Σκίτσο από την Tomomi Imura
Η Τεχνητή Νοημοσύνη είναι μια συναρπαστική επιστημονική πειθαρχία που μελετά πώς μπορούμε να κάνουμε τους υπολογιστές να επιδεικνύουν ευφυή συμπεριφορά, π.χ. να κάνουν πράγματα στα οποία οι άνθρωποι είναι καλοί.
Αρχικά, οι υπολογιστές εφευρέθηκαν από τον Charles Babbage για να λειτουργούν με αριθμούς ακολουθώντας μια καλά καθορισμένη διαδικασία - έναν αλγόριθμο. Οι σύγχρονοι υπολογιστές, αν και σημαντικά πιο προηγμένοι από το αρχικό μοντέλο που προτάθηκε τον 19ο αιώνα, εξακολουθούν να ακολουθούν την ίδια ιδέα των ελεγχόμενων υπολογισμών. Έτσι, είναι δυνατόν να προγραμματίσουμε έναν υπολογιστή να κάνει κάτι, αν γνωρίζουμε την ακριβή ακολουθία βημάτων που πρέπει να ακολουθήσουμε για να επιτύχουμε τον στόχο.
Φωτογραφία από την Vickie Soshnikova
✅ Ο καθορισμός της ηλικίας ενός ατόμου από τη φωτογραφία του είναι ένα έργο που δεν μπορεί να προγραμματιστεί ρητά, επειδή δεν γνωρίζουμε πώς καταλήγουμε σε έναν αριθμό στο μυαλό μας όταν το κάνουμε.
Υπάρχουν όμως ορισμένα έργα που δεν γνωρίζουμε ρητά πώς να λύσουμε. Σκεφτείτε τον καθορισμό της ηλικίας ενός ατόμου από τη φωτογραφία του. Με κάποιο τρόπο μαθαίνουμε να το κάνουμε, επειδή έχουμε δει πολλά παραδείγματα ανθρώπων διαφορετικών ηλικιών, αλλά δεν μπορούμε να εξηγήσουμε ρητά πώς το κάνουμε, ούτε μπορούμε να προγραμματίσουμε τον υπολογιστή να το κάνει. Αυτό ακριβώς το είδος έργου ενδιαφέρει την Τεχνητή Νοημοσύνη (συντομογραφία: AI).
✅ Σκεφτείτε μερικά έργα που θα μπορούσατε να αναθέσετε σε έναν υπολογιστή και που θα επωφελούνταν από την Τεχνητή Νοημοσύνη. Σκεφτείτε τους τομείς των οικονομικών, της ιατρικής και των τεχνών - πώς επωφελούνται αυτοί οι τομείς σήμερα από την Τεχνητή Νοημοσύνη;
| Αδύναμη ΤΝ | Ισχυρή ΤΝ |
|---|---|
| Η Αδύναμη ΤΝ αναφέρεται σε συστήματα ΤΝ που έχουν σχεδιαστεί και εκπαιδευτεί για μια συγκεκριμένη εργασία ή ένα στενό σύνολο εργασιών. | Η Ισχυρή ΤΝ, ή Τεχνητή Γενική Νοημοσύνη (AGI), αναφέρεται σε συστήματα ΤΝ με ανθρώπινο επίπεδο νοημοσύνης και κατανόησης. |
| Αυτά τα συστήματα ΤΝ δεν είναι γενικά ευφυή· διαπρέπουν στην εκτέλεση μιας προκαθορισμένης εργασίας αλλά στερούνται πραγματικής κατανόησης ή συνείδησης. | Αυτά τα συστήματα ΤΝ έχουν την ικανότητα να εκτελούν οποιαδήποτε διανοητική εργασία που μπορεί να κάνει ένας άνθρωπος, να προσαρμόζονται σε διαφορετικούς τομείς και να διαθέτουν μια μορφή συνείδησης ή αυτογνωσίας. |
| Παραδείγματα αδύναμης ΤΝ περιλαμβάνουν εικονικούς βοηθούς όπως η Siri ή η Alexa, αλγόριθμους συστάσεων που χρησιμοποιούνται από υπηρεσίες streaming και chatbots που έχουν σχεδιαστεί για συγκεκριμένες εργασίες εξυπηρέτησης πελατών. | Η επίτευξη της Ισχυρής ΤΝ είναι ένας μακροπρόθεσμος στόχος της έρευνας ΤΝ και θα απαιτούσε την ανάπτυξη συστημάτων ΤΝ που μπορούν να συλλογίζονται, να μαθαίνουν, να κατανοούν και να προσαρμόζονται σε ένα ευρύ φάσμα εργασιών και πλαισίων. |
| Η Αδύναμη ΤΝ είναι εξαιρετικά εξειδικευμένη και δεν διαθέτει ανθρώπινες γνωστικές ικανότητες ή γενικές ικανότητες επίλυσης προβλημάτων πέρα από τον στενό τομέα της. | Η Ισχυρή ΤΝ είναι επί του παρόντος μια θεωρητική έννοια, και κανένα σύστημα ΤΝ δεν έχει φτάσει σε αυτό το επίπεδο γενικής νοημοσύνης. |
Για περισσότερες πληροφορίες ανατρέξτε στο Artificial General Intelligence (AGI).
Ένα από τα προβλήματα όταν ασχολούμαστε με τον όρο Νοημοσύνη είναι ότι δεν υπάρχει σαφής ορισμός αυτού του όρου. Κάποιος μπορεί να υποστηρίξει ότι η νοημοσύνη συνδέεται με την αφηρημένη σκέψη ή με την αυτογνωσία, αλλά δεν μπορούμε να την ορίσουμε σωστά.
Φωτογραφία από την Amber Kipp στο Unsplash
Για να δείτε την ασάφεια του όρου νοημοσύνη, προσπαθήστε να απαντήσετε στην ερώτηση: "Είναι μια γάτα ευφυής;". Διαφορετικοί άνθρωποι τείνουν να δίνουν διαφορετικές απαντήσεις σε αυτή την ερώτηση, καθώς δεν υπάρχει καθολικά αποδεκτό τεστ για να αποδειχθεί αν η δήλωση είναι αληθής ή όχι. Και αν νομίζετε ότι υπάρχει - δοκιμάστε να βάλετε τη γάτα σας σε ένα τεστ IQ...
✅ Σκεφτείτε για ένα λεπτό πώς ορίζετε τη νοημοσύνη. Είναι ένα κοράκι που μπορεί να λύσει έναν λαβύρινθο και να φτάσει σε φαγητό ευφυές; Είναι ένα παιδί ευφυές;
Όταν μιλάμε για AGI, πρέπει να έχουμε έναν τρόπο να πούμε αν έχουμε δημιουργήσει ένα πραγματικά ευφυές σύστημα. Ο Alan Turing πρότεινε έναν τρόπο που ονομάζεται Τεστ Turing, το οποίο λειτουργεί επίσης ως ορισμός της νοημοσύνης. Το τεστ συγκρίνει ένα δεδομένο σύστημα με κάτι εγγενώς ευφυές - έναν πραγματικό άνθρωπο, και επειδή οποιαδήποτε αυτόματη σύγκριση μπορεί να παρακαμφθεί από ένα πρόγραμμα υπολογιστή, χρησιμοποιούμε έναν ανθρώπινο ανακριτή. Έτσι, αν ένας άνθρωπος δεν μπορεί να διακρίνει μεταξύ ενός πραγματικού ατόμου και ενός συστήματος υπολογιστή σε διάλογο βασισμένο σε κείμενο - το σύστημα θεωρείται ευφυές.
Ένα chatbot που ονομάζεται Eugene Goostman, που αναπτύχθηκε στην Αγία Πετρούπολη, πλησίασε να περάσει το Τεστ Turing το 2014 χρησιμοποιώντας ένα έξυπνο κόλπο προσωπικότητας. Ανακοίνωσε εκ των προτέρων ότι ήταν ένα 13χρονο αγόρι από την Ουκρανία, κάτι που θα εξηγούσε την έλλειψη γνώσεων και κάποιες ασυνέπειες στο κείμενο. Το bot έπεισε το 30% των κριτών ότι ήταν άνθρωπος μετά από έναν διάλογο 5 λεπτών, ένα μέτρο που ο Turing πίστευε ότι μια μηχανή θα μπορούσε να περάσει μέχρι το 2000. Ωστόσο, πρέπει να κατανοήσουμε ότι αυτό δεν υποδηλώνει ότι έχουμε δημιουργήσει ένα ευφυές σύστημα ή ότι ένα σύστημα υπολογιστή έχει ξεγελάσει τον ανθρώπινο ανακριτή - το σύστημα δεν ξεγέλασε τους ανθρώπους, αλλά οι δημιουργοί του bot το έκαναν!
✅ Σας έχει ξεγελάσει ποτέ ένα chatbot ώστε να νομίζετε ότι μιλάτε με άνθρωπο; Πώς σας έπεισε;
Αν θέλουμε ένας υπολογιστής να συμπεριφέρεται σαν άνθρωπος, πρέπει με κάποιο τρόπο να μοντελοποιήσουμε μέσα στον υπολογιστή τον τρόπο σκέψης μας. Συνεπώς, πρέπει να προσπαθήσουμε να κατανοήσουμε τι κάνει έναν άνθρωπο ευφυή.
Για να μπορέσουμε να προγραμματίσουμε τη νοημοσύνη σε μια μηχανή, πρέπει να κατανοήσουμε πώς λειτουργούν οι δικές μας διαδικασίες λήψης αποφάσεων. Αν κάνετε λίγη αυτοανάλυση, θα συνειδητοποιήσετε ότι υπάρχουν κάποιες διαδικασίες που συμβαίνουν υποσυνείδητα – π.χ. μπορούμε να διακρίνουμε μια γάτα από έναν σκύλο χωρίς να το σκεφτούμε - ενώ κάποιες άλλες περιλαμβάνουν συλλογισμό.
Υπάρχουν δύο πιθανές προσεγγίσεις σε αυτό το πρόβλημα:
| Προσέγγιση από πάνω προς τα κάτω (Συμβολικός Συλλογισμός) | Προσέγγιση από κάτω προς τα πάνω (Νευρωνικά Δίκτυα) |
|---|---|
| Μια προσέγγιση από πάνω προς τα κάτω μοντελοποιεί τον τρόπο που ένας άνθρωπος συλλογίζεται για να λύσει ένα πρόβλημα. Περιλαμβάνει την εξαγωγή γνώσης από έναν άνθρωπο και την αναπαράστασή της σε μορφή αναγνώσιμη από υπολογιστή. Πρέπει επίσης να αναπτύξουμε έναν τρόπο να μοντελοποιήσουμε τον συλλογισμό μέσα σε έναν υπολογιστή. | Μια προσέγγιση από κάτω προς τα πάνω μοντελοποιεί τη δομή του ανθρώπινου εγκεφάλου, που αποτελείται από έναν τεράστιο αριθμό απλών μονάδων που ονομάζονται νευρώνες. Κάθε νευρώνας λειτουργεί σαν ένας σταθμισμένος μέσος όρος των εισόδων του, και μπορούμε να εκπαιδεύσουμε ένα δίκτυο νευρώνων να λύσει χρήσιμα προβλήματα παρέχοντας δεδομένα εκπαίδευσης. |
Υπάρχουν επίσης και άλλες πιθανές προσεγγίσεις στη νοημοσύνη:
-
Μια Αναδυόμενη, Συνεργιστική ή πολυ-πρακτορική προσέγγιση βασίζεται στο γεγονός ότι πολύπλοκη ευφυής συμπεριφορά μπορεί να προκύψει από την αλληλεπίδραση ενός μεγάλου αριθμού απλών πρακτόρων. Σύμφωνα με την εξελικτική κυβερνητική, η νοημοσύνη μπορεί να αναδυθεί από πιο απλή, αντιδραστική συμπεριφορά στη διαδικασία της μετάβασης μετασυστήματος.
-
Μια Εξελικτική προσέγγιση, ή γενετικός αλγόριθμος είναι μια διαδικασία βελτιστοποίησης βασισμένη στις αρχές της εξέλιξης.
Θα εξετάσουμε αυτές τις προσεγγίσεις αργότερα στο μάθημα, αλλά προς το παρόν θα επικεντρωθούμε σε δύο κύριες κατευθύνσεις: από πάνω προς τα κάτω και από κάτω προς τα πάνω.
Σε μια προσέγγιση από πάνω προς τα κάτω, προσπαθούμε να μοντελοποιήσουμε τον συλλογισμό μας. Επειδή μπορούμε να ακολουθήσουμε τις σκέψεις μας όταν συλλογιζόμαστε, μπορούμε να προσπαθήσουμε να τυποποιήσουμε αυτή τη διαδικασία και να την προγραμματίσουμε μέσα στον υπολογιστή. Αυτό ονομάζεται συμβολικός συλλογισμός.
Οι άνθρωποι τείνουν να έχουν κάποιους κανόνες στο μυαλό τους που καθοδηγούν τις διαδικασίες λήψης αποφάσεων. Για παράδειγμα, όταν ένας γιατρός διαγιγνώσκει έναν ασθενή, μπορεί να συνειδητοποιήσει ότι ένα άτομο έχει πυρετό, και έτσι μπορεί να υπάρχει κάποια φλεγμονή στο σώμα. Εφαρμόζοντας ένα μεγάλο σύνολο κανόνων σε ένα συγκεκριμένο πρόβλημα, ένας γιατρός μπορεί να καταλήξει στη τελική διάγνωση.
Αυτή η προσέγγιση βασίζεται σε μεγάλο βαθμό στην αναπαράσταση γνώσης και στον συλλογισμό. Η εξαγωγή γνώσης από έναν ανθρώπινο ειδικό μπορεί να είναι το πιο δύσκολο μέρος, επειδή ένας γιατρός σε πολλές περιπτώσεις δεν θα γνωρίζει ακριβώς γιατί καταλήγει σε μια συγκεκριμένη διάγνωση. Μερικές φορές η λύση απλώς εμφανίζεται στο μυαλό του χωρίς ρητή σκέψη. Ορισμένα έργα, όπως ο καθορισμός της ηλικίας ενός ατόμου από μια φωτογραφία, δεν μπορούν καθόλου να μειωθούν στη χειραγώγηση γνώσης.
Εναλλακτικά, μπορούμε να προσπαθήσουμε να μοντελοποιήσουμε τα πιο απλά στοιχεία μέσα στον εγκέφαλό μας – έναν νευρώνα. Μπορούμε να κατασκευάσουμε ένα λεγόμενο τεχνητό νευρωνικό δίκτυο μέσα σε έναν υπολογιστή και στη συνέχεια να προσπαθήσουμε να το διδάξουμε να λύνει προβλήματα παρέχοντάς του παραδείγματα. Αυτή η διαδικασία είναι παρόμοια με το πώς ένα νεογέννητο παιδί μαθαίνει για το περιβάλλον του κάνοντας παρατηρήσεις.
✅ Κάντε λίγη έρευνα για το πώς μαθαίνουν τα μωρά. Ποια είναι τα βασικά στοιχεία του εγκεφάλου ενός μωρού;
Τι γίνεται με τη Μηχανική Μάθηση; Μέρος της Τεχνητής Νοημοσύνης που βασίζεται στο να μαθαίνει ο υπολογιστής να λύνει ένα πρόβλημα με βάση κάποια δεδομένα ονομάζεται Μηχανική Μάθηση. Δεν θα εξετάσουμε την κλασική μηχανική μάθηση σε αυτό το μάθημα - σας παραπέμπουμε σε ένα ξεχωριστό πρόγραμμα σπουδών Machine Learning for Beginners.
Η Τεχνητή Νοημοσύνη ξεκίνησε ως πεδίο στα μέσα του εικοστού αιώνα. Αρχικά, η συμβολική συλλογιστική ήταν η κυρίαρχη προσέγγιση, και οδήγησε σε μια σειρά από σημαντικές επιτυχίες, όπως τα συστήματα ειδικών – προγράμματα υπολογιστών που μπορούσαν να λειτουργούν ως ειδικοί σε ορισμένους περιορισμένους τομείς προβλημάτων. Ωστόσο, σύντομα έγινε σαφές ότι αυτή η προσέγγιση δεν κλιμακώνεται καλά. Η εξαγωγή γνώσης από έναν ειδικό, η αναπαράστασή της σε έναν υπολογιστή και η διατήρηση αυτής της βάσης γνώσης ακριβούς αποδείχθηκε μια πολύπλοκη εργασία και πολύ δαπανηρή για να είναι πρακτική σε πολλές περιπτώσεις. Αυτό οδήγησε στον λεγόμενο Χειμώνα της ΤΝ τη δεκαετία του 1970.
Εικόνα από τον Dmitry Soshnikov
Με την πάροδο του χρόνου, οι υπολογιστικοί πόροι έγιναν φθηνότεροι και περισσότερα δεδομένα έγιναν διαθέσιμα, έτσι οι προσεγγίσεις με νευρωνικά δίκτυα άρχισαν να δείχνουν εξαιρετική απόδοση στον ανταγωνισμό με τους ανθρώπους σε πολλούς τομείς, όπως η υπολογιστική όραση ή η κατανόηση της ομιλίας. Την τελευταία δεκαετία,
Εικόνα από τον Dmitry Soshnikov, φωτογραφία από τη Marina Abrosimova, Unsplash
Η μεγάλη πρόσφατη ανάπτυξη στην έρευνα για τα νευρωνικά δίκτυα ξεκίνησε γύρω στο 2010, όταν άρχισαν να γίνονται διαθέσιμα μεγάλα δημόσια σύνολα δεδομένων. Μια τεράστια συλλογή εικόνων που ονομάζεται ImageNet, η οποία περιέχει περίπου 14 εκατομμύρια σχολιασμένες εικόνες, έδωσε ζωή στον ImageNet Large Scale Visual Recognition Challenge.
Εικόνα από τον Dmitry Soshnikov
Το 2012, τα Convolutional Neural Networks χρησιμοποιήθηκαν για πρώτη φορά στην ταξινόμηση εικόνων, οδηγώντας σε σημαντική μείωση των σφαλμάτων ταξινόμησης (από σχεδόν 30% σε 16.4%). Το 2015, η αρχιτεκτονική ResNet από τη Microsoft Research πέτυχε ακρίβεια επιπέδου ανθρώπου.
Από τότε, τα Νευρωνικά Δίκτυα έχουν δείξει πολύ επιτυχημένη συμπεριφορά σε πολλές εργασίες:
| Έτος | Επίτευξη Ισοδυναμίας με τον Άνθρωπο |
|---|---|
| 2015 | Ταξινόμηση Εικόνων |
| 2016 | Αναγνώριση Ομιλίας |
| 2018 | Αυτόματη Μετάφραση Μηχανής (Κινέζικα-Αγγλικά) |
| 2020 | Λεζάντες Εικόνων |
Τα τελευταία χρόνια έχουμε γίνει μάρτυρες τεράστιων επιτυχιών με μεγάλα γλωσσικά μοντέλα, όπως τα BERT και GPT-3. Αυτό συνέβη κυρίως λόγω του γεγονότος ότι υπάρχει μεγάλη ποσότητα γενικών δεδομένων κειμένου διαθέσιμη, που μας επιτρέπει να εκπαιδεύουμε μοντέλα ώστε να κατανοούν τη δομή και το νόημα των κειμένων, να τα προεκπαιδεύουμε σε γενικές συλλογές κειμένων και στη συνέχεια να εξειδικεύουμε αυτά τα μοντέλα για πιο συγκεκριμένες εργασίες. Θα μάθουμε περισσότερα για την Επεξεργασία Φυσικής Γλώσσας αργότερα σε αυτό το μάθημα.
Κάντε μια περιήγηση στο διαδίκτυο για να προσδιορίσετε πού, κατά τη γνώμη σας, η Τεχνητή Νοημοσύνη χρησιμοποιείται πιο αποτελεσματικά. Είναι σε μια εφαρμογή χαρτογράφησης, σε κάποια υπηρεσία μετατροπής ομιλίας σε κείμενο ή σε ένα βιντεοπαιχνίδι; Ερευνήστε πώς κατασκευάστηκε το σύστημα.
Ανασκοπήστε την ιστορία της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης διαβάζοντας αυτό το μάθημα. Πάρτε ένα στοιχείο από το sketchnote στην κορυφή αυτού του μαθήματος ή αυτού εδώ και ερευνήστε το πιο βαθιά για να κατανοήσετε το πολιτισμικό πλαίσιο που επηρέασε την εξέλιξή του.
Εργασία: Game Jam
Αποποίηση ευθύνης:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης AI Co-op Translator. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.