Hvorfor AI-revolusjonen vil bli ledet av brødristere

Hvorfor AI-revolusjonen vil bli ledet av brødristere


Vil fremtidens intelligente algoritmer se ut som generell roboter, som dyktige på tomgang og lese kart som de er praktiske på kjøkkenet? Eller vil våre digitale assistenter se ut som en grytepose med spesialiserte gadgets - mindre en enkelt chatty masterchef enn et kjøkken fullt av apparater?

Hvis en algoritme forsøker å gjøre for mye, blir det i trøbbel. Oppskriften nedenfor ble generert av et kunstig nevralt nettverk, en type kunstig intelligens (AI) som lærer ved eksempel. Denne spesielle algoritmen gransket om 30,000 kokbokoppskrifter av alle slags, fra supper til paier til grilling, og prøvde deretter å komme opp med sine egne. Resultatene er, skal vi si noe uortodokse:

(Redaktørens merknad: Ikke prøv disse oppskriftene hjemme, LOL)

Spred kyllingris
ost / egg, salater, ost
2 lb hjerter, frøet
1 koppen revet fersk mynte eller bringebærpai
1 / 2 koppkatrimer, revet
1 spiseskje vegetabilsk olje
1 salt
1 pepper
2 1 / 2 tb sukker, sukker
Kombiner unleaves, og rør til blandingen er tykk. Deretter legger du til egg, sukker, honning og karvefrø og kok over lav varme. Tilsett mais sirup, oregano og rosmarin og hvit pepper. Legg i kremet ved varme. Kok tilsett resten 1 teskjeppulver og salt. Bake ved 350F for 2 til 1 time. Server det varmt.
Utbytte: 6 porsjoner

Nå er det et eksempel på en oppskrift generert av samme grunnleggende algoritme - men i stedet for data som inneholdt oppskrifter av alle slags, så det bare ut på kaker. Oppskriften er ikke perfekt, men det er mye, mye bedre enn den forrige:

Gulrotkake (Vera Ladies ")
kaker, alkohol
1 pkg gul kakeblanding
3 koppmel
1 teskjee bakepulver
1 1 / 2 teskjeer natron
1 / 4 teskje salt
1 teskje kanel
1 teskje bakken ingefær
1 / 2 teskjejkrydder
1 teskjee bakepulver
1 / 2 teskje salt
1 teskje vanilje
1 egg, romtemperatur
1 kopp sukker
1 teskje vanilje
1 kopphakket pekannøtter
Forvarm ovnen til 350 grader. Smør en 9-tommers fjærformspanne.
For å lage kaken: Smør egg med høy hastighet til tykk og gul farge og sett til side. I en egen bolle, slå egghvittene til stiv. Hastighet den første som blandingen i den forberedte pannen og glatt smeten. Bake i ovnen i ca. 40 minutter eller til en tannpinne satt inn i senteret kommer ut rent. Kjøl i pannen i 10 minutter. Vend ut på et ledningsstativ for å avkjøle helt.
Fjern kaken fra pannen for å avkjøle helt. Serveres varm.
HereCto Cookbook (1989) Fra Kitchen & Hawn Inthe Canadian Living
Utbytte: 16 porsjoner

Visst, når du ser på instruksjonene nærmere, produserer det bare en enkelt bakt eggeplomme. Men det er fortsatt en forbedring. Når AI fikk lov til å spesialisere seg, var det ganske enkelt mye mindre å holde styr på. Det behøvde ikke å prøve å finne ut når du skal bruke sjokolade og når du skal bruke poteter, når du skal bake, eller når du skal simre. Hvis den første algoritmen forsøkte å være en wonder-boks som kunne produsere ris, is og pies, prøvde den andre algoritmen å være noe mer som en brødrister - spesialisert seg på en eneste oppgave.

Utviklere som trener maskinlæringsalgoritmer har funnet ut at det ofte er fornuftig å bygge brødrister i stedet for lurer. Det kan virke counterintuitive, fordi AIs av Western science fiction har en tendens til å ligne C-3PO i Star Wars eller WALL-E i den eponymiske filmen - eksempler på kunstig generell intelligens (AGI), automat som kan samhandle med verden som et menneske, og håndtere mange forskjellige oppgaver. Men mange selskaper er usynlige - og med hell - ved hjelp av maskinlæring for å oppnå mye mer begrensede mål. En algoritme kan være en chatbot som håndterer et begrenset utvalg av grunnleggende kundespørsmål om telefonregningen. En annen kan gjøre spådommer om hva en kunde ringer for å diskutere, og viser disse spådommene for den menneskelige representanten som svarer på telefonen. Dette er eksempler på kunstig smal intelligens (ANI) - begrenset til svært smale funksjoner. På den annen side tilbrakte Facebook nylig sin "M" chatbot, som aldri lyktes i sitt mål om å håndtere hotellreservasjoner, bestille teaterbilletter, arrangere papegøyebesøk og mer.

Grunnen til at vi har brødrister-nivå ANI i stedet for WALL-E-nivå AGI er at en hvilken som helst algoritme som forsøker å generalisere blir verre på de forskjellige oppgaver det konfronterer.

'denne fuglen er gul med svart på hodet og har en veldig kort nebb'


Få det siste fra InnerSelf


Til eksempel, her er en algoritme opplært for å generere et bilde basert på en bildetekst.

Dette er et forsøk på å skape et bilde fra uttrykket: 'denne fuglen er gul med svart på hodet og har en veldig kort nebb'.

Da den ble trent på et datasett som bestod av fugler, gjorde det ganske bra (til tross for det merkelige unicornhornet):

Men når oppgaven var å generere hva som helst - Fra stopp skilt til båter til kyr til folk - det slitt. Her er et forsøk på å generere 'et bilde av en jente som spiser et stort stykke pizza':

'et bilde av en jente som spiser et stort stykke pizza'

Vi er ikke vant til å tenke det er så stort gap mellom en algoritme som gjør en ting bra, og en algoritme som gjør mange ting bra. Men vår nåtid algoritmer har svært begrenset mental styrke i forhold til den menneskelige hjerne, og hver ny oppgave sprer dem tynnere. Tenk på et brødristerstort apparat: det er lett å bygge inn et par spor og noen varmeveksler slik at det kan skålbrød. Men det gir lite plass til noe annet. Hvis du også prøver å legge til ris-dampende og iskrem-funksjonalitet, må du gi opp et av brødsporene, og det vil nok ikke være bra for noe.

Det er triks som programmerere bruker for å få mer ut av ANI-algoritmer. Den ene er overføringslæring: Trene en algoritme for å gjøre en oppgave, og den kan lære å gjøre en annen men nært beslektet oppgave etter minimal omskoling. Folk bruker overføringsinnlæring til å trene bildegenkjenningsalgoritmer, for eksempel. En algoritme som har lært å identifisere dyr, har allerede fått mye i veien for kantdeteksjon og teksturanalyser, som den kan bevege seg over til oppgaven med å identifisere frukt. Men hvis du omdirigerer algoritmen for å identifisere frukt, kalles et fenomen katastrofal glemme betyr at det ikke lenger kommer til å huske hvordan man identifiserer dyr.

Et annet triks som dagens algoritmer bruker er modularitet. I stedet for en enkelt algoritme som kan håndtere ethvert problem, er fremtidens AIs sannsynligvis en samling av høyt spesialiserte instrumenter. En algoritme som lært å spille videospillet Doom, for eksempel, hadde separat, dedikert visjon, kontroller og minnemoduler. Sammenkoblede moduler kan også gi redundans mot feil, og en mekanisme for å stemme på den beste løsningen på et problem basert på flere forskjellige tilnærminger. De kan også være en måte å oppdage og feilsøke algoritmiske feil på. Det er normalt vanskelig å finne ut hvordan en individuell algoritme tar sine beslutninger, men hvis en beslutning fattes av samarbeidende delalgoritmer, kan vi i det minste se på hver subalgoritmens utgang.

Når vi ser frem til AIs av den fjerne fremtiden, er kanskje WALL-E og C-3PO ikke de droidene vi bør se etter. I stedet kan vi lage noe mer som en smarttelefon full av apper, eller et kjøkkenskap fylt med gadgets. Når vi forbereder oss på en verden av algoritmer, bør vi sørge for at vi ikke planlegger å tenke, generelle formålskasser som aldri kan bygges, men i stedet for høyt spesialiserte brødristere.Aeon counter - ikke fjern

Om forfatteren

Janelle Shane trener nevrale nettverk for å skrive humor på aiweirdness.com. Hun er også forsker innen optikk, og bor i Boulder, Colorado.

Denne artikkelen ble opprinnelig publisert på Aeon og har blitt publisert under Creative Commons.

Relaterte bøker:

{amazonWS: searchindex = Bøker; søkeord = kunstig intelligens bøker; maxresults = 3}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

følg InnerSelf på

facebook-ikonettwitter-iconrss-ikonet

Få den siste via e-post

{Emailcloak = off}