Θα έπρεπε.

Αν εσύ’Υπενθύμισε το perceptron, θα ήταν σωστό. Λειτουργικά, σε κλίμακα, ένα νευρωνικό δίκτυο είναι πολύ παρόμοιο με ένα μεγάλο perceptron. Υπάρχουν, φυσικά, παραλλαγές και αυτό δεν είναι απολύτως 100% αληθές, αλλά αυτό’είναι αρκετά αληθινό για τους σκοπούς μας εδώ. Εννοιολογικά, λαμβάνουν πληροφορίες, κάνουν κάποιο υπολογισμό και στέλνουν πληροφορίες σε κάτι ή κάποιον που πρόκειται να το χρησιμοποιήσει. Το’s perceptrons σε όλη τη διαδρομή και σε όλη τη διαδρομή.

Αλλά πώς λειτουργεί?

Η διαμονή με την προσέγγιση υψηλού επιπέδου, η εκπαίδευση ενός μοντέλου για να κάνουμε κάτι είναι αρκετά ευθεία προς τα εμπρός. Έχετε το νευρωνικό σας δίκτυο και μερικά δεδομένα που θέλετε να κάνετε προβλέψεις με, ας πούμε, προβλέποντας εάν μια εικόνα είναι 3 ή μέλισσα. Τροφοδοτείτε τα δεδομένα στο μηχάνημα και εκτοξεύει μια πρόβλεψη. Μια πραγματικά κακή πρόβλεψη. Αυτό έχει νόημα αν το μόνο που κάναμε ήταν να χαστούμε μερικά perceptrons μαζί και να τα τροφοδοτήσουμε μια δέσμη εικόνων. Πώς θα ήξερε τι είναι μια μέλισσα από 3? Δεν έχει τίποτα να το συγκρίνει. Για να κατανοήσουμε το μοντέλο μας, πρέπει να το εκπαιδεύσουμε.

Αυτό είναι αρκετά απλό. Θέλουμε να έχουμε μια δέσμη εικόνων των 3’S και οι μέλισσες, και ετικέτες για κάθε εικόνα, ώστε το μηχάνημα να μπορεί να βαθμολογηθεί. Στη συνέχεια, παίρνει μια εικόνα, κάνει μια πρόβλεψη και επιταγές για να δούμε αν το πήρε σωστά. Φυσικά αρχικά θα πάρει τα περισσότερα από αυτά λάθος. Στη συνέχεια, θα συμβεί μια διαδικασία που ονομάζεται πίσω διάδοση, ή κάτι παρόμοιο. Η διάδοση της πλάτης είναι όπου το μηχάνημα θα ρυθμίσει διαφορετικές παραμέτρους, κάνοντας νέες συνδέσεις μεταξύ διαφορετικών perceptrons, να απαλλαγούμε από τους άλλους και στη συνέχεια να προσπαθεί ξανά.

Όπως μπορείτε να φανταστείτε, αυτό μπορεί να γίνει πολύ τεχνικό στην πράξη, αλλά γενικά, αυτό’s απλά τροφοδοτεί μια εικόνα στο μηχάνημα και προβλέπει αν αυτό’είναι μια μέλισσα ή 3, και στη συνέχεια ελέγχοντας την απάντηση. Αν αυτο’Δεξιά, χάλια! Στην επόμενη εικόνα. Αν αυτο’λάθος, θα τροποποιήσει κάποιες ρυθμίσεις εδώ και εκεί και θα προσπαθήσει ξανά, μέχρι τελικά, το μηχάνημα είναι σε θέση να πει τη διαφορά μεταξύ 3’S και οι μέλισσες αρκετά καλά. Και πάλι, αυτό δεν είναι τεχνικά ακριβές, αλλά εννοιολογικά αυτό’είναι αρκετά καλό.

Ευτυχώς για εμάς, αυτό’Δεν είναι πολύ καλό σε πολλά άλλα. Το’είναι εξαιρετικά εξειδικευμένος και εκπαιδευμένος για να το κάνει αυτό, και ένα μόνο πράγμα. Οτι’όπου μπαίνουμε.

Το ανθρώπινο συστατικό

Όσο εκπληκτικό είναι αυτή η τεχνολογία, αυτά τα μηχανήματα παραμένουν χαζή. Και εννοώ πραγματικά χαζή. Το μηχάνημά μας από νωρίτερα μπορεί να είναι σε θέση να πει μια μέλισσα από ένα 3, αλλά αν ρίξετε μια εικόνα μιας αγελάδας σε αυτό, αυτό’πρόκειται να αγωνιστεί για να διαπιστώσει αν’είναι μια μέλισσα ή 3, γιατί για το μηχάνημα, εκεί’δεν είναι απλώς καμία άλλη επιλογή.

Τεχνητή νοημοσύνη, για όσο αυτό’S που χρησιμοποιείται, είναι πραγματικά περισσότερο από μια εσφαλμένη ονομασία μάρκετινγκ από μια τεχνική περιγραφή. Βλέπετε, το πρόβλημα είναι ότι εμείς οι άνθρωποι είμαστε πολύ χαζός. (Όχι τόσο χαζός όσο το προηγούμενο μηχάνημά μας, φυσικά. Αυτό ήταν προφανώς αγελάδα!) Αποδεικνύεται, δεν κάνουμε’δεν ξέρω ποια είναι η νοημοσύνη. Ω, έχουμε πολλούς ασαφείς ορισμούς, αλλά η πραγματικότητα είναι, εκεί’είναι ένα στοιχείο για τη νοημοσύνη, συγκεκριμένα τη συνείδηση, που μπορούμε απλά’ο καθορισμός, πόσο μάλλον να αναπαραχθεί σε ψηφιακό χώρο. Πολύ πιο έξυπνοι άνθρωποι από τον εαυτό μου εργάζονται μακριά στο πρόβλημα, αλλά αυτό’ειλικρινά λίγο από μια μαύρη τρύπα δεδομένης της ανικανότητάς μας να καθορίσουμε ακόμη και τι θέλουμε να κάνουμε! Η συνείδηση ​​είναι ένα από αυτά τα περίεργα πράγματα όπου ξέρετε τι εγώ’μιλάω, αλλά αν δοκιμάσετε, εσείς’Θα συνειδητοποιήσω ότι δεν είσαι’δεν ξέρω πώς να ορίσεις ‘τι’ Είναι σε κάθε πραγματική έννοια.

Φέρνοντας όλους μαζί

Γιατί λοιπόν αυτό το θέμα? Τι είναι τόσο σημαντικό για αυτό? Φυσικά, όλοι γνωρίζουν τις πρόσφατες αναταραχές στην κοινωνία μας και νομίζω ότι οι περισσότεροι άνθρωποι που χρησιμοποιούν τα κοινωνικά μέσα γνωρίζουν ότι αυτές οι αναταραχές είναι, τουλάχιστον εν μέρει, λόγω του πολλαπλασιασμού των κοινωνικών μέσων κατά την τελευταία δεκαετία. Πράγματι, πολλοί ιδρυτές των κοινωνικών μέσων έχουν αρχίσει να μιλάνε τα τελευταία χρόνια σχετικά με τους κινδύνους των κοινωνικών μέσων ενημέρωσης, πώς δεν συνειδητοποίησαν τι οικοδομούσαν ή αν το συνειδητοποίησαν, δεν γνώριζαν τις ακούσιες συνέπειες μιας τέτοιας τεχνολογίας που εξαπέλυσε στην κοινωνία. Αλλά αυτό που είναι τόσο επικίνδυνο για τα ανθρώπινα όντα ικανά να συνδέουν ελεύθερα και να μοιράζονται πληροφορίες μεταξύ τους?

Θυμάμαι αυτή τη φορά που ήμουν σε επαγγελματικό ταξίδι στη Βιρτζίνια. Ήταν αργά, μετά από μια κουραστική μέρα εργασίας και έβγαινα στην κορυφή του γκαράζ του ξενοδοχείου βλέποντας την κοινωνία να το κάνει’s πράγμα πριν ξεκινήσω για το βράδυ για να κοιμηθώ πριν από μια άλλη κουραστική μέρα. Υπήρχε αυτή η πολυσύχναστη διασταύρωση τεσσάρων δρόμων από τη γωνία του γκαράζ που βρισκόμουν και θα μπορούσα’t Βοήθεια, αλλά παρατηρήστε ότι κάθε αυτοκίνητο που οδήγησε επάνω ήταν φωτισμένο από μέσα από τα τηλέφωνα. Ακόμα και τα αυτοκίνητα με μόνο οδηγό. Μερικές φορές ήταν πιο έξυπνοι από τον μέσο όρο και δεν θα χρησιμοποιούσαν το τηλέφωνό τους καθώς τραβούσαν μέχρι το φως, αλλά μπορούσα να δω το εσωτερικό του αυτοκινήτου τους να φωτίζει αμέσως μόλις σταμάτησαν στο φως. Πήρα να δω πολλά αυτοκίνητα σε εκείνους μπροστά τους που δεν ήταν’να δίνω αρκετή προσοχή στο φως.

Τώρα, πολλοί θα μπορούσαν να επικεντρωθούν στους κινδύνους της οδήγησης ενώ αποσπάστηκαν ή να κάνουν κάποια από τα άλλα πράγματα που πρέπει να κάνουμε οι άνθρωποι, ενώ αποσπούν την αποσπασματική από τον μικροσκοπικό υπολογιστή στα χέρια μας. Σίγουρα, θα είχαν δίκιο να επισημάνουν αυτούς τους κινδύνους, αλλά δεν κάνω’Δεν πιστεύω ότι είναι οι πραγματικοί κίνδυνοι που πρέπει να εξετάσουμε. Ναι, χρειάζεται μόνο ένα δευτερόλεπτο για να συμβεί ένα θανατηφόρο ατύχημα, και αυτό πρέπει να θυμόμαστε και αυτό’είναι μια τραγωδία κάθε φορά. Αλλά αυτό που είδα όταν βρισκόμουν στην κορυφή αυτού του γκαράζ που κοιτάζει προς τα κάτω δεν ήταν εκατοντάδες αποσπασμένοι άνθρωποι, αλλά εκατοντάδες κόμβοι, λαμβάνοντας πληροφορίες και μοιράζονται με άλλους κόμβους. Μετά από όλα, θυμηθείτε ότι η αντίληψή μας για ένα perceptron είναι απλώς ένας κόμβος που λαμβάνει πληροφορίες, κάνει κάποιο εσωτερικό υπολογισμό και στη συνέχεια στέλνει πληροφορίες σε άλλους κόμβους στους οποίους συνήθως συνδέουμε.

Καθώς βρισκόμουν εκεί οι άνθρωποι που παρακολουθούσαν, θα μπορούσα να’να βοηθήσετε αλλά να απεικονίσετε τις γραμμές πληροφοριών που αποστέλλονται από κάθε άτομο. Απαντώντας σε μια αλυσίδα email? Tweeting σε χιλιάδες οπαδούς σε όλο τον κόσμο? Ή το χρονοδιάγραμμα προσώπου με ένα αγαπημένο πρόσωπο μόλις λίγα μίλια μακριά? Είδα τις συνδέσεις παντού, με πληροφορίες που μοιράζονται σε γεωγραφικές αποστάσεις που θα ήταν εντελώς αδιανόητες μόλις λίγες γενιές πριν. Οι παραλληλίες σε ένα νευρωνικό δίκτυο ήταν προφανείς, η κλίμακα ήταν ακριβώς έξω από τα διαγράμματα.

Κουμπιά και κλήσεις

Το 2012, το Facebook χειρίστηκε τα Newsfeeds περίπου 700K χρήστες. Αυτό που το έκανε χειρότερο, ήταν χωρίς τη συγκατάθεσή τους. Το έκαναν σε μια περίοδο 1 εβδομάδας, διαχειρίζοντας τις εκφράσεις του προσώπου που οι χρήστες εκτέθηκαν για να δουν αν ήταν δυνατόν να επηρεάσουν τους χρήστες’ συναισθήματα. Μπορείτε να διαβάσετε τη μελέτη εδώ.

“Δείχνουμε, μέσω ενός μαζικού (N = 689,003) Πείραμα στο Facebook, ότι οι συναισθηματικές καταστάσεις μπορούν να μεταφερθούν σε άλλους μέσω συναισθηματικής μόλυνσης, οδηγώντας τους ανθρώπους να βιώσουν τα ίδια συναισθήματα χωρίς την επίγνωσή τους. Παρέχουμε πειραματικές ενδείξεις ότι η συναισθηματική μόλυνση συμβαίνει χωρίς άμεση αλληλεπίδραση μεταξύ των ανθρώπων (η έκθεση σε έναν φίλο που εκφράζει ένα συναίσθημα είναι επαρκής) και στην πλήρη απουσία μη λεκτικών παραγόντων.” – Μελέτη στο Facebook για τη συναισθηματική μόλυνση

Υπάρχουν θεωρίες συνωμοσίας αφθονούν για αυτό το θέμα και θέλω να αφιερώσω μια στιγμή για να διαφοροποιήσω τον εαυτό μου από αυτό. Ο σκοπός μου εδώ είναι να προσπαθήσω και να περιγράψω αυτό που πιστεύω ότι είναι ο πρώτος ‘Αληθής’ AI που έχει έρθει στο διαδίκτυο. Δεν κάνω υποθέσεις σχετικά με την πρόθεση εκείνων που το έχτισαν ή τις ενέργειές τους μόλις το είχαν στο διαδίκτυο. Ο στόχος μου εδώ είναι να περιγράψω αυτό που πιστεύω ότι είναι οι ομοιότητες μεταξύ των κοινωνικών μέσων ενημέρωσης και των τεχνολογιών μηχανικής μάθησης και τι σημαίνει αυτό για την κοινωνία εν γένει. Ίσως αυτό που συμβαίνει είναι το φυσικό αποτέλεσμα του εύρους ζώνης μεταξύ των ανθρώπων που αυξάνονται τόσο δραστικά σε τόσο σύντομο χρονικό διάστημα. Είναι απολύτως πιθανό αυτό ‘επεξεργαστικη ΙΣΧΥΣ’ Αυξήσεις λόγω του αυξημένου εύρους ζώνης, διαφορετικοί τρόποι πραγματικότητας εκδηλώνονται από την αύξηση των πληροφοριών.

Το’S επίσης πιθανό ότι διαφορετικές ομάδες ισχυρών ανθρώπων ανταγωνίζονται με άλλες ομάδες ισχυρών ανθρώπων και είμαστε οι κόμβοι στην επίθεση τους AI. Σπρώξτε σε μια συγκεκριμένη μάρκα ψυχολογικά χειρισμένης προπαγάνδας και έχετε έναν στρατό αεροσκαφών να επιτεθεί στον στόχο σας.

Και τα δύο είναι εξίσου δυνατά στο μέτρο του’ενδιαφερόμενος. Ο μόνος στόχος μου με αυτό το άρθρο είναι να μούσα στην ιδέα της ολοκλήρωσης μεταξύ μηχανής και βιολογίας για να δημιουργήσω την πρώτη, αληθινή τεχνητή νοημοσύνη.

συμπέρασμα

Εγώ’LL Grant, η ιδέα i’Το M για να το κάνετε εδώ δεν είναι αυτό που αναγκαστικά συνδυάζει με σύγχρονες ιδέες για το τι ‘Αληθής’ Η τεχνητή νοημοσύνη θα ήταν. Έχουμε αυτήν την εικόνα στη φαντασία μας ότι μπορούμε να μιλήσουμε με το τηλέφωνό μας σαν αυτό’είναι ένα άτομο. Κάντε την ερώτηση και πάρτε μια απάντηση πίσω.

Το επιχείρημά μου είναι ότι αυτή η τεχνολογία υπάρχει ήδη, αυτό’είναι διαφορετικά σε ορισμένες λεπτομέρειες από ό, τι αρχικά φανταζόμασταν. Αλλά είναι εδώ, και χρησιμοποιείται και ίσως, όπως τόσο συχνά πριν στον κόσμο της τεχνολογίας, πρέπει να αλλάξουμε την ιδέα μας για το τι σημαίνει AI στην πραγματικότητα. Εάν ανοίξω το Twitter και τιτλώνω μια ερώτηση, θα λάβω μια απάντηση.

Η απάντηση που λαμβάνω θα εξαρτηθεί από τους κόμβους του δικτύου που αλληλεπιδρούμε πιο συχνά, αλλά το θέμα είναι ότι θα λάβω μια απάντηση ή τουλάχιστον θα λάβω απαντήσεις από τις οποίες μπορώ να καθορίσω μια απάντηση, η οποία είναι όλα αυτά τα μηχανήματα που πραγματικά κάνουν, ούτως ή άλλως, ούτως ή άλλως.

Αληθινή ai δεν’δεν υπάρχει ακόμα … αυτό’S Augmented Intelligence

Η τεχνητή νοημοσύνη είναι εύκολα ένα από τα πιο δημοφιλή buzzwords αυτό το oEAR, ακόμη και προκαλεί έντονες συζητήσεις μεταξύ εξέχοντων τεχνολογικών moguls, musk και zuckerburg, στο μέλλον του AI.

Ωστόσο, μια μεγάλη επίβλεψη παραμένει – η αληθινή τεχνητή νοημοσύνη δεν υπάρχει και δεν θα υπάρχει για τουλάχιστον μια άλλη δεκαετία, σύμφωνα με Τολμηρός Διευθύνων Σύμβουλος, Roei Ganzarski.

Αντ ‘αυτού, προτείνει, οι τεχνολογικές εταιρείες που ισχυρίζονται να κάνουν ‘Όλα συμπεριλαμβάνονται’ Στην πραγματικότητα παρέχουν μόνο μια ενισχυμένη νοημοσύνη.

Ενώ πολλές εταιρείες ισχυρίζονται ότι παρέχουν “Οδηγός του ΑΙ” λύσεις, στην πραγματικότητα’Επανορκία τεχνικών εκμάθησης μηχανών στην καλύτερη περίπτωση, αναπτύσσοντας αυτό που ο Ganzarski αναφέρεται ως ενισχυμένη νοημοσύνη.

Στην πραγματικότητα – η IBM (η οποία δημιούργησε αναμφισβήτητα την πρώτη τεχνολογία AI με τον Watson) συμφωνεί με αυτόν τον ορισμό και πιστεύει σήμερα’Οι τεχνολογίες S είναι περισσότερο καθοδήγηση από ποτέ, αλλά αρένα’t ακόμα αρκετά προχωρημένο για να σκεφτεί κανείς για τον εαυτό του – που είναι το πόσο αληθινό είναι καθορισμένο AI.

Ενώ το HBO’Το S Westworld μας δίνει μια ματιά σε ένα μέλλον, όπου τα ανθρώπινα, αυτο-σκεπτόμενα ανδροειδή είναι ο κανόνας, οι άνθρωποι θα πρέπει να περιμένουν αρκετά χρόνια όπου η τεχνολογία πηγαίνει από την ερμηνεία προκαθορισμένων σεναρίων που βασίζονται σε μια βιβλιοθήκη δεδομένων σε ένα έξυπνο bot που διατυπώνει τις δικές της ιδέες με βάση τα ηθικά/λογική-ουσιαστικά ‘σκέψη’ για τον εαυτό του.

Σε συνέντευξή του στην εποχή της πληροφόρησης, Ganzarski’S συζήτησε πώς πιστεύει ότι αυτό το χάσμα από την επαυξημένη νοημοσύνη στην τεχνητή νοημοσύνη θα γεφυρωθεί, πόσο καιρό θα πάρει και ποιο είναι το μέλλον του AI.

Εκεί’Σήμερα είναι πολλή διαφημιστική εκστρατεία γύρω από την τεχνητή νοημοσύνη σε σχεδόν κάθε κλάδο, αλλά ισχυρίζεστε ότι δεν το κάνει’Υπάρχουν ακόμα. Αν είμαστε’δεν βιώνει αληθινό AI, τι βλέπουμε αντ ‘αυτού?

Η τεχνητή νοημοσύνη είναι εύκολα ένα από τα πιο δημοφιλή buzzwords φέτος, αλλά κατά τη γνώμη μου, δεν υπάρχει ακόμα και δεν θα υπάρχει για κάποιο χρονικό διάστημα.

Αντ ‘αυτού, οι εταιρείες τεχνολογίας ισχυρίζονται να κάνουν ‘Όλα συμπεριλαμβάνονται’ Παρέχουν στην πραγματικότητα αυτό που θα ορίσω ως ενισχυμένη νοημοσύνη-πολύ εξελιγμένη, γρήγορη επεξεργασία αποφάσεων ή λογισμικό υποστήριξης αποφάσεων που βασίζεται σε σενάρια σε πραγματικό χρόνο.

Ωστόσο, ακόμη και αυτές οι αποφάσεις με βάση το split-second, με γνώμονα τον υπολογιστή βασίζονται σε εξελιγμένους αλγόριθμους που προγραμματίστηκαν στο λογισμικό από έναν άνθρωπο.

Αυτά τα “Οδηγός του ΑΙ” Οι λύσεις αξιοποιούν πράγματι τις προηγμένες τεχνολογίες, αλλά θα ήθελα να υποστηρίξω ότι αυτό δεν είναι ακόμα αληθινή τεχνητή νοημοσύνη.

Για να κατανοήσουμε τη γνώμη μου, πρέπει να εξετάσουμε τον τρόπο με τον οποίο ορίζεται το AI.

Στην απλούστερη γλώσσα, το AI είναι ένας υπολογιστής (λογισμικό, ρομπότ, το ονομάζετε ό, τι θέλετε) που έχει τη δυνατότητα να κάνει πράγματα που μπορεί να κάνει μόνο ένας άνθρωπος και να χρησιμοποιήσει το ίδιο επίπεδο λογικής και συλλογιστικής που θα έκανε ένας άνθρωπος. Αυτό το τελευταίο μέρος είναι το κλειδί.

Κάποιοι θα μπορούσαν να υποστηρίξουν ρομπότ που κάνουν ακριβώς ό, τι οι άνθρωποι υπάρχουν ήδη, όπως τα ρομπότ μπορούν να χτίσουν αυτοκίνητα ή ακόμα και να κάνουν προηγμένους υπολογισμούς και ίσως να αποδώσουν καλά, αν όχι καλύτερα, ταχύτερα και πιο συνεπή από τους ανθρώπους.

Ωστόσο, το κάνουν σήμερα μετά από μια σειρά παραγγελιών, χωρίς να χρησιμοποιούν τη συλλογιστική ή τη λογική της δικής τους. Ακόμα και εκείνοι που χρησιμοποιούν τη μηχανική μάθηση λένε στον υπολογιστή τι πρέπει να κάνετε από δεδομένα που έχουν καταρτιστεί και πώς να “μαθαίνω”.

Στην πραγματικότητα, ήδη από το συνέδριο της Τεχνητής Νοημοσύνης του 1956, J, J. Ο McCarthy καθόρισε τη μελέτη του νέου πεδίου του AI ως εξής: η μελέτη πρέπει να προχωρήσει με βάση την εικασία ότι κάθε πτυχή της μάθησης ή οποιοδήποτε άλλο χαρακτηριστικό της νοημοσύνης μπορεί κατ ‘αρχήν να περιγραφεί με ακρίβεια ώστε να μπορεί να γίνει μια μηχανή για την προσομοίωση της.

Θα γίνει μια προσπάθεια να βρεθούν πώς να κάνουν τα μηχανήματα να χρησιμοποιούν τη γλώσσα, να διαμορφώσουν αφαίρεσης και έννοιες, να λύσουν τα είδη των προβλημάτων που τώρα προορίζονται για τους ανθρώπους και να βελτιωθούν οι ίδιοι.

Αφήνω’Κοιτάξτε μερικά παραδείγματα όπου η ανθρώπινη συλλογιστική είναι κρίσιμη στη λήψη αποφάσεων και δεν έχει ακόμη μιμηθεί από έναν υπολογιστή:

• Από το απλό: Τα αεροπλάνα από οποιαδήποτε δεδομένη αεροπορική εταιρεία θα πρέπει να λαμβάνουν 45 λεπτά στο έδαφος μεταξύ πτήσεων για εκφόρτωση και φόρτωση αποσκευών και οι επιβάτες της. Ωστόσο, φανταστείτε εάν μια συγκεκριμένη πτήση έπρεπε να ξυρίσει ένα λεπτό για να αποφύγετε τις προβλεπόμενες καθυστερήσεις. Σχεδιάζει για 44 λεπτά εντάξει? Τι λέτε για την προσθήκη ενός λεπτού αντ ‘αυτού? Το μηχάνημα θα είναι σε θέση να σπάσει το ‘κανόνας’ 45 λεπτά? Λαμβάνει υπόψη το προσωπικό που έχουν στη μετατόπιση εκείνη την ημέρα και την προθυμία τους “σπουδή” για να γίνουν τα πράγματα εάν τους ζητήθηκαν?

Το μηχάνημα, δεδομένου ότι μπορεί να μην προγραμματιστεί για να υπολογίσει συγκεκριμένα σενάρια, πιθανότατα δεν θα έχει όλες τις πληροφορίες που μπορεί να γνωρίζει ή να λαμβάνει υπόψη όλες οι πληροφορίες, ο διαχειριστής αλλαγής βάρδιας.

• Στο πιο περίπλοκο: Ένα αυτοκίνητο χωρίς οδηγό αντιμετωπίζει το χτύπημα ενός τοίχου που διακινδυνεύει τον επιβάτη του’η ζωή ή το χτύπημα μιας ομάδας πεζών που διασχίζουν το δρόμο. Μπορούμε να προγραμματίσουμε το λογισμικό που τροφοδοτεί το αυτοκίνητο για να αντιδράσει με κάποιο τρόπο, αλλά τελικά το λογισμικό δεν έχει δυνατότητα να εξετάσει ηθικά ζητήματα (i.μι. Ποιος οδηγεί στο αυτοκίνητό μου, που είναι οι άνθρωποι στο δρόμο, πόσο χρονών είναι, τι’είναι το καλύτερο σενάριο) – ότι οποιοσδήποτε οδηγός θα εξετάσει αν αντιμετωπίσει ποτέ την κατάσταση.

Με αυτά τα παραδείγματα, μπορούμε να καταλήξουμε στο συμπέρασμα ότι δεν έχουμε ακόμη επιτύχει μια πραγματικότητα όπου οι υπολογιστές έχουν επιτύχει λογικές ικανότητες λογικής και μπορούν να θεωρηθούν τεχνητή νοημοσύνη.

Μπορείτε να μοιραστείτε μερικά παραδείγματα για το πώς χρησιμοποιείται η επαυξημένη νοημοσύνη σήμερα?

Η ενισχυμένη νοημοσύνη χρησιμοποιείται σχεδόν σε κάθε κλάδο, από την τεχνολογία μάρκετινγκ έως τα αυτοκίνητα αυτο-οδήγησης. Σχεδόν κάθε φορά που διαβάζετε ‘Όλα συμπεριλαμβάνονται’ δυνατότητες στις ειδήσεις, αυτό’S στην πραγματικότητα αύξησε τη νοημοσύνη.

Σκεφτείτε το λογισμικό που αποφάσισε για το τι τηλεφωνικό χειριστή είναι καλύτερο να απαντήσετε σε μια εισερχόμενη κλήση σε τηλεφωνικό κέντρο για να αυξήσετε την πιθανότητα ενός θετικού αποτελέσματος κλήσεων ή του προγράμματος που αποφασίζει ποια φώτα στάσης κυκλοφορίας θα αλλάξουν και με ποια σειρά να μειώσουν την πιθανότητα κυκλοφοριακής συμφόρησης. Και τα δύο αυτά είναι ενισχυμένη νοημοσύνη.

Ακόμα και το λογισμικό που προσαρμόζει την διαφήμιση που εμφανίζεται όταν εσείς’RE περιήγηση ιστοσελίδων για να αυξήσετε την πιθανότητα αγοράς και αγοράς του περιεχομένου τροφοδοτείται από την ενισχυμένη νοημοσύνη. Αυτή η τεχνολογία ενσωματώνεται σε σχεδόν κάθε πτυχή της καθημερινής μας ζωής, είτε την αναγνωρίζουμε είτε όχι.

Πώς οι εταιρείες θα γεφυρώσουν τελικά το χάσμα από την επαυξημένη νοημοσύνη στην τεχνητή νοημοσύνη? Πόση ώρα θα πάρει?

Όπως ανέφερα παραπάνω, η αληθινή τεχνητή νοημοσύνη δεν θα υπάρχει μέχρι να αρχίσει η τεχνολογία να σκέφτεται για τον εαυτό της, αλλά αυτό είναι μόνο η βασική γραμμή. Ως άνθρωποι, οι αποφάσεις και οι γνώσεις μας για το σωστό έναντι του λανθασμένου, λογικού έναντι όχι, ή ακόμα και αξίζει τον κόπο ή όχι, καθοδηγείται από τρία χαρακτηριστικά: ηθικά, ηθική και λογική – ίσως ο συνδυασμός μπορεί να οριστεί ως ανθρώπινη λογική.

Ενώ η λογική σε επίπεδο επιφάνειας μπορεί να προγραμματιστεί σε ένα μηχάνημα (i.μι. Εάν συμβεί αυτό, αυτή είναι η κατάλληλη απάντηση), είναι επίσης βαθιά ριζωμένη στα ηθικά και την ηθική που μαθαίνονται και ενσταλάσονται σε ανθρώπους καθ ‘όλη τη διάρκεια της ζωής τους και σε όλες τις γενιές. Μέχρι να ικανοποιηθεί αυτό το όριο, θα ζήσουμε στην εποχή της προηγμένης μηχανικής μάθησης και της ενισχυμένης νοημοσύνης.

Υπάρχουν εφαρμογές πραγματικού κόσμου που πρέπει να προσβλέπουμε?

Αυτό έχει μια απλή απάντηση. Εάν και όταν επιτευχθεί το AI, δεν θα υπάρξει βιομηχανία ή αγορά που δεν εφαρμόζεται.

Είναι ένα Westworld-style AI Takeover μια πιθανότητα στο εγγύς μέλλον?

Ενώ το HBO’Το S Westworld μας δίνει μια ματιά σε ένα μέλλον όπου τα ανθρώπινα, αυτο-σκέψης Androids είναι ο κανόνας, η αλήθεια είναι ότι είμαστε μακριά από αυτή την πραγματικότητα και δεν θα αρχίσουμε να βλέπουμε έναν τέτοιο κόσμο εδώ και δεκαετίες-αν συμβεί καθόλου.

Εικασίες για τεχνητά bots που μπορούν ‘νομίζω’ για τον εαυτό τους και ζουν μεταξύ μας κάθε μέρα είναι αυτό που οι άνθρωποι εξισώνουν το μέλλον του AI να μοιάζουν, αλλά εμείς’ll πιθανόν να αρχίσουν να βλέπουν αυτές τις τεχνολογίες που εφαρμόζονται σε εφαρμογές που ενισχύουν την καθημερινή μας ζωή όπως αυτόνομα οχήματα, εξυπηρέτηση πελατών και πολλά άλλα.

Ωστόσο, όταν αρχίζουμε να βλέπουμε την πραγματική τεχνητή νοημοσύνη να λαμβάνει μορφή, πρέπει να έχουμε ρυθμιστεί κανονισμούς στη θέση του.

Κατά τη γνώμη μου, αν δημιουργηθεί το αληθινό AI, που σημαίνει υπολογιστές που μπορούν στην πραγματικότητα να σκεφτούν και να συμπεριφέρονται όπως οι άνθρωποι, τότε γιατί δεν θα περιμένουμε να συμπεριφέρονται σαν ανθρώπους?

Για παράδειγμα, βοηθήστε, εργασία, επιτύχετε… και ναι, υποστηρίζετε, καταπολεμήστε, είστε βίαιοι και σκοτώστε. Εάν αυτή είναι η συλλογιστική που πρέπει να προωθήσει τις πολιτικές μας, τότε γίνεται πολύ απλούστερο να αποφασίσουμε ποιες πολιτικές πρέπει να τεθούν σε εφαρμογή.

Το Ηνωμένο Βασίλειο’Το μεγαλύτερο συνέδριο για την ηγεσία της τεχνολογίας, τη σύνοδο κορυφής της Tech Leaders, επιστρέφει στις 14 Σεπτεμβρίου με 40+ κορυφαίους execs που υπέγραψαν για να μιλήσουν για τις προκλήσεις και τις ευκαιρίες που περιβάλλουν τις πιο ενοχλητικές καινοτομίες που αντιμετωπίζουν σήμερα η επιχείρηση. Ασφαλίστε τη θέση σας σε αυτή τη διάσημη σύνοδο κορυφής, εγγραφείτε εδώ

Nick Ismail

Ο Nick Ismail είναι ο συντάκτης για την πληροφόρηση. Έχει ιδιαίτερο ενδιαφέρον για τις έξυπνες τεχνολογίες, την ασφάλεια AI και τον κυβερνοχώρο. Περισσότερα από τον Nick Ismail

Το AI δεν’Στην πραγματικότητα υπάρχει ακόμα

Ανακαλύψτε την παγκόσμια επιστήμη. Εξερευνήστε το ψηφιακό αρχείο μας στο 1845, συμπεριλαμβανομένων άρθρων με περισσότερους από 150 νικητές του βραβείου Νόμπελ.

Επιστημονική αμερικανική αραβική

• Πολιτική απορρήτου
• Η δήλωση απορρήτου καταναλωτών της Καλιφόρνια
• Χρήση cookies/μην πωλούν τα δεδομένα μου
• Διεθνείς εκδόσεις

Η Scientific American είναι μέρος της Springer Nature, η οποία κατέχει ή έχει εμπορικές σχέσεις με χιλιάδες επιστημονικές εκδόσεις (πολλές από αυτές μπορούν να βρεθούν στο www.ελαιουργία.com/us). Η Scientific American διατηρεί μια αυστηρή πολιτική της συντακτικής ανεξαρτησίας στην αναφορά των εξελίξεων στην επιστήμη στους αναγνώστες μας.

© 2023 Scientific American, τμήμα της φύσης Αμερικής, Inc.

Όλα τα δικαιώματα διατηρούνται.

Υποστήριξη επιστημονικής δημοσιογραφίας.

Ευχαριστώ για την ανάγνωση της Scientific American. Η γνώση περιμένει.

Ήδη συνδρομητής? Συνδεθείτε.

Ευχαριστώ για την ανάγνωση της Scientific American. Δημιουργήστε τον δωρεάν λογαριασμό σας ή συνδεθείτε για να συνεχίσετε.

Συνεχίστε να διαβάζετε με μια επιστημονική αμερικανική συνδρομή.

Μπορείτε να ακυρώσετε ανά πάσα στιγμή.

Υπάρχει πραγματικό AI?

Συγγραφέας

1. George Siemens Συν-Διευθυντής, Καθηγητής, Κέντρο αλλαγής και πολυπλοκότητας στη μάθηση, Πανεπιστήμιο της Νότιας Αυστραλίας

Δήλωση γνωστοποίησης

Ο George Siemens δεν εργάζεται, συμβουλεύει, διαθέτει μετοχές ή λαμβάνει χρηματοδότηση από οποιαδήποτε εταιρεία ή οργανισμό που θα επωφεληθεί από αυτό το άρθρο και δεν έχει αποκαλύψει σχετικές σχέσεις πέρα ​​από το ακαδημαϊκό τους ραντεβού.

Εταίροι

Το Πανεπιστήμιο της Νότιας Αυστραλίας παρέχει χρηματοδότηση ως μέλος της συνομιλίας AU.

Τον Αύγουστο του 1955, μια ομάδα επιστημόνων υπέβαλε αίτηση χρηματοδότησης για 13.500 δολάρια για να φιλοξενήσει ένα καλοκαιρινό εργαστήριο στο Dartmouth College, New Hampshire. Το πεδίο που πρότειναν να εξερευνήσουν ήταν η τεχνητή νοημοσύνη (AI).

Ενώ το αίτημα χρηματοδότησης ήταν ταπεινό, η εικασία των ερευνητών δεν ήταν: “Κάθε πτυχή της μάθησης ή οποιοδήποτε άλλο χαρακτηριστικό της νοημοσύνης μπορεί κατ ‘αρχήν να είναι τόσο ακριβής που περιγράφεται με ακρίβεια που μπορεί να γίνει μια μηχανή για την προσομοίωσή της”.

Δεδομένου ότι αυτές οι ταπεινές αρχές, οι ταινίες και τα μέσα ενημέρωσης έχουν ρομαντικοποιήσει το AI ή το ρίχνουν ως κακοποιό. Ωστόσο, για τους περισσότερους ανθρώπους, η AI παρέμεινε ως σημείο συζήτησης και όχι μέρος μιας συνειδητής εμπειρίας που έζησε.

Ο AI έφτασε στη ζωή μας

Αργά τον περασμένο μήνα, η AI, με τη μορφή του ChatGPT, έσπασε από τις εικασίες Sci-Fi και τα ερευνητικά εργαστήρια και επάνω στους επιτραπέζιους υπολογιστές και τα τηλέφωνα του ευρύτερου κοινού. Το’τι’γνωστή ως “γενετική AI” – Ξαφνικά, μια έξυπνα διατυπωμένη προτροπή μπορεί να παράγει ένα δοκίμιο ή να συγκεντρώσει μια λίστα συνταγών και αγορών ή να δημιουργήσει ένα ποίημα με το στυλ του Elvis Presley.

Ενώ το ChatGPT ήταν ο πιο δραματικός συμμετέχων σε ένα έτος γενετικής επιτυχίας AI, παρόμοια συστήματα έχουν δείξει ακόμη και ευρύτερη δυνατότητα δημιουργίας νέου περιεχομένου, με προτροπές κειμένου σε εικόνα που χρησιμοποιούνται για τη δημιουργία ζωντανών εικόνων που έχουν κερδίσει ακόμη και διαγωνισμούς τέχνης.

Το AI μπορεί να μην έχει ακόμη ζωντανή συνείδηση ​​ή μια θεωρία του μυαλού δημοφιλή σε ταινίες sci-fi και μυθιστορήματα, αλλά πλησιάζει τουλάχιστον στο να διαταράξει αυτό που πιστεύουμε ότι μπορούν να κάνουν τα συστήματα τεχνητής νοημοσύνης.

Οι ερευνητές που συνεργάζονται στενά με αυτά τα συστήματα έχουν σπάσει υπό την προοπτική της ευαισθησίας, όπως στην υπόθεση με την Google’S Μεγάλο Γλώσσα μοντέλο (LLM) LAMDA. Ένα LLM είναι ένα μοντέλο που έχει εκπαιδευτεί για επεξεργασία και δημιουργία φυσικής γλώσσας.

Η γενετική AI έχει επίσης προκαλέσει ανησυχίες σχετικά με τη λογοκλοπή, την εκμετάλλευση του πρωτότυπου περιεχομένου που χρησιμοποιείται για τη δημιουργία μοντέλων, την ηθική της χειραγώγησης πληροφοριών και της κατάχρησης εμπιστοσύνης και ακόμη και “το τέλος του προγραμματισμού”.

Στο επίκεντρο όλων αυτών είναι το ερώτημα που αυξάνεται επείγοντα από το εργαστήριο του Dartmouth Summer: διαφέρει το AI από την ανθρώπινη νοημοσύνη?

Τι κάνει ‘Όλα συμπεριλαμβάνονται’ στην πραγματικότητα σημαίνει?

Για να χαρακτηριστεί ως AI, ένα σύστημα πρέπει να παρουσιάζει κάποιο επίπεδο μάθησης και προσαρμογής. Για το λόγο αυτό, τα συστήματα λήψης αποφάσεων, ο αυτοματισμός και τα στατιστικά στοιχεία δεν είναι AI.

Το AI ορίζεται ευρέως σε δύο κατηγορίες: Τεχνητή στενή νοημοσύνη (ANI) και τεχνητή γενική νοημοσύνη (AGI). Μέχρι σήμερα, η AGI δεν υπάρχει.

Η βασική πρόκληση για τη δημιουργία ενός γενικού AI είναι να διαμορφώσει επαρκώς τον κόσμο με όλη τη γνώση, με συνεπή και χρήσιμο τρόπο. Οτι’είναι μια μαζική επιχείρηση, τουλάχιστον.

Τα περισσότερα από αυτά που γνωρίζουμε ως AI σήμερα έχουν στενή νοημοσύνη – όπου ένα συγκεκριμένο σύστημα αντιμετωπίζει ένα συγκεκριμένο πρόβλημα. Σε αντίθεση με την ανθρώπινη νοημοσύνη, τόσο στενή νοημοσύνη AI είναι αποτελεσματική μόνο Στην περιοχή στην οποία έχει εκπαιδευτεί: ανίχνευση απάτης, αναγνώριση προσώπου ή κοινωνικές συστάσεις, για παράδειγμα.

Ωστόσο, η Agi θα λειτουργούσε όπως κάνουν οι άνθρωποι. Προς το παρόν, το πιο αξιοσημείωτο παράδειγμα προσπαθώντας να επιτευχθεί αυτό είναι η χρήση νευρωνικών δικτύων και “βαθιά μάθηση” εκπαιδευμένο σε τεράστια ποσά δεδομένων.

Τα νευρωνικά δίκτυα εμπνέονται από τον τρόπο λειτουργίας του ανθρώπινου εγκεφάλου. Σε αντίθεση με τα περισσότερα μοντέλα μηχανικής μάθησης που εκτελούν υπολογισμούς στα δεδομένα εκπαίδευσης, τα νευρωνικά δίκτυα λειτουργούν με τη διατροφή κάθε σημείου δεδομένων ένα προς ένα μέσω ενός διασυνδεδεμένου δικτύου, κάθε φορά που ρυθμίζει τις παραμέτρους.

Καθώς όλο και περισσότερα δεδομένα τροφοδοτούνται μέσω του δικτύου, οι παράμετροι σταθεροποιούνται. το τελικό αποτέλεσμα είναι το “εκπαιδευμένος” Νευρωνικό δίκτυο, το οποίο στη συνέχεια μπορεί να παράγει την επιθυμητή έξοδο σε νέα δεδομένα – για παράδειγμα, αναγνωρίζοντας αν μια εικόνα περιέχει μια γάτα ή ένα σκυλί.

Το σημαντικό άλμα προς τα εμπρός στο AI σήμερα οδηγείται από τεχνολογικές βελτιώσεις στον τρόπο με τον οποίο μπορούμε να εκπαιδεύσουμε μεγάλα νευρωνικά δίκτυα, αναπροσαρμόζοντας τους τεράστιους αριθμούς παραμέτρων σε κάθε τρέξιμο χάρη στις δυνατότητες των μεγάλων υποδομών cloud-computing. Για παράδειγμα, το GPT-3 (το σύστημα AI που τροφοδοτεί το ChatGPT) είναι ένα μεγάλο νευρωνικό δίκτυο με 175 δισεκατομμύρια παραμέτρους.

Τι χρειάζεται να εργαστεί το AI?

Το AI χρειάζεται τρία πράγματα για να είναι επιτυχής.

Πρώτον, χρειάζεται υψηλής ποιότητας, αμερόληπτα δεδομένα, Και πολλά από αυτά. Οι ερευνητές που κατασκευάζουν νευρωνικά δίκτυα χρησιμοποιούν τα μεγάλα σύνολα δεδομένων που έχουν προκύψει καθώς η κοινωνία έχει ψηφιοποιηθεί.

Ο Co-Pilot, για την αύξηση των ανθρώπινων προγραμματιστών, αντλεί τα δεδομένα του από δισεκατομμύρια γραμμές κώδικα που μοιράζονται στο GitHub. Το Chatgpt και άλλα μεγάλα γλωσσικά μοντέλα χρησιμοποιούν τα δισεκατομμύρια ιστότοπους και έγγραφα κειμένου που είναι αποθηκευμένα στο διαδίκτυο.

Τα εργαλεία κειμένου σε εικόνα, όπως σταθερή διάχυση, Dalle-2 και Midjourney, χρησιμοποιούν ζεύγη κείμενο εικόνων από σύνολα δεδομένων όπως το Laion-5b. Τα μοντέλα AI θα συνεχίσουν να εξελίσσονται στην πολυπλοκότητα και τις επιπτώσεις καθώς ψηφιοποιούμε περισσότερα από τη ζωή μας και τους παρέχουμε εναλλακτικές πηγές δεδομένων, όπως προσομοιωμένα δεδομένα ή δεδομένα από ρυθμίσεις παιχνιδιού όπως το Minecraft.

Το AI χρειάζεται επίσης υπολογιστική υποδομή για αποτελεσματική εκπαίδευση. Καθώς οι υπολογιστές γίνονται πιο ισχυροί, τα μοντέλα που απαιτούν τώρα εντατικές προσπάθειες και υπολογιστική μεγάλη κλίμακα μπορεί στο εγγύς μέλλον να αντιμετωπιστεί τοπικά. Η σταθερή διάχυση, για παράδειγμα, μπορεί να εκτελεστεί ήδη σε τοπικούς υπολογιστές και όχι σε περιβάλλοντα σύννεφων.

Η τρίτη ανάγκη για AI είναι Βελτιωμένα μοντέλα και αλγόριθμοι. Τα συστήματα που βασίζονται σε δεδομένα συνεχίζουν να σημειώνουν ταχεία πρόοδο στον τομέα, αφού ο τομέας κάποτε θεωρείται το έδαφος της ανθρώπινης γνώσης.

Ωστόσο, καθώς ο κόσμος γύρω μας αλλάζει συνεχώς, τα συστήματα AI πρέπει να είναι συνεχώς επανεκπροσαρμοσμένα χρησιμοποιώντας νέα δεδομένα. Χωρίς αυτό το κρίσιμο βήμα, τα συστήματα AI θα παράγουν απαντήσεις που είναι λάθος λανθασμένες ή δεν λαμβάνουν υπόψη νέες πληροφορίες που’εμφανίστηκαν από τότε που εκπαιδεύτηκαν.

Νευρωνικά δίκτυα’η μόνη προσέγγιση του AI. Ένα άλλο εξέχον στρατόπεδο στην έρευνα τεχνητής νοημοσύνης είναι το συμβολικό AI – αντί να χωνεύει τεράστια σύνολα δεδομένων, βασίζεται σε κανόνες και γνώσεις παρόμοιες με την ανθρώπινη διαδικασία σχηματισμού εσωτερικών συμβολικών αναπαραστάσεων συγκεκριμένων φαινομένων.

Αλλά η ισορροπία εξουσίας έχει επικαλυφθεί σε μεγάλο βαθμό στις προσεγγίσεις που βασίζονται σε δεδομένα κατά την τελευταία δεκαετία, με το “Οι ιδρυτές” της σύγχρονης βαθιάς μάθησης που απονεμήθηκε πρόσφατα το βραβείο Turing, το ισοδύναμο του βραβείου Νόμπελ στην Επιστήμη των Υπολογιστών.

Τα δεδομένα, ο υπολογισμός και οι αλγόριθμοι αποτελούν το θεμέλιο του μέλλοντος του AI. Όλοι οι δείκτες είναι ότι η ταχεία πρόοδος θα σημειωθεί και στις τρεις κατηγορίες στο προβλέψιμο μέλλον.

• Τεχνητή νοημοσύνη (AI)
• Ρομπότ
• Χρήση υπολογιστή
• Νευρωνικά δίκτυα
• Chatbots

Μπορεί να υπάρχει τεχνητή νοημοσύνη (AI) χωρίς ανθρώπους?

Πριν από μερικές δεκαετίες, η τεχνητή νοημοσύνη (AI) περιοριζόταν μόνο στην ψυχαγωγία. Οι άνθρωποι θαυμάζαν την εξουσία που είχε αυτή η τεχνολογία, αλλά σήμερα η AI και η μηχανική μάθηση είναι καυτή θέμα. Στην πραγματικότητα, η πλειοψηφία των ανθρώπων έχει αλληλεπιδράσει με αυτήν την τεχνολογία με κάποιο τρόπο στη ζωή τους.

Η χρήση εφαρμογών συνομιλίας σε κείμενο και φωνή έχει αυξηθεί. Αυτά περιλαμβάνουν εξελιγμένους εικονικούς βοηθούς και απλά chatbots που έχουν αυτοματοποιημένη εξυπηρέτηση πελατών και το μεταφέρουν σε άλλο επίπεδο. Αυτή η τεχνολογία έχει επίσης φέρει επανάσταση σε άλλες βιομηχανίες.

Ακόμη και με αυτές τις εξελίξεις, η AI δεν είναι ακόμη αυτάρκη. Αυτό προκαλεί την ερώτηση: Μπορεί να υπάρχει AI χωρίς ανθρώπους?

Το AI χρειάζεται ανθρώπους να παραμείνουν σχετικοί. Κινδυνεύει να μην συμβαδίσει με τους ανθρώπους στο βρόχο. Εδώ είναι οι λόγοι για τους οποίους το AI χρειάζεται ακόμα ανθρώπους.

Μπορεί να υπάρχει AI χωρίς ανθρώπους που το υποστηρίζουν?

Το AI είναι μία από τις τεχνολογίες που εξελίσσονται με εκθετικό ρυθμό. Τα μηχανήματα που λειτουργούν με AI λειτουργούν καλύτερα, κινούνται ταχύτερα και ανυψώνουν μεγαλύτερα φορτία από τους ανθρώπους. Είναι τόσο έξυπνοι όσο οι άνθρωποι, ώστε να μπορούν να κάνουν σχεδόν τα πάντα.

Ωστόσο, η τεχνολογία μπορεί’να προχωρήσω χωρίς τη βοήθεια ανθρώπων. Υπάρχει ανάγκη για τους μηχανικούς να αναπτύξουν και να δοκιμάσουν τα συστήματα AI για την ανάπτυξη της τεχνολογίας. Επομένως οι άνθρωποι και οι ΑΙ δεν είναι εναλλάξιμοι, και το AI μπορεί’δεν υπάρχει χωρίς ανθρώπους.

Πολλοί προγραμματιστές το λένε ότι αυτό’είναι πιθανό για τα μηχανήματα να σκέφτονται ανεξάρτητα στο μέλλον. Ωστόσο, στον πραγματικό κόσμο, αυτό μπορεί να διαρκέσει δεκαετίες για να επιτευχθεί αυτό, επειδή σήμερα, τα ρομπότ είναι προγραμματισμένα και εργάζονται στο πλαίσιο τους. Εξαρτώνται από τους κωδικούς που γράφουν οι άνθρωποι, έτσι μπορούν’να σκεφτόμαστε κριτικά μέσα από σύνθετα σενάρια.

Επιπλέον, το AI επεξεργάζεται δεδομένα που εισέρχονται στο σύστημα οι άνθρωποι στο σύστημα. Χωρίς ανθρώπινες παρεμβάσεις, τα μηχανήματα θα βρίσκονται σε αδράνεια. Ως εκ τούτου, ο χώρος τεχνολογίας AI απέχει πολύ από την επίτευξη ανθρώπινης νοημοσύνης για να βοηθήσει να λειτουργήσει χωρίς τη βοήθεια των ανθρώπων. Τα μηχανήματα μπορούν να προσφέρουν αξία μόνο εφόσον υπάρχουν άνθρωποι πίσω τους.

Λόγοι για τους οποίους ο AI κέρδισε’t Αντικαταστήστε τους ανθρώπους

· Έλλειψη συναισθηματικής διάνοιας

Οι άνθρωποι έχουν συναισθηματική διάνοια επειδή μπορούν να δείξουν συναισθήματα, να εκφράζουν συναισθήματα, να διαβάζουν τις χειρονομίες και τις εκφράσεις του προσώπου για να γνωρίζουν το σωστό πράγμα. Για παράδειγμα, οι επιχειρήσεις μπορούν’t Αντικαταστήστε τους ανθρώπους με AI στην εξυπηρέτηση πελατών επειδή οι πελάτες θέλουν προσωπικές αλληλεπιδράσεις. Όσο εκλεπτυσμένοι είναι, τα ρομπότ μπορούν’να δείχνουν συναισθήματα και ενσυναίσθηση στους πελάτες.

Οι επιχειρήσεις που αντικαθιστούν τους εκπροσώπους εξυπηρέτησης πελατών με ρομπότ θα χάσουν τους πελάτες τους λόγω έλλειψης προσωπικής αλληλεπίδρασης. Στην πραγματικότητα, σήμερα, υπάρχει αυξημένη ανάγκη για μαλακές δεξιότητες, όπως οι δεξιότητες διαπραγμάτευσης, οι διαπροσωπικές δεξιότητες και οι επικοινωνιακές δεξιότητες, στην αγορά εργασίας από τις τεχνικές δεξιότητες.

Αν και τα συστήματα AI είναι ακριβή και γρήγορα, αυτά’δεν είναι ενσυναισθητική, διαισθητική ή πολιτισμικά ευαίσθητη. Αυτές οι ικανότητες είναι αυτό που κάνουν τους ανθρώπους πιο αποτελεσματικούς από τα μηχανήματα.

· Το AI μπορεί’t show shows

Οι άνθρωποι δείχνουν συναισθήματα όπως η ευτυχία, η θλίψη, η ελπίδα, η απόλαυση, η καλοσύνη, η ευγνωμοσύνη, η αισιοδοξία και ο κατάλογος είναι ατελείωτος. Μπορούν να διαβάσουν εκφράσεις και συναισθήματα που δείχνουν άλλοι άνθρωποι, αλλά τα μηχανήματα με δυνατότητα ΑΙ δεν προγραμματίζονται να το κάνουν αυτό.

Η πλειοψηφία των θέσεων εργασίας στην αγορά απαιτεί σύνδεση με άνθρωπο προς ανθρώπινη και δημιουργία εμπιστοσύνης που βοηθά τους ανθρώπους να ανοίξουν, να χαλαρώσουν και να μοιραστούν τις πληροφορίες τους. Το’είναι αλήθεια ότι τα μηχανήματα AI μπορούν να μιμηθούν την ανθρώπινη ομιλία, αλλά μπορούν’T Show Empathy και άλλα συναισθήματα. Έτσι, χάνουν αυτό το ανθρώπινο άγγιγμα.

· Οι άνθρωποι χτίζουν σχέσεις

Οι άνθρωποι δημιουργούν σχέσεις που τους βοηθούν να ολοκληρώσουν πολλά πράγματα. Αν και αυτοί’Rebit να ολοκληρώσουν πολλά πράγματα όταν εργάζονται ως ομάδα, δείχνουν επίσης καλύτερα αποτελέσματα ως άτομα.

Τα μέλη της ομάδας δείχνουν συναισθηματική δέσμευση και δεσμό κατά τη διάρκεια της δέσμευσής τους. Μέσα από αυτό, δείχνουν ότι ενδιαφέρονται ο ένας για τον άλλον, το έργο τους και την εταιρεία τους. Η οικοδόμηση σχέσεων βοηθά τους ανθρώπους να βρουν πελάτες, επενδυτές και συνεργάτες. Τα μηχανήματα μπορούν’να επιτύχουμε τη συναισθηματική πλευρά της ανθρώπινης συμπεριφοράς.

· Μπορώ’T Do Creative Work

Οι άνθρωποι είναι σε θέση να εκπληρώσουν μεγάλα έργα στον τομέα των δημιουργικών, τεχνολογικών και οικονομικών από ό, τι το AI. Στην πραγματικότητα, το AI ενισχύει αυτό που κάνουν οι άνθρωποι σε αυτούς τους τομείς, αυτοματοποιώντας τις επαναλαμβανόμενες, χειροκίνητες και επιρρεπείς σε σφάλματα εργασίες. Αυτές οι έξυπνες αυτοματοποιημένες λύσεις επιτρέπουν στους υπαλλήλους να επικεντρωθούν σε υψηλότερη προτεραιότητα και δημιουργικά καθήκοντα ενώ κάνουν τις υπόλοιπες δραστηριότητες.

· Μπορώ’να βρούμε δημιουργικές λύσεις

Το AI είναι χτισμένο σε κωδικούς που δεν είναι’να του επιτρέψω να βρει λύσεις σε αναδυόμενα προβλήματα δημιουργικά. Λειτουργούν ως προγραμματισμένοι, οι οποίοι περιορίζουν την ικανότητά τους να αναλύουν το πλαίσιο και να αναπτύσσουν πολύπλοκες στρατηγικές.

Οι άνθρωποι αλληλεπιδρούν με το εξωτερικό περιβάλλον και εξετάζουν την επιρροή από το εξωτερικό όταν αναλύουν πληροφορίες. Είναι σε θέση να συνεργαστούν με παραμορφωμένη ανταλλαγή πληροφοριών και ξαφνικές αλλαγές καθώς δημιουργούν δημιουργικά ένα όραμα και στρατηγική λόγω του κρίσιμου στοιχείου που ονομάζεται ανθρώπινη διαίσθηση.

συμπέρασμα

Παρά τη διαφημιστική εκστρατεία, τα μηχανήματα που λειτουργούν με AI σχεδιάζονται μόνο από ανθρώπους για την επίλυση συγκεκριμένων προβλημάτων. Προς το παρόν, μπορούν’Τ λειτουργούν μόνοι τους. Οποιαδήποτε περαιτέρω ανάπτυξη αυτής της τεχνολογίας εξαρτάται από μηχανικούς, επαγγελματίες πληροφορικής, επιστήμονες δεδομένων και άλλους. Στην πραγματικότητα, κάποιος πρέπει να δημιουργήσει αυτά τα ρομπότ και άλλους τύπους αλγορίθμων. Ως αποτέλεσμα, οι άνθρωποι έχουν περισσότερες ευκαιρίες καθώς αναπτύσσεται το AI.