Što je zapravo AI?

Kulturni i praktični uvod za dizajnere

Ovo je prvo poglavlje Elementa AI-jeve serije Osnivanja o AI-prvom dizajnu (AI1D). Svako poglavlje ima za cilj definirati sastavne dijelove AI1D kako bi se stvorio zajednički jezik s kojim će se istraživati ​​ovo novo razdoblje dizajna. Uvod u seriju možete pročitati ovdje i prijaviti se za daljnje poglavlje ovdje.

Kao dizajner, zašto biste trebali biti u stanju razumjeti umjetnu inteligenciju? U zadnje je vrijeme toliko toliko zabranjen u medijskim i tehnološkim krugovima, vrsta kataloške zbirke koja bi mogla opisati bilo što od virtualnih osobnih asistenata, robota, znanstvenih fantastičnih likova ili najnovijeg algoritma dubokog učenja. Možda radite u AI i imate nijansirano razumijevanje tih različitih polja ili možda jednostavno mislite da će na vaš rad na neki način utjecati AI u narednim godinama, ali niste sasvim sigurni kako.

Imajući to u vidu, dobrodošli u prvo poglavlje naše AI-First Design Foundation Foundation serije u kojem želimo usmjeriti jezik umjetne inteligencije i razgovarati o njezinim mnogim definicijama. Pri tome se nadamo da ćemo se baviti idejom umjetne inteligencije danas na temelju čega možemo odgovoriti: Što je AI-First Design?

Ovo je poglavlje posvećeno ispitivanju trenutnog krajolika AI i kretanju raznim definicijama koje je AI vidio od kada je pojam prvi put uveden. Pregledat ćemo povijest AI, istražujući vrhunce i padove u popularnosti te ćemo istaknuti glavne prekretnice od nedavnog porasta uspjeha AI. Konačno ćemo istražiti AI-ove mnoge definicije i neke od izazova s ​​kojima se susrećemo u pronalaženju one s kojom se svi mogu složiti. Glave gore: na duljoj je strani, zato se udobno preskočite, prijeđite na odjeljak koji bi vas mogao više zanimati ili samo pročitajte ovu super kratku verziju u nastavku.

TL DR

Umjesto da započnemo ispitivanje AI pedesetih godina prošlog vijeka, naša vremenska crta počinje mnogo ranije, u Homerovoj Ilijadi, kada smo već tražili da statue i bogove uvučemo u ljudske kvalitete. Puno toga se dogodilo od tada! Danas smo dostigli vrhunski napredak u pogledu AI-jeve naprednosti, financiranja i entuzijazma, mada još uvijek postoji veliki jaz između očekivanja znanstvene fantastike i stvarnosti onoga što se strojevima može postići. AI je još uvijek vrlo daleko od dostizanja opće inteligencije nalik ljudskoj, ali postaje sve bolji i bolji u izvršavanju usko definiranih zadataka. Evo glavnih komponenti kako danas definiramo AI i zašto je to vama dizajneru važno:

  1. U velikoj se mjeri temelji na podacima.
    Nedavni napredak u AI ne bi bio moguć bez ogromnih količina podataka koje su prikupili svi naši povezani uređaji i mogućnosti njihove pohrane.
  2. Uzak je i vrlo fokusiran.
    AI je vrlo dobar u pronalaženju obrazaca u podacima i izvršavanju određenih zadataka koje smo definirali, ali ne generira se vrlo dobro izvan unaprijed zadanih parametara.
  3. Nije zabrinut ishodom svojih izračuna.
    Za razliku od urođenog nereda ljudskog odlučivanja, na sposobnost AI da donosi odluke ne utječu vanjski motivi niti koliko spavanja sinoć, već je isključivo usredotočena na zadaću koja je u tijeku. Kako se ne zna dobro od lošeg, nastavljaju se bilo kakve pristranosti u podacima.
  4. AI sposobnosti su naučene, a ne programirane.
    AI se može iterativno poboljšati - bez da se programira svaki korak puta, može učiti iz svojih iskustava i poboljšati se u donošenju budućih predviđanja i odluka, rezultirajući sve sofisticiranijim sposobnostima.
  5. To je pojam koji se razvija.
    AI različito definiraju različite zajednice i njegova će se definicija nastaviti mijenjati s budućim napretkom u tehnologiji.

Znajući to, vjerujemo da će AI imati ogroman utjecaj na polje dizajna kakav znamo. Kako počinje utjecati na dizajn svih tvrtki, proizvoda, usluga i (korisničkih) iskustava, važno je da temeljno razumijemo što radimo i odlučimo na koji način iskoristiti njegov potencijal.

Još uvijek radoznali? Ima toga više!

Uspone i padovi AI kroz vrijeme

Prethodnici: želja krivotvorenja bogova

Iako obično zamislimo nešto futurističko kada pomislimo na AI, pojam postoji već stoljećima. Na primjer, oko 750. godine prije Krista u Homerovoj Iliadi, na primjer, osakaćeni Hefest stvorio je automate kako bi mu pomogao da se oko njega:

To su zlatne boje, a po izgledu poput žive mlade žene. U njihovim je srcima inteligencija, u njima je govor i snaga, a od besmrtnih bogova naučili su ih kako raditi.

U svojoj knjizi Strojevi koji misle, Pamela McCorduck opisuje mnoštvo drugih stvorenja koja je Hefest stvorio za razne zadatke, od kojih je barem jedno zasigurno poznato, osim ako grozna prijeti: Pandora i njezina sramotna kutija.

Mehaniziranje misli

Iza ovih primjera u fikciji, postojali su važni pomaci u rasuđivanju i logici u antici što je dovelo do našeg trenutnog kodificiranog jezika kao osnove za sve računarstvo. Umjetna inteligencija u svojoj suštini pretpostavlja da se misao može mehanizirati i reproducirati. Aristotel je bio jedan od prvih koji je pionir organizirao misli u logičke argumente u razvoju silogizma, koji često poprima troredni oblik, kao što su:

Svi su ljudi smrtni.
Sokrat je čovjek.
Stoga je Sokrat smrtan.

Perzijski matematičar Muhammad ibn Musa al-Khwarizmi, također poznat po latiniranom imenu Algoritmi (od kojeg smo dobili algoritam riječi), također je ključna figura u mnogim pojmovima koje danas u AI shvaćamo zdravo za gotovo. Riječ algebra, na primjer, potječe od "al-jabr", jedne od dviju operacija koje je koristio za rješavanje kvadratnih jednadžbi. Daljnji napredak matematičara i filozofa, poput Gottfrieda Wilhelma Leibniz-a, Thomasa Hobbesa, Renéja Descartesa tijekom 17. stoljeća, gradio je na tim temeljima, sa ciljem da misao postane sustavna poput algebre ili geometrije.

Iako je u sljedećim stoljećima bilo mnogo drugih matematičkih napretka koji su pridonijeli modernoj umjetnoj inteligenciji, engleska matematičarka iz 19. stoljeća Ada Lovelace ističe se svojim kreativnim pristupima i revolucionarnim radom u računanju. Bila je prva koja je sugerirala da je mehanički računalni uređaj Charlesa Babbagea, analitički motor, možda nemoguće izračunati, a nastavila je s izradom svog prvog algoritma, čime je stekla titulu prvog svjetskog računalnog programera.

Rođenje umjetne inteligencije

Iako smo vidjeli napredak u računanju tijekom ranog 20. stoljeća, umjetna inteligencija doista je započela pedesetih godina prošlog stoljeća, konferencijom na Dartmouth Collegeu 1956. godine na kojoj je bilo navedeno da se sve učenje i inteligencija mogu opisati dovoljno precizno da bi ih simulirao stroj. Ovdje je prvi put uveden izraz "umjetna inteligencija" koji se odnosi na "simulaciju ljudske inteligencije pomoću strojeva". Razmišljajući o radionici u Dartmouthu 50 godina kasnije, jedan od organizatora John McCarthy je razmišljao: „Ja bih pomislio da bi radionica bila poznata po rezultatima koje je dala. Zapravo je postala poznata u značajnoj mjeri samo zato što je popularizirala pojam "umjetna inteligencija". "

Druga glavna AI prekretnica iz 50-ih koja vam je možda poznata je poznati "Turingov test". Populariziran nastupom Benedikta Cumberbacha u igri Imitation, britanski informatičar Alan Turing sugerirao je da ako stroj može obaviti razgovor koji se ne može razlikovati od razgovora s čovjekom, tada bi "stroj razmišljanja" bio uvjerljiv. Drugim riječima, računalo bi bilo inteligentno samo ako bi moglo zavarati čovjeka da misli da je čovjek.

Ono što je uslijedilo od sredine pedesetih tijekom ranih 70-ih, nazivalo se AI-jevim zlatnim godinama, s ogromnim napretkom u računalstvu i porastom entuzijazma i vladinog financiranja. Naime, Marvin Minsky zadržao je zamah iz radionice u Dartmouthu kada je 1959. godine suosnivao AI laboratoriju Massachusetts Institute of Technology i nastavio voditi teren tijekom 60-ih i 70-ih. Gaming se također počeo otkrivati ​​kao idealno sredstvo za razvoj i testiranje računalne inteligencije, s tim da je IBM razvio program koji bi mogao igrati damere 1951. godine. 60-ih je nastao algoritam „najbližeg susjeda“ u pokušaju da riješi „putujućeg prodavača“ problem ":" S obzirom na popis gradova i udaljenosti između svakog para gradova, koja je najkraća moguća ruta koja svaki grad posjeti točno jednom i vrati se u izvorni grad? "Rezultirajući algoritam formirao je početke prepoznavanja osnovnog uzorka.

Međutim, 1969. godine Marvin Minsky i Seymour Papert objavili su knjigu Perceptrons, koja je raspravljala o ograničenjima postojeće tehnologije neuronske mreže, i možda je bila predvodnik „AI zime“ u sljedećim godinama.

AI zime u 70-ima i 80-ima

Uz tako uspješnu vožnju od 50-ih do 70-ih, podstaknuta ne samo znanstvenim napretkom, već i povišenim očekivanjima javnosti njegovana znanstvenom fantastikom poput Stanley Kubrickove svemirske odiseje iz 2001., ili Isaaca Asimova, Robot, sudarački kurs s ograničenjima AI-ja bila je neizbježna.

U suštini, kad računala nisu mogla ispuniti nerealno velika očekivanja, financiranje i entuzijazam su presušili, što je dovelo do rastavljanja AI laboratorija širom svijeta. Iako je od 1980. do 1987. godine došlo do kratkog drugog vjetra s velikim ulaganjima iz Japana, ovaj bum bio je kratkotrajan i poticao ga je druga AI zima od 1987. do 1993.

Roger Schank i Marvin Minsky, vodeći istraživači AI koji su preživjeli prvu zimu 1970-ih, upozorili su poslovnu zajednicu da je "entuzijazam za AI istrgnuo iz kontrole u 80-ima i da će razočaranje sigurno uslijediti". Ti vrhovi i doline u AI entuzijazam se nastavlja i danas. Iako je bilo nekoliko nepopularnih upotreba AI posljednjih godina, poput upotrebe AI američke vojske za identificiranje prijateljskih ili neprijateljskih tenkova ili u novije vrijeme Microsoftov Tay chatbot koji je na Twitteru prošle godine brzo pokazao rasistička i antisemitska ponašanja, općenito govoreći, mogli biste reći da smo danas na visokom nivou u smislu napretka u AI, financiranja i entuzijazma.

AI Pejzaž danas - Zašto tako vruće?

Popularno sredstvo za mjerenje tehnološkog hipeta je Gartner-ov ciklus hipera koji ove godine sadrži duboko učenje i strojno učenje na vrhuncu. Iako se često smatra više pokazateljem medijske pokrivenosti nego znanstvenog istraživanja, postoje neki opravdano uzbudljivi pomaci koji su doveli do trenutne popularnosti AI-ja. Dakle, je li to zapravo, hype? Ne baš. Ispitajmo neke glavne AI prekretnice u posljednjih šest godina ili na taj način što su pridonijele našoj trenutnoj opsesiji.

Najnovije AI prekretnice

  • 2011 .: predstavljen je Appleov Siri, koristeći pomalo prirodni jezik za odgovaranje na pitanja, davanje preporuka i izvršavanje jednostavnih radnji ili, ako to ne uspijete, potražite na internetu.
  • 2012: Konvolucionarne neuronske mreže (ukratko CNN-ovi) uništavaju konkurenciju u klasifikaciji ImageNet - a.k.a. „godišnja olimpijska igra računalnog vida“ - stvarajući groznicu u zajednici i pokrećući ogroman porast interesa za duboko učenje.
  • Google trenira neuronsku mrežu kako bi uspješno prepoznao mačke u YouTube videozapisima koristeći algoritam dubokog učenja, premda nisu dobiveni podaci o razlikovanju osobina slatkih mačaka.
  • 2013: NEIL, zabavno nazvan Never Ending Image Learner, objavljen je na Sveučilištu Carnegie Mellon kako bi neprestano uspoređivao i analizirao odnose između različitih slika, s ciljem da nauči o tako poželjnom, a opet neuhvatljivom ljudskom sposobnosti zdravog razuma.
  • 2015: Facebook počinje izvesti DeepFace, sustav dubokog učenja za prepoznavanje lica koji je obučen na četiri milijuna slika koje su prenijeli korisnici Facebooka. Može prepoznati lica s 97,35% točnosti, što je poboljšanje za više od 27% u odnosu na prethodne sustave.
  • 2015: Deep Q Networks od DeepMind uče igrati Atari igre, što označava rano učenje dubokog pojačanja.
  • 2015–17: AlphaGo Google DeepMind pobijedio su prvaci Fan Hui, Lee Sedol i Ke Jie, igrač svjetske rang liste broj 1.
  • 2015: Google DeepDream svakoga pita da li strojevi mogu stvarati umjetnost, generirajući trostruke slike pomoću konvolucijske neuronske mreže, softver dizajniran za otkrivanje lica i drugih obrazaca u slikama s ciljem automatskog razvrstavanja slika.
  • 2015-danas: Umjetnik Ross Goodwin istražuje nove oblike pripovijedane stvarnosti pomoću strojnog učenja svojim pjesničkim „automatskim fotografijama“ pripovjedač riječi Word i programirao je istoimeno AI „Benjamin“ kako bi napisao scenarij za film u kojem glumi David Hasselhoff.
  • 2015-danas: u dom se uvodi niz AI-evih osobnih asistenata, Apple-ov Siri se sada bori s Microsoftovom Cortanom, Amazonovom Alexa i Google Nowom za vašu pažnju.
  • 2017: Libratus, koji su dizajnirali profesor Carnegie Mellon Tuomas Sandholm i njegov student Noam Brown, pobijedili su protiv četvorice najboljih igrača u složenoj verziji pokera - Texas Hold´em.
  • 2017: Googleov Deepmind i tvorci multiplayer svemirske video igre StarCraft II objavili su alate koji omogućuju istraživačima AI-a da stvaraju robota sposobna za nadmetanje protiv ljudi. Robovi još nisu pobijedili i ne očekuje se još neko vrijeme, ali kad to učine, to će biti puno veće postignuće od pobjede na Go-u.

Napredak u strojnom učenju i dubokom učenju

Gdje žive AI praktičari

Sve ove prekretnice ne bi bile moguće bez značajnog napretka u najuzbudljivijim područjima umjetne inteligencije u posljednjem desetljeću: strojnom učenju i dubokom učenju. Iako ovi izrazi zvuče slično, nisu sasvim isti. Razjasnimo.

Počevši od kraja 90-ih i početkom 2000-ih, povećane mogućnosti pohrane i obrade računala znače da bi AI sustavi napokon mogli imati dovoljno podataka i iskoristiti dovoljno snage za rješavanje složenijih procesa. Istovremeno, eksplozija u korištenju interneta i povezivanju stvorila je sve veću količinu podataka, poput slika, teksta, karata ili podataka o transakcijama koji se mogu koristiti za obučavanje strojeva.

Umjesto nekadašnjeg programskog sustava pravila "ako-tad" i kompliciranih simboličkih logičkih postupaka koji zahtijevaju tisuće redaka koda za vođenje osnovnog odlučivanja kao u dobroj staromodnoj umjetnoj inteligenciji ili GOFAI, strojno učenje djeluje unatrag. Koristeći ogromne skupove podataka, algoritmi se iterativno uče, tražeći obrasce da bi imali smisla za buduće podatke. Strojno učenje lijepo je sažeo pionir strojnog učenja Arthur Samuel, koji ga je još davne 1959. godine opisao kao „polje učenja koje računalima daje mogućnost učenja bez eksplicitnog programiranja.“ Strojno učenje koristi se za rješavanje širokog spektra pitanja danas, poput identificiranja stanica raka, predviđanja filma koji biste mogli gledati sljedeće, razumijevanja svih vrsta govornog jezika ili određivanja tržišne vrijednosti vaše kuće.

Koje su stanice raka na ovoj slici? AI bi mogao otkriti brže od liječnika. Slika: Gabriel Caponetti u popularnoj znanosti.

Nedavni napredak u strojnom učenju uglavnom je posljedica rasta dubokog učenja - potpolja strojnog učenja. Duboko učenje posuđuje se od strukture mozga povezivanjem puno jednostavnih "neurona" poput struktura koje čine zanimljive stvari u neurološkoj mreži. Slaganjem mnogih slojeva ovih umjetnih neurona zajedno (otuda "duboko") mreža kao cjelina može naučiti obavljati složene zadatke. Zanimljivo je da neuroni u tim slojevima često završavaju obavljajući određene uloge, poput prepoznavanja rubova ili obrisa određenog objekta. Jedinstvena snaga dubokog učenja je da se ovi pod zadaci - često poznati kao "značajke" - uče izravno iz podataka, a ne da ih programiraju. To omogućava duboko učenje rješavanja problema tamo gdje rješenja nisu očigledna ljudima.

Uzmimo primjer iz stvarnog života: prepoznavanje stanica raka. Klasičan AI pristup oslanjao bi se na ljudskog stručnjaka koji pokušava destilirati vlastiti postupak odlučivanja i zatim ga kodificirati u algoritam. Na primjer, možemo označiti ćelije veće od određene veličine ili nejasne konture ili osebujnog oblika. Dubokim učenjem, međutim, možemo izravno hraniti slike označenih ćelija kako bismo naznačili da li su karcinomi ili ne, a naša će neuronska mreža naučiti odabrati najkorisnije značajke slike za ovaj određeni zadatak. Ovo je klasičan primjer "nadziranog učenja": dajemo neke ulaze i neke željene izlaze, a algoritam uči preslikavati od jednog do drugog.

Također možemo u potpunosti ukloniti naljepnice i tražiti algoritam da grupira stanice koje imaju nešto zajedničko. Ovaj proces je poznat kao grupiranje i vrsta je nenadziranog učenja. Ovdje ne pružamo nadzor u obliku naljepnica, jednostavno koristimo duboko učenje kako bismo pronašli strukturu podataka. U našem primjeru možda su naše stanice mnogo različitih tipova - stanice kože, stanice jetre i mišićne stanice - pa bi bilo korisno da ih grupirate prije nego što pokušate ustanoviti koje stanice u svakom klasteru su karcinomi. Ostale uobičajene aplikacije za grupiranje uključuju prepoznavanje različitih lica na vašim fotografijama, razumijevanje različitih vrsta kupaca i kombiniranje vijesti o istoj temi.

Ne vjerujte hiperu: AI Mitovi protiv Realnosti

Dakle, sa svim tim brzim napretkom AI posljednjih godina, mogli biste pomisliti da se svi pitamo oko toga? Pa, ne svi. Kao i prvih zlatnih godina AI u 50-im i 60-ima, još uvijek postoji širok jaz između naših očekivanja o AI temeljenih na prikazima u znanstvenoj fantastici i medijima i onoga što je AI zapravo sposoban danas. (Da ne spominjemo rašireni strah od poremećaja, brige o privatnosti ili gubitka posla koji su povezani s ovim predviđanjima.)

Drugi način okvira ove rasprave je razlika između "uske" i "opće" umjetne inteligencije. Većina dosad najvećih uspjeha AI-ja ostvarena je u „uskoj“ umjetnoj inteligenciji, tj. Izvršavanju određenog zadatka unutar strogih parametara, poput Siri-a koji upiše diktirano tekstualnu poruku za vas ili prepoznavanja mačke na slici. U uskom AI ne postoji pojam samosvijesti ili općih vještina rješavanja problema. Suprotno tome, mnogo od onoga što je desetljećima plijenilo maštu javnosti, bila je fantazija o „općoj umjetnoj inteligenciji“ u obliku asistenta sličnog čovjeku, sličnog Halu 9000, R2D2 ili Samanthi u njoj, gdje je AI jednak, ako ne veća inteligencija od ljudi.

Da budemo jasni, daleko smo od bilo čega nalik općem AI. Yoshua Bengio, jedan od osnivača Elementa AI, izričit je kada govori o ovoj temi - ne vjeruje da je razumno vremenski predvidjeti kada će se to dogoditi. U nedavnom je razgovoru naveo nekoliko konkretnih razloga zašto još nismo tu, pri čemu je prvi bio da su se svi dosadašnji industrijski uspjesi AI temeljili samo na učenju pod nadzorom. Naši su sustavi učenja još uvijek prilično jednostavni jer se oslanjaju na površne tragove u podacima koji ne izgledaju dobro izvan konteksta treninga.

Googleovi neuronski mreža generirani bučice, zajedno s fantomskim udovima. Slika: Google.

Na primjer, kada je Google osposobio neuronsku mrežu za generiranje slika s dumbbells temeljenim na tisućama slika, to je gotovo točno. Naravno, imamo dvije utege povezane šipkom, ali što to rade one fantomske ruke? Iako je neuronska mreža uspjela uspješno identificirati zajednička vizualna svojstva bućica, budući da su u izvornim slikama uvijek bili ljudi koji drže bučice, također je pretpostavilo da gumb ima oružje.

Unatoč tako značajnim ograničenjima, da čujete kako Elon Musk prolazi s Markom Zuckerbergom prošlog ljeta, mislite da bi AI, koji je poticao III svjetski rat, bio iza ugla. Naš izvršni direktor Jean-François Gagné vraća nas osnovama trenutnog stanja AI u nedavnom postu na blogu:

"AI je vrlo uska i krhka. On ne funkcionira izvan okvira za koji je postavljen. Može upravljati samo jednostavnim ciljnim funkcijama; tako da uistinu mi, ljudi, koristimo našu ljudsku inteligenciju kako bismo je učinkovito primijenili do točke u kojoj se posao može automatizirati. "

Mnogo je definicija

Sad kad smo ubrzali povijesni razvoj i nedavni napredak u AI, istražimo mnoge definicije koje smo ga smislili tijekom godina. Iako su neki tvrdili da se izraz u posljednje vrijeme toliko upotrebljava da postaje besmislen, nismo baš voljni odustati od njega.

Kako se danas koristi termin „AI“

Da bismo definirali AI, krenimo od ispitivanja inteligencije. S jedne strane, mogli biste uzeti pojednostavljeni pojam intelekta, na temelju, na primjer, IQ rezultata. Ali svi znamo da je inteligencija zapravo mnogo slojevitija i složenija. Oxfordski rječnik definira ga kao: „sposobnost stjecanja i primjene znanja i vještina“, dok je pristup Cambridgeovog rječnika malo drugačiji: „sposobnost učenja, razumijevanja i donošenja prosudbi ili mišljenja koja se temelje na razumu“. Tijekom godina su drugi razvili nijansiranije načine mjerenja inteligencije, poput Howard Gardner-ove teorije višestrukih inteligencija, koja sadrži modalitete poput glazbeno-ritmičke i harmonične, vizualno-prostorne, verbalno-jezične, logičko-matematičke, tjelesno-kinesttičke i egzistencijalne , između ostalog. Naše shvaćanje bliže je ovoj posljednjoj definiciji, što omogućava prikupljanje, obradu i primjenu informacija u širokom rasponu konteksta.

Naša ideja inteligencije također je vrlo antropomorfna: temelji se na načinu na koji mi kao ljudi razmišljamo i rješavamo probleme. AI se na isti način shvaća na umjetno inteligentan sustav koji donosi zaključke na način koji nalikuje ljudskom pristupu. Gradeći na toj ideji, David C. Parkes i Michael P. Wellman predstavljaju pojam AI kao "homo economicus, mitski savršeno racionalan agent neoklasicističke ekonomije." podaci koji se koriste za treniranje AI često su inherentno manjkavi, zbog ljudske ili druge pristranosti, zbog čega je "savršenu racionalnost" gotovo nemoguće procijeniti.

Izvještaj Bijele kuće za 2016. godinu o zbroju izazova u vezi s kohezivnom definicijom: „Ne postoji jedinstvena definicija AI koja je praktički opće prihvaćena. Neki definiraju AI labavo kao računalni sustav koji pokazuje ponašanje za koje se obično misli da zahtijeva inteligenciju. Drugi definiraju AI kao sustav sposoban za racionalno rješavanje složenih problema ili poduzimanje odgovarajućih radnji za postizanje svojih ciljeva u bilo kojim stvarnim okolnostima s kojima se susreću. "Zanimljivo je primijetiti da ovdje ne koriste pojam" ljudsko ponašanje ", već jednostavno "ponašanje".

Švedski filozof Nick Bostrom usredotočio se na pojam učenja i prilagodbe u AI u svojoj knjizi Superinteligencija: Putevi, opasnosti, strategije: „Kapacitet za učenje bio bi sastavno obilježje jezgre dizajniranja sustava namijenjenog postizanju opće inteligencije ... Isto važi za sposobnost rješavanja nesigurnosti i vjerojatnih informacija. "Drugi, poput profesora računalnog inženjerstva Ethema Alpaydına u Uvodu u strojno učenje, kažu da bi" inteligentan sustav trebao biti u mogućnosti prilagoditi se svom okruženju; trebala bi naučiti ne ponavljati svoje pogreške, već ponavljati svoje uspjehe. "

Naše definicije

Uz ispitivanje kako danas definiraju AI, dio našeg istraživanja također je uključivao slanje ankete na razini cijele tvrtke koja je tražila od naših kolega da definiraju umjetnu inteligenciju u rečenici (ili dvije, ili tri). U rezultatima istraživanja pojavile su se tri glavne kategorije odgovora:

  1. AI je mogućnost računala da donosi odluke ili predviđa na temelju podataka kojima raspolaže.
  2. AI je sposobnost računala da replicira moždane funkcije višeg reda poput percepcije, spoznaje, kontrole, planiranja ili strategije.
  3. AI je program kreiran pomoću podataka i računanja, tj. Nije tvrdo kodiran.

Jesu li danas dovoljne ove definicije za naše potrebe? Koje su neke zamke u pokušaju definiranja tako širokog i neprekidnog koncepta?

Zašto je ovo tako teško?

Fenomen "catchall" jedan je od glavnih izazova kada govorimo o AI. Česta upotreba termina rezultirala je širokim rasponom primjena i urođenom zbrkom, kako je objasnila Genevieve Bell, doktorica studija Stanford iz antropologije i direktor, Interakcija i istraživanje iskustva u Intelu:

"Za mene je umjetna inteligencija fantastičan pojam i popularnost je to koja je uključena u promet. Trenutno se vraća To je krovni izraz pod kojim možete razgovarati o kognitivnom računarstvu, strojnom učenju i dubokom učenju i algoritmima. To je catchall jer to znači sve i ništa istovremeno. To je kulturološka kategorija koliko i tehnička. "

Izraz se često koristi u pogrešnim okolnostima (ili bolje nepreciznim okolnostima), jer je tako širok, kako je istaknuto u ovom dokumentu za raspravu McKinsey Global Instituta za 2017. godinu, AI: Sljedeća digitalna granica:

"... Teško je to odrediti jer ljudi miješaju i slažu različite tehnologije kako bi stvorili rješenja za pojedinačne probleme. Ponekad se one tretiraju kao neovisne tehnologije, ponekad kao podgrupe drugih tehnologija, a ponekad kao aplikacije ... Neki okviri grupiraju AI tehnologije po osnovnoj funkcionalnosti ..., neki ih grupiraju po poslovnim aplikacijama ... "

Drugi veliki izazov u definiranju AI je činjenica da se znanost i njezine primjene neprestano razvijaju. Kao što Pamela McCorduck objašnjava u svojoj knjizi Strojevi koji misle, često se inteligentan sustav koji rješava novi problem diskontira kao "samo računanje" ili "nije prava inteligencija". Filozof Bostrom ovo lijepo sažima: „Mnogo vrhunskih AI filtrira se u opće aplikacije, često bez naziva AI jer jednom kada nešto postane dovoljno korisno i uobičajeno više nije označeno kao AI.“ Na primjer, IBM program koji je igrao dame 1951. možda se tada smatrao revolucionarnim AI, ali danas bi bio opisan kao osnovno računanje. Ili u novije vrijeme, neki će to pesimistički tvrditi da nema ničeg "inteligentnog" u vezi s bilo kojim "uskim AI", poput AlphaGo-a koji je tukao Leeja Sedola.

Imajući u vidu sve ove izazove, postoji li način da smanjimo kulturnu i medijsku buku koja zamućuje našu prosudbu i usredotočimo se na opipljiva pitanja? Kada koristimo riječ "AI", obično se odnosimo na određenu tehnologiju, kao što su obrada prirodnog jezika, strojno učenje ili strojni vid. Dakle, biti što je moguće specifičniji dobro je mjesto za početak. U drugim okolnostima, međutim, upotreba termina "AI" nije zamijenjena, primjerice u situacijama kada stvarno ne znamo točno koja se tehnologija koristi. To je zamka u koju nismo imuni da upadnemo, zajedno sa svim AI praktičarima i novinarima koji podstiču ovu tekuću raspravu.

Pogled unaprijed

Pokušavajući jasno artikulirati što je AI „što je“, otkrili smo da znači puno različitih stvari za različite ljude. To je ideja koja je plijenila našu maštu jako dugo vremena. Čak i ako ga smanjimo na informatiku, to je još uvijek jako široko. Imajući to u vidu, mislimo da je važno usredotočiti se na to kako AI već mijenja naše živote, današnje revolucije koje pokreću ovaj hype. Kevin Kelly ovo je lijepo sažeo u nedavnom razgovoru o TED-u:

"Trenutno nema AI stručnjaka. U to ide mnogo novca, na njega se troše milijarde dolara; to je veliki posao, ali nema stručnjaka, u usporedbi s onim što ćemo znati 20 godina. Dakle, tek smo na početku, u prvom smo satu svega toga ... Još nije izumljen najpopularniji AI proizvod u 20 godina, koji svi koriste. To znači da ne kasnite. "

Drugim riječima, normalno je da naši pojmovi o AI uključuju više stajališta, a ponekad i oprečne ideje, jer se sada razvija i događa. To se ne misli da se čita kao policajac, već kao poziv da se prihvati njegova svojstvena veličina i nered dok radimo na poboljšanju.

Sve ovo da kažemo, nećemo uspostavljati definiciju. Međutim, želimo da dizajneri koji se bore sa tehnologijom koja danas dolazi u proizvodnju imaju osnovno razumijevanje AI i njegovih mogućnosti. Ako je "AI ono što još nije učinjeno", kako kaže Teslerov teorem, to je upravo ono na što trebamo gledati - ne na ono što je već učinjeno, već na ono što je moguće, ili vrlo brzo.

Vjerujemo da je u osnovi njegova inteligencija neizmjerna prilika za učenje i ako se razvije pametno, može ljude potaknuti na široki napredak. Dok su konjski plugovi dramatično revolucionirali poljoprivredu u 1100-im, a parni motori pokrenuli proizvodnju i transport u novu eru u 18. stoljeću, vidimo da AI podupire novo stoljeće digitalnih inovacija. Kao što je nedavno izjavio profesor fizike MIT-a Max Tegmark, sada nije vrijeme za promišljanje o budućnosti kao o predodređenom događaju kojem neminovno žurimo, već bismo se trebali zapitati: „Kakvu budućnost želimo osmisliti s AI? "

Ako ste uživali u tome, pogledajte sljedeće poglavlje u našoj seriji AI-First Design Foundation - Što je dizajn, stvarno?

Autori i suradnici

Rebecca West urednica je časopisa AI1D u Elementu AI i spisateljica s fokusom na projekte na sjecištu dizajna, tehnologije i kreativnosti.

Ilustracije Done Solo, vizualne dizajnerke u Elementu AI.

S doprinosima dizajnerice iskustva Masha Krol, znanstvenika primijenjenog istraživanja Archy de Berkera i našeg internističkog istraživača Louis-Félix La Roche-Morin.