ພວກເຮົາບໍ່ສາມາດໄວ້ວາງໃຈລະບົບ AI ທີ່ສ້າງຂຶ້ນໃນການຮຽນຮູ້ເລິກພຽງຢ່າງດຽວ

ຂໍ້ພຣະຄໍາພີນີ້ບໍ່ແມ່ນຜົນຂອງການຄົ້ນຄວ້າວິທະຍາສາດ, ແຕ່ຫນຶ່ງໃນຫຼາຍຄວາມຄິດເຫັນກ່ຽວກັບການພັດທະນາເຕັກໂນໂລຢີຂອງພວກເຮົາທັນທີທັນໃດ. ແລະໃນເວລາດຽວກັນມີການເຊື້ອເຊີນການສົນທະນາ.

Gary Marcus, ສາດສະດາຈານຢູ່ມະຫາວິທະຍາໄລນິວຢອກ, ເຊື່ອວ່າການຮຽນຮູ້ເລິກເຊິ່ງມີບົດບາດສໍາຄັນໃນການພັດທະນາ AI. ແຕ່ລາວຍັງເຊື່ອວ່າຄວາມກະຕືລືລົ້ນຫຼາຍເກີນໄປສໍາລັບເຕັກນິກນີ້ສາມາດນໍາໄປສູ່ຄວາມຫນ້າເຊື່ອຖືຂອງມັນ.

ໃນປື້ມຂອງລາວ Rebooting AI: ການສ້າງປັນຍາປະດິດທີ່ພວກເຮົາສາມາດໄວ້ວາງໃຈໄດ້ Marcus, ນັກວິທະຍາສາດທາງດ້ານ neuroscientist ໂດຍການຝຶກອົບຮົມຜູ້ທີ່ໄດ້ສ້າງອາຊີບໃນການຄົ້ນຄວ້າ AI ທີ່ທັນສະໄຫມ, ແກ້ໄຂບັນຫາດ້ານວິຊາການແລະດ້ານຈັນຍາບັນ. ຈາກທັດສະນະດ້ານເຕັກໂນໂລຢີ, ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງສາມາດຮຽນແບບຢ່າງປະສົບຜົນສໍາເລັດທີ່ສະຫມອງຂອງພວກເຮົາປະຕິບັດ, ເຊັ່ນ: ການຮັບຮູ້ຮູບພາບຫຼືສຽງເວົ້າ. ແຕ່ສໍາລັບວຽກງານອື່ນໆ, ເຊັ່ນຄວາມເຂົ້າໃຈການສົນທະນາຫຼືການກໍານົດການພົວພັນທີ່ເປັນສາເຫດແລະຜົນກະທົບ, ການຮຽນຮູ້ເລິກແມ່ນບໍ່ເຫມາະສົມ. ເພື່ອສ້າງເຄື່ອງຈັກອັດສະລິຍະທີ່ກ້າວໜ້າກວ່າທີ່ສາມາດແກ້ໄຂບັນຫາໄດ້ກວ້າງຂຶ້ນ - ມັກຈະເອີ້ນວ່າປັນຍາປະດິດ - ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງຈະຕ້ອງປະສົມປະສານກັບເຕັກນິກອື່ນໆ.

ຖ້າລະບົບ AI ບໍ່ເຂົ້າໃຈຢ່າງແທ້ຈິງກ່ຽວກັບວຽກງານຂອງມັນຫຼືໂລກອ້ອມຂ້າງມັນ, ນີ້ສາມາດນໍາໄປສູ່ຜົນສະທ້ອນອັນຕະລາຍ. ເຖິງແມ່ນວ່າການປ່ຽນແປງທີ່ບໍ່ຄາດຄິດເລັກນ້ອຍໃນສະພາບແວດລ້ອມຂອງລະບົບສາມາດນໍາໄປສູ່ພຶດຕິກໍາທີ່ຜິດພາດ. ໄດ້ມີຕົວຢ່າງດັ່ງກ່າວຫຼາຍແລ້ວ: ກໍານົດການສະແດງອອກທີ່ບໍ່ເຫມາະສົມທີ່ງ່າຍທີ່ຈະຫລອກລວງ; ລະບົບການຊອກຫາວຽກທີ່ຈໍາແນກຢ່າງສະໝໍ່າສະເໝີ; ລົດທີ່ບໍ່ມີຄົນຂັບທີ່ເກີດອຸປະຕິເຫດແລະບາງຄັ້ງເຮັດໃຫ້ຄົນຂັບລົດຫຼືຄົນຍ່າງຕາຍເສຍຊີວິດ. ການສ້າງປັນຍາປະດິດທົ່ວໄປບໍ່ພຽງແຕ່ເປັນບັນຫາການຄົ້ນຄວ້າທີ່ຫນ້າສົນໃຈ, ມັນມີຫຼາຍຄໍາຮ້ອງສະຫມັກປະຕິບັດຢ່າງສົມບູນ.

ໃນປື້ມຂອງພວກເຂົາ, Marcus ແລະຜູ້ຂຽນຮ່ວມຂອງລາວ Ernest Davis ໄດ້ໂຕ້ຖຽງກັນສໍາລັບເສັ້ນທາງທີ່ແຕກຕ່າງກັນ. ພວກເຂົາເຊື່ອວ່າພວກເຮົາຍັງຢູ່ໄກຈາກການສ້າງ AI ທົ່ວໄປ, ແຕ່ພວກເຂົາຫມັ້ນໃຈວ່າໄວຫຼືຫຼັງຈາກນັ້ນມັນຈະເປັນໄປໄດ້ທີ່ຈະສ້າງມັນ.

ເປັນຫຍັງພວກເຮົາຕ້ອງການ AI ທົ່ວໄປ? ຮຸ່ນພິເສດໄດ້ຖືກສ້າງຂື້ນແລ້ວແລະນໍາເອົາຜົນປະໂຫຍດຫຼາຍ.

ມັນຖືກຕ້ອງ, ແລະຈະມີຜົນປະໂຫຍດຫຼາຍກວ່າເກົ່າ. ແຕ່ມີບັນຫາຫຼາຍຢ່າງທີ່ AI ພິເສດພຽງແຕ່ບໍ່ສາມາດແກ້ໄຂໄດ້. ຕົວຢ່າງເຊັ່ນ, ຄວາມເຂົ້າໃຈຄໍາເວົ້າທໍາມະດາ, ຫຼືການຊ່ວຍເຫຼືອທົ່ວໄປໃນໂລກ virtual, ຫຼືຫຸ່ນຍົນທີ່ຊ່ວຍໃນການເຮັດຄວາມສະອາດແລະການປຸງແຕ່ງອາຫານ. ວຽກງານດັ່ງກ່າວແມ່ນເກີນຄວາມສາມາດຂອງ AI ພິເສດ. ຄໍາຖາມການປະຕິບັດທີ່ຫນ້າສົນໃຈອີກອັນຫນຶ່ງ: ມັນເປັນໄປໄດ້ທີ່ຈະສ້າງລົດຂັບລົດດ້ວຍຕົນເອງທີ່ປອດໄພໂດຍໃຊ້ AI ພິເສດ? ປະສົບການສະແດງໃຫ້ເຫັນວ່າ AI ດັ່ງກ່າວຍັງມີບັນຫາຫຼາຍຢ່າງກ່ຽວກັບພຶດຕິກໍາໃນສະຖານະການຜິດປົກກະຕິ, ເຖິງແມ່ນວ່າໃນເວລາຂັບລົດ, ເຊິ່ງເຮັດໃຫ້ສະຖານະການສັບສົນຫຼາຍ.

ຂ້າ​ພະ​ເຈົ້າ​ຄິດ​ວ່າ​ພວກ​ເຮົາ​ທຸກ​ຄົນ​ຢາກ​ມີ AI ທີ່​ສາ​ມາດ​ຊ່ວຍ​ໃຫ້​ພວກ​ເຮົາ​ເຮັດ​ໃຫ້​ການ​ຄົ້ນ​ພົບ​ໃຫມ່​ຂະ​ຫນາດ​ໃຫຍ່​ໃນ​ຢາ​ປົວ​ພະ​ຍາດ​. ມັນບໍ່ຈະແຈ້ງວ່າເຕັກໂນໂລຊີໃນປະຈຸບັນແມ່ນເຫມາະສົມສໍາລັບການນີ້, ເນື່ອງຈາກວ່າຊີວະສາດເປັນພາກສະຫນາມສະລັບສັບຊ້ອນ. ທ່ານຈໍາເປັນຕ້ອງກຽມພ້ອມທີ່ຈະອ່ານຫນັງສືຫຼາຍ. ນັກວິທະຍາສາດເຂົ້າໃຈຄວາມສໍາພັນຂອງສາເຫດແລະຜົນກະທົບໃນການໂຕ້ຕອບຂອງເຄືອຂ່າຍແລະໂມເລກຸນ, ສາມາດພັດທະນາທິດສະດີກ່ຽວກັບດາວເຄາະ, ແລະອື່ນໆ. ຢ່າງໃດກໍຕາມ, ດ້ວຍ AI ພິເສດ, ພວກເຮົາບໍ່ສາມາດສ້າງເຄື່ອງຈັກທີ່ມີຄວາມສາມາດໃນການຄົ້ນພົບດັ່ງກ່າວ. ແລະດ້ວຍ AI ທົ່ວໄປ, ພວກເຮົາສາມາດປະຕິວັດວິທະຍາສາດ, ເຕັກໂນໂລຢີ, ແລະຢາ. ໃນຄວາມຄິດເຫັນຂອງຂ້ອຍ, ມັນເປັນສິ່ງສໍາຄັນຫຼາຍທີ່ຈະສືບຕໍ່ເຮັດວຽກເພື່ອສ້າງ AI ທົ່ວໄປ.

ມັນເບິ່ງຄືວ່າ "ໂດຍທົ່ວໄປ" ທ່ານຫມາຍຄວາມວ່າ AI ທີ່ເຂັ້ມແຂງບໍ?

ໂດຍ "ທົ່ວໄປ" ຂ້າພະເຈົ້າຫມາຍຄວາມວ່າ AI ຈະສາມາດຄິດກ່ຽວກັບແລະແກ້ໄຂບັນຫາໃຫມ່ໄດ້ທັນທີ. ບໍ່ເຫມືອນກັບ, ເວົ້າວ່າ, ໄປ, ບ່ອນທີ່ບັນຫາບໍ່ໄດ້ປ່ຽນແປງສໍາລັບ 2000 ປີທີ່ຜ່ານມາ.

AI ທົ່ວໄປຄວນຈະສາມາດຕັດສິນໃຈໄດ້ທັງທາງດ້ານການເມືອງແລະການແພດ. ນີ້ແມ່ນການປຽບທຽບກັບຄວາມສາມາດຂອງມະນຸດ; ຄົນທີ່ມີສະຕິສາມາດເຮັດຫຍັງໄດ້ຫຼາຍ. ທ່ານເອົານັກຮຽນທີ່ບໍ່ມີປະສົບການແລະພາຍໃນສອງສາມມື້ໃຫ້ພວກເຂົາເຮັດວຽກເກືອບທຸກຢ່າງ, ຈາກບັນຫາທາງດ້ານກົດຫມາຍໄປສູ່ບັນຫາທາງການແພດ. ນີ້ແມ່ນຍ້ອນວ່າພວກເຂົາມີຄວາມເຂົ້າໃຈທົ່ວໄປກ່ຽວກັບໂລກແລະສາມາດອ່ານໄດ້, ແລະດັ່ງນັ້ນຈຶ່ງສາມາດປະກອບສ່ວນເຂົ້າໃນກິດຈະກໍາທີ່ກວ້າງຂວາງຫຼາຍ.

ຄວາມສຳພັນລະຫວ່າງຄວາມສະຫຼາດດັ່ງກ່າວ ແລະ ຄວາມສະຫຼາດທີ່ແຂງແຮງຄືປັນຍາອ່ອນທີ່ບໍ່ແຂງແຮງອາດຈະບໍ່ສາມາດແກ້ໄຂບັນຫາທົ່ວໄປໄດ້. ເພື່ອສ້າງບາງສິ່ງບາງຢ່າງທີ່ເຂັ້ມແຂງພຽງພໍທີ່ຈະຈັດການກັບໂລກທີ່ມີການປ່ຽນແປງຕະຫຼອດໄປ, ຢ່າງຫນ້ອຍເຈົ້າອາດຈະຕ້ອງເຂົ້າຫາປັນຍາທົ່ວໄປ.

ແຕ່ດຽວນີ້ພວກເຮົາຢູ່ໄກຈາກນີ້ຫຼາຍ. AlphaGo ສາມາດຫຼິ້ນໄດ້ດີເລີດໃນກະດານ 19x19, ແຕ່ມັນຈໍາເປັນຕ້ອງໄດ້ຝຶກຊ້ອມເພື່ອຫຼິ້ນໃນກະດານສີ່ຫຼ່ຽມ. ຫຼືເອົາລະບົບການຮຽນຮູ້ເລິກໂດຍສະເລ່ຍ: ມັນສາມາດຮັບຮູ້ຊ້າງໄດ້ຖ້າມັນສະຫວ່າງດີແລະໂຄງສ້າງຜິວຫນັງຂອງມັນເຫັນໄດ້. ແລະຖ້າຫາກວ່າພຽງແຕ່ silhouette ຂອງຊ້າງແມ່ນສັງເກດເຫັນ, ລະບົບອາດຈະບໍ່ສາມາດຮັບຮູ້ມັນ.

ໃນປື້ມຂອງທ່ານ, ທ່ານກ່າວເຖິງວ່າການຮຽນຮູ້ເລິກເຊິ່ງບໍ່ສາມາດບັນລຸຄວາມສາມາດຂອງ AI ທົ່ວໄປເພາະວ່າມັນບໍ່ສາມາດເຂົ້າໃຈໄດ້ເລິກເຊິ່ງ.

ໃນ​ວິ​ທະ​ຍາ​ສາດ​ມັນ​ສະ​ຫມອງ​ເຂົາ​ເຈົ້າ​ສົນ​ທະ​ນາ​ກ່ຽວ​ກັບ​ການ​ສ້າງ​ຕົວ​ແບບ​ມັນ​ສະ​ຫມອງ​ຕ່າງໆ. ຂ້ອຍນັ່ງຢູ່ໃນຫ້ອງໂຮງແຮມແລະຂ້ອຍເຂົ້າໃຈວ່າມີຕູ້ເສື້ອຜ້າ, ມີຕຽງນອນ, ມີໂທລະທັດທີ່ແຂວນຢູ່ໃນແບບທີ່ຜິດປົກກະຕິ. ຂ້ອຍຮູ້ວັດຖຸທັງໝົດນີ້, ຂ້ອຍບໍ່ພຽງແຕ່ລະບຸພວກມັນເທົ່ານັ້ນ. ຂ້າພະເຈົ້າຍັງເຂົ້າໃຈວິທີການທີ່ເຂົາເຈົ້າເຊື່ອມຕໍ່ກັນ. ຂ້ອຍມີແນວຄວາມຄິດກ່ຽວກັບການເຮັດວຽກຂອງໂລກອ້ອມຕົວຂ້ອຍ. ເຂົາເຈົ້າບໍ່ສົມບູນແບບ. ພວກເຂົາອາດຈະຜິດ, ແຕ່ພວກເຂົາຂ້ອນຂ້າງດີ. ແລະອີງໃສ່ພວກມັນ, ຂ້ອຍເຮັດບົດສະຫຼຸບຫຼາຍຢ່າງທີ່ກາຍເປັນຄໍາແນະນໍາສໍາລັບການປະຕິບັດປະຈໍາວັນຂອງຂ້ອຍ.

ທີ່ຮ້າຍໄປອື່ນໆແມ່ນບາງສິ່ງບາງຢ່າງເຊັ່ນ: ລະບົບເກມ Atari ທີ່ສ້າງຂຶ້ນໂດຍ DeepMind, ເຊິ່ງມັນຈື່ຈໍາສິ່ງທີ່ມັນຈໍາເປັນຕ້ອງເຮັດເມື່ອມັນເຫັນ pixels ໃນບາງບ່ອນໃນຫນ້າຈໍ. ຖ້າເຈົ້າໄດ້ຮັບຂໍ້ມູນພຽງພໍ, ເຈົ້າອາດຄິດວ່າເຈົ້າມີຄວາມເຂົ້າໃຈ, ແຕ່ໃນຄວາມເປັນຈິງແລ້ວມັນເປັນເລື່ອງແປກຫຼາຍ. ຫຼັກຖານສະແດງນີ້ແມ່ນວ່າຖ້າທ່ານຍ້າຍວັດຖຸໂດຍສາມ pixels, AI ມີບົດບາດຮ້າຍແຮງກວ່າເກົ່າ. ການປ່ຽນແປງເຮັດໃຫ້ລາວສັບສົນ. ນີ້ແມ່ນກົງກັນຂ້າມກັບຄວາມເຂົ້າໃຈຢ່າງເລິກເຊິ່ງ.

ເພື່ອແກ້ໄຂບັນຫານີ້, ທ່ານສະເຫນີໃຫ້ກັບຄືນສູ່ AI ຄລາສສິກ. ຂໍ້ດີອັນໃດທີ່ເຮົາຄວນພະຍາຍາມໃຊ້?

ມີຫຼາຍຂໍ້ໄດ້ປຽບ.

ກ່ອນອື່ນ ໝົດ, AI ຄລາສສິກແມ່ນຕົວຈິງແລ້ວເປັນກອບໃນການສ້າງຕົວແບບທາງປັນຍາຂອງໂລກ, ໂດຍອີງໃສ່ຂໍ້ສະຫຼຸບທີ່ສາມາດແຕ້ມໄດ້.

ອັນທີສອງ, AI ຄລາສສິກແມ່ນເຫມາະສົມກັບກົດລະບຽບຢ່າງສົມບູນ. ມີທ່າອ່ຽງທີ່ແປກປະຫລາດໃນການຮຽນຮູ້ເລິກໃນປັດຈຸບັນທີ່ຜູ້ຊ່ຽວຊານພະຍາຍາມຫລີກລ້ຽງກົດລະບຽບ. ພວກເຂົາຕ້ອງການເຮັດທຸກຢ່າງໃນເຄືອຂ່າຍ neural ແລະບໍ່ເຮັດຫຍັງທີ່ຄ້າຍຄືກັບການຂຽນໂປຼແກຼມຄລາສສິກ. ແຕ່ມີບັນຫາທີ່ຖືກແກ້ໄຂຢ່າງສະຫງົບດ້ວຍວິທີນີ້, ແລະບໍ່ມີໃຜເອົາໃຈໃສ່ກັບມັນ. ຕົວຢ່າງ, ການສ້າງເສັ້ນທາງໃນ Google Maps.

ໃນຄວາມເປັນຈິງ, ພວກເຮົາຕ້ອງການທັງສອງວິທີການ. ການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນດີໃນການຮຽນຮູ້ຈາກຂໍ້ມູນ, ແຕ່ບໍ່ດີຫຼາຍໃນການເປັນຕົວແທນຂອງ abstraction ທີ່ເປັນໂຄງການຄອມພິວເຕີ. AI ຄລາສສິກເຮັດວຽກໄດ້ດີກັບ abstractions, ແຕ່ມັນຕ້ອງໄດ້ຮັບການດໍາເນີນໂຄງການທັງຫມົດດ້ວຍມື, ແລະມີຄວາມຮູ້ຫຼາຍເກີນໄປໃນໂລກທີ່ຈະຂຽນມັນທັງຫມົດ. ແນ່ນອນ, ພວກເຮົາຈໍາເປັນຕ້ອງໄດ້ສົມທົບທັງສອງວິທີການ.

ນີ້ກ່ຽວຂ້ອງກັບບົດທີ່ເຈົ້າເວົ້າກ່ຽວກັບສິ່ງທີ່ພວກເຮົາສາມາດຮຽນຮູ້ຈາກຈິດໃຈຂອງມະນຸດ. ແລະທໍາອິດຂອງການທັງຫມົດ, ກ່ຽວກັບແນວຄວາມຄິດໂດຍອີງໃສ່ແນວຄວາມຄິດທີ່ໄດ້ກ່າວມາຂ້າງເທິງນີ້ສະຕິຂອງພວກເຮົາປະກອບດ້ວຍຫຼາຍລະບົບທີ່ແຕກຕ່າງກັນທີ່ເຮັດວຽກໃນຮູບແບບທີ່ແຕກຕ່າງກັນ.

ຂ້າພະເຈົ້າຄິດວ່າວິທີອື່ນທີ່ຈະອະທິບາຍນີ້ແມ່ນວ່າແຕ່ລະລະບົບມັນສະຫມອງທີ່ພວກເຮົາມີແກ້ໄຂບັນຫາທີ່ແຕກຕ່າງກັນຢ່າງແທ້ຈິງ. ພາກສ່ວນທີ່ຄ້າຍຄືກັນຂອງ AI ຕ້ອງໄດ້ຮັບການອອກແບບເພື່ອແກ້ໄຂບັນຫາທີ່ແຕກຕ່າງກັນທີ່ມີລັກສະນະທີ່ແຕກຕ່າງກັນ.

ໃນປັດຈຸບັນພວກເຮົາກໍາລັງພະຍາຍາມໃຊ້ເຕັກໂນໂລຢີທັງຫມົດໃນຫນຶ່ງເພື່ອແກ້ໄຂບັນຫາທີ່ແຕກຕ່າງຈາກກັນແລະກັນ. ການເຂົ້າໃຈປະໂຫຍກໃດໜຶ່ງບໍ່ແມ່ນຄືກັນກັບການຮັບຮູ້ວັດຖຸ. ແຕ່ປະຊາຊົນກໍາລັງພະຍາຍາມໃຊ້ການຮຽນຮູ້ເລິກເຊິ່ງໃນທັງສອງກໍລະນີ. ຈາກທັດສະນະຂອງມັນສະຫມອງ, ເຫຼົ່ານີ້ແມ່ນວຽກງານທີ່ແຕກຕ່າງກັນທີ່ມີຄຸນນະພາບ. ຂ້າພະເຈົ້າປະຫລາດໃຈພຽງແຕ່ວ່າມີຄວາມຊື່ນຊົມພຽງເລັກນ້ອຍສໍາລັບ AI ຄລາສສິກໃນຊຸມຊົນການຮຽນຮູ້ເລິກ. ເປັນຫຍັງຕ້ອງລໍຖ້າລູກປືນເງິນປະກົດຂຶ້ນ? ມັນບໍ່ສາມາດບັນລຸໄດ້, ແລະການຄົ້ນຫາທີ່ບໍ່ມີຫມາກຜົນບໍ່ອະນຸຍາດໃຫ້ພວກເຮົາເຂົ້າໃຈຄວາມສັບສົນອັນເຕັມທີ່ຂອງວຽກງານໃນການສ້າງ AI.

ທ່ານຍັງໄດ້ກ່າວເຖິງວ່າລະບົບ AI ແມ່ນຈໍາເປັນເພື່ອເຂົ້າໃຈຄວາມສໍາພັນຂອງສາເຫດແລະຜົນກະທົບ. ທ່ານຄິດວ່າການຮຽນຮູ້ເລິກເຊິ່ງ, AI ຄລາສສິກ, ຫຼືສິ່ງໃຫມ່ຢ່າງສົມບູນຈະຊ່ວຍພວກເຮົາໃນເລື່ອງນີ້ບໍ?

ນີ້​ແມ່ນ​ອີກ​ຂົງ​ເຂດ​ທີ່​ການ​ຮຽນ​ຮູ້​ເລິກ​ແມ່ນ​ບໍ່​ເຫມາະ​ສົມ​ທີ່​ດີ. ມັນບໍ່ໄດ້ອະທິບາຍສາເຫດຂອງເຫດການທີ່ແນ່ນອນ, ແຕ່ຄິດໄລ່ຄວາມເປັນໄປໄດ້ຂອງເຫດການພາຍໃຕ້ເງື່ອນໄຂທີ່ກໍານົດ.

ພວກເຮົາເວົ້າກ່ຽວກັບຫຍັງ? ເຈົ້າເບິ່ງສະຖານະການບາງຢ່າງ, ແລະເຈົ້າເຂົ້າໃຈວ່າເປັນຫຍັງເຫດການນີ້ເກີດຂຶ້ນແລະສິ່ງທີ່ອາດຈະເກີດຂຶ້ນຖ້າສະຖານະການປ່ຽນແປງ. ຂ້ອຍ​ສາມາດ​ເບິ່ງ​ຂາ​ທີ່​ໂທລະທັດ​ນັ່ງ​ໄດ້ ແລະ​ຈິນຕະນາການ​ວ່າ​ຖ້າ​ຂ້ອຍ​ຕັດ​ຂາ​ຂາ​ໜຶ່ງ​ອອກ, ຂາ​ຢືນ​ຈະ​ຢຽດ​ປາຍ ແລະ​ໂທລະທັດ​ຈະ​ຕົກ. ນີ້​ແມ່ນ​ສາຍ​ພົວ​ພັນ​ສາ​ເຫດ​ແລະ​ຜົນ​ກະ​ທົບ​.

AI ຄລາສສິກໃຫ້ພວກເຮົາມີເຄື່ອງມືບາງຢ່າງສໍາລັບການນີ້. ຕົວຢ່າງ, ລາວສາມາດຈິນຕະນາການວ່າການສະຫນັບສະຫນູນແມ່ນຫຍັງແລະການຫຼຸດລົງແມ່ນຫຍັງ. ແຕ່​ຂ້າ​ພະ​ເຈົ້າ​ຈະ​ບໍ່​ຍົກ​ຍ້ອງ​ເກີນ​ໄປ. ບັນຫາແມ່ນວ່າ AI ຄລາສສິກສ່ວນໃຫຍ່ແມ່ນຂຶ້ນກັບຂໍ້ມູນຄົບຖ້ວນສົມບູນກ່ຽວກັບສິ່ງທີ່ເກີດຂື້ນ, ແລະຂ້ອຍໄດ້ສະຫຼຸບພຽງແຕ່ເບິ່ງຈຸດຢືນ. ຂ້າ​ພະ​ເຈົ້າ​ສາ​ມາດ somehow generalize, ຈິນ​ຕະ​ນາ​ການ​ພາກ​ສ່ວນ​ຂອງ​ການ​ຢືນ​ທີ່​ບໍ່​ໄດ້​ສັງ​ເກດ​ເຫັນ​ໃຫ້​ຂ້າ​ພະ​ເຈົ້າ. ພວກເຮົາຍັງບໍ່ມີເຄື່ອງມືເພື່ອປະຕິບັດຄຸນສົມບັດນີ້.

ເຈົ້າຍັງເວົ້າອີກວ່າ ຄົນເຮົາມີຄວາມຮູ້ມາແຕ່ເກີດ. ວິທີການນີ້ສາມາດຖືກປະຕິບັດໃນ AI?

ໃນຕອນເກີດ, ສະໝອງຂອງເຮົາເປັນລະບົບທີ່ລະອຽດອ່ອນແລ້ວ. ມັນບໍ່ໄດ້ຖືກແກ້ໄຂ; ແລະຫຼັງຈາກນັ້ນການຮຽນຮູ້ຊ່ວຍພວກເຮົາທົບທວນຮ່າງນັ້ນຕະຫຼອດຊີວິດຂອງພວກເຮົາ.

ຮ່າງຫຍາບໆຂອງສະຫມອງມີຄວາມສາມາດທີ່ແນ່ນອນແລ້ວ. ແບ້ພູເຂົາເກີດໃໝ່ສາມາດລົງຈາກພູເຂົາໄດ້ພາຍໃນສອງສາມຊົ່ວໂມງ. ມັນເຫັນໄດ້ຊັດເຈນວ່າລາວມີຄວາມເຂົ້າໃຈກ່ຽວກັບຊ່ອງສາມມິຕິ, ຮ່າງກາຍຂອງລາວແລະຄວາມສໍາພັນລະຫວ່າງພວກມັນ. ລະບົບທີ່ສັບສົນຫຼາຍ.

ນີ້ແມ່ນບາງສ່ວນວ່າເປັນຫຍັງຂ້ອຍເຊື່ອວ່າພວກເຮົາຕ້ອງການລູກປະສົມ. ມັນເປັນການຍາກທີ່ຈະຈິນຕະນາການວ່າຄົນເຮົາສາມາດສ້າງຫຸ່ນຍົນທີ່ເຮັດວຽກໄດ້ດີໃນໂລກທີ່ບໍ່ມີຄວາມຮູ້ທີ່ຄ້າຍຄືກັນກັບບ່ອນທີ່ຈະເລີ່ມຕົ້ນ, ແທນທີ່ຈະເລີ່ມຕົ້ນດ້ວຍແຜ່ນປ້າຍໂຄສະນາທີ່ຫວ່າງເປົ່າແລະການຮຽນຮູ້ຈາກປະສົບການອັນຍາວນານ.

ສໍາລັບມະນຸດ, ຄວາມຮູ້ຈາກກໍາເນີດຂອງພວກເຮົາແມ່ນມາຈາກ genome ຂອງພວກເຮົາ, ເຊິ່ງໄດ້ພັດທະນາມາເປັນເວລາດົນນານ. ແຕ່ດ້ວຍລະບົບ AI ພວກເຮົາຈະຕ້ອງໄປໃນເສັ້ນທາງທີ່ແຕກຕ່າງກັນ. ສ່ວນຫນຶ່ງຂອງນີ້ອາດຈະເປັນກົດລະບຽບສໍາລັບການກໍ່ສ້າງສູດການຄິດໄລ່ຂອງພວກເຮົາ. ບາງສ່ວນຂອງນີ້ອາດຈະເປັນກົດລະບຽບສໍາລັບການສ້າງໂຄງສ້າງຂໍ້ມູນທີ່ algorithms ເຫຼົ່ານີ້ manipulate. ແລະສ່ວນຫນຶ່ງຂອງນີ້ອາດຈະເປັນຄວາມຮູ້ທີ່ພວກເຮົາຈະລົງທຶນໂດຍກົງໃນເຄື່ອງຈັກ.

ມັນຫນ້າສົນໃຈທີ່ຢູ່ໃນປື້ມທີ່ທ່ານເອົາແນວຄວາມຄິດຂອງຄວາມໄວ້ວາງໃຈແລະການສ້າງລະບົບຄວາມໄວ້ວາງໃຈ. ເປັນຫຍັງເຈົ້າຈຶ່ງເລືອກເງື່ອນໄຂສະເພາະນີ້?

ຂ້ອຍເຊື່ອວ່າມື້ນີ້ທັງ ໝົດ ນີ້ແມ່ນເກມບານ. ມັນເບິ່ງຄືວ່າຂ້ອຍກໍາລັງດໍາລົງຊີວິດຜ່ານຊ່ວງເວລາທີ່ແປກປະຫລາດໃນປະຫວັດສາດ, ໄວ້ວາງໃຈກັບຊອບແວຫຼາຍໆຢ່າງທີ່ບໍ່ຫນ້າເຊື່ອຖື. ຂ້າພະເຈົ້າຄິດວ່າຄວາມກັງວົນທີ່ພວກເຮົາມີໃນມື້ນີ້ຈະບໍ່ຢູ່ຕະຫຼອດໄປ. ໃນຫນຶ່ງຮ້ອຍປີ, AI ຈະເຮັດໃຫ້ຄວາມໄວ້ວາງໃຈຂອງພວກເຮົາ, ແລະອາດຈະໄວກວ່ານີ້.

ແຕ່ມື້ນີ້ AI ເປັນອັນຕະລາຍ. ບໍ່ແມ່ນໃນຄວາມຮູ້ສຶກທີ່ Elon Musk ຢ້ານ, ແຕ່ໃນຄວາມຫມາຍທີ່ລະບົບການສໍາພາດວຽກຈໍາແນກແມ່ຍິງ, ບໍ່ວ່ານັກຂຽນໂປລແກລມຈະເຮັດຫຍັງ, ເພາະວ່າເຄື່ອງມືຂອງພວກເຂົາແມ່ນງ່າຍດາຍເກີນໄປ.

ຂ້າພະເຈົ້າຫວັງວ່າພວກເຮົາມີ AI ທີ່ດີກວ່າ. ຂ້ອຍບໍ່ຢາກເຫັນ "ລະດູຫນາວ AI" ບ່ອນທີ່ຄົນຮູ້ວ່າ AI ບໍ່ໄດ້ເຮັດວຽກແລະເປັນອັນຕະລາຍທໍາມະດາແລະບໍ່ຕ້ອງການແກ້ໄຂມັນ.

ໃນບາງທາງ, ປຶ້ມຂອງເຈົ້າເບິ່ງຄືວ່າມີແງ່ດີຫຼາຍ. ທ່ານສົມມຸດວ່າມັນເປັນໄປໄດ້ທີ່ຈະສ້າງ AI ທີ່ເຊື່ອຖືໄດ້. ພວກເຮົາພຽງແຕ່ຕ້ອງການເບິ່ງໃນທິດທາງທີ່ແຕກຕ່າງກັນ.

ຖືກຕ້ອງແລ້ວ, ປຶ້ມມີແງ່ດີຫຼາຍໃນໄລຍະສັ້ນ ແລະໃນແງ່ດີຫຼາຍໃນໄລຍະຍາວ. ພວກເຮົາເຊື່ອວ່າທຸກບັນຫາທີ່ພວກເຮົາໄດ້ອະທິບາຍສາມາດແກ້ໄຂໄດ້ໂດຍການພິຈາລະນາຢ່າງກວ້າງຂວາງວ່າຄໍາຕອບທີ່ຖືກຕ້ອງຄວນຈະເປັນແນວໃດ. ແລະພວກເຮົາຄິດວ່າຖ້າຫາກວ່າສິ່ງດັ່ງກ່າວເກີດຂຶ້ນ, ໂລກຈະເປັນສະຖານທີ່ທີ່ດີກວ່າ.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com