Postęp w sztucznej inteligencji - Progress in artificial intelligence

Część serii na
Sztuczna inteligencja
Główne cele Sztuczna inteligencja ogólna Planowanie Wizja komputerowa Ogólne zasady gry Rozumowanie wiedzy Nauczanie maszynowe Przetwarzanie języka naturalnego Robotyka
Podejścia Symboliczny Głęboka nauka Sieci bayesowskie Algorytmy ewolucyjne
Filozofia Chiński pokój Przyjazna sztuczna inteligencja Problem z kontrolą / przejęcie Etyka Ryzyko egzystencjalne Test Turinga
Historia Oś czasu Postęp AI zima
Technologia Aplikacje Projektowanie Języki programowania
Słowniczek Słowniczek
v T mi

Postęp w maszynowej klasyfikacji obrazów

---

Poziom błędu AI według roku. Czerwona linia - poziom błędu przeszkolonego człowieka w określonym zadaniu

Aplikacje sztucznej inteligencji są wykorzystywane w wielu dziedzinach, w tym w diagnostyce medycznej , handlu akcjami , kontroli robotów , prawie , odkryciach naukowych, grach wideo i zabawkach. Jednak wiele aplikacji AI nie jest postrzeganych jako sztuczna inteligencja: „Wiele najnowocześniejszej sztucznej inteligencji przeniknęło do ogólnych zastosowań, często nie nazywając się sztuczną inteligencją, ponieważ gdy coś staje się wystarczająco przydatne i wystarczająco powszechne, nie jest już oznaczone jako sztuczna inteligencja”. „Wiele tysięcy aplikacji AI jest głęboko osadzonych w infrastrukturze każdej branży”. Pod koniec lat 90. i na początku XXI wieku technologia sztucznej inteligencji stała się szeroko stosowana jako elementy większych systemów, ale w tamtych czasach rzadko przypisywano tej dziedzinie te sukcesy.

Kaplan i Haenlein strukturyzują sztuczną inteligencję według trzech etapów ewolucyjnych: 1) sztuczna wąska inteligencja – zastosowanie AI tylko do określonych zadań; 2) sztuczna inteligencja ogólna – wykorzystująca sztuczną inteligencję do kilku obszarów i potrafiąca autonomicznie rozwiązywać problemy, do których nawet nie zostały zaprojektowane; oraz 3) sztuczna superinteligencja – zastosowanie sztucznej inteligencji w dowolnym obszarze zdolnym do naukowej kreatywności , umiejętności społecznych i ogólnej mądrości .

Aby umożliwić porównanie z wydajnością człowieka, sztuczną inteligencję można oceniać na ograniczonych i dobrze zdefiniowanych problemach. Takie testy zostały nazwane eksperckimi badaniami merytorycznymi Turinga . Ponadto mniejsze problemy zapewniają bardziej osiągalne cele i coraz więcej pozytywnych wyników.

Aktualna wydajność

Istnieje wiele przydatnych umiejętności, które można opisać jako wykazujące jakąś formę inteligencji. Daje to lepszy wgląd w porównawczy sukces sztucznej inteligencji w różnych obszarach.

AI, podobnie jak elektryczność czy silnik parowy, jest technologią ogólnego przeznaczenia. Nie ma zgody co do tego, jak scharakteryzować zadania, w których sztuczna inteligencja zwykle się wyróżnia. Niektóre wersje paradoksu Moraveca wskazują, że ludzie są bardziej skłonni przewyższać maszyny w dziedzinach takich jak sprawność fizyczna, które były bezpośrednim celem doboru naturalnego. Podczas gdy projekty takie jak AlphaZero z powodzeniem wygenerowały własną wiedzę od podstaw, wiele innych projektów uczenia maszynowego wymaga dużych zestawów danych szkoleniowych. Badacz Andrew Ng zasugerował, jako „bardzo niedoskonałą praktyczną regułę”, że „prawie wszystko, co typowy człowiek może zrobić za pomocą mniej niż jednej sekundy mentalnego myślenia, prawdopodobnie możemy teraz lub w najbliższej przyszłości zautomatyzować za pomocą sztucznej inteligencji”.

Gry zapewniają głośny punkt odniesienia do oceny tempa postępu; wiele gier ma dużą bazę profesjonalnych graczy i dobrze ugruntowany system oceny rywalizacji. AlphaGo zakończył erę klasycznych testów gier planszowych, gdy w 2016 r. sztuczna inteligencja udowodniła swoją przewagę konkurencyjną nad ludźmi. Program AlphaGo AI firmy Deep Mind pokonał najlepszego na świecie profesjonalnego gracza Go, Lee Sedola . Gry o niedoskonałej wiedzy stawiają przed sztuczną inteligencją nowe wyzwania w dziedzinie teorii gier ; najbardziej znaczącym kamieniem milowym w tej dziedzinie zostało zakończone zwycięstwem w pokerze Libratus w 2017 roku. E-sporty nadal zapewniają dodatkowe punkty odniesienia; Facebook AI, Deepmind i inni zaangażowali się w popularną serię gier wideo StarCraft .

Szerokie klasy wyników testu AI mogą być podane jako:`

• optymalne : nie da się osiągnąć lepszej wydajności (uwaga: niektóre z tych wpisów zostały rozwiązane przez ludzi)
• super-człowiek : działa lepiej niż wszyscy ludzie
• high-human : działa lepiej niż większość ludzi
• par-human : działa podobnie do większości ludzi
• podludzki : działa gorzej niż większość ludzi

Optymalny

• Kółko i krzyżyk
• Połącz cztery : 1988
• Warcaby (inaczej warcaby 8x8): Słabo rozwiązane (2007)
• Kostka Rubika : W większości rozwiązana (2010)
• Heads-up limit hold'em poker : Statystycznie optymalny w tym sensie, że „ludzkie życie w grze nie jest wystarczające, aby ustalić ze statystyczną istotnością, że strategia nie jest dokładnym rozwiązaniem” (2015)

Nadludzki

• Otello (aka reversi): ok. 1997
• Scrabble : 2006
• Tryktrak : ok. 1995–2002
• Szachy : superkomputer (ok. 1997); komputer osobisty (ok. 2006); Telefon komórkowy (ok. 2009); Komputer pokonuje człowieka + komputer (ok. 2017)
• Niebezpieczeństwo! : Odpowiadanie na pytania , mimo że maszyna nie korzystała z rozpoznawania mowy (2011)
• Arimaa : 2015
• Shogi : ok. 2017
• Przejdź : 2017
• Heads-up no-limit hold'em poker: 2017
• Sześcioosobowy poker no-limit hold'em: 2019

Wysoce ludzki

• Krzyżówki : ok. 2012
• Dota 2 : 2018
• Gra w brydża : Według przeglądu z 2009 r. „najlepsze programy osiągają status eksperta jako gracze w karty (brydżowe), z wyłączeniem licytacji.
• StarCraft II : 2019

Par-człowiek

• Optyczne rozpoznawanie znaków dla ISO 1073-1:1976 i podobnych znaków specjalnych.
• Klasyfikacja obrazów
• Rozpoznawanie pisma odręcznego

Człekokształtny

• Optyczne rozpoznawanie znaków w tekście drukowanym (zbliżone do ludzkiego w przypadku tekstu maszynowego pisanego alfabetem łacińskim)
• Rozpoznawanie obiektów
• Rozpoznawanie twarzy : Niska do średniej ludzkiej dokładności (stan na 2014 r.)
• Wizualne odpowiedzi na pytania, takie jak VQA 1.0
• Różne zadania robotyki, które mogą wymagać postępu w sprzęcie robota, a także sztucznej inteligencji, w tym:
  • Stabilna lokomocja dwunożna: Roboty dwunożne mogą chodzić, ale są mniej stabilne niż ludzie chodzący (stan na 2017 r.)
  • Humanoidalna piłka nożna
• Rozpoznawanie mowy : „prawie równe wydajności człowieka” (2017)
• Wyjaśnienie . Obecne systemy medyczne mogą dobrze diagnozować niektóre schorzenia, ale nie mogą wyjaśnić użytkownikom, dlaczego postawili diagnozę.
• Prognozy giełdowe : Zbieranie i przetwarzanie danych finansowych z wykorzystaniem algorytmów uczenia maszynowego
• Różne zadania trudne do rozwiązania bez wiedzy kontekstowej, w tym:
  • Tłumaczenie
  • Ujednoznacznienie w sensie słownym
  • Przetwarzanie języka naturalnego

Proponowane testy sztucznej inteligencji

W swoim słynnym teście Turinga Alan Turing jako podstawę wybrał język, cechę definiującą istoty ludzkie . Test Turinga jest obecnie uważany za zbyt użyteczny, aby mógł być znaczącym punktem odniesienia.

Test Feigenbauma , zaproponowany przez wynalazcę systemów eksperckich , sprawdza wiedzę i doświadczenie maszyny na określony temat. Artykuł Jima Graya z Microsoftu z 2003 roku sugerował rozszerzenie testu Turinga na rozumienie mowy , mówienie i rozpoznawanie obiektów i zachowań.

Proponowane testy „uniwersalnej inteligencji” mają na celu porównanie, jak dobrze maszyny, ludzie, a nawet zwierzęta niebędące ludźmi, radzą sobie z zestawami problemów, które są jak najbardziej ogólne. W skrajnym przypadku zestaw testów może zawierać każdy możliwy problem, ważony według złożoności Kołmogorowa ; Niestety, te zestawy problemów są zwykle zdominowane przez zubożałe ćwiczenia dopasowywania wzorców, w których dostrojona sztuczna inteligencja może z łatwością przekroczyć ludzkie poziomy wydajności.

Zawody

Wiele konkursów i nagród, takich jak Imagenet Challenge , promuje badania nad sztuczną inteligencją. Najczęstsze obszary rywalizacji obejmują ogólną inteligencję maszyn, zachowania konwersacyjne, eksplorację danych, zrobotyzowane samochody i zrobotyzowaną piłkę nożną, a także konwencjonalne gry.

Przeszłe i obecne prognozy

Ankieta ekspertów przeprowadzona w 2016 r. przez Katję Grace z Future of Humanity Institute i współpracowników dała medianę na 3 lata dla mistrzostwa Angry Birds , 4 lata dla World Series of Poker i 6 lat dla StarCrafta . W przypadku bardziej subiektywnych zadań ankieta dała 6 lat na składanie prania, jak również na przeciętnego pracownika, 7–10 lat na fachowe odpowiadanie na „łatwe w Google” pytania, 8 lat na przeciętną transkrypcję mowy, 9 lat na przeciętną bankowość telefoniczną i 11 lata za fachowe pisanie piosenek, ale ponad 30 lat za napisanie bestsellera „New York Timesa” czy wygranie konkursu matematycznego Putnam .

Szachy

Deep Blue w Muzeum Historii Komputerów

Sztuczna inteligencja po raz pierwszy pokonała arcymistrza w regulaminowej grze turniejowej w 1988 roku; przemianowany na Deep Blue , pokonał panującego mistrza świata w szachach w 1997 roku (patrz Deep Blue kontra Garry Kasparov ).

Udać się

AlphaGo pokonał mistrza Europy w Go w październiku 2015 r., a Lee Sedola w marcu 2016 r., jednego z najlepszych graczy na świecie (patrz AlphaGo kontra Lee Sedol ). Według Scientific American i innych źródeł większość obserwatorów spodziewała się, że nadludzka wydajność Computer Go będzie za co najmniej dziesięć lat.

Sztuczna ogólna inteligencja na poziomie człowieka (AGI)

Pionier AI i ekonomista Herbert A. Simon nieprecyzyjnie przewidział w 1965 r.: „W ciągu dwudziestu lat maszyny będą w stanie wykonać każdą pracę, jaką może wykonać człowiek”. Podobnie w 1970 roku Marvin Minsky napisał, że „W ciągu pokolenia… problem tworzenia sztucznej inteligencji zostanie zasadniczo rozwiązany”.

Cztery sondaże przeprowadzone w latach 2012 i 2013 sugerowały, że mediana szacowana przez ekspertów, kiedy pojawi się AGI, wynosiła od 2040 do 2050, w zależności od sondażu.

Ankieta Grace z 2016 r. wykazała, że ​​wyniki różniły się w zależności od tego, jak sformułowano pytanie. Respondenci poproszeni o oszacowanie „kiedy maszyny bez pomocy mogą wykonać każde zadanie lepiej i taniej niż ludzie” podali zagregowaną medianę odpowiedzi wynoszącą 45 lat i 10% szans na to, że nastąpi to w ciągu 9 lat. Inni respondenci poproszeni o oszacowanie „kiedy wszystkie zawody są w pełni zautomatyzowane. To znaczy, kiedy dla dowolnego zawodu można by zbudować maszyny, aby wykonać zadanie lepiej i taniej niż pracownicy” oszacowali medianę na 122 lata i 10% prawdopodobieństwo 20 lat. Mediana odpowiedzi na to, kiedy „badacz AI” może zostać w pełni zautomatyzowana, wynosiła około 90 lat. Nie znaleziono związku między stażem pracy a optymizmem, ale badacze azjatyccy byli znacznie bardziej optymistyczni niż średnio badacze z Ameryki Północnej; Azjaci przewidywali średnio 30 lat na „wykonanie każdego zadania”, w porównaniu z 74 latami przewidywanymi przez Amerykanów.

Zobacz też

• Zastosowania sztucznej inteligencji
• Lista projektów sztucznej inteligencji
• Lista nowych technologii

Bibliografia

Uwagi

Zewnętrzne linki

• Baza danych MIRI prognoz dotyczących AGI