Podcast: vai jūs varat iemācīt mašīnai domāt?

Ariels Deiviss





Mākslīgais intelekts ir kļuvis par tik lielu mūsu dzīves daļu, ka jums tiks piedots, ja zaudējat to algoritmu skaitu, ar kuriem mijiedarbojaties. Taču mākslīgais intelekts, kas nodrošina jūsu laika prognozi, Instagram filtru vai iecienītāko Spotify atskaņošanas sarakstu, ir ļoti tālu no hiperinteliģentas domāšanas mašīnas nozares pionieri ir domājuši gadu desmitiem.

Dziļa mācīšanās, tehnoloģija, kas virza pašreizējo AI uzplaukumu , var apmācīt mašīnas, lai tās kļūtu par meistariem visu veidu uzdevumos. Bet vienlaikus tas var mācīties tikai vienu. Un tā kā lielākā daļa AI modeļu apmāca savas prasmes, izmantojot tūkstošiem vai miljoniem esošo piemēru, tie galu galā atkārto modeļus vēsturiskajos datos, tostarp daudzos sliktos lēmumus, ko cilvēki ir pieņēmuši, piemēram, krāsainu un sieviešu marginalizāciju.

Tomēr tādas sistēmas kā galda spēļu čempions AlphaZero un arvien pārliecinošāks viltus teksta ģenerators GPT-3 ir izraisījušas debašu liesmas par to, kad cilvēki radīs mākslīgais vispārējais intelekts — mašīnas, kas spēj veikt vairākus uzdevumus, domāt un spriest par sevi.



Ideja šķeļ. Ārpus atbildes uz kā mēs varētu izstrādāt tehnoloģijas, kas spēj veselo saprātu vai sevis pilnveidošanu, ir vēl viens jautājums: kurš patiešām gūst labumu no cilvēka intelekta replikācijas mākslīgā prātā?

Lielākā daļa vērtības, ko šodien rada AI, atgriežas miljardu dolāru vērtajos uzņēmumos, kuru rīcībā jau ir fantastiski daudz resursu, saka Kārena Hao, MIT Technology Review vecākā AI reportiere un grāmatas autore. Algoritms . Un mēs īsti neesam izdomājuši, kā pārvērst šo vērtību vai izplatīt šo vērtību citiem cilvēkiem.

Šajā Deep Tech epizodē Hao un Vils Duglass Heivens, mūsu vecākais AI redaktors, pievienojas mūsu galvenajam redaktoram Gideonam Lichfield, lai apspriestu dažādas domas par to, vai vispārējais mākslīgais intelekts ir vispār iespējams un kas tas ir. būtu nepieciešams, lai tur nokļūtu.



Skatiet vairāk Deep Tech sēriju šeit.

Rādīt piezīmes un saites:

Pilns sērijas atšifrējums:

Gideons Ličfīlds: Mākslīgais intelekts tagad ir tik visuresošs, ka jūs, iespējams, pat nedomājat par to, ka to izmantojat. Jūsu tīmekļa meklējumi. Google tulkotājs. Balss palīgi, piemēram, Alexa un Siri. Šie jaukie mazie filtri Snapchat un Instagram. Ko jūs redzat un neredzat sociālajos medijos. Krāpšanas brīdinājumi no jūsu kredītkaršu uzņēmuma. Amazon ieteikumi. Spotify atskaņošanas saraksti. Satiksmes norādes. Laika prognoze. Tas viss ir AI, visu laiku.

Un tas viss ir tas, ko mēs varētu saukt par stulbu AI. Nav īsta inteliģence. Patiešām tikai kopēšanas iekārtas: algoritmi, kas ir iemācījušies darīt patiešām konkrētas lietas, apmācot tūkstošiem vai miljoniem pareizu piemēru. Dažās no šīm lietām, piemēram, sejas un runas atpazīšanai, tās jau ir pat precīzākas nekā cilvēkiem.



Visi šie panākumi ir pastiprinājuši veco diskusiju šajā jomā: vai mēs varam radīt strāva intelekts, mašīnas, kas spēj patstāvīgi domāt par sevi? Šodien kopā ar mani ir MIT Technology Review MI komanda: Vils Heivens, mūsu vecākais AI redaktors, un Kārena Hao, mūsu vecākā AI reportiere un grāmatas autore. Algoritms , mūsu AI biļetens. Viņi abi ir sekojuši AI progresam un dažādām domu skolām par to, vai vispārējais mākslīgais intelekts ir vispār iespējams un kas būtu nepieciešams, lai to sasniegtu.

Es esmu Gideons Lichfield, MIT Technology Review galvenais redaktors, un tas ir Deep Tech.

Vil, jūs tikko uzrakstījāt 4000 vārdu garu stāstu par jautājumu, vai mēs varam izveidot mākslīgo vispārējo intelektu. Tātad jums noteikti bija kāds iemesls to darīt ar sevi. Kāpēc šis jautājums šobrīd ir interesants?



Vils Duglass Debess: Tātad vienā ziņā tas vienmēr ir bijis interesanti. AI mērķis jau no paša sākuma ir bijis izveidot mašīnu, kas spēj domāt un darīt lietas, ko var darīt cilvēki, taču tā ir bijusi ilga, ilga cīņa. Un pagātnes ažiotāža ir novedusi pie neveiksmes. Tātad šī ideja par mākslīgo vispārējo intelektu ir kļuvusi, jūs zināt, ļoti pretrunīga un ļoti šķeļ, taču tā atgriežas. Tas lielā mērā ir pateicoties padziļinātās mācīšanās panākumiem pēdējo desmit gadu laikā. Un jo īpaši tādas sistēmas kā Alpha Zero, ko izveidoja DeepMind un var spēlēt Go un Shogi, sava veida japāņu šahu un šahu. Tas pats algoritms var spēlēt visas trīs spēles. Un GPT-3, lielais valodas modelis no OpenAI, kas var neprātīgi atdarināt veidu, kā cilvēki raksta. Tas ir mudinājis cilvēkus, it īpaši pēdējā gada laikā, steigties un vēlreiz uzdot šos jautājumus. Vai mēs esam uz mākslīgā vispārējā intelekta veidošanas sliekšņa? Mašīnas, kas spēj domāt un darīt tādas lietas kā cilvēki.

Gideons Ličfīlds: Kāren, parunāsim mazliet vairāk par GPT-3, ko Vils tikko pieminēja. Jūs zināt, ka šis algoritms ir tāds, ka jūs tam sniedzat dažus vārdus, un tas izspļaus rindkopas un rindkopas no tā, kas pārliecinoši izskatās pēc Šekspīra vai kā cita, ko tam liksiet darīt. Bet kas tajā ir tik ievērojams no AI viedokļa? Ko tas dara, ko agrāk nevarēja izdarīt?

Kārena Hao: Interesanti ir tas, ka es domāju, ka sasniegumi, kas noveda pie GPT-3, patiesībā notika vairākus gadus agrāk. 2017. gadā galvenais izrāviens, kas izraisīja progresa vilni dabiskās valodas apstrādē, notika, publicējot rakstu, kurā tika iepazīstināta ar transformatoru ideju. Un veids, kā transformatora algoritms rīkojas ar valodu, tas aplūko miljoniem vai pat miljardu piemēru, teikumu rindkopas struktūras, varbūt pat koda struktūras. Un tas var iegūt modeļus un ļoti iespaidīgā mērā paredzēt, kuriem vārdiem kopā ir vislielākā jēga, kuriem teikumiem kopā ir vislielākā jēga. Un tad tāpēc veidojiet šīs patiešām garās rindkopas un esejas. Manuprāt, GPT-3 ir paveicis savādāk, ir fakts, ka ir tikai vairākas kārtas vairāk datu, kas tagad tiek izmantoti, lai apmācītu šo transformatora tehniku. Tātad tas, ko OpenAI paveica ar GPT-3, ir tas, ka viņi ne tikai apmāca to, izmantojot citus vārdu piemērus no korpusiem, piemēram, Wikipedia, vai rakstiem, piemēram, New York Times vai Reddit forumiem, vai visas šīs lietas, bet arī apmāca to, teikumu modeļiem, tas apmāca to par rindkopu modeļiem, aplūkojot to, kas ir jēga kā ievadrindkopa salīdzinājumā ar noslēguma rindkopu. Tātad tas tikai iegūst daudz vairāk informācijas un patiešām sāk ļoti precīzi atdarināt to, kā cilvēki raksta vai kā tiek komponētas mūzikas partitūras vai kā tiek kodēta kodēšana.

Tātad tas tikai iegūst daudz vairāk informācijas un patiešām sāk ļoti precīzi atdarināt to, kā cilvēki raksta vai kā tiek komponētas mūzikas partitūras vai kā tiek kodēta kodēšana.

Gideons Ličfīlds: Un pirms transformatoriem, kas var iegūt modeļus no visām šīm dažādajām struktūrām, ko darīja AI?

Kārena Hao: Pirms tam dabiskās valodas apstrāde patiesībā bija .. tā bija daudz elementārāka. Tātad transformatori ir sava veida pašpārraudzīts paņēmiens, kurā algoritmam netiek precīzi pateikts, ko meklēt starp valodu. Tas tikai meklē modeļus pats par sevi un to, kas, pēc tās domām, ir atkārtotas valodas kompozīcijas iezīmes. Bet pirms tam patiesībā bija daudz vairāk uzraudzītas pieejas valodai un daudz stingrāk kodētas valodas pieejas, kurās cilvēki mācīja mašīnas, piemēram, “tie ir lietvārdi, tie ir īpašības vārdi”. Tādā veidā jūs veidojat šīs lietas kopā. Un diemžēl tas ir ļoti darbietilpīgs process, lai mēģinātu izveidot valodu tādā veidā, kur katram vārdam ir jābūt etiķetei. Un mašīnai ir manuāli jāiemāca, kā šīs lietas konstruēt. Un tāpēc tas ierobežoja datu apjomu, no kura šīs metodes varētu iegūt. Un tāpēc valodu sistēmas tiešām nebija pārāk labas.

Gideons Ličfīlds: Tāpēc atgriezīsimies pie šīs atšķirības starp uzraudzīto un pašpārraudzīto mācīšanos, jo es domāju, ka mēs redzēsim, ka tā ir diezgan svarīga daļa no virzības uz kaut ko tādu, kas varētu kļūt par vispārēju inteliģenci. Vils, kā jūs rakstījāt savā rakstā, ir daudz neskaidrību par to, ko mēs pat domājam, sakot mākslīgo vispārējo intelektu. Vai varat nedaudz pastāstīt par iespējām?

Vils Duglass Debess: Ir sava veida spektrs. No vienas puses, jums ir sistēmas, kuras, kā jūs zināt, var veikt daudzas lietas, kuras var veikt šodien, bet, ja vēlaties, stulbs AI, bet visu uzreiz. Un Alpha Zero, iespējams, ir pirmais ieskats tajā. Šis viens algoritms, kas var apmācīt sevi darīt trīs dažādas lietas, taču svarīgs brīdinājums ir tas, ka tas nevar likt sevi veikt šīs trīs lietas vienlaikus. Tātad tas nav kā vienas smadzenes, kas spēj pārslēgties starp uzdevumiem. Kā Deepmind līdzdibinātājs Šeins Legs teica, ka tas ir tā, it kā jums vai man tas ir jādara, jūs zināt, kad mēs sākām spēlēt šahu, mums bija jānomaina savas smadzenes un jāievieto tās savās šaha smadzenēs.

Acīmredzot tas nav ļoti vispārīgs, taču mēs esam uz šāda veida lietu smailes — jūsu veida vairāku rīku AI, kurā viens AI var veikt vairākas dažādas darbības, kuras jau var veikt šaurs AI. Un tad, virzoties uz augšu, iespējams, vairāk cilvēku domā, runājot par AGI, ir domājošas mašīnas, mašīnas, kas biedējošās citātos ir līdzīgas cilvēkiem un spēj veikt vairākus uzdevumus tā, kā to spēj cilvēks. Jūs zināt, ka mēs esam ļoti pielāgojami. Mēs varam pārslēgties starp olu cepšanu un emuāra ieraksta rakstīšanu uz dziedāšanu, jebko. Tomēr ir arī ļaudis, kas dodas tieši otrā spektra galā, kuri arī pieķertos mašīnas apziņai, lai runātu par AGI. Jūs zināt, ka mums nebūs patiesa vispārējā inteliģence vai cilvēkiem līdzīga inteliģence, kamēr mums nebūs mašīna, kas var ne tikai darīt lietas, ko mēs varam darīt, bet arī zina, ka tā var darīt lietas, ko mēs varam darīt, kam ir sava veida. pašrefleksija tur. Es domāju, ka visas šīs definīcijas ir bijušas jau no paša sākuma, taču tā ir viena no lietām, kas padara AGI grūti runāt un diezgan pretrunīgu, jo nav skaidras definīcijas.

Gideons Ličfīlds: Kad mēs runājam par mākslīgo vispārējo intelektu, pastāv šāda veida netiešs pieņēmums, ka arī pats cilvēka intelekts ir absolūti vispārīgs. Tas ir universāls. Mēs varam uzcept olu vai uzrakstīt emuāra ierakstu, vai arī varam dejot vai dziedāt. Un ka visas šīs ir prasmes, kurām vajadzētu būt jebkuram vispārējam intelektam. Bet vai tas tiešām tā ir, vai arī būs dažādi vispārējās inteliģences veidi?

Vils Duglass Debess: Es domāju, un es domāju, ka daudzi AI kopienā arī piekristu, ka ir daudz dažādu intelektu. Mēs esam iestrēguši pie šīs idejas par cilvēkveidīgo inteliģenci, manuprāt, jo cilvēki ilgu laiku ir bijuši mūsu vispārējās inteliģences labākais piemērs, tāpēc ir skaidrs, kāpēc viņi ir paraugs. , mēs vēlamies izveidot mašīnas pēc sava tēla, bet jūs vienkārši paskatieties apkārt dzīvnieku valstībā, un ir daudz, daudz dažādu veidu, kā būt gudram. Sākot ar tādu sociālo inteliģenci, kāda piemīt skudrām, kur tās kolektīvi varētu paveikt patiešām ievērojamas lietas līdz astoņkājiem, kurus mēs tikai tagad sākam saprast, kā viņi ir gudri, bet pēc tam viņi ir gudri ļoti svešā veidā. salīdzinot ar mums pašiem. Un pat mūsu tuvākajiem brālēniem, piemēram, šimpanzēm, ir intelekts, kas atšķiras no, un jums es, viņiem ir atšķirīgas prasmes nekā cilvēkiem.

Tāpēc es domāju, ka ideja, ka mašīnām, ja tās kļūst vispārēji inteliģentas, ir jābūt tādām, kā mēs, kā jūs zināt, ir muļķīga, un tā iziet pa logu. Pati misija veidot AGI, kas ir cilvēks, iespējams, ir bezjēdzīga, jo mums ir cilvēka intelekts, vai ne? Mums pašiem ir. Tātad, kāpēc mums ir jārada mašīnas, kas veic šīs lietas? Būtu daudz, daudz labāk veidot inteliģences, kas spēj paveikt to, ko mēs nevaram. Viņi ir gudri dažādos veidos, lai papildinātu mūsu spējas.

Gideons Ličfīlds: Kārena, cilvēkiem acīmredzot patīk runāt par draudiem, ka pasauli pārņems superinteliģents mākslīgais intelekts, taču par kurām lietām mums patiešām vajadzētu uztraukties?

Kārena Hao: Viens no patiešām lielākajiem pēdējos gados ir algoritmiskā diskriminācija. Šo parādību mēs sākām pamanīt, kad, apmācot mazus vai lielus algoritmus, lai pieņemtu lēmumus, pamatojoties uz vēsturiskiem datiem, tas atkārto modeļus, kurus mēs, iespējams, nevēlamies, lai tas atkārtotu vēsturiskos datos, piemēram, cilvēku marginalizācija krāsa vai sieviešu marginalizācija.

Lietas mūsu vēsturē, bez kurām mēs labprātāk iztiktu, ejot uz priekšu un progresējot kā sabiedrība. Bet tā kā algoritmi nav īpaši gudri un tie izdala šos modeļus un bez prāta atkārto šos modeļus, tie galu galā pieņem lēmumus, kas diskriminē ādas krāsas cilvēkus, diskriminējot sievietes, diskriminē noteiktas kultūras, kas nav uz Rietumiem orientētas kultūras.

Un, ja vērojat sarunas, kas notiek starp cilvēkiem, kuri runā par dažiem veidiem, kā mums ir jādomā par draudu mazināšanu saistībā ar superinteliģenci vai AGI, kā jūs to vēlaties saukt, viņi runās par šo vērtību saskaņošanas izaicinājumu. Vērtību saskaņošana tiek definēta kā veids, kā panākt, lai šis īpaši inteliģentais AI izprastu mūsu vērtības un pieskaņotos mūsu vērtībām. Ja viņi nesaskan ar mūsu vērtībām, viņi varētu darīt kaut ko traku. Un tā tas kaut kā sāk kaitēt cilvēkiem.

Gideons Ličfīlds: Kā izveidot mākslīgo intelektu, īpaši inteliģentu AI, kas nav ļaunums?

Kārena Hao: Tieši tā. Tieši tā. Tāpēc tā vietā, lai nākotnē runātu par mēģinājumu izdomāt vērtību saskaņošanu pēc simts gadiem, mums vajadzētu runāt tieši tagad par to, kā mums šodien neizdevās saskaņot vērtības ar ļoti vienkāršiem AI un faktiski atrisināt algoritmiskās diskriminācijas problēmu.

Vēl viens milzīgs izaicinājums ir spēka koncentrācija, ko AI dabiski rada. Šodien jums ir nepieciešams neticami liels skaitļošanas jaudas apjoms, lai izveidotu progresīvas AI sistēmas un izjauktu jaunākos sasniegumus. Un vienīgie spēlētāji, kuriem šobrīd ir tik liela skaitļošanas jauda, ​​ir lielie tehnoloģiju uzņēmumi un, iespējams, augstākā līmeņa pētniecības universitātes. Un pat augstākā līmeņa pētniecības universitātes vairs tik tikko var konkurēt ar lielajiem tehnoloģiju uzņēmumiem.

Tātad Googles Facebooks pasaules āboli. Hm, vēl viena problēma, kas cilvēkiem ir radusies pēc simts gadiem, kad reiz tiks atbrīvots superinteliģentais mākslīgais intelekts, vai tas tiešām dos vienmērīgu labumu cilvēkiem? Nu, mēs to arī šodien neesam sapratuši. Tāpat kā lielākā daļa no AI radītās vērtības šodien atgriežas miljardu dolāru vērtajos uzņēmumos, kuru rīcībā jau ir fantastiski daudz resursu. Un mēs īsti neesam izdomājuši, kā pārvērst šo vērtību vai izplatīt šo vērtību citiem cilvēkiem.

Gideons Ličfīlds: Labi, atgriezīsimies pie šīs idejas par vispārējo inteliģenci un to, kā mēs to veidotu, ja varētu. Vils iepriekš pieminēja dziļo mācīšanos. Kas ir mūsdienās izmantojamā AI lielākās daļas pamatmetode. Un tam ir tikai kādi astoņi gadi. Kārena, jūs nesen mūsu EmTech konferencē runājāt ar dziļās mācīšanās tēvu Džefriju Hintonu. Un viņš domā, ka padziļināta mācīšanās, paņēmiens, ko mēs izmantojam tādām lietām kā tulkošanas pakalpojumi vai sejas atpazīšana, arī būs pamats vispārējai izlūkošanai, kad mēs galu galā nonāksim pie tā.

Džefrijs Hintons [No EmTech 2020]: Es ticu, ka padziļināta mācīšanās spēs paveikt visu. Bet es domāju, ka būs jābūt daudziem konceptuāliem sasniegumiem, kas mums vēl nav bijuši. // Īpaši sasniegumi ir saistīti ar to, kā jūs iegūstat lielus neironu aktivitātes vektorus, lai īstenotu tādas lietas kā argumentācija, taču mums ir arī nepieciešams ievērojams mēroga pieaugums. // Cilvēka smadzenēm ir aptuveni simts triljoni parametru, tas ir sinapse. Simts triljoni. Tiem, ko tagad sauc par patiešām lieliem modeļiem, piemēram, GPT-3, ir 175 miljardi. Tas ir tūkstošiem reižu mazāks par smadzenēm.

Gideons Ličfīlds: Vai varat sākt, paskaidrojot, kas ir dziļa mācīšanās?

Kārena Hao: Dziļā mācīšanās ir paņēmienu kategorija, kuras pamatā ir ideja, ka veids, kā radīt mākslīgo intelektu, ir izveidot mākslīgos neironu tīklus, kuru pamatā ir mūsu smadzeņu neironu tīkli. Cilvēka smadzenes ir gudrākais intelekta veids, kāds mums ir šodien.

Acīmredzot Vils jau ir runājis par dažiem šīs teorijas izaicinājumiem, taču, pieņemot, ka cilvēka intelekts ir līdzīgs mūsdienu intelekta iemiesojumam, mēs vēlamies mēģināt atjaunot mākslīgās smadzenes cilvēka smadzeņu tēlā. Un dziļa mācīšanās ir tā. Tā ir metode, kas mēģina izmantot mākslīgos neironu tīklus kā veidu, kā sasniegt mākslīgo intelektu.

Jūs runājāt par to, ka šajā jomā lielākoties pastāv divas dažādas nometnes par to, kā mēs varētu tuvoties mākslīgā vispārējā intelekta veidošanai. Pirmā nometne ir tāda, ka mums jau ir visas nepieciešamās metodes, mums tās vienkārši ir jāmēro, izmantojot vairāk datu un lielākus neironu tīklus.

Otra nometne ir ar dziļu mācīšanos nepietiek. Mums ir nepieciešams kaut kas cits, ko mēs vēl neesam izdomājuši, lai papildinātu padziļinātu mācīšanos, lai sasniegtu dažas lietas, piemēram, veselo saprātu vai spriešanu, kas mūsdienās AI jomā ir bijusi nenotverama.

Gideons Ličfīlds: Tātad Vils, kā Kārena tikko norādīja, cilvēki, kuri domā, ka mēs varam izveidot vispārēju inteliģenci, pamatojoties uz dziļu mācīšanos, domā, ka mums ir jāpievieno dažas lietas. Kas ir dažas no šīm lietām?

Vils Duglass Debess: Tie, kas domā, ka ir dziļa mācīšanās, ir pareizais ceļš. Es domāju, ka, tāpat kā Kārena teica, tiek ielādēts vairāk datu, ir virkne paņēmienu, ko cilvēki izmanto, lai virzītu dziļu mācīšanos uz priekšu.

Jūs mācāties bez uzraudzības, kas ir... tradicionāli daudzi dziļi mācīšanās panākumi, piemēram, attēlu atpazīšana, vienkārši izmantojot klišejisku kaķu atpazīšanas piemēru. Tas ir tāpēc, ka mākslīgais intelekts ir apmācīts miljoniem attēlu, kurus cilvēki ir apzīmējuši ar kaķi. Ziniet, šādi izskatās kaķis, iemācieties to. Nepārraudzīta mācīšanās notiek tad, kad iekārta ieiet un aplūko datus, kas nav marķēti šādā veidā, un pati mēģina pamanīt modeļus.

Gideons Ličfīlds : Citiem vārdiem sakot, jūs to dotu kā kaķu bars, ķekars suņu, ķekars pekanriekstu pīrāgu, un tas sašķirotu tos grupās?

Vils Duglass Debess: Jā. Būtībā vispirms ir jāapgūst, kādas ir šo kategoriju atšķirības pazīmes, nevis jāprasa. Un šī spēja sevi identificēt, jūs zināt, kas ir šīs atšķirības pazīmes, ir solis ceļā uz labāku mācīšanās veidu. Un tas ir praktiski noderīgi, jo, protams, visu šo datu marķēšanas uzdevums ir milzīgs.

Un mēs nevaram turpināt šo ceļu, it īpaši, ja vēlamies, lai sistēma apmācītu arvien vairāk datu. Mēs nevaram turpināt to manuāli marķēt. Un vēl interesantāk, es domāju, ka nepārraudzītai mācību sistēmai ir potenciāls pamanīt jūsu kategorijas, kuras cilvēkiem nav. Tātad mēs varētu kaut ko mācīties no mašīnas.

Un tad jums ir tādas lietas kā pārneses mācības, un tas ir ļoti svarīgi vispārējai inteliģencei. Šeit jums ir modelis, kas vienā vai otrā veidā ir apmācīts par datu kopu. Un to, ko tas ir iemācījies šajā apmācībā, jūs vēlaties, lai pēc tam varētu to pārnest uz jaunu uzdevumu, lai jums katru reizi nebūtu jāsāk no nulles.

Tātad ir dažādi veidi, kā jūs varat vērsties pie mācīšanās pārneses, bet, piemēram, jūs varētu ņemt dažas vērtības no vienas apmācības, no viena vilcienu tīkla un iepriekš ielādēt citu tādā veidā, ka tad, kad lūdzāt to atpazīt. , cita dzīvnieka tēls, tam jau ir zināma sajūta par to, kas dzīvniekiem ir, ziniet, kājas, galvas un astes.

Kas tev ir. Tātad jūs vienkārši vēlaties, lai varētu pārnest dažas no apgūtajām lietām no viena uzdevuma uz citu. Un tad ir tādas lietas kā, piemēram, maz apmācību, kas ir vieta, kur sistēma mācās no vai, kā norāda nosaukums, no ļoti dažiem apmācības piemēriem. Un tas arī būs ļoti svarīgi, jo mums ne vienmēr ir daudz datu, ko mest šīm sistēmām, lai tās mācītu.

Es domāju, ka tie ir ārkārtīgi neefektīvi, ja par to domājat, salīdzinot ar cilvēkiem. Jūs zināt, mēs varam mācīties no viena piemēra, diviem piemēriem. Jūs parādāt kazlēnu, žirafes attēlu, un tas zina, kas ir žirafe. Mēs pat varam uzzināt, kas kaut kas ir, nerunājot par piemēru.

Kārena Hao: jā. Jā. Ja jūs par to padomājat, bērni… ja jūs parādīsiet viņiem zirga attēlu un pēc tam parādīsit degunradžu attēlu un sakāt, ziniet, vienradzis ir kaut kas pa vidu starp zirgu un degunradžu, varbūt viņi tiešām to darīs, kad viņi pirmo reizi bilžu grāmatā ierauga vienradzi, ziniet, ka tas ir vienradzis. Tādējādi jūs sākat apgūt vairāk kategoriju, nevis piemērus, ko redzat, un tas ir iedvesma vēl vienai dziļās mācīšanās robežai, ko sauc par zemas pakāpes apmācību vai mazāk nekā vienu apmācību. Un atkal, tas ir tāds pats princips, kā dažos gadījumos, kad mācīšanās notiek, ja mēs spējam panākt, lai šīs sistēmas mācītos no ļoti, ļoti, ļoti niecīgiem datu paraugiem, tāpat kā cilvēki, tad tas patiešām var palielināt mācību procesu.

Gideons Ličfīlds: Man tas rada vēl vispārīgāku jautājumu; kas padara cilvēkus AGI jomā tik pārliecinātus, ka jūs varat radīt inteliģenci mašīnā, kas attēlo informāciju digitāli, vieninieku un nulles formās, lai gan mēs joprojām tik maz zinām par to, kā cilvēka smadzenes attēlo informāciju. Vai tas nav ļoti liels pieņēmums, ka mēs varam vienkārši atjaunot cilvēka intelektu digitālajā mašīnā?

Vils Duglass Debess: jā, piekrītu. Neraugoties uz dažu mūsdienās redzamo neironu tīklu milzīgo sarežģītību to lieluma un savienojumu ziņā, mēs esam lieluma kārtu attālumā no visa, kas atbilst smadzeņu mērogam, pat no diezgan pamata dzīvnieku smadzenēm. . Tātad, jā, pastāv milzīga plaisa starp šo ideju, ka mēs to spēsim paveikt, jo īpaši ar pašreizējām tehnoloģijām, pašreizējām dziļās mācīšanās tehnoloģijām.

Un, protams, lai gan, kā Kārena aprakstīja iepriekš, neironu tīklus iedvesmo smadzenes, mūsu smadzeņu neironi neironi. Tas ir tikai viens veids, kā skatīties uz smadzenēm. Es domāju, smadzenes nav tikai neironu gabali. Tiem ir atsevišķas sadaļas, kas veltītas dažādiem uzdevumiem.

Tātad atkal šī ideja, ka tikai viens ļoti liels neironu tīkls sasniegs vispārējo inteliģenci, atkal ir neliels ticības lēciens, jo, iespējams, vispārējai inteliģencei būs vajadzīgs kāds izrāviens tam, kā īpašas struktūras sazinās. Tātad, jūs zināt, ka tie, kas dzenas pēc šī mērķa, ir vēl viena plaisa.

Zināt, daži domā, ka jūs varat vienkārši palielināt neironu tīklus. Citi cilvēki domā, ka mums ir jāatkāpjas no katra atsevišķa dziļas mācīšanās algoritma specifikas un jāskatās uz plašāku ainu. Patiesībā, jūs zināt, varbūt neironu tīkli nav labākais smadzeņu modelis, un mēs varam izveidot labākus, kas aplūkotu, kā dažādas smadzeņu daļas sazinās ar, ziniet, summa ir lielāka par visu. .

Gideons Ličfīlds: Es gribu beigt ar filozofisku jautājumu. Mēs iepriekš teicām, ka pat AGI atbalstītāji nedomā, ka tas būs apzināti. Vai mēs vispār varētu pateikt, vai tam būs domas? Vai tā sapratīs savu eksistenci tādā nozīmē, kā mēs?

Vils Duglass Debess: Alana Tjūringa 1950. gada dokumentā Can Machines Think, kurā pat tad, kad mākslīgais intelekts vēl bija tikai šī teorētiskā ideja, mēs to pat neesam aplūkojuši kā sava veida inženierijas iespēju. Viņš izvirzīja šo jautājumu: kā noteikt, vai mašīna spēj domāt? Un šajā dokumentā viņš pievēršas, jūs zināt, šai, šai apziņas idejai. Varbūt daži cilvēki nāks un teiks, ka mašīnas nekad nevar domāt, jo mēs nekad nevarēsim pateikt, ka mašīnas var domāt, jo mēs nevarēsim pateikt, ka tās ir pie samaņas. Un viņš kaut kā to noraida, sakot: labi, ja jūs virzāt šo argumentu tik tālu, tad jums ir jāsaka tas pats. Līdzcilvēki, kurus jūs satiekat katru dienu, nav galīga veida, kā es varētu teikt, ka kāds no jums, puiši, nav pie samaņas. Jūs zināt, vienīgais veids, kā es to uzzinātu, ir tad, ja es pieredzētu kā jūs. Un jūs nonākat līdz vietai, kur komunikācija pārtrūkst, un tā ir vieta, kur mēs nevaram iet. Tātad tas ir viens no veidiem, kā noraidīt šo jautājumu. Es domāju, ka apziņas jautājums būs mūžīgi. Kādu dienu es domāju, ka mums būs mašīnas, kas darbosies tā, it kā tās būtu.. tās varētu domāt, un jūs zināt, varētu tik labi atdarināt cilvēkus, ka mēs varētu pret viņiem izturēties tā, it kā viņi būtu pie samaņas, bet vai viņi patiešām Es domāju, ka mēs to nekad neuzzināsim.

Gideons Ličfīlds: Kārena, ko tu domā par apzinātām mašīnām?

Kārena Hao: Es domāju, balstoties uz Vila teikto, ir, piemēram, vai mēs vispār zinām, kāda ir apziņa. Un es domāju, ka es tiešām balstītos uz Tuftas profesora darbu. Viņš pieiet mākslīgajam intelektam no mākslīgās dzīves viedokļa. Piemēram, kā jūs atkārtojat visas dažādās lietas?

Ne tikai smadzenes, bet arī elektriskie impulsi vai elektriskie signāli, ko mēs izmantojam ķermenī, lai sazinātos, un kuriem ir arī intelekts. Ja mēs principā spējam atjaunot katru mazo lietu, katru mazo procesu savā ķermenī vai dzīvnieka ķermenī, tad kāpēc gan šīm būtnēm nevarētu būt tāda pati apziņa, kāda ir mums?

Vils Duglass Debess: Jūs zināt, ka šobrīd notiek brīnišķīgas debates par smadzeņu organoīdiem, kas ir mazi cilmes šūnu kopumi, kas ir izveidoti, lai izaugtu par neironiem, un tie var pat izveidot savienojumus, un dažos no tiem jūs redzat šo elektrisko aktivitāti. Un visā pasaulē ir dažādas laboratorijas, kas pēta šos mazos smadzeņu plankumus, lai labāk izprastu cilvēka smadzeņu slimības. Bet notiek patiešām interesantas ētiskas debates par to, kurā brīdī šī elektriskā aktivitāte paaugstinās? Iespēja, ka šie mazie šķindoņi Petri trauciņos ir apzināti. Un tas parāda, ka mums nav labas apziņas definīcijas, pat mūsu pašu smadzenēm, nemaz nerunājot par mašīnu smadzenēm.

Kārena Hao: Un vēlos piebilst, ka mums arī īsti nav labas mākslīgā definīcijas. Tas tikai papildina, ja mēs runājam par mākslīgo, vispārējo, intelektu.

Mums nav labas definīcijas nevienam no šiem trim vārdiem, kas veido šo terminu. Tātad, ejot pie jautājuma, ko Vils minēja par šiem Petri trauciņos augošajiem organoīdiem, tas tiek uzskatīts par mākslīgu? Ja nē, kāpēc? Vai mēs definējam mākslīgās lietas, kas vienkārši nav izgatavotas no organiskiem materiāliem? Visās lietās, par kurām mēs runājam, ir tikai daudz neskaidrību un definīciju, kas padara apziņas jautājumu ļoti sarežģītu.

Vils Duglass Debess: Tas arī padara viņus jautras lietas, par kurām runāt.

Gideons Ličfīlds: Tas ir viss šajā Deep Tech epizodē. Un tā ir arī pēdējā epizode, ko mēs šobrīd darām. Mēs strādājam pie dažiem citiem audio projektiem, kurus ceram uzsākt tuvāko mēnešu laikā. Tāpēc, lūdzu, pievērsiet tiem uzmanību. Un, ja vēl neesat to izdarījis, jums vajadzētu apskatīt mūsu AI aplādes nosaukumu In Machines We Trust, kas iznāk ik pēc divām nedēļām. Varat to atrast visur, kur parasti klausāties aplādes.

Deep Tech autors un producents ir Entonijs Grīns, un to rediģēja Dženifera Stronga un Maikls Reilijs. Es esmu Gideons Ličfīlds. Paldies par klausīšanos.

paslēpties