Keinotekoinen äly: Neljäs teollinen vallankumous

By Vasil Teigens, Peter Skalfist and Daniel Mikelsten

Neljäs teollinen vallankumous edustaa perustavaa laatua olevaa muutostatapaan, jolla elämme, työskentelemme ja suhteemme toisiinsa. Se on uusi luku inhimillisessä kehityksessä, jonka mahdollistavat poikkeukselliset teknologiset edistykset, jotka ovat verrannollisia ensimmäisen, toisen ja kolmannen teollisen vallankumouksen kehitykseen. Nämä edistysaskeleet yhdistävät fyysisen, digitaalisen ja biologisen maailman siten, että luodaan sekä valtava lupaus että potentiaalinen vaara. Tämän vallankumouksen nopeus, leveys ja syvyys pakottavat meidät ajattelemaan, kuinka maat kehittyvät, miten organisaatiot luovat arvoa ja jopa mitä tarkoittaa olla ihminen. Keinotekoinen äly tunnetaan nykyään oikein nimellä kapea AI (tai heikkoAI), koska se on suunniteltu suorittamaan kapea tehtävä (esim. Vain kasvojentunnistus tai vain Internet-haku tai vain auton ajaminen). Monien tutkijoiden pitkän aikavälin tavoitteena on kuitenkin luoda yleinen AI (AGI tai vahva AI). Vaikka kapea AI voi olla parempi kuin ihmiset missä tahansa sen erityistehtävä on, kuten shakin pelaaminen tai yhtälöiden ratkaiseminen,AGI olisi parempi kuin ihmiset kaikissa kognitiivisissa tehtävissä.
Authors: Vasil Teigens, Peter Skalfist, Daniel Mikelsten

• Language: Suomi
• Publisher: Cambridge Stanford Books
• Release date: Sep 15, 2020
• ISBN: 9781005324421

Vasil Teigens

Vasil Teigens, is the pen name of a history and science author that aims to organize and collect technical, historical and scientific information.The student or the scientist, will be able to satisfy his needs of consultation and of study, by means of a work supported by abundant number of sources and bibliographical references.

Book preview

Esittely

Neljäs teollinen vallankumous edustaa perustavaa laatua olevaa muutosta tapaan, jolla elämme, työskentelemme ja suhteemme toisiinsa. Se on uusi luku inhimillisessä kehityksessä, jonka mahdollistavat poikkeukselliset teknologiset edistykset, jotka ovat verrannollisia ensimmäisen, toisen ja kolmannen teollisen vallankumouksen kehitykseen. Nämä edistysaskeleet yhdistävät fyysisen, digitaalisen ja biologisen maailman siten, että luodaan sekä valtava lupaus että potentiaalinen vaara. Tämän vallankumouksen nopeus, leveys ja syvyys pakottavat meidät ajattelemaan, kuinka maat kehittyvät, miten organisaatiot luovat arvoa ja jopa mitä tarkoittaa olla ihminen.

SIRIstä itse ajaviin autoihin, tekoäly (AI) etenee nopeasti. Vaikka tieteiskirjallisuus kuvaa AI: ta usein robotteina, joilla on ihmisen kaltaisia ​​ominaisuuksia, AI voi kattaa mitä tahansa Googlen hakualgoritmeista IBM: n Watsoniin itsenäisiin aseisiin.

Keinotekoinen äly tunnetaan nykyään oikein nimellä kapea AI (tai heikko AI), koska se on suunniteltu suorittamaan kapea tehtävä (esim. Vain kasvojentunnistus tai vain Internet-haku tai vain auton ajaminen). Monien tutkijoiden pitkän aikavälin tavoitteena on kuitenkin luoda yleinen AI (AGI tai vahva AI). Vaikka kapea AI voi olla parempi kuin ihmiset missä tahansa sen erityistehtävä on, kuten shakin pelaaminen tai yhtälöiden ratkaiseminen, AGI olisi parempi kuin ihmiset kaikissa kognitiivisissa tehtävissä.

Neljäs teollisuusvallankumous on muutakin kuin pelkästään teknologiavetoista muutosta; Se on tilaisuus auttaa kaikkia, mukaan lukien johtajat, päätöksentekijät ja kaikkien tuloryhmien ja kansakuntien ihmiset, hyödyntämään yhdentynyttä tekniikkaa luomaan osallistavan, ihmiskeskeinen tulevaisuus. Todellinen mahdollisuus on katsoa tekniikan ulkopuolelle ja löytää tapoja antaa suurimmalle osalle ihmisiä kyky vaikuttaa positiivisesti perheisiin, organisaatioihin ja yhteisöihin.

Keinotekoinen yleinen älykkyys

Keinotekoinen äly (AGI) on koneen älykkyys, joka pystyy ymmärtämään tai oppimaan mitä tahansa älyllistä tehtävää, jonka ihminen voi. Se on joidenkin tekoälyn tutkimuksen ensisijainen tavoite ja yleinen aihe tieteiskirjallisuudessa ja tulevaisuustutkimuksissa. AGI: tä voidaan kutsua myös nimellä vahva AI, täysi AI tai yleinen älykäs toiminta. (Jotkut akateemiset lähteet varaavat termin vahva AI koneille, jotka voivat kokea tajunnan.). Jotkut viranomaiset korostavat eroa voimakkaan AI: n ja sovelletun AI: n (jota kutsutaan myös kapeaksi AI: ksi tai heikkoksi AI: ksi) välille: ohjelmiston käyttö tiettyjen ongelmanratkaisu- tai päättelytehtävien tutkimiseen tai suorittamiseen. Heikko AI, toisin kuin vahva AI, ei yritä suorittaa kaikkia ihmisten kognitiivisia kykyjä.

Älykkyyden arviointiperusteita on ehdotettu (tunnetuimmin Turingin testi), mutta toistaiseksi ei ole määritelmää, joka tyydyttäisi kaikki. Tekoälyn tutkijoiden välillä on kuitenkin laaja yksimielisyys siitä, että älykkyyttä vaaditaan toimimaan seuraavasti:

Syytä, käytä strategiaa, ratkaise arvoituksia ja tee arvioita epävarmuudessa;

Edustaa tietoa, mukaan lukien yleisen tiedon;

Suunnitelma;

Oppia;

Kommunikoida luonnollisella kielellä;

Ja integroida kaikki nämä taidot kohti yhteisiä tavoitteita.

Muita tärkeitä ominaisuuksia ovat kyky aistia (esim. Nähdä) ja kyky toimia (esim. Liikuttaa ja manipuloida esineitä) maailmassa, jossa älykästä käyttäytymistä on tarkkailtava. Tähän sisältyy kyky havaita vaarat ja reagoida niihin. Monissa monitieteellisissä lähestymistavoissa älykkyyteen (esim. Kognitiivinen tiede, laskennallinen äly ja päätöksenteko) yleensä korostetaan tarvetta harkita lisäpiirteitä, kuten mielikuvitus (pidetään kykynä muodostaa mielenkuvia ja käsitteitä, joita ei ole ohjelmoitu) ja autonomia. järjestelmiä, joilla on monia näistä ominaisuuksista, on olemassa (esim. katso laskennallinen luovuus, automatisoitu päättely, päätöksenteon tukijärjestelmä, robotti, evoluutiolaskenta, älykäs agentti), mutta ei vielä ihmisten tasolla.

Testit ihmisen tason AGI: n vahvistamiseksi

Turing-testi (Turing) Kone ja ihminen ovat vastakkaisia ​​näkymiä, joita ei ole nähty toisen ihmisen kanssa, jonka on arvioitava, kumpi näistä kahdesta on kone, joka läpäisee testin, jos se voi huijata arvioijan huomattavan osan ajasta. Huomaa: Turing ei määrää mitä älykkyydeksi katsotaan, vain sen, että tietäen, että se on kone, pitäisi estää se. Kahvikoe (Wozniak) Kone tarvitaan tavallisen amerikkalaisen kodin saapumiseen ja kahvin valmistamisen selvittämiseen: etsi kahvinkeitin, etsi kahvi, lisää vettä, löydä muki ja hauduta kahvia painamalla asianmukaisia ​​painikkeita. Robot College -opiskelijoiden testi (Goertzel) Kone ilmoittautuu yliopistoon ottaen ja läpäisemällä samat luokat kuin ihmiset, ja suorittamalla tutkinnon. Työllisyystesti (Nilsson) Kone tekee taloudellisesti tärkeätä työtä, suorittaen ainakin yhtä hyvin kuin ihmiset samalla työllä.

IQ-testit AGI

Kiinalaiset tutkijat Feng Liu, Yong Shi ja Ying Liu suorittivat älykkyystestejä kesällä 2017 julkisesti saatavilla oleviin ja vapaasti saatavilla oleviin heikkoihin AI: iin, kuten Google AI tai Applen Siri ja muut. Enintään nämä AI saavuttivat arvon noin 47, mikä vastaa suunnilleen ensimmäisen luokan 6-vuotiasta lasta. Aikuinen on keskimäärin noin 100. Vuonna 2014 suoritettiin samanlaisia ​​testejä, joissa AI saavutti maksimiarvon 27.

Ongelmat, jotka vaativat AGI: n ratkaisemista

Tietokoneiden vaikeimpia ongelmia kutsutaan epävirallisesti nimellä AI-täydellinen tai AI-kova, mikä tarkoittaa, että niiden ratkaiseminen vastaa ihmisen älykkyyden tai voimakkaan AI: n yleisiä soveltuvuusominaisuuksia, jotka ylittävät kohdekohtaisen algoritmin mahdollisuudet.

AI-täydellisiin ongelmiin oletetaan sisältyvän yleinen tietokonenäkö, luonnollinen kielen ymmärtäminen ja odottamattomien olosuhteiden ratkaiseminen ratkaisematta kaikkia todellisen maailman ongelmia.

AI-täydellisiä ongelmia ei voida ratkaista pelkästään nykyisellä tietotekniikalla, ja ne vaativat myös ihmisen laskentaa. Tämä ominaisuus voisi olla hyödyllinen esimerkiksi ihmisten läsnäolon testaamiseen, kuten CAPTCHA: t pyrkivät; ja tietokoneiden turvallisuuden torjumiseksi raa'at hyökkäykset.

AGI-tutkimus

Klassinen AI

Nykyaikainen AI-tutkimus aloitettiin 1950-luvun puolivälissä. AI-tutkijoiden ensimmäinen sukupolvi oli vakuuttunut siitä, että keinotekoinen yleinen äly oli mahdollista ja että se olisi olemassa vain muutamassa vuosikymmenessä. Kuten AI: n edelläkävijä Herbert A. Simon kirjoitti vuonna 1965: Koneet kykenevät kahdenkymmenen vuoden kuluessa tekemään mitä tahansa työtä, jonka ihminen voi tehdä. Heidän ennusteensa inspiroivat Stanley Kubrickia ja Arthur C. Clarken hahmoa HAL 9000, joka keksi mitä AI-tutkijat uskoivat voivansa luoda vuoteen 2001 mennessä. AI: n edelläkävijä Marvin Minsky oli konsultti hankkeessa tehdä HAL 9000 mahdollisimman realistiseksi. ajan konsensusennusteet; Crevier lainaa hänet sanoneen aiheesta 1967: Sukupolven sisällä... tekoälyn luomisongelma ratkaistaan ​​olennaisesti, vaikka Minsky toteaa, että häntä on lainattu väärin.

1970-luvun alussa kävi kuitenkin ilmeiseksi, että tutkijat olivat aliarvioineet hankkeen vaikeudet. Rahoituslaitokset suhtautuivat skeptisesti AGI: n suhteen ja asettivat tutkijoita kasvavan paineen tuottaa hyödyllistä sovellettua AI: tä. 1980-luvun alkaessa Japanin viidennen sukupolven tietokoneprojekti herätti kiinnostusta AGI: hen, ja asetti kymmenen vuoden aikajanan, joka sisälsi AGI: n tavoitteet, kuten jatkaa satunnaista keskustelua. Vastauksena tähän ja asiantuntijajärjestelmien menestykseen sekä teollisuus että hallitus pumppaisivat rahaa takaisin kenttään. Luottamus AI: hen kuitenkin romahti romahtavasti 1980-luvun lopulla, ja viidennen sukupolven tietokoneprojektin tavoitteet eivät koskaan toteutuneet. Toiseksi AI: n tutkijoiden, jotka olivat ennustaneet AGI: n välittömän saavutuksen, oli osoitettu olevan perusteellisesti erehtyneet 20 vuodessa. 1990-luvulla AI: n tutkijat olivat saavuttaneet maineen anteeksiantamatta lupauksia. Heistä tuli haluttomia tekemään ennusteita ja välttämään ihmistason tekoälyn mainintaa pelkääessään merkintää villisilmäinen unelmoija.

Kapea AI-tutkimus

1990-luvulla ja 2000-luvun alkupuolella valtavirran AI on saavuttanut paljon suuremman kaupallisen menestyksen ja akateemisen kunnioittavuuden keskittymällä erityisiin alaongelmiin, joissa ne voivat tuottaa todennettavissa olevia tuloksia ja kaupallisia sovelluksia, kuten keinotekoiset hermoverkot, tietokoneen visio tai tiedon louhinta. Nämä Sovellettuja AI -järjestelmiä käytetään nyt laajasti koko teknologiateollisuudessa, ja tutkimusta rahoitetaan erittäin voimakkaasti yliopistojen ja teollisuuden välillä. Tällä hetkellä tämän alan kehitystä harkitaan nousevana trendinä, ja kypsän vaiheen odotetaan tapahtuvan yli 10 vuodessa.

Suurin osa valtavirran AI-tutkijoista toivoo, että vahvaa AI: ta voidaan kehittää yhdistämällä ohjelmia, jotka ratkaisevat erilaisia ​​alaongelmia integroidun agenttiarkkitehtuurin, kognitiivisen arkkitehtuurin tai subumptioarkkitehtuurin avulla. Hans Moravec kirjoitti vuonna 1988:

Olen vakuuttunut siitä, että tämä alhaalta ylös suuntautuva reitti tekoälylle kohtaa jonakin päivänä perinteisen ylhäältä alas suuntautuvan reitin yli puolivälissä, valmis antamaan reaalimaailman pätevyyden ja yleisen tiedon, joka on ollut niin turhauttavasti vaikea päättelyohjelmissa. Täysin älykkäät koneet , kun metaforinen kultainen piikki ajaa yhdistäen nämä kaksi yritystä."

Jopa tämä perustava filosofia on kuitenkin kiistelty; Esimerkiksi Princetonin Stevan Harnad päätti vuoden 1990 paperinsa symbolin maadoitushypoteesista lausumalla:

Odotus on usein ilmaissut, että ylhäältä alas (symbolinen) lähestymistapa kognition mallintamiseen vastaa jollain tavalla alhaalta ylöspäin (aistillinen) lähestymistapoja jossain väliin. Jos tämän lehden maadoitusnäkökohdat ovat päteviä, niin tämä odotus on toivottoman modulaarinen ja todella on vain yksi toteuttamiskelpoinen reitti aistista symboleihin: maasta ylöspäin. Vapaa kelluva symbolinen taso, kuten tietokoneen ohjelmistotaso, ei koskaan päästä tällä reitillä (tai päinvastoin) - eikä ole selvää, miksi meidän pitäisi edes yritä saavuttaa tällainen taso, koska näyttää siltä, ​​että pääsy sinne merkitsisi vain symbolien juurruttamista niiden luontaisista merkityksistä (pelkästään pelkistämällä näin ohjelmoitavan tietokoneen toiminnalliseksi vastineeksi) .

Nykyaikainen yleisen älykkyyden tutkimus

Keinotekoinen yleinen älykkyys (AGI) kuvaa tutkimusta, jonka tarkoituksena on luoda koneita, jotka kykenevät yleiseen älykäsyn toimintaan. Mark Gubrudin käytti termiä jo vuonna 1997 keskustelussa täysin automatisoidun armeijan tuotannon ja operaatioiden vaikutuksista. Shane Legg ja Ben Goertzel ottivat termin käyttöön uudelleen ja popularisoivat sitä vuoden 2002 aikana. Tutkimuksen tavoite on paljon vanhempi, esimerkiksi Doug Lenatin Cyc-projekti (aloitettiin vuonna 1984) ja Allen Newellin Soar-projekti pidetään AGI: n piirissä. Pei Wang ja Ben Goertzelas kuvasivat AGI: n tutkimustoiminnan vuonna 2006 tuottamalla julkaisuja ja alustavia tuloksia. Ensimmäisen AGI-kesäkoulun järjestivät Xiamen-yliopiston keinotekoisten aivojen laboratorio ja OpenCog vuonna 2009 Kiinassa Xiamenissa. Ensimmäisen yliopistokurssin piti Todor Arnaudov vuosina 2010 ja 2011 Plovdiv-yliopistossa, Bulgaria. MIT esitteli kurssin AGI: ssä vuonna 2018, jonka järjesti Lex Fridman ja jossa oli joukko vierailevia luennoitsijoita. Kuitenkin toistaiseksi suurin osa AI: n tutkijoista on kiinnittänyt vähän huomiota AGI: hen, ja jotkut väittävät, että tiedustelu on liian monimutkaista, jotta se voidaan toistaa lähitulevaisuudessa. Pieni joukko tietotekniikan tutkijoita on kuitenkin aktiivinen AGI-tutkimuksessa, ja monet tästä ryhmästä osallistuvat sarjaan AGI-konferensseja. Tutkimus on erittäin monipuolinen ja luonteeltaan usein uranuurtaja. Goertzel kertoo kirjansa johdannossa, että arviot todellisen joustavanAGI: n rakentamiselle kuluvasta ajasta vaihtelevat kymmenestä vuodesta yli vuosisataan, mutta AGI-tutkimusyhteisön yksimielisyys näyttää olevan aikaraja, josta Ray Kurzweil keskusteli julkaisussa The Singularity. on lähellä (eli välillä 2015-2045) on uskottava.

Useimmat valtavirran AI-tutkijat epäilevät kuitenkin, että edistyminen on niin nopeaa. Organisaatioita, jotka harjoittavat nimenomaan AGI: tä, ovat Sveitsin AI-laboratorio IDSIA, Nnaisense, Vicarious, Maluuba, OpenCog-säätiö, Adaptive AI, LIDA ja Numenta sekä niihin liittyvä Redwood Neuroscience Institute. Lisäksi organisaatiot, kuten Koneälyntutkimusinstituutti ja OpenAI, on perustettu vaikuttamaan AGI: n kehityspolkuun. Viimeinkin ihmisien aivojen kaltaisilla hankkeilla on päämäärä rakentaa ihmisen aivojen toimiva simulaatio. AGI: n A2017-tutkimuksessa luokiteltiin 45 tunnettua aktiivista T & K-hanketta, jotka nimenomaisesti tai epäsuorasti (julkaistun tutkimuksen kautta) tutkivat AGI: tä, joista kolme suurinta ovat DeepMind, Human Brain Project ja OpenAI (artikkelin perusteella).

Videopeliohjelmoija ja ilmailuinsinööri John Carmack ilmoitti vuonna 2019 aikomuksestaan ​​tutkia AGI: tä.

Nimittäin DeepMind ja heidän menestyksensä Human Player Simulaatiossa esimerkiksi AlphaGo: lle, käyttivät uusia konsepteja:

Vahvistusoppiminen jo koulutettujen verkkojen parantamiseksi uusilla tiedoilla tai

Ohjaamaton oppiminen, esimerkiksi generatiivisella kilpailevalla verkolla parannettujen verkkojen saamiseksi kilpailun avulla.

Aivojen simulointiin tarvittava prosessointiteho

Koko aivojen emulointi

Suosittu lähestymistapa yleisen älykkään toiminnan saavuttamiseen on koko aivojen emulointi. Matalan tason aivomalli rakennetaan skannaamalla ja kartoittamalla biologinen aivo yksityiskohtaisesti ja kopioimalla sen tila tietokonejärjestelmään tai toiseen laskennalliseen laitteeseen. Tietokone ajaa simulaatiomallia, joka on niin uskollinen alkuperäiselle, että se käyttäytyy olennaisesti samalla tavalla kuin alkuperäinen aivot, tai kaikkiin käytännön tarkoituksiin erottamattomasti. Koko aivojen emuloinnista keskustellaan laskennallisessa neurotieteessä ja neuroinformatiikassa aivojen simuloinnin yhteydessä lääketieteellisiin tutkimustarkoituksiin. Sitä käsitellään tekoälyn tutkimuksessa lähestymistapana vahvaan AI: hen. Neurokuvaustekniikat, jotka voisivat tarjota tarvittavan yksityiskohtaisen ymmärryksen, paranevat nopeasti, ja The Singularity Is Near -kirjassa oleva futuristi Ray Kurzweil ennustaa, että riittävän laadun kartan tulee saataville samanlaisessa aikataulussa kuin tarvittava laskentateho.

Varhaiset arviot

Matalan tason aivojen simulointiin tarvitaan erittäin tehokas tietokone. Ihmisen aivoissa on valtava määrä synapsia. Jokainen 10 (sata miljardia) neuronia on keskimäärin 7 000 synaptista yhteyttä muihin neuroneihin. On arvioitu, että kolmen vuoden ikäisen lapsen aivoissa on noin 10 synapsia (1 kvadriljoona). Tämä määrä vähenee iän myötä, vakiintuessa aikuisuuteen. Arviot vaihtelevat aikuisen välillä, ja ne vaihtelevat 10 - 5 × 10 synapsia (100 - 500 biljoonaa). Arvio aivojen prosessointitehosta, joka perustuu yksinkertaiseen neuronitoiminnan kytkinmalliin, on noin 10 (100 triljoonaa) synaptista päivitystä sekunnissa (SUPS). Kurzweil tarkasteli vuonna 1997 erilaisia ​​arvioita laitteistoista, jotka vaaditaan tasaamaan ihmisen aivot, ja hyväksyi luvun 10 laskelmaa sekunnissa (cps). (Vertailun vuoksi, jos laskenta vastasi yhtä liukuluku -operaatiota - mittaa, jota käytetään nykyisten supertietokoneiden arviointiin -, niin 10 laskentaa olisi yhtä suuri kuin 10 petaFLOPS, saatu vuonna 2011).Hän käytti tätä lukua ennustamaan tarvittava laitteisto olisi saatavana joskus vuosien 2015 ja 2025 välillä, jos tietokonetehon räjähdysmäinen kasvu kirjoitushetkellä jatkuisi.

Neuronien mallintaminen yksityiskohtaisemmin

Kurzweilin olettama ja monissa nykyisissä keinotekoisten hermoverkkojen toteutuksissa käytetty keinoteuronimalli on yksinkertainen verrattuna biologisiin neuroneihin. Aivosimulaation olisi todennäköisesti kaapattava biologisten hermosolujen yksityiskohtainen solukäyttäytyminen, joka ymmärretään nykyään vain laajimmissa linjoissa. Neurokäyttäytymisen biologisten, kemiallisten ja fysikaalisten yksityiskohtien täydellisellä mallinnuksella käyttöön otettu yleiskustannus (etenkin molekyyliskaalassa) vaatisi laskentatehoa useita kertaluokkaa suurempia kuin Kurzweilin arvio. Lisäksi arvioissa ei oteta huomioon glia-soluja, joita on vähintään yhtä paljon kuin neuroneja ja jotka voivat ylittää neuronien määrän jopa 10: 1, ja joiden tiedetään nyt olevan rooli kognitiivisissa prosesseissa.

Nykyinen tutkimus

Siellä on joitain tutkimusprojekteja, jotka tutkivat aivojen simulaatiota käyttämällä hienostuneempia hermo malleja, jotka on toteutettu tavanomaisissa laskenta-arkkitehtuureissa. Keinotekoisen älykkyyden järjestelmäprojekti toteutti aivojen (10 neuronin) reaaliaikaiset simulaatiot vuonna 2005. Mallin 1 sekunnin simulointi kesti 50 päivää 27 prosessorin klusterissa. Blue Brain -projektissa käytettiin yhtä nopeimmista supertietokonearkkitehtuureista maailmassa, IBM: n Blue Gene -alustaa, reaaliaikaisen simulaation luomiseksi yhden rotan neokortikaalipylväästä, joka koostuu noin 10 000 neuronista ja 10 synapsista vuonna 2006. Pidemmän aikavälin tavoite on rakentaa yksityiskohtainen, toiminnallinen simulaatio fysiologisista prosesseista ihmisen aivoissa: Ihmisen aivoja ei ole mahdotonta rakentaa ja voimme tehdä sen 10 vuodessa, Sininen aivo -hankkeen johtaja Henry Markram kertoi vuonna 2009 TED: llä konferenssi Oxfordissa. Kissan aivoja on simuloitu myös kiistanalaisten väitteiden perusteella. Neuro-pii-rajapintoja on ehdotettu vaihtoehtona toteutusstrategiaksi, joka voi skaalautua paremmin.

Hans Moravecadressoi edellä esitetyt väitteet (aivot ovat monimutkaisempia, neuronit on mallinnettava yksityiskohtaisemmin) hänen 1997-artikkelissaan Milloin tietokonelaitteistot vastaavat ihmisen aivoja? ". Hän mittasi olemassa olevien ohjelmistojen kykyä simuloida hermokudos, erityisesti verkkokalvo. Hänen tulokset eivät riipu glia-solujen lukumäärästä tai siitä, millaiset prosessoivat neuronit suorittavat missä.

Biologisten hermosolujen mallintamisen todellista monimutkaisuutta on tutkittu OpenWorm-projektissa, jonka tavoitteena oli täydellinen simulointi matoista, jonka hermostoverkossa on vain 302 neuronia (yhteensä noin 1000 solua). Eläimen hermoverkko on dokumentoitu hyvin ennen projektin alkua. Vaikka tehtävä näytti alussa yksinkertaiselta, geneeriseen hermoverkkoon perustuvat mallit eivät kuitenkaan toimineet. Tällä hetkellä pyrkimykset keskittyvät biologisten hermosolujen tarkkaan emulointiin (osittain molekyylitasoon), mutta tulosta ei voida vielä kutsua täydelliseksi menestykseksi. Vaikka ihmisen ja aivojen välisessä mallissa ratkaistavien asioiden lukumäärä ei olisi verrannollinen neuronien lukumäärään, työn määrä tällä tiellä on ilmeinen.

Simulaatioon perustuvien lähestymistapojen kritiikki

Perusteellinen kritiikki simuloidulle aivojen lähestymistavalle johtuu toteutuneesta kognitiosta, jossa ihmisen ruumiillistumista pidetään ihmisen älykkyyden olennaisena osana. Monet tutkijat uskovat, että suoritusmuoto on tarpeen merkityksen maadoittamiseksi.Jos tämä näkemys on oikea, kaikkien täysin toimivien aivomallien on katettava muutakin kuin vain neuronit (eli robottirunko). Goertzel ehdottaa virtuaalista suoritusmuotoa (kuten Second Life), mutta ei vielä tiedä, riittääkö tämä.

Pöytätietokoneet, jotka käyttävät yli 10 sekunnin sekunnin kykyisiä mikroprosessoreita (Kurzweilin epästandardit yksikön laskelmat sekunnissa, katso yllä), ovat olleet saatavilla vuodesta 2005. Kurzweilin (ja Moravec) käyttämien aivovoima-arvioiden mukaan tämän tietokoneen pitäisi kyetä tukee mehiläisen aivojen simulointia, mutta tietystä kiinnostuksesta huolimatta tällaista simulaatiota ei ole. Tähän on ainakin kolme syytä:

Neuronimalli näyttää olevan yksinkertaistettu (katso seuraava osa).

Korkeampien kognitiivisten prosessien ymmärtäminen ei ole riittävää, jotta voidaan määrittää tarkasti, mihin aivojen hermoaktiivisuus, jota havaitaan käyttämällä tekniikoita, kuten funktionaalinen magneettikuvaus, korreloi.

Vaikka ymmärryksemme kognitiosta etenee riittävästi, varhaiset simulointiohjelmat ovat todennäköisesti erittäin tehottomia ja vaativat siksi huomattavasti enemmän laitteistoa.

Vaikka organismin aivot ovat kriittisiä, ne eivät välttämättä ole sopiva raja kognitiiviselle mallille. Mehiläisen aivojen simuloimiseksi voi olla tarpeen simuloida vartaloa ja ympäristöä. Laajennetun mielen opinnäytetyö muotoilee filosofisen käsitteen, ja pääjalkaisten tutkimus on osoittanut selkeitä esimerkkejä hajautetusta järjestelmästä.

Lisäksi ihmisen aivojen mittakaavaa ei tällä hetkellä ole hyvin rajoitettu. Yhden arvioinnin mukaan ihmisen aivot ovat noin 100 miljardia neuronia ja 100 biljoonaa synapsia. Toinen arvio on 86 miljardia hermostoa, joista 16,3 miljardia on aivokuoressa ja 69 miljardia pikkuaivoissa. Gliaalisten solujen synapsit ovat tällä hetkellä määrittelemättömiä, mutta niiden tiedetään olevan erittäin lukuisia.

Keinotekoisen tietoisuuden tutkimus

Vaikka tietoisuuden rooli vahvassa AI / AGI: ssä on kiistanalainen, monet AGI-tutkijat pitävät tutkimusta, joka tutkii tietoisuuden toteuttamismahdollisuuksia, elintärkeiksi. Varhaisessa vaiheessa Igor Aleksanderarrug, että tietoisen koneen luomisen periaatteet olivat jo olemassa, mutta että tällaisen koneen kouluttaminen kielen ymmärtämiseen vie 40 vuotta.

Sukulaisuussuhde vahvaan AI: hen

Vuonna 1980 filosofi John Searle loi termin vahva AI osana kiinalaista huoneväitettään. Hän halusi erottaa kaksi erilaista tekoälyyn liittyvää hypoteesia:

Keinotekoinen älyjärjestelmä voi ajatella ja olla mielessä. (Sana mieli on erityinen merkitys filosofille, jota käytetään mielen kehon ongelmassa tai mielen filosofiassa.)

Tekoälyn järjestelmä voi (vain) toimia niin kuin ajattelee ja jolla on mieli.

Ensimmäistä kutsutaan vahvaksi AI-hypoteesiksi ja toista heikoksi AI-hypoteesiksi, koska ensimmäinen antaa lausunnon: se olettaa, että koneelle on tapahtunut jotain erityistä, joka ylittää kaikki sen kykymme testata. Searle viittasi vahvaan AI-hypoteesiin vahvaan AI: hen. Tämä käyttö on yleistä myös akateemisessa AI-tutkimuksessa ja oppikirjoissa.

Heikko AI-hypoteesi vastaa hypoteesia, jonka mukaan keinotekoinen yleinen äly on mahdollista. Russellin ja Norvigin mukaan Useimmat AI-tutkijat pitävät heikkoa AI-hypoteesia itsestäänselvyytenä, eivätkä välitä vahvoista AI-hypoteesista.

Toisin kuin Searle, Kurzweil käyttää termiä vahva AI kuvaamaan mitä tahansa tekoälyn järjestelmää, joka toimii niin kuin sillä on mieli, riippumatta siitä, pystyisikö filosofi määrittämään, onko sillä todella mieli vai ei.

Mahdolliset selitykset AI-tutkimuksen hitaalle etenemiselle

AI-tutkimuksen aloittamisen jälkeen vuonna 1956, tämän alan kasvu on hidastunut ajan myötä, ja se on pysäyttänyt tavoitteet luoda älykkäällä toiminnalla osaavia koneita ihmisten tasolla. Mahdollinen syy tähän viiveeseen on, että tietokoneilla ei ole riittävästi muistia tai käsittelytehoa. Lisäksi AI-tutkimuksen prosessiin liittyvä monimutkaisuus voi myös rajoittaa AI-tutkimuksen etenemistä.

Vaikka useimmat AI-tutkijat uskovat vahvan AI: n saavuttavan tulevaisuudessa, jotkut henkilöt, kuten Hubert Dreyfus ja Roger Penrose, kiistävät mahdollisuuden saavuttaa vahva AI. John McCarthy oli yksi monista tietotekniikan tutkijoista, jotka uskovat, että ihmisten tason AI saavutetaan, mutta päivämäärää ei voida tarkkaan ennustaa.

Käsitteelliset rajoitukset ovat toinen mahdollinen syy AI-tutkimuksen hitauteen. AAI-tutkijoiden on ehkä jouduttava muuttamaan kurinalaisuuden käsitteellistä kehystä tarjotakseen vahvemman perustan ja panoksen pyrkimykseen saavuttaa vahva AI. Kuten William Clocksin kirjoitti vuonna 2003: kehys alkaa Weizenbaumin havainnosta, että äly ilmenee vain suhteessa tiettyihin sosiaalisiin ja kulttuurisiin tilanteisiin.

Lisäksi AI-tutkijat ovat pystyneet luomaan tietokoneita, jotka pystyvät suorittamaan monimutkaisia ​​töitä ihmisille, mutta päinvastoin, he ovat kamppailleet kehittääkseen tietokoneen, joka kykenee suorittamaan ihmisille yksinkertaisia ​​tehtäviä (Moravecin paradoksi). David Gelernterin kuvailema ongelma on, että jotkut ihmiset ajattelevat ja ajattelevat vastaavasti. Ajatus siitä, eristetäänkö ajatukset ja niiden ajattelija erikseen, on kiinnostanut AI: n tutkijoita.

AI-tutkimuksessa viime vuosikymmenien aikana kohdatut ongelmat ovat edelleen estäneet AI: n etenemistä. Epäonnistuneet ennusteet, jotka AI-tutkijat ovat luvanneet, ja ihmisten käyttäytymisen täydellisen ymmärtämisen puuttuminen ovat auttaneet vähentämään ihmisten tason AI: n pääideaa. Vaikka AI-tutkimuksen eteneminen on tuonut sekä parannusta että pettymystä, useimmat tutkijat ovat osoittaneet optimismia noin AI: n tavoitteen saavuttamisesta 2000-luvulla.

Pitkälle tutkimukselle vahvan AI: n etenemisen yhteydessä on ehdotettu muita mahdollisia syitä. Tieteellisten ongelmien monimutkaisuus ja tarve ymmärtää täydellisesti ihmisen aivot psykologian ja neurofysiologian avulla ovat rajoittaneet monia tutkijoita jäljittelemään ihmisen aivojen toimintaa tietokonelaitteistoksi. Monilla tutkijoilla on taipumus aliarvioida kaikki epäilykset, jotka liittyvät AI: n tulevaisuuden ennusteisiin., mutta ottamatta näitä kysymyksiä vakavasti, voivatko ihmiset unohtaa ratkaisut ongelmallisiin kysymyksiin.

Clocksin sanoo, että käsitteellinen rajoitus, joka voi estää AI-tutkimuksen etenemistä, on se, että ihmiset voivat käyttää vääriä tekniikoita tietokoneohjelmiin ja laitteiden toteuttamiseen. Kun AI-tutkijat alkoivat ensin pyrkiä tekoälyn päämäärään, pääasiallisena mielenkiintona oli ihmisen päättely. Tutkijat toivoivat perustavansa päättelyllä laskennallisia malleja ihmisen tiedosta ja selvittääkseen kuinka suunnitella tietokone tietyn kognitiivisen tehtävän kanssa.

Abstraktiokäytäntö, jonka ihmiset yleensä määrittelevät uudelleen työskennellessään tietyn kontekstin kanssa tutkimuksessa, tarjoaa tutkijoille keskittymisen vain muutamiin käsitteisiin. Abstraktioiden tuottavimpi käyttö AI-tutkimuksessa tulee suunnitteluun ja ongelmanratkaisuun. Vaikka tavoitteena on lisätä laskennan nopeutta, abstraktin rooli on herättänyt kysymyksiä abstraktioperaattoreiden osallistumisesta.

Mahdollinen syy AI: n hitauteen liittyy monien AI-tutkijoiden myöntämään tietoon, että heuristiikka on osa, joka sisältää merkittävän eron tietokoneen suorituskyvyn ja ihmisen suorituskyvyn välillä. Tietokoneelle ohjelmoidut erityiset toiminnot saattavat pystyä huomioimaan monia vaatimuksia. jotka sallivat sen vastata ihmisen älykkyyttä. Näiden selitysten ei välttämättä ole taata olevan perimmäisiä syitä voimakkaan AI: n saavuttamisessa viivästymiseen, mutta useat tutkijat ovat ne laajalti sopineet.

On ollut monia AI-tutkijoita, jotka ovat keskustelleet siitä, pitäisikö koneet luoda tunteilla. AI: n tyypillisissä malleissa ei ole tunteita. Jotkut tutkijat sanovat, että tunteiden ohjelmointi koneiksi antaa heille oman mielen. Tunne tiivistää ihmisen kokemukset, koska se antaa heidän muistaa nuo kokemukset. David Gelernter kirjoittaa: Mikään tietokone ei ole luova, ellei se pysty simuloimaan ihmisten tunneiden kaikkia vivahteita. Tämä tunteisiin liittyvä huolenaihe on aiheuttanut ongelmia AI: n tutkijoille ja se liittyy vahvan AI: n käsitteeseen tutkimuksen edetessä tulevaisuuteen.

Tietoisuus

Älykkyyden lisäksi on olemassa muita ihmismielen näkökohtia, jotka ovat merkityksellisiä vahvan AI-käsitteen kannalta ja joilla on merkittävä rooli tieteiskirjallisuudessa ja tekoälyn etiikassa:

Tietoisuus: omaa subjektiivisen kokemuksen ja ajatuksen.

Itsetuntemus: Tunnistaa itsensä erillisenä yksilönä, etenkin olla tietoinen omista ajatuksistaan.

Tunteellisuus: kyky tuntea havainnot tai tunteet subjektiivisesti.

Sapience: Viisauden kyky.

Näillä ominaisuuksilla on moraalinen ulottuvuus, koska koneella, jolla on tämäntyyppinen vahva AI, voi olla laillisia oikeuksia, jotka ovat analogisia muiden kuin ihmisten eläimille. Lisäksi Bill Joy väittää, että kone, jolla on nämä piirteet, voi olla uhka ihmisen hengelle tai ihmisarvolle. On vielä osoitettava, tarvitaanko jokin näistä piirteistä vahvan AI: n kannalta. Tietoisuuden rooli ei ole selvä, eikä sen olemassaololle ole tällä hetkellä sovittua testiä. Jos kone rakennetaan laitteella, joka simuloi tietoisuuden hermokorrelaatteja, olisiko sillä automaattisesti itsetuntemus? On myös mahdollista, että jotkut näistä ominaisuuksista, kuten tunteellisuus, ilmenevät luonnollisesti täysin älykkäästä koneesta tai että on luonnollista määrittää nämä ominaisuudet koneille heti, kun ne alkavat toimia selvästi älykkäällä tavalla. Esimerkiksi älykäs toiminta voi riittää tunteeseen, eikä päinvastoin.

Tieteiskirjallisuudessa AGI liitetään elävien olentojen havaittuihin piirteisiin, kuten tietoisuuteen, tunteeseen, rauhallisuuteen ja itsetuntoon. Filosofi John Searlen mukaan on kuitenkin avoin kysymys, riittääkö yleinen älykkyys tietoisuuteen. Vahvaa AI: tä (kuten Ray Kurzweil on määritellyt edellä) ei pidä sekoittaa Searlen vahvan AI-hypoteesin kanssa. Vahva AI-hypoteesi on väite, että tietokoneella, joka käyttäytyy yhtä älykkäästi kuin ihmistä, on myös välttämättä oltava mieli ja tietoisuus. AGI viittaa vain älykkyyden määrään, jonka kone näyttää, mielen kanssa tai ilman.

Kiistat ja vaarat

Toteutettavuus

Mielipiteet vaihtelevat siitä, saapuuko keinotekoinen äly ja milloin. Yhdessä ääripäässä, AI: n edelläkävijä Herbert A. Simonwrote vuonna 1965: Koneet kykenevät kahdenkymmenen vuoden kuluessa tekemään töitä, jotka ihminen voi tehdä. Tämä ennuste ei kuitenkaan toteutunut. Microsoftin perustaja Paul Allenbelbel uskoi, että tällainen älykkyys on epätodennäköistä 2000-luvulla, koska se edellyttäisi ennakoimattomia ja perusteellisesti ennakoimattomia läpimurtoja ja tieteellisesti syvää ymmärrystä kognitiosta. The Guardianissa kirjoittanut robotti Alan Winfield väitti, että nykyajan tietojenkäsittelyn ja ihmisen tason tekoälyn välinen kuilu on yhtä suuri kuin kuilu nykyisen avaruuslennon ja valoa nopeampaa kuin valoa nopeamman avaruuslennon välillä. AAI-asiantuntijoiden näkemykset AGI-vahan ja vähenevät ja ovat saattaneet nähdä elpymisen 2010-luvulla. Neljä vuosina 2012 ja 2013 suoritettua kyselyä ehdotti, että asiantuntijoiden mediaani arvaus siitä, milloin he olisivat 50% varmoja AGI: n saapumisesta, oli kyselystä riippuen 2040-2050, keskiarvo ollessa 2081. On myös mielenkiintoista huomata, että 16,5% asiantuntijat vastasivat ei koskaan, kun ne kysyivät samaa kysymystä, mutta sen sijaan 90%: n luottavuudella. Lisäksi tämänhetkiset AGI-edistymistä koskevat näkökohdat ovat alla Kokeet ihmisen tason AGI- ja IQ-testien AGI: n vahvistamiseksi.

Mahdollinen uhka ihmisen olemassaololle

Keinotekoisen yleisen älykkyyden luomisella voi olla niin suuria ja niin monimutkaisia ​​vaikutuksia, että ei välttämättä ole mahdollista ennustaa, mitä myöhemmin tapahtuu. Siksi vahvan AI: n saavuttamisen hypoteettisen tulevaisuuden tapahtumaa kutsutaan tekniseksi singulaarisuudeksi, koska teoriassa sitä ei voida nähdä ohitse. Mutta tämä ei ole estänyt filosofia ja tutkijaa arvaamaan, mitä tulevaisuuden älykkäät tietokoneet tai robotit voivat tehdä, mukaan lukien utopian muodostaminen olemalla ystäviämme tai hukuttamalla meidät AI: n haltuunottoon. Jälkimmäinen potentiaalisuus on erityisen huolestuttava, koska se aiheuttaa eksistentiaalisen riskin ihmiskunnalle.

Itse replikoivat koneet

Älykkäät tietokoneet tai robotit kykenevät suunnittelemaan ja tuottamaan parannettuja versioita itsestäsi. Älykkäiden robottien kasvava väestö voi ajatella, että ala-arvoiset ihmiset kilpailevat ala-arvoisista ihmisistä työmarkkinoilla, liiketaloudessa, tieteessä, politiikassa (pyrkivät robottien oikeuksiin) ja teknisesti, sosiologisesti (toimimalla yhtenä) ja sotilaallisesti. Vielä nykyäänkin monet työpaikat on jo otettu käyttöön heikkoa älykkyyttä käyttävillä pseudo-älykkäillä koneilla. Esimerkiksi kodien, terveydenhuollon, hotellien ja ravintoloiden robotit ovat automatisoineet monien osien elämäämme: virtuaaliset robotit tekevät asiakaspalvelusta itse- palvelu, big data AI -sovellukset korvataan salkunhoitajilla ja sosiaaliset robotit, kuten Pepper, korvataan ihmisten terveyttäjät asiakaspalvelun tarkoituksessa.

Emergent superintelligence

Jos tutkimus vahvaan AI: hen tuotti riittävän älykkäät ohjelmistot, se pystyisi ohjelmoimaan itsensä uudelleen ja parantamaan sitä - ominaisuutta, jota kutsutaan rekursiiviseksi itsensä parantamiseksi. Sitten olisi vielä parempi parantaa itseään ja todennäköisesti jatkaisi niin nopeasti kasvavassa syklissä, mikä johtaisi älykkyyden räjähdykseen ja superintelligenssin syntymiseen.Sellaisella älykkyyksellä ei olisi ihmisen älyn rajoituksia, ja se voisi kyetä keksiä tai löytää melkein mitä tahansa.

Hyvin älykäs ohjelmisto ei välttämättä välttämättä päätä tukea ihmiskunnan jatkuvaa olemassaoloa, ja se voi olla erittäin vaikea lopettaa. Tätä aihetta on myös äskettäin alettu käsitellä akateemisissa julkaisuissa todellisena riskien lähteenä sivilisaatioille, ihmisille ja maapallolle.

Yksi ehdotus tämän käsittelemiseksi on varmistaa, että ensimmäinen yleisesti älykäs AI on ystävällinen AI, joka sitten pyrkii varmistamaan, että myöhemmin kehitetyt AI: t ovat myös meille miellyttäviä. Mutta ystävällistä AI: ta on vaikeampaa luoda kuin tavallista AGI: ta, ja siksi on todennäköistä, että näiden kahden välisessä kilpailussa kehitetään ensin epäystävällinen AAI. Ei myöskään ole mitään takeita siitä, että ystävällinen AI pysyisi ystävällisenä tai että sen jälkeläiset olisivat myös kaikki hyviä.

Tekoälyn historia

1940–50-luvulla kourallinen tutkijoita useilta aloilta (matematiikka, psykologia, tekniikka, taloustiede ja valtiotiede) aloitti keskustelun keinotekoisten aivojen luomismahdollisuuksista. Keinotekoisen älykkyyden tutkimuksen ala perustettiin akateemiseksi tieteenalaksi vuonna 1956.

Kybernetiikka ja varhaiset hermoverkot

Aikaisin ajattelulaitteiden tutkimus on inspiroinut 1930-luvun lopulla, 1940-luvulla ja 1950-luvun alkupuolella vallinneiden ideoiden yhdistelmä. Viimeaikaiset neurologian tutkimukset ovat