AIのトピックに関する最近の多くの議論( 1および2 )で、深く原理的な議論が生じました:AIメソッドは、決定論的アルゴリズムでは不可能なことを知っていますか?
生理模倣
事実、「人工知能」という用語(ところで、徐々に「インテリジェントシステム」、「意思決定方法」、「データマイニング」の概念に取って代わられた)は、最初は動作するはずの大きなクラスのモデルとアルゴリズムを包含すると見なされていました。人間の脳のようです(当時の考えによると)。
これらには、たとえば、すべてのストライプと遺伝的アルゴリズムの悪名高いニューラルネットワークが含まれます。
汎化、統計、分析
一方、いわゆるAIの多くの方法は、数学の分野の発展にほかなりません:統計、オペレーションズリサーチ、トポロジ、およびメトリック空間。 これらには、データマイニングおよびナレッジデータの検出、クラスター分析、引数のグループアカウンティングの方法などのほとんどの方法が含まれます。
これらは、利用可能なデータに基づいて一般的なパターンが導出される、いわゆる帰納的推論の方法です。
ルール、ロジック、推論
3番目の特別なグループは、一般的な法則を構築し、特定の事実に関する結論を引き出すための方法を組み合わせることができます。 これらは演ductive的推論の方法であり、それらは表されます:世界と同じくらい古いアリストテレスの三段論法、命題と述語の計算、様々な形式的なシステムと論理。 さまざまな生成文法である形式言語と自然言語の理論がすぐに端に結び付けられました。
通常「AI」という用語に関連するすべてのものが、人間の知能の模倣の問題を模倣または論理的に解決しようとしていることがわかります。
質問が発生します。そのような特定の人は何をしますか、まだバベッジの原理に基づいて構築されている現代のコンピューターはまだ何をしていませんか?
AIが扱うタスクの定義の1つは、「 アルゴリズムの解決策がないか、計算の複雑さの理由で適用でき ないタスク」です。
したがって、たとえば、チェッカーをプレイするタスクはかつてAIのタスクであり、完全なモデルと改善不可能な動きの完全なデータベースのセットを構築した後、情報ベースを検索するだけのタスクになりました( 1および2を参照)。
AIタスクは時間とともに変化します
おそらく、私たちの子供たちは、自然言語でのコミュニケーションからあらゆる種類の機器やメカニズムの自動制御に至るまで、多くのタスクが解決され、新しいタスクが発生するときに情報の世界に住んでいます。
しかし、私たち一人一人が「人工知能」という言葉を聞いたとき、私たちは本当に何か他のものを望んでいました。
私たちは考えることができるマシンを手に入れたかったのですが、それはトレーニング、一般化の基本的なスキルを持っています。 生物のように、一部の臓器を別の臓器に置き換えて改善できます。 誰もが初期のSFを読んでいますよね?
男の子はいましたか?
それで、知性はどこで失われますか? いつ、なぜ私たちが見たかったものが鈍いマットモデルとむしろ優雅なアルゴリズムになりましたか?
いくつかのオフトピック行。 「知的」という言葉で論文を擁護する場合、評議会のメンバーは通常、システム内のインテリジェントな場所を示して、なぜそうなのかを証明するように求めます。 この質問は、絶対に「未信者」を指します。
事実、現代の「AI」のすべてを思いついた人々は、当時の革新的で革新的なアイデアに駆られていました(実際、私たちの時代は、最新のコンピューティングパワーを使用)
例1(不明)から 。
逆伝播アルゴリズム(いわゆる逆伝播)を使用した直接信号伝播ニューラルネットワーク。 これは間違いなくブレークスルーです。
適切に構成されたネットワーク(インテリジェントに選択された入力および出力を使用)は、入力シーケンスを学習し、教えられていない例を正しく認識することができます。
典型的な実験は次のように定式化されます:1000の例で、半分はアルゴリズムを教え、もう1つはテストします。 そして、前半と後半の選択は偶然です。
これは機能し、私は個人的に少なくとも10回NSのさまざまなタスクを教え、60〜90%の正解で正常な結果を得ました。
ニューラルネットワークの問題は何ですか? なぜ彼らは本物の知性ではないのですか?
1.ほとんどの場合、入力データは非常に慎重に準備し、前処理する必要があります。 多くの場合、ネットワークでデータを食用にするために大量のコードとフィルターが作成されます。 そうでなければ、ネットワークは何年も学習し、何も学習しません。
2. NAのトレーニングの結果は解釈および説明できません。 そして、専門家は本当にこれを望んでいます。
3.ネットワークは多くの場合、パターンを学習するのではなく、例を覚えているだけです。 パターンを提示するのに十分なほどスマートで、サンプル全体を愚かに覚えるのに十分ではないネットワークを構築する正確な方法はありません。
ニューラルネットワークのインテリジェンスとは何ですか?
問題を解決するためにシステムを教えなかったという事実は、問題を解決する方法を学ぶためにそれを教えました。 人の性別を決定するためのアルゴリズムは、システムによって人によって定められたものではなく、ほとんど経験的に発見され、シナプススケールに配線されています。 これは知性の要素です。
例2(演ductive的推論の分野から)。
アイデアはシンプルです。 私たちは機械を訓練して、人間のように考えて(少なくとも、原始的な結論を出します)基本的な事実を伝えます。 次に-自分でみましょう。
エキスパートシステム、マシンロジックシステム、オントロジー(誇張された)は、この原則に従って機能します。 動作しますか? もちろん。 数千の疾病診断システムと知識分野の記述が実装され、機能し続けています。
問題は何ですか? 正式なシステムが真の知能ではないのはなぜですか?
問題は、作成者の膨大な量の血液と汗を吸収したシステムが、少なくともそれを教えた専門家(またはコミュニティ)の決定を繰り返して展開することです。
これは便利ですか? 間違いなく。 エキスパートは致命的で、タスクは増え続けています。
知識ベースシステムのインテリジェンスとは何ですか?
マシンが誰もそれを教えていないという新しい結論を引き出すという事実。 彼女の仕事のこの要素は(今のところ)非常に惨めであり、定められたモデルとアルゴリズムに限定されています。 しかし、これは知性の要素です。
では、最新のAIの問題は何ですか?
私たちはとても小さいです。 人がどのように考え、脳がどのように機能するかについての私たちの素朴で表面的なアイデアは、彼らが値する果物を与えます。
もちろん、私たちは人間の感覚で考えることのできるマシンを作成することからはほど遠いですが、この方向へのステップは正しく、有用です。
そして、間違った方向に進んだとしても、多分、Strugatskyのように、指示された努力の結果として、私たちは意図せずにはるかに良いことをしますか?
参照資料
0. 車は考えることができますか? アラン・チューリング
1. 車は考えることができますか? レオニード・アシュキナジ。