AI sprendimas

Dirbtinio intelekto tikslas (bent jau šios srities įkūrėjų teigimu) yra sukurti kompiuterius, kurių intelektas prilygtų arba pranoktų žmonių. Šio tikslo pasiekimas yra garsioji AI problema. Kai kuriems AI yra akivaizdus kompiuterių mokslo likimas. Kitiems tai nesėkmė: aišku, AI problema niekur neišspręsta. Kodėl? Daugeliu atvejų atsakymas paprastas: niekas tikrai nebando to išspręsti. Tai gali būti netikėta žmonėms už lauko ribų. Ką visi tie AI tyrinėtojai veikė visus šiuos metus? Realybė tokia, kad jie iš esmės atsisakė didžiųjų AI ambicijų ir sprendžia vis labiau specializuotas subproblemas: ne tik mašininį mokymąsi ar natūralios kalbos supratimą, bet ir problemas tose srityse, pavyzdžiui, objektų klasifikavimą ar sakinių analizavimą.

Manau, kad toks „skaldyk ir valdyk“ metodas neveiks. AI atveju geriausias problemos sprendimas, žiūrint atskirai, dažnai trukdo išspręsti didesnę problemą. Kad padarytume realią pažangą, turime dirbti nuo galo iki galo – savarankiškos užduotys, pvz., teksto skaitymas ir atsakymai į klausimus, kurios apima daugybę papildomų užduočių (žr. Išmaniosios programinės įrangos asistentą). Iki šiol to padaryti tikrai nebuvo įmanoma, nes nebuvo reikiamos skaičiavimo galios. Tačiau maždaug po dešimtmečio kompiuteriai pranoks žmogaus smegenų skaičiavimo galią. (Nors kompiuteriai itin efektyviai atlieka konkrečias užduotis, pvz., aritmetiką, žmogaus smegenys vis dar lenkia operacijų, kurias gali atlikti per sekundę, skaičių. Kai tai taikoma žmonėms gerai išmanantiems dalykams, pvz., regėjimui ir kalbos supratimui, kompiuteriai praranda.)

Ši istorija buvo mūsų 2009 m. kovo mėnesio numerio dalis

• Žr. likusią numerio dalį
• Prenumeruoti

Tačiau skaičiavimo galia nėra visas atsakymas. Ankstesni bandymai išspręsti visas AI problemas žlugo vienu iš dviejų būdų. Kai kurie pernelyg supaprastino problemas tiek, kad sprendimai neperkeliami į realų pasaulį. Kiti susidūrė su inžinerinio sudėtingumo siena: per daug dalykų, kuriuos reikia sudėti, per daug sąveikos tarp jų, per daug klaidų.

Kad padarytume geriau, mums reikia naujos dirbtinio intelekto matematinės kalbos. Kitų mokslo ir technologijų sričių pavyzdžiai parodo, koks tai gali būti galingas: pavyzdžiui, mechanikai buvo naudingi skaičiavimai; kintamoji srovė iš kompleksinių skaičių; ir skaitmeninės grandinės iš Būlio logikos. Šiandien šie dalykai jų praktikams atrodo kaip antra prigimtis, tačiau tuo metu jie toli gražu nebuvo akivaizdūs. Svarbiausia rasti tinkamą kalbą, kuria formuluoti ir spręsti problemas.

Kokia turėtų būti AI kalba? Bent jau mums reikia kalbos, kurioje būtų derinama logika ir tikimybė. Logika gali susidoroti su realaus pasaulio sudėtingumu – pavyzdžiui, daug sąveikaujančių objektų arba kelių tipų objektų – bet ne su neapibrėžtumu. Tikimybiniai grafiniai modeliai tapo bendra kalba sprendžiant neapibrėžtumą, tačiau jie negali susidoroti su realaus pasaulio sudėtingumu.

Per pastarąjį dešimtmetį buvo padaryta reali pažanga šia kryptimi, tačiau tai dar ankstyvos dienos. Mažai tikėtina, kad rasime AI kalbą, kol neturėsime daugiau patirties sprendžiant visas AI problemas. Tačiau taip mes galiausiai išspręsime dirbtinį intelektą: sąveikaudami tarp realių problemų sprendimo ir kalbos, kuri jas paprastintų.

Pedro Domingos yra Vašingtono universiteto Sietle kompiuterių mokslo ir inžinerijos docentas.

paslėpti