Sætte "AI" i ThAInksgiving



Din ferie middag bord er sat. Dine gæster er klar til at gab. Og i mellemtiden taler nogen om Alexa og AI. "Hvad er det her, jeg hører om morderen AI? Biler, der bestemmer hvem der skal løbe over? Dette er vildt! "

Velkommen til Thanksgiving bordtale omkring 2017.

Det er rigtigt, at AI og maskinindlæring ændrer verden, og om et par år vil den blive integreret i hele teknologien i vores liv.

Så måske er det fornuftigt at hjælpe folk hjemme bedre at forstå maskine læring. Uden dybt kendskab til den nuværende teknologi virker autonome køretøjer farlige, Skynet kommer, og (spoiler advarslen!) AI-kontrollerede menneskelige varmepølse af The Matrix er en reel mulighed.

Dette stammer fra en sammenblanding af meget ægte og spændende koncept for maskinindlæring og det meget ikke rigtige koncept for "generel kunstig intelligens", der stort set er så langt væk i dag som det var, da science fiction forfattere først udforskede ideen for hundrede år siden.

Når det er sagt, Du kan finde dig selv i en diskussion om dette emne i løbet af ferien i år, enten af ​​din egen vilje eller ved et uheld. Og du vil være parat til at argumentere for AI, imod det eller blot indsprøjte fakta, mens du modererer den uundgåeligt opvarmede samtale.

Men før du dykker hovedet i argumenttilstand er det vigtigt, at du både ved, hvad AI er ( som du selvfølgelig gør!) og at du ved, hvordan man forklarer det.

Forretter

Kan jeg anbefale en børste op med dette indlæg af vores egen Devin Coldewey, der gør et godt stykke arbejde med at forklare, hvad AI er , forskellen mellem svagt og stærkt AI og de grundlæggende problemer med at forsøge at definere det.

Dette indlæg giver også en ofte anvendt analogi til AI: The Chinese Room.

Billede et låst rum. Inde i stuen sidder mange mennesker på skriveborde. I den ene ende af rummet er en papirstop sat gennem en slot, dækket af mærkelige mærker og symboler. Folkene i lokalet gør, hvad de er blevet trænet til: Opdel papiret i stykker, og kryds i kasser på papirplader, der beskriver hvad de ser – diagonal linje øverst til højre, afkrydsningsfelt 2-B, kryds form nederst , tjek 17-Y, og så videre. Når de er færdige, passerer de deres papirer til den anden side af rummet. Disse mennesker ser på de markerede kasser, og efter at have været uddannet forskelligt, laves mærker på et tredje ark papir: Hvis kasse 2-B kontrolleres, laves en vandret linje, hvis kasse 17-Y kontrolleres, en cirkel til højre. De giver alle deres stykker til en endelige person, der holder dem sammen og sætter det endelige produkt gennem en anden plads.

Papiret i den ene ende blev skrevet på kinesisk, og papiret i den anden ende er en perfekt oversættelse på engelsk. Men ingen i rummet taler enten sprog.

Den analogi, der blev skabt for flere årtier siden, har sine mangler, når du virkelig kommer ind i det, men det er faktisk en ret præcis måde at beskrive maskinindlæringssystemer på, som består af mange mange små processer uvidende om deres betydning i et større system til at udføre komplekse opgaver.

Inden for denne referenceramme virker AI ret gunstig. Og når AI får ultraspecifikke opgaver, er det godartet. Og det er allerede rundt omkring os lige nu.

Maskininlæringssystemer hjælper med at identificere de ord, du taler med Siri eller Alexa, og hjælpe med at gøre stemmen, hjælperen reagerer med lyden mere naturlig. En AI-agent lærer at genkende ansigter og genstande, så dine billeder kan kategoriseres og venner mærkes uden ekstra arbejde fra din side. Byer og virksomheder bruger maskinindlæring til at dykke dybt ind i store bunker af data som energiforbrug for at finde mønstre og strømline systemerne.

Men der er tilfælde, hvor dette kunne gå uden for kontrol. Forestil dig en AI, der havde til opgave at producere postkort effektivt. Efter et parti af forsøg og fejl, ville AI lære at formatere et postkort, og hvilke typer billeder fungerer godt på postkort. Det kan da lære processen til fremstilling af disse postkort, forsøger at eliminere ineffektivitet og fejl i processen. Og så, sat til at udføre denne opgave til det bedste af sin evne, kan det forsøge at forstå, hvordan man øger produktionen. Det kan endda beslutte, at det er nødvendigt at skære ned flere træer for at skabe mere papir. Og da folk har tendens til at komme i vejen for træskæring, kan det måske beslutte at fjerne folk.

Dette er selvfølgelig et klassisk glat skråningsargument, med tilstrækkelig mangler til at virke upålitelig. Men fordi AI ofte er en sort boks – sætter vi data ind og data kommer ud, men vi ved ikke, hvordan maskinen har fra A til B – det er svært at sige, hvad det langsigtede resultat af AI kan være. Måske blev Skynet oprindeligt startet af Hallmark.

Entree

Her er hvad vi ved:

Lige nu er der ingen "ægte" AI derude. Men det betyder ikke, at intelligente maskiner ikke kan hjælpe os under mange omstændigheder.

På et praktisk niveau overveje selvkørende biler. Det handler ikke kun om at kunne læse eller se tv under din pendling; tænk på, hvor meget det vil gavne blinde og handicappede, reducere trafikken og forbedre effektiviteten af ​​hele byerne og spare millioner af liv, der ville være gået tabt i ulykker. Fordelene er uberegnelige.

Tænk samtidig på dem, der arbejder som chauffører i en eller anden form: Truckers, cabbies, busschauffører og andre kan snart blive erstattet af AI'er og sætte millioner på verdensplan permanent ude af arbejde.