1960'larda yapay zeka konusunda çalışan bilim insanlarının ve mühendislerin ilk güveninin bir nedeni var mı?

Az önce bir AI ve Veri Madenciliği dersine ve kitabına başladım . AI Application Programming, AI tarihine genel bir bakış ile başlar. İlk bölüm 1940'lardan günümüze kadar AI'nın tarihi ile ilgilidir. Belirli bir açıklama bana yapışmış:

[60'larda] AI mühendisleri aşırı pahalı ve yetersiz teslim edildi ...

Aşırı güvenin nedeni neydi? Devrimin köşede olduğunu gösteren matematiksel tahmin modelleri nedeniyle mi, yoksa sürekli artan donanım yeteneğinden mi kaynaklanıyordu?

Benim kişisel görüşüm bunun kibri yüzünden olduğu yönünde . 60'lı ve 70'li yıllarda MIT, Stanford vb. Koridorlarında yürürken bazı büyük egolar vardı ve bu sorunu çözdüklerini biliyorlardı . Sağ.

O zamanlar bu evrenin bir parçası olmasam da, 80'lerin ortalarında, benzerlik arayışıyla çalışıyordum. Çalışmamız başlangıçta Cornell'deki Gerard Salton tarafından 60'larda yapılan ve belge ve sorguları temsil etmek için ağırlıklı öznitelik vektörleri kullanan bir araştırmaya dayanıyordu . Aslında kullanışlı bir yaklaşımdı, ancak sinir ağları alevler içinde düştüğünde (en azından geri yayılımını keşfedene kadar ), Salton'un çalışması sinir ağlarına benzer (punto amaçlı) olduğu için dahil edildi. Farklı bir şeyler yapmaya çalışıyordu, ama geri kalanıyla birlikte toplandığı birkaç yıl vardı.

Birisi Current Brick Wall ™ için bir çözüm bulduğu zaman çok heyecanlanır ve AI'yı çözülmüş bir sorun olarak ilan eder. Sadece bu değil. Çünkü o tuğla duvarın arkasında bir tane daha var. Bu döngü sadece AI'da değil, tekrar tekrar tekrar tekrar tekrarlandı. Ben sıkıca tüm müstakbel bilgisayar bilim adamları ve mühendisler gerektiğine inanıyoruz gerekli roketler gibi çıktım Next Big Things ™ sayısına özel önem vererek, Computing Tarihi bir dönem-uzun sınıf almak ... ve sonra çok yapılan Vadi tabanındaki büyük krater.

Ek: İşçi Bayramı hafta sonunu eski bir arkadaşımla geçirdim ve bunun hakkında biraz konuştuk. Bağlam - bunun ne anlama geldiğini, nasıl temsil edileceğini ve daha sonra nasıl kullanılacağını bulmak - muhtemelen temizlenecek en büyük engel olarak ortaya çıktı. Ve ne kadar uzun bakarsanız, o kadar büyük bir engel olur. İnsanlar, daha önce olanların büyük bir deposuna karşı "neler olup bittiği" ile şaşırtıcı, ani yüzeye yakın kısmi kalıp eşleşmesini yapabilir ve daha sonra, geçmişin bilgisini şimdiki durumla birleştirerek, bu anlayışı hangi bağlamda oluşturacaklarına bağlayabilirler . eyleme yol açabilir. Örneğin, Waldo Grade'i aşağı çekerken "göz ardı edebileceğimiz / göz ardı edemeyeceğimiz şeylerin" güçlü bir filtresi olarak kullanabiliriz 60 MPH'de, trafik 4 şerit yan yana ve sadece 3 veya 4 fit (veya daha az!) ile ayrılmış.

Spektrumda stuff > data > information > knowledge > understanding > judgement, hala bilgi / bilgi adımlarına ulaşmak için zorluyoruz ve hatta bu , oldukça sınırlı söylem alanları ile sınırlı .

Oldukça basit bir şekilde, özellikle kombinasyonel patlamanın söz konusu olduğu durumlarda, eldeki sorunun boyutunu büyük ölçüde küçümserler. Birçok AI çözümü "oyuncak" numuneleri için gayet iyi çalışır, ancak insani seviyedeki problemlere ölçeklendiğinde çok başarısız olur.

Muhtemelen, onlar da sadece deneyimsizdi. Bir alan olarak yapay zekâ (göreceli olarak) sadece pratik uygulamalar açısından icat edilmişti, bu nedenle hiç kimse teoriyi hiçbir şeye uygulamada önemli deneyime sahip değildi.

Birkaç sebep düşünebilirim.

AI, 50'li yılların sonlarında ve 60'lı yılların başlarında ele alınan oyuncak sorunlarının bazılarında, başardıklarını fazla tahmin ettikleri gibi hızlı bir başarı yaşadı. ELIZA ve SHRDLU, insanları nispeten basit programlar olmasına rağmen şaşırttı. Ne yazık ki, bu programları çarpıcı kılan şeylerin büyük bir kısmı gerçekten yenilikti. Bugün ELIZA ile yapılan bir konuşmadan kimse çok etkilenmedi, fakat o zaman millet bunun mucizevi olduğunu düşünüyordu.

Ayrıca, problemler “çözüldüğü” veya en azından izlenebilir hale geldikleri için, insanlar uzun süredir AI olarak düşünmezler. Kod optimizasyonu bir AI problemiydi. İstatistiksel öğrenme AI'dan kendi uzmanlık alanına ayrıldı ve konuşma tanıma aldı. Veri madenciliği genel hale geldikçe, AI ile olan ilişkisini kaybedecek. Zamanla AI başarılarını unutuyor ve zorla çözülemeyen ve çözülemeyen problemlere bağlı kalmakta zorlanıyor ve bir flop gibi görünmekle sonuçlanıyor.

Sanırım 60'lardaki insanlar sorunları “zor problemlere” ve “kolay problemlere” bölmek için kendi insan deneyimlerini kullandılar: Satranç kazanmak, mantıksal bilmeceleri çözmek, matematiksel denklemleri çözmek bizim için zor görünüyor. Doğal dilleri anlama veya görüntüdeki nesnelerin ana hatlarını bulma gibi şeyler kolay görünür, çünkü beynimiz tüm işi bilinçli bir çaba göstermeden yapar. Bunları nasıl yaptığımızı açıklamaya çalıştığımızda, "İngilizce cümleler her zaman konuya-yapı-nesnesine sahiptir - burada konu basit bir terim veya cümle olabilir ..." veya "Ben kenarları aramak ve bunları nesne sınırlarına bağlamak ". Bugün şeylerin o kadar basit olmadığını biliyoruz, ancak yalnızca tüm basit (ve o kadar da basit olmayan) çözümler denendi ve yapmadı.

Ayrıca, bu yanlışlık 60'larda başlamadı: Bu "zor problemlerin" (buluşsal bulgular, oyun teorisi, karar teorisi, matematik, mantık vb.) Nasıl çözüleceğine dair yüzyıllarca araştırma var ama ben hiç kimseden emin değilim 1950’lerden önce doğal dillerin nasıl ayrıştırılabileceğini araştırmaktan rahatsız oldu.

Ve bugün bile, düzenli olarak, insanların İngilizce cümleleri nasıl ayrıştırabileceklerini sordukları, görüntüdeki bir kişinin yaşını tahmin edebildikleri, bir görüntünün "iş için güvenli" olup olmadığını veya iki görüntünün aynı şeyi gösterip göstermediğini yargılayan yığın akışı hakkında düzenli olarak sorular bulabilirsiniz. . Bu soruları sormak insanlar çok fazla kibir veya kibir muzdarip sanmıyorum: Bu sorunlar sadece basit böylece, orada o inanılmaz görünüyor olduğunu bunları çözmek için basit bir algoritma.

AI'nın uzun bir hayal kırıklığı öyküsü var , ancak çoğu eleştirmenin, "1960 mühendislerinin aşırı ödüllendirilen ve yetersiz teslim edildiğini" söylediğin gibi olanları fazlasıyla basitleştirdiğini düşünüyorum.

60'lı yıllarda AI, çoğunlukla üniversitelerde göreceli bir avuç araştırmacının (alan henüz mühendislik olarak adlandırmak için yeterince geliştirilmemiştir) etki alanıydı ve çok azı başarılı programcılardı.

1950'lerde bilgisayar makinelerinin ani mevcudiyeti, özellikle doğal dilin makine çevirisi, satranç oynaması ve benzeri problemlerde otomasyon için büyük beklentilere yol açmıştı. O günlere ilişkin bazı gerçek başarı tahminleri bulabilirsiniz, ancak sözler kaçınılmaz bir şekilde, bu sorunlardan birini derinlemesine çözmeden ÖNCE geldi. (Ya da, Samuel'in dama ile çok fazla başarılı olduktan sonra iyi satranç oynamayı beklemek gibi, bir başkasının garantili olduğunu varsaydılar .)

Ayrıca, "söylediklerini", "hissettiklerini", "düşündüğünü" vb. İddialara karşı temkinli olun; geriye dönük görüşlerin (bunun gibi!) etrafta atılması kolaydır, "uzmanlar" (aslında belirli bir sorunu çözmeye çalışanlar) tarafından yapılan gerçek tahminlerin kanıtlarını bulmak çok daha zor olabilir.

Aşırı fiyatlandırma ve teslim alma, programlamanın uygulandığı alan ne olursa olsun, her zaman bir yazılım geliştirmenin belirtisi olmuştur. AI ile ilgili büyük bir zorluk, önemsiz olmayan sorunların çoğu mühendisin yeteneklerinin ötesinde olmasıdır. Örneğin, Charles E. Grant'in cevabı ELIZA ve SHRDLU'yu "nispeten basit" olarak sınıflandırmasına rağmen , bunun yalnızca ELIZA için geçerli olduğunu söyleyebilirim (çoğu birinci sınıf programlama öğrencisinin muhtemelen çok zorlanmadan uygulayabildiği). Öte yandan, SHRDLU, çoğu programcının icat etmesine izin vermek için icat etmekte zorlanacakları büyük, son derece karmaşık bir programdır. Gerçekten de, iki üniversite öğrencisi ekibi kaynak kodunu tekrar çalıştıramadı bileve 40 yıl sonra, SHRDLU benzeri yeteneklerin bugünlerde bulunması zor.

AI muhtemelen bilgisayarların uygulanabileceği en az anlaşılmış ve en zorlu sorunlardan biri olduğundan, genel olarak AI'daki ilerlemenin genellikle kurs için eşit olduğunu söyleyebilirim. Hala yüksek beklentiler var ve donanım hızımız ve kapasitemiz 60'lardan bu yana çok arttı, ancak mühendislerin yeteneklerini ve AI anlayışını o kadar geliştiremediğini söyleyebilirim. Muhtemelen uzun bir yol, ve aşırı ödün vermek ve az teşebbüs etmek bir süre daha devam edecek.

Bence sebep kibirdi. 60'larda AI üzerinde çalışan bir Mühendis olsaydım kendimden çok kibirli olurdum.

Bence harika şeyleri başarmak için harika şeylere ulaşmak zorundasınız. Bu yüzden aşırı pahalılaşma, sınırı aşmadığınız sürece mutlaka kötü bir şey değildir. Bilim adamı bugün, mümkün olamayacağına inanmadığım şeyler vaat ediyor, ancak buna ulaşamazlarsa, sonuç olarak nelerin başarılacağını özleyeceğiz.

Nereye gittiğinizi bilmediğinizde bir yerlere ulaşmak çok zor olabilir.

İstihbaratın ne olduğu ve nasıl çalıştığı hakkında makul bir açıklama yapsaydık, belki de onu etkili bir şekilde taklit edebilirdik. Turing testi büyüleyici ve kullanışlıdır, ancak gerçek zekayı modellememize yardımcı olmak için muhtemelen yeterli değildir. Bildiğimiz kadarıyla, gerçek zeka için de bir “zeka modeli” yeterli olmayabilir.

Şu anda OWL ile olan şeylerin aşağı yukarı aynı olduğunu söyleyebilirim. Etrafınıza bakın ve paralellikler çizmeye çalışın.

Kağıt üzerinde iyi geliyor, oyuncak problemlerinde iyi çalışıyor gibi görünüyor, gerçek veriler üzerinde inanılmaz derecede karmaşık bir hal alıyor.

Verilen iyi cevaplara ek olarak, iki gözlem:

Günün bazı alıntıları, araştırmacıların çoğunun, daha hızlı bilgisayarlar tasarlandıktan sonra önemsiz çözümlerin artırılabileceğini düşündüğünü ima ediyor gibi görünüyor. Bazı öğrenme sistemleri için bu çok doğruydu, ancak OP'nin kendisine atıfta bulunduğunu düşündüğüm bir şey için gerçekten daha iyi bir sonuç alamadım.

O zamanlar araştırmacılar, insan zihninin karmaşıklığı hakkında çok düşük bir tahminde bulundular (Turing testi, insanların şimdiye kadar beyninin sadece küçük bir yüzdesini kullandıkları, vb.). Basit bir hayvan seviyesindeki AI, bazı şeylerin ölçeklendirildiği ölçülerek elde edildi, fakat insan seviyesindeki AI seviyesine atlama beklenenden çok daha büyüktü. Bu, bazı araştırmacıların bu açığı kapatmaya çalışan bebek sistemleri ve diğer büyüme / evrim temelli simülasyonları öğrenmeye çalışmasına neden oldu.

Bunun bir nedeni, 1960’larda ELSEWHERE’de elde etmemizdi. Biz henüz uzaya fırlatmıştık ve yakında aya bir adam indirecektik. Çocuk felci ve diğer önemli hastalıklar için tedavileri keşfettik.

Ancak "yapay zeka" o zaman karşılaştığımız "mühendislik" problemlerinden farklı bir hayvandı. “Mekanik” bir problem olmaktan ziyade bir “muhakeme” idi.

Kısacası, AI (1960'larda) “vakti henüz gelmemiş” bir fikirdi. Daha sonraki yıllarda, diğer problemler kadar ulaşılabilir hale gelmeden önce daha fazla gelişme gösterdi.

Başka bir neden, bir bilgisayar / yazma bilgisayar programlarına hakim olmamız bize çok az kontrol düşkünlüğünü bir omnipotence hissi verir - aslında, biri kapalı olsa da küçük evrenler yaratır.

Bu artı felsefi / epistemolojik eğitimin eksikliği ve “İstihbarat hiçbir şey değil…” gibi basit açıklamalarda saf güven eksikliği kocalara yol açabilir.