چرا انقلاب هوش مصنوعی توسط تستر هدایت می شود

چرا انقلاب هوش مصنوعی توسط تستر هدایت می شود


آیا الگوریتم های هوشمند آینده مانند روبات های عمومی به نظر می رسند، به عنوان افرادی که در خلال خاموش و خواندن نقشه ها به عنوان مفید در آشپزخانه هستند؟ یا دستیارهای دیجیتال ما بیشتر شبیه یک کیسه گیر از اسباب بازی های تخصصی است - کمتر از یک آشپزخانه مجزا از یک آشپزخانه پر از لوازم؟

اگر یک الگوریتم سعی می کند تا بیش از حد کار کند، به مشکل می رسد. دستور العمل زیر توسط یک شبکه عصبی مصنوعی تولید می شود، یک نوع هوش مصنوعی (AI) است که توسط مثال یاد می گیرد. این الگوریتم خاص در مورد دستور العمل های آشپزی 30,000 از همه انواع، از سوپ ها تا کیک ها به کباب ها، و سپس سعی کرد تا خود را مطرح کند. ما باید بگوییم، تا حدودی غیرقانونی است:

(یادداشت سردبیر: این دستورالعمل ها را در خانه امتحان نکنید، LOL)

برنج مرغ اسپرد
پنیر / تخم مرغ، سالاد، پنیر
قلب 2 lb، بذر
فنجان 1 فلفل تازه یا تمشک را تکه تکه کرده است
فنجان چای 1 / 2، رنده شده
روغن سبوسدار سبوسدار 1
نمک 1
فلفل 1
قند 2 1 / 2 tb، شکر
مخلوط کردن را باز کنید و بگذارید تا مخلوط ضخیم شود. سپس تخم مرغ، قند، عسل و تخم چیپس را اضافه کنید و بیش از حد حرارت دهید. شربت ذرت، ارگانیو و رزماری و فلفل سفید را اضافه کنید. کرم را با گرما قرار دهید. کوک را اضافه کنید 1 باقی مانده قاشق چای خوری پودر پودر و نمک. پخت در 350F برای 2 به 1 ساعت. خدمت گرم
عملکرد: خدمات 6

در حال حاضر، در اینجا یک نمونه از دستور العمل تولید شده توسط الگوریتم مشابه همان است - اما به جای داده ها که شامل دستور العمل های همه انواع، آن را فقط در کیک نگاه کرد. دستور العمل کامل نیست، اما بسیار، بسیار بهتر از قبل است:

کیک هویج (خانم ورا)
کیک، الکل
ترکیب 1 pkg کیک زرد
آرد 3 فنجان
1 قاشق چای خوری پودر پخت
1 1 / 2 قهوه ای نوشابه سودا
نمک قاشق چای خوری 1 / 4
دارچین زمستی قاشق چایخوری 1
زنجبیل زمین قاشق چای خوری 1
1 / 2 قاشق چای خوری گل میخک
1 قاشق چای خوری پودر پخت
نمک قاشق چای خوری 1 / 2
قاشق چای خوری 1 وانیل
تخم مرغ 1، دمای اتاق
1 فنجان شکر
قاشق چای خوری 1 وانیل
پودر فنجان خرد شده 1
کوره را به دمای 350 ارتقا دهید. یک پانل مارپیچر 9-inch را با روغن کاری کنید.
برای ساخت کیک: تخم مرغ را با سرعت بالا تا رنگ ضخیم و زرد بچرخانید و کنار بگذارید. در یک کاسه جداگانه، سفیده تخم مرغ را تا زمانی که سفت می شود، ضرب کنید. اولین مخلوط را به تابه آماده کنید و خمیر را صاف کنید. پختن در فر در مورد 40 دقیقه یا تا زمانی که یک تولهیک چوبی وارد شده به مرکز می آید تمیز. در دقیقه چند دقیقه در 10 در ظرف قرار دهید. برای خنک کردن به طور کامل بر روی یک قفسه سیم بیفتید.
کیک را از تانک به طور کامل خنک کنید. خدمت گرم
کتاب آشپزی اینجا (1989) از آشپزخانه و هون در زندگی کانادایی
عملکرد: خدمات 16

مطمئنا، هنگامی که به دستورالعمل های بیشتری نگاه می کنید، تنها یک زرده تخم مرغ پخته می شود. اما هنوز یک پیشرفت است. هنگامی که AI مجاز به تخصص بود، به سادگی برای نگهداری از آن بسیار کمتر بود. لازم نیست سعی کنيد هنگام استفاده از شکلات و زمان استفاده از سيب زمين، هنگام پختن يا زمان بجوشانيد. اگر اولین الگوریتم تلاش کرد که یک جعبه تعجب باشد که بتواند برنج، بستنی و کیک تولید کند، الگوریتم دوم سعی داشت چیزی شبیه توستر باشد که تنها برای یک کار تخصصی بود.

توسعه دهندگان که الگوریتم های یادگیری ماشین را آموزش می دهند، متوجه شده اند که غالبا منطقی است تا تست ها را به جای جعبه های تعجب آور ایجاد کنند. این ممکن است به نظر غیرقابل انعکاسی برسد، زیرا AI ها از داستان علمی تخیلی غربی مشابه C-3PO هستند جنگ ستارگان یا WALL-E در نام فیلم - نمونه هایی از هوش مصنوعی عمومی (AGI)، ماشین های اتوماتیک که می توانند با جهان مثل یک انسان ارتباط برقرار کنند و بسیاری از وظایف مختلف را انجام دهند. اما بسیاری از شرکت ها نامرئی و موفقیت آمیز هستند - با استفاده از یادگیری ماشین برای رسیدن به اهداف بسیار محدودتر. یک الگوریتم ممکن است یک Chatbot باشد که با محدودیت محدوده سؤالات اساسی مشتری درباره لایحه تلفن خود تماس گرفته است. دیگر ممکن است پیش بینی هایی را درباره آنچه که مشتری می خواهد برای بحث و گفتگو انجام دهد، نشان می دهد این پیش بینی ها برای نماینده انسانی که به تلفن پاسخ می دهد. اینها نمونه هایی از مصنوعی هستند باریک هوش (ANI) - محدود به عملکرد بسیار محدود است. از سوی دیگر، فیس بوک به تازگی ماتریس M خود را بازنشسته است، که هرگز در دستیابی به اهداف خود در مورد رزرو هتل، رزرو بلیط تئاتر، تنظیم مجدد بازدید از طوطی ها و غیره موفق نبوده است.

به همین دلیل است که ANI سطح توستر به جای سطح AGI WALL-E در این است که هر الگوریتمی که سعی دارد تعمیم دهد بدتر در وظایف مختلف آن مواجه است.

'این پرنده زرد با سیاه و سفید بر روی سر خود و دارای یک خمیده بسیار کوتاه است'


آخرین مطالب را از InnerSelf دریافت کنید


برای مثال، در اینجا یک الگوریتم آموزش داده شده برای تولید یک عکس بر اساس یک عنوان است.

این تلاش آن برای ایجاد یک تصویر از عبارت: "این پرنده زرد با سیاه و سفید بر روی سر خود و یک خمیده بسیار کوتاه است."

هنگامی که آن را در مجموعه داده ای که به طور کامل از پرندگان تشکیل شده بود آموزش داده شد، بسیار خوب بود (با وجود شاخ عجیب و غریب شاخدار):

اما زمانی که وظیفه او تولید بود هر چیزی - از نشانه های توقف به قایق به گاو به مردم - آن را تلاش کرد. در اینجا تلاش او برای تولید یک تصویر از یک دختر خوردن یک قطعه بزرگ پیتزا است.

'تصویر یک دختر خوردن یک تکه بزرگ از پیتزا'

ما به این فکر نمیکنیم که یک شکاف بزرگ بین یک الگوریتم وجود دارد که یک چیز خوب را به وجود می آورد و یک الگوریتمی است که چیزهای زیادی را انجام می دهد. اما امروز ما الگوریتم در مقایسه با مغز انسان توانایی ذهنی بسیار محدودی دارد و هر کار جدید آنها را نازکتر می کند. فکر می کنید از یک دستگاه تستر اندازه: آسان است در دو اسلات و برخی از کویل گرم ساخت، به طوری که می تواند نان را نان. اما این چیزی است که کمی برای چیز دیگری گذاشته است. اگر سعی می کنید قابلیت های برنج بخار و بستنی را نیز اضافه کنید، باید حداقل یکی از اسلات های نان را کنار بگذارید و احتمالا در هر چیزی خوب نیست.

ترفندهای استفاده از برنامه نویسان برای به دست آوردن بیشتر از الگوریتم های ANI وجود دارد. یکی یادگیری انتقال است: یک الگوریتم را برای انجام یک کار آماده کنید و می توانید بعد از بازآموزی حداقل، یک کار متفاوت اما نزدیک را انجام دهید. به عنوان مثال، افراد از یادگیری انتقال استفاده می کنند تا الگوریتم های شناسایی تصویر را آموزش دهند. یک الگوریتم که برای شناسایی حیوانات آموخته است، در حال پیشرفت در مهارت های شناسایی لبه و تجزیه و تحلیل بافت است که می تواند به وظیفه شناسایی میوه ها منتقل شود. اما اگر الگوریتم را برای شناسایی میوه ها دوباره آموزش دهید، یک پدیده نامیده می شود فراموش کردن فاجعه بار بدین معنی است که دیگر به یاد نمی آورد چگونه حیوانات را شناسایی کند.

ترفند دیگر که الگوریتم های امروز استفاده می کنند مدولار بودن. به جای یک الگوریتم تک که بتواند هر مشکلی را برطرف کند، AI های آینده احتمالا مجموعه ای از ابزارهای بسیار تخصصی هستند. یک الگوریتم که آموخته مثلا بازی Doom، بازی های ویدیویی اختصاصی، کنترل کننده، و ماژول های حافظه داشته باشد. ماژول های متصل شده همچنین می توانند افزونگی در برابر شکست را فراهم آورند و مکانیسم رأی دادن به بهترین راه حل مشکل را بر اساس رویکردهای مختلف. آنها همچنین می توانند راهی برای شناسایی و رفع اشتباهات الگوریتمی باشند. به طور معمول مشکل است که چگونه یک الگوریتم فردی تصمیمات خود را اتخاذ می کند، اما اگر تصمیم با همکاری الگوریتم های زیر انجام شود، می توانیم حداقل به خروجی زیر الگوریتم زیر نگاه کنیم.

وقتی ما AI های آینده را پیش بینی می کنیم، ممکن است WALL-E و C-3PO داریاهای ما نبوده باشند. در عوض، ما ممکن است چیزی شبیه یک گوشی هوشمند پر از برنامه ها یا یک کابینت آشپزخانه پر از اسباب بازی ها بگیریم. همانطور که ما برای یک دنیای الگوریتم آماده میشویم، باید اطمینان حاصل کنیم که ما برای تفکر، جعبههای تعجبآور کلی که هرگز ساخته نمیشوند، برنامهریزی نمیکنیم، بلکه به جای آن برای تستهای بسیار تخصصی.Aeon counter - حذف نکنید

درباره نویسنده

Janelle Shane شبکه های عصبی را برای نوشتن طنز در aiweirdness.com آموزش می دهد. او همچنین یک دانشمند پژوهشی در زمینه اپتیک است و در بولدر، کلرادو زندگی می کند.

این مقاله در اصل در ابدیت و تحت مجوز Creative Commons منتشر شده است.

کتاب های مرتبط:

{amazonWS: searchindex = کتابها؛ کلید واژه ها = کتاب هوش مصنوعی؛ maxresults = 3}

enafarZH-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

به دنبال InnerSelf در

فیس بوک، آیکونتوییتر آیکونrss-icon

دریافت آخرین با ایمیل

{emailcloak = خاموش}

بیشترین مطلب خوانده شده