211service.com
Løsning af AI
Målet med kunstig intelligens (i hvert fald ifølge feltets grundlæggere) er at skabe computere, hvis intelligens er lig med eller overgår menneskers. At nå dette mål er det berømte AI-problem. For nogle er AI datalogiens åbenlyse skæbne. For andre er det en fiasko: Det er klart, at AI-problemet ikke er i nærheden af at blive løst. Hvorfor? For det meste er svaret enkelt: ingen forsøger virkelig at løse det. Dette kan komme som en overraskelse for folk uden for feltet. Hvad har alle disse AI-forskere lavet i alle disse år? Virkeligheden er, at de stort set har opgivet de store ambitioner med AI og i stedet arbejder på stadig mere specialiserede underproblemer: ikke kun maskinlæring eller forståelse af naturligt sprog, men spørgsmål inden for disse områder, som at klassificere objekter eller analysere sætninger.
Jeg tror, at denne adskille og hersk tilgang ikke vil fungere. I AI er den bedste løsning på et problem set isoleret ofte i vejen for at løse det større problem. For at gøre reelle fremskridt er vi nødt til at arbejde på ende til anden problemer – selvstændige opgaver, som at læse tekst og besvare spørgsmål, der indebærer en række delopgaver (se Intelligent Software Assistant). Indtil nu har det ikke rigtig været muligt at gøre dette, fordi den nødvendige computerkraft ikke var tilgængelig. Men inden for et årti eller deromkring vil computere overgå den menneskelige hjernes computerkraft. (Mens computere er ekstremt effektive til specifikke opgaver, såsom aritmetik, er menneskelige hjerner stadig foran i forhold til antallet af operationer, de kan udføre pr. sekund. Når dette anvendes på ting, som folk er gode til, som syn og sprogforståelse, computere taber.)
Denne historie var en del af vores marts 2009-udgave
- Se resten af problemet
- Abonner
Computerkraft er dog ikke hele svaret. Tidligere forsøg på at løse end-to-end AI-problemer har mislykkedes på en af to måder. Nogle oversimplificerede problemerne til det punkt, at løsningerne ikke blev overført til den virkelige verden. Andre løb ind i en mur af teknisk kompleksitet: for mange ting at sætte sammen, for mange interaktioner mellem dem, for mange fejl.
For at gøre det bedre har vi brug for et nyt matematisk sprog til kunstig intelligens. Eksempler fra andre områder inden for videnskab og teknologi viser, hvor kraftfuldt dette kan være: mekanik, for eksempel, havde gavn af calculus; vekselstrøm fra komplekse tal; og digitale kredsløb fra boolsk logik. I dag virker disse ting som en anden natur for deres udøvere, men på det tidspunkt var de langt fra indlysende. Nøglen er at finde det rigtige sprog til at formulere og løse problemer på.
Hvad skal sproget for AI være? Vi har i det mindste brug for et sprog, der kombinerer logik og sandsynlighed. Logik kan håndtere kompleksiteten af den virkelige verden - et stort antal interagerende objekter, f.eks. eller flere typer objekter - men ikke dens usikkerhed. Probabilistiske grafiske modeller er dukket op som et generelt sprog til at håndtere usikkerhed, men de kan ikke håndtere kompleksitet i den virkelige verden.
Det sidste årti har set reelle fremskridt i denne retning, men det er stadig tidlige dage. Det er usandsynligt, at vi finder AI-sproget, før vi har mere erfaring med ende-til-ende AI-problemer. Men det er sådan, vi i sidste ende skal løse AI: gennem samspillet mellem at løse reelle problemer og opfinde et sprog, der gør dem enklere.
Pedro Domingos er lektor i datalogi og teknik ved University of Washington i Seattle.