Varför AI-revolutionen kommer att ledas av brödrostar

Varför AI-revolutionen kommer att ledas av brödrostar


Kommer framtidens intelligenta algoritmer att se ut som robotar med allmänt ändamål, som skickliga på tomgång och läsa kartor som de är praktiska i köket? Eller kommer våra digitala assistenter att se ut som en grepp väska med specialiserade prylar - mindre än en enda chatty masterchef än ett kök fullt av apparater?

Om en algoritm försöker göra för mycket, blir det i trubbel. Receptet nedan genererades av ett konstgjort neuralt nätverk, en typ av artificiell intelligens (AI) som lär sig genom exempel. Denna speciella algoritm granskades om 30,000 kokbok recept av alla slag, från soppor till pajer till grillar, och försökte sedan göra sig själv. Resultaten är, ska vi säga, något oorthodoxa:

(Redaktörens anmärkning: försök inte dessa recept hemma, LOL)

Sprid Kyckling Ris
ost / ägg, sallader, ost
2 Ib hjärtan, utsäde
1 koppen strimlad färsk mint eller hallon paj
1 / 2 koppkatrimer, revet
1 matsked vegetabilisk olja
1-salt
1 peppar
2 1 / 2 tb socker, socker
Kombinera unleaves, och rör om tills blandningen är tjock. Tillsätt sedan ägg, socker, honungs- och kargenfrön och koka över låg värme. Tillsätt majs sirap, oregano, rosmarin och vitpeppar. Sätt i grädden genom värme. Koka lägg till resterande 1 tesked bakpulver och salt. Baka på 350F för 2 till 1 timme. Servera varmt.
Utbyte: 6 portioner

Nu är det ett exempel på ett recept som genereras av samma grundläggande algoritm - men istället för data som inkluderade recept av alla slag såg det bara ut på kakor. Receptet är inte perfekt, men det är mycket, mycket bättre än det föregående:

Morotkaka (Vera Ladies ")
kakor, alkohol
1 pkg gul kakablandning
3 koppmjöl
1 tesked bakpulver
1 1 / 2 teskedbakad soda
1 / 4 tesked salt
1 tesked mark kanel
1 tesked jord ingefära
1 / 2 teskedjordklyftor
1 tesked bakpulver
1 / 2 tesked salt
1 tsk vanilj
1 ägg, rumstemperatur
1 koppsocker
1 tsk vanilj
1 kopphackad pekannötter
Förvärm ugnen till 350 grader. Smörj en 9-tums fjäderformspanna.
För att göra kakan: Slå ägg i hög hastighet tills tjock och gul färg och lägg åt sidan. I en separat skål, slå äggvitorna tills det är styvt. Hasta den första som blandningen i den beredda pannan och smälta smeten. Baka i ugnen i ca 40 minuter eller tills en trä tandpetare in i mitten kommer ut ren. Kyl i pannan i 10 minuter. Vänd ut på en trådställ för att svalna helt.
Ta av kakan från pannan för att kyla helt. Servera varma.
HereCto Cookbook (1989) Från Kitchen & Hawn Inthe Canadian Living
Utbyte: 16 portioner

Visst, när man tittar på anvisningarna närmare, producerar den bara en enda bakad äggula. Men det är fortfarande en förbättring. När AI fick specialisera var det helt enkelt mycket mindre att hålla reda på. Det behövde inte försöka räkna ut när man ska använda choklad och när man ska använda potatis, när man ska baka eller när man ska simma. Om den första algoritmen försökte vara en underbar låda som kunde producera ris, glass och pajer, försökte den andra algoritmen vara något mer som en brödrost - specialiserad för en enda uppgift.

Utvecklare som utbildar maskininlärningsalgoritmer har funnit att det ofta är meningsfullt att bygga brödroppar snarare än undrar-lådor. Det kan tyckas kontraintuitivt, eftersom AIs av västerländsk science fiction tenderar att likna C-3PO i Star Wars eller WALL-E i den eponymiska filmen - Exempel på artificiell allmän intelligens (AGI), automat som kan interagera med världen som en människa och hantera många olika uppgifter. Men många företag är osynliga - och framgångsrikt - med maskininlärning för att uppnå mycket mer begränsade mål. En algoritm kan vara en chatbot som hanterar ett begränsat antal grundläggande kundfrågor om deras telefonräkning. En annan kan göra förutsägelser om vad en kund ringer för att diskutera, vilket visar dessa förutsägelser för den mänskliga representanten som svarar på telefonen. Dessa är exempel på artificiell smal intelligens (ANI) - begränsad till mycket smala funktioner. Å andra sidan har Facebook nyligen avgått sin "M" chatbot, som aldrig lyckats med sitt mål att hantera hotellbokningar, boka teaterbiljetter, arrangera papegojebesök och annat.

Anledningen till att vi har brödrostnivå ANI istället för WALL-E-nivå AGI är att någon algoritm som försöker generalisera får sämre vid de olika uppgifterna konfronterar den.

"den här fågeln är gul med svart på huvudet och har en mycket kort näbb"


Få det senaste från InnerSelf


För exempel, här är en algoritm utbildad för att skapa en bild baserad på en bildtext.

Detta är dess försök att skapa en bild från frasen: "den här fågeln är gul med svart på huvudet och har en mycket kort näbb".

När det tränades på en dataset som helt och hållet bestod av fåglar gjorde det ganska bra (trots det märkliga enhörningshornet):

Men när dess uppgift var att generera något - från stoppskyltar till båtar till kor till människor - det kämpade. Här är dess försök att skapa "en bild av en tjej som äter en stor bit pizza":

"en bild av en tjej som äter en stor bit pizza"

Vi är inte vana vid att det finns ett så stort gap mellan en algoritm som gör en sak bra och en algoritm som gör mycket bra saker. Men vår nutid algoritmer har mycket begränsad mental kraft jämfört med den mänskliga hjärnan, och varje ny uppgift sprider dem tunnare. Tänk på en brödroststorad apparat: det är lätt att bygga in ett par luckor och några värmebatterier så att det kan rosta bröd. Men det lämnar lite utrymme för någonting annat. Om du försöker också lägga till risdammande och glassmakande funktionalitet, måste du ge upp en av brödspåren åtminstone, och det är nog inte bra för någonting.

Det finns knep som programmerare använder för att få mer ut av ANI-algoritmer. En är överlärningsinlärning: Träna en algoritm för att göra en uppgift, och det kan lära sig att göra en annan men närbesläkad uppgift efter minimal omskolning. Människor använder överföringsinlärning för att träna algoritmer för bildigenkänning, till exempel. En algoritm som har lärt sig att identifiera djur har redan fått mycket i vägen för kantdetektering och texturanalyser, som den kan flytta över till uppgiften att identifiera frukt. Men om du ombildar algoritmen för att identifiera frukt kallas ett fenomen katastrofal glömma innebär att det inte längre kommer att komma ihåg hur man identifierar djur.

Ett annat knep som dagens algoritmer använder är modularitet. I stället för en enda algoritm som kan hantera alla problem, kommer framtida AI sannolikt att vara en sammansättning av högspecialiserade instrument. En algoritm som lärt att spela videospelet Doom, till exempel, hade separat, dedikerad vision, kontroller och minnesmoduler. Sammankopplade moduler kan också ge redundans mot misslyckande, och en mekanism för att rösta på den bästa lösningen på ett problem baserat på flera olika tillvägagångssätt. De kan också vara ett sätt att upptäcka och felsöka algoritmiska misstag. Det är normalt svårt att ta reda på hur en enskild algoritm fattar sina beslut, men om ett beslut fattas av samverkande delalgoritmer kan vi åtminstone se på varje underalgoritms utgång.

När vi tänker på den framtida framtiden, kanske WALL-E och C-3PO inte är droiderna vi ska leta efter. Istället kan vi kanske bilda något mer som en smartphone full av appar eller ett köksskåp fyllt med prylar. När vi förbereder oss för en värld av algoritmer, bör vi se till att vi inte planerar att tänka, förhoppningsboksar av allmänt syfte som aldrig kan byggas, utan istället för högspecialiserade brödrostar.Aeon räknare - ta inte bort

Om författaren

Janelle Shane utbildar neurala nätverk för att skriva humor på aiweirdness.com. Hon är också forskare inom optik, och bor i Boulder, Colorado.

Denna artikel publicerades ursprungligen på aeon och har publicerats under Creative Commons.

Relaterade böcker:

{amazonWS: searchindex = Böcker; nyckelord = artificiella intelligensböcker; maxresultat = 3}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

följ InnerSelf på

facebook-icontwitter-iconrss-icon

Få det senaste via e-post

{Emailcloak = off}