Det anses allmänt att med de senaste framstegen inom forskning om artificiell intelligens kommer levande och intelligenta maskiner snart att vara i horisonten. Bilar förstår röstkommandon, skiljer bilder, kör bilar och spelar spel bättre än vi gör. Hur länge är det kvar att vänta tills de börjar gå bland oss?
En nyligen släppt Vita husrapporten om artificiell intelligens tar en skeptisk hållning. Det står att under de närmaste 20 åren är det osannolikt att maskiner "uppvisar intellektuella förmågor som är jämförbara med eller överlägsna människor", men under de kommande åren kommer "maskiner att uppnå mänskliga förmågor för att utföra fler och fler uppgifter." Denna rapport saknar dock några viktiga saker.
Forskaren av artificiell intelligens Arend Hintze hävdar att rapporten uteslutande fokuserar på "tråkig typ av AI." Det skär en gigantisk gren av AI-forskning i mitten av meningen, hur evolution hjälper oss att utveckla allt bättre AI-system och hur beräkningsmodeller hjälper oss att förstå utvecklingen av vår egen mänskliga intelligens.
Rapporten fokuserar på, som forskaren säger, de viktigaste verktygen för AI: maskininlärning och djupinlärning. Denna typ av teknik gjorde det möjligt för robotar att spela frågesporter bra och överspela mästarna i spelet. Dessa system kan hantera kolossala mängder data och utföra komplexa beräkningar mycket snabbt. Men de saknar ett element som kommer att vara nyckeln till att skapa de intelligenta maskinerna som vi skulle vilja ha i framtiden.
Vi behöver mer än att lära maskiner för att lära oss. Vi måste övervinna gränserna som definierar fyra olika typer av artificiell intelligens. Barriärerna som skiljer maskiner från oss - och oss från dem.
AI typ I: jetmaskiner
De mest grundläggande typerna av AI-system är mycket reaktiva och kan inte bilda minnen eller använda tidigare erfarenheter för att informera aktuella beslut. Deep Blue, den schackspelande superdatorn IBM som slog Grandmaster Garry Kasparov i slutet av 1990-talet, är ett perfekt exempel på denna typ av maskin.
Kampanjvideo:
Deep Blue kan identifiera bitar på schackbrädet och vet hur de rör sig. Han kan förutsäga rörelser, både sina egna och motståndarens. Och han väljer de mest optimala drag som möjligt.
Han har dock ingen aning om det förflutna och minnet om vad som hände. Bortsett från den sällan använda schackspecifika regeln att inte upprepa samma drag tre gånger, ignorerar Deep Blue allt hittills. Han tittar bara på bitarna på schackbrädet och väljer nästa drag.
Denna typ av intelligens inkluderar en dator som uppfattar världen direkt och agerar utifrån vad den ser. Han litar inte på ett inre koncept av världen. I sitt arbete argumenterade AI-forskaren Rodney Brooks för att vi bara borde bygga sådana maskiner. Enligt hans åsikt är människor inte särskilt bra på att programmera exakta simulerade världar för datorer, som de säger, att skapa en "representation", en representation av världen.
De moderna intelligenta maskinerna som vi beundrar har antingen inte ett sådant världsbegrepp, eller så är det mycket begränsat och hanterar vissa uppgifter. Innovationen i Deep Blues design handlade inte om att utöka antalet möjliga drag en dator anser. Istället har utvecklarna hittat ett sätt att begränsa sin vision, att kasta bort några av de möjliga rörelserna i framtiden, beroende på hur de utvärderas.
På samma sätt har AlphaGo Google, som slog världsmästaren i Go, inget sätt att bedöma möjliga framtida drag. Dess analysmetod är mer sofistikerad än Deep Blue: den använder ett neuralt nätverk för att utvärdera spelets utveckling.
Dessa tekniker förbättrar AI-systemens funktioner, får vissa spel att spela bättre, men är inte lätta att ändra eller tillämpa på andra situationer. Dessa datortyper av fantasier har inte ett koncept för världen som helhet - vilket innebär att de inte kan gå längre än att utföra de specifika uppgifter som de gjordes för, och de luras lätt.
De kan inte delta interaktivt i världen, och vi skulle vilja se just sådana AI-system en dag. Istället kommer maskinerna att fungera exakt som de alltid gör när de ställs inför samma situation. Om vi vill göra AI-systemet pålitligt och pålitligt, så är det bra: du vill att ditt autonoma fordon ska vara pålitligt. Men om vi vill att maskiner ska interagera med oss och med världen är det dåligt. De enklaste AI-systemen blir aldrig uttråkade, de kan inte vara intresserade eller upprörda.
AI typ II: begränsat minne
Typ II innehåller maskiner som kan se in i det förflutna. Självkörande bilar är redan lite kapabla till detta. Till exempel följer de hastigheten och riktningen för andra fordon. Detta kan inte göras på en gång, för detta måste du identifiera specifika objekt och observera dem över tiden.
Dessa observationer läggs till de självkörande bilarnas förprogrammerade representationer av världen, som inkluderar vägmarkeringar, trafikljus och andra kritiska element. De ansluter när bilen bestämmer sig för att byta körfält och inte kollidera med en annan.
Men dessa enkla bitar av information om det förflutna är bara tillfälliga. De kommer inte att sparas som en del av fordonsupplevelsebiblioteket där det kan lära sig, som mänskliga förare, samla erfarenhet under åren.
Hur bygger vi AI-system som bygger fullständiga representationer, kommer ihåg våra erfarenheter och lär oss att hantera nya situationer? Brooke hade rätt i att detta är mycket svårt att göra. Kanske är det värt att leta efter inspiration i darwinistisk utveckling?
AI typ III: sinnes teori
Här måste vi ta ett kort stopp och kalla detta ögonblick ett viktigt gap mellan de maskiner vi har och de maskiner vi vill bygga i framtiden. Det första steget är dock att vara mer specifik om de åsikter som maskinerna måste skapa.
Maskiner i nästa, mer avancerade klass bildar inte bara representationer av världen utan också av andra agenter eller enheter i världen. I psykologi kallas detta”sinnes teori” - förståelsen för att människor, varelser och föremål i världen kan ha tankar och känslor som påverkar deras eget beteende.
Detta är viktigt för hur vi människor formar samhället eftersom det ger oss sociala interaktioner. Utan att förstå varandras motiv och avsikter, och inte ta hänsyn till vad någon annan vet om mig eller miljön, är det i bästa fall svårt att arbeta tillsammans och i värsta fall omöjligt.
Om AI-system verkligen vandrar bland oss måste de förstå vad vi tycker och känner, åtminstone på antagandenivån. Och justera ditt beteende därefter.
IV typ av AI: självmedvetenhet
Det slutgiltiga målet för artificiell intelligensutveckling är att skapa system som kan forma självbilder. I slutändan måste AI-forskare inte bara förstå medvetandet utan också skapa maskiner med medvetande.
Detta är på sätt och vis en förlängning av den "teori om sinnet" som nämndes i den tidigare typen av AI. När vi pratar om medvetande menar vi också självmedvetenhet. "Jag vill ha den här saken" skiljer sig från "Jag vet att jag vill ha den här saken". Medvetna varelser är självmedvetna, medvetna om sina inre tillstånd och kan förutse andras beteende eller känslor. Vi antar att någon som signalerar oss i trafiken är arg eller otålig, för det är så vi kan känna honom. Utan en teori om sinnet kunde vi inte göra sådana slutsatser.
Medan vi förmodligen är långt ifrån att bygga självmedvetna maskiner måste vi fokusera våra ansträngningar på vägen till förståelse av minne, inlärning och förmågan att fatta beslut om tidigare erfarenheter. Detta är ett viktigt steg mot att förstå det mänskliga sinnet. Och detta är mycket viktigt om vi vill designa eller utveckla maskiner som inte bara kan klassificera det de ser framför oss utan också mycket mer.
ILYA KHEL
