Historien om kunstig intelligens

Ønsket om å lage intelligente maskiner (eller, i gamle tider, idoler) er like gammelt som mennesker. Ønsket om å ikke være alene i universet, å ha noe å kommunisere med uten inkonsekvensene til andre mennesker, er sterkt. Den følgende diskusjonen gir en kort, relevant oversikt over historien til moderne AI-forsøk.

Starter med symbolsk logikk hos Dartmouth

De tidligste datamaskinene var nettopp det: dataenheter. De etterlignet den menneskelige evnen til å manipulere symboler for å utføre grunnleggende matematiske oppgaver, for eksempel addisjon. Logisk resonnement la senere til muligheten til å utføre matematisk resonnement gjennom sammenligninger (som å bestemme om en verdi er større enn en annen verdi). Imidlertid trengte mennesker fortsatt å definere algoritmen som ble brukt til å utføre beregningen, gi de nødvendige dataene i riktig format og deretter tolke resultatet. I løpet av sommeren 1956 deltok forskjellige forskere på en workshop holdt på Dartmouth College campus for å gjøre noe mer. De spådde at maskiner som kunne resonnere like effektivt som mennesker ville kreve, på det meste, en generasjon å komme til. De tok feil.

Det uttalte problemet med Dartmouth College og andre bestrebelser på den tiden er relatert til maskinvare - prosesseringsevnen til å utføre beregninger raskt nok til å lage en simulering. Men det er egentlig ikke hele problemet. Ja, maskinvare er med på bildet, men du kan ikke simulere prosesser du ikke forstår. Likevel er grunnen til at AI er noe effektiv i dag at maskinvaren endelig har blitt kraftig nok til å støtte det nødvendige antallet beregninger.

Det største problemet med disse tidlige forsøkene (og fortsatt et betydelig problem i dag) er at vi ikke forstår hvordan mennesker resonnerer godt nok til å lage en simulering av noe slag - forutsatt at en retningssimulering til og med er mulig. Vurder igjen problemene rundt bemannet flyging beskrevet tidligere i kapittelet. Wright-brødrene lyktes ikke ved å simulere fugler, men snarere ved å forstå prosessene som fugler bruker, og skapte derved feltet aerodynamikk. Følgelig, når noen sier at den neste store AI-innovasjonen er rett rundt hjørnet og likevel ingen konkret avhandling om de involverte prosessene eksisterer, er innovasjonen alt annet enn rett rundt hjørnet.

Fortsetter med ekspertsystemer

Ekspertsystemer dukket først opp på 1970-tallet og igjen på 1980-tallet som et forsøk på å redusere beregningskravene som stilles til AI ved å bruke kunnskapen til eksperter. En rekke ekspertsystemrepresentasjoner dukket opp, inkludert regelbasert (som bruker if...then-setninger for å basere beslutninger på tommelfingerregler), rammebasert (som bruker databaser organisert i relaterte hierarkier av generisk informasjon kalt rammer), og logikkbasert (som er avhengig av på settteori for å etablere relasjoner). Fremkomsten av ekspertsystemer er viktig fordi de presenterer de første virkelig nyttige og vellykkede implementeringene av AI.

Du ser fortsatt ekspertsystemer i bruk i dag (selv om de ikke heter det lenger). For eksempel er stave- og grammatikkkontrollene i applikasjonen din slags ekspertsystemer. Spesielt grammatikkkontrollen er sterkt regelbasert. Det lønner seg å se seg rundt for å se andre steder hvor ekspertsystemer fortsatt kan se praktisk bruk i hverdagsapplikasjoner.

Et problem med ekspertsystemer er at de kan være vanskelige å lage og vedlikeholde. Tidlige brukere måtte lære spesialiserte programmeringsspråk som List Processing (LisP) eller Prolog. Noen leverandører så en mulighet til å legge ekspertsystemer i hendene på mindre erfarne eller nybegynnere programmerere ved å bruke produkter som VP-Expert , som er avhengig av den regelbaserte tilnærmingen . Imidlertid ga disse produktene generelt ekstremt begrenset funksjonalitet ved bruk av små kunnskapsbaser.

På 1990-tallet, uttrykket ekspert system begynte å forsvinne. Ideen om at ekspertsystemer var en fiasko dukket opp, men realiteten er at ekspertsystemer rett og slett var så vellykkede at de ble inngrodd i applikasjonene de var designet for å støtte. Ved å bruke eksemplet med en tekstbehandler, måtte du på et tidspunkt kjøpe et eget grammatikkkontrollprogram som RightWriter . Imidlertid har tekstbehandlere nå innebygd grammatikkkontroller fordi de viste seg å være så nyttige (om ikke alltid nøyaktige).

Overvinne AI-vintrene

Begrepet AI vinter refererer til en periode med redusert finansiering i utviklingen av AI. Generelt har AI fulgt en vei der talsmenn overdriver hva som er mulig, og får folk uten teknologikunnskap i det hele tatt, men mye penger, til å gjøre investeringer. En periode med kritikk følger så når AI ikke oppfyller forventningene, og til slutt inntreffer reduksjonen i finansieringen. En rekke av disse syklusene har skjedd i løpet av årene - alle ødeleggende for sann fremgang.

AI er for tiden i en ny hypefase på grunn av maskinlæring, en teknologi som hjelper datamaskiner med å lære av data. Å ha en datamaskin til å lære av data betyr ikke å være avhengig av en menneskelig programmerer for å sette operasjoner (oppgaver), men heller å utlede dem direkte fra eksempler som viser hvordan datamaskinen skal oppføre seg. Det er som å utdanne en baby ved å vise den hvordan den skal oppføre seg gjennom eksempel. Maskinlæring har fallgruver fordi datamaskinen kan lære å gjøre ting feil gjennom uforsiktig undervisning.

Fem stammer av forskere jobber med maskinlæringsalgoritmer, hver fra forskjellige synspunkter (se delen "Unngå AI-hype" senere i dette kapittelet for detaljer). På dette tidspunktet er den mest vellykkede løsningen dyp læring, som er en teknologi som forsøker å etterligne den menneskelige hjernen. Dyplæring er mulig på grunn av tilgjengeligheten av kraftige datamaskiner, smartere algoritmer, store datasett produsert av digitaliseringen av samfunnet vårt, og enorme investeringer fra virksomheter som Google, Facebook, Amazon og andre som drar nytte av denne AI-renessansen for sine egne bedrifter.

Folk sier at AI-vinteren er over på grunn av dyp læring, og det er sant for nå. Men når du ser deg rundt på måtene folk ser på AI, kan du lett finne ut at en annen kritikkfase til slutt vil inntreffe med mindre talsmenn toner retorikken ned.