Yapay zeka araştırmalarındaki en son atılımların ortak ve tekrarlanan görüşü, duyarlı ve akıllı makinelerin sadece ufukta olmasıdır. Makineler sözlü komutları anlar, resimleri ayırt eder, araba sürer ve oyun oynadığımızdan daha iyidir. Aramızda yürümeden ne kadar uzun olabilir?
Yeni Beyaz Saray'ın yapay zeka raporu, bu rüyaya uygun şekilde şüpheci bir bakış getiriyor. Önümüzdeki 20 yıl, makinelerin "insanlarla karşılaştırılabilir veya insanlarla karşılaştırılabilir geniş bir zeka sergilediğini" muhtemelen görmeyeceğini, ancak önümüzdeki yıllarda makinelerin insan performansına daha fazla ulaşacağını ve aşacağını söylüyor. ve daha fazla görev. " Ancak bu yeteneklerin nasıl geliştirileceğine dair varsayımları bazı önemli noktaları kaçırdı.
Bir AI araştırmacısı olarak, kendi alanımın Amerikan hükümetinin en üst seviyesinde vurgulanmasının güzel olduğunu kabul edeceğim, ancak rapor neredeyse sadece "sıkıcı AI" dediğim şeye odaklandı. Yapay zeka araştırma dalımı, evrimin sürekli gelişen AI sistemlerinin geliştirilmesine nasıl yardımcı olabileceğini ve hesaplama modellerinin insan zekanızın nasıl geliştiğini anlamamıza nasıl yardımcı olabileceğini yarım cümlede reddetti.
Rapor, ana yapay zeka araçları olarak adlandırılabilecek şeylere odaklanıyor: makine öğrenimi ve derin öğrenme. Bunlar "Jeopardy" oynayabilen teknolojiler. ve insan Go ustalarını şimdiye kadar icat edilen en karmaşık oyunda yendi. Bu akıllı sistemler, çok miktarda veriyi işleyebiliyor ve çok hızlı bir şekilde karmaşık hesaplamalar yapabiliyor. Ancak gelecekte sahip olduğumuzu düşündüğümüz duyarlı makinelerin yapımında anahtar olacak bir unsurdan yoksundurlar.
Öğrenmek için makineleri öğretmekten daha fazlasını yapmamız gerekiyor. Dört farklı yapay zeka türünü tanımlayan sınırları, makineleri bizden - ve onları onlardan ayıran engelleri aşmamız gerekiyor.
Tip I AI: Reaktif makineler
En temel yapay zeka sistemleri tamamen reaktiftir ve ne anı oluşturamaz ne de mevcut kararları bilgilendirmek için geçmiş deneyimleri kullanma yeteneğine sahiptir. 1990'ların sonunda uluslararası büyük usta Garry Kasparov'u yenen IBM'in satranç oynayan süper bilgisayarı Deep Blue, bu tür makinelerin mükemmel bir örneğidir.
Deep Blue, satranç tahtasındaki parçaları belirleyebilir ve her birinin nasıl hareket ettiğini bilir. Bir sonraki adımda ne gibi hamleler olabileceği konusunda tahminlerde bulunabilir. Ve olasılıklar arasından en uygun hamleleri seçebilir.
Fakat ne geçmiş hakkında ne de önceden neler olduğuna dair herhangi bir anısı yoktur. Aynı hareketi üç kez tekrarlamaya karşı nadiren satrançlara özgü bir kural dışında, Deep Blue şimdiki andan önce her şeyi görmezden geliyor. Tek yaptığı şu anda satranç tahtasındaki parçalara bakmak ve olası sonraki hamleler arasından seçim yapmak.
Bu tür zeka, bilgisayarın dünyayı doğrudan algılamasını ve gördükleri gibi hareket etmesini içerir. Dünyanın iç kavramına dayanmaz. Bir seminal makalede, AI araştırmacısı Rodney Brooks sadece böyle makineler yapmamız gerektiğini savundu. Ana nedeni, insanların bilgisayar kullanımı için doğru simüle edilmiş dünyaları programlamada çok iyi olmamalarıydı, AI bursunda dünyanın "temsili" olarak adlandırılan şey.
Hayret ettiğimiz şu anki akıllı makineler ya böyle bir dünya kavramına sahip değildir ya da özel görevleri için çok sınırlı ve uzmanlaşmış bir makineye sahiptir. Deep Blue'nun tasarımındaki yenilik, bilgisayarın dikkate aldığı olası film yelpazesini genişletmek değildi. Bunun yerine, geliştiriciler, sonuçlarını nasıl derecelendirdiğine bağlı olarak, görüşlerini daraltmak, gelecekteki potansiyel hareketleri takip etmeyi bırakmak için bir yol buldular. Bu yetenek olmadan, Deep Blue'nun Kasparov'u yenmek için daha da güçlü bir bilgisayar olması gerekiyordu.
Benzer şekilde, Google'ın en iyi insan Go uzmanlarını yenen AlphaGo da gelecekteki tüm potansiyel hareketleri değerlendiremez. Analiz yöntemi, oyun gelişimlerini değerlendirmek için bir sinir ağı kullanarak Deep Blue'lardan daha karmaşıktır.
Bu yöntemler AI sistemlerinin belirli oyunları daha iyi oynama yeteneğini geliştirir, ancak kolayca değiştirilemez veya başka durumlara uygulanamaz. Bu bilgisayarlı hayal gücünün daha geniş dünyaya dair bir konsepti yoktur - yani, atanan belirli görevlerin ötesinde işlev göremezler ve kolayca kandırılırlar.
Yapay zeka sistemlerini bir gün düşünebileceğimiz şekilde dünyaya etkileşimli olarak katılamazlar. Bunun yerine, bu makineler aynı durumla her karşılaştıklarında aynı şekilde davranacaklardır. Bu, bir AI sisteminin güvenilir olmasını sağlamak için çok iyi olabilir: Otonom aracınızın güvenilir bir sürücü olmasını istiyorsunuz. Ancak makinelerin dünyayla gerçekten etkileşime girmesini ve bunlara yanıt vermesini istiyorsak kötü olur. Bu en basit AI sistemleri hiç sıkılmayacak, ilgilenmeyecek veya üzülmeyecek.
Tip II AI: Sınırlı bellek
Bu Tip II sınıfı geçmişe bakabilen makineler içerir. Kendi kendine giden otomobiller zaten bunlardan bazılarını yapıyor. Örneğin, diğer araçların hızını ve yönünü gözlemliyorlar. Bu sadece bir dakika içinde yapılamaz, aksine belirli nesneleri tanımlamayı ve zaman içinde izlemeyi gerektirir.
Bu gözlemler, şerit işaretlerini, trafik ışıklarını ve yoldaki eğriler gibi diğer önemli unsurları da içeren, kendi kendini süren otomobillerin dünyanın önceden programlanmış sunumlarına eklenir. Bunlar, başka bir sürücüyü kesmekten veya yakındaki bir araba tarafından vurulmaktan kaçınmak için araba şeritleri ne zaman değiştireceğine karar verdiğinde dahil edilir.
Ancak geçmiş hakkındaki bu basit bilgi parçaları sadece geçicidir. Otomobilin öğrenebileceği deneyim kütüphanesinin, insan sürücülerinin direksiyonun arkasındaki yıllar boyunca deneyimi derleme biçiminin bir parçası olarak kaydedilmezler.
Öyleyse, tam temsiller oluşturan, deneyimlerini hatırlayan ve yeni durumlarla nasıl başa çıkacağımızı öğrenen AI sistemlerini nasıl oluşturabiliriz? Brooks bunu yapmanın çok zor olduğu konusunda haklıydı. Darwinci evrimden esinlenen yöntemlerle ilgili kendi araştırmam, makinelerin kendi temsillerini oluşturmalarına izin vererek insan eksikliklerini telafi etmeye başlayabilir.
Tip III AI: Akıl teorisi
Burada durabiliriz ve bu noktaya sahip olduğumuz makineler ile gelecekte inşa edeceğimiz makineler arasındaki önemli ayrım diyebiliriz. Bununla birlikte, makinelerin oluşturması gereken temsillerin türlerini ve neyle ilgili olmaları gerektiğini tartışmak daha spesifik olmak daha iyidir.
Bir sonraki, daha gelişmiş sınıftaki makineler sadece dünya hakkında değil, aynı zamanda dünyadaki diğer temsilciler veya varlıklar hakkında da temsiller oluşturur. Psikolojide buna "zihin teorisi" denir - dünyadaki insanların, yaratıkların ve nesnelerin kendi davranışlarını etkileyen düşünce ve duygulara sahip olabileceği anlayışı.
Bu, insanların toplumları nasıl kurduğumuz için çok önemlidir, çünkü sosyal etkileşimler yapmamıza izin verdiler. Birbirlerinin amaçlarını ve niyetlerini anlamadan ve bir başkasının ben ya da çevre hakkında bildiklerini hesaba katmadan, birlikte çalışmak en iyi ihtimalle, en kötü ihtimalle imkansızdır.
Yapay zeka sistemleri gerçekten aramızda yürüyecekse, her birimizin nasıl tedavi edileceğimize dair düşünce, duygu ve beklentileri olduğunu anlayabilmeleri gerekir. Ve davranışlarını buna göre ayarlamaları gerekecek.
Tip IV AI: Kendini tanıma
Yapay zeka gelişiminin son adımı, kendileri hakkında temsiller oluşturabilecek sistemler oluşturmaktır. Nihayetinde, biz yapay zeka araştırmacıları sadece bilinci anlamakla kalmayıp, buna sahip makineler üretmeliyiz.
Bu, bir anlamda, Tip III yapay zekaların sahip olduğu "zihin teorisinin" bir uzantısıdır. Bilinç aynı zamanda bir sebepten ötürü "öz-farkındalık" olarak da adlandırılır. ("Bu öğeyi istiyorum", "Bu öğeyi istediğimi biliyorum" ifadesinden çok farklı bir ifadedir.) Bilinçli varlıklar kendilerinin farkındadır, içsel durumlarını bilirler ve başkalarının duygularını tahmin edebilirler. Trafikte arkamızda honking yapan birinin kızgın veya sabırsız olduğunu düşünüyoruz, çünkü başkalarına honk yaparken böyle hissediyoruz. Bir zihin teorisi olmadan, bu tür çıkarımlarda bulunamadık.
Muhtemelen kendini tanıyan makineler yaratmaktan uzakken, çabalarımızı hafızayı, öğrenmeyi ve kararları geçmiş deneyimlere dayandırabilme yeteneğini anlamaya odaklamalıyız. Bu, insan zekasını kendi başına anlamak için önemli bir adımdır. Ve önlerinde gördüklerini sınıflandırmada sıra dışı olan makineler tasarlamak veya geliştirmek istiyorsak çok önemlidir.
Arend Hintze, Bütünleştirici Biyoloji ve Bilgisayar Bilimi ve Mühendisliği Profesörü, Michigan Eyalet Üniversitesi
