Joka päivä lukemattomia lähteitä ilmestyy ympäri maailmaa, niin varoittaen vakavista seurauksista kuin lupaavista utopistisista tulevaisuuksista - kaikki keinotekoisen älykkyyden ansiosta. AI ”muuttaa työpaikkaa”, kirjoittaa Wall Street Journal, kun taas Fortune -lehti kertoo meille olevan ”AI-vallankumous”, joka ”muuttaa elämäämme”. Mutta emme oikeasti ymmärrä, mikä on vuorovaikutus AI: n kanssa. - tai millaisen sen pitäisi olla.
On kuitenkin käynyt ilmi, että meillä on jo käsite, jota voimme käyttää ajatellessamme AI: ta: miten ajattelemme eläimiä. Entisenä eläinten kouluttajana (vaikkakin lyhyesti), joka nyt tutkii, miten ihmiset käyttävät AI: tä, tiedän, että eläimet ja eläinten koulutus voivat opettaa meille melko paljon siitä, miten meidän pitäisi ajatella, lähestyä ja olla vuorovaikutuksessa tekoälyn kanssa, sekä nyt että tulevaisuudessa.
Eläinperäisten analogioiden käyttäminen voi auttaa tavallisia ihmisiä ymmärtämään monia keinoälyn monimutkaisia näkökohtia. Se voi myös auttaa meitä ajattelemaan, kuinka parhaiten opettaa näille järjestelmille uusia taitoja ja mikä tärkeintä, kuinka voimme oikein kuvitella niiden rajoitukset, vaikka juhlistamme AI: n uusia mahdollisuuksia.
Tarkastellaan rajoituksia
Kuten AI-asiantuntija Maggie Boden selittää, ”tekoäly pyrkii saamaan tietokoneet tekemään sellaisia asioita, jotka mielet voivat tehdä.” AI-tutkijat työskentelevät tietokoneiden opettamisessa ajattelemaan, havaitsemaan, suunnittelemaan, siirtämään ja muodostamaan assosiaatioita. AI voi nähdä kuvioita suurissa tietojoukoissa, ennustaa tapahtuman todennäköisyyttä, suunnitella reitin, hallita henkilön kokousaikataulua ja jopa pelata sotapeliskenaarioita.
Monet näistä ominaisuuksista ovat sinänsä yllättäviä: Tietysti robotti voi pyöriä avaruuden ympäri eikä törmää mihinkään. Mutta jotenkin AI näyttää taianomaisemmalta, kun tietokone alkaa koota nämä taidot tehtävien suorittamiseen.
Otetaan esimerkiksi autonomiset autot. Kuljettajattoman auton alkuperä on peräisin 1980-luvun puolustusministeriön Advanced Research Project Agency -projektista nimeltään Autonomous Land Vehicle. Hankkeen tavoitteena oli rohkaista tietokoneen näkemyksen, havainnoinnin, suunnittelun ja robottihallinnan tutkimusta. Vuonna 2004 ALV-pyrkimyksestä tuli ensimmäinen itsekäyvien autojen suuri haaste. Nyt, yli 30 vuotta ponnistelujen alkamisesta, olemme itsenäisten tai itse ajavien autojen sivulla siviilimarkkinoilla. Alkuvuosina muutamat ihmiset pitivät tällaista saavutusta mahdottomana: Tietokoneet eivät voineet ajaa!
Kuitenkin, kuten olemme nähneet, he voivat. Autonomisten autojen ominaisuudet ovat meille suhteellisen helppo ymmärtää. Mutta me yritämme ymmärtää heidän rajoituksensa. Vuoden 2015 kohtalokkaan Teslan onnettomuuden jälkeen, kun auton autopilotti ei onnistunut tunnistamaan kaistalleen kulkevaa traktori-perävaunua, harvat näyttävät yhä ymmärtävän, kuinka Teslan autopilotti todella on. Vaikka Kansallinen valtatieliikenteen turvallisuushallinto on poistanut yrityksen ja sen ohjelmistot huolimattomuudesta, on edelleen epäselvää, ymmärtävätkö asiakkaat todella, mitä auto voi ja ei voi.
Entä jos Teslan omistajille ei kerrottu, että he ajaisivat autopilotin “beetaversiota”, vaan pikemminkin puoliautonomista autoa, jolla olisi mato henkisesti vastaava? Niin kutsuttu "älykkyys", joka tarjoaa "täydellisen itseajo-ominaisuuden", on todella jättiläinen tietokone, joka on aika hyvä havaitsemaan esineitä ja välttämään niitä, tunnistamaan kuvissa olevia esineitä ja rajoittamaan suunnittelua. Tämä saattaa muuttaa omistajien näkemyksiä siitä, kuinka paljon auto todella voisi tehdä ilman ihmisen panosta tai valvontaa.
Mikä se on?
Technologit yrittävät usein selittää AI: n rakentamisen kannalta. Otetaan esimerkiksi syvällisessä oppimisessa saavutetut edistykset. Tämä on tekniikka, joka käyttää monikerroksisia verkkoja oppimaan tehtävän suorittamista. Verkkojen on käsiteltävä valtavia määriä tietoa. Mutta heidän tarvitsemansa tiedon määrän, verkkojen assosiaatioiden ja algoritmien monimutkaisuuden vuoksi ihmisille on usein epäselvää, kuinka he oppivat mitä tekevät. Näistä järjestelmistä voi tulla erittäin hyviä yhdessä tietyssä tehtävässä, mutta emme oikeasti ymmärrä niitä.
Sen sijaan, että ajatteleisit AI: ta jotain ihmisen tai muukalaista, on helpompaa analysoida niitä eläimiin, älykkäisiin ihmisiin, joille meillä on kokemusta koulutuksesta.
Esimerkiksi, jos käyttäisin vahvistusoppimista koiran istuttamiseen, kiittäisin koiraa ja antaisin hänelle herkkuja istuessaan käskyyn. Ajan myötä hän oppisi yhdistämään komennon käyttäytymiseen houkuttelemiseen.
AI-järjestelmän koulutus voi olla hyvin samaa. Syvän oppimisen vahvistamiseksi ihmissuunnittelijat perustavat järjestelmän, kuvittelevat sen, mitä haluavat sen oppivan, antavat sille tietoa, seuraavat sen toimintaa ja antavat sille palautetta (kuten kiitosta), kun he näkevät mitä haluavat. Pohjimmiltaan voimme kohdella AI-järjestelmää samalla tavalla kuin kohtelemme kouluttamiasi eläimiä.
Analogia toimii myös syvemmällä tasolla. En odota, että istuva koira ymmärtää monimutkaisia käsitteitä kuten “rakkaus” tai “hyvä”. Odotan hänen oppivan käyttäytymisen. Aivan kuten voimme saada koiria istumaan, oleskeluun ja kaatumiseen, saamme AI-järjestelmiä autojen kuljettamiseen julkisten teiden ympärillä. Mutta on liikaa odottaa, että auto “ratkaisee” eettiset ongelmat, joita voi syntyä hätätilanteissa.
Autamme myös tutkijoita
AI: n ajatteleminen koulutettavana eläimenä ei ole vain hyödyllistä selitettäessä sitä suurelle yleisölle. Se on hyödyllinen myös tekniikkaa rakentaville tutkijoille ja insinööreille. Jos AI-tutkija yrittää opettaa järjestelmälle uuden taiton, prosessin ajatteleminen eläinkouluttajan näkökulmasta voisi auttaa tunnistamaan mahdolliset ongelmat tai komplikaatiot.
Esimerkiksi, jos yritän kouluttaa koirani istumaan ja joka kerta kun sanon “istu”, summeri uuniin sammuu, koirani alkaa yhdistää istunnon paitsi komentooni, myös äänen kanssa. uunin summeri. Pohjimmiltaan äänimerkistä tulee toinen signaali, joka käskee koiran istumaan, jota kutsutaan ”vahingossa tapahtuvaksi vahvisteeksi”. Jos etsimme vahingollisia vahvistuksia tai signaaleja AI-järjestelmistä, jotka eivät toimi kunnolla, niin tiedämme paremmin, ei vain mitä tapahtuu väärässä, mutta myös mikä erityinen uudelleenkoulutus on tehokkainta.
Tämä vaatii meitä ymmärtämään, mitä viestejä annamme AI-koulutuksen aikana, samoin kuin mitä AI voi tarkkailla ympäröivässä ympäristössä. Uunin summeri on yksinkertainen esimerkki; todellisessa maailmassa se on paljon monimutkaisempaa.
Ennen kuin toivomme vastaan AI-ylivaltaomme ja siirrämme elämämme ja työmme robotille, meidän on pysähdyttävä ja ajateltava luomaamme älykkyyttä. Hän on erittäin hyvä suorittamaan tiettyjä toimia tai tehtäviä, mutta he eivät ymmärrä käsitteitä eivätkä tiedä mitään. Joten kun ajattelet tuhoamaan tuhansia uutta Tesla-autoa varten, muista, että sen autopilotti on todella erittäin nopea ja seksikäs mato. Haluatko todella antaa matain hallinnan elämästäsi ja rakkaitasi elämästä? Todennäköisesti ei, joten pidä kädet pyörällä ja älä nukahta.
Tämä artikkeli on alun perin julkaistu keskustelussa.
Heather Roff, vanhempi tutkija, politiikan ja kansainvälisten suhteiden laitos, Oxfordin yliopisto; Tutkija, Global Security Initiative, Arizonan osavaltion yliopisto
