Η ιστορία της τεχνητής νοημοσύνης

Η επιθυμία να δημιουργηθούν έξυπνες μηχανές (ή, στην αρχαιότητα, είδωλα) είναι τόσο παλιά όσο και οι άνθρωποι. Η επιθυμία να μην είσαι μόνος στο σύμπαν, να έχεις κάτι με το οποίο να επικοινωνείς χωρίς τις ασυνέπειες των άλλων ανθρώπων, είναι έντονη. Η ακόλουθη συζήτηση παρέχει μια σύντομη, σχετική επισκόπηση της ιστορίας των σύγχρονων προσπαθειών τεχνητής νοημοσύνης.

Ξεκινώντας με συμβολική λογική στο Dartmouth

Οι πρώτοι υπολογιστές ήταν ακριβώς αυτό: υπολογιστικές συσκευές. Μιμήθηκαν την ανθρώπινη ικανότητα να χειρίζεται σύμβολα προκειμένου να εκτελεί βασικές μαθηματικές εργασίες, όπως η πρόσθεση. Ο λογικός συλλογισμός αργότερα προσέθεσε την ικανότητα εκτέλεσης μαθηματικών συλλογισμών μέσω συγκρίσεων (όπως ο προσδιορισμός εάν μια τιμή είναι μεγαλύτερη από μια άλλη τιμή). Ωστόσο, οι άνθρωποι έπρεπε ακόμη να καθορίσουν τον αλγόριθμο που θα χρησιμοποιηθεί για την εκτέλεση του υπολογισμού, να παράσχουν τα απαιτούμενα δεδομένα στη σωστή μορφή και στη συνέχεια να ερμηνεύσουν το αποτέλεσμα. Κατά τη διάρκεια του καλοκαιριού του 1956, διάφοροι επιστήμονες παρακολούθησαν ένα εργαστήριο που πραγματοποιήθηκε στην πανεπιστημιούπολη του Κολλεγίου Dartmouth για να κάνουν κάτι περισσότερο. Προέβλεψαν ότι οι μηχανές που θα μπορούσαν να συλλογιστούν τόσο αποτελεσματικά όσο οι άνθρωποι θα απαιτούσαν, το πολύ, μια γενιά που θα δημιουργηθεί. Εκαναν λάθος.

Το δηλωμένο πρόβλημα με το Dartmouth College και άλλες προσπάθειες της εποχής σχετίζεται με το υλικό - την ικανότητα επεξεργασίας για την εκτέλεση υπολογισμών αρκετά γρήγορα για τη δημιουργία μιας προσομοίωσης. Ωστόσο, δεν είναι αυτό το όλο πρόβλημα. Ναι, το υλικό φαίνεται στην εικόνα, αλλά δεν μπορείτε να προσομοιώσετε διαδικασίες που δεν καταλαβαίνετε. Ακόμα κι έτσι, ο λόγος που η τεχνητή νοημοσύνη είναι κάπως αποτελεσματική σήμερα είναι ότι το υλικό έχει τελικά γίνει αρκετά ισχυρό για να υποστηρίξει τον απαιτούμενο αριθμό υπολογισμών.

Το μεγαλύτερο πρόβλημα με αυτές τις πρώιμες απόπειρες (και εξακολουθεί να αποτελεί σημαντικό πρόβλημα σήμερα) είναι ότι δεν καταλαβαίνουμε πώς οι άνθρωποι συλλογίζονται αρκετά καλά για να δημιουργήσουν μια προσομοίωση οποιουδήποτε είδους - υποθέτοντας ότι μια προσομοίωση κατεύθυνσης είναι ακόμη δυνατή. Εξετάστε ξανά τα ζητήματα σχετικά με την επανδρωμένη πτήση που περιγράφηκαν νωρίτερα στο κεφάλαιο. Οι αδελφοί Ράιτ πέτυχαν όχι με την προσομοίωση των πτηνών, αλλά με την κατανόηση των διαδικασιών που χρησιμοποιούν τα πουλιά, δημιουργώντας έτσι το πεδίο της αεροδυναμικής. Κατά συνέπεια, όταν κάποιος λέει ότι η επόμενη μεγάλη καινοτομία τεχνητής νοημοσύνης είναι προ των πυλών και παρόλα αυτά δεν υπάρχει συγκεκριμένη διατριβή για τις διαδικασίες που εμπλέκονται, η καινοτομία είναι κάθε άλλο παρά προ των πυλών.

Συνεχίζοντας με έμπειρα συστήματα

Τα έμπειρα συστήματα εμφανίστηκαν για πρώτη φορά στη δεκαετία του 1970 και ξανά στη δεκαετία του 1980 ως μια προσπάθεια μείωσης των υπολογιστικών απαιτήσεων που θέτει η τεχνητή νοημοσύνη χρησιμοποιώντας τη γνώση των ειδικών. Εμφανίστηκε μια σειρά από έμπειρες αναπαραστάσεις συστημάτων, συμπεριλαμβανομένων βασισμένων σε κανόνες (που χρησιμοποιούν δηλώσεις if…then για να βασιστούν οι αποφάσεις σε εμπειρικούς κανόνες), βάσει πλαισίου (που χρησιμοποιούν βάσεις δεδομένων οργανωμένων σε σχετικές ιεραρχίες γενικών πληροφοριών που ονομάζονται πλαίσια) και βάσει λογικής (που βασίζονται στη θεωρία συνόλων για τη δημιουργία σχέσεων). Η εμφάνιση έμπειρων συστημάτων είναι σημαντική γιατί παρουσιάζουν τις πρώτες πραγματικά χρήσιμες και επιτυχημένες υλοποιήσεις τεχνητής νοημοσύνης.

Εξακολουθείτε να βλέπετε έμπειρα συστήματα σε χρήση σήμερα (παρόλο που δεν ονομάζονται πλέον έτσι). Για παράδειγμα, οι ελεγκτές ορθογραφίας και γραμματικής στην αίτησή σας είναι είδη ειδικών συστημάτων. Το γραμματικό ελεγκτή, ειδικά, βασίζεται έντονα σε κανόνες. Αξίζει να κοιτάξετε γύρω σας για να δείτε άλλα μέρη όπου τα έμπειρα συστήματα μπορεί να εξακολουθούν να βλέπουν πρακτική χρήση σε καθημερινές εφαρμογές.

Ένα πρόβλημα με τα έμπειρα συστήματα είναι ότι μπορεί να είναι δύσκολο να δημιουργηθούν και να διατηρηθούν. Οι πρώτοι χρήστες έπρεπε να μάθουν εξειδικευμένες γλώσσες προγραμματισμού όπως η Επεξεργασία λίστας (LisP) ή η Prolog. Ορισμένοι προμηθευτές είδαν την ευκαιρία να θέσουν έμπειρα συστήματα στα χέρια λιγότερο έμπειρων ή αρχάριων προγραμματιστών χρησιμοποιώντας προϊόντα όπως το VP-Expert , τα οποία βασίζονται στην προσέγγιση που βασίζεται σε κανόνες . Ωστόσο, αυτά τα προϊόντα παρείχαν γενικά εξαιρετικά περιορισμένη λειτουργικότητα στη χρήση μικρών βάσεων γνώσης.

Στη δεκαετία του 1990, η φράση expert system άρχισε να εξαφανίζεται. Η ιδέα ότι τα έμπειρα συστήματα ήταν μια αποτυχία εμφανίστηκε, αλλά η πραγματικότητα είναι ότι τα έμπειρα συστήματα ήταν απλά τόσο επιτυχημένα που εδραιώθηκαν στις εφαρμογές που σχεδιάστηκαν να υποστηρίζουν. Χρησιμοποιώντας το παράδειγμα ενός επεξεργαστή κειμένου, κάποτε χρειάστηκε να αγοράσετε μια ξεχωριστή εφαρμογή ελέγχου γραμματικής, όπως το RightWriter . Ωστόσο, οι επεξεργαστές κειμένου έχουν πλέον ενσωματωμένους ελεγκτές γραμματικής επειδή αποδείχθηκαν τόσο χρήσιμοι (αν όχι πάντα ακριβείς).

Ξεπερνώντας τους χειμώνες της τεχνητής νοημοσύνης

Ο όρος AI χειμώνας αναφέρεται σε μια περίοδο μειωμένης χρηματοδότησης για την ανάπτυξη της τεχνητής νοημοσύνης. Σε γενικές γραμμές, η τεχνητή νοημοσύνη ακολούθησε μια πορεία στην οποία οι υποστηρικτές υπερεκτιμούν τι είναι δυνατό, παρακινώντας ανθρώπους που δεν έχουν καθόλου γνώσεις τεχνολογίας, αλλά πολλά χρήματα, να κάνουν επενδύσεις. Ακολουθεί μια περίοδος κριτικής όταν η τεχνητή νοημοσύνη αποτυγχάνει να ανταποκριθεί στις προσδοκίες και, τελικά, εμφανίζεται η μείωση της χρηματοδότησης. Αρκετοί από αυτούς τους κύκλους έχουν συμβεί όλα αυτά τα χρόνια — όλοι τους καταστροφικοί για την πραγματική πρόοδο.

Η τεχνητή νοημοσύνη βρίσκεται αυτή τη στιγμή σε μια νέα φάση δημοσιότητας λόγω της μηχανικής εκμάθησης, μιας τεχνολογίας που βοηθά τους υπολογιστές να μαθαίνουν από δεδομένα. Το να έχεις έναν υπολογιστή να μαθαίνει από δεδομένα σημαίνει ότι δεν εξαρτάται από έναν άνθρωπο προγραμματιστή για να ορίζει λειτουργίες (καθήκοντα), αλλά μάλλον να τις αντλεί απευθείας από παραδείγματα που δείχνουν πώς πρέπει να συμπεριφέρεται ο υπολογιστής. Είναι σαν να εκπαιδεύεις ένα μωρό δείχνοντάς του πώς να συμπεριφέρεται μέσω του παραδείγματος. Η μηχανική μάθηση έχει παγίδες επειδή ο υπολογιστής μπορεί να μάθει πώς να κάνει τα πράγματα λανθασμένα μέσω της απρόσεκτης διδασκαλίας.

Πέντε φυλές επιστημόνων εργάζονται σε αλγόριθμους μηχανικής μάθησης, ο καθένας από διαφορετική οπτική γωνία (δείτε την ενότητα «Αποφυγή AI Hype», αργότερα σε αυτό το κεφάλαιο, για λεπτομέρειες). Αυτή τη στιγμή, η πιο επιτυχημένη λύση είναι η βαθιά μάθηση, η οποία είναι μια τεχνολογία που προσπαθεί να μιμηθεί τον ανθρώπινο εγκέφαλο. Η βαθιά μάθηση είναι δυνατή λόγω της διαθεσιμότητας ισχυρών υπολογιστών, εξυπνότερων αλγορίθμων, μεγάλων συνόλων δεδομένων που παράγονται από την ψηφιοποίηση της κοινωνίας μας και τεράστιων επενδύσεων από επιχειρήσεις όπως η Google, το Facebook, η Amazon και άλλες που εκμεταλλεύονται αυτή την αναγέννηση της τεχνητής νοημοσύνης για τη δική τους. επιχειρήσεις.

Οι άνθρωποι λένε ότι ο χειμώνας της τεχνητής νοημοσύνης τελείωσε λόγω βαθιάς μάθησης, και αυτό ισχύει προς το παρόν. Ωστόσο, όταν κοιτάξετε τριγύρω τους τρόπους με τους οποίους οι άνθρωποι βλέπουν την τεχνητή νοημοσύνη, μπορείτε εύκολα να καταλάβετε ότι μια άλλη φάση κριτικής θα συμβεί τελικά, εκτός εάν οι υποστηρικτές μειώσουν τη ρητορική.