Jokainen on kuullut tekoälyn ja etenkin koneoppimisen uusista edistyksistä. Olet myös kuullut utopistisia tai apokalyptisiä ennusteita siitä, mitä nuo edistykset tarkoittavat. Heidät on otettu ennakolta joko kuolemattomuudesta tai maailman lopusta, ja molemmista mahdollisuuksista on kirjoitettu paljon. Mutta hienostuneimmat AI: t ovat edelleen kaukana kyvystä ratkaista ongelmia, jotka ihmisen neljä-vuotiaat tekevät helposti. Vaikuttavasta nimestä huolimatta tekoäly koostuu suurelta osin tekniikoista, joilla havaitaan tilastolliset kuviot suurissa tietokokonaisuuksissa. Ihmisen oppimisessa on paljon enemmän.
Kuinka voimme tietää niin paljon ympäröivästä maailmasta? Opimme valtavan määrän pieninäkin lapsina; neljä-vuotiaat tietävät jo kasveista, eläimistä ja koneista; toiveet, uskomukset ja tunteet; jopa dinosaurukset ja avaruusalukset.
Tiede on laajentanut tietämystämme maailmasta käsittämättömästi suureksi ja äärettömän pieneksi, maailmankaikkeuden reunaan ja ajan alkuun. Ja käytämme tätä tietoa tehdä uusia luokituksia ja ennusteita, kuvitella uusia mahdollisuuksia ja saada uudet asiat tapahtumaan maailmassa. Mutta kaikki, joka pääsee kenelle tahansa meistä maailmassa, on fotonivirra, joka osuu verkkokalvoihimme ja ilmahäiriöihin korvasummeissamme. Kuinka opimme niin paljon maailmasta, kun todisteemme meistä ovat niin rajalliset? Ja kuinka teemme kaiken tämän muutamalla punnalla harmaata gooa, joka istuu silmämme takana?
Paras vastaus tähän mennessä on, että aivomme suorittavat laskelmat aisteillemme saapuvasta konkreettisesta, sietämästä tiedosta, ja nämä laskelmat tuottavat tarkan kuvan maailmasta. Esitykset näyttävät olevan jäsenneltyjä, abstrakteja ja hierarkkisia; niihin sisältyy kolmiulotteisten esineiden havaitseminen, kielen perustana olevat kieliopit ja henkiset kyvyt, kuten ”mielen teoria”, joka antaa meille mahdollisuuden ymmärtää, mitä muut ajattelevat. Nämä esitykset antavat meille mahdollisuuden tehdä laaja valikoima uusia ennusteita ja kuvitella monia uusia mahdollisuuksia erityisen luovalla ihmisen tavalla.
Tällainen oppiminen ei ole ainoa älykortti, mutta se on erityisen tärkeä ihmisille. Ja juuri sellainen älykkyys on pienten lasten erikoisuus. Vaikka lapset ovat dramaattisesti huonoja suunnittelussa ja päätöksenteossa, he ovat maailmankaikkeuden parhaita oppijoita. Suuri osa prosessista, jolla tietojen muuttaminen teorioiksi tapahtuu ennen kuin olemme viisi.
Aristoteleen ja Platonin jälkeen on ollut kaksi perusmuotoa käsitellä ongelmaa siitä, kuinka tiedämme, mitä tiedämme, ja ne ovat edelleen tärkeimmät lähestymistavat koneoppimisessa. Aristoteles lähestyi ongelmaa alhaalta ylöspäin: Aloita aisteilla - fotonien ja ilmavärinän virralla (tai digitaalisen kuvan tai nauhoituksen pikselillä tai ääninäytteillä) - ja katso, voitko erottaa niistä kuvioita. Tätä lähestymistapaa kantoivat edelleen sellaiset klassiset yhdistyshenkilöt kuin filosofit David Hume ja JS Mill sekä myöhemmin käyttäytymispsykologit, kuten Pavlov ja BF Skinner. Tämän näkemyksen mukaan esitysten abstraktisuus ja hierarkkinen rakenne on jotain harhaa tai ainakin loppukilpailua. Kaikki työt voidaan tehdä yhdistämisellä ja kuvioiden havainnoinnilla - varsinkin jos tietoja on riittävästi.
Mahdolliset mielet: 25 tapaa tarkastella AI: tä
Tiedemaailman valaisin John Brockman kokoaa yhteen 25 tärkeintä tiedemaailmaa, ihmisiä, jotka ovat ajatellut suurimman osan uransa keinotekoisesta älykysymyksestä, vertaansa vailla olevalle pyöreän pöydän tutkimukselle mielen, ajattelun, älykkyyden ja sen merkityksen suhteen. olla ihminen.
OstaaAjan myötä tämä alhaalta ylöspäin suuntautuva lähestymistapa oppimisen mysteeriin ja Platonin vaihtoehtoiseen ylhäältä alas suuntautuvaan lähestymistapaan on nähty. Ehkä saamme abstraktin tiedon konkreettisista tiedoista, koska tiedämme jo paljon ja etenkin koska meillä on jo joukko abstrakteja peruskäsitteitä evoluution ansiosta. Kuten tutkijat, voimme käyttää näitä käsitteitä muotoillaan hypoteeseja maailmasta. Sitten sen sijaan, että yrittäisimme erottaa malleja raa'asta tiedosta, voimme tehdä ennusteita siitä, millaisen datan pitäisi näyttää, jos nämä hypoteesit ovat oikein. Yhdessä Platonin kanssa "rationalistiset" filosofit ja psykologit kuten Descartes ja Noam Chomsky ottivat tämän lähestymistavan.
Tässä on jokapäiväinen esimerkki, joka kuvaa eroa näiden kahden menetelmän välillä: spam-rutan ratkaiseminen. Tiedot koostuvat pitkästä, lajittelemattomasta luettelosta postilaatikossasi olevista viesteistä. Todellisuudessa jotkut näistä viesteistä ovat aitoja ja osa roskapostia. Kuinka voit käyttää tietoja syrjään niitä?
Mieti ensin alhaalta ylöspäin suuntautuvaa tekniikkaa. Huomaat, että spam-viesteillä on yleensä erityispiirteitä: pitkä vastaanottajaluettelo, alkuperä Nigeriasta, viittaukset miljoonan dollarin palkintoihin tai Viagra. Ongelmana on, että myös täysin hyödyllisillä viesteillä voi olla nämä ominaisuudet. Jos tarkastelit tarpeeksi esimerkkejä roskapostista ja roskapostista, saatat huomata paitsi, että roskapostisähköposteissa on yleensä nämä ominaisuudet, mutta että ominaisuudet pyrkivät etenemään yhdessä erityisillä tavoilla (Nigeria plus miljoona dollaria loitsuja vaikeuksissa). Itse asiassa saattaa olla joitain hienovaraisia korkeamman tason korrelaatioita, jotka erottavat roskapostit hyödyllisistä - esimerkiksi tietyn kirjoitusvirheen ja IP-osoitteiden mallin. Jos havaitset nuo mallit, voit suodattaa roskapostin.
Alhaalta ylöspäin suuntautuvat koneoppimistekniikat tekevät juuri tämän. Oppija saa miljoonia esimerkkejä, joista jokaisella on joitain ominaisuuksia ja jokainen on merkitty roskapostiksi (tai joku muu luokka) tai ei. Tietokone voi poimia ominaisuuksien mallin, joka erottaa nämä kaksi, vaikka se olisi melko hieno.
Entä ylhäältä alas suuntautuva lähestymistapa? Saan sähköpostin Journal of Clinical Biology -toimittajalta. Se viittaa yhteen paperistani ja sanoo, että he haluaisivat julkaista minun artikkelin. Ei Nigeria, ei Viagra, ei miljoona dollaria; sähköpostissa ei ole mitään roskapostin ominaisuuksia. Mutta hyödyntämällä jo tiedäni ja ajattelemalla abstrakteja prosessia, joka tuottaa roskapostia, voin selvittää, että tämä sähköpostiosoite on epäilyttävä:
1. Tiedän, että roskapostittajat yrittävät saada rahaa ihmisiltä vetoamalla ihmisen ahneuteen.
2. Tiedän myös, että lailliset ”avoimen pääsyn” lehdet ovat alkaneet kattaa kustannuksensa veloittamalla tekijöiltä tilaajien sijaan, ja että en harjoittele mitään muuta kuin kliinistä biologiaa.
Laita kaikki tämä yhteen ja voin tuottaa hyvän uuden hypoteesin siitä, mistä tämä sähköposti tuli. Se on tarkoitettu akateemikkojen tikkarille maksamaan "julkaista" artikkeli väärennetyssä lehdessä. Sähköposti oli seurausta samasta epäilyttävästä prosessista kuin muut roskapostit, vaikka se ei näyttänyt miltäkään sellaiselta. Voin tehdä tämän johtopäätöksen vain yhdestä esimerkistä ja voin jatkaa testata hypoteesiani edelleen, kaikkea itse sähköpostiviestissä, googlimalla “editor”.
Tietokoneellisesti aloitin ”generatiivisella mallilla”, joka sisältää abstrakteja käsitteitä, kuten ahneus ja petos, ja kuvaa prosessia, joka tuottaa sähköpostihuijauksia. Tämän avulla voin tunnistaa klassisen Nigerian sähköpostiviestin, mutta se antaa myös kuvitella monia erilaisia mahdollisia roskapostia. Kun saan päiväkirjaviestin, voin työskennellä taaksepäin: "Tämä vaikuttaa juuri sellaiselta postilta, joka tulisi ulos roskapostin luomisprosessista."
Uusi jännitys AI: stä johtuu siitä, että AI: n tutkijat ovat viime aikoina tuottaneet tehokkaita ja tehokkaita versioita molemmista oppimismenetelmistä. Menetelmissä ei kuitenkaan ole mitään perusteellista uutta.
Alhaalta ylöspäin syvä oppiminen
1980-luvulla tietotekniikan tutkijat kehittivät nerokkaan tavan saada tietokoneet havaitsemaan datamallit: yhteyshenkilö- tai neuroverkkoarkkitehtuuri (“hermo” -osa oli ja on edelleen metaforinen). Lähestymistapa putosi laskuihin 1990-luvulla, mutta sitä on viime aikoina elvytetty tehokkailla ”syvän oppimisen” menetelmillä, kuten Googlen DeepMind.
Voit esimerkiksi antaa syväoppimisohjelmalle joukon Internet-kuvia, joissa on merkintä ”kissa”, toisilla ”talo” ja niin edelleen. Ohjelma voi tunnistaa kuviot, jotka erottavat kaksi kuvajoukkoa, ja käyttää näitä tietoja uusien kuvien merkitsemiseen oikein. Tietyt koneoppimiset, joita kutsutaan valvomatta oppimiseksi, voivat havaita malleja tiedoissa, joissa ei ole lainkaan merkintöjä; he yksinkertaisesti etsivät piirteitä, joita tutkijat kutsuvat tekijäanalyysiksi. Syvän oppimisen koneissa nämä prosessit toistetaan eri tasoilla. Jotkut ohjelmat voivat jopa löytää merkityksellisiä ominaisuuksia pikselien tai äänien raakatiedoista; tietokone voi aloittaa havaitsemalla raa'an kuvan kuviot, jotka vastaavat reunoja ja viivoja, ja löytää sitten kuviot kuvioista, jotka vastaavat kasvoja, ja niin edelleen.
Toinen alhaalta ylöspäin suuntautuva tekniikka, jolla on pitkä historia, on vahvistusoppiminen. 1950-luvulla John Watsonin työhön perustuva BF Skinner ohjelmoi kuuluisasti kyyhkyjä suorittamaan yksityiskohtaisia toimia - jopa ohjaamaan ilma-aluksella ohjattuja ohjuksia tavoitteisiinsa (äskettäisen AI: n häiritsevä kaiku) antamalla heille erityinen palkkio- ja rangaistusaikataulu . Olennainen ajatus oli, että palkitut toimet toistetaan ja rangaistukset eivät tapahdu ennen kuin haluttu käyttäytyminen saavutetaan. Jopa Skinnerin päivinä, tämä yksinkertainen, toistuvasti toistuva prosessi voi johtaa monimutkaiseen käyttäytymiseen. Tietokoneet on suunniteltu suorittamaan yksinkertaisia toimintoja yli ja uudestaan mittakaavassa, joka heikentää ihmisen mielikuvitusta, ja laskentajärjestelmät voivat oppia tällä tavoin huomattavasti monimutkaisia taitoja.
Esimerkiksi Googlen DeepMindin tutkijat käyttivät syvän oppimisen ja vahvistusoppien yhdistelmää opettamaan tietokoneen pelaamaan Atari-videopelejä. Tietokone ei tiennyt mitään pelien toiminnasta. Se aloitti toimimalla satunnaisesti ja sai tietoja vain siitä, miltä näyttö näytti kullakin hetkellä ja kuinka hyvin se oli pisteytys. Syvä oppiminen auttoi tulkitsemaan näytön ominaisuuksia, ja vahvistusoppiminen palkitsi järjestelmän korkeammat pisteet. Tietokone sai erittäin hyvän pelaamalla useita pelejä, mutta se pommitti myös täysin muita, jotka ihmisten oli yhtä helppo hallita.
Samanlainen syvän oppimisen ja vahvistavan oppimisen yhdistelmä on mahdollistanut DeepMindin AlphaZero-ohjelman, joka onnistui voittamaan ihmispelaajat sekä shakissa että Go-ohjelmassa, menestyksen, ja siinä on vain perustiedot pelisäännöistä ja joitain suunnittelukykyä. AlphaZerolla on toinen mielenkiintoinen ominaisuus: Se toimii pelaamalla satoja miljoonia pelejä itseään vastaan. Kun se tekee niin, se karsii virheitä, jotka johtivat tappioihin, ja toistaa ja kehittää strategioita, jotka johtivat voittoihin. Tällaiset järjestelmät ja muut, joissa käytetään tekniikoita, joita kutsutaan generatiivisiksi kilpailevaksi verkostoksi, tuottavat dataa sekä tarkkailevia tietoja.
Kun sinulla on laskentateho soveltaa näitä tekniikoita erittäin suuriin tietojoukkoihin tai miljooniin sähköpostiviesteihin, Instagram-kuviin tai äänitallenteisiin, voit ratkaista ongelmat, jotka näyttivät aikaisemmin erittäin vaikeilta. Se on tietotekniikan jännityksen lähde. Mutta on syytä muistaa, että nuo ongelmat - kuten kuvan tunnistaminen kissaksi tai puhuttu sana on Siri - ovat triviaalia ihmisen taaperoille. Yksi mielenkiintoisimmista tietotekniikan löytöistä on, että meille helppoja ongelmia (kuten kissojen tunnistaminen) on kova tietokoneille - paljon vaikeampaa kuin shakin tai Go-pelin pelaaminen. Tietokoneet tarvitsevat miljoonia esimerkkejä luokittelemaan objektit, jotka voimme luokitella vain muutamalla. Nämä alhaalta ylöspäin suuntautuvat järjestelmät voivat yleistyä uusiin esimerkkeihin; he voivat merkitä uuden kuvan kissana melko tarkasti kaikissa. Mutta he tekevät niin tavalla, joka on aivan erilainen kuin ihmisen yleistyminen. Joitakin kissojen kanssa melkein identtisiä kuvia ei tunnisteta lainkaan kissoiksi. Muut, jotka näyttävät satunnaiselta hämäykseltä, ovat.
Ylhäältä alaspäin suunnatut Bayesin mallit
Ylhäältä alas -lähestymistavalla oli suuri rooli varhaisessa integroidussa integroinnissa, ja myös 2000-luvulla se kokenut herätystä todennäköisyysmallien tai Bayesin generatiivisten mallien muodossa.
Varhaiset yritykset käyttää tätä lähestymistapaa kohtasivat kahdenlaisia ongelmia. Ensinnäkin suurin osa todistemalleista voidaan periaatteessa selittää monilla erilaisilla hypoteeseilla: On mahdollista, että päiväkirjani sähköpostiviesti on aito, se vain ei vaikuta todennäköiseltä. Toiseksi, mistä generatiivisten mallien käyttämät käsitteet ovat lähtökohtaisesti lähtöisin? Platoni ja Chomsky kertoivat, että olet syntynyt heidän kanssaan. Mutta kuinka voimme selittää, kuinka opimme uusimmat tieteen käsitteet? Tai kuinka jopa pienet lapset ymmärtävät dinosauruksia ja rakettialuksia?
Bayesin mallit yhdistävät generatiiviset mallit ja hypoteesitestauksen todennäköisyyden teoriaan ja käsittelevät näitä kahta ongelmaa. Bayesin mallin avulla voit laskea, kuinka todennäköistä on, että tietty hypoteesi on totta tietojen perusteella. Ja tekemällä pieniä, mutta systemaattisia parannuksia jo olemassa oleviin malleihin ja testaamalla niitä tietojen perusteella, voimme joskus tehdä uusia konsepteja ja malleja vanhoista. Mutta nämä ongelmat kompensoivat muut ongelmat. Bayesin tekniikat voivat auttaa sinua valitsemaan, mikä kahdesta hypoteesista on todennäköisempi, mutta mahdollisia hypoteeseja on melkein aina valtava määrä, eikä mikään järjestelmä pysty käsittelemään niitä kaikkia tehokkaasti. Kuinka päätät, mitkä hypoteesit ovat ensisijaisesti testaamisen arvoisia?
Brenden Lake NYU: ssa ja hänen kollegansa ovat käyttäneet tällaisia ylhäältä alas -menetelmiä ratkaistakseen toisen ongelman, joka on helppo ihmisille, mutta erittäin vaikea tietokoneille: tuntemattomien käsin kirjoitettujen merkkien tunnistaminen. Katso hahmo japanilaisen vierityksen yhteydessä. Vaikka et ole koskaan nähnyt sitä aikaisemmin, voit todennäköisesti kertoa, onko se samanlainen tai erilainen kuin toisen japanilaisen vierityksen merkki. Voit todennäköisesti piirtää sen ja jopa suunnitella väärennetyn japanilaisen hahmon näkemäsi perusteella - sellaisen, joka näyttää aivan erilaiselta kuin korealainen tai venäläinen merkki.
Alhaalta ylöspäin -menetelmä käsinkirjoitettujen merkkien tunnistamiseksi on antaa tietokoneelle tuhansia esimerkkejä jokaisesta ja antaa sen vetää esiin tärkeimmät piirteet. Sen sijaan Lake et ai. antoi ohjelmalle yleisen mallin merkin piirtämisestä: Aivohalvaus menee joko oikealle tai vasemmalle; kun olet valmis yksi, aloitat toisen; ja niin edelleen. Kun ohjelma näki tietyn hahmon, se saattoi päätellä aivohalvaussarjan, joka todennäköisimmin johti siihen - aivan kuten päätelin, että roskapostiprosessi johti kyseenalaiseen sähköpostiini. Sitten se voisi arvioida, johtuuko uusi merkki todennäköisesti kyseisestä sekvenssistä vai toisesta, ja se voisi tuottaa samanlaisen iskujoukon itse. Ohjelma toimi paljon paremmin kuin syväoppimisohjelma, jota sovellettiin täsmälleen samoihin tietoihin, ja se heijasti tiiviisti ihmisten suorituskykyä.
Näillä kahdella koneoppimismenetelmällä on täydentäviä vahvuuksia ja heikkouksia. Alhaalta ylöspäin suuntautuvassa lähestymistavassa ohjelma ei tarvitse aluksi paljon tietoa, mutta se tarvitsee paljon tietoa ja voi yleistää vain rajoitetusti. Ylhäältä alas -lähestymistavassa ohjelma voi oppia vain muutamasta esimerkistä ja tehdä paljon laajempia ja monipuolisempia yleistyksiä, mutta aloittamiseen on rakennettava paljon enemmän. Useat tutkijat yrittävät tällä hetkellä yhdistää nämä kaksi lähestymistapaa hyödyntämällä syvää oppimista Bayesin päätelmien toteuttamiseksi.
AI: n viimeaikainen menestys johtuu osittain näiden vanhojen ideoiden laajennuksista. Mutta sillä on enemmän tekemistä sen kanssa, että Internetin ansiosta meillä on paljon enemmän dataa, ja Mooren lain ansiosta meillä on paljon enemmän laskentatehoa soveltaa kyseisiä tietoja. Lisäksi arvioimaton tosiasia on, että ihmiset ovat jo lajitelleet ja käsitelleet meille tekemämme tiedot. Verkkoon julkaistut kissankuvat ovat kanonisia kissan kuvia - kuvia, jotka ihmiset ovat jo valinneet ”hyviksi” kuviksi. Google Translate toimii, koska se hyödyntää miljoonien ihmisten käännöksiä ja yleistää ne uuteen tekstinosaan sen sijaan, että itse ymmärtää lauseita.
Mutta todella merkittävä asia ihmislapsissa on, että he jotenkin yhdistävät kunkin lähestymistavan parhaat ominaisuudet ja menevät sitten paljon pidemmälle kuin he. Viimeisen viidentoista vuoden aikana kehityspoliitikot ovat tutkineet, miten lapset oppivat rakennetta tiedoista. Nelivuotiaat voivat oppia ottamalla vain yhden tai kaksi esimerkkiä tiedoista, kuten ylhäältä alas tapahtuva järjestelmä, ja yleistämällä hyvin erilaisille käsitteille. Mutta he voivat myös oppia uusia käsitteitä ja malleja itse tiedosta, kuten alhaalta ylöspäin tapahtuva järjestelmä.
Esimerkiksi laboratoriossamme annamme pienille lapsille “blicket detector” - uuden koneen selvittääkseen, jota he eivät ole koskaan nähneet. Se on laatikko, joka syttyy ja soittaa musiikkia, kun laitat tiettyjä esineitä, mutta et muita. Annamme lapsille vain yhden tai kaksi esimerkkiä koneen toiminnasta ja osoitamme heille, että kaksi punaista lohkoa saa sen aikaan, kun taas vihreä ja keltainen yhdistelmä ei. Jopa 18 kuukauden ikäiset selvittävät heti yleisen periaatteen, jonka mukaan kahden esineen on oltava samat, jotta se menisi, ja he yleistävät tämän periaatteen uusiin esimerkkeihin: Esimerkiksi he valitsevat kaksi esinettä, joilla on sama muoto kone toimii. Muissa kokeissa olemme osoittaneet, että lapset voivat jopa tajuta, että jokin piilotettu näkymätön omaisuus saa koneen menemään tai että kone toimii jollakin abstraktilla loogisella periaatteella.
Voit näyttää tämän myös lasten jokapäiväisessä oppimisessa. Pienet lapset oppivat nopeasti abstraktit intuitiiviset biologian, fysiikan ja psykologian teoriat samalla tavalla kuin aikuiset tutkijat, jopa suhteellisen vähän tietoja.
Äskettäisten AI-järjestelmien, sekä alhaalta ylöspäin että ylhäältä alas suuntautuvien merkittävien koneoppimissuoritusten, tapahtuu kapeassa ja hyvin määritellyssä tilassa hypoteesien ja käsitteiden välillä - tarkka sarja pelinpaloja ja liikkeitä, ennalta määrätty kuvajoukko . Sitä vastoin niin lapset kuin tiedemiehetkin muuttavat toisinaan käsityksiään radikaaleilla tavoilla suorittamalla paradigmamuutoksia sen sijaan, että yksinkertaisesti mukauttaisivat jo olemassa olevia käsitteitä.
Neljä-vuotiaat voivat heti tunnistaa kissat ja ymmärtää sanoja, mutta he voivat myös tehdä luovia ja yllättäviä uusia johtopäätöksiä, jotka ylittävät heidän kokemuksensa. Oman pojanlapseni selitti äskettäin esimerkiksi, että jos aikuinen haluaa tulla uudelleen lapseksi, hänen ei tulisi yrittää syödä mitään terveellisiä vihanneksia, koska terveelliset vihannekset saavat lapsen kasvamaan aikuiseksi. Tällainen hypoteesi, uskottava, jota kukaan aikuinen ei koskaan viihdytä, on ominaista pienille lapsille. Itse asiassa kollegani ja minä olemme osoittaneet järjestelmällisesti, että esikoululaiset pystyvät paremmin esittämään epätodennäköisiä hypoteeseja kuin vanhemmat lapset ja aikuiset. Meillä ei ole melkein aavistustakaan, kuinka tällainen luova oppiminen ja innovointi on mahdollista.
Lasten tekeminen voi kuitenkin antaa ohjelmoijille hyödyllisiä vinkkejä tietokoneoppimisohjeisiin. Kaksi lasten oppimisen ominaisuutta ovat erityisen silmiinpistäviä. Lapset ovat aktiivisia oppijoita; he eivät vain ime passiivisesti tietoja kuten AI: t tekevät. Aivan kuten tutkijat kokeilevat, lapset ovat luonnollisesti motivoituneita poimimaan tietoja ympäröivästä maailmasta heidän loputtoman leikkimisen ja tutkimuksen avulla. Viimeaikaiset tutkimukset osoittavat, että tämä tutkimus on systemaattisempaa kuin miltä se näyttää ja soveltuu hyvin etsimään vakuuttavaa näyttöä hypoteesin muodostumisen ja teorian valinnan tueksi. Uteliaisuuden lisääminen koneisiin ja niiden aktiivisen vuorovaikutuksen salliminen koneille saattaa olla reitti realistisempaan ja laaja-alaisempaan oppimiseen.
Toiseksi, toisin kuin nykyiset AI: t, lapset ovat sosiaalisia ja kulttuurisia oppijoita. Ihmiset eivät oppi eristyksissä, vaan käyttävät hyväkseen aiempien sukupolvien kertynyttä viisautta. Viimeaikaiset tutkimukset osoittavat, että jopa esikoululaiset oppivat jäljittelemällä ja kuuntelemalla muiden todistuksia. Mutta he eivät vain tottele passiivisesti opettajiaan. Sen sijaan he ottavat tietoa muilta erittäin hienovaraisella ja arkaluontoisella tavalla, tekevät monimutkaisia päätelmiä siitä, mistä tiedot ovat peräisin ja kuinka luotettavia ne ovat, ja integroivat järjestelmällisesti omat kokemuksensa kuulemaansa.
“Keinotekoinen äly” ja “koneoppiminen” kuulostavat pelottavilta. Ja tietyllä tavalla ne ovat. Näitä järjestelmiä käytetään esimerkiksi aseiden hallintaan, ja meidän pitäisi siitä todella pelätä. Luonnollinen tyhmä voi silti tuhota paljon enemmän kuin tekoäly; Meidän ihmisten on oltava paljon älykkäämpiä kuin olemme aikaisemmin säännelläkseen uutta tekniikkaa asianmukaisesti. Mutta ei apokalyptiselle tai utopiselle näkemykselle AI: t korvaa ihmisiä. Ennen kuin ratkaisemme oppimisen perusparadoksin, parhaat keinotekoiset älykkyydet eivät pysty kilpailemaan keski-ikäisen neli-vuotiaan kanssa.
Tulevasta kokoelmasta MAHDOLLISET MINDSET: 25 tapaa katsoa AI: ta, toimittanut John Brockman. Julkaissut sopimuksella Penguin Pressin kanssa, joka on Penguin Random House LLC: n jäsen. Tekijänoikeudet © 2019 John Brockman.
