כולם שמעו על ההתקדמות החדשה בתחום הבינה המלאכותית, ובעיקר למידת מכונות. שמעת גם תחזיות אוטופיות או אפוקליפטיות לגבי המשמעות של ההתקדמות האלה. הם נלקחו לחזות אלמוות או סוף העולם, והרבה נכתב על שתי האפשרויות הללו. אך מכשירי ה- AI המתוחכמים ביותר עדיין רחוקים מלהיות מסוגלים לפתור בעיות שבני אדם ארבע-שנים משיגים בקלות. למרות השם המרשים, בינה מלאכותית מורכבת ברובה מטכניקות לגילוי דפוסים סטטיסטיים במערכות נתונים גדולות. יש הרבה יותר מלמידה אנושית.
איך נוכל לדעת כל כך הרבה על העולם סביבנו? אנו לומדים כמות עצומה גם כאשר אנו ילדים קטנים; ילדים ארבע כבר יודעים על צמחים ובעלי חיים ומכונות; רצונות, אמונות ורגשות; אפילו דינוזאורים וחלליות.
המדע הרחיב את הידע שלנו על העולם לגדולים באופן בלתי נתפס וקטנים עד אינסוף, עד לקצה היקום ולתחילת הזמן. ואנחנו משתמשים בידע הזה כדי להפוך סיווגים ותחזיות חדשות, לדמיין אפשרויות חדשות ולגרום לדברים חדשים לקרות בעולם. אבל כל מה שמגיע לאף אחד מאיתנו מהעולם הוא זרם של פוטונים שפוגע ברשתית שלנו והפרעות באוויר בעור התוף שלנו. כיצד אנו לומדים כל כך הרבה על העולם כאשר הראיות שיש לנו כה מוגבלות? ואיך עושים את כל זה עם כמה קילוגרמים של גו אפור שיושב מאחורי העיניים שלנו?
התשובה הטובה ביותר עד כה היא שהמוח שלנו מבצע חישובים על הנתונים הקונקרטיים, הספציפיים והמבולגנים המגיעים לחושינו, וחישובים אלה מניבים ייצוגים מדויקים של העולם. נראה שהייצוגים מובנים, מופשטים והיררכיים; הם כוללים תפיסה של אובייקטים תלת מימדיים, הדקדוקים העומדים בבסיס השפה, ויכולות נפשיות כמו "תורת הנפש", המאפשרת לנו להבין מה אנשים אחרים חושבים. ייצוגים אלה מאפשרים לנו לבצע מגוון רחב של תחזיות חדשות ולדמיין אפשרויות חדשות רבות בדרך אנושית יצירתית מובהקת.
למידה מהסוג הזה אינה הסוג היחיד של אינטליגנציה, אך היא חשובה במיוחד עבור בני אדם. וזה סוג האינטליגנציה שהיא התמחות של ילדים קטנים. למרות שילדים רעים באופן דרמטי בתכנון וקבלת החלטות, הם הלומדים הטובים ביותר ביקום. חלק ניכר מתהליך הפיכת הנתונים לתיאוריות מתרחש לפני שאנחנו בני חמש.
מאז אריסטו ואפלטון היו שתי דרכים בסיסיות לטפל בבעיית האופן בו אנו יודעים מה אנו יודעים, והם עדיין הגישות העיקריות בלימוד מכונות. אריסטו ניגש לבעיה מלמטה למעלה: התחל בחושים - זרם הפוטונים והתנודות האוויריות (או הפיקסלים או דגימות הקול של תמונה דיגיטלית או הקלטה) - ובדוק אם אתה יכול לחלץ מהם דפוסים. גישה זו נמשכה עוד יותר על ידי אסוציאליסטים קלאסיים כמו הפילוסופים דיוויד הום ו- JS Mill ובהמשך על ידי פסיכולוגים התנהגותיים, כמו פבלוב ו- BF Skinner. לפי השקפה זו, המופשטות והמבנה ההיררכי של ייצוגים הם משהו של אשליה, או לפחות אפיפנומן. כל העבודה יכולה להתבצע על ידי שיוך וזיהוי תבניות - במיוחד אם יש מספיק נתונים.
מחשבות אפשריות: 25 דרכי התבוננות AI
עולם המדע האורני ג'ון ברוקמן אוסף עשרים וחמישה מהמוחות המדעיים החשובים ביותר, אנשים שחשבו על הבינה המלאכותית בתחום במשך רוב הקריירה שלהם, לבחינה ללא תחרות בשולחן העגול בנושא מחשבות, חשיבה, אינטליגנציה ומה המשמעות של תהיה בן אדם.
קנהעם הזמן חלה מנופה בין גישה זו מלמטה למעלה למסתורין של למידה לבין האלטרנטיבה של אפלטון, מלמעלה למטה. אולי אנו מקבלים מידע מופשט מנתונים קונקרטיים מכיוון שאנחנו כבר יודעים הרבה, ובעיקר מכיוון שיש לנו כבר מגוון של מושגים מופשטים בסיסיים, בזכות האבולוציה. כמו מדענים, אנו יכולים להשתמש במושגים האלה כדי לנסח השערות על העולם. ואז, במקום לנסות לחלץ דפוסים מהנתונים הגולמיים, אנו יכולים לחזות כיצד הנתונים אמורים להיראות אם ההשערות הללו צודקות. יחד עם אפלטון, פילוסופים ופסיכולוגים "רציונאליים" כאלה כמו דקארט ונועם חומסקי נקטו בגישה זו.
להלן דוגמא יומיומית הממחישה את ההבדל בין שתי השיטות: פתרון מכת הספאם. הנתונים מורכבים מרשימה ארוכה ולא ממוינת של הודעות בתיבת הדואר הנכנס שלך. המציאות היא שחלק מההודעות הללו מקוריות וחלקן ספאם. איך אתה יכול להשתמש בנתונים כדי להבחין ביניהם?
שקול תחילה את הטכניקה מלמטה למעלה. אתה שם לב כי להודעות הספאם יש תכונות מסוימות: רשימה ארוכה של הנמענים, מקורם בניגריה, הפניות לפרסים של מיליון דולר, או ויאגרה. הבעיה היא שגם בהודעות שימושיות להפליא יכולות להיות תכונות אלה. אם בדקת מספיק דוגמאות להודעות דואר זבל ודואר זבל, אתה עלול לראות לא רק שלחוברות דואר זבל יש תכונות אלה, אלא שהתכונות נוטות להתלכד בדרכים מסוימות (ניגריה פלוס מיליון דולר מאייתת בעיות). לאמיתו של דבר, יתכנו כמה קורלציות עדינות ברמה הגבוהה יותר אשר מפלות את הודעות הספאם מהשימושיות - למשל, דפוס מסוים של איות שגוי וכתובות IP. אם אתה מזהה דפוסים אלה, אתה יכול לסנן את הספאם.
טכניקות הלמידה במכונה התחתונה עושות בדיוק את זה. הלומד מקבל מיליוני דוגמאות, לכל אחת קבוצה מסוימת של תכונות וכל אחת מתויגת כדואר זבל (או קטגוריה אחרת) או לא. המחשב יכול לחלץ את דפוס התכונות המבדיל בין השניים, גם אם הוא עדין למדי.
מה דעתך על הגישה מלמעלה למטה? אני מקבל אימייל מעורך כתב העת Journal of Clinical Biology . זה מתייחס לאחד העיתונים שלי ואומר שהם היו רוצים לפרסם מאמר על ידי. לא ניגריה, לא ויאגרה, לא מיליון דולר; להודעת הדוא"ל אין תכונות של ספאם. אבל על ידי שימוש במה שאני כבר יודע, וחשוב בצורה מופשטת על התהליך שמייצר דואר זבל, אני יכול להבין שהדוא"ל הזה חשוד:
1. אני יודע כי שולחי דואר זבל מנסים לחלץ כסף מאנשים על ידי פנייה לחמדנות אנושית.
2. אני יודע גם כי כתבי עת "לגישה פתוחה" לגיטימית החלו לכסות את העלויות שלהם על ידי חיוב מחברים במקום מנויים, ושאני לא מתאמנת כמו ביולוגיה קלינית.
שים את כל זה ביחד ואני יכול לייצר השערה חדשה טובה לגבי המקור שממנו הגיע הדוא"ל. זה נועד למצוץ אקדמאים כדי לשלם כדי "לפרסם" מאמר בכתב עת מזויף. הדוא"ל היה תוצאה של אותו תהליך מפוקפק כמו דוא"ל הספאם האחרים, למרות שהוא לא נראה כמוהם. אני יכול להסיק מסקנה זו מדוגמה אחת בלבד, ואני יכול להמשיך לבחון את ההשערה שלי בהמשך, מעבר לכל דבר בהודעת הדוא"ל עצמה, על ידי googling של "העורך".
במונחים של מחשב, התחלתי עם "מודל גנראטיבי" הכולל מושגים מופשטים כמו חמדנות והונאה ומתאר את התהליך שמייצר הונאות דוא"ל. זה מאפשר לי לזהות את הספאם הדוא"ל הניגרי הקלאסי, אבל זה גם מאפשר לי לדמיין סוגים רבים ושונים של דואר זבל. כשאני מקבל את דוא"ל היומן, אני יכול לעבוד לאחור: "זה נראה כמו סוג הדואר שייצא מתהליך יצירת דואר זבל."
ההתרגשות החדשה לגבי AI מגיעה מכיוון שחוקרי AI הפיקו לאחרונה גרסאות חזקות ויעילות לשתי שיטות הלמידה הללו. אבל אין שום דבר חדש בשיטות עצמן.
למידה עמוקה מלמטה למעלה
בשנות השמונים, מדענים ממוחשבים המציאו דרך גאונית לגרום למחשבים לגלות דפוסים בנתונים: ארכיטקטורה של חיבור, או רשת עצבית (החלק ה"עצבני "היה, ועודנו מטאפורי). הגישה צנחה בסבך בשנות התשעים של המאה העשרים, אך לאחרונה הוחלפה בשיטות "למידה עמוקה" עוצמתיות כמו DeepMind של גוגל.
לדוגמה, אתה יכול לתת לתכנית למידה עמוקה חבורה של תמונות אינטרנט שכותרתן "חתול", ואחרים שכותרתה "בית" וכן הלאה. התוכנית יכולה לאתר את התבניות המבדלות בין שתי קבוצות התמונות ולהשתמש במידע זה כדי לתייג נכון תמונות. סוגים מסוימים של למידת מכונות, הנקראים למידה ללא פיקוח, יכולים לאתר דפוסים בנתונים ללא תוויות כלל; הם פשוט מחפשים אשכולות של תכונות - מה שמדענים מכנים ניתוח גורמים. במכונות הלמידה העמוקה, תהליכים אלה חוזרים על עצמם ברמות שונות. תוכנות מסוימות יכולות אפילו לגלות תכונות רלוונטיות מהנתונים הגולמיים של פיקסלים או צלילים; המחשב עשוי להתחיל באיתור התבניות בתמונה הגולמית המתאימות לקצוות וקווים ואז למצוא את הדפוסים בתבניות המתאימות לפרצופים וכן הלאה.
טכניקה נוספת מלמטה למעלה עם היסטוריה ארוכה היא למידת חיזוק. בשנות החמישים, BF סקינר, שבנוי על עבודתו של ג'ון ווטסון, תיכנן מפורסם יונים לבצע פעולות מורחבות - אפילו להנחות טילים משגרים אוויריים אל יעדיהם (הד מטריד של ה- AI האחרון) על ידי מתן להם לוח זמנים מסוים של תגמולים ועונשים. . הרעיון המהותי היה שפעולות שתוגמלו יחזרו על עצמן ואלה שנענשו לא יעשו זאת, עד להשגת ההתנהגות הרצויה. אפילו בימיו של סקינר, תהליך פשוט זה, שחוזר על עצמו שוב ושוב, יכול להוביל להתנהגות מורכבת. מחשבים נועדו לבצע פעולות פשוטות שוב ושוב בקנה מידה המגמד את דמיונם האנושי, ומערכות חישוביות יכולות ללמוד מיומנויות מורכבות להפליא בדרך זו.
לדוגמה, חוקרים ב- DeepMind של גוגל השתמשו בשילוב של למידה עמוקה ולמידת חיזוק בכדי ללמד מחשב לשחק משחקי וידאו של Atari. המחשב לא ידע דבר על איך המשחקים עבדו. זה התחיל בכך שפעל באופן אקראי וקיבל מידע רק על מראה המסך בכל רגע ורגע וכמה טוב הוא קלע. למידה מעמיקה עזרה לפרש את התכונות שעל המסך, ולמידה חיזוק גמלה את המערכת על ציונים גבוהים יותר. המחשב הצליח מאוד לשחק בכמה מהמשחקים, אך הוא גם הפציץ לחלוטין על אחרים שהיו קלים לאנשים לשלוט באותה מידה.
שילוב דומה של למידה עמוקה ולמידת חיזוק אפשר את ההצלחה של AlphaZero של DeepMind, תוכנית שהצליחה לנצח שחקנים אנושיים בשחמט וגם ב- Go, המצוידת בידע בסיסי בלבד בכללי המשחק ובכמה יכולות תכנון. ל- AlphaZero תכונה מעניינת נוספת: זה עובד על ידי משחק של מאות מיליוני משחקים נגד עצמו. תוך כדי כך, הוא מגזם שגיאות שהובילו להפסדים, והוא חוזר ומרחיב את האסטרטגיות שהובילו לניצחונות. מערכות כאלה ואחרות הכוללות טכניקות המכונות רשתות אדפרסריות generative, מייצרות נתונים כמו גם התבוננות בנתונים.
כשיש לך את הכוח החישובי ליישם את הטכניקות הללו על מערכי נתונים גדולים מאוד או על מיליוני הודעות דואר אלקטרוני, תמונות אינסטגרם או הקלטות קוליות, אתה יכול לפתור בעיות שנראו קודם לכן קשות מאוד. זה המקור לחלק גדול מההתרגשות במדעי המחשב. אבל כדאי לזכור שהבעיות הללו - כמו הכרה בתמונה שהיא חתול או שמילה מדוברת היא סירי - הן דבר של מה בכך עבור פעוט אנושי. אחת התגליות המעניינות ביותר של מדעי המחשב היא שבעיות הקלות עבורנו (כמו זיהוי חתולים) קשות למחשבים - הרבה יותר קשה מאשר לשחק שחמט או Go. מחשבים זקוקים למיליוני דוגמאות בכדי לסווג אובייקטים שנוכל לסווג עם מעטים בלבד. מערכות אלה מלמטה למעלה יכולות להכליל לדוגמאות חדשות; הם יכולים לתייג תמונה חדשה כחתול בצורה מדויקת למדי על פני כולם. אך הם עושים זאת בדרכים שונות למדי מאופן ההכללה של בני האדם. חלק מהתמונות כמעט זהות לתמונת חתול לא יזהו אותנו כחתולים כלל. אחרים שייראו כמו טשטוש אקראי יהיו.
דגמי בייסיאנים מלמעלה למטה
הגישה מלמעלה למטה שיחקה תפקיד גדול בראשית דרכם של המחקר האמריקני, ובשנות האלפיים גם היא חוותה תחייה, בדמות דוגמניות גנרטיביות הסתברותיות או בייאיות.
הניסיונות המוקדמים להשתמש בגישה זו התמודדו עם שני סוגים של בעיות. ראשית, רוב דפוסי הראיות עשויים להיות מוסברים באופן עקרוני על ידי השערות רבות ושונות: יתכן והודעת הדואר האלקטרוני ביומן שלי היא אמיתית, זה פשוט לא נראה סביר. שנית, מאין מגיעים מלכתחילה המושגים בהם המודלים הדורטיביים משתמשים? אפלטון וחומסקי אמרו שנולדת איתם. אך כיצד ניתן להסביר כיצד אנו לומדים את המושגים האחרונים של המדע? או איך אפילו ילדים צעירים מבינים על דינוזאורים וספינות טילים?
מודלים בייסיים משלבים מודלים גנרטורים ובדיקות השערה עם תורת ההסתברות והם מטפלים בשתי בעיות אלה. מודל בייסי מאפשר לך לחשב עד כמה הסבירות שההשערה מסוימת נכונה, בהתחשב בנתונים. ועל ידי ביצוע ציוצים קטנים אך שיטתיים לדגמים שכבר יש לנו, ובדיקת אותם מול הנתונים, אנו יכולים לפעמים ליצור מושגים ומודלים חדשים מאלו הישנים. אך יתרונות אלה מתקזזים מבעיות אחרות. הטכניקות של בייסיאן יכולות לעזור לך לבחור באיזו משתי השערות סביר יותר, אך כמעט תמיד יש מספר עצום של השערות אפשריות, ואף מערכת אינה יכולה לשקול ביעילות את כולם. איך אתה מחליט אילו השערות כדאי לבדוק מלכתחילה?
ברנדן לייק באוניברסיטת ניו יורק ועמיתיהם השתמשו בשיטות מסוג זה מלמעלה למטה כדי לפתור בעיה נוספת שקל לאנשים אך קשה מאוד למחשבים: זיהוי תווים ידועים בכתב יד. התבונן בדמות במגילה יפנית. גם אם מעולם לא ראית את זה בעבר, סביר להניח שאתה יכול לדעת אם זה דומה או שונה מדמות במגילה יפנית אחרת. אתה בטח יכול לצייר אותו ואפילו לעצב דמות יפנית מזויפת על בסיס הדמות שאתה רואה - כזה שייראה שונה לגמרי מדמות קוריאנית או רוסית.
השיטה מלמטה למעלה לזיהוי תווים בכתב יד היא לתת למחשב אלפי דוגמאות של כל אחת מהן ולתת לו לשלוף את התכונות הבולטות. במקום זאת, לייק ואח '. העניק לתוכנית מודל כללי לאיך שאתה מצייר דמות: שבץ הולך ימינה או שמאלה; לאחר שתסיים אחת תתחיל אחרת; וכן הלאה. כאשר התוכנית ראתה דמות מסוימת, היא יכולה היה להסיק את רצף המכות שהיו ככל הנראה הובילו אליה - בדיוק כפי שהסקתי שתהליך הספאם הוביל לדוא"ל המפוקפק שלי. ואז הוא יכול לשפוט האם דמות חדשה עשויה לנבוע מאותו רצף או מדמות אחרת, והיא יכולה לייצר מערכת משיכות דומה עצמה. התוכנית עבדה הרבה יותר טוב מתוכנית למידה עמוקה שהוחלה על אותם נתונים בדיוק, והיא שיקפה מקרוב את הביצועים של בני אדם.
לשתי הגישות הללו למידת מכונות יש נקודות חוזק וחולשות משלימות. בגישה מלמטה למעלה התוכנית לא צריכה ידע רב מלכתחילה, אך היא זקוקה למידע רב והיא יכולה להכליל רק בצורה מוגבלת. בגישה מלמעלה למטה, התוכנית יכולה ללמוד מכמה דוגמאות בלבד ולעשות הכללות רחבות ומגוונות בהרבה, אך עליכם לבנות בה הרבה יותר מלכתחילה. מספר חוקרים מנסים כעת לשלב בין שתי הגישות, תוך שימוש בלמידה מעמיקה ליישום ההסכם הבייסיאני.
ההצלחה האחרונה של AI היא בחלקה תוצאה של הרחבות של אותם רעיונות ישנים. אבל זה קשור לעובדה שבזכות האינטרנט יש לנו הרבה יותר נתונים, ובזכות חוק מור יש לנו הרבה יותר כוח חישובי להחיל על אותם נתונים. יתרה מזאת, עובדה שלא הוערכה היא שהנתונים שאנו עושים כבר ממוינו ועובדו על ידי בני אדם. תמונות החתול המפורסמות ברשת הן תמונות חתול קנוניות - תמונות שבני אדם כבר בחרו כתמונות "טובות". Google Translate פועל מכיוון שהוא מנצל מיליוני תרגומים אנושיים ומכליל אותם ליצירת טקסט חדש, במקום להבין באמת את המשפטים עצמם.
אבל הדבר המדהים באמת בילדים אנושיים הוא שהם איכשהו משלבים את התכונות הטובות ביותר של כל גישה ואז עוברים הרבה מעבר להם. במהלך חמש עשרה השנים האחרונות חוקרי ההתפתחות בוחנים את הדרך בה ילדים לומדים מבנה מהנתונים. ילדים מארבע שנים יכולים ללמוד על ידי לקיחת רק דוגמא אחת או שתיים לנתונים, כפי שעושה מערכת מלמעלה למטה, והכללה למושגים שונים מאוד. אך הם יכולים גם ללמוד מושגים ומודלים חדשים מהנתונים עצמם, כפי שעושה מערכת מלמטה למעלה.
לדוגמה, במעבדה שלנו אנו מעניקים לילדים צעירים "גלאי קרשים" - מכונה חדשה שאפשר להבין, כזו שמעולם לא ראו. זו תיבה שנדלקת ומנגנת מוסיקה כשמניחים עליה חפצים מסוימים אך לא אחרים. אנו נותנים לילדים רק דוגמא אחת או שתיים לאופן פעולתה של המכונה, ומראים להם כי נניח, שני בלוקים אדומים גורמים לה ללכת, ואילו שילוב ירוק-צהוב לא. אפילו ילדים בני שמונה עשר חודשים מבינים מיד את העיקרון הכללי ששני האובייקטים צריכים להיות זהים כדי לגרום לו ללכת, והם הכללים את העיקרון הזה לדוגמאות חדשות: למשל, הם יבחרו בשני אובייקטים שיש להם אותה צורה ליצור. העבודה במכונה. בניסויים אחרים, הראנו שילדים יכולים אפילו להבין כי איזה מאפיין בלתי נראה סמוי גורם למכונה ללכת, או שהמכונה עובדת על עיקרון הגיוני מופשט כלשהו.
אתה יכול להראות זאת גם בלמידה יומיומית של ילדים. ילדים צעירים לומדים במהירות תיאוריות אינטואיטיביות מופשטות של ביולוגיה, פיזיקה ופסיכולוגיה באופן דומה למדענים מבוגרים, אפילו עם מעט נתונים יחסית.
הישגיהם המדהימים של למידת מכונה של מערכות ה- AI האחרונות, הן מלמטה למעלה והן מלמעלה למטה, מתרחשים במרחב צר ומוגדר היטב של השערות ומושגים - סט מדויק של קטעי משחק ומהלכים, מערכת תמונות קבועה מראש. . לעומת זאת, ילדים ומדענים כאחד משנים לפעמים את המושגים שלהם בדרכים רדיקליות, מבצעים משמרות פרדיגמה במקום פשוט לצבוט את המושגים שכבר יש להם.
ילדים מארבע ילדים יכולים לזהות מיד חתולים ולהבין מילים, אך הם יכולים גם לבצע מסקנות חדשות ויצירתיות ומפתיעות שהרבה מעבר לחוויה שלהם. נכדי שלי הסביר לאחרונה, למשל, שאם מבוגר רוצה להפוך לילד שוב, הוא צריך לנסות לא לאכול שום ירקות בריאים, מכיוון שירקות בריאים גורמים לילד לצמוח למבוגר. סוג זה של השערה, מתקבל על הדעת שאף מבוגר לא יוכל לבדר אי פעם, מאפיין ילדים צעירים. למעשה, הקולגות שלי ואני הראנו באופן שיטתי שילדי הגן טובים יותר בהשערות לא סבירות מאשר ילדים ומבוגרים גדולים יותר. אין לנו כמעט מושג כיצד למידה וחדשנות מסוג זה אפשריים.
עם זאת, התבוננות במה שילדים עשויים לתת למתכנתים רמזים שימושיים לגבי הוראות ללימוד מחשבים. שתי תכונות של למידה של ילדים בולטות במיוחד. ילדים הם לומדים פעילים; הם לא רק מספגים נתונים באופן פסיבי כמו שעושים מכשירי AI. בדיוק כמו שמדענים עורכים ניסויים, ילדים בעלי מוטיבציה מהותית להוציא מידע מהעולם הסובב אותם באמצעות משחקם וחקירתם הבלתי נגמרים. מחקרים אחרונים מראים כי חקר זה שיטתי יותר מכפי שהוא נראה ומותאם היטב למציאת ראיות משכנעות התומכות בהיווצרות ההשערה ובחירת התיאוריה. בניית סקרנות למכונות ולאפשר להם אינטראקציה פעילה עם העולם עשויה להיות דרך ללמידה ריאליסטית ורחבה יותר.
שנית, ילדים, בניגוד ל- AIs הקיימים, הם לומדים חברתיים ותרבותיים. בני אדם אינם לומדים בבידוד אלא משתמשים בעצמם בחוכמה המצטברת של דורות עברו. מחקרים עדכניים מראים שאפילו ילדי הגן לומדים באמצעות חיקוי והאזנה לעדותם של אחרים. אבל הם לא פשוט מצייתים למורה שלהם באופן פסיבי. במקום זאת הם מקבלים מידע מאחרים בצורה עדינה ורגישה להפליא, ומקבלים מסקנות מורכבות מהיכן מגיע המידע וכמה הוא אמין ומשלב באופן שיטתי את החוויות שלהם עם מה שהם שומעים.
"בינה מלאכותית" ו"לימוד מכונה "נשמעים מפחידים. ובמובנים מסוימים הם. מערכות אלה משמשות למשל לשליטה בנשק, ואנחנו באמת צריכים לפחד מכך. עדיין, טיפשות טבעית יכולה לעורר הרס הרבה יותר מאשר בינה מלאכותית; אנו בני האדם נצטרך להיות הרבה יותר חכמים ממה שהיינו בעבר כדי להסדיר כראוי את הטכנולוגיות החדשות. אולם אין הרבה בסיס לחזון האפוקליפטי או לחזון האוטופי של מחליפי AI המחליפים בני אדם. עד שנפתור את הפרדוקס הבסיסי של הלמידה, מיטב האינטליגנציות המלאכותיות לא יוכלו להתחרות בבני האדם הממוצע בן הארבע.
מהאוסף הקרוב אפשר למצוא: 25 דרכי התבוננות ב- AI בעריכת ג'ון ברוקמן. פורסם בתיאום עם Penguin Press, חבר ב- Penguin Random House LLC. זכויות יוצרים © 2019 ג'ון ברוקמן.
