Building AI er kompliceret, men forståelse det behøver ikke at være. De fleste eksisterende kunstige intelligenser er bare rigtig gode gættemaskiner (som vores hjerner). Du føder i en masse data (f.eks. Tallene 1-10) og beder om at lave en model (x + 1, startende ved 0) og lav en forudsigelse. (Det næste nummer vil være elleve.) Der er ingen magi, undtagen hvad mennesker gør hver dag: ved hjælp af det, vi ved, gør gætter om ting, vi ikke kender.

Hvad der sætter AI adskilt fra andre computerprogrammer er, at vi ikke behøver at programmere det specifikt til alle scenarier. Vi kan lære det ting (maskinlæring), og det kan også lære sig selv (dyb læring). Selv om der er flere sorter af hver, kan de bredt defineres som følger:

  • Kunstig intelligens (AI): En maskine, der kan efterligne menneskelig adfærd
  • Maskinindlæring: En delmængde af AI, hvor folk træner maskiner til at genkende mønstre i data og lave forudsigelser
  • Deep Learning: En delmængde af maskinindlæring, hvor maskinen kan træne sig selv

Kunstig intelligens

Den bredeste mulige definition af AI er simpelthen, at det er en maskine, der synes at være et menneske. Det kan være lige så enkelt som at følge et logisk rutediagram, eller det kan være en næsten menneskelig computer, der kan lære af en bred vifte af sensoriske input og anvende den viden til nye situationer. Den sidste del er nøglen - den stærke AI, som alle forestiller sig, er en, der kan forbinde alle former for lærte datapunkter for at give det mulighed for at håndtere næsten enhver situation.

AI er lige nu på et ganske smalt spor - Alexa er en fantastisk butler, men hun kan ikke bestå en Turing-test. Vi har for tiden en begrænset form for AI, men det er godt at huske, at definitionen er så bred, at den i sidste ende kan dække programmer, der gør DeepMind til at ligne en lommeregner.

Maskinelæring

Uden maskine læring ville det eksisterende AI i det store og hele være begrænset til at løbe gennem lange lister over "hvis x er sandt, gør du ellers, gør z." Denne innovation giver imidlertid computere mulighed for at finde ud af ting uden at være udtrykkeligt programmeret. Som et eksempel på en type maskinindlæring, lad os sige, at du vil have et program til at identificere katte i billeder:

  1. Giv din AI et sæt katteegenskaber for at søge efter - individuelle linjer, større former, farve mønstre mv.
  2. Kør nogle billeder gennem AI - nogle eller alle kan mærkes "kat", så maskinen kan mere effektivt udpege relevante katteegenskaber.
  3. Efter at programmet har set nok katte, skal det vide, hvordan man finder et i et billede - "Hvis billedet indeholder Feature X, Y og / eller Z, er det 95% sandsynligt at have en kat."

Så kompliceret som maskinlæring lyder, kan det koges ned til følgende: "Mennesker fortæller computere, hvad de skal kigge efter, og computere forfiner disse kriterier, indtil de har en model." Det er ret simpelt, yderst nyttigt, og det filtrerer din spam, anbefaler dine næste Netflix-shows og justerer dit Facebook-feed. Prøv Googles lærbare maskine til en hurtig hands-on demonstration!

Deep Learning

Fra 2018 er dette AI's forkant. Tænk på det som maskinindlæring med dybe "neurale netværk", som behandler data på en måde som en menneskelig hjerne. Hovedforskellen fra sin forgænger er, at mennesker ikke behøver at lære et dybt læringsprogram, hvilke katte ligner. Bare giv det nok billeder af katte, og det vil finde ud af det selv:

  1. Indtast mange kat billeder.
  2. Algoritmen vil inspicere fotos for at se, hvilke funktioner de har til fælles (hint: det er katte).
  3. Hvert billede bliver dekonstrueret til flere detaljer, fra store, generelle former til små, små linjer. Hvis en form eller linje gentager sig meget, vil algoritmen mærke det som en vigtig egenskab.
  4. Efter at have analyseret nok billeder, ved algoritmen nu, hvilke mønstre der giver det stærkeste bevis på katte, og alle mennesker måtte gøre, var at give de rå data.

For at opsummere: dyb læring er maskinindlæring, hvor maskinen træner sig selv, selv om det er langt ud over bare katte - neurale netværk er nu i stand til præcist at beskrive alt i et billede.

Deep learning kræver meget mere initial data og computerkraft end maskine læring, men det er begyndt at blive implementeret af virksomheder fra Facebook til Amazon. Den mest berygtede manifestation af maskinindlæring er imidlertid AlphaGo, en computer, der spillede Go-spil mod sig selv, indtil den kunne nøjagtigt forudsige de bedste bevægelser godt nok til gentagne gange at slå flere verdensmestere.

Konklusion: AI = Apokalyptisk Intelligens?

Hollywood er ansvarlig for en masse dårlig videnskab, men når det kommer til AI, er sandhed og fiktion muligvis ikke så langt fra hinanden. Det er ikke utænkeligt, at en robot kunne overtage en rumstation (2001: A Space Odyssey), få ​​dig til at forelske sig (Hende) eller opføre sig nøjagtigt som et menneske (Blade Runner, Ex Machina).

Det gør det dog ikke en dårlig indsats. AI kunne accelerere den menneskelige udvikling hurtigere end næsten noget før det. Og selv om det kan virke kynisk, er virkeligheden, at hvis ansvarlige forskere forbliver væk fra AI på grund af sit potentiale for at gå galt, vil det nok blive udviklet af mennesker med færre sikkerhedsmæssige bekymringer. Vi har taget computere fra checkers til Go, og de næste par trin kan tage menneskeheden til nogle interessante steder.