由于系统在长期进展方面取得了快速进展,人工智能遍布了近十年的头脑。人工智能像图像识别,自然语言处理和游戏等挑战。科技公司将机器学习算法播种为搜索和推荐发动机和面部识别系统,以及Openai的GPT-3.和深度的alphafold.承诺更实用的应用,从写作编写科学发现。

事实上,我们正处于人工智能的春天,对该技术的投资方兴未艾,人们对人工智能能实现什么以及何时实现的可能性抱有压倒性的乐观情绪。

这次可能感觉与以前的AI泉水不同,因为上述实际应用和狭窄的AI进入技术的扩散,我们每天都像我们的智能手机,电视,汽车和真空吸尘器一样使用,只有几个。但是,我们也可能在AI中掀起一股短期进步,这将很快成为自1956年成立以来的进步,资金和情绪的推进,资金和情绪的一部分。

AI在过去几十年中取得了许多预测之外的缺乏;例如,2020是her以许多为年自动驾驶汽车会开始填满道路,无缝地运送乘客,让他们坐下来享受旅程。但这个问题比预期的要困难得多,最先进的项目仍处于试验阶段,而不是大量的机器人出租车。与此同时,一些业内人士认为,如果没有一系列关键的突破,人工智能的主导形式——一种基于神经网络的机器学习——可能很快就会失去动力。

在标题的文件中为什么AI比我们想象的更难,上周在Arxiv预印刷服务器上发布,Melanie Mitchell.是目前波特兰州立大学的计算机科学教授圣达菲研究所他认为,人工智能之所以陷入了一个起起落落的循环,很大程度上是因为我们还没有真正理解人类智能的本质和复杂性。Mitchell将这一主要观点分为四个关于人工智能的常见误解,并讨论了它们对该领域的未来意味着什么。

1.狭义智力的进步是向一般智力的进步

AI令人印象深刻的新成就往往伴随着这些同样成就让我们更接近到达的假设人力级机器智能。但是,正如米切尔指出的那样,狭义和一般智力的差异不仅就像爬树和登月一样大,而且即使是狭义智力也仍然在很大程度上依赖于大量特定任务的数据和人类方便的训练。

采取GPT-3,一些引用超越“狭窄”智能:算法训练以写文本,但学会了转换,写代码,自动完成图像和其他任务中的数学。但是,尽管GPT-3的能力比其创造者可能有意义,但其所有技能仍然在培训的域中:即语言,书面,书面和编程。

如果没有经过任何训练,就能熟练掌握一项非语言相关的技能,这表明它具有普遍的智能,但GPT-3并非如此,其他最近开发的人工智能也并非如此:它们在本质上仍然是狭隘的,虽然它们本身很重要,但不应该与一般智力所需的全面了解世界的步骤混为一谈。

2.对人类容易的东西对机器也应该容易

ai比较聪明一个四岁的孩子?在大多数感官中,答案是否定的,这是因为我们认为“轻松”的技能和任务实际上比我们给予他们的信誉更复杂S.Moravec悖论笔记年代。

四岁的孩子非常善于根据他们与周围世界的互动来找出因果关系。举个例子,如果他们摸了炉子上的锅,烫伤了手指,他们就会明白锅是热的,而不是因为锅是圆的或银的。对人类来说,这是基本常识,但算法很难做出因果推理,尤其是在没有大数据集或在不同的环境下。

在人类的潜意识层面上发生的感知和选择需要一生的经验和学习,即使是在像“触摸热的东西会灼伤你”这样的基础层面。因为我们达到了这样一个点,这种知识是反射性的,甚至不需要有意识的思考,我们认为它是“容易的”,但事实恰恰相反。“人工智能比我们想象的更难,“Mitchell写道,”因为我们在很大程度上是毫无意识的我们自己思想流程的复杂性。“

3.人类语言可以描述机器智能

人类倾向于从动物到无生命物体到机器人和计算机中的非人形状的倾向。在这样做的过程中,我们使用了同样的单词来讨论人类活动或情报 - 除了这些词语并不完全适合上下文,实际上可以混淆我们对AI的理解。米切尔使用这个术语在20世纪70年代,由计算机科学家创造的“一厢情天候”。像“阅读”,“理解”和“思想”的单词用于描述和评估AI,但这些词语不给我们准确地描绘AI如何运行或进展。

甚至连“学习”都是用词不当,米切尔说,因为如果一台机器真的“学习”了一项新技能,它将能够在不同的环境中应用该技能;在数据集中找到相关性,并使用识别出来的模式来做出预测或满足其他基准是一件了不起的事情,但它不是像人类学习那样的“学习”。

那么为什么所有大惊小怪的话,如果他们是我们所拥有的,他们都会越来越多?好吧,米切尔说,这种不准确的语言不仅可以误导公众和媒体,而且可以影响AI研究人员对自己的系统的看法并进行工作。

4.智慧全在我们的头脑中

米切尔的最后一点是人类智慧不属于大脑,而是需要体力。

这似乎是不言而喻的;我们用我们的感官来吸收和处理信息,我们用我们的身体与世界互动和移动。然而,人工智能研究的主流重点是在大脑上:了解它,复制其各个方面形式或功能和制作AI更喜欢它

如果智能只存在于大脑中,那么我们就能更接近人类水平的人工智能,比如,构建一个具有与大脑突触连接相同数量参数的神经网络,从而复制大脑的“计算能力”。

在“智能”指的情况下,可以应用这种并行,以“智能”是指由一组规则运行,以朝着定义的目标工作 - 例如赢得国际象棋或建模蛋白质折叠的方式,这两台计算机都可以做得很好出色地。但其他类型的智慧更加塑造,受到情感,偏见和个人经验。

返回GPT-3示例:算法使用与预先存在的主观智能的大型数据集(由人类写作)创建的一组规则和参数产生“主观”智能(其自己的写作)。GPT-3.is hailed as being “creative,” but its writing relies on associations it drew between words and phrases in human writing—which is replete with biases, emotion, pre-existing knowledge, common sense, and the writer’s unique experience of the world, all experienced through the body.

米切尔认为那种人类思考和操作方式的非理性主观方面不是对我们智力的障碍,但是是实际上它的基岩和推动者领先的人工综合情报专家本格扎尔同样倡导“全体机构建筑”ing“人类既是身体也是大脑,因此要实现类似人类的AGI,就需要在能够以微妙方式与日常人类世界互动的物理系统中嵌入人工智能系统。”

从这里到哪里?

这些误解对AI研究人员和开发人员毫无疑问地毫无疑问不应该做的。不太清楚的是如何前进。米切尔说,我们必须从更好地理解智力开始——这不是一项简单的任务。不过,人工智能研究人员可以关注的一个好领域是研究智能的其他学科。

为什么我们如此热衷于创造人工智能呢?它已经进化了数百万年,非常复杂和错综复杂,但仍然有自己的缺点。也许答案是,我们并不是要建造一个人工大脑像。。一样好我们的;我们正试图建立一个更好的,这将有助于我们解决目前无法解决的问题。

人类进化在大约六百万年的课程中发生了。同时,它是自从Ai成为Stu的领域,已有65岁dy,它是写作人类的文字,制作假面,抱着自己的在辩论中,制作医疗诊断,更多的。尽管很远的学习,它似乎是进步的漂亮在宏伟的事情方案中- - - - - -并进一步迈出进一步深化我们对自己的思想的理解。

图像信用:reneböhmerUnsplash