Umělá inteligence: Čtvrtá průmyslová revoluce

By Peter Skalfist, Daniel Mikelsten and Vasil Teigens

Čtvrtá průmyslová revoluce představuje zásadní změnu způsobu života, práce a vzájemného vztahu. Jde o novou kapitolu v lidském rozvoji, která je umožněna mimořádnými technologickými pokroky úměrnými těm z první, druhé a třetí průmyslové revoluce. Tyto pokroky spojují fyzický, digitální a biologický svět takovým způsobem, který vytváří jak obrovský slib, tak potenciální nebezpečí. Rychlost, šířka a hloubka této revoluce nás nutí přehodnotit, jak se země vyvíjejí, jak organizace vytvářejí hodnotu a dokonce i to, co to znamená být člověkem. Umělá inteligence je dnes dobře známá jako úzká umělá inteligence (neboslabá umělá inteligence), protože je navržena tak, aby plnila úzký úkol(např. Pouze rozpoznávání obličeje nebo pouze vyhledávání na internetu nebo pouze řízení auta). Dlouhodobým cílem mnoha vědců je však vytvoření obecné AI (AGI nebo silné AI). Zatímco úzká umělá inteligence může člověka překonat v jakémkoli konkrétním úkolu, jako je hraní šachů nebo řešení rovnic, AGI by překonal lidi v téměř každém kognitivním úkolu.
Authors: Daniel Mikelsten, Vasil Teigens, Peter Skalfist

• Language: Čeština
• Publisher: Cambridge Stanford Books
• Release date: Sep 16, 2020
• ISBN: 9781005168490

Peter Skalfist

Peter Skalfist, 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

Úvod

Čtvrtá průmyslová revoluce představuje zásadní změnu způsobu života, práce a vzájemného vztahu. Jde o novou kapitolu v lidském rozvoji, která je umožněna mimořádnými technologickými pokroky úměrnými těm z první, druhé a třetí průmyslové revoluce. Tyto pokroky spojují fyzický, digitální a biologický svět takovým způsobem, který vytváří jak obrovský slib, tak potenciální nebezpečí. Rychlost, šířka a hloubka této revoluce nás nutí přehodnotit, jak se země vyvíjejí, jak organizace vytvářejí hodnotu a dokonce i to, co to znamená být člověkem.

Umělá inteligence (AI) rychle postupuje od SIRI k autům s vlastním pohonem. I když science fiction často zobrazuje AI jako roboty s lidskými vlastnostmi, AI může zahrnovat cokoli od vyhledávacích algoritmů Google po IBM od Watsona až po autonomní zbraně.

Umělá inteligence je dnes dobře známá jako úzká umělá inteligence (nebo slabá umělá inteligence), protože je navržena tak, aby plnila úzký úkol (např. Pouze rozpoznávání obličeje nebo pouze vyhledávání na internetu nebo pouze řízení auta). Dlouhodobým cílem mnoha vědců je však vytvoření obecné AI (AGI nebo silné AI). Zatímco úzká umělá inteligence může člověka překonat v jakémkoli konkrétním úkolu, jako je hraní šachů nebo řešení rovnic, AGI by překonal lidi v téměř každém kognitivním úkolu.

Čtvrtá průmyslová revoluce se týká více než pouhé technologické změny; je to příležitost pomoci všem, včetně vůdců, tvůrců politik a lidí ze všech příjmových skupin a národů, využít konvergenční technologie s cílem vytvořit ucelenou budoucnost zaměřenou na člověka. Skutečnou příležitostí je podívat se za hranice technologie a najít způsoby, jak dát co největšímu počtu lidí možnost pozitivního dopadu na jejich rodiny, organizace a komunity.

Umělá obecná inteligence

Umělá obecná inteligence (AGI) je inteligence stroje, která dokáže porozumět nebo se naučit jakékoli intelektuální úloze, kterou může lidská bytost. Je to primární cíl nějakého výzkumu umělé inteligence a společného tématu ve sci-fi a futures studiích. AGI může být také označována jako silná AI, plná AI nebo obecná inteligentní akce. (Některé akademické zdroje si vyhrazují termín silná AI pro stroje, které mohou zažít vědomí.). Některé úřady zdůrazňují rozdíl mezi silnou AI a aplikovanou AI (nazývanou také úzká AI nebo slabá AI): použití softwaru ke studiu nebo plnění konkrétních úkolů pro řešení problémů nebo zdůvodňování. Slabá AI, na rozdíl od silné AI, se nepokouší vykonávat celou škálu lidských kognitivních schopností.

Byla navržena různá kritéria pro inteligenci (nejvíce skvěle Turingův test), ale dosud neexistuje žádná definice, která uspokojí všechny. Mezi vědci v oboru umělé inteligence však existuje široká shoda v tom, že inteligence je povinna provádět následující činnosti:

Uvažovat, používat strategii, řešit hádanky a rozhodovat pod nejistotou;

Představují znalosti, včetně znalostí zdravého rozumu;

Plán;

Učit se;

Komunikovat v přirozeném jazyce;

A integrovat všechny tyto dovednosti do společných cílů.

Mezi další důležité schopnosti patří schopnost vnímat (např. Vidět) a schopnost jednat (např. Pohybovat a manipulovat s objekty) ve světě, kde je třeba pozorovat inteligentní chování. To by zahrnovalo schopnost odhalit nebezpečí a reagovat na něj. Mnoho interdisciplinárních přístupů ke inteligenci (např. Kognitivní věda, výpočetní inteligence a rozhodování) má tendenci zdůrazňovat potřebu zvážit další zvláštnosti, jako je představivost (brána jako schopnost tvořit mentální obrazy a koncepty, které nebyly naprogramovány) a autonomie. systémy, které vykazují mnoho z těchto schopností, existují (např. viz výpočetní tvořivost, automatizované uvažování, systém podpory rozhodování, robot, evoluční výpočet, inteligentní agent), ale dosud na lidské úrovni.

Testy pro potvrzení AGI na lidské úrovni

Turingův test (Turing) Stroj i člověk obracejí zrak neviditelný s druhým člověkem, který musí vyhodnotit, který z těchto dvou je stroj, který prochází testem, pokud dokáže oklamat hodnotitele významnou část času. Poznámka: Turing nepředepisuje to, co by se mělo kvalifikovat jako inteligence, ale pouze to, že vědění, že se jedná o stroj, by jej mělo diskvalifikovat. Kávový test (Wozniak) Stroj je povinen vstoupit do průměrného amerického domu a zjistit, jak si vyrobit kávu: najděte kávovar, najděte kávu, přidejte vodu, najděte hrnek a kávu uvařte stisknutím příslušných tlačítek. Robot College Student Test (Goertzel) Stroj se zapíše na univerzitu, přičemž absolvuje a absolvuje stejné třídy, jaké by měli lidé, a získá titul. Test zaměstnání (Nilsson) Stroj pracuje ekonomicky důležitou práci, vykonává alespoň stejnou práci jako člověk.

IQ-testy AGI

Chineseresearchers Feng Liu, Yong Shi a Ying Liu provedli v létě 2017 zpravodajské testy s veřejně dostupnými a volně přístupnými slabými AI, jako je Google AI nebo Apple Siri a další. Maximálně tyto hodnoty umělé inteligence dosáhly hodnoty asi 47, což odpovídá přibližně šestiletému dítěti v první třídě. Průměrně dospělý dospělý. V roce 2014 byly provedeny podobné testy, při nichž AI dosáhla maximální hodnoty 27.

Problémy vyžadující řešení AGI

Nejobtížnější problémy počítačů jsou neformálně známé jako AI-complete nebo AI-hard, což znamená, že jejich řešení je ekvivalentní obecné schopnosti lidské inteligence nebo silné AI nad rámec schopností účelně specifického algoritmu.

Předpokládá se, že problémy s úplnou umělou inteligencí zahrnují obecné počítačové vidění, porozumění přirozenému jazyku a řešení neočekávaných okolností při řešení jakéhokoli problému ve skutečném světě.

Problémy s úplnou umělou inteligencí nelze vyřešit pouze pomocí současné počítačové technologie a vyžadují také výpočet člověka. Tato vlastnost by mohla být užitečná například pro testování přítomnosti lidí, jak se to snaží CAPTCHA; a pro počítačové zabezpečení odrazit útoky brutální síly.

Výzkum AGI

Klasická AI

Moderní výzkum umělé inteligence začal v polovině roku 1950. První generace vědců umělé inteligence byla přesvědčena, že umělá obecná inteligence je možná a že bude existovat jen za několik desetiletí. Jak průkopník AI Herbert A. Simon napsal v roce 1965: stroje budou schopny do dvaceti let vykonávat jakoukoli práci, kterou člověk může udělat. Jejich předpovědi byly inspirací pro postavu HAL 9000 Stanleyho Kubricka a Arthura C. Clarka, kteří ztělesnili to, co vědci AI věřili, že by mohli vytvořit do roku 2001. Průkopník AI Marvin Minsky byl konzultantem projektu, jak učinit HAL 9000 co nejrealističtějším podle tothe konsenzuální předpovědi času; Crevier ho cituje, že k tématu v roce 1967 řekl: V rámci jedné generace... se problém vytvoření umělé inteligence podstatně vyřeší, i když Minsky tvrdí, že byl nesprávně citován.

Začátkem 70. let však bylo zřejmé, že vědci hrubost projektu podcenili. Financující agentury se staly skeptickými vůči AGI a vyvíjely výzkumníky pod rostoucí tlak, aby vytvořili užitečné aplikované AI. Jak začalo osmdesátá léta, japonský počítačový projekt páté generace oživil zájem o AGI a stanovil desetiletou časovou osu, která obsahovala cíle AGI jako pokračovat v neformální konverzaci. V reakci na to a na úspěch expertních systémů čerpaly peníze průmysl i vláda zpět do terénu. Důvěra v umělou inteligenci se však na konci 80. let velmi zhroutila a cíle počítačového projektu páté generace nebyly nikdy splněny.Na druhé časem za 20 let se ukázalo, že vědci z umělé inteligence, kteří předpovídali bezprostřední úspěch AGI, byli zásadně mylní. V 90. letech získali vědci z umělé inteligence pověst pro marné sliby. Stali se zdráhaví dělat předpovědi vůbec a vyhýbat se jakékoli zmínky o lidské úrovni umělé inteligence ze strachu, že budou označeni jako snílek s divokýma očima.

Úzký výzkum AI

V 90. a začátkem 21. století dosáhla mainstreamová umělá inteligence daleko většího obchodního úspěchu a akademické úcty tím, že se zaměřila na specifické dílčí problémy, kde mohou vytvářet ověřitelné výsledky a komerční aplikace, jako jsou umělé neuronové sítě, počítačové vidění nebo těžba dat. aplikované systémy umělé inteligence se nyní hojně používají v celém technologickém průmyslu a výzkum v této oblasti je velmi těžce financován v akademické obci a průmyslu. V současné době je vývoj v této oblasti považován za vznikající trend a očekává se, že dospělá fáze nastane za více než 10 let.

Většina běžných výzkumníků umělé inteligence doufá, že silné umělé inteligence lze vyvinout kombinací programů, které řeší různé dílčí problémy pomocí integrované architektury agentů, kognitivní architektury nebo architektury subsumpce. Hans Moravec napsal v roce 1988:

Jsem přesvědčen, že tato cesta zdola nahoru k umělé inteligenci se jednoho dne setká s tradiční cestou shora dolů více než na půl cesty, připravená poskytnout pravdu ve skutečném světě a znalosti o zdravých rozumech, které byly tak frustrovaně nepolapitelné v programech uvažování. Plně inteligentní stroje výsledkem bude metaforické zlaté bodce, které spojí obě úsilí. "

Avšak i tato základní filosofie byla sporná; například, Stevan Harnad z Princetonu uzavřel svou knihu z roku 1990 o hypotéze uzemnění symbolů:

Očekávání se často vyslovovalo, že symbolické přístupové modelování poznání shora-dolů bude nějakým způsobem splňovat smyslové přístupy zdola nahoru. Pokud jsou úvahy o uzemnění v tomto dokumentu platné, pak je toto očekávání beznadějně modulární a skutečně existuje pouze jedna životaschopná cesta od smyslů ke symbolům: od základů nahoru. Volně plovoucí symbolická úroveň, jako je softwarová úroveň počítače, se touto cestou (nebo naopak) nikdy nedosáhne - ani není jasné, proč bychom měli dokonce pokuste se dosáhnout takové úrovně, protože to vypadá, jako by se tam dostalo jen vykořenění našich symbolů z jejich vnitřních významů (čímž se omezíme pouze na funkční ekvivalent programovatelného počítače). "

Moderní výzkum umělé inteligence

Umělá obecná inteligence (AGI) popisuje výzkum, který si klade za cíl vytvořit stroje schopné obecného inteligentního jednání. Termín byl používán již v roce 1997 Markem Gubrudinem k diskusi o důsledcích plně automatizované vojenské výroby a operací. Tento termín byl znovu představen a popularizován Šanem Leggem a Benem Goertzelem kolem roku 2002. Výzkumný cíl je mnohem starší, například projekt Douga Lenata Cyc (zahájený v roce 1984) a projekt Allen Newell's Soar jsou považovány za spadající do působnosti AGI. Výzkumnou činnost AGI v roce 2006 popsali Pei Wang a Ben Goertzelas vytvářením publikací a předběžných výsledků. První letní školu v AGI uspořádala v Xiamen v Číně v roce 2009 laboratoř umělého mozku univerzity Xiamen a OpenCog. První univerzitní kurz byl poskytnut v letech 2010 a 2011 na Plovdivské univerzitě v Bulharsku od Todora Arnaudova. V roce 2018 MIT představil kurz v AGI, pořádaný Lexem Fridmanem a představujícím řadu hostujících lektorů. Dosud však většina výzkumníků AI věnoval AGI jen malou pozornost, někteří tvrdí, že inteligence je příliš složitá na to, aby mohla být v nejbližší době úplně replikována. Ve výzkumu AGI je však aktivních několik počítačových vědců a mnoho z nich přispívá na řadu konferencí AGI. Výzkum je v přírodě velmi rozmanitý a často průkopnický. V úvodu své knihy Goertzel říká, že odhady času potřebného k vytvoření skutečně flexibilníAGI se liší od 10 let do více než století, ale shoda ve výzkumné komunitě AGI se zdá být taková, že časová osa diskutovaná Ray Kurzweil v The Singularity je Near (tj. mezi 2015 a 2045) je věrohodný.

Většina běžných výzkumníků AI však pochybuje, že pokrok bude tak rychlý. Mezi organizace, které se výslovně zabývají AGI, patří švýcarská laboratoř AI IDSIA, Nnaisense, Vicarious, Maluuba, OpenCog Foundation, Adaptive AI, LIDA a Numenta a přidružený redwoodský neurovědní ústav. Kromě toho byly založeny organizace jako Machine Intelligence Research Institute a OpenAI, které mají vliv na vývojovou cestu AGI. A konečně, projekty jako Human Brain Project mají cíl vytvořit funkční simulaci lidského mozku. Průzkum AGI v rámci A2017 kategorizoval čtyřicet pět známých aktivních výzkumných a vývojových projektů, které explicitně nebo implicitně (prostřednictvím publikovaného výzkumu) zkoumaly AGI, přičemž největší tři byly DeepMind, projekt Human Brain Project a OpenAI (na základě článku).

V roce 2019 oznámil programátor videoher a letecký inženýr John Carmack plány na výzkum AGI.

Konkrétně DeepMind s úspěchem v simulaci Human Player pro např. AlphaGo využil nové koncepty:

Posílení učení pro zlepšení již vyškolených sítí o nová data nebo

Neupozorněné učení, např. Generativní kontradiktorní sítí k získání vylepšených sítí konkurencí.

Procesní síla potřebná k simulaci mozku

Emulace celého mozku

Populární přístup diskutovaný k dosažení obecné inteligentní akce je emulace celého mozku. Model mozku nízké úrovně je vytvořen skenováním a mapováním biologického mozku podrobně a kopírováním jeho stavu do počítačového systému nebo jiného výpočetního zařízení. Počítač provozuje simulační model tak věrný originálu, že se bude chovat v podstatě stejným způsobem jako původní mozek, nebo pro všechny praktické účely, nerozeznatelně. Emulace celého mozku je diskutována ve výpočetní neurovědě a neuroinformatice, v kontextu mozkové simulace pro účely lékařského výzkumu. To je diskutováno ve výzkumu umělé inteligence jako přístup k silné AI. Neuroimagingové technologie, které by mohly poskytnout potřebné podrobné porozumění, se rychle zlepšují a futurista Ray Kurzweil v knize The Singularity Is Near předpovídá, že mapa dostatečné kvality bude k dispozici v podobném časovém měřítku jako požadovaný výpočetní výkon.

První odhady

Pro simulaci mozku nízké úrovně by byl vyžadován extrémně výkonný počítač. Lidský mozek má obrovské množství synapsí. Každý z 10 (sto miliard) neuronů má v průměru 7 000 synaptických spojení s jinými neurony. Bylo odhadnuto, že mozek tříletého dítěte má asi 10 synapsí (1 kvadrilion). Toto číslo s věkem klesá a stabilizuje se v dospělosti. Odhady se liší pro dospělého, pohybují se od 10 do 5 × 10 synapsí (100 až 500 bilionů). Odhad výpočetní kapacity mozku, založený na jednoduchém modelu přepínání neuronové aktivity, je přibližně 10 (100 bilionů) synaptických aktualizací za sekundu (SUPS). V roce 1997 se Kurzweil podíval na různé odhady hardwaru potřebného k tomu, aby se vyrovnal lidskému mozku, a přijal číslo 10 výpočtů za sekundu (cps). (Pro srovnání, pokud výpočet byl ekvivalentní jedné operaci s pohyblivou řádovou čárkou - měřítko používané k ohodnocení současných superpočítačů - pak 10 výpočtů by odpovídalo 10 petaFLOPS, dosaženým v roce 2011). Použil toto číslo k předpovědi nezbytný hardware by byl k dispozici někdy mezi lety 2015 a 2025, pokud by exponenciální nárůst výkonu počítače v době psaní pokračoval.

Podrobnější modelování neuronů

Model umělých neuronů převzatý Kurzweilem a používaný v mnoha současných implementacích umělých neuronových sítí je jednoduchý ve srovnání s biologickými neurony. Mozková simulace by pravděpodobně musela zachytit podrobné buněčné chování biologických neuronů, v současnosti chápané pouze v nejširších obrysech. Režie zavedená úplným modelováním biologických, chemických a fyzikálních detailů nervového chování (zejména v molekulárním měřítku) by vyžadovala výpočetní schopnosti o několik řádů větší, než je Kurzweilův odhad. Odhady navíc nezohledňují gliové buňky, které jsou přinejmenším stejně početné jako neurony a které mohou převyšovat neurony až o 10: 1, a nyní je známo, že hrají roli v kognitivních procesech.

Aktuální výzkum

Existují některé výzkumné projekty, které zkoumají simulaci mozku pomocí sofistikovanějších neuronových modelů implementovaných na konvenčních výpočetních architekturách. Projekt systému umělé inteligence implementoval v roce 2005 simulace mozku v reálném čase (s 10 neurony). Simulace 1 sekundy modelu trvala 50 dní na clusteru 27 procesorů. Projekt Blue Brain použil jednu z nejrychlejších superpočítačových architektur na světě, platformu IBM Blue Gene, k vytvoření simulace neokortikálního sloupce jedné krysy v reálném čase sestávajícího z přibližně 10 000 neuronů a 10 synapsí v roce 2006. Dlouhodobým cílem je vybudovat podrobnou, funkční simulaci fyziologických procesů v lidském mozku: Není možné vybudovat lidský mozek a můžeme to udělat za 10 let, řekl Henry Markram, ředitel projektu Blue Brain v roce 2009 na TED konference v Oxfordu. Existují také kontroverzní požadavky na simulaci mozku kočky. Neuro-křemíková rozhraní byla navržena jako alternativní implementační strategie, která se může lépe škálovat.

Hans Moraveobsahoval výše uvedené argumenty (mozky jsou komplikovanější , neurony musí být modelovány podrobněji) ve svém článku z roku 1997 Kdy bude počítačový hardware odpovídat lidskému mozku?. Měřil schopnost existujícího softwaru simulovat funkčnost nervová tkáň, konkrétně sítnice. Jeho výsledky nejsou závislé na počtu gliových buněk ani na tom, jaké druhy neuronů provádějí kde.

Skutečná složitost modelování biologických neuronů byla zkoumána v projektu OpenWorm, který byl zaměřen na úplnou simulaci červa, který má ve své nervové síti pouze 302 neuronů (celkem mezi asi 1000 buňkami). Neuronová síť zvířete byla před zahájením projektu dobře zdokumentována. Přestože se na začátku zdálo, že úkol je jednoduchý, tematické modely založené na generické neuronové síti nefungovaly. V současné době je úsilí zaměřeno na přesnou emulaci biologických neuronů (částečně na molekulární úrovni), ale výsledek zatím nelze nazvat úplným úspěchem. I když počet otázek, které je třeba vyřešit v modelu v měřítku člověk-mozek, není úměrný počtu neuronů, množství práce na této cestě je zřejmé.

Kritika přístupů založených na simulaci

Základní kritika simulovaného přístupu k mozku je odvozena od ztělesněného poznání, kde je lidské ztělesnění považováno za základní aspekt lidské inteligence. Mnoho vědců se domnívá, že provedení je nezbytné k uzemnění významu. Pokud je tento pohled správný, jakýkoli plně funkční model mozku bude muset zahrnovat více než jen neurony (tj. Robotické tělo). Goertzel navrhuje virtuální provedení (jako Second Life), ale zatím není známo, zda by to bylo dostačující.

Stolní počítače používající mikroprocesory schopné více než 10 cps (Kurzweilovy nestandardní výpočty za sekundu, viz výše) jsou k dispozici od roku 2005. Podle odhadů mozkové energie používaných Kurzweilem (a Moravkem) by tento počítač měl být schopen podporuje simulaci mozku včel, ale navzdory určitému zájmu taková simulace neexistuje. Existují alespoň tři důvody:

Zdá se, že model neuronů je příliš zjednodušený (viz další část).

Neexistuje dostatečné porozumění vyšším kognitivním procesům, aby bylo možné přesně určit, s čím koreluje nervová aktivita mozku pozorovaná pomocí technik, jako je funkční magnetická rezonance.

I když naše porozumění poznáváním postoupí dostatečně, časné simulační programy budou pravděpodobně velmi neefektivní, a proto budou potřebovat mnohem více hardwaru.

Mozek organismu, i když je kritický, nemusí být vhodnou hranicí pro kognitivní model. Pro simulaci mozku včely může být nutné simulovat tělo a životní prostředí. Disertační práce formalizuje filozofický koncept a výzkum hlavonožců ukázal jasné příklady decentralizovaného systému.

Navíc měřítko lidského mozku není v současné době dobře omezeno. Jeden odhad uvádí lidský mozek na přibližně 100 miliardneuronů a 100 bilionů synapsí. Dalším odhadem je 86 miliard neuronů, z nichž 16,3 miliardy je v mozkové kůře a 69 miliard v mozečku. Synapsie gliových buněk jsou v současné době nekvantifikované, ale je známo, že jsou velmi početné.

Výzkum umělého vědomí

Přestože je role vědomí v silném AI / AGI diskutabilní, mnoho vědců AGI považuje výzkum, který zkoumá možnosti implementace vědomí, za zásadní. V rané snaze Igor Aleksander tvrdil, že principy pro vytvoření vědomého stroje již existují, ale že trénování takového stroje pro porozumění jazyku bude trvat čtyřicet let.

Vztah k silné AI

V roce 1980, filozof John Searle razil termín silný AI jako součást jeho čínského pokojového argumentu. Chtěl rozlišovat mezi dvěma různými hypotézami o umělé inteligenci:

Systém umělé inteligence může myslet a mít mysl. (Slovo mysl má pro filozofy specifický význam, jak se používá v problému těla mysli nebo filozofie mysli.)

Systém umělé inteligence může (pouze) jednat tak, jak si myslí a má mysl.

První z nich se nazývá silná hypotéza AI a druhá je slabá hypotéza AI, protože první způsobuje posílení: předpokládá, že se stroju stalo něco zvláštního, které přesahuje všechny jeho schopnosti, které můžeme otestovat. Searle odkazoval se na silnou AI hypotézu jak silný AI. Toto použití je také běžné v akademických výzkumech AI a učebnicích.

Slabá hypotéza AI odpovídá hypotéze, že je možná umělá obecná inteligence. Podle Russella a Norviga Většina výzkumníků AI bere slabou hypotézu AI jako samozřejmost a nestará se o silnou hypotézu AI.

Na rozdíl od Searle, Kurzweil používá termín silný AI popisovat nějaký systém umělé inteligence, který se chová jako to má mysl, bez ohledu na zda filozof by byl schopný určovat jestliže to vlastně má mysl nebo ne.

Možná vysvětlení pro pomalý pokrok ve výzkumu AI

Od zahájení výzkumu AI v roce 1956 se růst této oblasti časem zpomalil a zastavil cíle výroby strojů schopných inteligentní činnosti na lidské úrovni. Možným vysvětlením tohoto zpoždění je to, že počítačům chybí dostatečný rozsah paměti nebo výpočetního výkonu. Kromě toho úroveň složitosti, která se připojuje k procesu výzkumu AI, může také omezit pokrok výzkumu AI.

Zatímco většina vědců v oblasti AI věří, že v budoucnu lze dosáhnout silné AI, existují i ​​jednotlivci jako Hubert Dreyfus a Roger Penrose, kteří popírají možnost dosažení silné AI. John McCarthy byl jedním z různých počítačových vědců, kteří věří, že AI na lidské úrovni bude dosaženo, ale datum nelze přesně předvídat.

Koncepční omezení jsou dalším možným důvodem pro pomalost ve výzkumu AI. Vědci AI možná budou muset upravit koncepční rámec své disciplíny, aby poskytli silnější základnu a přispěli k úsilí o dosažení silné AI. Jak napsal William Clocksin v roce 2003: rámec vychází z Weizenbaumova pozorování, že inteligence se projevuje pouze ve vztahu ke specifickým sociálním a kulturním kontextům.

Vědci umělé inteligence navíc dokázali vytvořit počítače, které mohou vykonávat práce, které jsou pro lidi obtížné, ale naopak se snažili vyvinout počítač, který je schopen provádět úkoly, které jsou pro člověka jednoduché (Moravecův paradox). Problém popsaný Davidem Gelernterem je, že někteří lidé předpokládají, že myšlení a uvažování jsou rovnocenné. Myšlenka, zda jsou myšlenky a tvůrce těchto myšlenek izolovány jednotlivě, však zaujala vědce AI.

Problémy, s nimiž se ve výzkumu AI setkaly v posledních desetiletích, dále bránily rozvoji AI. Neúspěšné předpovědi, které slíbili vědci AI, a absence úplného porozumění lidskému chování pomohly snížit primární myšlenku AI na lidské úrovni. Přestože pokrok výzkumu AI přinesl zlepšení i zklamání, většina vyšetřovatelů prokázala optimismus o možném dosažení cíle AI v 21. století.

Pro zdlouhavý výzkum probíhající silné AI byly navrženy další možné důvody. Složitost vědeckých problémů a potřeba plně porozumět lidskému mozku prostřednictvím psychologie a neurofyziologie omezily mnoho vědců z napodobování funkce lidského mozku do počítačového hardwaru. Mnoho vědců má tendenci podceňovat jakoukoli pochybnost spojenou s budoucími předpovědi AI, ale bez toho, aby tyto problémy brali vážně, mohou lidé přehlédnout řešení problematických otázek.

Clocksin říká, že koncepční omezení, které může bránit pokroku výzkumu AI, je to, že lidé mohou používat nesprávné techniky pro počítačové programy a implementaci vybavení. Když se vědci umělé inteligence poprvé začali zaměřovat na cíl umělé inteligence, hlavním zájmem bylo lidské uvažování. Výzkumníci doufali, že budou pomocí výpočtů vytvářet výpočetní modely lidských znalostí a budou hledat, jak navrhnout počítač s konkrétním kognitivním úkolem.

Praxe abstrakce, kterou lidé mají tendenci předefinovat, když pracují s konkrétním kontextem ve výzkumu, poskytuje vědcům koncentraci pouze na několik konceptů. Nejproduktivnější využití abstrakce ve výzkumu AI pochází z plánování a řešení problémů. Přestože cílem je zvýšit rychlost výpočtu, role abstrakce vyvolala otázky týkající se zapojení operátorů abstrakce.

Možný důvod pro pomalost v AI se týká uznání mnoha vědců AI, že heuristika je část, která obsahuje významné porušení mezi výkonem počítače a výkonem člověka. Specifické funkce, které jsou naprogramovány do počítače, mohou být schopny účtovat mnoho požadavků které jí umožňují přizpůsobit se lidské inteligenci. Tato vysvětlení nemusí být nutně základními příčinami zpoždění při dosahování silné AI, ale široce se s nimi souhlasí řada výzkumníků.

Existuje mnoho vědců AI, kteří debatují o tom, zda by stroje měly být vytvořeny s emocemi. V typických modelech AI nejsou emoce a někteří vědci tvrdí, že programování emocí do strojů jim umožňuje mít vlastní mysl. Emoce shrnuje zkušenosti lidí, protože jim umožňuje zapamatovat si tyto zkušenosti. David Gelernter píše: Žádný počítač nebude tvořivý, pokud nedokáže simulovat všechny nuance lidské emoce. Tato obava z emocí představovala pro vědce AI problémy a připojuje se k konceptu silné AI v průběhu jejího výzkumu do budoucnosti.

Vědomí

Kromě inteligence, které jsou relevantní pro koncept silné umělé inteligence, které hrají hlavní roli ve sci-fi a etice umělé inteligence, existují další aspekty lidské mysli:

Vědomí: Mít subjektivní zkušenost a myšlení.

Sebevědomí: Být vědomi sebe samého jako samostatného jednotlivce, zejména uvědomovat si vlastní myšlenky.

Sentience: Schopnost subjektivně cítit vnímání nebo emoce.

Sapience: Schopnost moudrosti.

Tyto rysy mají morální rozměr, protože stroj s touto formou silné umělé inteligence může mít zákonná práva, obdobná právům zvířat jiného než lidského původu. Také Bill Joy mimo jiné tvrdí, že stroj s těmito vlastnostmi může být hrozbou pro lidský život nebo důstojnost. Zbývá ukázat, zda je některý z těchto znaků nezbytný pro silnou AI. Role vědomí není jasná a v současné době neexistuje žádný dohodnutý test na její přítomnost. Pokud je stroj postaven se zařízením, které simuluje nervové koreláty vědomí, mělo by to automaticky sebevědomí? Je také možné, že některé z těchto vlastností, jako je vnímání, se přirozeně vynoří z plně inteligentního stroje nebo že je přirozené připisovat tyto vlastnosti strojům, jakmile začnou jednat způsobem, který je jasně inteligentní. Například inteligentní akce může postačovat spíše pro vnímání než naopak.

Ve sci-fi je AGI spojena se zvláštnostmi, jako je vědomí, vnímání, moudrost a sebevědomí pozorované u živých bytostí. Podle filozofa Johna Searleho je však otevřenou otázkou, zda obecná inteligence postačuje pro vědomí. Silná AI (jak je definována výše Rayem Kurzweilem) by neměla být zaměňována se Searleovou silnou AI hypotézou. Silná AI hypotéza je tvrzení, že počítač, který se chová stejně inteligentně jako člověk, musí také nutně mít mysl a vědomí. AGI odkazuje pouze na množství inteligence, které stroj zobrazuje, s myslí nebo bez mysli.

Spory a nebezpečí

Proveditelnost

Názory se liší v tom, zda a kdy dorazí umělá obecná inteligence. Na jednom konci, průkopník AI Herbert A. Simonwrote v roce 1965: stroje budou schopny do dvaceti let vykonávat práci, kterou může člověk udělat. Tato predikce se však neuskutečnila. Spoluzakladatel společnosti Microsoft Paul Allen věřil, že taková inteligence je v 21. století nepravděpodobná, protože by vyžadovala nepředvídatelné a zásadně nepředvídatelné průlomy a vědecky hluboké porozumění poznání. V článku The Guardian robot Alan Winfield tvrdil, že propast mezi moderními počítači a umělou inteligencí na úrovni člověka je stejně široká jako propast mezi současným kosmickým letem a praktickým rychleji než světelným kosmickým letem. Názory odborníků AI na proveditelnost AGI vosku a mizel, a možná došlo k oživení v roce 2010. Čtyři průzkumy veřejného mínění provedené v letech 2012 a 2013 naznačovaly, že průměrný odhad mezi odborníky, kdy by měli mít 50% jistotu, že by AGI dorazil, byl 2040 až 2050, v závislosti na průzkumu, se střední hodnotou 2081. Je také zajímavé zaznamenat 16,5% odborníci odpověděli nikdy, když byli položeni na stejnou otázku, ale místo toho s 90% jistotou. Další aktuální úvahy o vývoji AGI lze nalézt níže Testy pro potvrzení AGI na lidské úrovni a IQ-testy AGI.

Potenciální hrozba pro lidskou existenci

Vytvoření umělé obecné inteligence může mít tak velké a složité dopady, že nebude možné předpovídat, co přijde později. Událost v hypotetické budoucnosti dosažení silné AI se tedy nazývá technologická jedinečnost, protože ji teoreticky nelze vidět. Ale to nezabránilo filozofům a vědcům v hádání, co mohou inteligentní počítače nebo roboty budoucnosti dělat, včetně utopie tím, že jsou našimi přáteli, nebo nás ohromují v převzetí AI. Posledně jmenovaný potenciál je obzvláště znepokojivý, protože představuje existenciální riziko pro lidstvo.

Samoreprodukční stroje

Inteligentní počítače nebo roboti by byli schopni navrhnout a vyrobit vylepšené verze sebe samých. Rostoucí populace inteligentních robotů by si mohla představit, že by mohla konkurovat podřadným lidem na pracovních trzích, v podnikání, ve vědě, v politice (prosazující práva robotů) a technologicky, sociologicky (jednáním jako jeden) a vojensky. Dokonce i v dnešní době již mnoho pracovních míst přijali pseudo-inteligentní stroje poháněné slabou AI. Například roboti pro domácnosti, zdravotnictví, hotely a restaurace automatizovali mnoho částí našeho života: virtuální roboti přeměňují zákaznický servis na self- služby, velké datové AI aplikace se používají k nahrazování portfoliových manažerů a sociální roboty, jako je Pepper, se používají k nahrazení lidských pozdravitelů pro účely služeb zákazníkům.

Nouzová superintelligence

Pokud by výzkum silného umělé inteligence vytvořil dostatečně inteligentní software, byl by schopen přeprogramovat a vylepšit se - funkce zvaná rekurzivní sebezdokonalování. Pak by bylo ještě lepší se zlepšovat a pravděpodobně by to pokračovalo v rychle rostoucím cyklu, který by vedl k explozi inteligence a vzniku superintelligence. Taková inteligence by neměla omezení lidského intelektu a mohla by být schopna vynalézat nebo objevovat téměř cokoli.

Hyper-inteligentní software nemusí nutně rozhodnout o podpoře pokračující existence lidstva a může být velmi obtížné zastavit. Toto téma se také nedávno začalo diskutovat v akademických publikacích jako skutečný zdroj rizik pro civilizaci, lidi a planetu Zemi.

Jedním z návrhů, jak se s tím vypořádat, je zajistit, aby první obecně inteligentní AI byl přátelský AI, který by se pak snažil zajistit, aby následně vyvinuté AI nebyly pro nás příjemné. Přátelská AI je však těžší vytvořit než obyčejná AGI, a proto je pravděpodobné, že v závodě mezi těmito dvěma by se ne-přátelská AI vyvinula jako první. Rovněž neexistuje žádná záruka, že přátelská umělá inteligence zůstane přátelská, nebo že její potomci budou také všichni dobří.

Historie umělé inteligence

Ve 40. a 50. letech začala hrst vědců z různých oborů (matematika, psychologie, strojírenství, ekonomie a politologie) diskutovat o možnosti vytvoření umělého mozku. Oblast výzkumu umělé inteligence byla založena jako akademická disciplína v roce 1956.

Kybernetika a rané neuronové sítě

Nejstarší výzkum myslících strojů byl inspirován soutokem myšlenek, které se rozšířily na konci třicátých, čtyřicátých a čtyřicátých let. Nedávný výzkum v neurologii ukázal, že mozek byl elektrickou sítí neuronů, která vypalovala pulsy typu vše nebo nic. Kybernetika Norberta Wienera popsala kontrolu a stabilitu v elektrických sítích. Informační teorie Clauda Shannona popsala digitální signály (tj. Signály typu "vše nebo nic). Teorie výpočtů Alana Turinga