Системный подход Полное раскрытие информации: у меня есть опыт работы с ИИ: я флиртовал с ним в 1980-х годах (помните экспертные системы?), а затем благополучно избежал зимы ИИ в конце 1980-х, отклонившись от формальной проверки, прежде чем, наконец, остановиться на сетевых технологиях как своей специальности. 1988.
И так же, как у моего коллеги по системному подходу Ларри Петерсона на книжной полке есть классические книги, такие как руководство по Паскалю, у меня все еще есть пара книг по искусственному интеллекту восьмидесятых годов, особенно книга П.Х. Уинстона. Artificial Intelligence (1984). Перелистывать эту книгу — настоящее удовольствие, в том смысле, что большая ее часть выглядит так, будто она была написана вчера. Например, предисловие начинается так:
Область искусственного интеллекта сильно изменилась со времени публикации первого издания этой книги. Предметы по искусственному интеллекту являются обязательными для студентов, изучающих компьютерные науки, а статьи об искусственном интеллекте регулярно публикуются в большинстве авторитетных новостных журналов. Одной из причин перемен является накопление солидных результатов.
Меня также заинтриговало несколько примеров 1984 года того, «что могут компьютеры». Одним из примеров было решение очень сложных задач по математическому анализу, что примечательно тем, что точная арифметика, похоже, выходит за рамки возможностей сегодняшних систем на основе LLM.
Если исчисление уже было разрешено компьютерами в 1984 году, а базовая арифметика ставит в тупик системы, которые мы рассматриваем как современный уровень техники, возможно, объем прогресса в области искусственного интеллекта за последние 40 лет не так велик, как кажется на первый взгляд. (Тем не менее, есть даже better современных систем, занимающихся исчислением, они просто не основаны на LLM, и неясно, называет ли кто-нибудь их искусственным интеллектом.)
Одной из причин, по которой я взял свой старый экземпляр Уинстона, было желание узнать, что он сказал об определении ИИ, потому что это тоже спорная тема. Его первый взгляд на это не очень обнадеживает:
Искусственный интеллект — это исследование идей, которые позволяют компьютерам быть интеллектуальными.
Ну ладно, это довольно замкнутый круг, поскольку, как признает Уинстон, вам нужно каким-то образом определить интеллект. Но затем он заявляет о двух целях ИИ:
- Чтобы сделать компьютеры более полезными
- Понять принципы, которые делают интеллект возможным.
Другими словами, сложно дать определение интеллекту, но, возможно, изучение ИИ поможет нам лучше понять, что это такое. Я бы даже сказал, что 40 лет спустя мы все еще спорим о том, что представляет собой интеллект. Первая цель кажется похвальной, но она явно применима ко многим технологиям, не связанным с искусственным интеллектом.
Дебаты о значении слова «ИИ» продолжают висеть над отраслью. Я встречал множество напыщенных высказываний о том, что нам не нужен был бы термин «Общий искусственный интеллект», он же AGI, если бы только термин «ИИ» не был настолько загрязнен людьми, рекламирующими статистические модели как «ИИ». Я на это не верю. Насколько я могу судить, ИИ всегда охватывал широкий спектр вычислительных технологий, большинство из которых никого не обмануло бы, заставив думать, что компьютер демонстрирует человеческий уровень интеллекта.
Когда я начал вновь заниматься ИИ около восьми лет назад, нейронные сети, которые некоторые из моих коллег использовали в 1988 году, прежде чем они впали в немилость, совершили поразительное возвращение, вплоть до того, что распознавание изображений с помощью глубокого нейронные сети имели превзошел скорость и точность людей, хотя и с некоторыми оговорками. Этот рост популярности ИИ вызвал определенную тревогу среди моих коллег-инженеров из VMware, которые чувствовали, что происходит важный технологический сдвиг, который (а) большинство из нас не понимали (б) наш работодатель не был в состоянии воспользоваться преимуществами .
Когда я погрузился в задачу изучения того, как работают нейронные сети (с большая помощь от Родни Брукса) Я понял, что язык, который мы используем, чтобы говорить о системах искусственного интеллекта, оказывает существенное влияние на то, как мы о них думаем. Например, к 2017 году мы много слышали о «глубоком обучении» и «глубоких нейронных сетях», а использование слова «глубокий» имеет интересный двойной смысл. Если я скажу, что у меня «глубокие мысли», вы можете подумать, что я думаю о смысле жизни или о чем-то столь же весомом, и «глубокое обучение», похоже, подразумевает нечто подобное.
Но на самом деле слово «глубокое» в «глубоком обучении» означает глубину, измеряемую количеством слоев нейронной сети, которая поддерживает обучение. Так что это не «глубокий» в смысле значимости, а просто глубокий, точно так же, как в бассейне есть глубокая часть – та, в которой больше воды. Это двойное значение способствует иллюзии, что нейронные сети «думают».
Похожая путаница применима и к «обучению», и именно здесь Брукс был так полезен: глубокая нейронная сеть (DNN) лучше справляется с задачей, чем больше обучающих данных она получает, так что в этом смысле она «обучается» на опыте, но то, как он учится, не имеет ничего общего с тем, как учится человек.
В качестве примера того, как обучаются DNN, рассмотрим AlphaGo, игровая система, которая использовала нейронные сети для поражение человеческие гроссмейстеры. По словам разработчиков системы, хотя человек легко справился бы с изменением размера доски (обычно сетка 19×19), небольшое изменение сделало бы AlphaGo бессильным, пока у него не будет времени обучиться новым данным с доски измененного размера.
На мой взгляд, это прекрасно иллюстрирует, насколько «обучение» DNN принципиально отличается от человеческого обучения, даже если мы используем одно и то же слово. Нейронная сеть не способна обобщать то, что она «изучила». И, подчеркивая это, AlphaGo недавно победил противником-человеком, который неоднократно использовал стиль игры, которого не было в тренировочных данных. Эта неспособность справляться с новыми ситуациями, по-видимому, является отличительной чертой систем ИИ.
Язык имеет значение
Язык, используемый для описания систем ИИ, продолжает влиять на то, как мы о них думаем. К сожалению, учитывая разумное сопротивление недавней шумихе вокруг ИИ и некоторые заметные неудачи с системами ИИ, теперь может быть столько же людей, убежденных в том, что ИИ совершенно бесполезен, сколько и членов лагеря, которые говорят, что ИИ вот-вот достигнет интеллекта, подобного человеческому. .
Я очень скептически отношусь к последнему лагерю, как указано выше, но я также думаю, что было бы прискорбно упускать из виду положительное влияние, которое могут оказать системы искусственного интеллекта – или, если хотите, системы машинного обучения.
В настоящее время я помогаю нескольким коллегам писать книгу о приложениях машинного обучения для сетей, и никого не должно удивлять, узнав, что существует множество сетевых проблем, которые можно решить с помощью решений на основе машинного обучения. В частности, следы сетевого трафика являются фантастическими источниками данных, а обучающие данные — это пища, на которой процветают системы машинного обучения.
Приложения, начиная от предотвращения атак типа «отказ в обслуживании» и заканчивая обнаружением вредоносных программ и геолокацией, могут использовать алгоритмы машинного обучения, и цель этой книги — помочь сетевым специалистам понять, что машинное обучение — это не какой-то волшебный порошок, которым вы посыпаете свои данные, чтобы получить ответы, а набор инженерных инструментов, которые можно выборочно применять для решения реальных проблем. Другими словами, это не панацея и не разрекламированное плацебо. Цель книги — помочь читателям понять, какие инструменты ML подходят для разных классов сетевых задач.
Некоторое время назад мое внимание привлекла одна история: использование искусственного интеллекта для помощи компании Network Rail в Великобритании. управлять растительностью который растет вдоль британских железнодорожных линий. Ключевой технологией «ИИ» здесь является распознавание изображений (для идентификации видов растений), использующее технологию, которую DNN представила за последнее десятилетие. Возможно, это не так интересно, как генеративные системы искусственного интеллекта, которые привлекли внимание всего мира в 2023 году, но это хорошее практическое применение технологии, находящейся под эгидой искусственного интеллекта.
Сейчас я склонен пытаться использовать термин «машинное обучение», а не «ИИ», когда это уместно, надеясь избежать как шумихи, так и аллергических реакций, которые сейчас вызывает «ИИ». И, помнив слова Патрика Уинстона, я мог бы просто начать говорить о том, как «сделать компьютеры полезными». ®
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
- Источник: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/
