Problemet med AI-maskiner läser saker, men kan inte förstå dem

Alla pratar om "AI" idag. Men om du tittar på Siri, Alexa eller bara de autokorrigeringsfunktioner som finns på ditt smartphone-tangentbord, skapar vi inte generell intelligens. Vi skapar program som kan utföra specifika, smala uppgifter.

Datorer kan inte "tänka"

När ett företag säger att det kommer ut med en ny "AI" -funktion, innebär det i allmänhet att företaget använder maskininlärning för att bygga ett neuralt nätverk. "Maskininlärning" är en teknik som låter en maskin "lära" hur man bättre kan utföra en viss uppgift.

Vi attackerar inte maskininlärning här! Maskininlärning är en fantastisk teknik med mycket kraftfulla användningsområden. Men det är inte artificiell intelligens med allmänt ändamål, och förstå begränsningarna av maskininlärning hjälper dig att förstå varför vår nuvarande AI-teknik är så begränsad.

Den "artificiella intelligensen" av sci-fi-drömmar är en datoriserad eller robotisk slags hjärna som tänker på saker och förstår dem som människor gör. Sådan artificiell intelligens skulle vara en artificiell allmän intelligens (AGI), vilket innebär att den kan tänka på flera olika saker och tillämpa den intelligensen på flera olika domäner. Ett relaterat koncept är "starkt AI", vilket skulle vara en maskin som kan uppleva mänsklig medvetenhet.

Vi har inte den typen av AI än. Vi är inte någonstans nära den. En dator enhet som Siri, Alexa eller Cortana förstår inte och tänker som vi människor gör. Det förstår inte riktigt "saker" alls.

De konstgjorda intelligenser vi har är utbildade för att göra en specifik uppgift mycket bra, förutsatt att människor kan ge uppgifterna för att hjälpa dem att lära sig. De lär sig att göra något men förstår det fortfarande inte.

Datorer förstår inte

Gmail har ett nytt "smart svar" -funktion som föreslår svar på e-postmeddelanden. Smart Respons-funktionen identifierade "Skickat från min iPhone" som ett vanligt svar. Det ville också föreslå "Jag älskar dig" som ett svar på många olika typer av e-postmeddelanden, inklusive arbetsemail.

Det beror på att datorn inte förstår vad dessa svar betyder. Det är bara lärt sig att många människor skickar dessa fraser i e-postmeddelanden. Det vet inte om du vill säga "Jag älskar dig" till din chef eller inte.

Som ett annat exempel sammanställer Google Photos ett collage av oavsiktliga bilder av mattan i ett av våra hem. Det identifierade sedan den collagen som en ny höjdpunkt på ett Google Hem Hub. Google Foton visste att bilderna var likartade men förstod inte hur obetydliga de var.

Maskiner Lär dig ofta att spela systemet

Maskininlärning handlar om att tilldela en uppgift och låta en dator bestämma det mest effektiva sättet att göra det. Eftersom de inte förstår det är lätt att sluta med en dator "lärande" hur man löser ett annat problem än vad du ville ha.

Här är en lista med roliga exempel där "konstgjorda intelligenser" skapades för att spela spel och tilldelade mål som bara lärt sig att spela systemet. Dessa exempel kommer alla från detta utmärkta kalkylblad:

"Varelser som odlas för hastighet växer väldigt långa och genererar höga hastigheter genom att falla över."
"Agent dödar sig i slutet av nivå 1 för att undvika att förlora i nivå 2."
"Agent pausar spelet oändligt för att undvika att förlora."
"I en artificiell livsimulering där överlevnad krävde energi men att födseln hade ingen energikostnad utvecklades en art en stillesittande livsstil som bestod mest av parning för att producera nya barn som skulle kunna ätas (eller användas som kompisar för att producera mer ätbara barn) .”
"Eftersom AIs var mer benägna att bli" dödade "om de förlorade ett spel, att kunna krascha var spelet en fördel för den genetiska urvalsprocessen. Därför utvecklade flera AIs sätt att krascha spelet. "
"Neurala nät som utvecklats för att klassificera ätbara och giftiga svampar utnyttjade data som presenterades i alternerande ordning och lärde sig inte faktiskt några egenskaper hos de inmatade bilderna."

Några av dessa lösningar kan låta smart, men ingen av dessa neurala nätverk förstod vad de gjorde. De tilldelades ett mål och lärde sig ett sätt att uppnå det. Om målet är att undvika att förlora i ett datorspel, är det lättast, snabbaste lösningen de kan hitta, om du trycker på pausknappen.

Maskininlärning och neurala nätverk

Med maskininlärning är en dator inte programmerad för att utföra en specifik uppgift. I stället är det matad data och utvärderad på dess prestanda vid uppgiften.

Ett elementärt exempel på maskininlärning är bildigenkänning. Låt oss säga att vi vill träna ett datorprogram för att identifiera bilder som har en hund i dem. Vi kan ge en dator miljoner bilder, av vilka några har hundar i dem och vissa gör det inte. Bilderna är märkta om de har en hund i dem eller ej. Dataprogrammet "tränar" sig själv för att känna igen vilka hundar som ser ut utifrån den datasatsen.

Maskininlärningsprocessen används för att träna ett neuralt nätverk, vilket är ett datorprogram med flera lager som varje dataingång passerar igenom, och varje lager tilldelar olika vikter och sannolikheter till dem innan det slutligen bestäms. Det modelleras om hur vi tror att hjärnan kan fungera, med olika lager av neuroner som är involverade i att tänka igenom en uppgift. "Deep learning" refererar i allmänhet till neurala nätverk med många lager staplade mellan ingång och utgång.

Eftersom vi vet vilka foton i datasatsen innehåller hundar och vilka inte gör det, kan vi köra bilderna genom neurala nätverket och se om de resulterar i rätt svar. Om nätverket bestämmer att ett visst foto inte har en hund när den gör det, är det till exempel en mekanism för att tala om nätverket som det var fel, justera vissa saker och försöka igen. Datorn fortsätter att bättre identifiera om bilder innehåller en hund.

Allt detta händer automatiskt. Med rätt programvara och mycket strukturerad data för att datorn ska träna sig kan datorn ställa in sitt neurala nätverk för att identifiera hundar i bilder. Vi kallar detta "AI".

Men i slutet av dagen har du inte ett intelligent datorprogram som förstår vad en hund är. Du har en dator som lär dig att bestämma om en hund är i ett foto eller ej. Det är fortfarande ganska imponerande, men det är allt det kan göra.

Och beroende på ingången du gav den, kan det neurala nätverket inte vara så smart som det ser ut. Om det till exempel inte fanns några foton av katter i din dataset, kan det neurala nätverket kanske inte se skillnaden mellan katter och hundar och kan märka alla katter som hundar när du släpper ut det på människors riktiga foton.

Vad används maskinlärning för?

Maskininlärning används för alla typer av uppgifter, inklusive taligenkänning. Röstassistenter som Google, Alexa och Siri är så bra att förstå mänskliga röster på grund av maskininlärningstekniker som har utbildat dem för att förstå mänskligt tal. De har tränat på en massiv mängd mänskliga talprover och blir bättre och bättre på att förstå vilka ljud som motsvarar vilka ord.

Självkörande bilar använder maskininlärningstekniker som tränar datorn för att identifiera objekt på vägen och hur man svarar korrekt på dem. Google Foton är fullt av funktioner som Live Albums som automatiskt identifierar människor och djur i foton med maskininlärning.

Alfabetets DeepMind-maskin som lär sig att skapa AlphaGo, ett datorprogram som kan spela det komplexa brädspelet Gå och slå de bästa människorna i världen. Maskininlärning har också använts för att skapa datorer som är bra för att spela andra spel, från schack till DOTA 2.

Maskininlärning används även för Face ID på de senaste iPhonesna. Din iPhone konstruerar ett neuralt nätverk som lär dig att identifiera ditt ansikte, och Apple innehåller ett dedikerat "neuralt motor" -chip som utför all nummerkrävande för detta och andra maskininlärningsuppgifter.

Maskininlärning kan användas för många andra olika saker, från att identifiera kreditkortsbedrägeri till personliga produktrekommendationer på shoppingwebbplatser.

Men de neurala nätverk som skapas med maskininlärning förstår inte riktigt någonting. De är fördelaktiga program som kan utföra de smala uppgifter de utbildades för, och det är det.

Bildkredit: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Diverse Fotografi / Shutterstock.com.