Ум без тела? Недостающее звено для действительно Интеллектуальных машин. — Код НЛО | UFO code

Заманчиво думать о разуме как о слое, который сидит поверх более примитивных когнитивных структур.

Ум без тела? Недостающее звено для действительно Интеллектуальных машин.

Ум без тела? Недостающее звено для действительно Интеллектуальных машин.

Заманчиво думать о разуме как о слое, который сидит поверх более примитивных когнитивных структур. Мы переживаем себя как сознательные существа, в конце концов, таким образом, который отличается от ритма нашего сердечного ритма или грохота нашего желудка. Если операции мозга можно отделить и расслоить, то, возможно, мы сможем построить нечто похожее только на верхний слой и достигнуть человеческого искусственного интеллекта (AI), минуя беспорядочную плоть, которая характеризует органическую жизнь.

Я понимаю привлекательность этой точки зрения, потому что я стал соучредителем SwiftKey, компании программного обеспечения для прогнозирования, которая была куплена Microsoft. Наша цель - подражать замечательным процессам, посредством которых люди могут понимать и манипулировать языком. Мы добились некоторого достойного прогресса: я очень гордился элегантной новой системой связи, которую мы построили для физика Стивена Хокинга в период с 2012 по 2014 год.

Но, несмотря на обнадеживающие результаты, большую часть времени мне напоминают, что мы нигде не достигаем человекоподобного ИИ. Зачем? Потому что слоистая модель познания ошибочна. Большинство исследователей ИИ в настоящее время не хватает центральной части головоломки: воплощение.

Вещи ошибочно превратились в начало современного ИИ еще в 1950-х годах. Компьютерные ученые решили попытаться подражать сознательным рассуждениям, построив логические системы на основе символов. Метод включает в себя объединение объектов реального мира с цифровыми кодами для создания виртуальных моделей среды, которые затем могут быть спроецированы обратно на мир.

Например, используя символическую логику, вы можете дать указание машине «узнать», что кошка является животным, кодируя определенную часть знаний, используя математическую формулу, такую как «cat> is> animal». Такие формулы могут быть свернуты в более сложные операторы, которые позволяют системе манипулировать и тестировать предложения - например, является ли ваш средний кот такой же большой, как лошадь, или, вероятно, преследует мышь.

Этот метод нашел некоторый ранний успех в простых надуманных средах: в «SHRDLU», виртуальном мире, созданном компьютерным ученым Терри Виноградом в Массачусетском технологическом институте в период между 1968-1970 годами, пользователи могли разговаривать с компьютером, чтобы перемещаться по простым блочным формам, таким как конусы и шары. Но символическая логика оказалась безнадежно неадекватной, когда сталкивалась с реальными проблемами, когда тонко настроенные символы ломались перед лицом двусмысленных определений и бесчисленных оттенков интерпретации.

В последующие десятилетия, когда вычислительная мощность росла, исследователи переключились на использование статистики для извлечения шаблонов из огромного количества данных. Эти методы часто называют «машинным обучением». Вместо того, чтобы пытаться кодировать высокоуровневые знания и логические рассуждения, машинное обучение использует подход снизу вверх, в котором алгоритмы распознают отношения путем повторения задач, таких как классификация визуальных объектов в изображениях или переписывание записанной речи в текст. Такая система может научиться идентифицировать изображения кошек, например, глядя на миллионы фотографий кошек или устанавливать связь между кошками и мышами, основываясь на том, как они относятся ко всем крупным текстам.

В последние годы машинное обучение принесло много потрясающих практических применений. Мы создали системы, которые превосходят нас при распознавании речи, обработке изображений и чтении губ; который может победить нас в шахматах, Опасность! и иди; и которые учатся создавать визуальное искусство, сочинять поп-музыку и писать собственные программы. В какой-то степени эти алгоритмы самообучения имитируют то, что мы знаем о подсознательных процессах органического мозга. Алгоритмы машинного обучения начинаются с простых «функций» (например, отдельных букв или пикселей) и объединяют их в более сложные «категории», принимая во внимание присущую неопределенность и двусмысленность в реальных данных. Это несколько похоже на визуальную кору, которая получает электрические сигналы от глаза и интерпретирует их как идентифицируемые образцы и объекты.

Но алгоритмы далеко не способны мыслить как мы. Самое большое различие заключается в нашей развитой биологии и как эта биология обрабатывает информацию. Люди состоят из триллионов эукариотических клеток, которые впервые появились в летописи окаменелостей около 2,5 миллиардов лет назад. Человеческая клетка - замечательная часть сетевого оборудования, которая имеет примерно такое же количество компонентов, как современный гигантский реактивный самолет, все из которого возникло из давней, врожденной встречи с природным миром. В Basin and Range (1981) писатель Джон Макфи заметил, что если вы стоите вытянутыми руками, чтобы представить всю историю Земли, сложные организмы начали развиваться только на дальнем запястье, а «одним ударом со средой вы можете уничтожить человеческую историю ».

Традиционный взгляд на эволюцию предполагает, что наша клеточная сложность возникла из ранних эукариот посредством случайной генетической мутации и отбора. Но в 2005 году биолог Джеймс Шапиро из Чикагского университета изложил радикальное новое повествование. Он утверждал, что эукариотические клетки работают «разумно», чтобы адаптировать организм-хозяин к окружающей среде, манипулируя собственной ДНК в ответ на экологические стимулы. Недавние микробиологические данные придают вес этой идее. Например, иммунная система млекопитающих имеет тенденцию к дублированию последовательностей ДНК, чтобы генерировать эффективные антитела для борьбы с болезнью, и теперь мы знаем, что по меньшей мере 43 процента генома человека состоит из ДНК, которая может быть перемещена из одного место в другое, посредством процесса естественной «генной инженерии».

Теперь, это - некоторый прыжок, чтобы пойти от умных, самоорганизующихся клеток к мозговому виду разведки, который касается нас здесь. Но дело в том, что задолго до того, как мы были сознательными, мыслящими существами, наши камеры читали данные из окружающей среды и работали вместе, чтобы превратить нас в надежных, самодостаточных агентов. То, что мы воспринимаем как интеллект, - это не просто использование символов для представления мира, как объективно. Скорее, у нас есть только мир, как он нам открывается, который уходит своими эволюционированными, воплощенными потребностями как организмом. Природа »построила аппарат рациональности не только над аппаратом биологической регуляции, но также и от него и с ним», написал нейробиолог Антонио Дамасио в «Ошибке Декарта» (1994), его основополагающую книгу о познании. Другими словами, мы думаем всем своим телом, а не только с мозгом.

Я подозреваю, что этот основной императив телесной выживаемости в неопределенном мире является основой гибкости и силы человеческого интеллекта. Но немногие исследователи ИИ действительно восприняли последствия этих прозрений. Мотивирующим приводом большинства алгоритмов AI является вывод паттернов из обширных наборов учебных данных, поэтому для распознавания кошек может потребоваться миллионы или даже миллиарды отдельных фотографий кошек.

Напротив, благодаря нашим потребностям как организму люди несут с собой необычайно богатые модели тела в его более широкой среде. Мы опираемся на опыт и ожидания, чтобы предсказать вероятные результаты из относительно небольшого числа наблюдаемых образцов. Поэтому, когда человек думает о кошке, она, вероятно, может представить себе, как она движется, слышать звук мурлыкания, ощущать нависшую царапину от обнаженного коготь. У нее есть богатый запас сенсорной информации, чтобы понять идею «кошки» и другие связанные с ней концепции, которые могут помочь ей взаимодействовать с таким существом.

Это означает, что когда человек подходит к новой проблеме, большая часть тяжелой работы уже выполнена. Посредством того, что мы только начинаем понимать, наше тело и мозг, с клеточного уровня вверх, уже создали модель мира, которую мы можем применить практически сразу к множеству проблем.

Но для алгоритма AI процесс начинается с нуля каждый раз. Существует активная и важная линия исследований, известная как «индуктивная передача», ориентированная на использование предшествующих знаний, полученных машиной, для информирования новых решений. Однако, как обстоят дела, сомнительно, сможет ли этот подход захватить что угодно, как богатство наших собственных телесных моделей.

В тот же день, когда SwiftKey обнародовал новую систему связи Hawking в 2014 году, он дал интервью BBC, в котором он предупредил, что интеллектуальные машины могут положить конец человечеству. Вы можете себе представить, какая история оказалась доминирующей в заголовках. Я согласен с Хокингом, что мы должны серьезно относиться к рискам изгоев AI.

Но я считаю, что нам все еще очень не нужно беспокоиться о чем-либо, приближающемся к человеческому интеллекту, - и мы мало надеемся на достижение этой цели, если мы не будем осторожно думать о том, как давать алгоритмы своего рода долгосрочным, воплощенным отношениям со своей средой.

Источник

Нравится
Не нравится
RSS
Нет комментариев. Ваш будет первым!

Другие новости

Подводные НЛО

Как будто понимая свое превосходство, загадочный объект даже не пытался скрыться и крутился около военных

Лекарь из иного мира

Туманная фигура слегка покачнулась в дверях, и из её горящих глаз ударили в Бориса два луча света." Конец сентября 1991 года. Самое начало бабьего лета. Город Батайск Ростовской области. Семь часов вечера.

Авторизация

Поделиться ...