Building AI er komplisert, men forståelse det trenger ikke å være. De fleste eksisterende kunstige intelligenser er bare veldig gode gjetningsmaskiner (som våre hjerner). Du mater i en haug med data (for eksempel tallene 1-10) og be det om å lage en modell (x + 1, startende med 0) og foreta en prediksjon. (Det neste nummeret er elleve.) Det er ingen magi, annet enn hva mennesker gjør hver dag: bruker det vi vet for å gjøre gjetninger om ting vi ikke vet.

Hva skiller AI fra andre dataprogrammer er at vi ikke trenger å programmere det spesielt for alle scenarier. Vi kan lære det ting (maskinlæring), og det kan også lære seg selv (dyp læring). Mens det er flere varianter av hver, kan de være bredt definert som følger:

  • Artificial Intelligence (AI): En maskin som kan etterligne menneskelig atferd
  • Maskinlæring: En delmengde av AI hvor folk trener maskiner for å gjenkjenne mønstre i data og foreta spådommer
  • Dyplæring: En delmengde maskinlæring hvor maskinen kan trene seg selv

Kunstig intelligens

Den bredest mulige definisjonen av AI er ganske enkelt at det er en maskin som synes som et menneske. Det kan være så enkelt som å følge et logisk flytskjema, eller det kan være en nesten menneskelig datamaskin som kan lære av et bredt spekter av sensoriske innganger og bruke den kunnskapen til nye situasjoner. Den siste delen er nøkkelen - den sterke AI som alle forestiller seg, er en som kan koble alle slags lærte datapunkter for å gjøre det mulig å håndtere nesten alle situasjoner.

Ai er fortsatt på ganske smalt spor - Alexa er en fantastisk butler, men hun kan ikke passere et Turing-test. Vi har for tiden en begrenset form for AI, men det er godt å huske at definisjonen er så bred at det til slutt kan dekke programmer som gjør DeepMind til å ligne en kalkulator.

Maskinlæring

Uten maskinlæring vil eksisterende AI for det meste være begrenset til å løpe gjennom lange lister over "hvis x er sant, gjør det ellers, gjør z." Denne innovasjonen gir imidlertid datamaskiner kraften til å finne ut uten å være eksplisitt programmert. Som et eksempel på en type maskinlæring, la oss si at du vil at et program skal kunne identifisere katter i bilder:

  1. Gi din AI et sett med kattegenskaper for å søke etter - individuelle linjer, større former, fargemønstre, etc.
  2. Kjør noen bilder gjennom AI - noen eller alle kan være merket "cat", slik at maskinen kan mer effektivt velge ut aktuelle kattegenskaper.
  3. Etter at programmet har sett nok katter, bør det vite hvordan man finner et i et bilde - "Hvis bildet inneholder funksjonen X, Y og / eller Z, er det 95% sannsynlig at det kommer en katt."

Så komplisert som maskinlæringslyder, kan det kokes ned til følgende: "Mennesker forteller datamaskiner hva de skal se etter, og datamaskiner forfinner disse kriteriene til de har en modell." Det er ganske enkelt, ekstremt nyttig, og det filtrerer spam, anbefaler de neste Netflix-programmene dine, og justerer ditt Facebook-feed. Prøv Googles lærbare maskin for en rask hands-on demonstrasjon!

Deep Learning

Fra 2018 er dette AI-kanten. Tenk på det som maskinlæring med dype "neurale nettverk" som behandler data på omtrent samme måte som en menneskelig hjerne. Hovedforskjellen fra forgjengeren er at mennesker ikke trenger å lære et dypt læringsprogram hva slags katter ser ut. Bare gi det nok bilder av katter, og det vil finne ut det selv:

  1. Input mange katt bilder.
  2. Algoritmen vil inspisere bildene for å se hvilke funksjoner de har til felles (hint: det er katter).
  3. Hvert bilde blir dekonstruert i flere detaljer, fra store, generelle former til små, små linjer. Hvis en form eller linje gjentar seg mye, vil algoritmen markere det som en viktig egenskap.
  4. Etter å ha analysert nok bilder, vet algoritmen nå hvilke mønstre som gir det sterkeste bevis på katter, og alle mennesker måtte gjøre var å gi de rå dataene.

For å oppsummere: dyp læring er maskinlæring hvor maskinen trener seg selv om det er langt utover bare katter - neurale nettverk kan nå nøyaktig beskrive alt i et bilde.

Dyp læring krever mye mer opprinnelig data og datakraft enn maskinlæring, men det begynner å bli distribuert av bedrifter fra Facebook til Amazon. Den mest beryktede manifestasjonen av maskinlæring er imidlertid AlphaGo, en datamaskin som spilte Go-spill mot seg selv, til den nøyaktig kunne forutsi de beste trekkene godt nok til å slå flere verdensmestere flere ganger.

Konklusjon: AI = Apokalyptisk Intelligens?

Hollywood er ansvarlig for mye dårlig vitenskap, men når det gjelder AI, er sannhet og fiksjon potensielt ikke så langt fra hverandre. Det er ikke utænkelig at en robot kan ta over en romstasjon (2001: A Space Odyssey), få ​​deg til å bli forelsket (Hennes), eller oppføre seg akkurat som et menneske (Blade Runner, Ex Machina).

Det gjør det ikke en dårlig innsats, skjønt. AI kunne akselerere menneskelig fremgang raskere enn nesten alt før det. Og selv om det kan virke kynisk, er virkeligheten at hvis ansvarlige forskere holder seg borte fra AI på grunn av potensialet til å gå galt, vil det trolig bli utviklet uansett av personer med færre sikkerhetsproblemer. Vi har tatt datamaskiner fra brikker til Go, og de neste trinnene kan ta menneskeheten til noen interessante steder.