Lielākā mācība, kas jāgūst no 70 gadu AI pētījumiem, ir tāda, ka vispārējās metodes, kurās tiek izmantota aprēķināšana, galu galā ir visefektīvākās - turklāt ar lielu rezervi. Galīgais iemesls tam ir Mūra likums. Vai drīzāk, tā vispārinājums: nepārtraukts, eksponenciāls datoru skaitļošanas procesoru izmaksu samazinājums. Šajā "rūgtajā nodarbībā" dalījās Kanādas datorzinātnieks Ričards Suttons. Tālāk - no pirmās personas.
Kāpēc mākslīgā intelekta pētījumi ir apstājušies 70 gadus?
Lielākā daļa mākslīgā intelekta pētījumu ir veikti tā, it kā aģentam pieejamie aprēķini būtu noturīgi (un šajā gadījumā cilvēka zināšanu izmantošana būtu viens no vienīgajiem darbības uzlabošanas veidiem). Bet laika gaitā - daudz vairāk, nekā vajadzīgs tipiskam pētniecības projektam - neizbēgami kļūst pieejams daudz lielāks aprēķins. Meklējot uzlabojumus, kas varētu palīdzēt īstermiņā, zinātnieki cenšas maksimāli izmantot zināšanas par cilvēkiem šajā jomā, taču ilgtermiņā vienīgais, kas ir svarīgs, ir arvien pieaugošā skaitļošanas tehnikas izmantošana. Šiem diviem aspektiem nevajadzētu būt pretrunā viens ar otru, bet praksē viņi to dara. Laiks, kas pavadīts vienam no viņiem, nav vienāds ar laiku, kas pavadīts otram. Ir psiholoģiski pienākumi ieguldīt vienā vai otrā pieejā. Cilvēcisko zināšanu pieeja mēdz sarežģīt metodes tādā veidā, ka tās kļūst mazāk piemērotas, lai izmantotu vispārējās metodes, kurās tiek izmantota aprēķināšana.
Ir bijuši daudzi piemēri, kā AI pētnieki novēloti izprot šo rūgto mācību. Būs pamācoši apsvērt dažus no ievērojamākajiem piemēriem.
Datoru šahā metodes, kas 1997. gadā pieveica pasaules čempionu Kasparovu, balstījās uz masveidīgu, dziļu meklēšanu. Tajā laikā vairums datoru šaha pētnieku tos izjuta ar sašutumu, kuri izmantoja metodes, kuru pamatā bija cilvēku izpratne par konkrēto šaha struktūru. Kad vienkāršāka, uz meklēšanu balstīta pieeja ar specializētu aparatūru un programmatūru izrādījās daudz efektīvāka, pētnieki, kuri balstās uz cilvēku izpratni par šahu, neatzina sakāvi. Viņi teica: “Šoreiz var būt uzvarējusi nežēlīgā spēka pieeja, taču tā nekļūs par vispārēju stratēģiju un noteikti cilvēki šādā veidā nespēlē šahu. Šie zinātnieki vēlējās, lai uzvarētu uz cilvēkiem balstītas metodes, un bija ļoti vīlušies, kad to nedarīja.
Reklāmas video:
Līdzīgs attēls ar pētījumu progresu bija redzams datorā, tikai ar kavēšanos vēl par 20 gadiem. Sākotnēji tika pieliktas lielas pūles, lai izvairītos no meklēšanas, izmantojot cilvēku zināšanas vai spēles, taču visi šie centieni bija nevajadzīgi vai pat vēl ļaunāki, kad meklēšana tika piemērota efektīvi un plašā mērogā. Svarīgi bija arī izmantot mācīšanos patstāvīgas spēles procesā, lai apgūtu vērtības funkciju (kā tas bija daudzās citās spēlēs un pat šahā, tikai mācībām 1997. gadā programmā nebija liela loma, kas pirmo reizi pārspēja pasaules čempionu). Mācīšanās spēlēt ar sevi, mācīšanās kopumā ir kā meklēšana, kas ļauj izmantot milzīgus aprēķinu masīvus. Meklēšana un mācīšanās ir divas no vissvarīgākajām paņēmienu klasēm, kuras AI pētījumos ir saistītas ar milzīgiem aprēķiniem. Datorā ietTāpat kā datoru šahā, pētnieku sākotnējie centieni bija vērsti uz cilvēku izpratnes izmantošanu (lai meklēšanu būtu mazāk), un daudz lielāki panākumi tika gūti tikai daudz vēlāk, izmantojot meklēšanu un mācīšanos.
Runas atpazīšanas jomā 70. gados notika DARPA sponsorēts konkurss. Dalībnieki prezentēja dažādas metodes, kurās tika izmantotas cilvēku zināšanas - vārdu vai fonēmu zināšanas, cilvēka balss trakts utt. Otrā barikāžu pusē bija jaunākas metodes, statistiskas un vairāk aprēķinu veiktas, balstoties uz Hidden Markov Models (HMM). Atkal statistiskās metodes uzvarēja salīdzinājumā ar zināšanām balstītām metodēm. Tas izraisīja būtiskas izmaiņas dabiskās valodas apstrādē, kuras tika pakāpeniski ieviestas gadu desmitos, līdz galu galā statistikā un aprēķinos sāka dominēt laukā. Nesenais dziļo valodu apguves pieaugums runas atpazīšanā ir pēdējais solis šajā konsekventajā virzienā. Dziļās mācības vēl mazāk balstās uz cilvēku zināšanām un izmanto vēl vairāk aprēķinu, kā arī apmācību par milzīgiem paraugu komplektiem un rada pārsteidzošas runas atpazīšanas sistēmas.
Ričards Sūtons, Kanādas datorzinātnieks.
Tāpat kā spēles, zinātnieki vienmēr ir mēģinājuši radīt sistēmas, kas darbosies tā, kā iedomājās galvā - viņi centās šīs zināšanas ievietot savās sistēmās - bet tas viss iznāca ārkārtīgi neproduktīvs, zinātnieki tikai tērēja laiku, kamēr - Mūra likuma dēļ - arvien masīvāki aprēķini kļuva pieejami un atrada lieliskas lietojumprogrammas.
Līdzīgs attēls bija datorizētās redzamības jomā. Pirmās metodes tika uztvertas kā noteiktu kontūru, vispārinātu cilindru meklēšana vai SIFT iespēju izmantošana (mēroga nemainīga pazīmju pārveidošana). Bet šodien tas viss tika izmests krāsnī. Mūsdienu dziļmācības neironu tīkli izmanto tikai konvolūcijas un noteiktu invariantu jēdzienu un darbojas daudz labāk.
Šī ir lieliska mācība.
Kur mēs skatāmies, mēs visur pieļaujam vienādas kļūdas. Lai to redzētu un efektīvi tiktu galā ar to, jums ir jāsaprot, kāpēc šīs kļūdas ir tik pievilcīgas. Mums ir jāiemācās rūgta mācība, ka domāšanas veidošana no tā, kā mēs domājam, ilgtermiņā nedarbosies. Rūgtā nodarbība, kas balstīta uz vēsturiskiem novērojumiem, parāda, ka: 1) AI pētnieki bieži ir mēģinājuši zināšanas ievietot savos aģentos; 2) tas vienmēr palīdzēja īstermiņā un sagādāja zinātniekiem gandarījumu; 3) bet ilgtermiņā viss apstājās un kavēja tālāku progresu; 4) graujošs progress neizbēgami nāca ar pretēju pieeju, kuras pamatā ir aprēķināšanas mērogošana, izmantojot meklēšanu un mācīšanos. Panākumiem bija rūgta garša, un tie bieži netika pilnībā absorbēti.jo tie ir skaitļošanas panākumi, nevis uz cilvēku vērstu pieeju panākumi.
Viena lieta, kas jāapgūst no šīs rūgtās nodarbības, ir ārkārtīgi liela vispārējas nozīmes metožu - metožu, kas turpina pieaugt līdz ar aprēķinu pieaugumu, pat ja pieejamais aprēķins kļūst ļoti liels. Divas metodes, kuras, šķiet, patvaļīgi mērogo šādā veidā, ir meklēšana un mācīšanās.
Otrā lieta, kas jāapgūst no šīs rūgtās nodarbības, ir tāda, ka patiesais prāta saturs ir ārkārtīgi un nevajadzīgi sarežģīts; mums vajadzētu pārtraukt mēģinājumus atrast vienkāršus veidus, kā izprast prāta saturu, līdzīgi vienkāršiem veidiem, kā saprast telpu, objektus, vairākus aģentus vai simetrijas. Viņi visi ir patvaļīgi sarežģītas ārējās pasaules sastāvdaļa. Mums nevajadzētu mēģināt uz tiem balstīties, jo viņu sarežģītība ir bezgalīga; mums vajadzētu balstīties uz meta metodēm, kuras var atrast un uztvert šo patvaļīgo sarežģītību. Šīs metodes var atrast labus tuvinājumus, taču to meklēšana jāveic ar mūsu metodēm, nevis mums. Mums ir nepieciešami AI aģenti, kuri var atklāt tāpat, kā mēs varam, un nesatur to, ko esam atklājuši. Balstīšanās uz mūsu atklājumiem tikai sarežģī atklāšanas un meklēšanas procesu.
Iļja Khel