211service.com
Löser AI
Målet med artificiell intelligens (åtminstone enligt fältets grundare) är att skapa datorer vars intelligens är lika med eller överträffar människors. Att uppnå detta mål är det berömda AI-problemet. För vissa är AI datavetenskapens uppenbara öde. För andra är det ett misslyckande: uppenbarligen är AI-problemet inte i närheten av att vara löst. Varför? För det mesta är svaret enkelt: ingen försöker verkligen lösa det. Detta kan komma som en överraskning för människor utanför fältet. Vad har alla dessa AI-forskare gjort under alla dessa år? Verkligheten är att de till stor del har gett upp de stora ambitionerna med AI och istället arbetar med allt mer specialiserade delproblem: inte bara maskininlärning eller förståelse av naturliga språk, utan frågor inom dessa områden, som att klassificera objekt eller analysera meningar.
Jag tror att denna splittring och härska-strategi inte kommer att fungera. Inom AI står den bästa lösningen på ett problem isolerat ofta i vägen för att lösa det större problemet. För att göra verkliga framsteg måste vi arbeta med problem från början – självständiga uppgifter, som att läsa text och svara på frågor, som innebär ett antal deluppgifter (se Intelligent Software Assistant ). Fram till nu har det inte riktigt varit möjligt att göra detta, eftersom den nödvändiga datorkraften inte var tillgänglig. Men inom ett decennium eller så kommer datorer att överträffa den mänskliga hjärnans datorkraft. (Medan datorer är extremt effektiva vid specifika uppgifter, såsom aritmetik, ligger mänskliga hjärnor fortfarande före vad gäller antalet operationer de kan utföra per sekund. När detta tillämpas på saker som människor är bra på, som syn och språkförståelse, datorer förlorar.)
Den här historien var en del av vårt marsnummer 2009
- Se resten av frågan
- Prenumerera
Datorkraft är dock inte hela svaret. Tidigare försök att lösa end-to-end AI-problem har misslyckats på ett av två sätt. Vissa förenklade problemen till den grad att lösningarna inte överfördes till den verkliga världen. Andra stötte på en vägg av teknisk komplexitet: för många saker att sätta ihop, för många interaktioner mellan dem, för många buggar.
För att bli bättre behöver vi ett nytt matematiskt språk för artificiell intelligens. Exempel från andra områden inom vetenskap och teknik visar hur kraftfullt detta kan vara: mekanik, till exempel, gynnades av kalkyl; växelström från komplexa tal; och digitala kretsar från boolesk logik. Idag verkar dessa saker som andra natur för deras utövare, men vid den tiden var de långt ifrån självklara. Nyckeln är att hitta rätt språk för att formulera och lösa problem.
Vad ska språket för AI vara? Åtminstone behöver vi ett språk som kombinerar logik och sannolikhet. Logik kan hantera komplexiteten i den verkliga världen – ett stort antal interagerande objekt, till exempel, eller flera typer av objekt – men inte dess osäkerhet. Probabilistiska grafiska modeller har dykt upp som ett allmänt språk för att hantera osäkerhet, men de kan inte hantera den verkliga komplexiteten.
Det senaste decenniet har sett verkliga framsteg i denna riktning, men det är fortfarande tidiga dagar. Det är osannolikt att vi kommer att hitta AI-språket förrän vi har mer erfarenhet av end-to-end AI-problem. Men det är så här vi i slutändan kommer att lösa AI: genom samspelet mellan att ta itu med verkliga problem och att uppfinna ett språk som gör dem enklare.
Pedro Domingos är docent i datavetenskap och teknik vid University of Washington i Seattle.