Jika ia tidak dapat menyokong visi masa depannya, adakah kecerdasan buatan sekali lagi akan menyambut 'musim sejuk'?

Sejak Alan Turing mula-mula membangkitkan soalan "Bolehkah mesin berfikir?" pada tahun 1950 dalam kertas maninya - "Jentera Pengkomputeran dan Kepintaran", pembangunan kecerdasan buatan tidak berjalan lancar dan masih belum dicapai. Matlamatnya "kecerdasan buatan umum."

Walau bagaimanapun, kemajuan yang luar biasa masih dicapai dalam bidang ini, seperti: Robot IBM Deep Blue mengalahkan pemain catur terbaik di dunia, automatik Kelahiran kereta pemanduan, dan AlphaGo Google DeepMind mengalahkan pemain Go terbaik dunia... Pencapaian semasa menunjukkan hasil penyelidikan dan pembangunan terbaik sejak lebih 65 tahun lalu.

Perlu diambil perhatian bahawa terdapat "AI Winters" yang didokumentasikan dengan baik dalam tempoh ini, yang hampir membatalkan sepenuhnya jangkaan awal orang ramai untuk kecerdasan buatan.

Salah satu faktor yang membawa kepada musim sejuk AI ialah jurang antara gembar-gembur dan kemajuan asas sebenar.

Dalam beberapa tahun lalu​, terdapat spekulasi bahawa musim sejuk kecerdasan buatan lain mungkin akan datang. Jadi apakah faktor yang boleh mencetuskan zaman ais kecerdasan buatan?

Turun Naik Kitaran dalam Kepintaran Buatan

"AI Winter" merujuk kepada minat orang ramai dalam kecerdasan buatan apabila bidang komersial dan akademik mendapat minat dalam teknologi ini.

Kecerdasan buatan pada mulanya berkembang pesat pada tahun 1950-an dan 1960-an. Walaupun terdapat banyak kemajuan dalam kecerdasan buatan, mereka kebanyakannya kekal akademik.

Pada awal 1970-an, keghairahan orang ramai terhadap kecerdasan buatan mula pudar, dan tempoh suram ini berlarutan sehingga sekitar 1980.

Semasa musim sejuk kecerdasan buatan ini, aktiviti yang didedikasikan untuk membangunkan kecerdasan seperti manusia untuk mesin mula kekurangan dana.

Pada musim panas 1956, sekumpulan ahli matematik dan saintis komputer telah menduduki tingkat atas bangunan yang menempatkan Jabatan Matematik di Kolej Dartmouth .

Selama lapan minggu, mereka membayangkan bidang penyelidikan baharu bersama-sama.

​ Sebagai seorang profesor muda di Dartmouth University pada masa itu, John McCarthy mencipta istilah "kecerdasan buatan" semasa dia mereka bentuk cadangan untuk seminar. ​

Beliau percaya bahawa bengkel itu harus meneroka hipotesis: "Setiap aspek pembelajaran manusia atau mana-mana ciri kecerdasan lain pada dasarnya boleh diterangkan dengan begitu tepat sehingga ia boleh diterangkan oleh mesin untuk mensimulasikannya”.

Pada mesyuarat itu, penyelidik secara kasar melakar kecerdasan buatan seperti yang kita ketahui hari ini.

Ia melahirkan kem pertama saintis kecerdasan buatan "Simbolisme" ialah kaedah simulasi pintar berdasarkan penaakulan logik, juga dikenali sebagai logik, sekolah psikologi atau sekolah komputer terutamanya andaian sistem simbol fizikal dan prinsip rasionaliti terhad, yang telah lama dominan dalam penyelidikan kecerdasan buatan.

Sistem pakar mereka mencapai kemuncaknya pada tahun 1980-an.

Pada tahun-tahun selepas persidangan itu, "connectionism" mengaitkan kecerdasan manusia dengan aktiviti peringkat tinggi otak manusia, menekankan bahawa kecerdasan dihasilkan oleh sejumlah besar unit mudah melalui kompleks sambung dan Keputusan larian selari.

Ia bermula daripada neuron dan kemudian mengkaji model rangkaian saraf dan model otak, membuka laluan pembangunan lain untuk kecerdasan buatan.

Kedua-dua pendekatan itu telah lama dianggap saling eksklusif, dengan kedua-dua pihak percaya bahawa mereka sedang menuju ke arah kecerdasan buatan am.

Mengimbas kembali dalam beberapa dekad sejak persidangan itu, kita dapat melihat bahawa harapan penyelidik AI sering musnah, dan halangan ini tidak menghalang mereka daripada membangunkan AI.

Hari ini, walaupun kecerdasan buatan membawa perubahan revolusioner kepada industri dan berpotensi mengganggu pasaran buruh global, ramai pakar masih tertanya-tanya sama ada aplikasi kecerdasan buatan hari ini telah mencapai hadnya.

Seperti yang diterangkan oleh Charles Choi dalam Seven Revealed Ways AI Fail, sistem pembelajaran mendalam hari ini Kelemahan semakin ketara.

Walau bagaimanapun, penyelidik tidak pesimis tentang masa depan kecerdasan buatan. Kami mungkin menghadapi musim sejuk AI yang lain dalam masa terdekat.

Tetapi ini mungkin saat apabila jurutera AI yang diilhamkan akhirnya membawa kita ke musim panas abadi pemikiran mesin.

Artikel "AI Winter is Coming" oleh pakar penglihatan komputer dan kecerdasan buatan Filip Piekniewski telah membangkitkan perbincangan hangat di Internet.

Artikel ini terutamanya mengkritik gembar-gembur pembelajaran mendalam, mempercayai bahawa teknologi ini jauh daripada revolusi dan menghadapi kesesakan pembangunan.

Minat syarikat utama dalam kecerdasan buatan sebenarnya sedang bertumpu, dan satu lagi musim sejuk kecerdasan buatan ​prestasi mungkin akan datang. ​

Adakah musim sejuk kecerdasan buatan akan datang?

Sejak 1993, bidang kecerdasan buatan telah mencapai kemajuan yang semakin mengagumkan. ​

Pada tahun 1997, sistem Deep Blue IBM menjadi yang pertama mengalahkan juara catur dunia Gary﹒ Pemain catur komputer Kasparov.

Pada tahun 2005, robot tanpa pemandu Stanford memandu sejauh 131 batu di jalan padang pasir tanpa menyentuh satu langkah pun, memenangi Cabaran Robot Memandu Sendiri DARPA.

Pada awal tahun 2016, AlphaGo DeepMind Google mengalahkan pemain Go terbaik dunia.

Semuanya telah berubah sejak dua puluh tahun yang lalu.

Terutama dengan perkembangan pesat Internet, industri kecerdasan buatan mempunyai cukup gambar, bunyi, video dan jenis data lain untuk melatih rangkaian saraf dan menggunakannya secara meluas.

Tetapi kejayaan meluaskan bidang pembelajaran mendalam bergantung pada peningkatan bilangan lapisan dalam rangkaian saraf dan meningkatkan masa GPU yang digunakan untuk melatih mereka.

Analisis oleh firma penyelidikan kecerdasan buatan OpenAI menunjukkan bahawa kuasa pengkomputeran yang diperlukan untuk melatih sistem kecerdasan buatan terbesar berganda setiap dua tahun, dan kemudian berganda setiap 3-4 bulan.

Seperti yang ditulis oleh Neil C. Thompson dan rakan sekerjanya dalam Pulangan Pembelajaran Mendalam yang Mengurangkan, ramai penyelidik bimbang bahawa Permintaan pengkomputeran AI berada pada trajektori yang tidak mampan.

Masalah biasa yang dihadapi oleh penyelidikan kecerdasan buatan awal ialah kekurangan kuasa pengkomputeran yang teruk. Masalah ini dihadkan oleh perkakasan dan bukannya kecerdasan atau keupayaan manusia.

Memandangkan kuasa pengkomputeran telah meningkat secara mendadak sepanjang 25 tahun yang lalu, begitu juga dengan kemajuan kita dalam kecerdasan buatan.

Walau bagaimanapun, dalam menghadapi data besar yang melonjak dan algoritma yang semakin kompleks, 20ZB data baharu ditambah secara global setiap tahun, dan permintaan untuk kuasa pengkomputeran AI meningkat 10 kali ganda setiap tahun. Kadar ini telah jauh melebihi Undang-undang Moore adalah mengenai kitaran penggandaan prestasi.

Kami menghampiri had fizikal teori bilangan transistor yang boleh dipasang pada cip.

Sebagai contoh, Intel memperlahankan langkah melancarkan teknologi pembuatan cip baharu kerana sukar untuk terus mengurangkan saiz transistor sambil menjimatkan kos. Pendek kata, penghujung Undang-undang Moore semakin hampir.

Sumber imej: Ray Kurzwell, DFJ​

Terdapat beberapa penyelesaian jangka pendek yang akan memastikan pertumbuhan berterusan kuasa pengkomputeran dan dengan itu kemajuan kecerdasan buatan.

Sebagai contoh, pada pertengahan 2017, Google mengumumkan bahawa ia telah membangunkan cip kecerdasan buatan khusus yang dipanggil "Cloud TPU" yang dioptimumkan untuk latihan dan pelaksanaan rangkaian saraf dalam.

Amazon membangunkan cip sendiri untuk Alexa (pembantu peribadi kecerdasan buatan). Pada masa yang sama, pada masa ini terdapat banyak syarikat pemula yang cuba menyesuaikan reka bentuk cip untuk aplikasi kecerdasan buatan khusus.

Walau bagaimanapun, ini hanyalah penyelesaian jangka pendek.

Apa yang berlaku apabila kita kehabisan pilihan untuk mengoptimumkan reka bentuk cip tradisional? Adakah kita akan melihat musim sejuk AI yang lain? Jawapannya ya, melainkan pengkomputeran kuantum boleh mengatasi pengkomputeran klasik dan mencari jawapan yang lebih kukuh.

Tetapi sehingga kini, komputer kuantum yang boleh mencapai "hegemoni kuantum" dan lebih cekap daripada komputer tradisional masih belum wujud.

Jika kita mencapai had kuasa pengkomputeran tradisional sebelum kedatangan "kekuasaan kuantum" sebenar, saya khuatir akan ada musim sejuk kecerdasan buatan lagi pada masa hadapan.

Masalah yang dihadapi oleh penyelidik AI menjadi semakin kompleks dan mendorong kami ke arah merealisasikan visi Alan Turing tentang kecerdasan buatan am buatan. Namun, masih banyak kerja yang perlu dilakukan.

Pada masa yang sama, kita tidak mungkin menyedari potensi penuh kecerdasan buatan tanpa bantuan pengkomputeran kuantum.

Tiada siapa yang boleh mengatakan dengan pasti sama ada musim sejuk AI akan datang.

Walau bagaimanapun, adalah penting untuk mengetahui potensi risiko dan memberi perhatian yang teliti kepada tanda-tanda supaya kita boleh bersedia apabila ia berlaku.

Atas ialah kandungan terperinci Jika ia tidak dapat menyokong visi masa depannya, adakah kecerdasan buatan sekali lagi akan menyambut 'musim sejuk'?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!