Čest i ponavljajući pogled na najnovije pomake u istraživanju umjetne inteligencije je da su pametni i inteligentni strojevi upravo na horizontu. Strojevi razumiju verbalne naredbe, razlikuju slike, voze automobile i igraju igre bolje nego mi. Koliko duže može proći prije nego što hodaju među nama?
Novo izvješće Bijele kuće o umjetnoj inteligenciji na odgovarajući način skeptično gleda na taj san. Kaže da sljedećih 20 godina vjerovatno neće vidjeti da strojevi "pokazuju široko primjenjivu inteligenciju uporedivu ili veću od ljudske", mada to i dalje govori kako će narednih godina "strojevi dostići i nadmašiti ljudske performanse na više i više zadataka. " Ali njegove pretpostavke o tome kako će se te sposobnosti razvijati promašile su neke važne točke.
Kao istraživač AI, priznat ću da je bilo lijepo što sam svoje polje istaknuo na najvišoj razini američke vlade, ali izvješće se gotovo isključivo usredotočilo na ono što ja nazivam "dosadnom vrstom AI". U pola rečenice odbacila je moju granu istraživanja AI, kako evolucija može pomoći razvoju sve boljih AI sustava i kako nam računski modeli mogu pomoći da shvatimo kako se razvijala naša ljudska inteligencija.
Izvještaj se fokusira na ono što bi se moglo nazvati glavnim alatima AI: strojno učenje i duboko učenje. To su vrste tehnologija koje su se mogle igrati "Jeopardy!" i pobijediti ljudske Go gospodare u najsloženijoj igri koju je ikad izmislio. Ovi trenutni inteligentni sustavi u mogućnosti su obrađivati ogromne količine podataka i vrlo brzo napraviti složene proračune. Ali im nedostaje element koji će biti ključan za izgradnju osjetljivih strojeva kakve imamo u budućnosti.
Moramo više učiniti nego učiti strojeve kako bismo naučili. Moramo prevladati granice koje definiraju četiri različite vrste umjetne inteligencije, barijere koje razdvajaju strojeve od nas - i nas od njih.
AI tipa I: Reaktivni strojevi
Najosnovnije vrste AI sustava potpuno su reaktivne i nemaju mogućnost ni za formiranje sjećanja niti za korištenje prijašnjih iskustava za informiranje o trenutnim odlukama. Deep Blue, IBM-ovo superračunalo u šahu, koji je krajem 1990-ih pobijedio međunarodnog velemajstora Garryja Kasparova, savršen je primjer ove vrste stroja.
Deep Blue može prepoznati komade na šahovskoj ploči i znati kako se svaki kreće. Može predvidjeti koji bi potezi mogli biti sljedeći za njega i protivnika. I među mogućnostima može odabrati najoptimalnije poteze.
Ali on nema nikakav koncept iz prošlosti, niti sjećanje na ono što se događalo prije. Osim rijetko korištenog šahovskog pravila protiv ponavljanja istog poteza tri puta, Deep Blue ignorira sve prije sadašnjeg trenutka. Sve što treba učiniti je pogledati dijelove na šahovskoj ploči kakvi trenutno stoje i odabrati jedan od mogućih sljedećih poteza.
Ova vrsta inteligencije uključuje da računalo izravno doživljava svijet i djeluje na ono što vidi. Ne oslanja se na unutarnji koncept svijeta. U seminarskom radu, istraživač AI Rodney Brooks tvrdio je da samo takve strojeve trebamo graditi. Njegov glavni razlog bio je taj što ljudi nisu baš dobri u programiranju precizno simuliranih svjetova za računala koja ih koriste, a što se u stipendiji AI naziva "predstavljanje" svijeta.
Sadašnji inteligentni strojevi kojima se čudimo ili nemaju takav svijet svijeta ili imaju vrlo ograničen i specijaliziran stroj za svoje određene dužnosti. Inovacija dizajna Deep Bluea nije bila za širenje spektra mogućih filmova koje je računalo smatralo. Umjesto toga, programeri su pronašli način kako suziti svoje stajalište i zaustaviti slijeđenje nekih potencijalnih budućih poteza, temeljeno na ocjeni njihovog rezultata. Bez te sposobnosti, Deep Blue bi trebao biti još snažnije računalo da bi zapravo pobijedio Kasparov.
Slično tome, Googleov AlphaGo, koji je pobijedio vrhunske stručnjake za ljudske resurse, ne može procijeniti ni sve buduće poteze. Metoda njegove analize je sofisticiranija od Deep Blue-a, pomoću neuronske mreže za procjenu razvoja igara.
Ove metode poboljšavaju sposobnost AI sustava za igranje određenih igara, ali ih se ne može lako promijeniti ili primijeniti u drugim situacijama. Ove računalne mašte nemaju koncept šireg svijeta - što znači da ne mogu funkcionirati izvan specifičnih zadataka koji su im dodijeljeni i lako se zavaravaju.
Ne mogu interaktivno sudjelovati u svijetu, kao što jednog dana možemo zamisliti AI sustave. Umjesto toga, ovi strojevi će se ponašati potpuno na isti način svaki put kad se nađu u istoj situaciji. Ovo može biti vrlo dobro za osiguravanje pouzdanosti AI sustava: želite da vaš autonomni automobil bude pouzdan vozač. Ali loše je ako želimo da se strojevi istinski angažiraju i reagiraju na svijet. Ovi najjednostavniji AI sustavi nikada neće biti dosadni, zainteresirani ili tužni.
AI tipa II: Ograničena memorija
Ova klasa II sadrži strojeve koji mogu gledati u prošlost. Auto-automobili koji rade na sebi već rade nešto od ovoga. Primjerice, promatraju brzinu i smjer drugih automobila. To se ne može učiniti u jednom trenutku, već zahtijeva identificiranje određenih objekata i njihovo praćenje tijekom vremena.
Ova zapažanja dodaju se unaprijed programiranim prikazima svijeta samo vozećih automobila, koji također uključuju oznake traka, semafore i druge važne elemente, poput zavoja na cesti. Uključeni su kada automobil odluči kada će zamijeniti trake, kako bi se izbjeglo da se ne zaustavi drugi vozač ili da ga automobil u blizini ne naleti.
Ali ovi jednostavni podaci o prošlosti samo su prolazni. Nisu spremljeni kao dio biblioteke iskustva automobila iz koje se može naučiti, na način na koji ljudski vozači stječu iskustvo tijekom godina za volanom.
Pa kako možemo izraditi AI sustave koji grade punu reprezentaciju, sjetiti se njihovih iskustava i naučiti kako se nositi s novim situacijama? Brooks je bio u pravu u tome što je to vrlo teško učiniti. Moje vlastito istraživanje metoda nadahnutih darvinističkom evolucijom može započeti nadoknađivati ljudske nedostatke puštajući mašine da izrade svoje vlastite predstave.
AI tipa III: teorija uma
Mogli bismo se ovdje zaustaviti i ovu točku nazvati važnom podjelom između strojeva koje imamo i strojeva koje ćemo graditi u budućnosti. No, bolje je preciznije razgovarati o vrstama reprezentacija koje strojevi trebaju oblikovati i onome o čemu trebaju raditi.
Strojevi u sljedećoj, naprednijoj klasi ne oblikuju samo predodžbe o svijetu, već i o drugim agentima ili entitetima u svijetu. U psihologiji se to naziva "teorija uma" - razumijevanje da ljudi, stvorenja i objekti u svijetu mogu imati misli i emocije koji utječu na njihovo vlastito ponašanje.
Ovo je ključno za način na koji smo ljudi formirali društva, jer su nam omogućili socijalnu interakciju. Bez razumijevanja međusobnih motiva i namjera i bez uzimanja u obzir onoga što netko drugi zna o meni ili okolini, zajednički rad u najboljem je slučaju težak, u najgorem slučaju nemoguć.
Ako će AI sustavi doista ikada hodati među nama, morat će moći shvatiti da svatko od nas ima misli i osjećaje i očekivanja kako ćemo se ponašati. I morat će u skladu s tim prilagoditi svoje ponašanje.
AI tipa IV: Samosvijest
Posljednji korak razvoja AI je izgradnja sustava koji mogu formirati predstavke o sebi. U konačnici, mi istraživači AI morat ćemo ne samo razumjeti svijest, već i graditi strojeve koji je imaju.
Ovo je, u izvjesnom smislu, produžetak "teorije uma" koju posjeduje umjetna inteligencija tipa III. Svijest se s razlogom naziva i „samosvijest“. ("Želim taj predmet" vrlo je različita tvrdnja od "Znam da želim taj predmet.") Svjesna bića su svjesna sebe, znaju svoja unutarnja stanja i sposobna su predvidjeti osjećaje drugih. Pretpostavljamo da je netko koji lebdi iza nas u prometu ljut ili nestrpljiv, jer se tako osjećamo kada žmirimo za drugima. Bez teorije uma ne bismo mogli napraviti takve vrste zaključaka.
Iako smo vjerojatno daleko od stvaranja strojeva koji su svjesni sebe, svoje napore trebamo usmjeriti na razumijevanje memorije, učenje i sposobnost zasnivanja odluka na prošlim iskustvima. Ovo je važan korak za samostalno razumijevanje ljudske inteligencije. I presudno je ako želimo dizajnirati ili razvijati strojeve koji su više nego izuzetni u klasificiranju onoga što vide ispred sebe.
Arend Hintze, docent za integrativnu biologiju i računarske znanosti i inženjerstvo, Michigan State University
