เพื่อทำความเข้าใจอนาคตของ AI ให้ศึกษาอดีต

เพื่อทำความเข้าใจอนาคตของ AI ให้ศึกษาอดีต

เว็บไซต์

ความแตกแยกอยู่ที่หัวใจของสาขาปัญญาประดิษฐ์ ตั้งแต่เริ่มก่อตั้ง สนามได้รับการกำหนดโดยการชักเย่อทางปัญญาระหว่างสองปรัชญาที่เป็นปฏิปักษ์: การเชื่อมต่อและสัญลักษณ์ ทั้งสองค่ายมีวิสัยทัศน์ที่แตกต่างกันอย่างลึกซึ้งเกี่ยวกับวิธีการ “แก้ไข” ความฉลาดด้วยวาระการวิจัยที่แตกต่างกันและบางครั้งความสัมพันธ์ที่ขมขื่น

การออกแบบเว็บไซต์

ทุกวันนี้ ความเชื่อมโยงครอบงำโลกของ AI การเกิดขึ้นของการเรียนรู้เชิงลึกซึ่งเป็นเทคนิคการเชื่อมต่อที่เป็นแก่นสารได้ผลักดันให้เกิดการระเบิดทั่วโลกในกิจกรรม AI และการระดมทุนในช่วงทศวรรษที่ผ่านมา ความสำเร็จล่าสุดของการเรียนรู้เชิงลึกนั้นไม่น่าแปลกใจเลย ทว่าในขณะที่การเรียนรู้เชิงลึกแผ่ขยายออกไป ข้อจำกัดต่างๆ ก็เริ่มชัดเจนขึ้นเรื่อยๆ
หาก AI ต้องใช้ศักยภาพสูงสุดในการก้าวไปข้างหน้า การปรองดองระหว่างความเชื่อมโยงและสัญลักษณ์เป็นสิ่งสำคัญ โชคดีที่ทั้งในเชิงวิชาการและเชิงพาณิชย์ ความพยายามในการวิจัยที่หลอมรวมแนวทางที่ต่อต้านตามธรรมเนียมทั้งสองนี้เริ่มปรากฏให้เห็น การสังเคราะห์ดังกล่าวอาจแสดงถึงอนาคตของปัญญาประดิษฐ์ได้เป็นอย่างดี
ปรัชญาที่แตกต่างกันสองประการของ AI: ประวัติโดยย่อ
แนวทางเชิงสัญลักษณ์สำหรับ AI พยายามสร้างระบบที่ทำงานอย่างชาญฉลาดผ่านการปรับเปลี่ยนสัญลักษณ์ที่เชื่อมโยงโดยตรงกับแนวคิด เช่น คำและตัวเลข ในขณะเดียวกัน วิธีการเชื่อมต่อของ Connectionist จะแสดงข้อมูลและจำลองความฉลาดผ่านเครือข่ายขนาดใหญ่ของหน่วยประมวลผลที่เชื่อมต่อถึงกัน (โดยทั่วไปจะเรียกว่าโครงข่ายประสาทเทียม) แทนที่จะใช้สัญลักษณ์อย่างชัดเจน
ในหลาย ๆ ด้าน ความเชื่อมโยงและสัญลักษณ์แสดงถึงหยินและหยางของกันและกัน: แต่ละวิธีมีจุดแข็งหลัก ซึ่งสำหรับอีกวิธีหนึ่งคือจุดอ่อนที่สำคัญ โครงข่ายประสาทเทียมพัฒนาสัญชาตญาณพื้นฐานที่ยืดหยุ่นและยืดหยุ่นตามข้อมูลที่ป้อน “เซลล์ประสาท” ที่เชื่อมต่อถึงกันหลายล้านตัวช่วยให้พวกมันมีความไวสูงต่อการไล่ระดับและความคลุมเครือในการป้อนข้อมูล ความยืดหยุ่นทำให้พวกเขาเรียนรู้เพื่อตอบสนองต่อข้อมูลใหม่
แต่เนื่องจากไม่ได้ตั้งโปรแกรมไว้อย่างชัดเจนโดยมนุษย์ โครงข่ายประสาทเทียมจึงเป็น “กล่องดำ” โดยทั่วไปแล้ว เป็นไปไม่ได้ที่จะระบุ ในแง่ที่มีความหมายต่อมนุษย์ เหตุใดจึงตัดสินใจทำ การขาดความสามารถในการอธิบายนี้เป็นอุปสรรคพื้นฐานต่อการใช้วิธีการเชื่อมต่ออย่างแพร่หลายในสภาพแวดล้อมจริงที่มีเดิมพันสูง
ระบบสัญลักษณ์ไม่มีปัญหานี้ เนื่องจากระบบเหล่านี้ทำงานด้วยสัญลักษณ์ระดับสูงซึ่งแนบความหมายแบบแยกส่วน ตรรกะและการทำงานภายในของระบบจึงเป็นสิ่งที่มนุษย์อ่านเข้าใจได้ ข้อเสียคือระบบสัญลักษณ์จะนิ่งและเปราะบางกว่า การแสดงของพวกเขามีแนวโน้มที่จะพังทลายเมื่อต้องเผชิญกับสถานการณ์ที่พวกเขาไม่ได้ตั้งโปรแกรมไว้อย่างชัดเจนเพื่อจัดการ โลกแห่งความจริงนั้นซับซ้อนและแตกต่างกัน เต็มไปด้วยแนวคิดและสถานการณ์ใหม่ๆ ที่กำหนดไว้อย่างคลุมเครือ Symbolic AI ไม่เหมาะที่จะต่อสู้กับความซับซ้อนนี้
เมื่อเริ่มก่อตั้งสาขาปัญญาประดิษฐ์ถูกครอบงำด้วยสัญลักษณ์ ตามระเบียบวินัยทางวิชาการที่จริงจัง ปัญญาประดิษฐ์มีรากฐานมาจากฤดูร้อนปี 1956 เมื่อนักวิชาการกลุ่มเล็กๆ (รวมถึงไอคอน AI ในอนาคต เช่น Claude Shannon, Marvin Minsky และ John McCarthy) จัดเวิร์กช็อปวิจัยในหัวข้อที่ดาร์ทเมาท์เป็นเวลา 2 เดือน วิทยาลัย. ดังที่เห็นได้ชัดในข้อเสนอการวิจัยดั้งเดิมของกลุ่มในช่วงฤดูร้อนนั้น แนวความคิดด้านสติปัญญาของผู้บุกเบิก AI เหล่านี้มุ่งเน้นไปที่ทฤษฎีและวิธีการเชิงสัญลักษณ์
ตลอดช่วงทศวรรษ 1960 และ 1970 แนวทางเชิงสัญลักษณ์ของ AI มีอิทธิพลเหนือกว่า โครงการ AI ยุคแรกๆ ที่มีชื่อเสียงเช่น Eliza และ SHRDLU เป็นตัวอย่างตัวอย่าง โปรแกรมเหล่านี้ออกแบบมาเพื่อโต้ตอบกับมนุษย์โดยใช้ภาษาธรรมชาติ (ภายในพารามิเตอร์ที่กำหนดอย่างระมัดระวัง) ตัวอย่างเช่น SHRDLU สามารถตอบคำถามของมนุษย์ได้สำเร็จเช่น: “มีบล็อกขนาดใหญ่หลังปิรามิดหรือไม่” หรือ “กล่องนี้มีอะไรบ้าง”
ในขณะเดียวกัน การวิจัย AI เชิงสัญลักษณ์ก็แสดงให้เห็นสัญญาณเริ่มต้นของคำมั่นสัญญา ความพยายามในการสำรวจเส้นทางผู้เชื่อมโยงไปยัง AI ก็ถูกปิดตัวลงอย่างน่าทึ่ง ในปี 1969 เพื่อตอบสนองต่อการวิจัยเบื้องต้นเกี่ยวกับโครงข่ายประสาทเทียม Marvin Minsky และ Seymour Papert นักวิชาการด้าน AI ชั้นนำได้ตีพิมพ์หนังสือสำคัญชื่อว่าPerceptrons หนังสือระบุการพิสูจน์ทางคณิตศาสตร์ที่ดูเหมือนจะยืนยันว่าโครงข่ายประสาทเทียมไม่สามารถดำเนินการฟังก์ชันทางคณิตศาสตร์พื้นฐานบางอย่างได้
ผลกระทบของPerceptron นั้นแผ่กว้าง : ชุมชนวิจัย AI นำการวิเคราะห์มาเป็นหลักฐานที่เชื่อถือได้ว่าวิธีการเชื่อมต่อเป็นเส้นทางที่ไม่ก่อผลใน AI เป็นผลให้เครือข่ายประสาททั้งหมดหายไปจากวาระการวิจัย AI มานานกว่าทศวรรษ
แม้จะมีโมเมนตัมในช่วงแรก ในไม่ช้ามันก็ชัดเจนว่า AI เชิงสัญลักษณ์มีข้อบกพร่องอย่างลึกซึ้งในตัวมันเอง
Symbolic AI มาถึงจุดสูงสุดในช่วงต้นทศวรรษ 1980 ด้วยการแพร่กระจายของสิ่งที่เรียกว่า “ระบบผู้เชี่ยวชาญ”: โปรแกรมคอมพิวเตอร์ที่ใช้ตรรกะ “ถ้าแล้ว” อย่างกว้างขวางพยายามประมวลความรู้และการตัดสินใจของผู้เชี่ยวชาญที่เป็นมนุษย์ในโดเมนเฉพาะ . ระบบเหล่านี้สร้างความคาดหวังและโฆษณาเกินจริง: สตาร์ทอัพอย่าง Teknowledge และ Intellicorp ระดมทุนได้หลายล้าน และบริษัทที่ติดอันดับ Fortune 500 ลงทุนหลายพันล้านในความพยายามที่จะนำเทคโนโลยีไปใช้ในเชิงพาณิชย์
ระบบผู้เชี่ยวชาญล้มเหลวอย่างน่าทึ่งในการบรรลุความคาดหวังเหล่านี้ เนื่องจากข้อบกพร่องที่ระบุไว้ข้างต้น: ความเปราะบาง ความไม่ยืดหยุ่น และความสามารถในการเรียนรู้ ภายในปี 1987 ตลาดสำหรับระบบผู้เชี่ยวชาญได้พังทลายลงทั้งหมด ฉาก “ฤดูหนาวของ AI” ที่จะขยายไปสู่ศตวรรษใหม่
ท่ามกลางขี้เถ้าของกระบวนทัศน์ AI เชิงสัญลักษณ์ที่น่าอดสู การฟื้นคืนชีพของวิธีการเชื่อมต่อเริ่มเป็นรูปเป็นร่างขึ้นในช่วงปลายทศวรรษ 1980 ซึ่งเป็นการฟื้นคืนที่บานเต็มที่ในยุคปัจจุบัน ในปีพ.ศ. 2529 เจฟฟรีย์ ฮินตัน ได้ตีพิมพ์บทความแนะนำ backpropagation ซึ่งเป็นวิธีการใหม่ในการฝึกอบรมโครงข่ายประสาทเทียมที่กลายมาเป็นรากฐานสำหรับการเรียนรู้เชิงลึกสมัยใหม่ ในช่วงต้นปี 1989 Yann LeCun ได้สร้างโครงข่ายประสาทเทียมโดยใช้ backpropagation ที่สามารถอ่านรหัสไปรษณีย์ที่เขียนด้วยลายมือสำหรับบริการไปรษณีย์ของสหรัฐอเมริกาได้อย่างน่าเชื่อถือ

เว็บแอพพลิเคชั่น

แต่โครงข่ายประสาทเทียมในยุคแรกนี้ไม่สามารถฝึกได้และไม่สามารถปรับขนาดได้ ตลอดช่วงปี 1990 และสู่ยุค 2000 Hinton, LeCun และผู้บุกเบิกด้านการเชื่อมต่ออื่นๆ ยังคงทำงานเกี่ยวกับโครงข่ายประสาทเทียมในความคลุมเครือ ในทศวรรษที่ผ่านมา การบรรจบกันของการพัฒนาเทคโนโลยี—ความสามารถในการคำนวณที่เพิ่มขึ้นอย่างทวีคูณ ชุดข้อมูลที่ใหญ่ขึ้น และไมโครโปรเซสเซอร์ประเภทใหม่— ได้เพิ่มพลังให้กับวิธีการเชื่อมต่อเหล่านี้ซึ่งคิดค้นขึ้นครั้งแรกในทศวรรษ 1980 กองกำลังเหล่านี้ได้ผลักโครงข่ายประสาทออกจากห้องปฏิบัติการวิจัยไปยังศูนย์กลางของเศรษฐกิจโลก
มองไปข้างหน้า
อย่างไรก็ตาม สำหรับความสำเร็จทั้งหมด การเรียนรู้เชิงลึกยังมีข้อบกพร่องที่มีความหมาย Connectionism เป็นหัวใจของวิธีการที่มีความสัมพันธ์กัน: มันรับรู้รูปแบบในข้อมูลทางประวัติศาสตร์และทำการคาดการณ์ตามนั้น ไม่มีอะไรมากไปกว่านี้ โครงข่ายประสาทเทียมไม่พัฒนาแบบจำลองเชิงความหมายเกี่ยวกับสภาพแวดล้อม พวกเขาไม่สามารถให้เหตุผลหรือคิดอย่างเป็นนามธรรมได้ พวกเขาไม่มีความเข้าใจที่มีความหมายเกี่ยวกับอินพุตและเอาต์พุตของพวกเขา เนื่องจากการทำงานภายในของโครงข่ายประสาทเทียมไม่ได้มีการต่อสายดินทางความหมาย จึงไม่สามารถเข้าใจได้สำหรับมนุษย์
ที่สำคัญ ความล้มเหลวเหล่านี้สอดคล้องโดยตรงกับลักษณะการกำหนดของ AI เชิงสัญลักษณ์: ระบบสัญลักษณ์นั้นมนุษย์สามารถอ่านได้และอิงตามตรรกะ
เมื่อตระหนักถึงคำมั่นสัญญาของแนวทางไฮบริด นักวิจัย AI ทั่วโลกได้เริ่มดำเนินการวิจัยที่แสดงถึงการปรองดองกันของวิธีการเชื่อมต่อและสัญลักษณ์
ดาร์ป
ยกตัวอย่างในปี 2017 DARPA ได้เปิดตัวโปรแกรมชื่อExplainable Artificial Intelligence (XAI) XAI ให้เงินทุนแก่ทีมวิจัย 13 ทีมทั่วประเทศเพื่อพัฒนาวิธีการ AI แบบใหม่ที่สามารถตีความได้ดีกว่าโครงข่ายประสาทเทียมแบบเดิม
ทีมวิจัยเหล่านี้บางส่วนมุ่งเน้นไปที่การผสมผสานองค์ประกอบเชิงสัญลักษณ์เข้ากับสถาปัตยกรรมของโครงข่ายประสาทเทียม ทีมอื่นๆยังคงเดินหน้าต่อไปโดยพัฒนาวิธีการ AI เชิงสัญลักษณ์ล้วนๆ
ยานยนต์ไร้คนขับ
อีกตัวอย่างหนึ่งของข้อดีของการเชื่อมต่อแบบคู่/แนวทางเชิงสัญลักษณ์มาจากการพัฒนายานยนต์อัตโนมัติ
เมื่อไม่กี่ปีที่ผ่านมา ไม่ใช่เรื่องแปลกที่นักวิจัย AV จะพูดถึงการแสวงหาแนวทางการเชื่อมต่อแบบหมดจดเพื่อความเป็นอิสระของยานพาหนะ: การพัฒนาโครงข่ายประสาทเทียมแบบ “จุดต่อจุด” ที่จะใช้ข้อมูลเซ็นเซอร์ดิบเป็นอินพุต และสร้างการควบคุมยานพาหนะเป็นเอาต์พุต โดยเหลือไว้แต่งานทึบของตัวแบบ
ในปี 2559 นักพัฒนา AV ที่มีชื่อเสียง เช่น Nvidia และ Drive.ai กำลังสร้างโซลูชันการเรียนรู้เชิงลึกแบบ end-to-end ทว่าในขณะที่ความพยายามในการวิจัยคืบหน้า ความเห็นพ้องต้องกันได้พัฒนาขึ้นทั่วทั้งอุตสาหกรรมว่าวิธีการเฉพาะสำหรับการเชื่อมต่อนั้นไม่สามารถใช้งานได้สำหรับการปรับใช้ AV ในเชิงพาณิชย์
เหตุผลนั้นง่าย: สำหรับกิจกรรมที่แพร่หลายและมีความสำคัญต่อความปลอดภัยเช่นเดียวกับการขับรถ เป็นไปไม่ได้ที่จะใช้ระบบ AI ที่ไม่สามารถตรวจสอบและอธิบายการกระทำได้อย่างใกล้ชิด หน่วยงานกำกับดูแลทั่วประเทศได้ชี้แจงอย่างชัดเจนว่าระบบ AV ไม่สามารถพิจารณาการตัดสินใจของตนเองได้นั้นเป็นสิ่งที่ไม่เริ่มต้น
ทุกวันนี้ วิธีการทางเทคโนโลยีที่โดดเด่น (อาจเป็นแบบพิเศษ) ระหว่างโปรแกรม AV คือการรวมโครงข่ายประสาทเทียมเข้ากับคุณสมบัติเชิงสัญลักษณ์เพื่อเพิ่มความโปร่งใสของแบบจำลอง

Web​ application

ส่วนใหญ่มักจะทำได้โดยแบ่ง “กระบวนการรับรู้ AV” โดยรวมออกเป็นโมดูล เช่น การรับรู้ การทำนาย การวางแผน การกระตุ้น ภายในโมดูลที่กำหนด โครงข่ายประสาทเทียมจะถูกปรับใช้ในลักษณะที่เป็นเป้าหมาย แต่การจัดวางซ้อนบนโมดูลแต่ละโมดูลเหล่านี้เป็นเฟรมเวิร์กเชิงสัญลักษณ์ที่ผสานรวมส่วนประกอบต่างๆ และตรวจสอบความถูกต้องของเอาต์พุตโดยรวมของระบบ
สถาบันการศึกษา
ในที่สุด ที่สถาบันการศึกษาชั้นนำทั่วโลก นักวิจัยกำลังบุกเบิกโมเดล AI ไฮบริดที่ล้ำสมัยเพื่อใช้ประโยชน์จากจุดแข็งที่เสริมกันของกระบวนทัศน์ทั้งสอง ตัวอย่างที่โดดเด่น ได้แก่งานวิจัยปี 2018ที่ DeepMind และโครงการปี 2019 ที่นำโดย Josh Tenenbaum ที่ MIT
ในบทสรุปที่เหมาะสม ศาสตราจารย์เบรนเดน เลคแห่งนิวยอร์คกล่าวถึงงานวิจัยของ MIT ว่า “การรู้จำรูปแบบประสาทช่วยให้ระบบมองเห็นได้ ในขณะที่โปรแกรมเชิงสัญลักษณ์ช่วยให้ระบบใช้เหตุผลได้ แนวทางนี้ร่วมกันเป็นมากกว่าสิ่งที่ระบบการเรียนรู้เชิงลึกในปัจจุบันสามารถทำได้”
บทสรุป
ย้อนกลับไป เราควรจำไว้ว่าจิตใจของมนุษย์ ซึ่งเป็นแหล่งข่าวกรองดั้งเดิมที่เป็นแรงบันดาลใจให้กับองค์กร AI ทั้งหมดนั้นมีความเชื่อมโยงอย่างลึกซึ้งและเป็นสัญลักษณ์อย่างลึกซึ้งในคราวเดียว
ในทางกายวิภาค ความคิดและความทรงจำไม่ได้แสดงออกมาอย่างแยกกัน แต่กระจายไปพร้อมกันในเซลล์ประสาทจำนวนหลายพันล้านเซลล์ที่เชื่อมต่อถึงกันในสมอง ในเวลาเดียวกัน ความฉลาดของมนุษย์นั้นมีลักษณะเฉพาะในระดับของจิตสำนึกด้วยความสามารถในการแสดงและจัดการสัญลักษณ์ที่มีความหมายอย่างอิสระ ดังที่นักปรัชญาชาร์ลส์ แซนเดอร์ส เพียร์ซ กล่าวไว้ว่า “เราคิดว่าเป็นสัญญาณเท่านั้น”
แนวความคิดใด ๆ เกี่ยวกับความฉลาดของมนุษย์ที่ขาดทั้งผู้เชื่อมต่อที่แข็งแกร่งหรือมิติเชิงสัญลักษณ์ที่แข็งแกร่งจะไม่สมบูรณ์อย่างน่าเศร้า เช่นเดียวกันอาจพิสูจน์ได้ว่าเป็นจริงของความฉลาดของเครื่อง ในช่วงทศวรรษที่ผ่านมา ความก้าวหน้าที่ขับเคลื่อนโดยผู้เชื่อมโยงใน AI นั้นช่างน่าตื่นตา อาจเป็นเพียงบทโหมโรงของสิ่งที่จะเป็นไปได้เมื่อวินัยนั้นประสานความเชื่อมโยงและสัญลักษณ์เข้าด้วยกันอย่างสมบูรณ์ยิ่งขึ้น
บตั้งแต่โปรแกรมคอมพิวเตอร์ของไอบีเอ็ม Deep Blue, ชนะแกร์รีคาสปารอฟในการแข่งขันปี 1997 หมากรุก , ปัญญาประดิษฐ์ (AI) มีบทบาทสำคัญมากขึ้นและมีประสิทธิผลในเกมโลก AI ถูกนำมาใช้ในหลากหลายวิธีเพื่อปรับปรุงเนื้อหา พฤติกรรม และสภาพแวดล้อมของเกม
ไม่ว่าจะทำงานกับแผนผังพฤติกรรมเพื่อโน้มน้าวตัวละครที่ไม่ใช่ผู้เล่นหรือสร้างโปรแกรม AIเพื่อเอาชนะมนุษย์ในเกมของพวกเขา บริษัทเกม AI เจ็ดแห่งต่อไปนี้กำลังใช้เทคโนโลยีล้ำสมัยเพื่อปรับปรุงประสบการณ์การเล่นเกม
การใช้ AI ในเกมเป็นอย่างไร: Apex Game Toolsก่อตั้งขึ้นในปี 2014 สร้างโซลูชันและเครื่องมือปัญญาประดิษฐ์สำหรับเกมประเภทต่างๆ นอกเหนือจากการทำงานร่วมกับสถาบันวิจัยและมหาวิทยาลัยอื่นๆ เพื่อพัฒนา AI แล้ว Apex ยังทำการวิจัยของตนเองในด้านการเรียนรู้ของเครื่อง อัลกอริธึม และไซเบอร์เนติกส์

Robot Auto process

ผลิตภัณฑ์มากมายของ Apex ได้แก่ Utility AI ซึ่งเป็นกรอบการให้คะแนนสำหรับเกมคอมพิวเตอร์ ยูทิลิตี้ AI ให้การตัดสินใจหลายครั้ง ให้คะแนนแต่ละตัวเลือกที่เป็นไปได้ จากนั้น AI จะดำเนินการ นักพัฒนาและบริษัทหลายพันรายใช้เครื่องมือ Apex เพื่อขับเคลื่อนเกมของตน
ผลกระทบในอุตสาหกรรม: Apex Utility AI สามารถใช้ในสภาพแวดล้อมเกมยิงปืนเพื่อประเมินว่าจะบรรจุอาวุธ ยิง กำบัง หรือโจมตี