Будут ли интеллектуальные алгоритмы будущего выглядеть как роботы общего назначения, как адепты на праздных подшурных и чтения карт, поскольку они удобны на кухне? Или наши цифровые помощники будут больше похожи на захватный мешок специализированных гаджетов - меньше одного болтливого мастера, чем на кухне, полной приборов?

Если алгоритм пытается сделать слишком много, он попадает в беду. Рецепт ниже был создан искусственной нейронной сетью, типа искусственного интеллекта (AI), который учится на примере. Этот конкретный алгоритм тщательно изучал рецепты рецептов 30,000 всех сортов, от супов до пирогов до барбекю, а затем пытался придумать свои собственные. Результаты, скажем так, несколько неортодоксальные:

(Примечание редактора: не пробуйте эти рецепты дома, LOL)

Распространение куриного риса

сыр / яйца, салаты, сыр

2 lb сердца, посеяны
Кубок 1 измельченный свежий мята или малиновый пирог
1 / 2 чашка для каримы, тертая
1 столовая ложка растительного масла
Соль 1
Перец 1
2 1 / 2 tb сахар, сахар

Смешайте unleaves, и перемешайте пока смесь не будет густой. Затем добавьте яйца, сахар, мед и тмины, и варите на медленном огне. Добавьте кукурузный сироп, орегано, розмарин и белый перец. Положите в крем при нагревании. Кук добавьте оставшуюся порошок и соль для выпечки чайной ложки 1. Испеките в 350F для 2 до 1 часа. Подавать горячим.

Выход: 6 порций

Теперь, вот пример рецепта, сгенерированного одним и тем же базовым алгоритмом, - но вместо данных, содержащих рецепты всех видов, он смотрел только на торты. Рецепт не идеален, но он намного лучше, чем предыдущий:

Морковный торт (Vera Ladies)

торты, алкоголь

1 pkg смесь желтого торта
3 мерная чашка муки
1 чайная ложка разрыхлителя
1 1 / 2 чайная ложка пищевой соды
1 / 4 чайной ложки соли
1 чайная ложка молотой корицы
1 чайной ложки молотого имбиря
1 / 2 чайной ложки молотой гвоздики
1 чайная ложка разрыхлителя
1 / 2 чайной ложки соли
1 чайная ложка ванильного сахара
1 яйцо, комнатная температура
1 мерная чашка сахара
1 чайная ложка ванильного сахара
1 чашки нарезанных орехов пекан

Разогреть духовку до уровня 350. Смажьте кастрюлю весны 9-inch.

Сделать торт: взбить яйца с высокой скоростью до толстого и желтого цвета и отложить. В отдельной миске избивайте яичные белки до тех пор, пока они не станут жесткими. Скорейте сначала, как смесь, в подготовленную кастрюлю и сгладьте тесто. Выпекать в духовке около 40 минут или до тех пор, пока деревянная зубочистка, вставленная в центр, не станет чистой. Охладите в кастрюле для минут 10. Вывернитесь на проволочную стойку, чтобы полностью охладиться.

Удалите торт с кастрюли, чтобы полностью охладиться. Подавать теплым.

Поваренная книга HereCto (1989) From the Kitchen & Hawn in the Canadian Living

Выход: 16 порций

Конечно, когда вы внимательно смотрите на инструкции, он производит только один испеченный яичный желток. Но это все-таки улучшение. Когда ИИ было разрешено специализироваться, было просто намного меньше, чтобы отслеживать. Не нужно было пытаться выяснить, когда использовать шоколад и когда использовать картофель, когда испечь или когда варить. Если первый алгоритм пытался стать чудо-ящиком, который мог бы производить рис, мороженое и пироги, второй алгоритм пытался быть чем-то более похожим на тостер, специализирующийся только на одну задачу.

Разработчики, которые учат алгоритмы машинного обучения, обнаружили, что часто имеет смысл строить тостеры, а не чудо-боксы. Это может показаться нелогичным, потому что ИИ западной научной фантастики имеют тенденцию напоминать C-3PO в Star Wars или WALL-E в одноименном фильме - примеры искусственного общего интеллекта (AGI), автоматов, которые могут взаимодействовать с миром, как человек, и обрабатывать множество разных задач. Но многие компании незримо - и успешно - используя машинное обучение для достижения гораздо более ограниченных целей. Одним из алгоритмов может быть чатбот, обрабатывающий ограниченный круг основных вопросов клиентов по поводу их счета за телефон. Другой может сделать прогнозы о том, что клиент призывает обсуждать, отображая эти прогнозы для представителя человека, который отвечает на телефон. Это примеры искусственных Узкий интеллект (ANI) - ограничен очень узкими функциями. С другой стороны, Facebook недавно удалил свой «М» chatbot, который никогда не преуспел в своей цели - управлять бронированием отелей, бронированием билетов в театр, организацией посещений попугаев и т. Д.

Причина, по которой у нас есть ANI на уровне усилителя вместо AGI WALL-E, заключается в том, что любой алгоритм, который пытается обобщить, хуже при различных задачах, с которыми он сталкивается.

Что касается пример, вот алгоритм, обученный генерации изображения на основе заголовка.

Это его попытка создать картину из фразы: «Эта птица желтая с черным на голове и имеет очень короткий клюв».

Когда он обучался набору данных, который состоял полностью из птиц, он делал довольно хорошо (несмотря на странный рог единорога):

Но когда его задачей было сгенерировать все - от знаков остановки до лодок до коров людям - он боролся. Вот его попытка создать «образ девушки, которая ест большой кусочек пиццы»:

Мы не привыкли думать, что существует такой огромный разрыв между алгоритмом, который хорошо что-то делает, и алгоритмом, который хорошо справляется. Но наша современная алгоритмы имеют очень ограниченную умственную силу по сравнению с человеческим мозгом, и каждая новая задача расширяет их тоньше. Подумайте о аппарате с размерами тостера: его легко построить в нескольких слотах и ​​некоторых нагревательных катушках, чтобы он мог поджарить хлеб. Но это оставляет мало места ни для чего другого. Если вы попытаетесь также добавить функциональность рисования паром и мороженого, то вам, по крайней мере, придется отказаться от одного из слотов для хлеба, и, вероятно, это ни на что не повлияет.

Есть трюки, которые программисты используют, чтобы получить больше от алгоритмов ANI. Одним из них является передача обучения: подготовить алгоритм для выполнения одной задачи, и он может научиться выполнять другую, но тесно связанную задачу после минимальной переподготовки. Например, люди используют обучающее обучение для обучения алгоритмов распознавания образов. Алгоритм, который научился идентифицировать животных, уже набрал много средств для обнаружения границ и навыков анализа текстур, которые он может переложить на задачу идентификации фруктов. Но, если вы переучиваете алгоритм идентификации плодов, феномен называется катастрофическое забывание означает, что он больше не будет помнить, как идентифицировать животных.

Еще один трюк, который используют современные алгоритмы: модульность, Вместо единого алгоритма, который может справиться с любой проблемой, ИИ будущего, вероятно, будут сборкой высокоспециализированных инструментов. Алгоритм, который узнали для воспроизведения видеоигры Doom, например, было отдельное выделенное зрение, контроллер и модули памяти. Взаимосвязанные модули также могут обеспечивать избыточность от сбоев и механизм для голосования по наилучшему решению проблемы на основе нескольких разных подходов. Они также могут быть способом обнаружения и устранения ошибок алгоритмического алгоритма. Обычно сложно понять, как индивидуальный алгоритм принимает свои решения, но если решение принято с помощью совместных под-алгоритмов, мы можем, по крайней мере, посмотреть на каждый выход суб-алгоритма.

Когда мы представляем ИИ дальнего будущего, возможно, WALL-E и C-3PO не являются дроидами, которых мы должны искать. Вместо этого мы можем представить что-то большее, как смартфон, полный приложений, или кухонный шкаф, заполненный гаджетами. Когда мы готовимся к миру алгоритмов, мы должны убедиться, что мы не планируем думать, универсальные чудо-боксы, которые никогда не будут построены, но вместо этого для узкоспециализированных тостеров.

Об авторе

Janelle Shane обучает нейронные сети писать юмор на aiweirdness.com. Она также является научным сотрудником в области оптики и живет в Боулдере, штат Колорадо.

Эта статья была первоначально опубликована в геологический период и был переиздан в Creative Commons.

Похожие книги:

at Внутренний рынок самовыражения и Amazon