Maandishi haya sio matokeo ya utafiti wa kisayansi, lakini moja ya maoni mengi kuhusu maendeleo yetu ya haraka ya kiteknolojia. Na wakati huo huo mwaliko wa majadiliano.
Gary Marcus, profesa katika Chuo Kikuu cha New York, anaamini kwamba kujifunza kwa kina kunachukua nafasi muhimu katika ukuzaji wa AI. Lakini pia anaamini kuwa shauku kubwa kwa mbinu hii inaweza kusababisha kudharauliwa kwake.
Katika kitabu chake Kuwasha upya AI: Kuunda akili bandia tunaweza kuamini Marcus, mwanasayansi wa neva kwa mafunzo ambaye amejijengea taaluma ya utafiti wa kisasa wa AI, anashughulikia vipengele vya kiufundi na kimaadili. Kwa mtazamo wa teknolojia, kujifunza kwa kina kunaweza kuiga kwa ufanisi kazi za utambuzi zinazofanywa na akili zetu, kama vile utambuzi wa picha au usemi. Lakini kwa kazi zingine, kama vile kuelewa mazungumzo au kuamua uhusiano wa sababu-na-athari, kujifunza kwa kina hakufai. Ili kuunda mashine zenye akili za hali ya juu zaidi zinazoweza kutatua matatizo mengi zaidiβambayo mara nyingi huitwa akili ya jumla ya bandiaβkujifunza kwa kina kunahitaji kuunganishwa na mbinu nyinginezo.
Ikiwa mfumo wa AI hauelewi kikamilifu kazi zake au ulimwengu unaozunguka, hii inaweza kusababisha matokeo hatari. Hata mabadiliko madogo yasiyotarajiwa katika mazingira ya mfumo yanaweza kusababisha tabia potofu. Tayari kumekuwa na mifano mingi kama hii: viambishi vya misemo isiyofaa ambayo ni rahisi kudanganya; mifumo ya kutafuta kazi ambayo mara kwa mara inabagua; magari yasiyo na dereva ambayo huanguka na wakati mwingine kuua dereva au mtembea kwa miguu. Kuunda akili ya jumla ya bandia sio tu shida ya kuvutia ya utafiti, ina matumizi mengi ya vitendo kabisa.
Katika kitabu chao, Marcus na mwandishi mwenza Ernest Davis wanabishana kwa njia tofauti. Wanaamini kuwa bado tuko mbali na kuunda AI ya jumla, lakini wana hakika kwamba hivi karibuni au baadaye itawezekana kuunda.
Kwa nini tunahitaji AI ya jumla? Matoleo maalum tayari yameundwa na kuleta faida nyingi.
Hiyo ni kweli, na kutakuwa na faida zaidi. Lakini kuna shida nyingi ambazo AI maalum haiwezi kutatua. Kwa mfano, kuelewa matamshi ya kawaida, au usaidizi wa jumla katika ulimwengu pepe, au roboti inayosaidia kusafisha na kupika. Kazi kama hizo ni zaidi ya uwezo wa AI maalum. Swali lingine la kuvutia la vitendo: inawezekana kuunda gari salama la kujiendesha kwa kutumia AI maalum? Uzoefu unaonyesha kwamba AI hiyo bado ina matatizo mengi na tabia katika hali isiyo ya kawaida, hata wakati wa kuendesha gari, ambayo inachanganya sana hali hiyo.
Nadhani sote tungependa kuwa na AI ambayo inaweza kutusaidia kufanya uvumbuzi mpya katika dawa. Haijulikani ikiwa teknolojia za sasa zinafaa kwa hili, kwani biolojia ni uwanja mgumu. Unahitaji kuwa tayari kusoma vitabu vingi. Wanasayansi wanaelewa uhusiano wa sababu-na-athari katika mwingiliano wa mitandao na molekuli, wanaweza kuendeleza nadharia kuhusu sayari, na kadhalika. Walakini, kwa AI maalum, hatuwezi kuunda mashine zenye uwezo wa uvumbuzi kama huo. Na kwa AI ya jumla, tunaweza kuleta mapinduzi katika sayansi, teknolojia na dawa. Kwa maoni yangu, ni muhimu sana kuendelea kufanya kazi kuelekea kuunda AI ya jumla.
Inaonekana kama kwa "jumla" unamaanisha AI yenye nguvu?
Kwa "jumla" ninamaanisha kwamba AI itaweza kufikiria na kutatua matatizo mapya kwa kuruka. Tofauti, sema, Nenda, ambapo shida haijabadilika kwa miaka 2000 iliyopita.
AI ya jumla inapaswa kuwa na uwezo wa kufanya maamuzi katika siasa na dawa. Hii ni sawa na uwezo wa binadamu; mtu yeyote mwenye akili timamu anaweza kufanya mengi. Unachukua wanafunzi wasio na uzoefu na ndani ya siku chache wafanye washughulikie karibu kila kitu, kutoka kwa shida ya kisheria hadi shida ya kiafya. Hii ni kwa sababu wana ufahamu wa jumla wa ulimwengu na wanaweza kusoma, na kwa hivyo wanaweza kuchangia anuwai ya shughuli.
Uhusiano kati ya akili kama hiyo na akili kali ni kwamba akili isiyo na nguvu labda haitaweza kutatua shida za jumla. Ili kuunda kitu chenye nguvu vya kutosha kukabiliana na ulimwengu unaobadilika kila wakati, unaweza kuhitaji angalau kukaribia akili ya jumla.
Lakini sasa tuko mbali sana na hili. AlphaGo inaweza kucheza vyema kwenye ubao wa 19x19, lakini inahitaji kufunzwa tena ili kucheza kwenye ubao wa mstatili. Au chukua wastani wa mfumo wa kujifunza kwa kina: inaweza kumtambua tembo ikiwa ina mwanga mzuri na umbile lake la ngozi linaonekana. Na ikiwa tu silhouette ya tembo inaonekana, mfumo hautaweza kuitambua.
Katika kitabu chako, unataja kwamba kujifunza kwa kina hakuwezi kufikia uwezo wa AI ya jumla kwa sababu haina uwezo wa kuelewa kwa kina.
Katika sayansi ya utambuzi wanazungumza juu ya malezi ya mifano anuwai ya utambuzi. Nimekaa katika chumba cha hoteli na ninaelewa kuwa kuna chumbani, kuna kitanda, kuna TV ambayo imefungwa kwa njia isiyo ya kawaida. Najua vitu hivi vyote, sivitambui tu. Ninaelewa pia jinsi wanavyounganishwa na kila mmoja. Nina mawazo kuhusu utendaji kazi wa ulimwengu unaonizunguka. Wao si wakamilifu. Wanaweza kuwa na makosa, lakini ni nzuri kabisa. Na kwa kuzingatia yao, mimi hufanya hitimisho nyingi ambazo huwa miongozo ya vitendo vyangu vya kila siku.
Hali nyingine iliyokithiri ilikuwa kama mfumo wa mchezo wa Atari uliojengwa na DeepMind, ambamo ilikumbuka kile ilichohitaji kufanya ilipoona saizi katika sehemu fulani kwenye skrini. Ukipata data ya kutosha, unaweza kufikiria kuwa una uelewa, lakini kwa kweli ni ya juu juu sana. Uthibitisho wa hii ni kwamba ikiwa unasonga vitu kwa saizi tatu, AI inacheza mbaya zaidi. Mabadiliko yanamshangaza. Hii ni kinyume cha ufahamu wa kina.
Ili kutatua tatizo hili, unapendekeza kurudi kwa AI ya classical. Ni faida gani tunapaswa kujaribu kutumia?
Kuna faida kadhaa.
Kwanza, AI ya kitamaduni kwa kweli ni mfumo wa kuunda mifano ya utambuzi ya ulimwengu, kulingana na ambayo hitimisho linaweza kutolewa.
Pili, AI ya classical inaendana kikamilifu na sheria. Kuna mwelekeo wa ajabu katika kujifunza kwa kina hivi sasa ambapo wataalam wanajaribu kuepuka sheria. Wanataka kufanya kila kitu kwenye mitandao ya neural na wasifanye chochote ambacho kinaonekana kama programu ya classical. Lakini kuna shida ambazo zilitatuliwa kwa utulivu kwa njia hii, na hakuna mtu aliyezingatia. Kwa mfano, kujenga njia katika Ramani za Google.
Kwa kweli, tunahitaji mbinu zote mbili. Kujifunza kwa mashine ni vizuri katika kujifunza kutoka kwa data, lakini ni duni sana katika kuwakilisha uondoaji ambao ni programu ya kompyuta. AI ya kawaida hufanya kazi vizuri na vifupisho, lakini lazima iwekwe kwa mikono, na kuna maarifa mengi sana ulimwenguni kuyapanga yote. Ni wazi tunahitaji kuchanganya mbinu zote mbili.
Hii inafungamana na sura ambayo unazungumza juu ya kile tunachoweza kujifunza kutoka kwa akili ya mwanadamu. Na kwanza kabisa, juu ya dhana kulingana na wazo lililotajwa hapo juu kwamba ufahamu wetu una mifumo mingi tofauti inayofanya kazi kwa njia tofauti.
Nadhani njia nyingine ya kuelezea hii ni kwamba kila mfumo wa utambuzi tulionao hutatua shida tofauti. Sehemu zinazofanana za AI lazima ziundwa ili kutatua matatizo tofauti ambayo yana sifa tofauti.
Sasa tunajaribu kutumia baadhi ya teknolojia za kila moja ili kutatua matatizo ambayo ni tofauti kabisa kutoka kwa kila mmoja. Kuelewa sentensi sio sawa kabisa na kutambua kitu. Lakini watu wanajaribu kutumia kujifunza kwa kina katika visa vyote viwili. Kwa mtazamo wa utambuzi, hizi ni kazi tofauti za ubora. Ninashangazwa tu na jinsi shukrani ndogo ilivyo kwa AI ya kitamaduni katika jumuiya ya kujifunza kwa kina. Kwa nini kusubiri risasi ya fedha kuonekana? Haiwezekani, na utafutaji usio na matunda hauturuhusu kuelewa ugumu kamili wa kazi ya kuunda AI.
Pia unataja kuwa mifumo ya AI inahitajika ili kuelewa uhusiano wa sababu-na-athari. Je, unafikiri kujifunza kwa kina, AI ya kitambo, au kitu kipya kabisa kutatusaidia na hili?
Hili ni eneo lingine ambalo ujifunzaji wa kina haufai. Haielezi sababu za matukio fulani, lakini huhesabu uwezekano wa tukio chini ya hali fulani.
Tunazungumzia nini? Unatazama hali fulani, na unaelewa kwa nini hii inatokea na nini kinaweza kutokea ikiwa hali fulani zitabadilika. Ninaweza kutazama stendi ambayo TV inakaa na kufikiria kwamba ikiwa nikikata mguu wake mmoja, stendi itapinduka na TV itaanguka. Huu ni uhusiano wa sababu na athari.
AI ya Kawaida inatupa zana kadhaa za hii. Anaweza kufikiria, kwa mfano, msaada ni nini na kuanguka ni nini. Lakini sitaipongeza sana. Shida ni kwamba AI ya kitamaduni inategemea habari kamili juu ya kile kinachotokea, na nilikuja kumalizia kwa kuangalia tu msimamo. Ninaweza kwa namna fulani kujumlisha, fikiria sehemu za msimamo ambazo hazionekani kwangu. Bado hatuna zana za kutekeleza mali hii.
Unasema pia kwamba watu wana ujuzi wa kuzaliwa. Hii inawezaje kutekelezwa katika AI?
Wakati wa kuzaliwa, ubongo wetu tayari ni mfumo wa kufafanua sana. Sio fasta asili imeunda rasimu ya kwanza, mbaya. Na kisha kujifunza hutusaidia kurekebisha rasimu hiyo katika maisha yetu yote.
Rasimu mbaya ya ubongo tayari ina uwezo fulani. Mbuzi mchanga wa mlimani anaweza kuteremka mlimani bila kukosea ndani ya saa chache. Ni dhahiri kwamba tayari ana ufahamu wa nafasi tatu-dimensional, mwili wake na uhusiano kati yao. Mfumo tata sana.
Hii ndiyo sababu ninaamini tunahitaji mahuluti. Ni vigumu kufikiria jinsi mtu anavyoweza kuunda roboti inayofanya kazi vizuri katika ulimwengu usio na ujuzi sawa wa wapi pa kuanzia, badala ya kuanza na slate tupu na kujifunza kutokana na uzoefu mrefu, mkubwa.
Kuhusu wanadamu, ujuzi wetu wa kuzaliwa hutoka kwa genome yetu, ambayo imebadilika kwa muda mrefu. Lakini kwa mifumo ya AI itabidi tuende njia tofauti. Sehemu ya hii inaweza kuwa sheria za kuunda algoriti zetu. Sehemu ya hii inaweza kuwa sheria za kuunda miundo ya data ambayo algoriti hizi hudhibiti. Na sehemu ya hii inaweza kuwa maarifa ambayo tutawekeza moja kwa moja kwenye mashine.
Inafurahisha kwamba katika kitabu unaleta wazo la uaminifu na uundaji wa mifumo ya kuamini. Kwa nini umechagua kigezo hiki mahususi?
Ninaamini kuwa leo hii yote ni mchezo wa mpira. Inaonekana kwangu kwamba tunaishi katika wakati wa ajabu katika historia, tukiamini programu nyingi ambazo si za kuaminika. Nadhani wasiwasi tulio nao leo hautadumu milele. Katika miaka mia moja, AI itahalalisha uaminifu wetu, na labda mapema.
Lakini leo AI ni hatari. Sio kwa maana kwamba Elon Musk anaogopa, lakini kwa maana kwamba mifumo ya mahojiano ya kazi inabagua wanawake, bila kujali waandaaji wa programu wanafanya nini, kwa sababu zana zao ni rahisi sana.
Natamani tungekuwa na AI bora. Sitaki kuona "I baridi" ambapo watu wanatambua kuwa AI haifanyi kazi na ni hatari tu na hawataki kuirekebisha.
Kwa njia fulani, kitabu chako kinaonekana kuwa na matumaini makubwa. Unafikiri kwamba inawezekana kujenga AI ya kuaminika. Tunahitaji tu kuangalia katika mwelekeo tofauti.
Hiyo ni kweli, kitabu kina tamaa sana kwa muda mfupi na kina matumaini sana kwa muda mrefu. Tunaamini kwamba matatizo yote ambayo tumeeleza yanaweza kutatuliwa kwa kuangalia kwa mapana zaidi majibu sahihi yanapaswa kuwa nini. Na tunafikiri kwamba hili likitokea, dunia itakuwa mahali pazuri zaidi.
Chanzo: mapenzi.com