Шта је заправо АИ?

Културни и практични увод за дизајнере

Ово је прво поглавље из серије Темељи АИ-а о АИ-првом дизајну (АИ1Д). Свако поглавље има за циљ да дефинише саставне делове АИ1Д-а како би се створио заједнички језик са којим би се истражило ово ново доба дизајна. Увод у серију можете прочитати овде и пријавити се за праћење следећег поглавља овде.

Као дизајнер, зашто бисте требали бити у стању да разумете вештачку интелигенцију? У последње време је то толико забрањен у медијским и технолошким круговима, врста каталошке меморије која би могла да опише било шта од виртуелних личних асистената, робота, ликова научне фи или најновијег алгоритма дубоког учења. Можда радите у АИ и имате нијансирано разумевање ових различитих поља, или можда једноставно мислите да ће АИ у наредним годинама на неки начин утицати на ваш рад, али нисте сасвим сигурни како.

Имајући то у виду, добродошли смо у прво поглавље наше АИ-Фирст Десигн Фоундатион Фоундатион серије у којем желимо ускладити језик вештачке интелигенције и разговарати о њеним многобројним дефиницијама. При томе се надамо да ћемо се заснивати на идеји шта је данас вештачка интелигенција, на основу чега можемо одговорити: Шта је АИ-Фирст Десигн?

Ово поглавље је посвећено испитивању тренутног АИ пејзажа и навигацији по различитим дефиницијама које је АИ видео од када је појам први пут уведен. Прегледаћемо историју АИ, прегледаћемо врхове и пада у популарности и указаћемо на главне прекретнице од недавног пораста успеха АИ. Коначно ћемо испитати АИ-ове многе дефиниције и неке од изазова са којима се сусрећемо у проналажењу једног са којим се сви могу сложити. Главе горе: налази се на дуљој страни, зато се удобно прескочите на део који би вас могао више занимати или само прочитајте ову супер кратку верзију у наставку.

ТЛ; ДР

Уместо да започнемо испитивање АИ педесетих година прошлог века, наша линија почиње много раније, у Хомеровој Илијади, када смо већ тражили да статуе и богове припишемо људским особинама. Много тога се догодило од тада! Данас смо достигли врхунски напредак у погледу брзине аванса, финансирања и ентузијазма АИ-а, иако још увек постоји велики јаз између очекивања научне фантастике и реалности онога што се машинама може постићи. АИ је и даље веома далеко од достизања опште интелигенције налик човеку, али постаје све бољи и бољи у извршавању уско дефинисаних задатака. Ево главних компоненти како дефинирамо АИ данас и зашто је то вама битно као дизајнеру:

  1. У великој мери заснива се на подацима.
    Недавни напредак у АИ не би био могућ без огромних количина података које су прикупили сви наши повезани уређаји и могућности да се они складиште.
  2. Узак је и веома фокусиран.
    АИ је врло добар у проналажењу образаца у подацима и извршавању одређених задатака које смо дефинисали, али не генерише врло добро изван унапред дефинисаних параметара.
  3. Није забринут резултатом својих калкулација.
    За разлику од својствене нереда људског одлучивања, на способност АИ да доноси одлуке не утичу спољашњи мотиви или колико сна је имао синоћ, већ је искључиво фокусиран на задатак који се обавља. Како се не зна добро од лошег, наставља се било каква пристраност која постоји у подацима.
  4. АИ способности су научене, а не програмиране.
    АИ се може итеративно побољшати - без да се програмира на сваком кораку, може учити из својих искустава и побољшати се у доношењу будућих предвиђања и одлука, резултирајући све софистициранијим способностима.
  5. То је термин који се развија.
    АИ различито дефинирају различите заједнице и његова ће се дефиниција наставити мијењати будућим напретком у технологији.

Знајући то, верујемо да ће АИ имати огроман утицај на поље дизајна какав знамо. Како почиње да утиче на дизајн свих компанија, производа, услуга и (корисничких) искустава, важно је да имамо темељно разумевање онога са чим радимо и одлучимо на који начин желимо да искористимо његов потенцијал.

Још увек радознали? Има још тога!

Успоне и падови АИ кроз време

Претече: жеља за фалсификовањем богова

Иако обично замислимо нешто футуристичко када помислимо на АИ, појам постоји вековима. Око 750. године пре Христа у Хомеровој Илијади, на пример, осакаћени Хефест је створио аутомате да му помогне да се око њега:

Ово су златне боје, а по изгледу попут живе младе жене. У њиховим срцима постоји интелигенција, у њима је говор и снага, а од бесмртних богова научили су их како да раде.

У својој књизи Машине који мисле, Памела МцЦордуцк описује мноштво других створења која је Хефест створио за разне задатке, од којих је барем једно сигурно познато, ако прети опасност: Пандора и њена злогласна кутија.

Механизам мисли

Поред ових примера из фикције, постојали су важни помаци расуђивања и логике у антици који су довели до нашег тренутног кодифицираног језика као основе за свако рачунање. Вештачка интелигенција у својој суштини претпоставља да се мисао може механизовати и репродуковати. Аристотел је био један од првих који је пионирски организовао мисли у логичке аргументе у развоју силогизма, који често поприма троредни облик, као што су:

Сви мушкарци су смртни.
Сократ је човек.
Стога је Сократ смртан.

Перзијски математичар Мухаммад ибн Муса ал-Кхваризми, познат и по латинизованом имену Алгоритми (одакле смо добили алгоритам речи), такође је кључна фигура у многим појмовима које данас у АИ схватамо здраво за готово. Реч алгебра, на пример, потиче од „ал-јабр“, једне од две операције које је користио да решава квадратне једначине. Даљњи напредак математичара и филозофа, попут Готтфриед-а Вилхелма Леибниз-а, Тхомаса Хоббеса, Рене-а Десцартеса, изграђен је на овим темељима током читавог 17. века, са циљем да мисао постане систематична као алгебра или геометрија.

Иако је у наредним вековима било много других математичких напретка који су допринели модерној вештачкој интелигенцији, енглеска математичарка из 19. века Ада Ловелаце истиче се својим креативним приступима и револуционарним радом у рачунању. Била је прва која је сугерисала да ће механички рачунар опште намене намењен Цхарлес Баббаге, аналитичком мотору, можда имати могућности које се не могу израчунати, а затим је наставила свој први алгоритам, стекавши титулу првог светског рачунарског програмера.

Рођење вештачке интелигенције

Иако смо приметили напредак у рачунању током раног 20. века, вештачка интелигенција заиста је започела током педесетих година КСКС века, а конференција на Дартмоутх Цоллегеу 1956. године тврдила је да се све учење и интелигенција могу описати довољно прецизно да би их симулирала машина. Овде је први пут уведен израз "вештачка интелигенција" који се односио на "симулацију људске интелигенције помоћу машина". Размишљајући о радионици у Дартмоутху 50 година касније, један од организатора Јохн МцЦартхи је размишљао: „Ја бих помислио да би радионица била позната по резултатима које је дала. У ствари, постала је позната у значајној мери само зато што је популаризовала термин „вештачка интелигенција“.

Друга главна АИ прекретница из 50-их која вам је можда позната је познати "Турингов тест". Популаризован перформансом Бенедикта Цумбербача у филму „Имитатион Гаме“, британски информатичар Алан Туринг наговестио је да ако би машина могла да обави разговор који се не може разликовати од разговора са човеком, тада би „машина за размишљање“ била веродостојна. Другим речима, рачунар би био интелигентан само ако би могао да превари човека да мисли да је човек.

Оно што је уследило од средине педесетих током раних 70-их, називало се „златним годинама“ АИ-а, са огромним напретком у рачунању и повећањем ентузијазма и владиног финансирања. Наиме, Марвин Мински задржао је замах из радионице у Дартмоутху када је 1959. године суоснивао АИ лабораторију Масачусетског технолошког института и наставио да води област током 60-их и 70-их. Игре су се такође почеле откривати као идеално средство за развој и тестирање рачунарске интелигенције, с тим што је ИБМ развио програм који би могао да игра играче у даме 1951. године. 60-их је настао алгоритам „најближег комшије“ у покушају да реши „путујућег продавача“ проблем “:„ С обзиром на листу градова и удаљености између сваког пара градова, која је најкраћа могућа рута која сваки град тачно посети и врати се у матични град? “Резултирајући алгоритам формирао је почетке препознавања основног узорка.

Међутим, 1969. године Марвин Мински и Сеимоур Паперт објавили су књигу Перцептронс, књигу о неким ограничењима постојеће технологије неуронске мреже, и можда су били претходник „АИ зиме“ у наредним годинама.

АИ зиме 70-их и 80-их

Са тако успешном вожњом од 50-их до 70-их, подстакнута не само научним напретком, већ и повишеним очекивањима јавности, подстакнута научном фантастиком, попут Свемирске одисеје Станлија Кубрицка из 2001. или робота Исака Асимова, И, робусни курс са ограничењима АИ било је неизбежно.

У суштини, када рачунари нису могли да испуне свачија нереално велика очекивања, финансирање и ентузијазам су пресушили, што је довело до растављања АИ лабораторија широм света. Иако је од 1980. до 1987. године дошло до кратког другог ветра са великим улагањима из Јапана, овај бум је био краткотрајан и подстакнут је другом АИ зимом од 1987. до 1993. године.

Рогер Сцханк и Марвин Мински, водећи истраживачи АИ који су преживели прву зиму 1970-их, упозорили су пословну заједницу да је „ентузијазам за АИ спирале из контроле 80-их и да ће разочарање сигурно уследити.“ Ови врхови и долине у АИ ентузијазам се наставља и данас. Иако је последњих година било неколико непопуларних примена АИ, попут употребе АИ од стране америчке војске за идентификовање пријатељских или непријатељских тенкова, или однедавно Мицрософтове чет-ке Таи, која је на Твиттеру прошле године брзо испољавала расистичко и антисемитско понашање, углавном говорећи, могли бисте рећи да смо данас на високом нивоу у погледу напретка у области АИ, финансирања и ентузијазма.

АИ Пејзаж данас - Зашто тако вруће?

Популарно средство за мерење технолошке хипе је Гартнер-ов циклус хипета, који ове године карактерише дубоко учење и машинско учење на врхунцу. Иако се често сматра више показатељем медијске покривености него научним истраживањима, постоје неки легитимно узбудљиви помаци који су довели до тренутне популарности АИ-ја. Дакле, је ли то све, у ствари, хипе? Не баш. Испитајмо неке главне АИ прекретнице у последњих шест година или више које су допринеле нашој тренутној опсесији.

Недавне АИ прекретнице

  • 2011: представљен је Апплеов Сири, користећи помало природан језик да би одговарао на питања, давао препоруке и обављао једноставне радње, или уколико то не успева, потражите ствари на Интернету за вас.
  • 2012: Конволуционарне неуронске мреже (укратко ЦНН-ови) уништавају конкуренцију у класификацији ИмагеНет - а.к.а. „годишње олимпијске игре рачунарског вида“ - стварајући грозницу у заједници и изазивајући велики пораст интересовања за дубоко учење.
  • Гоогле тренира неуронску мрежу како би успјешно препознао мачке у ИоуТубе видеозаписима користећи алгоритам дубоког учења, упркос томе што нису добили информације о разликовању слатких мачјих карактеристика.
  • 2013: НЕИЛ, забавно назван Невер Ендинг Имаге Леарнер, објављен је на Универзитету Царнегие Меллон како би непрестано упоређивао и анализирао односе између различитих слика, са циљем да научи о тако пожељном, а опет неухватљивом људском способности здравог разума.
  • 2015: Фацебоок почиње са увођењем ДеепФаце-а, система дубоког учења за препознавање лица који је обучен на четири милиона слика које су пренели корисници Фацебоока. Може да идентификује лица са 97,35% тачности, што је побољшање за више од 27% у односу на претходне системе.
  • 2015: Дееп К Нетворкс од ДеепМинд уче да играју Атари игре, обележавајући најновије доба учења дубоког појачања.
  • 2015–17: АлпхаГо Гоогле ДеепМинд побеђује од шампиона Гонде Фан Хуи, Лее Седол и Ке Јие, тада први играч света на свету.
  • 2015: Гоогле ДеепДреам свакога пита да ли машине могу да праве уметност, стварајући троструке слике помоћу конволуционарне неуронске мреже, софтвера дизајнираног за откривање лица и других образаца на сликама са циљем да се аутоматски класификују слике.
  • 2015-данас: Умјетник Росс Гоодвин истражује нове облике приповиједане стварности помоћу машинског учења са својом поетичном „аутоматском фотографијом“ приповједач ријечи Ворд и програмирао је истоимени АИ „Бењамин“ како би написао сценариј за филм у којем глуми Давид Хасселхофф.
  • 2015-данас: У дом се уводи низ АИ личних асистената, Аппле-ов Сири се сада бори против Мицрософтове Цортане, Амазонове Алека и Гоогле Нов за вашу пажњу.
  • 2017: Либратус, који су дизајнирали професор Царнегие Меллон Туомас Сандхолм и његов студент, Ноам Бровн, победили су против четворице најбољих играча у сложеној верзији покера - Текас Холд´ем.
  • 2017: Гоогле-ов Деепминд и творци мултиплаиер свемирске видео игре СтарЦрафт ИИ издали су алате који ће омогућити истраживачима АИ-ја да стварају робота способна да се такмиче против људи. Ботови још нису победили и не очекује се још неко време, али када то ураде, биће много веће достигнуће од победе на Го-у.

Напредак у машинском учењу и дубоком учењу

Тамо где живе АИ практичари

Све ове прекретнице не би биле могуће без значајног напретка у најузбудљивијим областима вештачке интелигенције у последњој деценији: машинском учењу и дубоком учењу. Иако ови појмови звуче слично, нису сасвим исти. Разјаснимо.

Почевши од касних 90-их и почетком 2000-их, повећане могућности складиштења и обраде рачунара значиле су да би АИ системи коначно могли да поседују довољно података и искористе довољно снаге за рјешавање сложенијих процеса. Истовремено, експлозија у кориштењу интернета и повезивању створила је све већу количину података, попут слика, текста, мапа или информација о трансакцијама које се могу користити за обучавање машина.

Уместо некадашњег програмског система правила „ако-тад“ и компликованих симболичких логичких поступака који захтевају хиљаде редака кода за вођење основног одлучивања као у Добром старомодном вештачком интелигенцији или ГОФАИ, машинско учење делује уназад. Користећи огромне скупове података, алгоритми уче итеративно, тражећи обрасце да би имали смисла за будуће уносе. Машинско учење је лепо сажео пионир машинског учења Артхур Самуел, који је још давне 1959. године описао то као „поље учења које рачунарима даје могућност учења без експлицитног програмирања.“ Машинско учење се користи за адресирање широког спектра питања данас, попут идентификације ћелија рака, предвиђања који филм можда желите да погледате следеће, разумевања свих врста говорног језика или одређивања тржишне вредности ваше куће.

Које су ћелије рака на овој слици? АИ може да открије брже од лекара. Слика: Габриел Цапонетти у популарној науци.

Недавни напредак у машинском учењу углавном је посљедица раста дубоког учења - потпоља машинског учења. Дубоко учење позајмљује од структуре мозга, повезујући пуно једноставних „неурона“ попут структура да би радили занимљиве ствари у неуронској мрежи. Слагањем многих слојева ових вештачких неурона заједно (отуда „дубоко“), мрежа у целини може да научи да обавља сложене задатке. Занимљиво је да неурони у тим слојевима често завршавају обављајући одређене улоге, попут препознавања ивица или обриса одређеног објекта. Јединствена снага дубоког учења је у томе што се ови под задаци - често познати као "карактеристике" - уче директно из података, а не да их прецизирају програмери. То омогућава дубоко учење рјешавања проблема тамо где рјешења нису очигледна људима.

Узмимо пример из стварног живота: препознавање ћелија рака. Класичан АИ приступ ослањао би се на људског стручњака који покушава дестилирати властити процес доношења одлука, а затим га кодифицирати у алгоритам. На пример, можемо означити ћелије које су веће од одређене величине или имају нејасан обрис или осебујан облик. Дубоким учењем, међутим, можемо директно хранити слике обележених ћелија како бисмо указали да ли су канцер или не, а наша неуронска мрежа ће научити да одабере најкорисније карактеристике слике за овај одређени задатак. Ово је класичан пример „надзираног учења“: пружамо неке улазе и неке жељене излазе, а алгоритам учи да се пресликава од једног до другог.

Такође можемо у потпуности да уклонимо етикете и тражимо алгоритам да групише ћелије које имају нешто заједничко. Овај процес је познат као групирање и врста учења који није под надзором. Овде не пружамо надзор у облику налепница, једноставно користимо дубоко учење да бисмо пронашли структуру података. У нашем примеру су можда наше ћелије различите врсте - ћелије коже, ћелије јетре и мишићне ћелије - и било би корисно да се ове групне пре него што покушате да утврдите које ћелије у сваком кластеру су канцерогене. Остале уобичајене апликације за кластерирање укључују препознавање различитих лица на вашим фотографијама, разумевање различитих типова купаца и упоређивање вести о истој теми.

Не вјерујте хиперу: АИ Митови против Реалности

Дакле, са свим тим брзим напретком АИ последњих година, могли бисте помислити да се сви питамо око тога? Па, не сви. Као и првих златних година АИ-ја 50-их и 60-их, и даље постоји широк јаз између наших очекивања о АИ-ју заснованих на приказима у научној фантастици и медијима и онога што је АИ у ствари данас способан. (Да не спомињем раширени страх од поремећаја, бриге о приватности или губитка посла који су повезани са овим предвиђањима.)

Други начин да се ова расправа уоквири је разлика између "уске" и "опште" вештачке интелигенције. Већина досад највећих успјеха АИ-ја остварена је у „уској“ вјештачкој интелигенцији, тј. Извршавању одређеног задатка унутар строгих параметара, попут Сири-а који куца диктирано текстуалну поруку за вас или препознавања мачке на слици. У уском АИ не постоји појам самосвести или опште вештине решавања проблема. Супротно томе, много од онога што је деценијама заокупљало машту јавности, била је фантазија о „општој вештачкој интелигенцији“ у облику асистента сличног човеку, сличног Халу 9000, Р2Д2 или Саманти у њој, где је АИ једнак, ако не веће интелигенције од људи.

Да будемо сасвим јасни, далеко смо од било чега што личи на општи АИ. Иосхуа Бенгио, један од оснивача АИ Елемента, изричит је када говори о овој теми - не верује да је разумно да временски предвиђа када ће се то догодити. У недавном разговору он је изнео неколико конкретних разлога због којих још нисмо тамо, а први је тај што су се сви досадашњи успеси индустријског АИ-ја засновали искључиво на супервизираном учењу. Наши системи учења и даље су прилично једноставни јер се ослањају на површне трагове у подацима који не успевају изван контекста тренинга.

Гооглеови неуронски умрежени гелови са комплетним фантомским удовима. Слика: Гоогле.

На пример, када је Гоогле оспособио неуронску мрежу за генерисање слика думббеллс-а на основу хиљада слика, то је скоро пало. Наравно, имамо две утеге повезане шипком, али шта то фантомске руке раде унутра? Иако је неуронска мрежа била у стању да успешно идентификује заједничка визуелна својства бучица, будући да су на изворним сликама увек били људи који држе бучице, такође је претпоставило да бучице имају оружје.

Упркос тако значајним ограничењима, да чујете да Елон Муск пролази са Марком Зуцкербергом овог лета, помислите да је иза угла био АИ који се покреће ИИИ светским ратом. Наш извршни директор Јеан-Францоис Гагне враћа нас основама тренутног стања АИ у недавном посту на блогу:

„АИ је веома уска и крхка. Не функционише изван оквира за који је постављен. Може да управља само једноставним циљним функцијама; Дакле, заиста ми, људи, користимо нашу људску интелигенцију да је ефективно применимо до тачке у којој посао може да буде аутоматизован. "

Много је дефиниција

Сада када смо убрзали историјски развој и недавни напредак у АИ, хајде да истражимо многе дефиниције које смо смислили да то опишемо током година. Иако су неки тврдили да је термин у последње време толико употребљен да постаје бесмислен, нисмо баш вољни од њега одустати.

Како се данас користи термин „АИ“

Да бисмо дефинисали АИ, кренимо од испитивања интелигенције. С једне стране, могли бисте узети поједностављени појам интелекта, на основу на пример ИК резултата. Али сви знамо да је интелигенција у ствари много слојевитија и сложенија. Окфорд Дицтионари дефинише га као: „способност стицања и примене знања и вештина“, док је приступ Цамбридге Дицтионари мало другачији: „способност учења, разумевања и доношења судова или мишљења која су заснована на разуму“. Друге су током година развиле нијансираније начине мерења интелигенције, попут теорије Ховарда Гарднера о вишеструким интелигенцијама, која садржи модалитете као што су музичко-ритмичка и хармонична, визуелно-просторна, вербално-језичка, логичко-математичка, телесно-кинесттичка и егзистенцијална , између осталог. Наше схватање ближе је овој последњој дефиницији, која омогућава добијање, обраду и примену информација у широком распону контекста.

Наша идеја о интелигенцији такође је веома антропоморфна: заснована је на начину на који ми као људи размишљамо и решавамо проблеме. АИ се на исти начин разуме као да вештачки интелигентан систем доноси закључке на начин који подсећа на људски приступ. Градећи на тој идеји, Давид Ц. Паркес и Мицхаел П. Веллман представљају појам АИ као „хомо ецономицус, митски савршено рационалан агент неокласицистичке економије.“ Али, иако је примамљиво мислити да бисмо могли замислити савршено рационалну цену, подаци који се користе за тренирање АИ су инхерентно мањкави, због људске или друге пристрасности, због чега је „савршену рационалност“ готово немогуће процијенити.

Извештај Беле куће за 2016. годину о збиру изазова у вези са кохезивном дефиницијом: „Не постоји јединствена дефиниција АИ која је универзално прихваћена од стране практичара. Неки дефинирају АИ лабаво као компјутеризовани систем који показује понашање за које се обично сматра да захтева интелигенцију. Други дефинирају АИ као систем способан за рационално рјешавање сложених проблема или предузимање одговарајућих радњи за постизање својих циљева у било којим стварним околностима са којима се сусрећу. "Занимљиво је примијетити да овдје не користе термин" људско понашање ", већ једноставно „Понашање“.

Шведски филозоф Ницк Бостром фокусирао се на концепт учења и прилагођавања у АИ у својој књизи Суперинтелигенција: Путеви, опасности, стратегије: „Капацитет за учење био би саставни део језгреног дизајна система који има за циљ достизање опште интелигенције ... Исто важи за способност бављења несигурностима и вероватним информацијама. “Други, попут професора рачунарске технике Етхем Алпаидıн у Уводу у машинско учење, наводе да би„ интелигентни систем требало да буде у могућности да се прилагоди свом окружењу; требало би да научи да не понавља своје грешке, већ да понавља успехе. “

Наше дефиниције

Поред испитивања како други данас дефинишу АИ, део нашег истраживања такође је укључивао слање анкете на нивоу компаније која је тражила од наших колега да дефинишу вештачку интелигенцију у реченици (или две, или три). У резултатима анкете појавиле су се три главне категорије одговора:

  1. АИ је способност рачунара да доноси одлуке или предвиђа на основу података којима располаже.
  2. АИ је способност рачунара да реплицира мождане функције вишег реда као што су перцепција, когниција, контрола, планирање или стратегија.
  3. АИ је програм креиран помоћу података и рачунања, тј. Није тврдо кодиран.

Да ли су ове дефиниције довољне за наше потребе данас? Које су неке замке у покушају дефинисања тако широког и све већег концепта?

Зашто је ово тако тешко?

Феномен „цатцхалл“ један је од главних изазова када говоримо о АИ. Честа употреба термина резултирала је широким спектром примена и инхерентном конфузијом, као што је објаснила Геневиеве Белл, докторка студија Станфорд из антропологије и директор, Интеракција и истраживање искуства компаније Интел:

"За мене је вештачка интелигенција фантастичан појам и популарност је та која се укључује и ужива у популарности. Тренутно се вратио То је кишобран термин под којим можете разговарати о когнитивном рачунању, машинском учењу и дубоком учењу и алгоритмима. То је цатцхалл јер значи истовремено све и ништа. То је културолошка категорија колико и техничка. “

Израз се често користи у погрешним околностима (или тачније непрецизним околностима), јер је тако широк, како је истакнуто у овом документу за расправу о МцКинсеи Глобал Институту за 2017. годину, АИ: Следећа дигитална граница:

„… Тешко је то утврдити, јер људи мешају и одговарају различитим технологијама да би створили решења за појединачне проблеме. Понекад се они третирају као независне технологије, понекад као подгрупе других технологија, а понекад као апликације ... Неки оквири групују АИ технологије по основној функционалности ..., неки их групишу по пословним апликацијама ... "

Други велики изазов у ​​дефинирању АИ је чињеница да се наука и њезине примјене непрестано развијају. Као што Памела МцЦордуцк објашњава у својој књизи Машине који мисле, често се интелигентан систем који решава нови проблем дисконтира као "само рачунање" или "није права интелигенција". Филозоф Бостром ово лепо сажима: „Много врхунских АИ је филтрирано у опште апликације, често без назива АИ јер једном када нешто постане довољно корисно и уобичајено, више није означено као АИ.“ На пример, ИБМ програм који је играо даме у 1951. можда се тада сматрало револуционарним АИ, али би га данас описало као основно рачунање. Или у скорије време, неки ће то песимистички тврдити да нема ничег "интелигентног" у вези с било којим "уским АИ", као што је АлпхаГо који је тукао Лееја Седола.

Имајући у виду све ове изазове, постоји ли начин да смањимо културну и медијску буку која замагљује нашу просудбу и усредсредимо се на опипљива питања? Када користимо реч „АИ“, обично се односи на одређену технологију, као што су обрада природног језика, машинско учење или машински вид. Дакле, бити што је могуће специфичнији добро је место за почетак. У другим околностима, међутим, употреба термина „АИ“ није погрешно, на пример у ситуацијама када ми заиста не знамо тачно која се технологија користи. То је замка у коју нисмо имуни да упаднемо, заједно са свим АИ практичарима и новинарима који подстичу ову текућу расправу.

Гледајући унапред

У покушају да јасно артикулирамо шта је АИ „јесте“, открили смо да то значи прилично много различитих ствари за различите људе. То је идеја која је заробила нашу машту веома дуго. Чак и ако га смањимо на рачунарску науку, и даље је јако широк. Имајући то у виду, мислимо да је важно да се усредсредимо на то како АИ већ мења наше животе, пробој који данас потиче овај хипе. Кевин Келли је ово лепо сажео у недавном разговору о ТЕД-у:

„Тренутно нема АИ стручњака. У то иде много новца, на њега се троше милијарде долара; то је велики посао, али нема стручњака, у поређењу са оним што ћемо знати 20 година. Значи, тек смо на почетку, у првом смо сату свега овога ... Још није пронађен најпопуларнији АИ производ у 20 година, који сви користе. То значи да не касните. "

Другим речима, нормално је да наши појмови о АИ укључују више ставова и понекад опречних идеја, јер се сада развија и дешава. То се не мисли да се чита као полицајац, већ је позив да се прихвати његова својствена величина и неред док радимо на томе да буде боља.

Све ово да кажемо, нећемо успостављати дефиницију. Међутим, желимо да дизајнери који се боре са технологијом која данас долази у производњу имају основно разумевање АИ и његових могућности. Ако је „АИ све што још није учињено“, како каже Теслерова теорема, то је тачно оно на шта требамо гледати - не на оно што је већ учињено, већ на оно што је могуће, или врло брзо.

Ми верујемо да је у основи његова интелигенција огромна прилика за учење и ако се развије на свест, може да покрене људе ка широком напретку. Док су коњски плугови драматично револуционирали пољопривреду у 1100-им, а парни мотори покренули производњу и транспорт у нову еру у 18. веку, видимо да АИ подупире следеће век дигиталних иновација. Као што је недавно изјавио професор физике МИТ-а Мак Тегмарк, сада није време да размишљамо о будућности као о предодређеном догађају којем неминовно журимо, већ бисмо се требали запитати: „Какву будућност желимо да дизајнирамо са АИ? "

Ако сте уживали у овом, потражите следеће поглавље из наше АИ-Фирст Десигн Фоундатион Фоундатион - Шта је дизајн, заиста?

Аутори и сарадници

Ребецца Вест је уредница часописа АИ1Д у Елемент АИ и списатељица са фокусом на пројекте на пресеку дизајна, технологије и креативности.

Илустрације Доне Соло, визуелне дизајнерке у Елементу АИ.

Доприноси дизајнерке искуства Масхе Крол, научника примењених истраживања Арцхи де Беркера и нашег интернистичког истраживача из лета 2017. Лоуис-Фелик Ла Роцхе-Морин.