人工智能:思考人类的指南– Melanie Mitchell

人工智能的图像结果:人类思维指南

勒内·笛卡尔法国哲学家,数学家和科学家在阐明其著名的二元论时指出,存在两种基础:精神基础和物理基础。精神可以存在于身体外部,而身体无法思考。俗称心身二元论或 笛卡尔对偶 (在该理论的支持者之后),该哲学的中心宗旨是,非物质的思想和物质的身体虽然在本体论上是不同的物质,但却因果相互作用。英国哲学家 吉尔伯特·莱尔(Gilbert Ryle)‘在描述RenéDescartes时’心身二元论,介绍了现在不朽的短语,“ghost in the machine”强调笛卡尔和其他人的观点,即精神和身体活动同时发生,但又分开发生。

雷·库兹韦尔,是未来主义的最高司令兼Google工程总监,他通过公开倡导诸如“ 技术奇点 和彻底的延寿。库兹韦尔认为,随着人工智能领域的巨大飞跃,到2045年,人类将经历一次彻底的寿命延长。另一方面,持怀疑态度的人对这种观念感到不安,声称这种“库兹韦利亚人”的愿望仅仅是幻想,甚至使大多数人感到羞耻。荒唐的梦。

人工智能领域的进步引发了一场具有纵向分歧的开创性辩论。在鸿沟的一侧是不朽的乐观主义者,例如雷·库兹韦尔(Ray Kurzweil)预测了人类历史的新纪元,而在鸿沟的另一侧则放置了悲观主义者和反对者,例如 尼克·波斯特伦, 詹姆斯·巴拉特 甚至喜欢 比尔盖茨, 伊隆·马斯克(Elon Musk)斯蒂芬·霍金 他们提倡极端谨慎并警告存在的风险。那么实际情况是什么? Melanie 米切尔的计算机科学教授 波特兰州立大学 在她著名的著作《“人工智能:思考人类的指南》”中谈到了这个难题。米切尔女士的著作是一本衡量标准的书,令人讨厌麻木的技术和神秘的细节,体现了事实的叙述,旨在揭开AI及其用户未来的神秘面纱。

这本书从一个由 布莱斯·阿古拉(BlaiseAgüera)和阿卡斯(Arcas),一位计算机科学家带领Google涉足机器智能领域。在会议中,天才AI的先驱和作者 普利策奖 获奖书,《哥德尔,埃舍尔,巴赫:永恒的金色辫子》(或简称为“ gee-ee-bee”), 道格拉斯·霍夫施塔特 对库兹韦尔吹捧的奇异性原则表示彻头彻尾的警觉。 “如果确实发生这种情况,”我们将被取代。我们将成为遗物。我们将留在尘土中。”米歇尔女士曾是霍夫施塔特大学的前研究助理,她的导师对此感到感叹,对此感到惊讶。这促使她继续公正地评估AI的影响。

米切尔女士追溯了AI起源的温和轨迹,向她的读者介绍了1956年在达特茅斯(Dartmouth)的一个小作坊,在那里第一次播下了AI的种子。 约翰·麦卡锡被普遍认为是AI之父和该术语本身的发明者 马文·明斯基一位来自 普林斯顿, 克劳德·香农,信息理论的发明者和 纳撒尼尔·罗切斯特(Nathaniel Rochester),一位开创性的电气工程师,帮助他组织了“一个为期2个月的10人人工人工智能研究,将于1956年夏季进行。”最初从无声的努力开始,如今已演变成一种受到同等程度的尊敬与谴责的生物。 米切尔女士着重于符号和亚符号AI等概念,为本书提供了技术元素。然而,米切尔女士对各种无畏的先驱者和计算机专家试图将“学习”的要素提炼到计算机中的各种方式提供了令人着迷的见解,从而赋予了计算机巨大的可扩展性和计算能力。

例如,使用一种称为反向传播的技术,可以在输出单元处消除错误,并向后“传播”该错误的责任,以便为网络中的每个权重分配适当的责任。这样可以进行反向传播以确定更改每个权重的数量,以减少误差。米切尔女士的解释之所以优美,在于其简单。她将看似深奥的概念分解为一小部分“可学习”的元素。

正是这些技术使 IBM的Watson 击败世界象棋冠军 加里·卡斯帕罗夫(Garry Kasparov),并且胜过 危险! 冠军 肯·詹宁斯布拉德·鲁特。因此,有了如此惊人的进步,人工智能已经超越了人类的时代了吗?米切尔女士不这么认为。诉诸于 艾伦·图灵米切尔(Mitchell)女士引起了我们的注意,“图灵对神经病学家的总结”引起了我们的注意。 杰弗里·杰斐逊的报价:

“直到一台机器因为感觉到的想法和情感而写十四行诗或一首协奏曲,而且不是由于符号的偶然掉落,我们才能同意机器等于大脑-也就是说,不仅是机器,而且知道它已经写过它。任何机制都不会对它的成功感到愉悦(并且不仅仅是人为地发出信号,这是一种轻松的尝试),当它的阀门融合时会感到悲伤,被奉承所温暖,因其错误而变得悲惨,被性所迷住,无法对其发怒或沮丧。得到它想要的。”

米切尔女士还以某种形而上的方式强调了计算机在获取抽象和类比属性方面的固有局限性。用她自己的导师霍夫施塔特和他的合著者心理学家的话说 伊曼纽尔·桑德(Emmanuel Sander),“没有概念就没有思想,没有类推就没有概念。”如果计算机失去了常识,就不是用户想要将某些计算机“嵌入”其中的原因。著名的例子是道格拉斯·莱纳特(Douglas Lenat)的Cyc项目,该项目最终被证明是一项大胆而徒劳的练习。

计算机还像人一样思考固有的局限性 Winograd模式。这些是专门为人类而设计但对于计算机而言却很棘手的方案。 赫克托·莱维斯克, 欧内斯特·戴维斯(Ernest Davis)里奥拉·摩根斯坦(Leora Morgenstern) “三位AI研究人员”建议使用大量Winograd模式作为Turing测试的替代方案。作者认为,与图灵测试不同,由Winograd模式组成的测试可以防止机器给出正确答案而实际上不了解句子的任何可能性。这三名研究人员假设(特别是谨慎的语言)认为“有很高的概率,任何正确回答的行为都是我们可以说表明人们在思考的行为。”

最后,米切尔女士总结说,机器尚不能概括,理解因果关系或将知识从情况转移到其他情况,这是人类在婴儿期开始发展的技能。因此,尽管计算机不会在短期内取代人类,但毕竟将计算机付诸实践以实现这种目标可能不是一个明智的主意。