Когда вы предлагаете компьютеру сыграть в шахматы, взаимодействуете с умным помощником, вводите вопрос в ChatGPT или создаете иллюстрацию на DALL-E, вы взаимодействуете с программой, которую ученые-компьютерщики классифицируют как искусственный интеллект.
Но определение искусственного интеллекта может быть сложным, особенно когда в смесь добавляются другие термины, такие как «робототехника» и «машинное обучение». Чтобы помочь вам понять, как эти разные поля и термины связаны друг с другом, мы составили краткое руководство.
Что такое хорошее определение искусственного интеллекта?
Искусственный интеллект — это область исследований, очень похожая на химию или физику, которая началась в 1956 году.
«Искусственный интеллект — это наука и инженерия о создании машин с человеческими характеристиками в том, как они видят мир, как они двигаются, как они играют в игры и даже как они учатся», — говорит Даниэла Рус, директор по компьютерным наукам и искусственному интеллекту. разведывательная лаборатория (CSAIL) Массачусетского технологического института. «Искусственный интеллект состоит из множества подкомпонентов, и существуют всевозможные алгоритмы, решающие различные задачи в области искусственного интеллекта».
Люди склонны путать искусственный интеллект с робототехникой и машинным обучением, но это разные, связанные области, каждая из которых имеет свою направленность. Как правило, вы увидите, что машинное обучение классифицируется как искусственный интеллект, но это не всегда так.
«Искусственный интеллект — это принятие решений машинами. Робототехника — это запуск вычислений. А машинное обучение — это использование данных для прогнозирования того, что может произойти в будущем или что должна делать система», — добавляет Рус. «ИИ — это обширная область. Это о принятии решений. Вы можете принимать решения, используя обучение, или вы можете принимать решения, используя модели».
Генераторы ИИ, такие как ChatGPT и DALL-E, представляют собой программы машинного обучения, но область ИИ охватывает гораздо больше, чем просто машинное обучение, а машинное обучение не полностью содержится в ИИ. «Машинное обучение — это часть ИИ. Это как бы охватывает статистику и более широкую область искусственного интеллекта», — говорит Рус.
Усложняет игровое поле то, что алгоритмы немашинного обучения могут использоваться для решения проблем в ИИ. Например, компьютер может играть в игру «Крестики-нолики» с алгоритмом немашинного обучения, называемым минимаксной оптимизацией. «Это прямой алгоритм. Вы строите дерево решений и начинаете навигацию. В этом алгоритме нет обучения, нет данных», — говорит Рус. Но это все еще форма ИИ.
Еще в 1997 году алгоритм Deep Blue, который IBM использовала для победы над Гэри Каспаровым, был искусственным интеллектом, а не машинным обучением, поскольку он не использовал данные игрового процесса. «Обоснование программы создавалось вручную, — говорит Рус. «В то время как AlphaGo [a new chess-playing program] использовал машинное обучение для разработки своих правил и решений о том, как двигаться».
Когда роботам приходится перемещаться по миру, они должны осмысливать свое окружение. Именно здесь вступает в действие ИИ: они должны видеть, где находятся препятствия, и придумывать план перехода из точки А в точку Б.
«Существуют способы, которыми роботы используют такие модели, как ньютоновская механика, например, чтобы понять, как двигаться, чтобы понять, как не упасть, чтобы понять, как схватить объект, не уронив его», — говорит Рус. «Если робот должен спланировать путь из точки А в точку Б, он может посмотреть на геометрию пространства, а затем понять, как провести линию, которая не натолкнется на какие-либо препятствия, и следовать по этой линии. ». Это пример того, как компьютер принимает решения, не используя машинное обучение, потому что он не управляется данными.
[Related: How a new AI mastered the tricky game of Stratego]
Или взять, к примеру, обучение робота водить машину. Например, в решении на основе машинного обучения для обучения робота выполнению этой задачи робот может наблюдать за тем, как люди рулят или проходят поворот. Он научится поворачивать колесо немного или сильно, в зависимости от того, насколько пологий изгиб. Для сравнения, в решении для обучения вождению, не связанном с машинным обучением, робот просто смотрит на геометрию дороги, учитывает динамику автомобиля и использует это для расчета угла поворота колеса, чтобы удерживать автомобиль. по дороге не сворачивая. Оба являются примерами искусственного интеллекта в действии.
«В случае с моделью вы смотрите на геометрию, думаете о физике и вычисляете, каким должно быть срабатывание. В управлении данными [machine learning] В этом случае вы смотрите на то, что сделал человек, и вы это помните, и в будущем, когда вы столкнетесь с подобными ситуациями, вы сможете сделать то, что сделал человек», — говорит Русь. «Но оба эти решения заставляют роботов принимать решения и двигаться в мире».
Можете ли вы рассказать мне больше о том, как работает машинное обучение?
«Когда вы занимаетесь машинным обучением на основе данных, которое люди приравнивают к ИИ, ситуация совсем другая», — говорит Рус. «Машинное обучение использует данные для определения весов и параметров огромной сети, называемой искусственной нейронной сетью».
Машинное обучение, как следует из его названия, — это идея обучения программного обеспечения на основе данных, а не программного обеспечения, которое просто следует правилам, написанным людьми.
«Большинство алгоритмов машинного обучения на каком-то уровне просто вычисляют набор статистических данных», — говорит Райид Гани, профессор кафедры машинного обучения Университета Карнеги-Меллона. До машинного обучения, если вы хотели, чтобы компьютер обнаружил объект, вам приходилось описывать его в утомительных деталях. Например, если вы хотите, чтобы компьютерное зрение идентифицировало знак «стоп», вам нужно написать код, описывающий цвет, форму и особенности лицевой стороны знака.
«Люди полагали, что это будет исчерпывающим для людей, описывающих это. Основное изменение, произошедшее в машинном обучении, заключается в следующем. [that] люди были лучше в том, чтобы давать примеры вещей», — говорит Гани. «Код, который писали люди, предназначался не для описания знака «стоп», а для того, чтобы отличать объекты категории А от категории Б. [a stop sign versus a yield sign, for example]. А потом компьютер вычислял различия, что было эффективнее».
Стоит ли нам беспокоиться о том, что искусственный интеллект превзойдет человеческий?
Краткий ответ, прямо сейчас: Нет.
Сегодня ИИ очень узок в своих возможностях и способен делать конкретные вещи. «ИИ, созданный для того, чтобы играть в очень специфические игры или распознавать определенные вещи, может только это. Он не может делать что-то еще очень хорошо», — говорит Гани. «Поэтому вам нужно разработать новую систему для каждой задачи».
В каком-то смысле Рус говорит, что исследования в области ИИ используются для разработки инструментов, но не таких, которые вы можете использовать в мире автономно. Она отмечает, что ChatGPT впечатляет, но это не всегда правильно. «Это своего рода инструменты, которые дают людям информацию, предложения и идеи, на основе которых они могут действовать», — говорит она. «И эти идеи, предложения и идеи не являются окончательным ответом».
Кроме того, Гани говорит, что, хотя эти системы «кажутся разумными», на самом деле все, что они делают, — это анализ закономерностей. «Они просто были закодированы, чтобы объединить вещи, которые произошли вместе в прошлом, и объединить их по-новому». Компьютер сам не поймет, что падать — это плохо. Ему нужно получить обратную связь от программиста-человека, говорящего, что это плохо.
[Related: Why artificial intelligence is everywhere now]
Кроме того, алгоритмы машинного обучения могут быть ленивыми. Например, представьте, что вы даете системе изображения мужчин, женщин и небинарных индивидуумов и говорите ей различать их. Он найдет модели, которые отличаются, но не обязательно являются значимыми или важными. Если все мужчины одеты в одежду одного цвета или все фотографии женщин были сделаны на фоне одного и того же цвета, эти цвета будут характеристиками, которые улавливают эти системы.
«Это не разумно, это, по сути, говорит: «Вы просили меня различать три множества». Самым ленивым способом различения была эта характеристика», — говорит Гани. Кроме того, некоторые системы «предназначены для предоставления большинства ответов из Интернета на многие из этих вещей. Это не то, чего мы хотим в мире, чтобы принять ответ большинства, который обычно является расистским и сексистским».
По его мнению, еще предстоит проделать большую работу по настройке алгоритмов для конкретных случаев использования, чтобы людям было понятно, как модель достигает определенных выходных данных на основе предоставленных входных данных, и чтобы гарантировать, что входные данные является справедливым и точным.
Что ждет ИИ в следующем десятилетии?
Компьютерные алгоритмы хорошо берут большие объемы информации и синтезируют ее, в то время как люди хорошо просматривают несколько вещей за раз. Из-за этого компьютеры, по понятным причинам, гораздо лучше справляются с просмотром миллиардов документов и выявлением повторяющихся фактов или закономерностей. Но люди могут зайти в один документ, подобрать мелкие детали и осмыслить их.
«Я думаю, что одна из вещей, которая преувеличена, — это автономия ИИ, работающего сама по себе в неконтролируемых средах, где также обитают люди», — говорит Гани. В очень контролируемых условиях — например, при определении цены на продукты питания в определенном диапазоне на основе конечной цели оптимизации прибыли — ИИ работает очень хорошо. Тем не менее, сотрудничество с людьми остается важным, и, по его прогнозам, в ближайшие десятилетия в этой области будет много достижений в системах, предназначенных для совместной работы.
Исследование открытия лекарств хороший пример, говорит он. Люди по-прежнему выполняют большую часть работы с лабораторными испытаниями, а компьютер просто использует машинное обучение, чтобы помочь им определить приоритеты, какие эксперименты проводить и на какие взаимодействия смотреть.
“[AI algorithms] могут делать действительно экстраординарные вещи намного быстрее, чем мы. Но можно думать об этом так, что это инструменты, которые должны дополнять и улучшать то, как мы работаем», — говорит Рус. «И, как и любые другие инструменты, эти решения по своей сути не являются хорошими или плохими. Это то, что мы выбираем с ними делать».
