Bekymret for, at AI overtager verden? Du gør måske nogle ret uvidenskabelige antagelser

, Skal vi være bange for kunstig intelligens? For mig, dette er et simpelt spørgsmål med et endnu enklere, svar på to bogstaver:nej. Men ikke alle er enige – mange mennesker, inklusive den afdøde fysiker Stephen Hawking, har rejst bekymring for, at fremkomsten af ​​kraftfulde AI-systemer kan betyde enden for menneskeheden.

Klart, dit syn på, om AI vil overtage verden, vil afhænge af, om du tror, ​​det kan udvikle intelligent adfærd, der overgår menneskers – noget, der omtales som "superintelligens". Så lad os tage et kig på, hvor sandsynligt det er, og hvorfor der er stor bekymring for fremtiden for kunstig intelligens.

Mennesker har en tendens til at være bange for det, de ikke forstår. Frygt får ofte skylden for racisme, homofobi og andre kilder til diskrimination. Så det er ikke underligt, at det også gælder nye teknologier – de er ofte omgivet af et vist mysterium. Nogle teknologiske resultater virker næsten urealistiske, klart overgå forventningerne og i nogle tilfælde menneskelig præstation.

Intet spøgelse i maskinen

Men lad os afmystificere de mest populære AI-teknikker, kendt under ét som "machine learning". Disse giver en maskine mulighed for at lære en opgave uden at være programmeret med eksplicitte instruktioner. Dette lyder måske uhyggeligt, men sandheden er, at det hele skyldes nogle ret verdslige statistikker.

Maskinen, som er et program, eller rettere en algoritme, er designet med evnen til at opdage relationer inden for de leverede data. Der er mange forskellige metoder, der giver os mulighed for at opnå dette. For eksempel, vi kan præsentere for maskinen billeder af håndskrevne bogstaver (a-z), en efter en, og bed den fortælle os, hvilket bogstav vi viser hver gang i rækkefølge. Vi har allerede givet de mulige svar – det kan kun være et af (a-z). Maskinen i begyndelsen siger et tilfældigt bogstav, og vi retter det, ved at give det rigtige svar. Vi har også programmeret maskinen til at omkonfigurere sig selv, så næste gang, hvis forelagt det samme brev, det er mere sandsynligt, at det giver os det rigtige svar til den næste. Som en konsekvens, maskinen forbedrer over tid sin ydeevne og "lærer" at genkende alfabetet.

I det væsentlige, vi har programmeret maskinen til at udnytte fælles relationer i dataene for at nå den specifikke opgave. For eksempel, alle versioner af "a" ligner strukturelt, men anderledes end "b", og algoritmen kan udnytte dette. Interessant nok, efter træningsfasen, maskinen kan anvende den opnåede viden på nye brevprøver, for eksempel skrevet af en person, hvis håndskrift maskinen aldrig har set før.

mennesker, imidlertid, er gode til at læse. Måske et mere interessant eksempel er Google Deepminds kunstige Go-afspiller, som har overgået enhver menneskelig spiller i deres præstation af spillet. Den lærer tydeligvis på en anden måde end mennesker - spiller en række spil med sig selv, som intet menneske kunne spille i deres levetid. Den er blevet specifikt instrueret om at vinde og fortalte, at de handlinger, den tager, bestemmer, om den vinder eller ej. Det er også blevet fortalt spillereglerne. Ved at spille spillet igen og igen kan det i hver situation opdage, hvad der er den bedste handling - at opfinde træk, som intet menneske har spillet før.

Småbørn versus robotter

Gør det nu AI Go-spilleren klogere end et menneske? Bestemt ikke. AI er meget specialiseret til bestemte typer opgaver, og det viser ikke den alsidighed, som mennesker gør. Mennesker udvikler en forståelse af verden over år, som ingen AI har opnået eller ser ud til at kunne opnå på et tidspunkt snart.

Det faktum, at AI er døbt "intelligent" skyldes i sidste ende, at den kan lære. Men selv når det kommer til læring, det er ingen match for mennesker. Faktisk, småbørn kan lære ved bare at se nogen løse et problem én gang. En AI, på den anden side, har brug for tonsvis af data og masser af forsøg for at lykkes. Men mens mennesker udvikler betagende intelligens hurtigt i de første par år af livet, nøglebegreberne bag machine learning er ikke så forskellige fra, hvad de var for et eller to årtier siden.

Succesen med moderne kunstig intelligens er mindre på grund af et gennembrud inden for nye teknikker og mere på grund af den store mængde data og beregningskraft, der er tilgængelig. Vigtigt, selvom, selv en uendelig mængde data vil ikke give AI menneskelignende intelligens – vi skal først gøre et betydeligt fremskridt med at udvikle kunstige "generel intelligens"-teknikker. Nogle tilgange til at gøre dette involverer at bygge en computermodel af den menneskelige hjerne – som vi ikke engang er tæt på at opnå.

Ultimativt, bare fordi en AI kan lære, deraf følger ikke rigtig, at den pludselig vil lære alle aspekter af menneskelig intelligens og overliste os. Der er ingen enkel definition af, hvad menneskelig intelligens overhovedet er, og vi har bestemt ikke en idé om, hvordan den nøjagtigt er repræsenteret i hjernen. Men selvom vi kunne finde ud af det og derefter skabe en AI, der kunne lære at blive mere intelligent, det betyder ikke nødvendigvis, at det ville være mere vellykket.

Personligt, Jeg er mere bekymret over, hvordan mennesker bruger AI. Maskinlæringsalgoritmer opfattes ofte som sorte bokse, og der bliver gjort mindre anstrengelser for at finde frem til de specifikke forhold ved den løsning, vores algoritmer har fundet. Dette er et vigtigt og ofte forsømt aspekt, da vi ofte er besat af ydeevne og mindre af forståelse. Det er vigtigt at forstå de løsninger, som disse systemer har opdaget, fordi vi også kan vurdere, om det er rigtige eller ønskværdige løsninger.

Hvis, for eksempel, vi træner vores system på en forkert måde, vi kan også ende med en maskine, der har lært relationer, der generelt ikke holder. Sig for eksempel, at vi ønsker at designe en maskine til at evaluere potentielle studerendes evner inden for ingeniørvidenskab. Sandsynligvis en frygtelig idé, men lad os følge det igennem for at rokke ved argumentet. Traditionelt, dette er en mandsdomineret disciplin, hvilket betyder, at træningsprøver sandsynligvis kommer fra tidligere mandlige studerende. Hvis vi ikke sikrer os, for eksempel, at træningsdataene er afbalancerede, maskinen kan ende med den konklusion, at ingeniørstuderende er mænd, og anvender det forkert på fremtidige beslutninger.

Maskinlæring og kunstig intelligens er værktøjer. De kan bruges på en rigtig eller en forkert måde, ligesom alt andet. It is the way that they are used that should concerns us, not the methods themselves. Human greed and human unintelligence scare me far more than artificial intelligence.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.