Historien om kunstig intelligens

Ønsket om at skabe intelligente maskiner (eller, i oldtiden, idoler) er lige så gammel som mennesker. Ønsket om ikke at være alene i universet, at have noget at kommunikere med uden andre menneskers uoverensstemmelser, er et stærkt. Den følgende diskussion giver et kort, relevant overblik over historien om moderne AI-forsøg.

Startende med symbolsk logik hos Dartmouth

De tidligste computere var netop det: computerenheder. De efterlignede den menneskelige evne til at manipulere symboler for at udføre grundlæggende matematiske opgaver, såsom addition. Logisk ræsonnement tilføjede senere muligheden for at udføre matematisk ræsonnement gennem sammenligninger (såsom at bestemme, om en værdi er større end en anden værdi). Men mennesker havde stadig brug for at definere den algoritme, der bruges til at udføre beregningen, levere de nødvendige data i det rigtige format og derefter fortolke resultatet. I løbet af sommeren 1956 deltog forskellige videnskabsmænd i en workshop afholdt på Dartmouth College campus for at gøre noget mere. De forudsagde, at maskiner, der kunne ræsonnere lige så effektivt som mennesker, højst ville kræve en generation at komme til. De tog fejl.

Det erklærede problem med Dartmouth College og andre bestræbelser på tiden relaterer sig til hardware - behandlingsevnen til at udføre beregninger hurtigt nok til at skabe en simulering. Det er dog ikke rigtig hele problemet. Ja, hardware indgår i billedet, men du kan ikke simulere processer, som du ikke forstår. Alligevel er grunden til, at AI er noget effektiv i dag, at hardwaren endelig er blevet kraftig nok til at understøtte det nødvendige antal beregninger.

Det største problem med disse tidlige forsøg (og stadig et betydeligt problem i dag) er, at vi ikke forstår, hvordan mennesker ræsonnerer godt nok til at skabe en simulering af nogen art - forudsat at en retningssimulering overhovedet er mulig. Overvej igen problemerne omkring bemandet flyvning beskrevet tidligere i kapitlet. Wright-brødrene lykkedes ikke ved at simulere fugle, men snarere ved at forstå de processer, som fugle bruger, og derved skabe aerodynamikkens felt. Derfor, når nogen siger, at den næste store AI-innovation er lige rundt om hjørnet, og alligevel ikke eksisterer nogen konkret afhandling om de involverede processer, er innovationen alt andet end lige rundt om hjørnet.

Fortsætter med ekspertsystemer

Ekspertsystemer dukkede første gang op i 1970'erne og igen i 1980'erne som et forsøg på at reducere de beregningsmæssige krav, som AI stiller ved hjælp af eksperters viden. En række ekspertsystemrepræsentationer dukkede op, herunder regelbaserede (som bruger if...then-udsagn til at basere beslutninger på tommelfingerregler), rammebaserede (som bruger databaser organiseret i relaterede hierarkier af generisk information kaldet frames) og logikbaseret (som er afhængig af om mængdeteori for at etablere relationer). Fremkomsten af ​​ekspertsystemer er vigtig, fordi de præsenterer de første virkelig nyttige og succesfulde implementeringer af AI.

Du ser stadig ekspertsystemer i brug i dag (selvom de ikke hedder det længere). For eksempel er stave- og grammatikkontrollen i din ansøgning en slags ekspertsystemer. Specielt grammatikkontrollen er stærkt regelbaseret. Det kan betale sig at se sig omkring for at se andre steder, hvor ekspertsystemer stadig kan se praktisk brug i hverdagsapplikationer.

Et problem med ekspertsystemer er, at de kan være svære at skabe og vedligeholde. Tidlige brugere skulle lære specialiserede programmeringssprog såsom List Processing (LisP) eller Prolog. Nogle leverandører så en mulighed for at lægge ekspertsystemer i hænderne på mindre erfarne eller uerfarne programmører ved at bruge produkter som VP-Expert , der er afhængige af den regelbaserede tilgang . Disse produkter gav dog generelt ekstremt begrænset funktionalitet ved brug af små videnbaser.

I 1990'erne udtrykket ekspertsystem begyndte at forsvinde. Ideen om, at ekspertsystemer var en fiasko, dukkede op, men virkeligheden er, at ekspertsystemer simpelthen var så succesfulde, at de blev rodfæstet i de applikationer, de var designet til at understøtte. Ved at bruge eksemplet med en tekstbehandling, skulle du på et tidspunkt købe et separat grammatikkontrolprogram såsom RightWriter . Men tekstbehandlere har nu indbygget grammatikkontrol, fordi de viste sig at være så nyttige (hvis ikke altid nøjagtige).

Overvinde AI-vintrene

Udtrykket AI vinter refererer til en periode med reduceret finansiering i udviklingen af ​​AI. Generelt har AI fulgt en vej, hvor fortalere overvurderer, hvad der er muligt, og får folk uden teknologisk viden overhovedet, men masser af penge, til at foretage investeringer. En periode med kritik følger derefter, når AI ikke lever op til forventningerne, og endelig sker reduktionen i finansieringen. En række af disse cyklusser har fundet sted gennem årene - alle ødelæggende for sande fremskridt.

AI er i øjeblikket i en ny hypefase på grund af maskinlæring, en teknologi, der hjælper computere med at lære af data. At have en computer til at lære af data betyder ikke at være afhængig af en menneskelig programmør til at indstille operationer (opgaver), men snarere at udlede dem direkte fra eksempler, der viser, hvordan computeren skal opføre sig. Det er som at uddanne en baby ved at vise den, hvordan den skal opføre sig gennem eksempel. Maskinlæring har faldgruber, fordi computeren kan lære at gøre tingene forkert gennem skødesløs undervisning.

Fem stammer af videnskabsmænd arbejder på maskinlæringsalgoritmer, hver fra et andet synspunkt (se afsnittet "Undgå AI-hype" senere i dette kapitel for detaljer). På nuværende tidspunkt er den mest succesrige løsning deep learning, som er en teknologi, der stræber efter at efterligne den menneskelige hjerne. Dyb læring er mulig på grund af tilgængeligheden af ​​kraftfulde computere, smartere algoritmer, store datasæt produceret af digitaliseringen af ​​vores samfund og enorme investeringer fra virksomheder som Google, Facebook, Amazon og andre, der udnytter denne AI-renæssance til deres egen virksomheder.

Folk siger, at AI-vinteren er forbi på grund af dyb læring, og det er sandt for nu. Men når du ser dig omkring på den måde, hvorpå folk ser AI, kan du nemt regne ud, at en anden kritikfase i sidste ende vil opstå, medmindre fortalere toner retorikken ned.