Изграждането на AI е сложно, но разбирането не е задължително. Повечето съществуващи изкуствени интелекти са само много добри познавателни машини (като нашите мозъци). Зареждате куп данни (например числата 1-10) и поискайте да направи модел (x + 1, като се започне от 0) и да направи прогноза. (Следващият брой ще бъде единадесет.) Няма магия, различна от това, което хората правят всеки ден: използвайки това, което знаем, за да направим предположения за неща, които не знаем.

Това, което определя AI отделно от други компютърни програми, е, че не е необходимо да го програмираме специално за всеки сценарий. Ние можем да го научим на нещата (машинно обучение), и може да се научи и на себе си (дълбоко учене). Въпреки че има различни сортове от всеки, те могат да бъдат широко дефинирани както следва:

  • Изкуствен интелект (AI): машина, способна да имитира човешкото поведение
  • Машинно учене: подмножество от ИИ, в което хората обучават машини да разпознават модели в данните и да правят прогнози
  • Deep Learning: подгрупа машинно обучение, в което машината може да се обучава

Изкуствен интелект

Най-широката възможна дефиниция на AI е просто, че тя е машина, която мисли като човек. Тя може да бъде толкова просто, колкото следва логическата диаграма, или може да бъде почти човешки компютър, който може да се поучи от голямо разнообразие от сензорни входове и да приложи това знание в нови ситуации. Тази последна част е ключова - силният ИИ, който всеки си представя, е този, който може да свърже всички видове научени данни, за да може да се справи с почти всяка ситуация.

В момента AI все още е на доста тясна пътека - Алекса е невероятен иконом, но тя не може да премине тест на Тюринг. Понастоящем имаме ограничена форма на AI, но е добре да запомните, че дефиницията е толкова широка, че в крайна сметка тя може да обхваща програми, които правят DeepMind да изглежда като калкулатор.

Машинно обучение

Без машинно обучение съществуващите AI биха били ограничени предимно до преминаване през дълги списъци с "ако x е вярно, да, иначе, направете z". Но това нововъведение дава на компютрите силата да разберат нещата, без да са изрично програмирани. Като пример за един тип машинно обучение, да речем, че искате програма да бъде в състояние да идентифицира котки в снимки:

  1. Дайте на AI набор от характеристики на котката, за да търсите - отделни линии, по-големи форми, цветови модели и т.н.
  2. Изпълнете някои снимки чрез AI - някои или всички могат да бъдат обозначени като "котка", така че машината да може по-ефективно да избира съответните функции на котката.
  3. След като програмата е забелязала достатъчно котки, тя трябва да знае как да я намери в картина - "Ако картината съдържа Характеристика X, Y и / или Z, има вероятност 95% да има котка".

Колкото и сложно да звучи като машинно обучение, може да се сведе до следното: "Хората казват на компютрите какво да търсят и компютрите усъвършенстват тези критерии, докато не разполагат с модел." Това е доста просто, изключително полезно и филтрира вашия спам, препоръчва следващите ви показвания на Netflix и ощипвам вашата feed за Facebook. Изпробвайте учебната машина на Google за бърза демонстрация!

Дълбоко обучение

От 2018 г. това е най-острието на AI. Помислете за това като машинно обучение с дълбоки "невронни мрежи", които обработват данните по някакъв начин по същия начин, както човешкия мозък. Основната разлика от предшественика му е, че хората не трябва да преподават на дълбока програма за обучение как изглеждат котките. Просто му дайте достатъчно снимки на котки и ще разбере това сами:

  1. Въведете много котки снимки.
  2. Алгоритъмът ще инспектира снимките, за да види какви са техните общи черти (намек: това са котките).
  3. Всяка снимка ще бъде деконструирана на няколко нива на детайлност, от големи, общи форми до малки, малки линии. Ако форма или ред се повтарят много, алгоритъмът ще го означи като важна характеристика.
  4. След като анализирахме достатъчно снимки, алгоритъмът вече знае кои модели дават най-силните доказателства за котките и че всички хора трябваше да направят това, да предоставят необработените данни.

За да обобщим: дълбокото учене е машинно обучение, където машината се тренира, макар че това е нещо повече от просто котки - нервните мрежи вече могат да описват точно всичко в картината.

Дълбокото обучение изисква много повече първоначални данни и изчислителна мощност, отколкото машинното обучение, но то започва да се използва от компании от Facebook до Amazon. Най-скандалната проява на машинното обучение обаче е AlphaGo, компютър, който играе игри на Go срещу себе си, докато не може точно да предскаже най-добрите ходове, достатъчно добре, за да победи няколко световни шампиона.

Заключение: AI = Апокалиптична интелигентност?

Холивуд е отговорен за много лоша наука, но когато става въпрос за ИИ, истината и фантастиката потенциално не са толкова отделни. Не е немислимо роботът да може да поеме космическа станция (2001: космическа одисея), да ви накара да се влюбите в себе си или да се държите точно като човек (Blade Runner, Ex Machina).

Това обаче не го прави лош залог. АИ може да ускори човешкия прогрес по-бързо, отколкото почти всичко преди него. И макар че може да изглежда цинично, реалността е, че ако отговорните учени стоят настрана от ИИ поради потенциала си да се объркат, вероятно ще бъдат развити от хора с по-малко опасения за безопасността. Получихме компютри от пулове на Go и следващите няколко стъпки можеха да доведат човечеството до някои интересни места.