ปัญหาเกี่ยวกับเครื่องจักร AI กำลังเรียนรู้สิ่งต่าง ๆ แต่ไม่สามารถเข้าใจได้

ทุกคนกำลังพูดถึง "AI" ทุกวันนี้ แต่ไม่ว่าคุณจะกำลังมองหา Siri, Alexa หรือเพียงแค่คุณสมบัติการแก้ไขอัตโนมัติที่พบในแป้นพิมพ์สมาร์ทโฟนของคุณเราไม่ได้สร้างปัญญาประดิษฐ์ตามวัตถุประสงค์ทั่วไป เรากำลังสร้างโปรแกรมที่สามารถทำงานที่เฉพาะเจาะจงและแคบ.

คอมพิวเตอร์ไม่สามารถ“ คิด”

เมื่อใดก็ตามที่ บริษัท บอกว่ามันออกมาพร้อมกับคุณสมบัติ "AI" ใหม่โดยทั่วไปหมายความว่า บริษัท กำลังใช้การเรียนรู้ของเครื่องเพื่อสร้างเครือข่ายประสาทเทียม “ การเรียนรู้ของเครื่องจักร” เป็นเทคนิคที่ช่วยให้เครื่องจักร“ เรียนรู้” วิธีการปฏิบัติงานที่เฉพาะเจาะจงได้ดีขึ้น.

เราไม่ได้โจมตีเครื่องเรียนรู้ที่นี่! การเรียนรู้ของเครื่องเป็นเทคโนโลยีที่ยอดเยี่ยมพร้อมการใช้งานที่ทรงพลังจำนวนมาก แต่ไม่ใช่ปัญญาประดิษฐ์ที่มีวัตถุประสงค์ทั่วไปและการเข้าใจข้อ จำกัด ของการเรียนรู้ของเครื่องช่วยให้คุณเข้าใจว่าทำไมเทคโนโลยี AI ปัจจุบันของเราจึงมี จำกัด.

"ปัญญาประดิษฐ์" ของความฝันทางไซไฟคือสมองที่ใช้คอมพิวเตอร์หรือหุ่นยนต์ที่คิดเกี่ยวกับสิ่งต่าง ๆ และเข้าใจพวกมันเหมือนกับที่มนุษย์ทำ ปัญญาประดิษฐ์ดังกล่าวจะเป็นปัญญาประดิษฐ์ทั่วไป (AGI) ซึ่งหมายความว่ามันสามารถคิดเกี่ยวกับสิ่งต่าง ๆ มากมายและใช้ปัญญานั้นกับโดเมนที่แตกต่างกัน แนวคิดที่เกี่ยวข้องคือ“ AI ที่แข็งแกร่ง” ซึ่งจะเป็นเครื่องจักรที่สามารถสัมผัสกับความรู้สึกคล้ายมนุษย์ได้.

เรายังไม่มี AI ดังกล่าว เราไม่ได้อยู่ใกล้ทุกที่ เอนทิตีคอมพิวเตอร์เช่น Siri, Alexa หรือ Cortana ไม่เข้าใจและคิดเหมือนที่มนุษย์เราทำ มันไม่ได้ "เข้าใจ" อย่างแท้จริงเลย.

ปัญญาประดิษฐ์ที่เราได้รับการฝึกฝนให้ทำหน้าที่เฉพาะอย่างดีมากโดยสมมติว่ามนุษย์สามารถให้ข้อมูลเพื่อช่วยให้พวกเขาเรียนรู้ พวกเขาเรียนรู้ที่จะทำอะไร แต่ก็ยังไม่เข้าใจ.

คอมพิวเตอร์ไม่เข้าใจ

Gmail มีคุณสมบัติ "ตอบกลับอัจฉริยะ" ใหม่ที่แนะนำการตอบกลับอีเมล คุณสมบัติการตอบกลับอัจฉริยะระบุว่า“ ส่งจาก iPhone ของฉัน” เป็นการตอบกลับทั่วไป นอกจากนี้ยังต้องการแนะนำ“ ฉันรักคุณ” เพื่อเป็นการตอบกลับอีเมลประเภทต่าง ๆ รวมถึงอีเมลที่ทำงาน.

นั่นเป็นเพราะคอมพิวเตอร์ไม่เข้าใจความหมายของคำตอบเหล่านี้ เพิ่งรู้ว่าหลายคนส่งข้อความเหล่านี้ในอีเมล ไม่รู้ว่าคุณต้องการพูดว่า“ ฉันรักคุณ” กับเจ้านายของคุณหรือไม่.

เป็นอีกตัวอย่างหนึ่งที่ Google Photos รวบรวมรูปภาพของพรมที่บังเอิญอยู่ในบ้านของเรา จากนั้นระบุว่าการจับแพะชนแกะเป็นไฮไลต์ล่าสุดใน Google Home Hub Google Photos รู้ว่ารูปนั้นคล้ายกัน แต่ไม่เข้าใจว่ามันไม่สำคัญขนาดไหน.

เครื่องจักรมักเรียนรู้ที่จะเล่นเกมกับระบบ

การเรียนรู้ของเครื่องเป็นเรื่องเกี่ยวกับการมอบหมายงานและให้คอมพิวเตอร์เป็นผู้กำหนดวิธีที่มีประสิทธิภาพที่สุดในการทำงาน เพราะพวกเขาไม่เข้าใจมันง่ายที่จะจบลงด้วยคอมพิวเตอร์ "เรียนรู้" วิธีแก้ปัญหาที่แตกต่างจากสิ่งที่คุณต้องการ.

นี่คือรายการตัวอย่างสนุก ๆ ที่“ ปัญญาประดิษฐ์” สร้างขึ้นเพื่อเล่นเกมและกำหนดเป้าหมายที่เพิ่งเรียนรู้ที่จะเล่นเกมในระบบ ตัวอย่างเหล่านี้ทั้งหมดมาจากสเปรดชีตที่ยอดเยี่ยมนี้:

• “ สิ่งมีชีวิตที่เติบโตเร็วจะสูงขึ้นและสร้างความเร็วสูงโดยการล้ม”
• “ ตัวแทนสังหารตัวเองเมื่อสิ้นสุดระดับ 1 เพื่อหลีกเลี่ยงการแพ้ในระดับ 2”
• “ ตัวแทนหยุดเกมชั่วคราวเพื่อหลีกเลี่ยงการแพ้”
• “ ในการจำลองชีวิตเทียมที่การเอาชีวิตรอดต้องการพลังงาน แต่การให้กำเนิดไม่มีค่าใช้จ่ายพลังงานหนึ่งสปีชีส์หนึ่งได้พัฒนารูปแบบการใช้ชีวิตอยู่ประจำที่ประกอบด้วยการผสมพันธุ์ส่วนใหญ่เพื่อผลิตลูกใหม่ที่สามารถรับประทานได้ .”
• “ เนื่องจาก AIs มีแนวโน้มที่จะได้รับ“ ถูกฆ่า” มากขึ้นหากพวกเขาแพ้ในเกมความสามารถในการแข่งขันเกมนี้เป็นข้อได้เปรียบสำหรับกระบวนการคัดเลือกพันธุกรรม ดังนั้น AIs หลายคนจึงพัฒนาวิธีที่จะทำให้เกมพัง "
• “ อวนประสาทพัฒนาขึ้นเพื่อจำแนกเห็ดที่กินได้และมีพิษใช้ประโยชน์จากข้อมูลที่นำเสนอในลำดับสลับกันและไม่ได้เรียนรู้คุณสมบัติใด ๆ ของภาพอินพุต”

วิธีแก้ปัญหาบางอย่างอาจฟังดูฉลาด แต่ไม่มีเครือข่ายประสาทเหล่านี้เข้าใจสิ่งที่พวกเขาทำ พวกเขาได้รับมอบหมายเป้าหมายและเรียนรู้วิธีที่จะทำให้สำเร็จ หากเป้าหมายคือเพื่อหลีกเลี่ยงการแพ้ในเกมคอมพิวเตอร์การกดปุ่มหยุดชั่วคราวเป็นวิธีที่ง่ายที่สุดและเร็วที่สุดที่พวกเขาสามารถหาได้.

การเรียนรู้ของเครื่องและโครงข่ายประสาทเทียม

ด้วยการเรียนรู้ของเครื่องคอมพิวเตอร์ไม่ได้ตั้งโปรแกรมให้ทำงานเฉพาะอย่าง แต่จะป้อนข้อมูลและประเมินผลการปฏิบัติงาน.

ตัวอย่างเบื้องต้นของการเรียนรู้ของเครื่องคือการจดจำภาพ สมมติว่าเราต้องการฝึกอบรมโปรแกรมคอมพิวเตอร์เพื่อระบุรูปภาพที่มีสุนัขอยู่ในนั้น เราสามารถให้คอมพิวเตอร์หลายล้านภาพซึ่งบางส่วนมีสุนัขในพวกเขาและบางคนไม่ได้ ภาพมีข้อความระบุว่าพวกเขามีสุนัขอยู่ในพวกเขาหรือไม่ โปรแกรมคอมพิวเตอร์“ ฝึก” ตัวมันเองเพื่อรับรู้ว่าสุนัขมีลักษณะอย่างไรโดยอ้างอิงจากชุดข้อมูลนั้น.

กระบวนการเรียนรู้ของเครื่องใช้ในการฝึกอบรมโครงข่ายประสาทเทียมซึ่งเป็นโปรแกรมคอมพิวเตอร์ที่มีหลายเลเยอร์ที่แต่ละอินพุตของข้อมูลส่งผ่านและแต่ละชั้นจะกำหนดน้ำหนักและความน่าจะเป็นที่แตกต่างกันก่อนที่จะทำการตัดสินใจ มันจำลองมาจากวิธีที่เราคิดว่าสมองอาจทำงานได้โดยมีเซลล์ประสาทหลายชั้นที่เกี่ยวข้องกับการคิดผ่านงาน “ การเรียนรู้ลึก” โดยทั่วไปหมายถึงเครือข่ายประสาทที่มีหลายชั้นซ้อนกันระหว่างอินพุตและเอาต์พุต.

เนื่องจากเรารู้ว่ารูปภาพใดในชุดข้อมูลที่มีสุนัขและไม่มีรูปภาพเราจึงสามารถเรียกใช้ภาพถ่ายผ่านเครือข่ายประสาทและดูว่าภาพถ่ายเหล่านั้นมีคำตอบที่ถูกต้องหรือไม่ หากเครือข่ายตัดสินใจว่าภาพถ่ายใดไม่มีสุนัขอยู่ในขณะนั้นก็จะมีกลไกในการบอกเครือข่ายว่ามันผิดการปรับบางอย่างแล้วลองอีกครั้ง คอมพิวเตอร์ระบุว่ารูปภาพมีสุนัขหรือไม่.

ทั้งหมดนี้เกิดขึ้นโดยอัตโนมัติ ด้วยซอฟต์แวร์ที่เหมาะสมและข้อมูลที่มีโครงสร้างมากมายสำหรับคอมพิวเตอร์ที่จะฝึกฝนตัวเองคอมพิวเตอร์สามารถปรับแต่งเครือข่ายประสาทของมันเพื่อระบุสุนัขในภาพถ่าย เราเรียกสิ่งนี้ว่า“ AI”

แต่ในตอนท้ายของวันคุณไม่มีโปรแกรมคอมพิวเตอร์อัจฉริยะที่เข้าใจว่าสุนัขคืออะไร คุณมีคอมพิวเตอร์ที่เรียนรู้ที่จะตัดสินใจว่าสุนัขอยู่ในรูปถ่ายหรือไม่ ยังคงเป็นสิ่งที่น่าประทับใจ แต่นั่นคือทั้งหมดที่ทำได้.

และขึ้นอยู่กับอินพุตที่คุณให้มาเครือข่ายประสาทนั้นอาจไม่ฉลาดเท่าที่ดู ตัวอย่างเช่นหากไม่มีรูปแมวในชุดข้อมูลของคุณเครือข่ายประสาทอาจไม่เห็นความแตกต่างระหว่างแมวกับสุนัขและอาจติดแท็กแมวทุกตัวเป็นสุนัขเมื่อคุณปล่อยมันลงบนภาพถ่ายจริงของผู้คน.

การเรียนรู้ของเครื่องใช้สำหรับอะไร?

การเรียนรู้ของเครื่องใช้สำหรับงานทุกประเภทรวมถึงการรู้จำเสียง ผู้ช่วยด้านเสียงเช่น Google, Alexa และ Siri นั้นเก่งในการทำความเข้าใจเสียงของมนุษย์เนื่องจากเทคนิคการเรียนรู้ด้วยเครื่องจักรที่ได้ฝึกฝนให้พวกเขาเข้าใจคำพูดของมนุษย์ พวกเขาได้ฝึกฝนตัวอย่างเสียงพูดของมนุษย์จำนวนมากและพัฒนาความเข้าใจที่ดีขึ้นซึ่งฟังดูสอดคล้องกับคำศัพท์.

รถยนต์ที่ขับขี่ด้วยตนเองใช้เทคนิคการเรียนรู้ของเครื่องซึ่งจะฝึกคอมพิวเตอร์เพื่อระบุวัตถุบนท้องถนนและวิธีตอบสนองต่อสิ่งเหล่านั้นอย่างถูกต้อง Google Photos เต็มไปด้วยคุณสมบัติเช่น Live Albums ที่ระบุผู้คนและสัตว์ในรูปภาพโดยอัตโนมัติโดยใช้การเรียนรู้ของเครื่อง.

ตัวอักษร DeepMind ใช้การเรียนรู้ของเครื่องเพื่อสร้าง AlphaGo โปรแกรมคอมพิวเตอร์ที่สามารถเล่นเกมกระดานที่ซับซ้อนไปและเอาชนะมนุษย์ที่ดีที่สุดในโลก การเรียนรู้ของเครื่องยังถูกใช้เพื่อสร้างคอมพิวเตอร์ที่เล่นเกมอื่น ๆ ได้ดีตั้งแต่หมากรุกไปจนถึง DOTA 2.

การเรียนรู้ของเครื่องยังใช้กับ Face ID บน iPhone ล่าสุด iPhone ของคุณสร้างเครือข่ายประสาทที่เรียนรู้ที่จะระบุใบหน้าของคุณและ Apple ได้รวมชิป“ เอ็นจิ้นเอ็นจิ้น” โดยเฉพาะซึ่งทำงานได้อย่างสมบูรณ์แบบสำหรับการทำสิ่งนี้และงานการเรียนรู้ของเครื่องจักรอื่น ๆ.

การเรียนรู้ของเครื่องสามารถใช้กับสิ่งต่าง ๆ มากมายตั้งแต่การฉ้อโกงบัตรเครดิตไปจนถึงการแนะนำผลิตภัณฑ์ในเว็บไซต์ช้อปปิ้ง.

แต่เครือข่ายประสาทเทียมที่สร้างขึ้นด้วยการเรียนรู้ของเครื่องไม่เข้าใจอะไรเลย พวกมันเป็นโปรแกรมที่มีประโยชน์ที่สามารถทำงานให้แคบลงได้.

เครดิตรูปภาพ: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Sundry Photography / Shutterstock.com.