Ответ на этот вопрос связан с восприятием. Недавно я заметил, что одна из моих собак продолжает облизывать свою миску еще долго после того, как ее еда была полностью съедена. Человек, смотрящий издалека, может подумать: «Вау, в этой миске много еды», но на самом деле она пуста. Восприятие — мощный механизм.

Многие из нас вынуждены верить, что мы используем искусственный интеллект (ИИ), когда видим, что какая-то вещь — какой-то механизм автоматизации — способна выполнять задачи, которые могут выполнять люди. Возьмем, к примеру, систему технического зрения, которая может обнаруживать присутствие автомобиля, дерева, лица или человека. Что на самом деле происходит, так это то, что система использует автоматизацию для преобразования входных данных в выходные данные на основе модели, которая была ранее определена с помощью процесса, применяющего статистические науки к некоторым известным данным. Этот процесс называется машинным обучением. Если данные отображения определяются человеком, мы называем это контролируемым обучением. Если данные отображения получены машиной, наблюдающей за поведением данных, мы называем это неконтролируемым обучением. Выходные данные такого процесса отображения заранее определены и в некоторых случаях уточняются с помощью некоторой модели условной вероятности для повышения точности результата.

Сегодняшний ИИ более автоматизирован, чем искусственный.

Предположим, что сегодняшний ИИ каким-то образом был широко доступен около двух тысяч лет назад. Смогут ли люди использовать ИИ для предсказания рождения Иисуса? Возможно нет. Рождение Иисуса было беспрецедентным событием. Чтобы ИИ предсказал рождение Иисуса, ему нужно было бы сопоставить прецедентные данные — или, другими словами, множество случаев рождения Иисуса.

Самым большим недостатком машинного обучения или глубокого обучения является его зависимость от прецедентных данных и вмешательства человека (обучение с учителем, обучение данным). Ни один из подходов не может быть применен к первому в своем роде событию. Интересно, если мы продолжим идти по этому пути в поисках разума, сможем ли мы когда-нибудь решить «первые в своем роде» проблемы, не говоря уже о том, чтобы найти новые решения? Это не означает, что машинное обучение или глубокое обучение не создают экономической ценности — ценность огромна. Мы также можем постепенно использовать автоматизацию, чтобы помочь нам найти решения, работая в тандеме с человеческим интеллектом.

Я пришел к такому выводу более 30 лет назад, когда использовал что-то похожее на сегодняшние нейронные сети для создания экспертных систем. Названия тогда были другими, но идея была та же. То, что люди сейчас называют нейронами, я назвал мемронами (в статьях, опубликованных на симпозиуме IEEE). Перенесемся в сегодняшний день. Мои поиски ИИ в конечном итоге привели меня к разработке новой идеи, которая позволила мне выполнять исчисление более высокого порядка с помощью символов. Это исследование позволило мне создать систему понимания естественного языка (NLU), которая может читать корпус любого типа и любого размера без предварительного изучения соответствующего предмета или специфики предметной области. После сравнения его с существенными наборами данных, такими как Enron Email Corpus, я начал понимать, каким должен быть искусственный интеллект. Для того, что неизвестно мне и моей системе, а также первым в своем роде проблемам, которые в настоящее время требуют многочасовых человеческих усилий, моя система способна справиться лучше менее чем за 50 минут — полностью без участия человека. . Я задаюсь вопросом, является ли это шагом к настоящему искусственному интеллекту?