Historie umělé inteligence

Touha vytvářet inteligentní stroje (nebo v dávných dobách modly) je stará jako lidé. Touha nebýt ve vesmíru sám, mít něco, s čím komunikovat bez nesrovnalostí ostatních lidí, je silná. Následující diskuse poskytuje stručný a relevantní přehled historie moderních pokusů o umělou inteligenci.

Počínaje symbolickou logikou v Dartmouthu

Nejstarší počítače byly právě to: výpočetní zařízení. Napodobovali lidskou schopnost manipulovat se symboly za účelem provádění základních matematických úkolů, jako je sčítání. Logické uvažování později přidalo schopnost provádět matematické uvažování prostřednictvím srovnání (jako je určování, zda je jedna hodnota větší než jiná hodnota). Lidé však stále potřebovali definovat algoritmus použitý k provedení výpočtu, poskytnout požadovaná data ve správném formátu a poté interpretovat výsledek. Během léta 1956 se různí vědci zúčastnili workshopu konaného v kampusu Dartmouth College, aby udělali něco víc. Předpověděli, že stroje, které dokážou uvažovat stejně efektivně jako lidé, budou vyžadovat nanejvýš jednu generaci. Mýlili se.

Uvedený problém s Dartmouth College a dalšími tehdejšími snahami se týká hardwaru – schopnosti zpracování provádět výpočty dostatečně rychle, aby bylo možné vytvořit simulaci. To však ve skutečnosti není celý problém. Ano, hardware figuruje na obrázku, ale nemůžete simulovat procesy, kterým nerozumíte. Důvodem, proč je dnes umělá inteligence poněkud účinná, je to, že hardware je konečně dostatečně výkonný, aby podporoval požadovaný počet výpočtů.

Největším problémem těchto raných pokusů (a stále značným problémem dnes) je to, že nerozumíme tomu, jak lidé dost dobře uvažují, aby vytvořili simulaci jakéhokoli druhu – za předpokladu, že simulace směru je vůbec možná. Zvažte znovu otázky týkající se pilotovaného letu popsané dříve v této kapitole. Bratři Wrightové uspěli nikoli simulací ptáků, ale spíše pochopením procesů, které ptáci používají, čímž vytvořili pole aerodynamiky. V důsledku toho, když někdo říká, že další velká inovace AI je hned za rohem, a přesto neexistuje žádná konkrétní dizertační práce o příslušných procesech, inovace je všechno, jen ne hned za rohem.

Pokračujeme v expertních systémech

Expertní systémy se poprvé objevily v 70. a znovu v 80. letech minulého století jako pokus snížit výpočetní požadavky kladené AI pomocí znalostí odborníků. Objevila se řada reprezentací expertních systémů, včetně na základě pravidel (které používají příkazy if...then k tomu, aby zakládaly rozhodnutí na pravidlech palce), založené na rámcích (které používají databáze organizované do souvisejících hierarchií obecných informací nazývaných rámce) a založené na logice (které se spoléhají na na teorii množin k navazování vztahů). Nástup expertních systémů je důležitý, protože představují první skutečně užitečné a úspěšné implementace AI.

Expertní systémy se používají dodnes (i když už se tak nejmenují). Například kontrola pravopisu a gramatiky ve vaší aplikaci jsou druhy expertních systémů. Zejména kontrola gramatiky je silně založena na pravidlech. Vyplatí se rozhlédnout se a podívat se na další místa, kde mohou expertní systémy ještě najít praktické využití v každodenních aplikacích.

Problémem expertních systémů je to, že může být obtížné je vytvořit a udržovat. První uživatelé se museli naučit specializované programovací jazyky, jako je List Processing (LisP) nebo Prolog. Někteří prodejci viděli příležitost dát expertní systémy do rukou méně zkušeným nebo začínajícím programátorům pomocí produktů, jako je VP-Expert , které spoléhají na přístup založený na pravidlech . Tyto produkty však obecně poskytovaly extrémně omezenou funkčnost při používání menších znalostních bází.

V 90. letech se začalo sousloví expertní systém vytrácet. Myšlenka, že expertní systémy selhaly, se skutečně objevila, ale realita je taková, že expertní systémy byly prostě tak úspěšné, že se zakořenily v aplikacích, které měly podporovat. Na příkladu textového procesoru jste si najednou potřebovali koupit samostatnou aplikaci na kontrolu gramatiky, jako je RightWriter . Textové procesory však nyní mají zabudovanou kontrolu gramatiky, protože se ukázaly jako užitečné (ne-li vždy přesné).

Překonávání AI zim

Termín AI zima odkazuje na období sníženého financování rozvoje AI. Umělá inteligence obecně šla cestou, na níž její zastánci přehánějí, co je možné, a přiměla lidi, kteří nemají vůbec žádné technologické znalosti, ale mají spoustu peněz, aby investovali. Poté následuje období kritiky, když AI nesplní očekávání, a nakonec dojde ke snížení financování. V průběhu let došlo k řadě těchto cyklů – všechny zničující pro skutečný pokrok.

Umělá inteligence je v současné době v nové fázi humbuku kvůli strojovému učení, technologii, která pomáhá počítačům učit se z dat. Mít počítač učit se z dat znamená nespoléhat se na lidském programátorovi při nastavování operací (úkolů), ale spíše je odvozovat přímo z příkladů, které ukazují, jak by se měl počítač chovat. Je to jako vychovávat dítě tím, že mu příkladem ukážete, jak se má chovat. Strojové učení má úskalí, protože počítač se může neopatrným učením naučit dělat věci nesprávně.

Pět kmenů vědců pracuje na algoritmech strojového učení, každý z jiného úhlu pohledu (podrobnosti najdete v části „Avoiding AI Hype“ dále v této kapitole). V současné době je nejúspěšnějším řešením deep learning, což je technologie, která se snaží napodobit lidský mozek. Hluboké učení je možné díky dostupnosti výkonných počítačů, chytřejších algoritmů, rozsáhlých datových sad vytvořených digitalizací naší společnosti a obrovským investicím od firem, jako je Google, Facebook, Amazon a další, které využívají této renesance umělé inteligence pro své vlastní. podniky.

Lidé říkají, že zima AI skončila kvůli hlubokému učení, a to je prozatím pravda. Když se však podíváte kolem sebe na způsoby, jakými lidé na AI nahlížejí, snadno zjistíte, že nakonec dojde k další fázi kritiky, pokud zastánci nezmírní rétoriku.