Apakah kelemahan "dunia AI"? Profesor Universiti Oxford Michael Wooldridge: Dunia Nyata

Teorem Monyet Infinite menyatakan bahawa jika monyet menekan kekunci secara rawak pada mesin taip, apabila masa menekan kekunci mencapai infiniti, ia hampir pasti dapat menaip mana-mana teks tertentu, seperti karya lengkap Shakespeare.

Dalam teorem ini, "hampir pasti" ialah istilah matematik dengan makna tertentu "Monyet" tidak merujuk kepada monyet sebenar, tetapi digunakan sebagai metafora kepada mesin yang boleh menghasilkan Abstrak yang tidak terhingga peranti untuk urutan huruf.

Teori ini menunjukkan bahawa adalah salah untuk menganggap nombor yang besar tetapi terhingga sebagai inferens tak terhingga, walaupun alam semesta yang boleh diperhatikan penuh dengan monyet yang terus menaip, Kebarangkalian mereka menghasilkan Hamlet masih kurang daripada 1/10^183800.

Lebih-lebih lagi, walaupun monyet yang tidak terkira banyaknya diberi masa tanpa had, mereka tidak akan tahu bagaimana untuk menghargai diksi puitis penyair.

"Begitu juga dengan kecerdasan buatan (AI)," kata Michael Wooldridge, profesor sains komputer di Universiti Oxford.

Pada pandangan Wooldridge, walaupun model AI seperti GPT-3 telah menunjukkan keupayaan yang mengejutkan dengan berpuluh-puluh atau ratusan bilion parameter, masalah mereka bukanlah saiz kuasa pemprosesan, tetapi Kekurangan pengalaman dari yang sebenar dunia.

Contohnya, model bahasa mungkin mempelajari "Hujan basah" dengan sangat baik, dan apabila ditanya sama ada hujan basah atau kering, ia mungkin akan menjawab "hujan basah", tetapi dengan cara yang sama seperti manusia Bezanya model bahasa ini sebenarnya tidak pernah mengalami perasaan “basah” pada mereka, “basah” tidak lebih daripada simbol yang sering digunakan dalam kombinasi perkataan seperti “hujan”.

Walau bagaimanapun, Wooldridge juga menekankan bahawa kekurangan pengetahuan tentang dunia fizikal sebenar tidak bermakna model AI tidak berguna, dan juga tidak menghalang model AI tertentu daripada menjadi pakar empirikal dalam bidang tertentu Walau bagaimanapun, mengenai isu-isu seperti pemahaman, jika ia dipertimbangkan Kemungkinan model AI mempunyai keupayaan yang sama seperti manusia memang diragui.

Kertas penyelidikan yang berkaitan bertajuk "What Is Missing from Contemporary AI? The World" dan telah diterbitkan dalam majalah "Intelligent Computing".

Dalam gelombang inovasi AI semasa, data dan kuasa pengkomputeran telah menjadi asas untuk kejayaan sistem AI: keupayaan model AI adalah berkadar terus dengan saiznya, sumber yang digunakan untuk melatihnya, dan skala data latihan.

Mengenai fenomena ini, saintis penyelidikan DeepMind Richard S. Sutton sebelum ini berkata bahawa "pengajaran yang menyakitkan" AI ialah kemajuannya terutamanya berdasarkan penggunaan set data yang lebih besar dan lebih besar serta lebih banyak data. Sumber pengkomputeran.

Apabila bercakap tentang pembangunan keseluruhan industri AI, Wooldridge memberi pengesahan. “Sejak 15 tahun yang lalu, kepantasan industri AI berkembang, terutamanya bidang pembelajaran mesin (ML), telah berulang kali mengejutkan saya: Kami perlu sentiasa menyesuaikan jangkaan kami untuk menentukan perkara yang mungkin dan bila Kemungkinan. "

Walau bagaimanapun, Wooldridge turut menyatakan masalah yang wujud dalam industri AI semasa, "Walaupun pencapaian mereka patut dipuji, saya fikir kebanyakan model ML berskala besar semasa dihadkan oleh satu faktor utama: model AI . Tiada pengalaman sebenar di dunia nyata

Pada pandangan Wooldridge, kebanyakan model ML dibina dalam dunia maya seperti permainan video, dan mereka boleh dilatih pada set data yang besar apabila ia datang ke dunia fizikal , mereka akan kehilangan maklumat penting dan mereka hanyalah sistem AI tanpa badan Dengan mengambil kecerdasan buatan yang menyokong kereta pandu sendiri sebagai contoh, adalah tidak realistik untuk membenarkan kereta pandu sendiri belajar sendiri Atas sebab ini dan lain-lain sering memilih untuk membina model mereka di dunia maya "Tetapi mereka tidak mempunyai keupayaan untuk berjalan dalam persekitaran yang paling penting, iaitu dunia kita," kata Wooldridge .

Model AI bahasa. sebaliknya, boleh dikatakan telah berkembang daripada teks ramalan yang sangat menakutkan kepada LAMDA Google, seorang bekas jurutera Google mendakwa pada awal tahun ini Program LAMDA Menjadi Tajuk Berita Untuk Satu Masa

“Apa pun kesahihan kesimpulan jurutera ini. , jelas bahawa dia kagum dengan kebolehan bercakap LAMDA — dan itu adalah untuk alasan yang baik "munasabah," kata Wooldridge, tetapi dia tidak percaya bahawa LAMDA sentiasa peka, dan AI tidak hampir dengan pencapaian seperti itu > "Model asas ini menunjukkan keupayaan yang belum pernah berlaku sebelum ini dalam penjanaan bahasa semula jadi dan boleh menjana lebih banyak bahasa semula jadi. Serpihan teks juga nampaknya telah memperoleh beberapa keupayaan penaakulan akal, yang merupakan salah satu peristiwa utama dalam penyelidikan AI dalam tempoh 60 tahun yang lalu. ”

Model AI ini memerlukan input parameter besar dan dilatih untuk memahaminya Contohnya, GPT-3 menggunakan ratusan bilion teks bahasa Inggeris di Internet untuk latihan dengan kuasa pengkomputeran yang berkuasa. Gabungan ini membolehkan model AI ini berkelakuan serupa dengan otak manusia dan boleh bergerak melangkaui tugas yang sempit dan mula mengenali corak dan membuat sambungan yang mungkin kelihatan tidak berkaitan dengan tugas utama

.

Walau bagaimanapun, Wooldridge berkata bahawa model asas adalah pertaruhan "Latihan berdasarkan data besar menjadikannya berguna dalam pelbagai bidang dan boleh dikhususkan untuk aplikasi tertentu

" Simbolik AI adalah berdasarkan andaian bahawa 'kecerdasan adalah terutamanya masalah pengetahuan', manakala model asas adalah berdasarkan andaian bahawa 'kecerdasan terutamanya masalah data' Jika data latihan yang mencukupi dimasukkan ke dalam model besar, ia dianggap menjanjikan untuk menambah baik "

Wooldridge percaya bahawa untuk menghasilkan AI yang lebih pintar, pendekatan "kemungkinan betul" ini terus mengembangkan skala model AI, tetapi mengabaikan kunci untuk benar-benar memajukan pengetahuan yang Diperlukan tentang dunia fizikal sebenar.

"Untuk bersikap adil, terdapat beberapa tanda bahawa ini berubah," kata Wooldridge. Pada bulan Mei, DeepMind mengumumkan Gato, model asas berdasarkan set bahasa yang besar dan data robotik yang boleh dijalankan dalam persekitaran fizikal yang mudah.

“Seronok melihat model asas mengambil langkah pertamanya ke dunia fizikal, tetapi hanya satu langkah kecil: untuk menjadikan AI berfungsi di dunia kita, cabaran yang perlu diatasi adalah sekurang-kurangnya setinggi untuk membuat AI dalam simulasi Cabaran bekerja dalam persekitaran adalah sama hebat, mungkin lebih hebat lagi.”

Di penghujung kertas, Wooldridge menulis: “Kami tidak mencari penghujung jalan untuk AI, tetapi kita mungkin sudah sampai ke penghujung permulaan.”

Atas ialah kandungan terperinci Apakah kelemahan "dunia AI"? Profesor Universiti Oxford Michael Wooldridge: Dunia Nyata. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!