Pelajaran terbesar yang dapat dipelajari dari penyelidikan AI selama 70 tahun adalah bahawa kaedah umum yang menggunakan pengiraan akhirnya paling berkesan - dan dengan margin yang luas. Sebab utama untuk ini adalah Undang-undang Moore. Atau lebih tepatnya, generalisasi: pengurangan kos pemproses pengkomputeran yang berterusan dan eksponensial. "Pelajaran pahit" ini dikongsi oleh Richard Sutton, seorang saintis komputer Kanada. Lebih jauh - dari orang pertama.
Mengapa penyelidikan kecerdasan buatan berhenti selama 70 tahun?
Sebilangan besar penyelidikan kecerdasan buatan telah dilakukan seolah-olah pengiraan yang ada pada ejen itu berterusan (dan dalam hal ini, menggunakan pengetahuan manusia akan menjadi satu-satunya cara untuk meningkatkan prestasi). Tetapi dari masa ke masa - lebih daripada sekadar keperluan projek penyelidikan biasa - tidak dapat tidak, lebih banyak pengiraan tersedia. Dalam mencari penambahbaikan yang dapat membantu dalam jangka pendek, para saintis berusaha memaksimumkan pengetahuan manusia dalam bidang ini, tetapi satu-satunya perkara yang penting dalam jangka panjang adalah peningkatan penggunaan pengkomputeran. Kedua-dua aspek ini tidak boleh saling bertentangan, tetapi dalam praktiknya ia berlaku. Masa yang dihabiskan untuk salah satu daripadanya tidak sama dengan masa yang dihabiskan untuk yang lain. Terdapat tanggungjawab psikologi untuk melabur dalam satu pendekatan atau pendekatan lain. Dan pendekatan pengetahuan manusia cenderung menyulitkan kaedah sedemikian rupa sehingga mereka menjadi kurang sesuai untuk memanfaatkan kaedah umum yang menggunakan pengiraan.
Terdapat banyak contoh penyelidik AI yang terlambat memahami pelajaran pahit ini. Akan menjadi instruktif untuk mempertimbangkan beberapa contoh yang paling menonjol.
Dalam catur komputer, kaedah yang mengalahkan juara dunia Kasparov pada tahun 1997 didasarkan pada pencarian mendalam dan mendalam. Pada masa itu, mereka dilihat kecewa oleh kebanyakan penyelidik catur komputer yang menggunakan kaedah berdasarkan pemahaman manusia mengenai struktur catur tertentu. Apabila pendekatan yang lebih mudah dan berdasarkan carian dengan perkakasan dan perisian khusus terbukti jauh lebih berkesan, para penyelidik yang membina pemahaman manusia tentang catur tidak mengakui kekalahan. Mereka berkata, Kali ini pendekatan brute-force mungkin menang, tetapi tidak akan menjadi strategi keseluruhan dan tentunya orang tidak bermain catur seperti itu. Para saintis ini mahukan kaedah berasaskan manusia menang, dan sangat kecewa apabila tidak melakukannya.
Video promosi:
Gambaran serupa mengenai kemajuan penyelidikan dilihat dalam komputer, hanya dengan kelewatan 20 tahun lagi. Pada mulanya, usaha besar dilakukan untuk mengelakkan pencarian menggunakan pengetahuan manusia atau permainan, tetapi semua usaha ini tidak perlu atau bahkan lebih buruk lagi setelah pencarian diterapkan secara efektif dan dalam skala besar. Juga penting untuk menggunakan pembelajaran dalam proses permainan bebas untuk mempelajari fungsi nilai (seperti yang berlaku di banyak permainan lain dan bahkan di catur, hanya belajar yang tidak memainkan peranan besar dalam program ini pada tahun 1997, yang mengalahkan juara dunia untuk pertama kalinya). Belajar bermain dengan diri sendiri, belajar secara keseluruhan, adalah seperti carian yang membolehkan anda menerapkan susunan pengiraan yang besar. Pencarian dan pembelajaran adalah dua teknik teknik yang paling penting yang melibatkan pengiraan dalam penyelidikan AI. Dalam komputer pergiSeperti dalam catur komputer, usaha awal para penyelidik diarahkan untuk menggunakan pemahaman manusia (sehingga ada pencarian yang kurang), dan lebih banyak kejayaan dicapai hanya kemudian melalui penggunaan carian dan pembelajaran.
Dalam bidang pengiktirafan pertuturan, pertandingan yang ditaja oleh DARPA diadakan pada tahun 1970-an. Peserta menyampaikan pelbagai kaedah yang memanfaatkan pengetahuan manusia - pengetahuan perkataan atau fonem, saluran vokal manusia, dan sebagainya. Di seberang barikade, ada kaedah yang lebih baru, secara statistik dan melakukan lebih banyak pengiraan, berdasarkan Model Tersembunyi Markov (HMM). Sekali lagi, kaedah statistik menang berbanding kaedah berasaskan pengetahuan. Ini menyebabkan perubahan besar dalam semua pemrosesan bahasa semula jadi yang diperkenalkan secara beransur-ansur selama beberapa dekad, hingga akhirnya statistik dan perhitungan mulai menguasai bidang ini. Peningkatan pembelajaran mendalam dalam pengecaman pertuturan baru-baru ini adalah langkah terbaru ke arah yang konsisten ini. Pembelajaran yang mendalam lebih bergantung pada pengetahuan manusia dan menggunakan lebih banyak pengiraan, bersama dengan latihan pada kumpulan sampel yang besar, dan menghasilkan sistem pengecaman pertuturan yang luar biasa.
Richard Sutton, saintis komputer Kanada.
Seperti dalam permainan, saintis selalu berusaha membuat sistem yang akan berfungsi seperti yang mereka bayangkan di kepala mereka - mereka cuba memasukkan pengetahuan ini ke dalam sistem mereka - tetapi semuanya keluar sangat tidak produktif, saintis hanya membuang masa sementara - kerana Undang-undang Moore - semakin banyak pengiraan besar-besaran tersedia dan mendapat aplikasi yang sangat baik.
Gambaran serupa terdapat dalam bidang penglihatan komputer. Kaedah pertama dianggap sebagai pencarian kontur tertentu, silinder umum, atau menggunakan kemampuan SIFT (transformasi skala-invarian ciri). Tetapi hari ini semua ini dilemparkan ke dalam tungku. Rangkaian neural pembelajaran mendalam moden hanya menggunakan konsep konvolusi dan invarian tertentu dan menunjukkan prestasi yang lebih baik.
Ini adalah pengajaran yang bagus.
Di mana sahaja kita melihat, kita terus melakukan kesalahan yang sama di mana sahaja. Untuk melihatnya dan menanganinya dengan berkesan, anda perlu memahami mengapa kesalahan ini sangat menarik. Kita mesti mempelajari pelajaran pahit bahawa membina bagaimana kita berfikir dari cara kita berfikir tidak akan berfungsi dalam jangka masa panjang. Pelajaran pahit berdasarkan pemerhatian sejarah menunjukkan bahawa: 1) Penyelidik AI sering berusaha untuk membina pengetahuan menjadi agen mereka; 2) ia sentiasa membantu dalam jangka pendek dan membawa kepuasan para saintis; 3) tetapi dalam jangka masa panjang, semuanya terhenti dan menghalang kemajuan; 4) kemajuan mengganggu pasti datang dengan pendekatan yang berlawanan, berdasarkan pengiraan skala melalui carian dan pembelajaran. Kejayaan mempunyai rasa pahit dan sering tidak diserap sepenuhnya.kerana ia adalah kejayaan pengkomputeran, bukan kejayaan pendekatan berpusatkan manusia.
Satu perkara yang dapat dipelajari dari pelajaran pahit ini adalah kekuatan kaedah tujuan umum, kaedah yang terus bertambah dengan pertumbuhan pengiraan walaupun pengiraan yang tersedia menjadi sangat besar. Dua kaedah yang nampaknya berskala dengan cara ini adalah mencari dan belajar.
Perkara kedua yang dapat diambil dari pelajaran pahit ini adalah bahawa isi minda sebenarnya sangat kompleks dan tidak perlu; kita harus berhenti berusaha mencari cara mudah untuk memahami isi minda, sama dengan cara mudah untuk memahami ruang, objek, pelbagai agen atau simetri. Mereka semua adalah bahagian dari dunia luar yang sewenang-wenangnya kompleks. Kita tidak boleh berusaha membangunnya, kerana kerumitan mereka tidak terbatas; kita harus membina kaedah meta yang dapat mencari dan menangkap kerumitan sewenang-wenang ini. Kaedah-kaedah ini dapat memperoleh perkiraan yang baik, tetapi pencarian untuk itu harus dilakukan dengan kaedah kami, bukan oleh kami. Kami memerlukan ejen AI yang dapat menemui dengan cara yang sama seperti yang kami dapat, dan tidak mengandungi apa yang telah kami temui. Mengembangkan penemuan kami hanya menyulitkan proses penemuan dan pencarian.
Ilya Khel
