आम्ही केवळ डीप लर्निंगवर तयार केलेल्या एआय सिस्टमवर विश्वास ठेवू शकत नाही

हा मजकूर वैज्ञानिक संशोधनाचा परिणाम नाही, परंतु आपल्या तात्काळ तांत्रिक विकासासंबंधी अनेक मतांपैकी एक आहे. आणि त्याच वेळी चर्चेचे निमंत्रण.

न्यूयॉर्क विद्यापीठातील प्रोफेसर गॅरी मार्कस यांचा असा विश्वास आहे की एआयच्या विकासात सखोल शिक्षण महत्त्वाची भूमिका बजावते. पण या तंत्राचा अतिउत्साहीपणा त्याच्या बदनामीला कारणीभूत ठरू शकतो, असेही तो मानतो.

त्याच्या पुस्तकात AI रीबूट करणे: कृत्रिम बुद्धिमत्ता तयार करणे ज्यावर आम्ही विश्वास ठेवू शकतो मार्कस, एक न्यूरोसायंटिस्ट, ज्याने प्रशिक्षण देऊन अत्याधुनिक AI संशोधनावर करिअर बनवले आहे, तांत्रिक आणि नैतिक पैलूंवर लक्ष केंद्रित करतात. तंत्रज्ञानाच्या दृष्टीकोनातून, सखोल शिक्षण आपल्या मेंदूने केलेल्या आकलनीय कार्यांचे यशस्वीपणे अनुकरण करू शकते, जसे की प्रतिमा किंवा उच्चार ओळखणे. परंतु इतर कार्यांसाठी, जसे की संभाषणे समजून घेणे किंवा कारण-आणि-परिणाम संबंध निश्चित करणे, सखोल शिक्षण योग्य नाही. अधिक प्रगत बुद्धिमान यंत्रे तयार करण्यासाठी जी समस्यांच्या विस्तृत श्रेणीचे निराकरण करू शकतात-ज्याला कृत्रिम सामान्य बुद्धिमत्ता म्हणतात-सखोल शिक्षण इतर तंत्रांसह एकत्र करणे आवश्यक आहे.

जर एआय सिस्टमला त्याची कार्ये किंवा त्याच्या सभोवतालचे जग खरोखरच समजत नसेल, तर त्याचे धोकादायक परिणाम होऊ शकतात. सिस्टीमच्या वातावरणात अगदी थोडेसे अनपेक्षित बदल देखील चुकीचे वर्तन होऊ शकतात. अशी अनेक उदाहरणे आधीच आली आहेत: अयोग्य अभिव्यक्तीचे निर्धारक जे फसवणूक करणे सोपे आहे; नोकरी शोध प्रणाली ज्या सातत्याने भेदभाव करतात; चालकविरहित कार ज्या क्रॅश होतात आणि कधीकधी ड्रायव्हर किंवा पादचाऱ्याचा मृत्यू होतो. कृत्रिम सामान्य बुद्धिमत्ता तयार करणे ही केवळ एक मनोरंजक संशोधन समस्या नाही तर त्यात अनेक पूर्णपणे व्यावहारिक अनुप्रयोग आहेत.

त्यांच्या पुस्तकात, मार्कस आणि त्याचे सह-लेखक अर्नेस्ट डेव्हिस वेगळ्या मार्गासाठी वाद घालतात. त्यांचा असा विश्वास आहे की आम्ही अद्याप सामान्य एआय तयार करण्यापासून दूर आहोत, परंतु त्यांना खात्री आहे की लवकरच किंवा नंतर ते तयार करणे शक्य होईल.

आम्हाला सामान्य एआयची गरज का आहे? विशेष आवृत्त्या आधीच तयार केल्या गेल्या आहेत आणि बरेच फायदे आणतात.

ते बरोबर आहे, आणि आणखी फायदे होतील. परंतु अशा अनेक समस्या आहेत ज्या विशेषीकृत एआय सहजपणे सोडवू शकत नाहीत. उदाहरणार्थ, सामान्य बोलणे समजून घेणे, किंवा आभासी जगात सामान्य सहाय्य करणे किंवा साफसफाई आणि स्वयंपाक करण्यात मदत करणारा रोबोट. अशी कार्ये विशेष AI च्या क्षमतेच्या पलीकडे आहेत. आणखी एक मनोरंजक व्यावहारिक प्रश्न: विशेष एआय वापरून सुरक्षित सेल्फ-ड्रायव्हिंग कार तयार करणे शक्य आहे का? अनुभव दर्शवितो की अशा AI ला अजूनही असामान्य परिस्थितीत वर्तनात अनेक समस्या आहेत, अगदी ड्रायव्हिंग करताना देखील, ज्यामुळे परिस्थिती मोठ्या प्रमाणात गुंतागुंतीची होते.

मला वाटते की आपल्या सर्वांना AI हवे आहे जे आम्हाला औषधात मोठे नवीन शोध लावण्यास मदत करू शकेल. जीवशास्त्र हे एक जटिल क्षेत्र असल्याने सध्याचे तंत्रज्ञान यासाठी योग्य आहे की नाही हे स्पष्ट नाही. भरपूर पुस्तके वाचण्याची तयारी हवी. शास्त्रज्ञ नेटवर्क्स आणि रेणूंच्या परस्परसंवादात कारण-आणि-प्रभाव संबंध समजून घेतात, ग्रहांबद्दल सिद्धांत विकसित करू शकतात, इत्यादी. तथापि, विशेष AI सह, आम्ही अशा शोधांसाठी सक्षम मशीन तयार करू शकत नाही. आणि सामान्य AI सह, आम्ही विज्ञान, तंत्रज्ञान आणि औषधांमध्ये क्रांती करू शकतो. माझ्या मते, सामान्य AI तयार करण्याच्या दिशेने काम करत राहणे खूप महत्वाचे आहे.

असे वाटते की "सामान्य" द्वारे तुम्हाला मजबूत एआय म्हणायचे आहे?

"सर्वसाधारण" द्वारे मला असे म्हणायचे आहे की AI फ्लायवर नवीन समस्यांबद्दल विचार करण्यास आणि सोडवण्यास सक्षम असेल. उलट, म्हणा, जा, जिथे गेल्या 2000 वर्षांपासून समस्या बदललेली नाही.

जनरल AI राजकारण आणि वैद्यक या दोन्ही बाबतीत निर्णय घेण्यास सक्षम असावे. हे मानवी क्षमतेशी साधर्म्य आहे; कोणताही विचारी माणूस खूप काही करू शकतो. तुम्ही अननुभवी विद्यार्थ्यांना घेता आणि काही दिवसातच त्यांना कायदेशीर समस्येपासून वैद्यकीय समस्येपर्यंत जवळजवळ कोणत्याही गोष्टीवर काम करायला लावता. याचे कारण असे आहे की त्यांना जगाची सामान्य समज आहे आणि ते वाचू शकतात आणि त्यामुळे ते खूप विस्तृत क्रियाकलापांमध्ये योगदान देऊ शकतात.

अशा बुद्धिमत्तेचा आणि मजबूत बुद्धिमत्तेचा संबंध असा आहे की मजबूत नसलेली बुद्धिमत्ता कदाचित सामान्य समस्या सोडवू शकणार नाही. सतत बदलणाऱ्या जगाला सामोरे जाण्यासाठी पुरेसे मजबूत काहीतरी तयार करण्यासाठी, तुम्हाला किमान सामान्य बुद्धिमत्तेशी संपर्क साधण्याची आवश्यकता असू शकते.

पण आता आपण यापासून खूप दूर आहोत. AlphaGo 19x19 बोर्डवर उत्तम प्रकारे खेळू शकतो, परंतु आयताकृती बोर्डवर खेळण्यासाठी त्याला पुन्हा प्रशिक्षित करणे आवश्यक आहे. किंवा सरासरी सखोल शिक्षण प्रणाली घ्या: जर तो हत्ती चांगला प्रज्वलित असेल आणि त्याच्या त्वचेचा पोत दिसत असेल तर तो ओळखू शकतो. आणि जर फक्त हत्तीचा सिल्हूट दिसत असेल तर, सिस्टम कदाचित ते ओळखू शकणार नाही.

तुमच्या पुस्तकात तुम्ही नमूद केले आहे की सखोल शिक्षण सामान्य AI ची क्षमता प्राप्त करू शकत नाही कारण ते सखोल समजून घेण्यास सक्षम नाही.

संज्ञानात्मक विज्ञानामध्ये ते विविध संज्ञानात्मक मॉडेल्सच्या निर्मितीबद्दल बोलतात. मी हॉटेलच्या खोलीत बसलो आहे आणि मला समजले आहे की तेथे एक लहान खोली आहे, एक बेड आहे, एक टीव्ही आहे जो असामान्य पद्धतीने टांगलेला आहे. मला या सर्व वस्तू माहित आहेत, मी त्यांना फक्त ओळखत नाही. ते एकमेकांशी कसे जोडलेले आहेत हे देखील मला समजते. माझ्या सभोवतालच्या जगाच्या कार्याबद्दल माझ्या कल्पना आहेत. ते परिपूर्ण नाहीत. ते चुकीचे असू शकतात, परंतु ते चांगले आहेत. आणि त्यांच्या आधारे, मी अनेक निष्कर्ष काढतो जे माझ्या दैनंदिन कृतींसाठी मार्गदर्शक तत्त्वे बनतात.

दुसरी टोकाची गोष्ट म्हणजे DeepMind ने बनवलेली Atari गेम सिस्टीम, ज्यामध्ये स्क्रीनवर काही विशिष्ट ठिकाणी पिक्सेल दिसल्यावर काय करावे लागेल ते लक्षात ठेवले. तुम्हाला पुरेसा डेटा मिळाल्यास, तुम्हाला समजू शकते, परंतु प्रत्यक्षात ते खूप वरवरचे आहे. याचा पुरावा असा आहे की जर तुम्ही वस्तूंना तीन पिक्सेलने हलवले तर AI जास्त वाईट खेळते. बदल त्याला हैराण करतात. हे सखोल आकलनाच्या विरुद्ध आहे.

या समस्येचे निराकरण करण्यासाठी, तुम्ही शास्त्रीय AI वर परत जाण्याचा प्रस्ताव मांडता. आपण कोणते फायदे वापरण्याचा प्रयत्न केला पाहिजे?

अनेक फायदे आहेत.

प्रथम, शास्त्रीय AI हे जगाचे संज्ञानात्मक मॉडेल तयार करण्यासाठी एक फ्रेमवर्क आहे, ज्याच्या आधारे नंतर निष्कर्ष काढले जाऊ शकतात.

दुसरे म्हणजे, शास्त्रीय AI नियमांशी पूर्णपणे सुसंगत आहे. सध्या सखोल शिक्षणात एक विचित्र ट्रेंड आहे जिथे तज्ञ नियम टाळण्याचा प्रयत्न करत आहेत. त्यांना न्यूरल नेटवर्कवर सर्व काही करायचे आहे आणि शास्त्रीय प्रोग्रामिंगसारखे दिसणारे काहीही करायचे नाही. परंतु अशा समस्या आहेत ज्या शांतपणे सोडवल्या गेल्या आणि त्याकडे कोणीही लक्ष दिले नाही. उदाहरणार्थ, Google Maps मध्ये मार्ग तयार करणे.

खरं तर, आपल्याला दोन्ही दृष्टीकोनांची आवश्यकता आहे. डेटामधून शिकण्यासाठी मशीन लर्निंग चांगले आहे, परंतु संगणक प्रोग्राम असलेल्या अमूर्ततेचे प्रतिनिधित्व करण्यात फारच कमी आहे. क्लासिक एआय ॲबस्ट्रॅक्शनसह चांगले कार्य करते, परंतु ते पूर्णपणे हाताने प्रोग्राम केलेले असणे आवश्यक आहे आणि त्या सर्वांना प्रोग्राम करण्यासाठी जगात बरेच ज्ञान आहे. स्पष्टपणे आपल्याला दोन्ही दृष्टिकोन एकत्र करणे आवश्यक आहे.

हे त्या अध्यायाशी संबंधित आहे ज्यामध्ये आपण मानवी मनातून आपण काय शिकू शकतो याबद्दल बोलता. आणि सर्व प्रथम, वर नमूद केलेल्या कल्पनेवर आधारित संकल्पनेबद्दल की आपल्या चेतनेमध्ये अनेक भिन्न प्रणाली असतात ज्या वेगवेगळ्या प्रकारे कार्य करतात.

मला असे वाटते की हे समजावून सांगण्याचा दुसरा मार्ग म्हणजे आपल्याकडील प्रत्येक संज्ञानात्मक प्रणाली खरोखरच वेगळ्या समस्येचे निराकरण करते. AI चे समान भाग भिन्न वैशिष्ट्ये असलेल्या भिन्न समस्यांचे निराकरण करण्यासाठी डिझाइन केलेले असणे आवश्यक आहे.

आता आम्ही एकमेकांपासून पूर्णपणे भिन्न असलेल्या समस्यांचे निराकरण करण्यासाठी सर्व-इन-वन तंत्रज्ञान वापरण्याचा प्रयत्न करीत आहोत. एखादे वाक्य समजणे म्हणजे वस्तू ओळखणे सारखे नसते. परंतु लोक दोन्ही प्रकरणांमध्ये सखोल शिक्षण वापरण्याचा प्रयत्न करीत आहेत. संज्ञानात्मक दृष्टिकोनातून, ही गुणात्मकदृष्ट्या भिन्न कार्ये आहेत. सखोल शिक्षण समुदायामध्ये शास्त्रीय AI साठी किती कमी कौतुक आहे हे पाहून मी आश्चर्यचकित झालो आहे. चांदीची बुलेट दिसण्याची वाट का पाहायची? हे अप्राप्य आहे आणि निष्फळ शोध आम्हाला AI तयार करण्याच्या कार्याची संपूर्ण जटिलता समजू देत नाहीत.

तुम्ही हे देखील नमूद केले आहे की कारण-आणि-प्रभाव संबंध समजून घेण्यासाठी AI प्रणाली आवश्यक आहेत. तुम्हाला असे वाटते का की सखोल शिक्षण, शास्त्रीय AI किंवा पूर्णपणे नवीन काहीतरी आम्हाला यामध्ये मदत करेल?

हे दुसरे क्षेत्र आहे जेथे सखोल शिक्षण योग्य नाही. हे काही घटनांच्या कारणांचे स्पष्टीकरण देत नाही, परंतु दिलेल्या परिस्थितीनुसार एखाद्या घटनेच्या संभाव्यतेची गणना करते.

आम्ही कशाबद्दल बोलत आहोत? तुम्ही काही विशिष्ट परिस्थिती पाहता आणि हे का घडते आणि काही परिस्थिती बदलल्यास काय होऊ शकते हे तुम्हाला समजते. मी टीव्ही ज्या स्टँडवर बसतो त्या स्टँडकडे पाहू शकतो आणि कल्पना करू शकतो की जर मी त्याचा एक पाय कापला तर स्टँड वर जाईल आणि टीव्ही पडेल. हे एक कारण आणि परिणाम संबंध आहे.

क्लासिक AI आम्हाला यासाठी काही साधने देते. तो कल्पना करू शकतो, उदाहरणार्थ, आधार म्हणजे काय आणि पडणे म्हणजे काय. पण मी जास्त प्रशंसा करणार नाही. समस्या अशी आहे की शास्त्रीय AI मुख्यत्वे काय घडत आहे याबद्दल संपूर्ण माहितीवर अवलंबून असते आणि मी फक्त स्टँड पाहून निष्कर्षापर्यंत पोहोचलो. मी कसा तरी सामान्यीकरण करू शकतो, स्टँडच्या काही भागांची कल्पना करू शकतो जे मला दृश्यमान नाहीत. या मालमत्तेची अंमलबजावणी करण्यासाठी आमच्याकडे अद्याप साधने नाहीत.

तुम्ही असेही म्हणता की लोकांना जन्मजात ज्ञान असते. हे AI मध्ये कसे लागू केले जाऊ शकते?

जन्माच्या क्षणी, आपला मेंदू आधीच एक अतिशय विस्तृत प्रणाली आहे. हे निश्चित नाही, निसर्गाने पहिला, खडबडीत मसुदा तयार केला. आणि मग शिकणे आपल्याला आयुष्यभर त्या मसुद्याची उजळणी करण्यास मदत करते.

मेंदूच्या खडबडीत मसुद्यामध्ये आधीच काही क्षमता असतात. एक नवजात माउंटन शेळी काही तासांतच डोंगराच्या कडेला बिनदिक्कतपणे उतरण्यास सक्षम असते. हे स्पष्ट आहे की त्याला त्रिमितीय जागा, त्याचे शरीर आणि त्यांच्यातील नातेसंबंध आधीच समजले आहेत. एक अतिशय जटिल प्रणाली.

यामुळेच अंशतः माझा विश्वास आहे की आपल्याला संकरांची गरज आहे. रिक्त स्लेटने सुरुवात करून आणि दीर्घ, विशाल अनुभवातून शिकण्यापेक्षा, कोठे सुरू करावे या समान ज्ञानाशिवाय जगात चांगले कार्य करणारा रोबोट कसा तयार करू शकतो याची कल्पना करणे कठीण आहे.

मानवांबद्दल, आपले जन्मजात ज्ञान आपल्या जीनोममधून येते, जे बर्याच काळापासून विकसित झाले आहे. पण एआय सिस्टीमसह आम्हाला वेगळ्या मार्गाने जावे लागेल. आमचा अल्गोरिदम तयार करण्याचे नियम यातील एक भाग असू शकतात. या अल्गोरिदममध्ये फेरफार करणाऱ्या डेटा स्ट्रक्चर्स तयार करण्यासाठीचे नियम याचा एक भाग असू शकतो. आणि यातील एक भाग हे ज्ञान असू शकते की आम्ही थेट मशीनमध्ये गुंतवणूक करू.

हे मनोरंजक आहे की पुस्तकात आपण विश्वासाची कल्पना आणि विश्वासार्ह प्रणाली तयार केली आहे. तुम्ही हा विशिष्ट निकष का निवडला?

माझा असा विश्वास आहे की आज हा सर्व बॉल गेम आहे. मला असे वाटते की आपण इतिहासातील एका विचित्र क्षणातून जगत आहोत, विश्वासार्ह नसलेल्या अनेक सॉफ्टवेअरवर विश्वास ठेवून. मला वाटते की आज आपल्याला जी चिंता आहे ती कायम राहणार नाही. शंभर वर्षांत, AI आमच्या विश्वासाला सार्थ ठरवेल, आणि कदाचित लवकरच.

पण आज एआय धोकादायक आहे. इलॉन मस्कला ज्या अर्थाने भीती वाटते त्या अर्थाने नाही, परंतु प्रोग्रामर काय करतात याची पर्वा न करता जॉब इंटरव्ह्यू सिस्टम स्त्रियांशी भेदभाव करतात कारण त्यांची साधने खूप सोपी आहेत.

माझी इच्छा आहे की आमच्याकडे अधिक चांगले AI असेल. मला असा “AI हिवाळा” पहायचा नाही जिथे लोकांना समजेल की AI काम करत नाही आणि ते अगदी साधे धोकादायक आहे आणि ते दुरुस्त करू इच्छित नाही.

काही प्रकारे, तुमचे पुस्तक खूप आशावादी वाटते. तुम्ही असे गृहीत धरता की विश्वासार्ह AI तयार करणे शक्य आहे. आपल्याला फक्त वेगळ्या दिशेने पाहण्याची गरज आहे.

हे बरोबर आहे, पुस्तक अल्पावधीत खूप निराशावादी आहे आणि दीर्घकाळात खूप आशावादी आहे. आम्हाला विश्वास आहे की आम्ही वर्णन केलेल्या सर्व समस्या योग्य उत्तरे कोणती असावीत याचा विस्तृत विचार करून सोडवल्या जाऊ शकतात. आणि आम्हाला वाटते की जर असे झाले तर जग एक चांगले ठिकाण होईल.

स्त्रोत: www.habr.com