Τι είναι AI, πραγματικά;

Μια πολιτιστική και πρακτική εισαγωγή για τους σχεδιαστές

Αυτό είναι το πρώτο κεφάλαιο της σειράς θεμελιώσεων του Element AI για το AI-First Design (AI1D). Κάθε κεφάλαιο στοχεύει στον καθορισμό των συνιστωσών του AI1D προκειμένου να δημιουργηθεί μια κοινή γλώσσα με την οποία θα εξεταστεί αυτή η νέα εποχή σχεδιασμού. Μπορείτε να διαβάσετε την εισαγωγή στη σειρά εδώ, και να εγγραφείτε για να μείνετε συντονισμένοι για το επόμενο κεφάλαιο εδώ.

Ως σχεδιαστής, γιατί πρέπει να είστε σε θέση να κατανοήσετε την τεχνητή νοημοσύνη; Είναι ένας όρος που περιπλέκεται τόσο πολύ στα μέσα μαζικής ενημέρωσης και στους κύκλους τεχνολογίας, κάτι που μπορεί να περιγράφει οτιδήποτε από εικονικούς προσωπικούς βοηθούς, ρομπότ, επιστημονικούς χαρακτήρες ή τον πιο πρόσφατο αλγόριθμο βαθιάς μάθησης. Ίσως να εργάζεστε σε AI και έχετε μια πιο ξεχωριστή κατανόηση αυτών των ξεχωριστών πεδίων, ή ίσως απλά αισθάνεστε ότι το έργο σας θα επηρεαστεί κατά κάποιο τρόπο από την AI τα επόμενα χρόνια, αλλά δεν είστε αρκετά σίγουροι πώς.

Με αυτό το σκεπτικό, καλωσορίζουμε στο πρώτο κεφάλαιο της σειράς AI-First Design Foundations, στο οποίο στοχεύουμε να καταλάβουμε τη γλώσσα της τεχνητής νοημοσύνης και να συζητήσουμε τους πολλούς ορισμούς της. Με αυτόν τον τρόπο ελπίζουμε να προσπεράσουμε μια ιδέα για το τι είναι η τεχνητή νοημοσύνη σήμερα, από την οποία μπορούμε να οικοδομήσουμε για να απαντήσουμε: Τι είναι το AI-First Design;

Αυτό το κεφάλαιο είναι αφιερωμένο στην εξέταση του σημερινού τοπίου της AI και στην πλοήγηση στους διάφορους ορισμούς που έχει δει ο AI από τότε που ο όρος δημιουργήθηκε για πρώτη φορά. Θα αναθεωρήσουμε την ιστορία του AI, εξετάζοντας τις κορυφές και τα χαμηλά σε δημοτικότητα, και θα τονίσουμε τα μεγάλα ορόσημα από την πρόσφατη αύξηση των επιτυχιών του AI. Τέλος, θα εξετάσουμε τους πολλούς ορισμούς του AI και μερικές από τις προκλήσεις που αντιμετωπίζουμε κατά την εκπόνηση ενός ορισμού στον οποίο όλοι μπορούν να συμφωνήσουν. Τα κεφάλια επάνω: είναι στην μακρύτερη πλευρά, ώστε να είναι άνετα, προχωρήστε σε μια ενότητα που μπορεί να σας ενδιαφέρει περισσότερο ή απλώς διαβάστε αυτή την έξοχη σύντομη έκδοση παρακάτω.

TL · DR

Αντί να αρχίσουμε την εξέταση του ΑΙ στη δεκαετία του 1950, το χρονοδιάγραμμά μας ξεκινά πολύ νωρίτερα, στην Ιλιάδα του Ομήρου, όταν προσπαθούσαμε ήδη να επιπλήξουμε αγάλματα και θεούς με ανθρώπινες ιδιότητες. Πολλά έχουν συμβεί από τότε! Σήμερα, έχουμε φτάσει σε υψηλό επίπεδο σε σχέση με το ρυθμό προώθησης, χρηματοδότησης και ενθουσιασμού του AI, αν και εξακολουθεί να υπάρχει ένα μεγάλο χάσμα μεταξύ των επιστημονικών προσδοκιών και της πραγματικότητας του τι μπορεί να επιτευχθεί με τα μηχανήματα. Το AI παραμένει πολύ μακριά από την επίτευξη ανθρώπινης γενικής ευφυΐας, αλλά βελτιώνεται και βελτιώνεται κατά την εκπλήρωση στενά καθορισμένων καθηκόντων. Ακολουθούν τα βασικά συστατικά του τρόπου με τον οποίο ορίζουμε σήμερα το AI και γιατί έχει σημασία για εσάς ως σχεδιαστής:

  1. Βασίζεται σε μεγάλο βαθμό σε δεδομένα.
    Οι πρόσφατες εξελίξεις στο AI δεν θα ήταν εφικτές χωρίς τα τεράστια ποσά των δεδομένων που συλλέχθηκαν από όλες τις συνδεδεμένες συσκευές μας και τη δυνατότητα αποθήκευσης.
  2. Είναι στενό και πολύ εστιασμένο.
    Το AI είναι πολύ καλό στο να βρει μοτίβα στα δεδομένα και να επιτελέσει συγκεκριμένα καθήκοντα που έχουμε ορίσει, αλλά δεν γενικεύεται πολύ καλά εκτός από προκαθορισμένες παραμέτρους.
  3. Δεν ενδιαφέρεται για τα αποτελέσματα των υπολογισμών του.
    Σε αντίθεση με την εγγενή ακαταστασία της ανθρώπινης λήψης αποφάσεων, η ικανότητα του AI να λαμβάνει αποφάσεις δεν επηρεάζεται από τα δευτερεύοντα κίνητρα ή από τον ύπνο που έφτασε χθες το βράδυ, αλλά επικεντρώνεται αποκλειστικά στο συγκεκριμένο έργο. Δεδομένου ότι δεν γνωρίζει καλά από κακό, ωστόσο, τυχόν μεροληψίες που υπάρχουν στα δεδομένα διαιωνίζονται.
  4. Οι ικανότητες του AI μαθαίνονται, δεν προγραμματίζονται.
    Το AI μπορεί να βελτιωθεί από μόνο του - χωρίς να έχει προγραμματιστεί σε κάθε βήμα, μπορεί να μάθει από τις εμπειρίες του και να βελτιώσει τις μελλοντικές προβλέψεις και αποφάσεις, με αποτέλεσμα ολοένα και πιο εξελιγμένες ικανότητες.
  5. Είναι ένας εξελισσόμενος όρος.
    Το AI ορίζεται διαφορετικά από διαφορετικές κοινότητες και ο ορισμός του θα συνεχίσει να αλλάζει με τις μελλοντικές εξελίξεις στην τεχνολογία.

Γνωρίζοντας αυτό, πιστεύουμε ότι η AI θα έχει τεράστιο αντίκτυπο στον τομέα του σχεδιασμού όπως το ξέρουμε. Καθώς αρχίζει να επηρεάζει το σχεδιασμό όλων των επιχειρήσεων, των προϊόντων, των υπηρεσιών και των εμπειριών (χρηστών), είναι σημαντικό να έχουμε μια θεμελιώδη κατανόηση για το τι δουλεύουμε και να αποφασίσουμε πώς θέλουμε να εκμεταλλευτούμε το δυναμικό του.

Ακόμα περίεργος; Υπάρχουν περισσότερα σε αυτό!

Ups και Downs του AI Μέσω του Χρόνου

Πρόδρομοι: η επιθυμία να σφυρηλατήσουμε τους θεούς

Παρόλο που συνήθως φαντάζουμε κάτι φουτουριστικό όταν σκεφτόμαστε το AI, η ιδέα είναι εδώ και αιώνες. Περίπου το 750 π.Χ. στην Ιλιάδα του Ομήρου, για παράδειγμα, ο παρωχημένος Ηφαίσος δημιούργησε αυτόματα για να τον βοηθήσει να περάσει:

Αυτά είναι χρυσαφένια και εμφανίζονται σαν ζωντανές νεαρές γυναίκες. Υπάρχει νοημοσύνη στις καρδιές τους, και υπάρχει λόγος σε αυτούς και δύναμη, και από τους αθάνατους θεούς έχουν μάθει πώς να κάνουν πράγματα.

Στο βιβλίο της Machine Machines Think, η Pamela McCorduck περιγράφει μια σειρά από άλλα πλάσματα που ο Ηφαίσος δημιούργησε για διάφορα καθήκοντα, τουλάχιστον ένα από τα οποία είναι σίγουρα οικεία, αν απειληθεί: η Πανδώρα και το περίφημο κουτί της.

Μηχανισμός της Σκέψης

Πέρα από αυτά τα παραδείγματα στη φαντασία, υπήρξαν σημαντικές πρόοδοι στην λογική και στη λογική στην αρχαιότητα που οδήγησαν στην τρέχουσα κωδικοποιημένη γλώσσα μας ως βάση για όλους τους υπολογιστές. Η τεχνητή νοημοσύνη, στην ουσία της, υποθέτει ότι η σκέψη μπορεί να μηχανοποιηθεί και να αναπαραχθεί. Ο Αριστοτέλης ήταν ένας από τους πρώτους που πρωτοστάτησε στην οργάνωση σκέψεων σε λογικά επιχειρήματα στην ανάπτυξη του συγγραφέα, ο οποίος συχνά παίρνει μια μορφή τριών γραμμών, όπως:

Όλοι οι άνθρωποι είναι θνητοί.
Ο Σωκράτης είναι ένας άνθρωπος.
Επομένως ο Σωκράτης είναι θνητός.

Ο περσικός μαθηματικός Muhammad ibn Musa al-Khwarizmi, επίσης γνωστός με το λατινικοποιημένο όνομα Algoritmi (από τον οποίο προέκυψαν τον αλγόριθμο λέξης), είναι επίσης ένας βασικός αριθμός πολλών από τις έννοιες που θεωρούμε δεδομένες στο AI σήμερα. Η λέξη άλγεβρα, για παράδειγμα, προέρχεται από το "al-jabr", μία από τις δύο πράξεις που χρησιμοποίησε για να λύσει τις τετραγωνικές εξισώσεις. Οι περαιτέρω εξελίξεις σε ολόκληρο τον 17ο αιώνα από μαθηματικούς και φιλόσοφοι όπως ο Gottfried Wilhelm Leibniz, ο Thomas Hobbes, ο René Descartes χτίστηκαν σε αυτά τα θεμέλια, αποσκοπούν στη σκέψη ως συστηματική όπως η άλγεβρα ή η γεωμετρία.

Ενώ υπήρχαν πολλές άλλες μαθηματικές εξελίξεις στους επόμενους αιώνες που συνέβαλαν στη σύγχρονη τεχνητή νοημοσύνη, ο αγγλικός μαθηματικός του 19ου αιώνα Ada Lovelace ξεχωρίζει για τις δημιουργικές προσεγγίσεις και τις πρωτοποριακές εργασίες στον τομέα της πληροφορικής. Ήταν ο πρώτος που πρότεινε ότι ο μηχανικός γενικής χρήσης του Charles Babbage, ο αναλυτικός κινητήρας, θα μπορούσε να έχει δυνατότητες πέρα ​​από τον υπολογισμό και στη συνέχεια συνέχισε να δημιουργεί τον πρώτο αλγόριθμό του, κερδίζοντας τον τίτλο του πρώτου προγραμματιστή στον κόσμο.

Η γέννηση της τεχνητής νοημοσύνης

Παρόλο που είδαμε τις πρόοδοι στον υπολογισμό στις αρχές του 20ου αιώνα, η τεχνητή νοημοσύνη ξεκίνησε πραγματικά στη δεκαετία του 1950, με μια διάσκεψη στο Dartmouth College το 1956 υποστηρίζοντας ότι όλη η μάθηση και η νοημοσύνη μπορούσαν να περιγραφούν με ακρίβεια ώστε να προσομοιωθούν από μια μηχανή. Υπήρχε εδώ ο όρος "τεχνητή νοημοσύνη", η οποία αναφέρεται στην "προσομοίωση της ανθρώπινης νοημοσύνης από μηχανές". Στην έκθεση για το εργαστήριο του Dartmouth 50 χρόνια αργότερα, ένας από τους διοργανωτές John McCarthy σκέφτηκε: «Θα πίστευα ότι το εργαστήριο θα ήταν γνωστό για τα αποτελέσματα που παρήγαγε. Στην πραγματικότητα, έγινε γνωστός σε σημαντικό βαθμό απλώς και μόνο επειδή δημοφιλήςσε τον όρο «τεχνητή νοημοσύνη».

Το άλλο κύριο ορόσημο AI από τη δεκαετία του '50 που ίσως γνωρίζετε είναι το φημισμένο "Test Turing". Δημοφιλή από την εμφάνιση του Benedict Cumberbatch στο The Imitation Game, ο βρετανός επιστήμονας υπολογιστών Alan Turing πρότεινε ότι αν μια μηχανή μπορούσε να πραγματοποιήσει μια συνομιλία που δεν μπορούσε να διακριθεί από μια συζήτηση με έναν άνθρωπο, τότε μια "μηχανή σκέψης" ήταν εύλογη. Με άλλα λόγια, ένας υπολογιστής θα ήταν έξυπνος μόνο αν μπορούσε να ξεγελάσει έναν άνθρωπο να σκεφτεί ότι ήταν άνθρωπος.

Αυτό που ακολούθησε από τα μέσα της δεκαετίας του '50 στις αρχές της δεκαετίας του '70 αναφερόταν ως «χρυσά χρόνια» της AI, με τεράστιες προόδους στον τομέα της πληροφορικής και αύξηση τόσο του ενθουσιασμού όσο και της κρατικής χρηματοδότησης. Συγκεκριμένα, ο Μάρβιν Μίνσκυ διατήρησε την ορμή από το εργαστήριο του Dartmouth όταν ίδρυσε το εργαστήριο ΑΙ της Μασαχουσέτης του Τεχνολογικού Ινστιτούτου το 1959 και συνέχισε να ηγείται του πεδίου σε όλη τη δεκαετία του '60 και του '70. Το Gaming άρχισε επίσης να αποκαλύπτεται ως το ιδανικό μέσο για την ανάπτυξη και τον έλεγχο της πληροφορικής, με την IBM να αναπτύσσει ένα πρόγραμμα που θα μπορούσε να παίξει πούλια το 1951. Στη δεκαετία του '60 ο αλγόριθμος "πλησιέστερου γείτονα" δημιουργήθηκε σε μια προσπάθεια επίλυσης του " πρόβλημα ":" Λαμβάνοντας υπόψη μια λίστα πόλεων και τις αποστάσεις μεταξύ κάθε ζεύγους πόλεων, ποια είναι η συντομότερη διαδρομή που επισκέπτεται κάθε πόλη ακριβώς μία φορά και επιστρέφει στην πόλη προέλευσης; "Ο αλγόριθμος που προέκυψε αποτέλεσε τις αρχές της βασικής αναγνώρισης προτύπων.

Το 1969, όμως, ο Marvin Minsky και ο Seymour Papert δημοσίευσαν το Perceptrons, ένα βιβλίο που συζήτησε μερικούς από τους περιορισμούς της υπάρχουσας τεχνολογίας νευρωνικών δικτύων, και ήταν ίσως ένας προάγγελος του "χειμώνα ΑΙ" τα επόμενα χρόνια.

AI χειμώνες στη δεκαετία του '70 και του '80

Με τόσο επιτυχημένη πορεία από τη δεκαετία του '50 έως τη δεκαετία του '70, τροφοδοτείται όχι μόνο από τις επιστημονικές εξελίξεις αλλά και από τις αυξημένες προσδοκίες των πολιτών που καλλιεργούνται από την επιστημονική φαντασία, όπως η Οδύσσεια του 2001 του Stanley Kubrick ή το I Robot του Isaac Asimov, ήταν αναπόφευκτη.

Ουσιαστικά, όταν οι υπολογιστές δεν μπορούσαν να ανταποκριθούν στις ανεπανάληπτες προσδοκίες του καθενός, η χρηματοδότηση και ο ενθουσιασμός αποξηράνθηκαν, οδηγώντας στην κατάργηση των εργαστηρίων ΑΠ σε όλο τον κόσμο. Αν και υπήρχε ένας σύντομος δευτερεύων άνεμος από το 1980 έως το 1987 με μια μεγάλη επένδυση από την Ιαπωνία, αυτή η έκρηξη ήταν βραχύβια και καταλήφθηκε από έναν άλλο χειμώνα του ΑΙ από το 1987 έως το 1993.

Οι Roger Schank και Marvin Minsky, κορυφαίοι ερευνητές του AI που είχαν επιβιώσει τον πρώτο χειμώνα της δεκαετίας του 1970, προειδοποίησαν την επιχειρηματική κοινότητα ότι "ο ενθουσιασμός για το AI είχε σβήσει εκτός ελέγχου τη δεκαετία του '80 και αυτή η απογοήτευση θα ακολουθούσε σίγουρα." Αυτές οι κορυφές και κοιλάδες Ο ενθουσιασμός AI συνεχίζεται σήμερα. Αν και υπήρξαν μερικές δημοφιλείς χρήσεις του AI τα τελευταία χρόνια, όπως η χρήση του AI από τον αμερικανικό στρατό για τον εντοπισμό φιλικών ή εχθρικών δεξαμενών, ή πιο πρόσφατα της Tay chatbot της Microsoft, η οποία παρουσίασε γρήγορα ρατσιστικές και αντισημιτικές συμπεριφορές στο Twitter πέρυσι, μιλώντας, θα μπορούσατε να πείτε ότι σήμερα είμαστε σε υψηλό επίπεδο όλων των εποχών όσον αφορά την πρόοδο της AI, τη χρηματοδότηση και τον ενθουσιασμό.

AI Τοπίο σήμερα - Γιατί τόσο ζεστό;

Ένα δημοφιλές εργαλείο για τη μέτρηση της διαφημιστικής τεχνολογίας είναι ο Hype Cycle του Gartner, ο οποίος φέτος διαθέτει βαθιά μάθηση και μηχανική μάθηση στο αποκορύφωμά του. Αν και συχνά θεωρείται περισσότερο ως δείκτης κάλυψης των μέσων μαζικής ενημέρωσης από την επιστημονική έρευνα, υπάρχουν κάποιες νόμιμα συναρπαστικές προόδους που έχουν οδηγήσει στην τρέχουσα δημοτικότητα του AI. Έτσι, είναι όλα, στην πραγματικότητα, διαφημιστική εκστρατεία; ΟΧΙ ακριβως. Ας εξετάσουμε ορισμένα σημαντικά ορόσημα ΑΙ από τα τελευταία έξι χρόνια ή έτσι που συνέβαλαν στην τρέχουσα εμμονή μας.

Πρόσφατα ορόσημα AI

  • 2011: Το Siri της Apple εισάγεται χρησιμοποιώντας μια κάπως φυσική γλώσσα για να απαντά σε ερωτήσεις, να κάνει συστάσεις και να εκτελεί απλές ενέργειες, ή αν αυτό δεν συμβαίνει, κοιτάξτε τα πράγματα στο διαδίκτυο για εσάς.
  • 2012: Συνδυαστικά Νευρωνικά Δίκτυα (CNNs για σύντομο χρονικό διάστημα) καταστρέφουν τον ανταγωνισμό στην ταξινόμηση του ImageNet - όπως επίσης και οι "ετήσιοι Ολυμπιακοί Αγώνες του Οθωμανικού Υπολογιστή" - δημιουργώντας ένα φούρνο στην κοινότητα και εξαπολύοντας μια τεράστια αναζωπύρωση του ενδιαφέροντος για βαθιά μάθηση.
  • Η Google εκπαιδεύει ένα νευρικό δίκτυο για να αναγνωρίσει με επιτυχία τις γάτες στα βίντεο του YouTube χρησιμοποιώντας έναν αλγόριθμο βαθιάς μάθησης, παρά το γεγονός ότι δεν τροφοδοτείται με πληροφορίες σχετικά με τη διάκριση των χαριτωμένων χαρακτηριστικών γάτας.
  • 2013: Το NEIL, το διασκεδαστικά ονομάζεται Never Ending Image Learner, κυκλοφορεί στο Πανεπιστήμιο Carnegie Mellon για να συγκρίνει και να αναλύει συνεχώς τις σχέσεις μεταξύ των διαφόρων εικόνων, με στόχο να μάθει την ω-τόσο επιθυμητή-αλλά-αόριστη ανθρώπινη ικανότητα της κοινής λογικής.
  • 2015: Το Facebook ξεκινάει το DeepFace, ένα σύστημα αναγνώρισης προσώπου βαθιάς μάθησης, το οποίο εκπαιδεύτηκε σε τέσσερις εκατομμύρια εικόνες που φορτώθηκαν από χρήστες του Facebook. Μπορεί να εντοπίσει πρόσωπα με ακρίβεια 97,35%, βελτίωση πάνω από 27% σε σύγκριση με προηγούμενα συστήματα.
  • 2015: Τα Deep Q Networks από το DeepMind μαθαίνουν να παίζουν παιχνίδια Atari, σηματοδοτώντας την εποχή της βαθιάς ενίσχυσης της μάθησης.
  • 2015-17: Οι ήττες του Google DeepMind του AlphaGo Πήγαινε πρωταθλητές Fan Hui, Lee Sedol και Ke Jie, ο πρώτος παίκτης στον κόσμο που κατάταξε την εποχή εκείνη.
  • 2015: Το Google DeepDream κάνει τους πάντες να αναρωτιούνται εάν τα μηχανήματα μπορούν να κάνουν τέχνη, δημιουργώντας εικόνες τριπολικού χρησιμοποιώντας ένα συνελικτικό νευρικό δίκτυο, λογισμικό σχεδιασμένο να ανιχνεύει πρόσωπα και άλλα μοτίβα στις εικόνες, με σκοπό την αυτόματη ταξινόμηση εικόνων.
  • 2015-παρόν: Ο καλλιτέχνης Ross Goodwin εξερευνά νέες μορφές αφηγηματικής πραγματικότητας χρησιμοποιώντας τη μηχανική μάθηση με την ποιητική λέκτορα "αυτόματης φωτογραφίας" αφηγητή και προγραμματίζει τον αυτοσχεδιασμένο AI "Benjamin" για να γράψει ένα σενάριο για μια ταινία με πρωταγωνιστή τον David Hasselhoff.
  • 2015-σήμερα: Μια σειρά προσωπικών βοηθών της AI παρουσιάζονται στο σπίτι, με το Siri της Apple να αγωνίζεται τώρα με την Cortana της Microsoft, την Alexa του Amazon και το Google Now για την προσοχή σας.
  • 2017: Ο Libratus, που σχεδιάστηκε από τον καθηγητή Carnegie Mellon Tuomas Sandholm και τον σπουδαστή του βαθμού Noam Brown κέρδισε εναντίον τεσσάρων κορυφαίων παικτών στη σύνθετη έκδοση του πόκερ - Texas Hold'em.
  • 2017: Η Deepmind της Google και οι δημιουργοί του παιχνιδιού βίντεο για το διάστημα πολέμου StarCraft II έχουν κυκλοφορήσει τα εργαλεία για να επιτρέψουν στους ερευνητές του AI να δημιουργήσουν ρομπότ ικανά να ανταγωνίζονται τους ανθρώπους. Τα bots δεν έχουν κερδίσει ακόμα, και δεν αναμένεται για λίγο, αλλά όταν το κάνουν, θα είναι ένα πολύ μεγαλύτερο επίτευγμα από τη νίκη στο Go.

Προκαταβολές στη Μηχανική Μάθηση & Βαθιά Μάθηση

Όπου ζουν οι επαγγελματίες του AI

Όλα αυτά τα ορόσημα δεν θα ήταν εφικτά χωρίς μεγάλες προόδους στις πιο συναρπαστικές περιοχές της τεχνητής νοημοσύνης την τελευταία δεκαετία: μηχανική μάθηση και βαθιά εκμάθηση. Αν και αυτοί οι όροι μοιάζουν παρόμοιοι, δεν είναι ακριβώς οι ίδιοι. Ας ξεκαθαρίσουμε.

Αρχίζοντας στα τέλη της δεκαετίας του 1990 και στις αρχές της δεκαετίας του 2000, οι αυξημένες δυνατότητες αποθήκευσης και επεξεργασίας ηλεκτρονικών υπολογιστών σήμαιναν ότι τα συστήματα AI θα μπορούσαν τελικά να διατηρούν αρκετά δεδομένα και να αξιοποιούν αρκετή ισχύ για να αντιμετωπίσουν πιο σύνθετες διαδικασίες. Ταυτόχρονα, η έκρηξη στη χρήση του διαδικτύου και τη συνδεσιμότητα δημιούργησε ένα συνεχώς αυξανόμενο όγκο δεδομένων, όπως εικόνες, κείμενο, χάρτες ή πληροφορίες συναλλαγών που μπορούν να χρησιμοποιηθούν για την εκπαίδευση μηχανών.

Αντί του πρώην προγραμματικού συστήματος των κανόνων "εάν και μετά" και περίπλοκων συμβολικών λογικών διαδικασιών που απαιτούν χιλιάδες γραμμές κώδικα για να καθοδηγήσουν τη λήψη βασικών αποφάσεων όπως στην Καλή Παλαιόμορφη Τεχνητή Νοημοσύνη ή GOFAI, η μηχανική μάθηση λειτουργεί προς τα πίσω. Χρησιμοποιώντας τεράστια σύνολα δεδομένων, οι αλγόριθμοι μαθαίνουν επαναληπτικά, αναζητώντας μοτίβα για να κατανοήσουν τις μελλοντικές εισροές. Η εκμάθηση μηχανών συνοψίστηκε ωραία από τον πρωτοπόρο μηχανικών μάθησης Arthur Samuel, ο οποίος το 1959 το χαρακτήρισε ως το «πεδίο σπουδών που δίνει στους υπολογιστές τη δυνατότητα να μαθαίνουν χωρίς να προγραμματίζονται ρητά». Η μηχανική μάθηση χρησιμοποιείται για να αντιμετωπίσει ένα ευρύ φάσμα σήμερα, όπως η ταυτοποίηση των καρκινικών κυττάρων, η πρόβλεψη της ταινίας που ίσως θέλετε να παρακολουθήσετε στη συνέχεια, η κατανόηση όλων των ειδών της ομιλούμενης γλώσσας ή ο προσδιορισμός της αγοραίας αξίας του σπιτιού σας.

Ποια είναι τα καρκινικά κύτταρα σε αυτήν την εικόνα; Μια AI μπορεί να μάθει ταχύτερα από έναν γιατρό. Εικόνα: Gabriel Caponetti στη Λαϊκή Επιστήμη.

Οι πρόσφατες εξελίξεις στη μηχανική μάθηση οφείλονται σε μεγάλο βαθμό στην ανάπτυξη της βαθιάς μάθησης - υποπεδίο μηχανικής μάθησης. Βαθιά μαθαίνοντας δανεισμούς από τη δομή του εγκεφάλου, συνδέοντας πολλά απλά "νευρώνα" σαν δομές μαζί για να κάνουμε ενδιαφέροντα πράγματα σε ένα νευρωνικό δίκτυο. Με το να στοιβάζονται πολλά στρώματα αυτών των τεχνητών νευρώνων μαζί (εξ ου και "βαθιά"), το δίκτυο ως σύνολο μπορεί να μάθει να κάνει σύνθετα καθήκοντα. Είναι ενδιαφέρον ότι οι νευρώνες σε αυτά τα στρώματα συχνά καταλήγουν να εκτελούν συγκεκριμένους ρόλους, όπως την αναγνώριση των άκρων ή το περίγραμμα ενός συγκεκριμένου αντικειμένου. Η μοναδική δύναμη της βαθιάς μάθησης είναι ότι αυτά τα επιμέρους καθήκοντα - γνωστά συχνά ως "χαρακτηριστικά" - αντλούνται απευθείας από τα δεδομένα, αντί να καθορίζονται από προγραμματιστές. Αυτό επιτρέπει τη βαθιά μάθηση για την αντιμετώπιση προβλημάτων όπου οι λύσεις δεν είναι προφανείς στον άνθρωπο.

Ας πάρουμε ένα πραγματικό παράδειγμα: αναγνωρίζοντας τα καρκινικά κύτταρα. Μια κλασική προσέγγιση ΑΙ θα βασιζόταν σε έναν ανθρώπινο εμπειρογνώμονα που προσπαθούσε να αποστάξει τη δική του διαδικασία λήψης αποφάσεων και στη συνέχεια να την κωδικοποιήσει στον αλγόριθμο. Για παράδειγμα, θα μπορούσαμε να σημαδέψουμε κελιά που είναι μεγαλύτερα από ένα συγκεκριμένο μέγεθος ή έχουν ένα ασαφές περίγραμμα ή ένα ιδιόμορφο σχήμα. Ωστόσο, με βαθιά γνώση μπορούμε να τροφοδοτούμε άμεσα εικόνες από κύτταρα που έχουν επισημανθεί για να υποδείξουν εάν είναι καρκινικά ή όχι και το νευρωνικό μας δίκτυο θα μάθει να διαλέγει τα πιο χρήσιμα χαρακτηριστικά της εικόνας για αυτό το συγκεκριμένο έργο. Αυτό είναι ένα κλασικό παράδειγμα "εποπτευόμενης μάθησης": παρέχουμε μερικές εισόδους και μερικές επιθυμητές εξόδους και ο αλγόριθμος μαθαίνει να χαρτογραφεί από το ένα στο άλλο.

Μπορούμε επίσης να καταργήσουμε πλήρως τις ετικέτες και να ζητήσουμε από τον αλγόριθμο να ομαδοποιήσει τα κελιά που έχουν κάτι κοινό. Αυτή η διαδικασία είναι γνωστή ως ομαδοποίηση και είναι ένας τύπος μάθησης χωρίς επίβλεψη. Εδώ δεν παρέχουμε εποπτεία με τη μορφή ετικετών, απλά χρησιμοποιούμε βαθιά μάθηση για να βρούμε δομή στα δεδομένα. Στο παράδειγμα μας, ίσως τα κύτταρα μας να είναι πολλά διαφορετικά είδη - κύτταρα του δέρματος, κύτταρα του ήπατος και μυϊκά κύτταρα - και θα ήταν χρήσιμο να συσσωρευτούν αυτά πριν προσπαθήσουμε να καταλάβουμε ποια κύτταρα σε κάθε ομάδα είναι καρκινικά. Άλλες συνηθισμένες εφαρμογές για ομαδοποίηση περιλαμβάνουν την αναγνώριση διαφορετικών προσώπων στις φωτογραφίες σας, την κατανόηση διαφορετικών τύπων πελατών και την αντιπαραβολή ειδησεογραφικών ειδήσεων σχετικά με το ίδιο θέμα.

Μην πιστεύετε στη διαφημιστική εκστρατεία: Μύθοι AI εναντίον πραγματικών στοιχείων

Έτσι, με όλες αυτές τις ταχείες εξελίξεις στο AI τα τελευταία χρόνια, θα νομίζατε ότι όλοι θα είχαμε προπονηθεί γι 'αυτό σωστά; Λοιπόν, όχι ο καθένας. Όπως και στα πρώτα χρυσά χρόνια του AI στη δεκαετία του '50 και του '60, υπάρχει ακόμα ένα μεγάλο χάσμα μεταξύ των προσδοκιών μας για AI που βασίζονται σε απεικονίσεις της επιστημονικής φαντασίας και των μέσων μαζικής ενημέρωσης, και αυτό που είναι πραγματικά ικανό σήμερα. (Για να μην αναφέρουμε τον αχαλίνωτο φόβο της διαταραχής, των ανησυχιών περί ιδιωτικότητας ή της απώλειας θέσεων εργασίας που σχετίζονται με αυτές τις προβλέψεις.)

Ένας άλλος τρόπος να πλαισιώσει αυτή τη συζήτηση είναι η διαφορά μεταξύ της «στενής» και της «γενικής» τεχνητής νοημοσύνης. Πολλές από τις μεγαλύτερες επιτυχίες του AI μέχρι στιγμής ήταν σε "στενή" τεχνητή νοημοσύνη, δηλαδή στην εκπλήρωση συγκεκριμένης εργασίας μέσα σε αυστηρές παραμέτρους, όπως η Siri πληκτρολογώντας ένα υπαγορευμένο μήνυμα κειμένου για εσάς ή αναγνωρίζοντας μια γάτα σε μια εικόνα. Δεν υπάρχει καμία έννοια αυτογνωσίας ή γενικών δεξιοτήτων επίλυσης προβλημάτων σε στενό AI. Αντίθετα, πολλά από αυτά που έχουν καταγράψει τη φαντασία του κοινού εδώ και δεκαετίες ήταν αυτή η φαντασία της «γενικής τεχνητής νοημοσύνης» με τη μορφή ενός ανθρωποειδούς βοηθού, παρόμοιο με τον Hal 9000, R2D2 ή τη Samantha στην Her, όπου η AI έχει ίσες, αν όχι μεγαλύτερη νοημοσύνη από τους ανθρώπους.

Για να είμαστε πολύ σαφείς, είμαστε πολύ μακριά από οτιδήποτε μοιάζει με γενικό ΑΙ. Ο Yoshua Bengio, ένας από τους ιδρυτές του Element AI, είναι σαφής όταν μιλάει σε αυτό το θέμα - δεν πιστεύει ότι είναι λογικό να προβούμε σε μια χρονική πρόβλεψη του πότε θα συμβεί αυτό. Σε μια πρόσφατη συζήτηση, περιέγραψε μερικούς συγκεκριμένους λόγους για τους οποίους δεν είμαστε ακόμα εκεί, το πρώτο είναι ότι όλες οι βιομηχανικές επιτυχίες AI μέχρι σήμερα έχουν βασιστεί αποκλειστικά στην εποπτευόμενη μάθηση. Τα συστήματα μάθησης μας εξακολουθούν να είναι αρκετά απλά, διότι βασίζονται σε επιφανειακές ενδείξεις σε δεδομένα που δεν συμβαίνουν καλά εκτός των πλαισίων κατάρτισης.

Οι αλτήρες του Google που δημιουργούνται από νευρωνικά δίκτυα, γεμάτοι με φανταστικά άκρα. Εικόνα: Google.

Για παράδειγμα, όταν η Google εκπαιδεύει ένα νευρωνικό δίκτυο για τη δημιουργία εικόνων αλτήρων βασισμένων σε χιλιάδες εικόνες, το πήρε σχεδόν σωστό. Σίγουρα, έχουμε δύο βάρη που συνδέονται με ένα μπαρ, αλλά τι κάνουν εκείνα τα όπλα φαντάσματος; Αν και το νευρωνικό δίκτυο ήταν σε θέση να αναγνωρίσει με επιτυχία τις κοινές οπτικές ιδιότητες των αλτήρων, αφού οι εικόνες προέλευσης πάντα χαρακτήριζαν ανθρώπους που κρατούσαν αλτήρες, υποτίθεται ότι οι αλτήρες είχαν όπλα.

Παρά αυτούς τους σημαντικούς περιορισμούς, για να ακούσετε τον Elon Musk να μοιάζει με τον Mark Zuckerberg το περασμένο καλοκαίρι, νομίζετε ότι ένας τρίτος Παγκόσμιος Πόλεμος που τροφοδοτείται με AI ήταν πολύ κοντά. Ο Διευθύνων Σύμβουλος Jean-François Gagné μας φέρνει πίσω στα βασικά στοιχεία σχετικά με την τρέχουσα κατάσταση του AI σε μια πρόσφατη ανάρτηση ιστολογίου:

"Το AI είναι πολύ στενό και εύθραυστο. Δεν λειτουργεί καλά εκτός του πεδίου εφαρμογής που έχει ρυθμιστεί. Μπορεί μόνο να διαχειρίζεται απλές αντικειμενικές λειτουργίες. λοιπόν, πραγματικά εμείς, οι άνθρωποι, χρησιμοποιώντας τη ανθρώπινη νοημοσύνη μας για να την εφαρμόσουμε αποτελεσματικά στο σημείο όπου μπορεί να αυτοματοποιηθεί μια δουλειά ».

Πολλοί ορισμοί της AI

Τώρα που επιταχύνουμε τις ιστορικές εξελίξεις και την πρόσφατη πρόοδο στην AI, ας σκεφτούμε τους πολλούς ορισμούς που έχουμε καταλήξει να τις περιγράψουμε όλα αυτά τα χρόνια. Ενώ ορισμένοι ισχυρίστηκαν ότι ο όρος είναι υπερβολικά χρησιμοποιούμενος τελευταίος που έχει καταστεί άνευ σημασίας, δεν είμαστε αρκετά πρόθυμοι να το εγκαταλείψουμε.

Πώς χρησιμοποιείται ο όρος "AI" σήμερα

Για να ορίσετε το AI, ας αρχίσουμε εξετάζοντας τις πληροφορίες. Από τη μία πλευρά, θα μπορούσατε να πάρετε μια απλοϊκή έννοια της διάνοιας, βασισμένη σε μια βαθμολογία IQ για παράδειγμα. Όλοι γνωρίζουμε ότι η νοημοσύνη είναι στην πραγματικότητα πολύ πιο στρώσιμη και πολύπλοκη. Το λεξικό της Οξφόρδης το ορίζει ως «την ικανότητα να αποκτά και να εφαρμόζει γνώσεις και δεξιότητες», ενώ η προσέγγιση του Λεξικού του Cambridge είναι λίγο διαφορετική: «η ικανότητα να μαθαίνει, να κατανοεί και να κάνει κρίσεις ή να έχει απόψεις που βασίζονται σε λόγους». Άλλοι έχουν αναπτύξει πιο λεπτομερείς τρόπους μέτρησης της νοημοσύνης με την πάροδο των ετών, όπως η θεωρία των πολλαπλών νοημάτων του Χάουαρντ Γκάρντνερ, με τρόπους όπως μουσικά-ρυθμικά και αρμονικά, οπτικά-χωρικά, λεκτικά-γλωσσικά, λογικά-μαθηματικά, σωματικά-κιναισθητικά και υπαρξιακά , μεταξύ άλλων. Η ανάληψή μας είναι πιο κοντά στον τελευταίο αυτό ορισμό, επιτρέποντας την απόκτηση, επεξεργασία και εφαρμογή πληροφοριών σε ένα ευρύ φάσμα πλαισίων.

Η ιδέα μας για νοημοσύνη είναι επίσης πολύ ανθρωπομορφική: βασίζεται στον τρόπο με τον οποίο εμείς, ως άνθρωποι, σκεφτόμαστε και επιλύουμε προβλήματα. Το AI είναι ευρέως κατανοητό με τον ίδιο τρόπο, καθώς ένα τεχνητά έξυπνο σύστημα έρχεται σε συμπεράσματα με τρόπο που μοιάζει με την προσέγγιση ενός ανθρώπου. Με βάση αυτή την ιδέα, ο David C. Parkes και ο Michael P. Wellman παρουσιάζουν την έννοια του AI ως "homo economicus, τον μυθικό απόλυτα λογικό πράκτορα της νεοκλασικής οικονομίας." Αλλά ενώ είναι δελεαστικό να νομίζουμε ότι θα μπορούσαμε να συλλάβουμε μια απολύτως λογική οντότητα, τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση του AI είναι συχνά εγγενώς ελλιπή, λόγω ανθρώπινης ή άλλης μεροληψίας, γεγονός που καθιστά σχεδόν αδύνατη την «άριστη ορθολογικότητα».

Ένας Λευκός Οίκος του 2016 Αναφέρει τα ποσά των προκλήσεων που προκύπτουν από ένα σύνθετο ορισμό: "Δεν υπάρχει κανένας ενιαίος ορισμός του AI που είναι παγκοσμίως αποδεκτός από τους ασκούμενους. Μερικοί ορίζουν το AI χαλαρά ως ένα μηχανογραφικό σύστημα που παρουσιάζει συμπεριφορά που συνήθως θεωρείται ότι απαιτεί νοημοσύνη. Άλλοι ορίζουν το AI ως ένα σύστημα ικανό να λύσει ορθολογικά πολύπλοκα προβλήματα ή να αναλάβει τις κατάλληλες ενέργειες για να επιτύχει τους στόχους του σε οποιεσδήποτε πραγματικές συνθήκες συναντά. "Είναι ενδιαφέρον να σημειωθεί ότι δεν χρησιμοποιούν εδώ τον όρο" ανθρώπινη συμπεριφορά " "η ΣΥΜΠΕΡΙΦΟΡΑ".

Ο Σουηδός φιλόσοφος Nick Bostrom επικεντρώνεται στην έννοια της εκμάθησης και της προσαρμογής στο AI στο βιβλίο του Superintelligence: Διαδρομές, Κίνδυνοι, Στρατηγικές: «Η ικανότητα μάθησης θα είναι ένα αναπόσπαστο χαρακτηριστικό του κεντρικού σχεδιασμού ενός συστήματος που αποσκοπεί στην επίτευξη γενικής νοημοσύνης ... Το ίδιο "Άλλοι, όπως ο Καθηγητής Μηχανικών Υπολογιστών Ethem Alpaydın σε μια Εισαγωγή στη Μηχανική Μάθηση, δηλώνουν ότι" ένα έξυπνο σύστημα θα πρέπει να είναι σε θέση να προσαρμοστεί στο περιβάλλον του, θα πρέπει να μάθει να μην επαναλαμβάνει τα λάθη του, αλλά να επαναλαμβάνει τις επιτυχίες του. "

Οι ορισμοί μας

Εκτός από την εξέταση του τρόπου με τον οποίο οι άλλοι προσδιορίζουν το AI σήμερα, μέρος της έρευνάς μας περιλαμβάνει επίσης την αποστολή μιας έρευνας σε ολόκληρη την εταιρεία, ζητώντας από τους συναδέλφους μας να προσδιορίσουν την τεχνητή νοημοσύνη σε μια πρόταση (ή δύο ή τρεις). Στα αποτελέσματα της έρευνας προέκυψαν τρεις βασικές κατηγορίες απαντήσεων:

  1. Το AI είναι η ικανότητα του υπολογιστή να λαμβάνει αποφάσεις ή να προβλέπει, με βάση τα δεδομένα που διαθέτει.
  2. Το AI είναι η ικανότητα του υπολογιστή να αναπαράγει λειτουργίες του εγκεφάλου υψηλότερης τάξης, όπως η αντίληψη, η γνώση, ο έλεγχος, ο προγραμματισμός ή η στρατηγική.
  3. Το AI είναι ένα πρόγραμμα που δημιουργείται από δεδομένα και υπολογισμούς, δηλαδή δεν είναι σκληρό κωδικοποιημένο.

Για τους σκοπούς μας σήμερα, είναι αρκετοί αυτοί οι ορισμοί; Ποιες είναι μερικές από τις παγίδες προσπαθώντας να ορίσω μια τόσο ευρεία και συνεχώς εξελισσόμενη αντίληψη;

Γιατί είναι τόσο δύσκολο αυτό;

Το φαινόμενο "catchall" είναι μία από τις μεγαλύτερες προκλήσεις όταν μιλάμε για AI. Οι συχνές χρήσεις του όρου έχουν οδηγήσει σε ένα ευρύ φάσμα εφαρμογών και εγγενή σύγχυση, όπως εξηγείται από τον Genevieve Bell, PhD στο Stanford στην Ανθρωπολογία και Διευθυντής, Έρευνα Αλληλεπίδρασης και Εμπειρίας στην Intel:

"Για μένα, η τεχνητή νοημοσύνη είναι ένας όρος και είναι ένας που κυκλοφορεί μέσα και έξω από τη δημοτικότητα. Είναι πίσω αυτή τη στιγμή. Είναι ένας όρος ομπρέλα κάτω από τον οποίο μπορείτε να μιλήσετε για γνωστικούς υπολογιστές, μηχανική μάθηση και βαθιά μάθηση, και αλγόριθμους. Είναι ένα catchall επειδή σημαίνει τα πάντα και τίποτα ταυτόχρονα. Είναι μια πολιτιστική κατηγορία όσο μια τεχνική. "

Ο όρος χρησιμοποιείται συχνά σε λανθασμένες περιστάσεις (ή μάλλον ασαφείς περιστάσεις) επειδή είναι τόσο ευρύ, όπως περιγράφεται σε αυτό το έγγραφο συζήτησης McKinsey Global Institute, AI: Το επόμενο ψηφιακό σύνορο:

"... Είναι δύσκολο να εντοπίσουμε γιατί οι άνθρωποι αναμιγνύουν και ταιριάζουν με διαφορετικές τεχνολογίες για να δημιουργήσουν λύσεις για μεμονωμένα προβλήματα. Μερικές φορές αυτές αντιμετωπίζονται ως ανεξάρτητες τεχνολογίες, μερικές φορές ως υποομάδες άλλων τεχνολογιών και μερικές φορές ως εφαρμογές ... Ορισμένες τεχνολογίες πλαισίων τεχνολογιών AI βασισμένες σε βασικές λειτουργικές λειτουργίες ..., μερικές από αυτές με επιχειρηματικές εφαρμογές ... "

Μια άλλη σημαντική πρόκληση για τον ορισμό του AI είναι το γεγονός ότι η επιστήμη και οι εφαρμογές της εξελίσσονται συνεχώς. Όπως εξηγεί η Pamela McCorduck στο βιβλίο της Μηχανές που σκέφτονται, συχνά ένα έξυπνο σύστημα που επιλύει ένα νέο πρόβλημα είναι μειωμένο ως "απλά υπολογισμός" ή "όχι πραγματική νοημοσύνη". Ο φιλόσοφος Bostrom συνοψίζει αυτό ωραία: "Πολλά αιχμής AI έχει φιλτραριστεί σε γενικές εφαρμογές, συχνά χωρίς να ονομάζεται AI επειδή κάποτε κάτι είναι αρκετά χρήσιμο και αρκετά κοινό που δεν χαρακτηρίζεται AI πια". Για παράδειγμα, το πρόγραμμα της IBM που έπαιξε πούλια το 1951 ίσως θεωρήθηκε πρωτοποριακό AI τότε, αλλά θα μπορούσε να χαρακτηριστεί ως βασικός υπολογισμός σήμερα. Ή πιο πρόσφατα, ορισμένοι θα υποστηρίζουν ότι απαισιόδοξα ότι δεν υπάρχει τίποτα "έξυπνο" για οποιοδήποτε "στενό AI", όπως το AlphaGo που νικών τον Lee Sedol.

Λαμβάνοντας υπόψη όλες αυτές τις προκλήσεις, υπάρχει ένας τρόπος να μειωθεί ο θόρυβος από τον πολιτισμό και τα μέσα ενημέρωσης που θολώνει την κρίση μας και εστιάζει σε απτά ζητήματα; Όταν χρησιμοποιούμε τη λέξη "AI", αναφερόμαστε συνήθως σε μια συγκεκριμένη τεχνολογία, όπως η επεξεργασία της φυσικής γλώσσας, η εκμάθηση μηχανών ή η μηχανική όραση. Επομένως, το να είσαι όσο το δυνατόν πιο συγκεκριμένο είναι ένα καλό μέρος για να ξεκινήσεις. Σε άλλες περιστάσεις, όμως, η χρήση του όρου "AI" δεν είναι άστοχη, όπως σε περιπτώσεις όπου πραγματικά δεν γνωρίζουμε με ακρίβεια ποια τεχνολογία χρησιμοποιείται. Είναι μια παγίδα στην οποία δεν είμαστε άνοσοι να πέσουμε, μαζί με όλους τους επαγγελματίες του AI και τους δημοσιογράφους που τροφοδοτούν αυτή τη συνεχιζόμενη συζήτηση.

Κοιτάω μπροστά

Προσπαθώντας να διατυπώσουμε με σαφήνεια αυτό που είναι "είναι", ανακαλύψαμε ότι σημαίνει αρκετά διαφορετικά πράγματα σε διαφορετικούς ανθρώπους. Είναι μια ιδέα που έχει καταγράψει τη φαντασία μας για πολύ καιρό. Ακόμα κι αν το περιορίσουμε στην επιστήμη των υπολογιστών, είναι ακόμα πολύ ευρύ. Με αυτό το σκεπτικό, πιστεύουμε ότι είναι σημαντικό να επικεντρωθούμε στο πώς η AI αλλάζει ήδη τις ζωές μας, τις σημερινές ανακαλύψεις που πυροδοτούν αυτή τη διαφημιστική εκστρατεία. Ο Kevin Kelly το συνοψίζει ωραία σε μια πρόσφατη συζήτηση TED:

"Δεν υπάρχουν ειδικοί του AI αυτή τη στιγμή. Υπάρχουν πολλά χρήματα που πηγαίνουν σε αυτό, υπάρχουν δισεκατομμύρια δολάρια που δαπανώνται για αυτό? είναι μια τεράστια επιχείρηση, αλλά δεν υπάρχουν ειδικοί σε σύγκριση με αυτό που θα γνωρίζουμε εδώ και 20 χρόνια. Έτσι είμαστε στην αρχή της αρχής, είμαστε στην πρώτη ώρα από όλα αυτά ... Το πιο δημοφιλές προϊόν AI σε 20 χρόνια από τώρα που χρησιμοποιεί ο καθένας, δεν έχει εφευρεθεί ακόμα. Αυτό σημαίνει ότι δεν αργείς. "

Με άλλα λόγια, είναι φυσιολογικό ότι οι αντιλήψεις μας για ΑΠ συνεπάγονται πολλαπλές απόψεις και μερικές φορές αντιφατικές ιδέες, διότι εξελίσσονται και συμβαίνουν τώρα. Αυτό δεν σημαίνει ότι πρέπει να το διαβάσετε ως cop-out, αλλά μάλλον μια έκκληση για να αγκαλιάσει την έμφυτη ευδαιμονία και ακαταστασία του, καθώς εργαζόμαστε για να το βελτιώσουμε.

Όλα αυτά να πω, δεν πρόκειται να καθορίσουμε τον ορισμό. Θέλουμε, ωστόσο, οι σχεδιαστές να αγωνιστούν με την τεχνολογία που έρχεται σήμερα στην παραγωγή για να έχουν μια βασική κατανόηση του AI και των δυνατοτήτων του. Αν το "AI είναι ό, τι δεν έχει γίνει ακόμα", όπως το θέτει το Tesler's Theorem, τότε αυτό ακριβώς πρέπει να δούμε - όχι σε ό, τι έχει γίνει ήδη, αλλά σε ό, τι είναι δυνατό ή πολύ σύντομα.

Πιστεύουμε ότι στον πυρήνα του, το AI είναι μια τεράστια ευκαιρία μάθησης, και αν αναπτυχθεί προσεκτικά, μπορεί να ωθήσει τους ανθρώπους προς μια ευρεία σαρωτική πρόοδο. Καθώς τα άροτρα με άλογα άλλαξαν δραματικά τη γεωργία στη δεκαετία του 1100 και οι ατμομηχανές προώθησαν την κατασκευή και τη μεταφορά σε μια νέα εποχή τον 18ο αιώνα, βλέπουμε τον AI να στηρίζει τον επόμενο αιώνα ψηφιακής καινοτομίας. Όπως δήλωσε πρόσφατα ο Max Tegmark, καθηγητής Φυσικής του MIT, τώρα δεν είναι η κατάλληλη στιγμή να αναλογιστούμε το μέλλον ως ένα προκαθορισμένο γεγονός που αναπόφευκτα βρισκόμαστε προς την κατεύθυνση, αλλά μάλλον θα πρέπει να αναρωτηθούμε: "Τι είδους μέλλον θέλουμε να σχεδιάσουμε με AI; "

Εάν σας άρεσε αυτό, προσέξτε το επόμενο κεφάλαιο της σειράς AI-First Design Foundations - Τι είναι το Design, πραγματικά;

Συγγραφείς & Συνεργάτες

Η Rebecca West είναι συντάκτης του περιοδικού AI1D Journal στο στοιχείο AI και συγγραφέας με επίκεντρο τα έργα στη διασταύρωση του σχεδιασμού, της τεχνολογίας και της δημιουργικότητας.

Εικονογραφήσεις από τον Dona Solo, έναν Οπτικό Σχεδιαστή στο Element AI.

Με συμβολές από την Designer Masha Krol, τον Ερευνητή Εφαρμοσμένης Έρευνας Archy de Berker και τον καλοκαιρινό μας ερευνητή του 2017 Louis-Félix La Roche-Morin.