MİT YAPAY ZEKA...Bilgisayarlar Neden Bizim Düşündüğümüz Gibi Düşünemez ?
ERIK J. LARSON
The Belknap Press of Harvard
University Press
Cambridge, Massachusetts • Londra,
İngiltere
2021
İlk
baskı
Başlık:
Yapay zeka efsanesi: bilgisayarlar neden bizim gibi düşünemiyor / Erik J.
Larson.
Giriş 1
Part I:
BASİTLEŞTİRİLMİŞ DÜNYA 7
1 İstihbarat
Hatası 9
2 Bletchley
19'da
Turing
3 Süper
Zekâ Hatası 33
4 Tekillik,
O Zaman ve Şimdi 44
5 Doğal
Dil Anlama 50
6 Teknolojik
Kitsch 60
olarak AI
7 Basitleştirmeler
ve Gizemler 68
Part II:
ÇIKARIM SORUNU 87
8 Hesaplama,
Analiz Et 89
9 Peirce
Yapbozu (ve Peirce Yapbozu) 95
10 Tümdengelim
ve Tümevarımla İlgili Problemler 106
11 Makine
Öğrenimi ve Büyük Veri 133
12 Abdüktif
Çıkarım 157
13 Çıkarım
ve Dil I 191
14 Çıkarım
ve Dil II 204
Part III:
MİTİN GELECEĞİ 235
15 Mitler
ve Kahramanlar 237
16 Yapay
Zeka Mitolojisi Nörobilimi İstila Ediyor 245
17 Neokortikal
İnsan Zekası Kuramları 263
18 Bilimin
Sonu mu? 269
notlar 283
teşekkürler 301
303
Bu kitabın
sayfalarında yapay zekâ efsanesini okuyacaksınız. Efsane, gerçek yapay zekanın
mümkün olduğu değildir. Buna gelince , yapay zekanın geleceği bilimsel olarak
bilinmiyor. Yapay zeka efsanesi, gelişinin kaçınılmaz olduğu ve yalnızca bir
zaman meselesi olduğu - insan düzeyinde yapay zekaya ve ardından süper zekaya
götürecek yola çoktan girmiş olduğumuzdur. Sahip değiliz. Yol sadece hayal
gücümüzde var. Yine de yapay zekanın kaçınılmazlığı, medya uzmanları, Elon Musk
gibi düşünce liderleri ve hatta birçok yapay zeka bilim insanı (kesinlikle
hepsi olmasa da) tarafından desteklenen popüler tartışmalara o kadar kökleşmiş
durumda ki, buna karşı çıkmak genellikle bir Luddizm biçimi olarak görülüyor
veya en azından teknolojinin geleceğine dair dar görüşlü bir görüş ve akıllı
makinelerden oluşan bir dünyaya hazırlanma konusunda tehlikeli bir
başarısızlık.
Efsanenin önde
gelen savunucuları Ray Kurzweil ve filozof Nick Bostrom, yalnızca insan
düzeyinde yapay zekanın kaçınılmaz olduğunu değil, aynı zamanda gelişinden kısa
bir süre sonra süper zeki makineler bizi çok geride bırakacakmış gibi
konuşuyorlar.
bilimsel, diğeri kültürel
olmak üzere iki önemli yönünü açıklıyor . Efsanenin bilimsel kısmı, oyun
oynamak veya görüntüleri tanımak gibi zekanın dar başarılarında ilerleme
kaydederek genel zeka meydan okumasında yalnızca "uzaklaşmaya" devam
etmemiz gerektiğini varsayar. Bu çok büyük bir hatadır: Dar alanlardaki başarı
bizi genel zekaya bir adım daha yaklaştırmaz. Sistemlerin genel zeka için
ihtiyaç duyduğu çıkarımlar - bir gazete okumak veya temel bir konuşma yapmak
veya The Jetgiller'deki Rosie the Robot gibi bir yardım toplantısı yapmak - mevcut
yapay zeka bilgimizle programlanamaz, öğrenilemez veya tasarlanamaz. Daha hızlı
bilgisayarlardan ve çok sayıda veriden yararlanan zekanın daha basit, dar
sürümlerini başarıyla uyguladığımızda, artan ilerleme kaydetmiyoruz, bunun
yerine düşük asılı meyveleri topluyoruz. Genel "sağduyuya" geçiş
tamamen farklıdır ve birinden diğerine giden bilinen bir yol yoktur. Genel zeka
için herhangi bir algoritma yoktur. Ve böyle bir algoritmanın derin öğrenme
sistemleri veya günümüzde popüler olan herhangi bir başka yaklaşım üzerinde
daha fazla çaba harcanarak ortaya çıkacağından şüphelenmek için iyi
nedenlerimiz var. Çok daha büyük olasılıkla, büyük bir bilimsel atılım
gerektirecek ve şu anda hiç kimse, bırakın ona ulaşmanın ayrıntılarını, böyle
bir atılımın neye benzeyeceği konusunda en ufak bir fikre sahip değil.
O halde
yapay zeka hakkındaki mitoloji kötüdür, çünkü devam eden ilerlemeye dair sonu
gelmeyen konuşmalarda bilimsel bir gizemi örtmektedir. Efsane, kaçınılmaz
başarıya olan inancı destekler, ancak bilime gerçek saygı bizi çizim tahtasına
geri getirmelidir. Bu da bizi bu sayfaların ikinci konusuna getiriyor: mitin
kültürel sonuçları. Efsanenin peşinden gitmek, "akıllı parayı" veya
tarafsız bir duruşu izlemenin iyi bir yolu değildir. Bilim için kötü, bizim
için de kötü. Neden? Bunun bir nedeni, temel bir gizemle yüzleşmek yerine
onu görmezden gelmeyi seçersek inovasyon elde etmemizin pek olası olmamasıdır.
Sağlıklı bir inovasyon kültürü , özellikle bu yöntemlerin bizi çok daha
ileriye götürmek için yetersiz olduğu görüldüğünde, mevcut yöntemleri abartarak
değil, bilinmeyenleri keşfetmeyi vurgular. Yapay zekadaki kaçınılmaz başarı
hakkındaki mitoloji , insan düzeyinde yapay zeka olsun ya da olmasın, gerçek
ilerleme için gerekli olan buluş kültürünü söndürme eğilimindedir . Efsane aynı
zamanda, gerçek buluşun, genellikle yerleşik çıkarlardan gelen mevcut
yaklaşımları savunan fütüristik konuşma lehine bir kenara itildiği bir makine
ülkesinin sürüngenliğine boyun eğmeyi de teşvik eder.
Kim bu kitabı okumalıdır?
Elbette, yapay zeka konusunda heyecan duyan ama neden hep on ya da yirmi yıl
uzakta olduğunu merak eden herkes almalıdır . Bunun bilimsel bir nedeni var,
onu açıklıyorum. Yapay zekanın süper zekaya doğru ilerlemesinin kaçınılmaz
olduğunu düşünüyor ve geldiğinde ne yapacağınız konusunda endişeleniyorsanız,
bu kitabı da okumalısınız . Yapay zeka derebeylerinin bir gün ortaya çıkmayacağını
kanıtlayamasam da, bu senaryonun olasılıklarını ciddi şekilde göz ardı etmeniz
için size sebep verebilirim. Genel olarak, toplumumuzda AI'yı çevreleyen yaygın
yutturmaca hakkında sadece merak ediyorsanız ancak kafanız karıştıysa, bu
kitabı okumalısınız. Yapay zeka mitinin kökenlerini, insan düzeyinde yapay
zekaya gerçekten ulaşma beklentileri hakkında bildiklerimizi ve
bilmediklerimizi ve neden bildiğimiz tek gerçek zekayı, yani kendi zekamızı
daha iyi takdir etmemiz gerektiğini açıklayacağım.
BU
KİTAPTA
Turing ve Good
arasında, modern yapay zeka mitinin şekillendiğini görüyoruz. Gelişimi, bizi
teknolojik kitsch dediğim bir çağa getirdi - daha derin fikirlerin akıllı
katılımı kesen ve kültürümüzü zayıflatan ucuz taklitleri. Kitsch bize nasıl
düşüneceğimizi ve nasıl hissedeceğimizi söyler. Kitsch'in tedarikçileri fayda
sağlarken, kitsch'in tüketicileri bir kayıp yaşıyor. Onlar - biz - sığ bir
dünyaya düşüyoruz.
düzeyinde yapay zeka (veya
hatta ona yakın herhangi bir şey) için işe yarayacak tek çıkarım türünün -
başka bir deyişle düşünmenin - nasıl olduğuna dair hiçbir fikrimiz olmayan
çıkarım türü olduğunu savunuyorum. programlamak veya mühendislik yapmak.
Çıkarım sorunu, yapay zeka tartışmasının kalbine gidiyor çünkü doğrudan
insanlarda veya makinelerde zeka ile ilgileniyor. Çeşitli çıkarım türleri
hakkındaki bilgimiz, Aristoteles ve diğer eski Yunanlılara kadar uzanır ve mantık
ve matematik alanlarında geliştirilmiştir. Çıkarım, bilgisayar programları gibi
biçimsel, sembolik sistemler kullanılarak halihazırda tanımlanmıştır, bu
nedenle mühendislik zekası projesinin çok net bir görünümü, çıkarımın
keşfedilmesiyle elde edilebilir. Üç tip var. Klasik yapay zeka birini
(tümdengelim), modern yapay zeka diğerini (tümevarım) araştırır. Üçüncü tür (
kaçırılma) genel zekayı sağlar ve sürpriz, hiç kimse bunun üzerinde çalışmıyor
- hiç. 1 Son olarak, her çıkarım türü farklı olduğundan -yani, bir
tür diğerine indirgenemez- genel zekayı destekleyen çıkarım türünü kullanarak
yapay zeka sistemleri oluşturmadaki başarısızlığın, yapay genel zekaya doğru
ilerleme kaydedilememesine yol açacağını biliyoruz. veya AGİ.
Üçüncü
Bölüm, Efsanenin Geleceği'nde, mitin ciddiye alındığında çok kötü sonuçları
olacağını, çünkü bilimi alt üst ettiğini tartışıyorum . Özellikle, kendi
geleceğimizi anlamak için ihtiyaç duyacağımız atılımlar için gerekli olan insan
zekası ve buluş kültürünü aşındırıyor. Veri bilimi (yapay zekanın "büyük
veriye" uygulanması) en iyi ihtimalle, doğru kullanılırsa modern
"veri tufanı" ile başa çıkmamıza yardımcı olabilecek insan zekası
için bir protezdir. Bireysel zekanın yerini alacak şekilde kullanılırsa, sonuç
getirmeden yatırımı kemirme eğilimi gösterir . Özellikle mitin, son zamanlardaki
diğer bilimsel arayışların yanı sıra nörobilim alanındaki araştırmaları nasıl
olumsuz etkilediğini açıklıyorum. Efsane için ödediğimiz bedel çok yüksek.
Efsanenin doğru olduğuna inanmak için iyi bir bilimsel nedenimiz olmadığı ve
kendi geleceğimiz için onu reddetmek için her türlü nedenimiz olduğundan, AI
hakkındaki tartışmayı kökten yeniden düşünmemiz gerekiyor.
Yapay zekanın
hikayesi, muazzam insan zekasına sahip birinin fikirleriyle başlar: bilgisayar
öncüsü Alan Turing.
, akıllı makinelerin
olasılığı hakkında "Computing Machinery and Intelligence " adlı
kışkırtıcı bir makale yayınladı. 1 Bildiri cesurdu, bilgisayarların
yeni olduğu ve günümüz standartlarına göre etkileyici olmadığı bir zamanda
geliyordu. Yavaş, ağır donanım parçaları, kod kırma gibi bilimsel hesaplamaları
hızlandırdı. Uzun bir hazırlıktan sonra, fiziksel denklemler ve başlangıç
koşulları ile beslenebilirler ve bir nükleer patlamanın yarıçapını
kranklayabilirler. IBM, elektronik tabloları güncellemek gibi işletmeler için
hesaplamalar yapan insanların yerini alma potansiyellerini hızla kavradı. Ancak
bilgisayarları "düşünme" olarak görmek hayal gücü gerektiriyordu.
Turing'in
önerisi, "taklit oyunu" adı verilen popüler bir eğlenceye
dayanıyordu. Orijinal oyunda, bir erkek ve bir kadın gözden gizlenmiştir.
Üçüncü bir kişi, sorgulayıcı, her seferinde birine sorular aktarır ve cevapları
okuyarak, benimkinin hangisinin erkek, hangisinin kadın olduğunu belirlemeye
çalışır. Bükülme şu ki, kadın ona yardım etmeye çalışırken erkek sorgulayıcıyı
aldatmaya çalışmak zorunda - her iki taraftan da şüphelilerden yanıtlar alıyor.
Turing, erkek ve kadını bir bilgisayar ve bir insanla değiştirdi. Böylece şimdi
Turing testi dediğimiz şey başladı: Bir bilgisayar ve bir insan , bir insan yargıçtan yazılı
sorular alır ve eğer yargıç hangisinin bilgisayar olduğunu tam olarak
belirleyemezse, bilgisayar kazanır. Turing, böyle bir sonuçla, insan olsun ya
da olmasın, makineyi akıllı olmayan olarak tanımlamamız için iyi bir nedenimiz
olmadığını savundu. Böylece, bir makinenin zekaya sahip olup olmadığı sorusu,
onun gerçekten düşünüp düşünemeyeceği sorusunun yerini alır.
Turing testi aslında çok
zordur—hiçbir bilgisayar onu geçememiştir. Turing, elbette, 1950'de bu uzun
vadeli sonucu bilmiyordu; ancak, "bilinç" ve "düşünme"
hakkındaki sinir bozucu felsefi soruları gözlemlenebilir bir çıktı testiyle
değiştirerek, AI'nın iyi tanımlanmış bir amacı olan meşru bir bilim olduğu
görüşünü teşvik etti. Yapay zeka 1950'lerde şekillenirken, öncülerinin ve destekçilerinin
çoğu Turing'le aynı fikirdeydi: Bir kişiyle sürekli ve ikna edici bir konuşma
yapan herhangi bir bilgisayar, çoğumuzun kabul edeceği gibi, düşünmeyi (her ne
ise) gerektiren bir şey yapar. .
TURING'İN
SEZGİSİ /
marifet
farkı
Turing'in 1936'da bilgi işlem
makineleri üzerine çalışması, bilgisayar biliminin bir disiplin olarak ortaya
çıkmasına yardımcı oldu ve matematiksel mantığa önemli bir katkı sağladı. Yine
de, Turing görünüşe göre erken tanımının önemli bir şeyi gözden kaçırdığını
düşündü. Aslında, zihnin veya insan yetilerinin problem çözmeye yardım ettiğine
dair aynı fikir, iki yıl sonra doktora tezinde ortaya çıktı; bu, Avusturya
doğumlu matematiksel mantıkçı Kurt Godel'in bir sonucunu atlatmak için zekice
ama nihayetinde başarısız bir girişimdi (bunun üzerine daha sonra geleceğiz).
). Turing'in tezi, ustalık adını verdiği başka bir zihinsel yetenekle
karşılaştırdığı sezgi hakkında şu ilginç pasajı içeriyor:
Matematiksel
muhakeme, daha çok şematik olarak, sezgi ve yaratıcılık diyebileceğimiz iki
yetinin bir kombinasyonunun uygulanması olarak görülebilir. Sezginin faaliyeti ,
bilinçli muhakeme dizilerinin sonucu olmayan kendiliğinden kararlar vermekten
ibarettir. Bu yargılar çoğu zaman, ancak hiçbir şekilde her zaman doğru
değildir ("doğru" ile neyin kastedildiği sorusunu bir kenara
bırakırsak). Sezgisel bir yargının doğruluğunu doğrulamanın başka bir yolunu
bulmak genellikle mümkündür. Örneğin, tüm pozitif tam sayıların benzersiz bir
şekilde asal sayılara bölünebileceği yargısına varılabilir; ayrıntılı bir
matematiksel argüman aynı sonuca götürür. Aynı zamanda sezgisel yargıları da
içerecektir, ancak bunlar, çarpanlara ayırma hakkındaki orijinal yargıya göre
eleştiriye daha az açık olacaktır. Bu "sezgi" fikrini daha açık bir
şekilde açıklamaya çalışmayacağım.
Kullandığı dil uzmanlar için
tasarlanmış olsa da, Turing bariz bir şeye işaret ediyor: matematikçiler tipik
olarak problemleri seçerler veya en azından adımlara bölünemez gibi görünen
ve bu nedenle bilgisayar programlamaya açık bir şekilde uygun olmayan bir
kapasiteyi kullanarak üzerinde çalışmak için ilginç bir problemi “görürler”.
GÖDEL'İN
GÖRÜŞÜ
Gödel de mekanik
zekayı düşünüyordu. Turing gibi, yaratıcılık (mekanik) ve sezgi (akıl)
arasındaki ayrıma takıntılıydı. Onun ayrımı, esasen farklı bir dilde
Turing'inkiyle aynıydı: kanıta karşı gerçek (veya matematik dilinde
"kanıt-teori"ye karşı "model-teori"). Kanıt ve hakikat
kavramları, diye merak etti Gödel, sonunda aynı mı? Eğer öyleyse, matematik ve
hatta bilimin kendisi tamamen mekanik olarak anlaşılabilir. Bu görüşte insan
düşüncesi de mekanik olacaktır. Yapay zeka kavramı, terim icat edilmeyi beklese
de, sorunun üzerinde gezindi. Zihnin sezgisi, hakikati ve anlamı kavrama
yeteneği bir makineye, hesaplamaya indirgenebilir mi?
Gödel bu sonuca nasıl ulaştı?
Ayrıntılar karmaşık ve tekniktir, ancak Gödel'in temel fikri, toplama yapacak
kadar karmaşık bir matematik sistemini, neredeyse İngilizce veya Almanca gibi
doğal bir dil gibi bir anlam sistemi olarak ele alabileceğimizdir - ve aynısı
tüm daha karmaşık sistemler için de geçerlidir. . Ona bu şekilde davranarak,
sistemin kendisi hakkında konuşmasını sağlıyoruz. Örneğin kendisi hakkında bazı
sınırlamaları olduğunu söyleyebilir. Gödel'in görüşü buydu.
Matematiktekiler gibi
biçimsel sistemler, doğrunun ve yanlışın kesin ifadesine izin verir . Tipik
olarak, ispat araçlarını kullanarak gerçeği ortaya koyarız - bir şeyi
kanıtlamak için kuralları kullanırız, bu yüzden kesinlikle doğru olduğunu
biliriz. Ancak kanıtlanamayan doğru ifadeler var mı? Akıl, sistemin
bilemeyeceği şeyleri bilebilir mi? Basit aritmetik durumunda , "2 + 2 = 4" gibi denklemler
yazarak doğruları ifade ederiz . Sıradan denklemler, aritmetik sistemindeki
doğru ifadelerdir ve aritmetik kuralları kullanılarak kanıtlanabilirler. Burada
kanıtlanabilir, doğruya eşittir. Gödel'den önceki matematikçiler tüm
matematiğin bu özelliğe sahip olduğunu düşünüyorlardı. Bu, makinelerin sadece
kuralları doğru bir şekilde uygulayarak farklı matematiksel sistemlerdeki tüm
gerçekleri ortaya çıkarabileceği anlamına geliyordu. Bu güzel bir fikir. Bu
doğru değil.
Gödel, kendine referans
vermenin ender ama güçlü özelliğine rastladı. “Bu ifade bu sistemde
ispatlanamaz” gibi kendi kendine atıfta bulunan ifadelerin matematiksel
versiyonları, matematiksel sistemlerin kurallarını bozmadan oluşturulabilir.
Ancak sözde kendine atıfta bulunan "Gödel önermeleri" matematiğe
çelişkiler getirir : eğer doğruysalar, o zaman kanıtlanamazlar. Eğer
yanlışlarsa, kanıtlanamaz olduklarını söyledikleri için aslında doğrudurlar.
True, yanlış anlamına gelir ve false, doğru anlamına gelir - bir çelişki.
Sezgi
kavramına geri dönersek, biz insanlar Gödel ifadesinin aslında doğru olduğunu
görebiliriz, ancak Gödel'in sonucu nedeniyle, sistem kurallarının bunu
kanıtlayamayacağını da biliyoruz - sistem aslında kapsanmayan bir şeye karşı
kördür. onun kurallarına göre. 4 Gerçek ve kanıtlanabilirlik
birbirinden ayrılır. Belki zihin ve makine de öyledir. Tamamen biçimsel sistemin her halükarda
sınırları vardır. Doğru olan bir şeyi kendi dilinde ispat edemez. Yani
bilgisayarın göremediğini biz görebiliriz. 5
Gödel'in sonucu, tüm
matematiğin kural tabanlı işlemlere dönüştürülebileceği ve matematiksel
gerçeklerin birer birer ortaya çıkarılabileceği şeklindeki o dönemde popüler
olan bir fikre büyük bir darbe vurdu. Zeitgeist biçimcilikti - zihinlerden,
ruhlardan, ruhlardan ve benzerlerinden bahsetmek değil. Matematikteki biçimci
hareket, entelektüellerin bilimsel materyalizme ve özellikle de mantıksal
pozitivizme -duyularla gözlemlenemeyen soyut Formları ve geleneksel gelenekleri
olan Platonculuk gibi geleneksel metafiziği ortadan kaldırmaya adanmış bir
hareket- doğru daha geniş bir dönüşün sinyalini verdi. Tanrı'nın varlığı gibi
dindeki kavramlar. Dünya, aslında hassas makineler fikrine dönüyordu. Ve hiç
kimse formalist davayı Alman matematikçi David Hilbert kadar güçlü bir şekilde
ele almadı.
HILBERT'İN
MEYDAN OKUMASI
Yirminci yüzyılın
başlangıcında (Gödel'den önce), David Hilbert matematik dünyasına bir meydan
okuma yayınlamıştı: tüm matematiğin güvenli bir temele dayandığını gösterin.
Hilbert'in endişesi anlaşılmazdı. Matematiğin tamamen biçimsel kuralları tüm
gerçekleri kanıtlayamıyorsa, matematiğin çelişkileri ve saçmalıkları gizlemesi
en azından teorik olarak mümkündür. Matematiğin bir yerine gömülü bir çelişki
her şeyi mahveder, çünkü bir çelişkiden her şey kanıtlanabilir. Formalizm o
zaman işe yaramaz hale gelir.
yalnızca
kurallarla yönetilen kapalı bir sistem olduğunu kanıtlamak için tüm
biçimcilerin hayalini dile getirdi . Gerçek sadece "kanıttır". Bir
ispatın "kodunu" izleyerek ve hiçbir kuralın ihlal edilmediğini
onaylayarak bilgi ediniriz. İnce bir şekilde gizlenmiş olan daha büyük rüya, gerçekten
bir dünya görüşüydü, evrenin kendisi bir mekanizma olarak bir resmiydi. AI, bir
fikir olarak şekillenmeye başladı, felsefi bir pozisyon da kanıtlanabilir. Formalizm,
zekayı kurallara dayalı bir süreç olarak ele aldı. Makine.
Hilbert, 1900'de Paris'teki
İkinci Uluslararası Matematikçiler Kongresi'nde meydan okumasını yayınladı.
Entelektüel dünya dinliyordu. Meydan okumasının üç ana bölümü vardı:
matematiğin tamamlandığını kanıtlamak; matematiğin tutarlı olduğunu kanıtlamak
için ; ve matematiğin karar verilebilir olduğunu kanıtlamak için.
Gödel, 1931'de eksiklik
teoremlerinin yayınlanmasıyla Hilbert'in meydan okumasının birinci ve ikinci
kısımlarını öldürücü bir darbe indirdi. Karar verilebilirlik sorusu cevapsız
kaldı. Sistemin kuralları kullanılarak oluşturulmuş herhangi bir ifadenin
doğru mu yoksa yanlış mı olduğunu belirlemek için belirli bir prosedür (bir
kanıt veya deterministik, açık adımlar dizisi) varsa, bir sistem karar
verilebilirdir. 2 + 2 = 4 önermesi Doğru, 2 + 2 = 5 önermesi Yanlış olmalıdır. Ve böylece , sistemin
sembolleri ve kuralları kullanılarak geçerli bir şekilde yapılabilecek tüm
ifadeler için. Aritmetiğin matematiğin temeli olduğu düşünüldüğünden,
matematiğin karar verilebilir olduğunu kanıtlamak, aritmetik ve uzantıları için
sonucu kanıtlamak anlamına geliyordu. Bu, kurallar ve sembollerle (biçimci
fikir) bir "oyun" oynayan matematikçilerin aslında asla çelişkiye
veya saçmalığa yol açmayan geçerli bir oyun oynadıklarını söylemek anlamına
gelir.
Turing,
Gödel'in biçimsel sistemlerin gücünü değil, sınırlamalarını gösteren sonucuna
hayran kalmıştı. Hilbert'in meydan okumasının geri kalan kısmı üzerinde
çalışmaya başladı ve resmi sistemler için bir karar prosedürünün var olup
olmayacağı konusunda ciddi ciddi düşünmeye başladı. 1936'da "Computable
Numbers" adlı makalesinde bunun olmaması gerektiğini kanıtladı. Turing,
Gödel'in kendine referans kullanımının karar prosedürleri veya aslında
bilgisayar programları hakkındaki sorular için de geçerli olduğunu fark etti.
Özellikle, ondalık açılımlarını basamak basamak yazarak, hiçbir belirli
yöntemin "hesaplayamayacağı" (gerçek) sayılar olması gerektiğini
fark etti . On dokuzuncu yüzyıl matematikçisi Georg Cantor'dan bir sonuç ithal etti ; o, gerçek
sayıların (ondalık açılımlı olanlar), gerçek sayılar ve tam sayıların her ikisi
de sonsuz olmasına rağmen tam sayılardan daha fazla olduğunu kanıtladı. Turing
belki de devlerin omuzlarında duruyordu. Ama sonunda, "Hesaplanabilir
Sayılar"daki çalışması yine olumsuz oldu. Bu sınırlayıcı bir sonuçtu:
evrensel bir karar prosedürü mümkün değildi. Başka bir deyişle, kurallar
-matematikte bile- yeterli değildir. Hilbert yanılıyordu. 6
AI
İÇİN ÇIKARIMLAR
sorunları çözmek
için içgörü veya zeka gerektirmeyen deterministik bir makine olan bir makine
icat ederek matematiğin karar verilebilir olduğunu çürüttü . Bugün, bir
makinenin soyut formülasyonuna Turing makinesi diyoruz. Şu an birine yazıyorum.
Turing makineleri bilgisayarlardır. Hesaplama için teorik çerçevenin bir yan
düşünce, başka bir amaç için bir araç olarak devreye sokulmuş olması,
entelektüel tarihin en büyük ironilerinden biridir . Turing, matematiğin
kendisinin karar verilebilir olduğunu çürütmeye çalışırken, önce kesin ve mekanik
bir şey icat etti, bilgisayarı.
Turing, 1938'deki doktora
tezinde, "Gödel sorununu" halledebilecek ek kurallar (sonra bir dizi
kural ve bir dizi kural) dahil edilerek resmi sistemlerin genişletilebileceğini
umuyordu. Bunun yerine, yeni, daha güçlü sistemin yeni, daha karmaşık bir Godel
sorununa sahip olacağını keşfetti. Gödel'in eksikliğinin hiçbir yolu yoktu .
Bununla birlikte, Turing'in biçimsel sistemler tartışmasının karmaşıklığına
gömülü olan, yapay zeka olasılığıyla ilgili tuhaf bir öneridir. Belki de sezgi
yetisi bir algoritmaya , bir sistemin kurallarına indirgenemez?
Turing,
Gödel'in 1938 tezindeki sınırlayıcı sonucundan bir çıkış yolu bulmak istedi,
ancak bunun imkansız olduğunu keşfetti. Bunun yerine, hesaplamalar yaparken
insan sezgisinin gerekliliğini nasıl "büyük ölçüde azaltacağını"
kendi deyimiyle keşfederek vites değiştirdi . Tezi, her zamankinden daha karmaşık
kurallar sistemi yaratarak yaratıcılığın gücünü ele aldı. (Maharetin evrensel
hale gelebileceği ortaya çıktı - diğer makineleri girdi olarak alabilen ve
böylece yapılabilecek tüm makineleri çalıştırabilen makineler var. Teknik olarak
basit bir Turing makinesi değil, evrensel bir Turing makinesi olan bu kavrayış,
ama Turing bilgisayarla ilgili resmi çalışmasında (belki de istemeden) kediyi
çantadan çıkarmıştı. Turing , sezginin bilgisayar gibi tamamen biçimsel bir
sistemin işlemlerinin dışında ve dışında olmasına izin vererek, matematik yapan
bilgisayar programları ile matematikçiler arasında farklılıklar olabileceğini
öne sürdü.
Bu nedenle, Turing'in
1930'lardaki ilk çalışmalarından, on yıldan biraz fazla bir süre sonra
yayınlanan "Computing Machinery and Intelligence" adlı eserinde
akıllı bilgisayarların olasılığı hakkında daha geniş kapsamlı spekülasyonlara
yaptığı ilginç bir dönüş oldu. 1950'ye gelindiğinde, Turing'in Gödel'in
içerimleri hakkındaki yazılarında sezgi tartışması ortadan kalktı. İlgisi,
aslında, bilgisayarların kendilerinin "sezgi makineleri" haline
gelebileceği olasılığına yöneldi. Temelde, Gödel'in sonucunun yapay zeka sorusu
için geçerli olmadığına karar verdi: eğer biz insanlar oldukça gelişmiş
bilgisayarlarsak, Gödel'in sonucu yalnızca, tıpkı daha az karmaşık ifadelerde
olduğu gibi, anlayamadığımız veya doğru olduğunu göremediğimiz bazı ifadeler
olduğu anlamına gelir. bilgisayarlar. İfadeler fevkalade karmaşık ve ilginç
olabilir. Veya, muhtemelen, banal ama ezici bir şekilde karmaşık olabilirler.
Gödel'in vardığı sonuç, zihinlerin çok karmaşık sınırlamaları olan çok karmaşık
makineler olup olmadığı sorusunu cevapsız bıraktı.
Başka
bir deyişle sezgi, Turing'in makineler ve onların güçleri hakkındaki
fikirlerinin bir parçası haline gelmişti. Gödel'in sonucu (en azından Turing'e
göre) zihinlerin makine olup olmadığını söyleyemezdi. Bir yandan, tam olarak,
bazı ifadelerin sezgi kullanılarak doğru olarak görülebileceğini, ancak marifet
kullanan bir bilgisayar tarafından kanıtlanamayacağını söylüyor. Öte yandan, daha güçlü bir
bilgisayar daha fazla aksiyom (veya daha fazla ilgili kod parçası) kullanabilir
ve sonucu kanıtlayabilir - böylece sezginin bu problem için hesaplamanın
ötesinde olmadığını gösterebilir. Bu bir silahlanma yarışına dönüşüyor:
Gittikçe daha karmaşık problemlerde sezginin yerini giderek daha güçlü bir
ustalık alıyor. Hiç kimse yarışı kimin kazandığını söyleyemez, dolayısıyla hiç
kimse -eksiklik sonucunu kullanarak- sezgi (zihin) ve hüner (makine) arasındaki
içsel farklılıklar hakkında bir iddiada bulunamaz . Ancak Turing'in şüphesiz
bildiği gibi, eğer bu doğruysa, o zaman en azından yapay zeka olasılığı da öyleydi.
Böylece, 1938 ile 1950
arasında Turing, yaratıcılık ve sezgi konusunda fikrini değiştirdi. 1938'de
sezgi, matematikçilerin hangi sistemlerle çalışacaklarına ve hangi problemleri
çözeceklerine karar vermelerine yardımcı olan gizemli "seçim gücü"
idi. Sezgi bilgisayarda olan bir şey değildi. Bilgisayarla ilgili kararları
veren bir şeydi . 1938'de Turing, sezginin herhangi bir sistemin parçası
olmadığını düşündü; bu, yalnızca zihinlerin ve makinelerin temelde farklı
olduğunu değil, aynı zamanda insan düşüncesi olarak yapay zekanın neredeyse
imkansız olduğunu öne sürdü.
Yine de 1950'de pozisyonunu
tersine çevirdi. Turing testiyle, şüpheciler için bir meydan okuma ve
makinelerde bir tür sezgi savunması sunarak fiilen şu soruyu sordu: Neden
olmasın? Bu radikal bir geri dönüş oldu. Görünüşe göre yeni bir zeka görüşü
şekilleniyordu.
Satranç oyunu
Turing'i büyüledi - savaş zamanı meslektaşı matematikçi IJ "Jack"
Good gibi. İkisi birbirlerine karşı oynar (genellikle iyi kazanır) ve kazanan
hamleler için karar prosedürleri ve pratik kurallar üzerinde çalışırdı. Satranç
oynamak, oyunun kurallarına uymayı (marifet) içerir ve aynı zamanda, oyun
tahtasında verilen farklı konumlarda hangi kuralların seçileceğine dair
kavrayış (sezgi) gerektirir. Satrançta kazanmak için kuralları uygulamak
yeterli değildir; ilk etapta hangi kuralları seçeceğinizi bilmelisiniz.
Turing, satrancı makineler ve
onlara sezgi verme olasılığı hakkında düşünmenin kullanışlı (ve şüphesiz
eğlenceli) bir yolu olarak gördü. Atlantik ötesinde, modern bilgi teorisinin
kurucusu, Turing'in meslektaşı ve Bell Laboratuarlarından arkadaşı Claude
Shannon da satrancı düşünüyordu. Daha sonra, ilk satranç oynayan
bilgisayarlardan birini yaptı; bu , daha önce kalkülüsteki bazı problemleri
mekanik prosedürlere dönüştürebilen "diferansiyel analizör" adlı
proto-bilgisayar üzerinde yaptığı çalışmanın bir uzantısıydı . 1
BASİTLEŞTİRİLMESİ
ZEKA
BAŞLAR
Satranç, Turing ve meslektaşlarını büyüledi çünkü insan programcının her
şeyi önceden bilmesi gerekmeden bir bilgisayar onu oynamak için
programlanabiliyordu. Bilgi işlem cihazları, if-then, veya, ve ve gibi mantıksal
operatörler uyguladığından, bir program (talimatlar dizisi) çalıştırılabilir ve
komutları çalıştırırken karşılaştığı senaryolara bağlı olarak farklı sonuçlar
üretebilir. "Gördüğüne" bağlı olarak gidişatı değiştirme yeteneği,
Turing ve meslektaşlarına insan düşüncesinin temel bir yönünü simüle ediyor
gibi geldi. 2
Satranç oyuncuları -Turing,
Good, Shannon ve diğerleri- ayrıca bahisleri çok daha yüksek olan başka bir
matematik problemi hakkında düşünüyorlardı. Hükümetleri için çalışıyor,
Almanya'nın Manş Denizi'ni ve Atlantik'i geçen ticari ve askeri gemilere
yönelik saldırıları koordine etmek için kullandığı gizli şifreleri kırmaya
yardım ediyorlardı. Turing kendini İkinci Dünya Savaşı'nda Nazi Almanyası'nın
yenilmesine yardım etmek için umutsuz bir çabanın içinde buldu ve savaşın
gidişatını değiştirmeye yardımcı olan şey hesaplama hakkındaki fikirleriydi.
BLETCHLEY
PARK
Kodlar, 1920'lerden beri
ticari kullanımda olan, ancak Almanların savaşta kullanılmak üzere önemli
ölçüde güçlendirdiği bir tür makine olan Enigma olarak bilinen daktilo
görünümlü bir cihaz tarafından üretildi. Modifiye Enigmalar , Nazi savaş
çabalarındaki tüm stratejik iletişimler için kullanıldı. Örneğin Luftwaffe,
tıpkı Kriegs-Marine'in deniz operasyonlarında yaptığı gibi, hava savaşını
yürütürken Enigma makinesini kullandı. Değiştirilmiş Enigma ile şifrelenen
mesajların çözülemez olduğu düşünülüyordu.
Turing'in Bletchley'deki rolü
ve ardından savaştan sonra ulusal kahramana yükselişi birçok kez anlatılan bir
hikaye. (2014'te, büyük sinema filmi The Imitation Game , Bletchley'deki
çalışmasını ve daha sonra bilgisayar geliştirmedeki rolünü dramatize etti .)
Turing'in büyük atılımı, saf matematiksel standartlara göre, tümdengelimsel mantıktan
gelen eski bir fikri kullandığı için nispeten ilgi çekici değildi. . Kendisinin
ve diğerlerinin yarı şaka yollu "Turingismus" olarak adlandırdıkları
yöntem , çelişkili kombinasyonlar bularak Enigma kodlarına yönelik çok sayıda
olası çözümü ortadan kaldırmayı içeriyordu. Çelişkili kombinasyonlar
imkansızdır; aynı anda hem "mağazada" hem de "evde"
olamayacağımız gibi, herhangi bir mantıksal sistemde hem "A" hem de
"A olmayan" olamaz . Turingismus kazanan bir fikirdi ve Bletchley'de
büyük bir başarı elde etti. Enigma mesajlarının şifresini çözme görevini
hızlandırarak düşünce kuruluşunda tutulan "dahi çocuklar" için
gerekeni yaptı. Diğer bilim adamları , Bletchley'deki şifreleri kırmak için
farklı stratejiler geliştirdiler. 4 Fikirler, Bombe adındaki bir
makine üzerinde test edildi - alaycı adı Polonya'daki bir önceki makine olan
Bomba'dan ödünç alındı ve muhtemelen bir hesaplama bittiğinde çıkan küçük
sesten ilham aldı. Bombe'yi farklı programları çalıştırabilen bir
proto-bilgisayar olarak düşünün.
Savaştaki
avantaj, 1943'te veya civarında, Bletchley şifre kırıcılarının sürekli çabası
nedeniyle, Mihver Devletleri'nden Müttefik güçlere kaydı. Takım kutlanan bir
başarıydı ve üyeleri savaş kahramanları oldu. Kariyer yapıldı. Bu arada
Bletchley, hesaplama
hakkında düşünmek için bir sığınak olduğunu da kanıtladı: Bombalar makinelerdi
ve insanların kendi başlarına çözemeyeceği sorunları çözmek için programlar
çalıştırıyorlardı.
SEZGİSEL
MAKİNELER? HAYIR.
Turing için
Bletchley, akıllı makinelerin olasılığı hakkındaki fikirlerini
kristalleştirmede önemli bir rol oynadı. Meslektaşları Jack Good ve Claude
Shannon gibi Turing de savaş sırasında kriptanalistler olarak "beyin
oyunlarının" gücünü ve faydasını gördü: normalde ordu için tamamen opak
olan mesajları deşifre edebiliyorlardı. Yeni hesaplama yöntemleri, yalnızca
otomatikleştirilmiş satranç oynamayı düşünmek açısından ilginç değildi . Hesaplama,
kelimenin tam anlamıyla, savaş gemilerini batırabilir.
Turing (yine) bir soyutlama
hakkında düşünüyordu: zihinler ve makineler ya da genel zeka fikri. Ama bunun
ne anlama geldiğine ilişkin görüşünde tuhaf bir şeyler vardı. 1940'larda zeka,
tamamen mekanik şifre kırıcı Bletchley Bombaları gibi resmi sistemlere tipik
olarak atfedilmeyen bir özellikti. Gödel, genel olarak, belirli kurallar
dizisiyle resmi bir oyun oynarken olduğu gibi, hakikatin formaliteye
indirgenemeyeceğini göstermişti; (Gödel'in 1931'de çok kesin olarak göstermiş
olduğu) her şeyi kanıtlayabilecek üstün bir sistem olmasa bile uyulması gereken
kurallar hakkında seçimler yapmak.
Bununla birlikte, onun
düşünce çizgisini anlamlandırmak için, "zeka" ile ilgili belirli bir
fikrin karara bağlanması gerekiyordu. İnsanlar tarafından sergilenen zekanın,
bir makinenin güçleri açısından indirgenebilir -analiz edilebilir- olması
gerekiyordu. Özünde, zekanın problem çözmeye indirgenebilir olması
gerekiyordu. Ne de olsa satranç oynamak budur ve şifre kırmak da budur.
Ve işte buradayız: Turing'in
büyük dehası ve en büyük hatası, insan zekasının problem çözmeye indirgendiğini
düşünmesiydi. 1950 tarihli " Computing Machinery and Intelligence"
adlı eserinde akıllı makinelerle ilgili fikirler savaş yıllarında belirginleşse
de ortaya çıkmasa da, Bletchley'deki deneyiminin yapay zekaya ilişkin daha
sonraki görüşünü netleştirdiği ve yapay zekanın da onu takip ettiği açıktır.
yakından ve gerekli kendi kendini analiz etmeden tam olarak onun yolunda.
Ancak Bletchley'nin kod çözme
başarısına daha yakından bakıldığında, insan ve makine hakkındaki felsefi
fikirlerde tehlikeli bir basitleştirme olduğu hemen ortaya çıkar . Bletchley
akıllı bir sistemdi - askeri çabaların koordinasyonu (casusluk ve casusluk ve
düşman gemilerinin ele geçirilmesi dahil), ordu ile Bletchley'deki çeşitli
bilim adamları ve mühendisler arasındaki sosyal istihbarat ve (tüm yaşamda
olduğu gibi) bazen tamamen şanssızlık. Gerçekte, pratik bir gerçeklik olarak,
Alman modifiyeli Enigma tamamen mekanik yollarla kırılmazdı. Almanlar bunu
mekanik deşifre etmenin zorluğuyla ilgili matematiksel argümanlara dayanarak
biliyorlardı. Bletchley'in başarısının bir kısmı, ironik bir şekilde, Nazi
komutanlarının Enigma şifrelerinin zaptedilemezliğine olan inatçı güveniydi -
bu nedenle, bilimsel yenilgiden ziyade gizli casusluk operasyonlarını
suçlayarak, belirli şifrelerin kırıldığını keşfettikten sonra kritik zamanlarda
makineleri değiştirmek veya güçlendirmek konusunda başarısız oluyorlar. . Ancak
savaş sisi yalnızca yeni teknolojileri değil, aynı zamanda yeni insani ve
sosyal zeka biçimlerini de birbirine karıştırıyor. Savaş satranç değildir.
(Rus
kaynaklarından diğerleriyle birlikte) 1938 gibi erken bir tarihte kendi daha
basit Bombalarını geliştirmek için. savaş alanındaki olaylar. Turing de
meslektaşı Gordon Welchman'ın Enigma'da çelişkileri aramayı daha da
basitleştirmek için bir "çapraz tahta" ekleyen geliştirmelerine yanıt
olarak kendi tasarımının geliştiğini görecekti . 5 Burada
sezgilerini kullanan ve sosyal olarak birlikte çalışan iki insan zihni vardı.
Savaş alanında daha fazla
olayın hayati önem taşıdığı ortaya çıktı. Norveç kıyılarında, 8 Haziran 1940'ta
bir İngiliz uçak gemisi batırıldı. Saldırı, denizin dibinde kalan birçok
denizcinin ağır maliyetine rağmen, Alman U-botlarının yerini sağladı. Sadece
haftalar önce , Nisan 1940'ın sonlarında, filonun özellikle yıkıcı bir üyesi
olan Alman devriye botu V P2623 , içinde bir Enigma kanıtı hazinesiyle
yakalandı. Enigma yapbozunun gerekli parçaları Müttefiklerin eline geçiyor ve
Bletchley grubuna giden yolu buluyordu.
Bu küçük parçalar kendi
başlarına, gelecekteki Alman iletişimlerinin hızlı bir şekilde deşifre edilmesi
için fena halde yetersizdi ; Ancak Bombaların nasıl programlanacağını bulmada
çok önemli bir ilk adımı kolaylaştırdılar . Turing ve meslektaşları, Amerikalı
bilim adamı ve mantıkçı CS Peirce'in (bu kitabın İkinci Kısmında öne çıkan bir
isimdir ) kullandığı bir terimi ödünç alarak buna "kanıtın ağırlığı"
adını verdiler. 6
Kanıtın
ağırlığı, matematikçiler tarafından farklı şekillerde anlaşılabilir, ancak
Bletchley'in başarısı (ve yapay zeka ile ilgili daha büyük sorunlar için),
ustalığa veya makinelere yön vermek için bilinçli tahminlerin veya sezginin
uygulanması anlamına gelir. Tıpkı bir beyaz top torbasının yanında bulunan
beyaz bir topun herhangi bir anlama gelebilmesi gibi, ele geçirilmiş bir
U-botundan kurtarılan deşifre edilmiş bir metin parçası herhangi bir anlama
gelebilir, ancak her durumda, ne olduğunu anlamak için akıllı tahminler
yapabiliriz .
Dışarı çıkarıldığını görmesek de topun büyük ihtimalle çantadan olduğunu
düşünüyoruz. Yine de bu bir tahmin. Bu tür tahminlerin doğru olduğu
kanıtlanamaz, ancak insan sezgisi, mekanik prosedürler tasarlamak için
başlangıç koşullarını belirlemede ne kadar iyi olursa, bu prosedürlerin ,
diyelim ki amaçsızca yanlış veya yanlış ya da yanlış yönde ilerlemektense,
istenen sonuçlara varma şansı o kadar artar. yanıltıcı yönlendirmeler Kanıtın
ağırlığı - tahmin etme - Bombaların işe yaramasını sağladı.
Bletchley bilim adamları,
yalnızca Bombes'a bilgi beslemekle kalmıyor, onları milyonlarca yanlış kodu
veya şifreyi ortadan kaldırmak gibi yorulmak bilmez ve önemli bir işi yapmaya
bırakmıyordu. Elbette Bombalar gerekliydi - Turing'in çok net gördüğü şey buydu
ve " mekanik prosedürlerinin" insan zekasını yeniden üretebileceği
veya onun yerini alabileceği ihtimaliyle hayal gücünü hiç şüphesiz dolduran şey
buydu . Ama gerçek şu ki, Bletchley grubu her şeyden önce varsayımlarla
uğraşıyordu. Savaş alanından gelen talimat kırıntılarının, şifrelerin ve
mesajların yamalı çalışmasında gizlenmiş ipuçlarını tanıyarak hipotezler
oluşturuyorlardı . Gues sing, bilimde hipotez oluşturma olarak bilinir (bu
terim Charles Sanders Peirce'ın da kullandığı bir terimdir) ve insan bilgisinin
ilerlemesi için kesinlikle temeldir. O halde, Bletchley çabasının bir iyi
tahmin etme sistemi anlamına gelmesine şaşmamak gerek. Olmazsa olmazı mekanik
değil, ilk akıllı gözlem diyebileceğimiz şeydi. Bombaların bir şeye
doğrultulması ve sonra yollarına koyulması gerekiyordu.
Peirce, İkinci Bölüm'de
inceleyeceğimiz bir temaya uygun olarak, on dokuzuncu yüzyılın sonlarında ,
zekanın karmaşık fikirlerini ve yargılarını şekillendiren her gözlemin bir
tahminle ya da kendi deyimiyle bir kaçırmayla başladığını fark etmişti:
Bu güzel bahar sabahı penceremden dışarı baktığımda açmış bir
açelya görüyorum. Hayır hayır! Bunu görmüyorum; gerçi gördüklerimi ancak böyle
tarif edebilirim. Bu bir önerme, bir cümle, bir olgudur; ama benim algıladığım
önerme, cümle, olgu değil, yalnızca bir olgu bildirimi aracılığıyla kısmen anlaşılır
kıldığım bir imgedir. Bu ifade soyuttur; ama benim gördüğüm somut. Gördüğüm her
şeyi bir cümleyle ifade ettiğimde [çok şey yaptığımda] bir kaçırma
gerçekleştiriyorum. Gerçek şu ki, bilgimizin tüm dokusu, tümevarımla doğrulanan
ve rafine edilen saf hipotezin keçeleşmiş bir hissidir . Her adımda bir
kaçırma yapmadan, boş bakışma aşamasının ötesinde bilgide en ufak bir ilerleme
kaydedilemez. 7
Turing ve Bletchley'deki
meslektaşları, aslında her adımda zeki adam kaçırmalar yaparak komuta ve
kontrolden istihbarata dönüşen bir savaşı kazanıyorlardı. Turing bunu bir
dereceye kadar anlamıştı (sıra sayıları üzerine 1938'deki tezinde sezgi
tartışmasını hatırlayın), ancak bunun zekanın doğası ve akıllı makinelerin
olasılığı hakkındaki sonraki fikirleri üzerinde kayda değer bir etkisi olmamış
gibi görünüyor. . Ne kadar parlak olursa olsun, gerçek zekanın
basitleştirilmesini düşünmekten yanaydı. Daha önce onu bu kadar şaşırtan sezgi
kavramından kurtuluyordu. Tahmin etmek.
SOSYAL
ZEKA ÜZERİNE
(ÖNEMLİ
BİR ŞEKİLDE)
Sosyal zeka, Turing'in bulmaca çözen zeka görüşünün de bariz bir şekilde
dışında bırakılmıştır. Bu, AI'nın gelecekteki gelişimini anlamak için son
derece önemlidir. Örneğin Turing, düşünmeyi veya zekayı sosyal veya durumsal
bir şey olarak görmekten hoşlanmazdı. 8 Yine de Bletchley'nin
başarısı, aslında , manastır duvarlarının çok dışına uzanan geniş bir sistemin
parçasıydı. Büyük bir çaba sürüyordu. Yakında Amerika Birleşik Devletleri'ni ve
Bell Laboratuarlarındaki Shannon gibi bilim adamlarının yanı sıra, Einstein,
Godel ve John Von Neumann'ın hepsinin randevu aldığı Princeton'ın ünlü İleri
Araştırmalar Enstitüsü'ndeki bilim adamlarının çalışmalarını çekecekti.
Genişletilmiş, insan-makine sistemi, gerçek dünya sorunlarının nasıl çözüldüğüne dair bir
model olarak aslında çok daha gerçekçi - ki bu, dünya savaşı kesinlikle en
karmaşık ve önemli olanlar arasında sayılmalıdır.
Yapay zekanın sosyal veya
durumsal zeka konusundaki sağırlığı daha önce, Turing'in (ve daha geniş anlamda
yapay zeka alanının) zeka görüşüne yönelik eleştirisini güzel bir şekilde
özetleyen makine öğrenimi bilimcisi Francois Chollet tarafından daha önce not
edilmişti. Birincisi, zeka durumsaldır -genel zeka diye bir şey yoktur.
Beyniniz, vücudunuzu, çevrenizi , diğer insanları ve bir bütün olarak kültürü
içeren daha geniş bir sistemin tek parçasıdır. İkincisi, bağlamsaldır -
boşlukta var olmaktan çok uzaktır, herhangi bir bireysel zeka her zaman çevresi
tarafından hem tanımlanacak hem de sınırlandırılacaktır. (Ve şu anda zekanın
önündeki engel beyin değil, çevredir .) Üçüncüsü, insan zekası büyük ölçüde dışsallaştırılmıştır
, beyninizde değil, uygarlığınızda bulunur. Bireyleri, beyinleri
kendilerinden çok daha büyük bir bilişsel sistemdeki modüller olan araçlar
olarak düşünün - kendi kendini geliştiren ve uzun süredir devam eden bir
sistem. 9
Turing'in dilinde sezgi
programlanarak bir makineye dönüştürülebilir ancak Chollet ve benzeri
eleştirmenler onun insan zekası düzeyine ulaşamayacağını iddia ederler.
Aslında, sezgiyi programlama fikri , kendi zekamızla ilgili temel bir gerçeği
göz ardı ediyor. İnsanlar sosyal zekaya sahiptir. Duygusal zekamız var.
Aklımızı, ne kadar karmaşık olursa olsun (ya da daha doğrusu, özellikle sorunlar
karmaşık olduğunda) sorunları ve bulmacaları çözmek dışında kullanırız .
Kanıtların
gösterdiğine göre Turing, bu insan görüşünü kararlı bir şekilde reddetti, bunun
yerine tüm insan düşüncesinin aslında "kodların"
"kırılması" -bulmacaların çözülmesi- ve bir oyun oynamak olarak
anlaşılabileceğine inanmaya başladı. satranç gibi oyun. Önemli olan nokta
şudur: 1940'larda bir ara, Bletchley'deki çalışmasından sonra, ama kesinlikle
1950'de AI'yı önceden şekillendiren makalesi sırasında, Turing düşüncelerini
basitleştirilmiş bir zeka görüşüne yerleştirmişti. Bu korkunç bir hataydı ve
dahası, yapay
zeka bilim adamlarının nesillerinden günümüze kadar aktarılan bir hataydı .
TURING'İN
ZEKÂ HATASI
VE
DAR AI
Zekanın problem
çözücü görüşü , tarihi boyunca yapay zekanın değişmez biçimde dar
uygulamalarının üretimini açıklamaya yardımcı olur. Örneğin, oyun oynamak,
gelişmiş AI tekniklerinin geliştirilmesi için sürekli bir ilham kaynağı
olmuştur, ancak oyunlar, zekanın basitleştirilmiş görüşlerini ödüllendiren,
yaşamın basitleştirilmesidir. Bir satranç programı satranç oynuyor, ancak araba
kullanmak oldukça kötü. IBM'in Watson sistemi Jeopardy! oynuyor, ancak
satranç veya Go oynamıyor ve son zamanlarda (ve büyük ölçüde başarısız olan)
sağlık baskınlarında olduğu gibi, Watson platformunu diğer veri madenciliği ve
doğal dil işleme işlevlerini gerçekleştirmek üzere kullanmak için büyük
programlama veya "taşıma" çabaları gerekiyor bakım.
Zekayı problem çözme olarak
ele almak bu nedenle bize dar uygulamalar sunar . Turing şüphesiz bunu
biliyordu ve 1950'deki makalesinde makinelerin öğrenmesi için yapılabileceğini,
böylece bir sorunu çözmek için bir bilgisayar sistemi tasarlamanın doğal bir
sonucu olan kısıtlamaların üstesinden gelinebileceğini tahmin etti. Makineler
genel olmayı öğrenebilseydi, özel uygulamalardan genel düşünen varlıklara
yumuşak bir geçişe tanık olurduk. Yapay zekamız olurdu.
Bununla
birlikte, şimdi bildiklerimiz, Turing tarafından daha önce önerilen öğrenme
yaklaşımına şiddetle karşı çıkıyor. Hedeflerine ulaşmak için, artık makine
öğrenimi sistemleri olarak adlandırılan sistemlerin her birinin belirli bir
şeyi öğrenmesi gerekir. Araştırmacılar buna makineye bir "önyargı"
vermek diyorlar. (Bu, daha geniş sosyal dünyada taşıdığı olumsuz çağrışımı taşımaz;
bu, makinenin inatçı olduğu veya onunla tartışmanın zor olduğu veya kelimenin
olağan anlamıyla bir gündemi olduğu anlamına gelmez.) Makinede bir önyargı
öğrenme , sistemin bir şeyler öğrenmek için tasarlandığı ve ayarlandığı
anlamına gelir. Ancak bu, elbette, sadece dar problem çözme uygulamaları
üretmenin sorunudur. (Örneğin, Facebook tarafından insan yüzlerini tanımak için
kullanılan derin öğrenme sistemlerinin vergilerinizi hesaplamayı da
öğrenmemesinin nedeni budur.)
Daha da kötüsü, araştırmacılar,
bir makine öğrenimi sistemine belirli bir uygulamayı veya görevi öğrenme
eğilimi vermenin, diğer görevlerde daha başarısız olacağı anlamına geldiğini
fark ettiler. Bir makinenin bir şeyi öğrenmedeki başarısı ile başka bir şeyi
öğrenmedeki başarısı arasında ters bir ilişki vardır. Görünüşte benzer görevler
bile performans açısından ters orantılıdır. Şampiyonluk düzeyinde Go oynamayı
öğrenen bir bilgisayar sistemi, şampiyonluk düzeyinde satranç oynamayı da
öğrenemez . Go sistemi, Go kurallarını öğrenmeye yönelik özel bir eğilimle
özel olarak tasarlanmıştır. Öğrenme eğrisi, dedikleri gibi, o oyunun bilinen
puanlamasını takip eder. Başka bir oyunla ilgili öğrenme eğrisi , diyelim ki Jeopardy!
ya da satranç işe yaramaz - aslında yoktur.
Makine öğrenimi yanlılığı,
tipik olarak teknik bir sorun olan bir öğrenme hatası kaynağı olarak anlaşılır.
(Ayrıca, sıradan dil kullanımına bağlı kalarak, örneğin ırk veya cinsiyete göre
kasıtsız ve kabul edilemez bir şekilde ağırlıklandırılmış sonuçlar üretme
ikincil anlamını da üstlenmiştir .) Makine öğrenimi yanlılığı, sistemin
"görünmediği" için hataya yol açabilir. ” ilk etapta belirli çözümler
için. Ancak makine öğreniminde önyargı aslında gereklidir; bu, öğrenmenin
kendisinin bir parçasıdır.
"Bedava
öğle yemeği yok" teoremi olarak adlandırılan iyi bilinen bir teorem,
öğrenme sistemlerini tasarlarken ve inşa ederken anekdot olarak şahit olduğumuz
şeyi tam olarak kanıtlar. Teorem, keyfi problemlere uygulandığında herhangi
bir önyargısız öğrenme sisteminin şanstan daha iyi performans göstermeyeceğini
belirtir. Bu, sistem tasarımcılarının sisteme kasıtlı olarak bir önyargı
vermesi gerektiğini söylemenin süslü bir yolu, böylece amaçlanan şeyi
öğreniyor. Teoremin belirttiği gibi, gerçekten önyargısız bir sistem işe
yaramaz. Öğrenilecek verilerin özelliklerini ortaya çıkaran denetimsiz
yöntemler kullanılarak veriler üzerinde "ön eğitim" gibi karmaşık
teknikler vardır . Tüm bunlar, başarılı makine öğreniminin ayrılmaz bir
parçasıdır. Bununla birlikte, tartışmanın dışında kalan şey, bir sistemi ona istenen
bir önyargıyı vererek neyin eğiliminde olduğunu öğrenmesi için ayarlamanın, genellikle,
diğer alanlara genellenmeyecek anlamında, onu daraltmak anlamına gelmesidir.
Başarılı bir makine öğrenimi sistemi oluşturmanın ve dağıtmanın ne anlama
geldiğinin bir kısmı, sistemin önyargısız ve genel olmaması, ancak belirli bir
öğrenme sorununa odaklanmasıdır. Bu şekilde bakıldığında, bu tür yaklaşımlarda
darlık bir dereceye kadar fırınlanır. Başarı ve dar görüşlülük aynı madalyonun
iki yüzüdür.
Tek başına bu gerçek, bugünün
yapay zekasından yarının insan düzeyindeki yapay zekasına sorunsuz bir ilerleme
beklentisi konusunda ciddi şüphe uyandırıyor. Derin öğrenme gibi modern makine
öğrenimi yöntemlerinin uzantılarının bir şekilde insanlar gibi zeki olmayı
"eğiteceğini" veya öğreneceğini varsayan insanlar, zaten bilinen
temel sınırlamaları anlamıyorlar. Öğrenme sistemlerine bir önyargı sağlamanın
gerekliliğini kabul etmek , Turing'in, makine öğrenimi önyargısı öğrenmeden
önce insan tasarımcılar tarafından belirlendiğinden, matematikle ilgili
içgörülerin insan zihni tarafından resmi yöntemler dışından sağlanması
gerektiğini gözlemlemesi ile eşdeğerdir. 10
TURING'İN
MİRASI
Turing yine düşünmeyi veya
zekayı sosyal veya durumsal bir şey olarak görmekten hoşlanmıyordu. Yine de,
insan zekasını bireysel bir mekanik süreç olarak görme eğilimine rağmen -
1940'larda ilk bilgisayarlar ortaya çıktıkça "mekanik beyin"e
söylenmemiş referansları başlatarak - zekadan bahsetmenin her zaman, zorunlu
olarak içermesi gerektiği gibi, şunları içerdiği açıktır: daha geniş bir
bağlama oturtmak. Hepimizin günlük olarak sergilediği türden genel (dar
olmayan) zeka, kafamızın içinde işleyen bir algoritma değil , dünyada içinde
düşündüğümüz ve hareket ettiğimiz tüm kültürel, tarihsel ve toplumsal bağlamı
gerektirir. Geliştiriciler bu kadar geniş ve karmaşık bir zeka anlayışını
benimsemiş olsalardı, yapay zeka pek ilerleyemezdi - bu yeterince doğru. Aynı
zamanda, Turing'in basitleştirmesinin bir sonucu olarak, dar uygulamalarla
sonuçlandık ve AI ile ne demek istediğimize dair radikal bir yeniden
kavramsallaştırma olmadan genel uygulamalar beklemek için hiçbir nedenimiz yok.
Turing, 1950 tarihli
makalesinde makinelerin öğrenmek için yapılabileceğini öne sürerek bu
zorlukların bazılarını öngördü. Bununla birlikte, şimdi bildiğimiz şey (makine
öğrenimiyle ilgili yakın zamandaki heyecanın aksine), öğrenmenin kendisinin bir
tür problem çözme olduğu ve yalnızca öğrenciye belirli bir uygulamanın
öğrenilmesini aynı anda mümkün kılan bir önyargının getirilmesiyle mümkün
kılınıyor. diğer uygulamalarda performans. Öğrenme sistemleri de aslında sadece
dar problem çözme sistemleridir. Bu tür dar sistemlerden insanlar tarafından
sergilenen türden genel zekaya bilinen bir teorik köprü olmadığı göz önüne
alındığında , AI bir tuzağa düşmüştür. Zekayı anlamadaki ilk hatalar , derece
derece ve kaçınılmaz olarak yapay zekanın kalbinde teorik bir çıkmaza yol açtı.
Turing'in
sezgi ve yaratıcılık arasındaki orijinal ayrımını tekrar düşünün. Onun için
yapay zeka sorusu, bir sistemin tasarımcısı tarafından sağlanan sezginin
aslında sistemin resmi kısmına (marifet makinesine) "çekilip"
çekilemeyeceği ve böylece lanetten kaçabilecek bir sistem oluşturup oluşturamayacağıydı.
kendi problemlerini seçmek için sezgiyi kullanarak - daha akıllı büyümek ve
öğrenmek için. Şimdiye kadar kimse bunu herhangi bir bilgisayarla yapmadı.
Bunun nasıl olacağı konusunda kimsenin en ufak bir fikri bile yok.
Tasarımcıların, bu tür sistemlere hangi özel sorunları çözeceklerini (veya
çözmeyi öğreneceklerini) söylemek için yapay zeka sistemleri dışında
sezgilerini kullandıklarını biliyoruz . Sezgiyi otonom olarak kullanan
sistemler sorunu, İkinci Kısım'da döneceğimiz Çıkarım Problemi adını vereceğim
sorunun özüne doğru gider.
Turing'in kod
çözücü arkadaşı Jack Good da akıllı makineler fikrinden büyülendi. Turing,
şüphesiz Bletchley'deki ve sonrasında meslektaşının hayal gücünü harekete
geçirdi ve Good, Turing'in bilgisayarlarda insan düzeyinde zeka olasılığı
hakkındaki fikirlerine bilimkurgu benzeri bir bükülme ekledi . Good'un fikri
basitti: Bir makine insan düzeyinde zekaya ulaşabiliyorsa, aynı zamanda salt
insan düşüncesini de aşabilir.
Oxford filozofu Nick Bostrom,
onlarca yıl sonra, 2014'ün en çok satan kitabı Superintelligence: Paths,
Dangers, Strategies ile Good'un temasına geri dönecek ve AI'nın başarısının
sonuç olarak insandan daha üstün bir zekayı tırmanan bir süreçte getireceğini
öne sürecekti. kendini değiştirme. Bostrom, uğursuz bir dille, Good'un süper
zeki makinelerin gelişiyle ilgili fütürizmini tekrarlıyor:
Bir
istihbarat patlaması olasılığından önce, biz insanlar bombayla oynayan küçük
çocuklar gibiyiz. Oyuncağımızın gücü ile davranışlarımızın olgunlaşmamışlığı
arasındaki uyumsuzluk işte böyledir. Süper zeka, şu anda hazır olmadığımız ve
uzun bir süre daha hazır olmayacağımız bir meydan okumadır. Patlamanın ne zaman
olacağı konusunda çok az fikrimiz var, ancak cihazı kulağımıza tutarsak hafif
bir tıkırtı duyabiliyoruz. Elinde patlamamış bir bomba olan bir çocuk için
yapılacak mantıklı şey, bombayı yavaşça yere bırakmak, hızla odadan çıkmak ve
en yakın yetişkinle temasa geçmek olacaktır. Yine de burada bir değil, her biri
bağımsız bir tetikleme mekanizmasına erişime sahip birçok çocuk var .
Hepimizin tehlikeli şeyleri bir kenara bırakmanın mantığını bulma şansı
neredeyse yok denecek kadar az görünüyor. Küçük bir aptal ne olduğunu görmek
için ateşleme düğmesine basmak zorunda . 2
Bostrom'a göre, süper zeka
hiç de spekülatif veya belirsiz değil, daha çok nükleer silahların gelişi gibi
- bir oldu bitti ve insanlık için derin ve belki de korkunç sonuçları olan bir
oldu. Buradaki mesaj açık: Süper zekanın gelip gelmediğini tartışmayın. Buna
hazır ol.
Bu
konuda ne diyeceğiz? Good-Bostrom argümanı -süper zeki bir makine olasılığı-
ilk bakışta makul görünüyor. Ancak, şaşırtıcı olmayan bir şekilde,
"süper" zekanın bir temel zekadan kaynaklandığı mekanizma hiçbir
zaman belirtilmemiştir. Good ve Bostrom, süperzekâ olasılığını açık bir şekilde
makul görüyor ve bu nedenle daha fazla açıklama gerektirmiyor gibi görünüyor. Ama öyle;
"nasıl" olduğunu anlamamız gerekiyor.
Üstün donanım gibi basit bir
iyileştirme olduğunu varsayarsak, teklif daha fazla eğlendirilemeyecek kadar
önemsiz ve aptalcadır. Ray Kurzweil gibi amansız ilerlemeye sadık bir inanan
bile zekayı o kadar azaltmayacaktır; bir MacBook'a RAM eklemenin onu (gerçekten
ve gerçek anlamda) daha akıllı hale getireceğini düşünmüyoruz. Cihaz artık daha
hızlıdır ve daha büyük uygulamaları vb. yükleyebilir. Ancak istihbarat ilginç
bir şey ifade ediyorsa, uygulamaları daha hızlı yüklemekten daha karmaşık
olmalıdır . Zekanın bu daha zor kısmı söylenmeden bırakılmıştır.
Ya da biyolojik dünyadan dil
ödünç aldığımızı varsayalım (yapay zekanın sıklıkla yaptığı gibi) ve sonra
kendinden emin bir şekilde hesaplama yeteneğinin gelişmediğini, geliştiğini
beyan ederiz. Daha derine baktığımızda, bu argümanın bir kez daha yetersiz ve
naif bir zeka görüşü tarafından rahatsız edildiğini görüyoruz. Sorun -apaçık
bir ihmal- şu ki, biyolojik dünyada zeki herhangi bir şeyin kendisinin daha zeki
bir versiyonunu tasarladığına dair hiçbir kanıtımız yok. İnsanlar zekidir,
ancak insanlık tarihi boyunca kendimizin daha zeki versiyonlarını asla inşa
etmedik.
Daha akıllı bir beyin inşa
etmenin bir ön koşulu, senaryolar hayal edebilmemiz, düşünceler ve bunların
bağlantılarını eğlendirebilmemiz, çözümler bulabilmemiz ve yeni problemler
keşfedebilmemiz anlamında, öncelikle sahip olduklarımızın nasıl bilişsel
olduğunu anlamaktır. Başımıza bir şeyler gelir; gözlemlerimizle ve zaten
bildiklerimizle akıl yürütürüz; cevaplar kafamıza çarpıyor. Tüm bu biyolojik
büyü vızıltısı, opak olmaya devam ediyor ve " işlenmesi" hâlâ büyük
ölçüde keşfedilmemiş durumda. Yine de, binlerce yıldır düşünme süreçlerimizi ve
beyin fonksiyonlarımızı düşünüyor ve araştırıyoruz.
Bu kendini geliştirme
meselesi değil. Örneğin, kitap okuyarak veya okula giderek kendimizi daha zeki
hale getirebiliriz; kendimizi eğitmek daha fazla entelektüel gelişmeyi mümkün
kılar vb. Bütün bunlar tartışmasız. Ve mesele bunların hiçbiri değil. Yapay
zeka çevrelerinde zeka artışıyla ilgili varsayımlarla ilgili en büyük
sorunlardan biri döngüsellik sorunudur: genel zekayı artırmak için (görünüşte
genel) zeka gerekir. Daha yakından bakıldığında, doğrusal bir ilerleme değil,
yalnızca gizem ortaya çıkar.
VON
NEUMANN VE
KENDİNİ
ÜRETEN MAKİNELER
, 1960'ların
ortalarında ultra zekaya yol açan kendi kendini geliştiren yapay zekalar
fikrini ortaya attı , ancak yaklaşık yirmi yıl önce John Von Neumann bu fikri
değerlendirmiş ve reddetmişti. Princeton'daki İleri Araştırmalar Enstitüsü'nde
1948'de yaptığı bir konuşmada Von Neumann, insan üretimi genellikle önceki
"tasarımlara" göre gelişirken, yeni ve daha iyi makineler
tasarlamakla görevli makinelerin temel bir engelle karşı karşıya olduğunun açık
olduğunu açıkladı; ana makinede yeni bir makine belirtilmelidir. O zaman ana
makine zorunlu olarak kendi yaratılışından daha karmaşık olacaktır, daha az
değil: "Bir şeyi sentezleyen bir organizasyon, sentezlediği
organizasyondan zorunlu olarak daha karmaşık, daha yüksek bir düzendir"
dedi. 3
Başka bir deyişle, Von Neumann,
bildiğimiz şekliyle organik yaşam ile ürettiğimiz makineler arasındaki temel
bir farklılığa işaret etti. Jack Good'un ultrazeka öngörüsü biraz bilim
kurguydu.
Von
Neumann, kendini yeniden üreten bir makinenin, bir "uyaran organı",
parçaları birbirine bağlamak için bir "kaynaştırma organı",
bağlantıları koparmak için bir "kesici organ" ve bir da
"kas" dahil olmak üzere en az sekiz parçaya ihtiyaç duyacağını teorileştirdi.
hareket için. Daha sonra , gerekli değişikliklere izin vermek için biyolojik
mutasyona benzer bir rastgeleleştirme unsuru dahil olmak üzere bilişsel
iyileştirmeler için makul mekanizmalar çizdi . Ancak Von Neumann, makinenin
düşüncesini ilerletmek yerine , bu tür rastgele mutasyonların, arzu edilen işlevleri ve kapasiteleri
"aktarma" olasılığının daha yüksek olduğunu düşündü. En olası sonuç,
ölümcül bir değişikliğe eşdeğer olan işlevsizlikti: "Yani, bu sistem son
derece ilkel olsa da, kalıtsal bir mutasyon özelliğine sahiptir, öyle ki,
rastgele yapılan bir mutasyon muhtemelen öldürücüdür, ancak öldürücü olmayan ve
kalıtsal olması.”
Makinelerin tasarımlarından
daha iyi, esasen daha akıllı bir şey elde etmeleri için, uyarıcılarına ve
birleştirici organlarına eklenen yaratıcı bir öğeye ihtiyaçları olacaktır.
Biyolojik evrimden farklı olarak, fikir milyonlarca yıl kadar beklemek değil,
ana sistemlerin kendi içlerinde gerekli Promethean kıvılcımını gerektirerek az
ya da çok doğrudan daha iyi tasarımlara yol açmaktı. Bu kurgu, diye düşündü
Von Neumann. Princeton'daki meslektaşlarına açıkladığı gibi, hiçbir bilim ya da
mühendislik teorisi buna anlam veremez. Luddite olmayan Von Neumann, "zeka
patlaması"nı patlatıyordu.
Süper zekaya yol açan bir
zeka patlaması tahminlerindeki bariz kusurlardan biri, zaten insan düzeyinde
zekaya sahip olmamızdır - biz insanız. Good'un mantığına göre, o zaman insandan
daha iyi bir şey tasarlayabilmeliyiz. Bu, AI alanının amaçlarının yalnızca
yeniden ifade edilmesidir, dolayısıyla bir çemberin içinde kapana kısılıyoruz.
Yapay zeka araştırmacısı olan insanlar, tıpkı Von Neumann'ın açıkladığı gibi,
nasıl daha akıllı eserler tasarlanacağının bir muamma olduğunu zaten
biliyorlar. Bu gizemi kendi zekamızdan tasavvur edilen bir makineye aktarmak
yardımcı olmuyor. Bunu daha fazla açmak için, Alice adını vereceğimiz dahi bir
yapay zeka araştırmacısını düşünün.
ZEKA
PATLAMALARI,
FİKİR
Alice (yakında Google
tarafından satın alınacak) harika bir yeni girişim için çalışıyor ve Bob kadar
akıllı bir yapay zeka oluşturmak istiyor. Daniel Kahneman'ın iyi bilinen
Sistem 1 ve Sistem 2 ruhuna uygun olarak iki sistem taslağı çizdi.
Alice'in bağlamında, oyun oynamak (satranç veya Go'da olduğu gibi) gibi iyi
tanımlanmış görevlerde yeterlilik için bunlara Sistem X ve genel zeka için
Sistem Y diyeceğiz. İkinci sistem, Bob'un okuma ve konuşma konusundaki
yetkinliğini ve aynı zamanda yeni fikirlerin ve kavrayışların daha karanlık
alanını içerir.
Bob satrançta berbattır ve
aslında onun X sistemi, yalnızca AlphaGo gibi bir sistemle değil, aynı zamanda
diğer birçok insanla karşılaştırıldığında zavallıdır. Kısa süreli hafızası çoğu
insanınkinden daha kötü; IQ testlerinde düşük puan alıyor; ve çapraz
bulmacalarla mücadele ediyor . Y sistemine gelince, genel zekası, yeni veya
anlayışlı düşünmeye karşı bariz bir ilgi veya yetenek eksikliği gösteriyor.
Bob, akşam yemeği partilerine pek çok davet alan türden bir komşu değildir.
Alice'in stratejisi, önce
Bob'un zekasına uyan bir Bob-Makinesi tasarlamaktır. Bir Bob-Machine yaratmayı
başarırsa, o makinenin kendisinin daha akıllı bir versiyonunu
tasarlayabileceğini ve sonunda bir zeka patlamasına yol açabileceğini
düşünüyor. Şimdi, bir Bob-Makinesi tasarlamanın kolay bir iş olmadığını
unutmayın, çünkü Bob'un bir Y Sistemi vardır; bu da sağduyulu muhakeme
problemini çözdüğü ve genel bilişsel yeteneklere sahip olduğu anlamına gelir.
Örneğin bir Turing testini geçebilir. Ve çocuk hikayelerini ve spor bölümünü
okuyabilir ve özetleyebilir. Bu nedenle Bob , Ray Kurzweil'in Talk to Books
semantik arama aracı gibi Google'ın en iyi doğal dil anlama sistemlerini alt
üst ediyor. Bu nedenle Alice, Bob-Machine projesi için heyecanlıdır; AI'da
büyük bir ilerleme olurdu.
Soru
şu: oraya nasıl gidilir? Alice'in ilk yaklaşımı, Bob-Machine'in Sistem X
yeteneklerini maksimuma çıkarmaktır. Ona bir bilgisayar belleği ve Google
aracılığıyla web'e erişim sağlıyor. Ne yazık ki, Bob-Machine'in bu versiyonu, Stuart
Russell'ın gerçek zekaya sahip olmayan süper bilgisayarların yanlış cevapları
daha çabuk buldukları yönündeki görüşünü çabucak kanıtlıyor. 5 Bob-Machine
yanlış şeyleri hatırlıyor ve doğru soruları soramıyor. Sistem X tarafındaki tüm
iyileştirmeler, makineyi yalnızca, tamamı kötüye kullanılan ve Sistem Y
perspektifinden tam olarak anlaşılamayan çılgın teorileri hatırlama ve çürütme
ve dünya hakkında daha fazla gerçekle ilgili beyanlarda bulunma konusunda daha
yetkin hale getiriyor. Elbette, Bob-Machine kusursuz satranç oynuyor, ancak
yarattığı makinenin kendisinin "daha zeki" bir versiyonunu tasarlama
umudu olmadığını fark eden Alice için satrançtaki yetkinliği onu daha az ilgi
çekici kılıyor.
bir aha! Ancak bir
anda Alice, Bob'un kendisinin daha akıllı bir versiyonunu tasarlayamayacağını
fark eder. Bob-Machine nasıl olabilir? Sorunun, Sistem X optimizasyonunun
Sistem Y'ye gerekli türden kaynak sağlamaması olduğunu düşünüyor. Bob-Machine
(Bob'un kendisi gibi) kendi zekasını belirli bir nicelik olarak görmeli, nasıl
ve ne ölçüde sınırlı olduğunu değerlendirmeli ve ardından önemli ve ilgili
şekillerde daha akıllı hale gelmek için kendisini aktif olarak yeniden
tasarlamalıdır. Ama bu, Bob-Machine'ın (Bob gibi) tam da bu şekilde zeki
olmamasıdır! Bob-Machine bunu yapamaz çünkü içgörü, keşif ve yenilik
için bu Y Sistemi yeteneklerinden yoksundur . Alice çizim tahtasına geri
dönmelidir.
Alice daha sonra
Bob-Machine'ın süper zekaya giden bir önyükleme sürecinin parçası olamayacak
kadar aptal olduğuna karar verir. (Bir anlık panik içinde, bu mantığın tüm süper
zekaya ulaşma girişimini tehlikeye attığını fark eder, ancak bu endişeyi hızla
bastırmayı başarır.) Alice, AI'nın kurucusuna ve hevesli kunduz pazarlamasına
saygı duyarak karar verir. şirketi Ultra ++ 'nın departmanı , bunun yerine Turing-Machine adlı Alan Turing kadar akıllı
bir makine tasarlamaya odaklanacağını söyledi.
Şimdi,
Turing'in Alice'den daha zeki olduğunu varsayarsak (kim söyleyebilir ki?),
doğrudan bir Turing Makinesi tasarlayamaz ve her halükarda, bir Bob Makinesi'nin nasıl
tasarlanacağını şaşırmış halde bir tuğla duvara çarptı bile . Turing'in
Bletchley Park'taki meslektaşı ve bir zamanlar Cambridge'in satranç şampiyonu
olan Hugh Alexander kadar akıllı bir makineyle başlamaya karar verir. Hugh
Alexander zekiydi - gerçekten zekiydi. Şampiyonluk seviyesinde satranç
oynuyordu ve Enigma kodunu kırma konusunda Turing'in yaptığı türden içgörülere
sahip olmasa da değerli katkılarda bulundu ve diğer Bletchley kod çözücülerinin
saygısını kazandı - hiç de azımsanmayacak bir başarı. Hugh-Machine, bir
Turing-Makinesini nasıl bağlayacağını anlayacak kadar akıllı olmalı ve
Turing'in seviyesindeki bir makine kesinlikle kendisini daha da akıllı yapacak
kadar akıllı olmalıdır!
, akıllı telefonundan
StockFish satranç kodunu indirerek ( zaten şampiyon bir oyuncu olmasına
rağmen) Hugh-Machine'in satranç yeterliliğini geliştirmeyi kolayca başarır . Benzer
şekilde, Hugh-Machine'e bir hesap makinesi ve süper bilgisayar belleği ile
mükemmel aritmetik yeteneklerin yanı sıra Google tarafından alınabilen tüm
bilgilere erişim sağlar. X Sistemi optimaldir ve Hugh-Machine, görünen tüm
zekasına rağmen Hugh Alexander'ın yapamadığı bir şeyi yapabilir: insanüstü
satranç oynayabilir, insanüstü bir şekilde sayıları toplayabilir ve diğer
birçok X Sistemi şeyinde başarılı olabilir. Sorun şu ki, Bob-Machine da
olabilir. Aslında Alice, Bob-Machine ve Hugh-Machine'in kanıtlanabilir şekilde
eşdeğer olduğunun farkına varır. Aslında, Bob Machine'i terk etmenin anlamsız
ve kendi kendini baltalayıcı olduğunu (birkaç bardak kırmızı şarabın ardından)
kabul etmek zorunda kalır.
++ meslektaşlarından yaklaşan buluşuyla ilgili sinir bozucu
metin mesajlarını susturmak için telefonunu kapatır . Gerçek şu ki, kendisinin
daha akıllı bir versiyonunu tasarlayamayan sadece Bob değil, Alice de. Bir
anda, Sistem X'ten Sistem Y'ye, içgörü ve yeniliğe doğru ne kadar ilerlersek,
tasarımın o kadar opak hale geleceğini anlıyor. Örneğin Turing, zekasını
satrançta değerlendirebilirdi - hem Hugh Alexander'a hem de Jack Good'a
yenildi.
Ancak Turing,
kendi Y Sistemi yeteneklerini değerlendiremedi. Gerçek anlamda, zekası bir kara
kutuydu ve orijinal düşünme konusunda (bu ne anlama geliyorsa) kendi
yeterliliğini hiçbir şekilde değerlendiremiyordu, çünkü bu sadece bir taslak
olmadığı için değil, aynı zamanda oturduğu için de. zaman içinde, ömür boyu ve
yine de yeni ve henüz öngörülemeyen fikirler üretebilir. Turing'in Y Sistemi
zekası sadece öngörülemez değil, başka bir deyişle açıklanamaz - belki
Turing'den daha zeki biri için değil (yine: bu ne anlama geliyorsa), ama
kesinlikle Turing'in kendisi için. Aptal Bob için de aynısı. O halde Alice
nasıl olur da bir istihbarat patlaması başlatabilir?
Aslında, bir istihbarat
patlaması fikrinin kendisi, Alice gibi hırslı ve anlayışlı biri önce onu
ciddiye aldığında kolayca açığa çıkan yanlış bir öncül inşa etti. Hipoteze
göre, bir Bob-Makine Bob kadar zekidir. İşte bir fikir. Git Bob'dan kendisinin
biraz daha akıllı bir versiyonunu tasarlamasını iste. Bunun Bob'un yapabileceği
bir şey olmadığını göreceksiniz. Yapay zekayı heyecan verici kılan zihnin temel
niteliği, bir zeka patlamasının doğrusal varsayımını da önceden kapatır.
"İnsan zekası seviyelerine ulaştığımızda, sistem kendisinin insandan daha
akıllı bir versiyonunu tasarlayabilir" diye umut devam ediyor. Ama zaten
"insan düzeyinde" zekaya sahibiz - insanız. Bunu yapabilir miyiz
? İstihbarat patlaması destekçileri gerçekte ne hakkında konuşuyor?
Bu, AlphaGo'dan bir
Bob-Machine'e, bir Turing-Machine'e ve ötesine "büyütmek" için
gerekli olan anlamda insan zihninin güçlerinin onu mekanize etme yeteneğimizi
geride bıraktığını söylemenin başka bir yoludur . İstihbarat patlaması
fikrinin kendisi, yapay zekada genel istihbarata doğru ilerleme için özellikle
Y Sistemi adayı değildir.
EVRİMCİ
TEKNOLOJİLER
Kaçınılmazlık tezine (süperzeki makineler geliyor, ne yaparsak yapalım)
inanan birçok yapay zeka meraklısı, evrimsel temalar üzerinde oynadığı için
buna inanıyor ve böylece bireysel bilim adamlarını bilimsel kırılmalar yapma
veya geliştirme ihtiyacı duyma sorumluluğundan uygun bir şekilde kurtarıyor . devrimci
fikirler Yapay zeka tıpkı bizim gibi gelişiyor. Bu kamptaki fütüristlere ve
yapay zekaya inananlara evrimsel teknoloji uzmanları veya ET'ler diyebiliriz.
What Technology Wants
(Teknoloji Ne İstiyor) adlı kitabında yapay zekanın "çılgın bir bilim
adamının" işi olarak değil, sadece gezegendeki evrimsel bir süreç olarak
ortaya çıkacağını savunan Wired'ın kurucu ortağı Kevin Kelly gibi yeni
çağ teknoloji uzmanları arasında popüler . , doğal evrim gibi. 6 Bu
görüşe göre, dünya “akıllılaşıyor” (Kelly'nin deyimiyle) ve açık bir insan
tasarımı olmadan teknolojinin giderek daha karmaşık ve akıllı biçimleri ortaya
çıkıyor. 7 Bu tür düşünürler ayrıca World Wide Web'i dev, büyüyen
bir beyin olarak tasavvur edebilirler. Bu görüşe göre insanlar, geride
bırakıldığımız veya asimile edildiğimiz gerçek yapay zekaya geleceğe uzanan
kozmik bir tarihsel zincirin halkası haline gelir.
Organik yaşam son derece
yavaş gelişir, ancak ET'ler teknolojik ilerlemeyi hızlanıyor olarak görürler.
Kurzweil'in ünlü bir şekilde öne sürdüğü gibi , tarihte fark edilebilir
olduğunu düşündüğü bir yasaya, Hızlanan Getiriler Yasasına göre, teknoloji
hızlanan bir eğri üzerinde daha karmaşık hale geliyor. Böylece, insan düzeyinde
zeka ve ardından süper zeka, organik evrime kıyasla çok kısa zaman dilimlerinde
gezegende ortaya çıkacaktır . On yıllar hatta yıllar sonra bunlarla karşı
karşıya kalacağız.
Bu insanlığın basit, derli
toplu bir hikayesidir. Daha akıllı ve daha iyi olacak başka bir şeye geçiyoruz.
Hikayenin test edilebilir
olmadığına dikkat edin; sadece bekleyip görmeliyiz. Gerçek yapay zekanın
gelişiyle ilgili tahmin edilen yıl da yanlışsa, birkaç on yıl sonra başka bir
yıl tahmin edilebilir. Bu anlamda AI yanlışlanamaz ve bu nedenle - bilimsel
yöntemin kabul edilen kurallarına göre - bilimsel değildir.
Gerçek
yapay zekanın imkansız olduğunu söylemediğime dikkat edin. Stuart Rus sell ve
diğer AI araştırmacılarının belirtmekten hoşlandığı gibi, Ernest Rutherford gibi
yirminci yüzyıl bilim adamları bir atom bombası yapmanın imkansız olduğunu düşündüler,
ancak Leo Szilard nükleer zincirleme reaksiyonların nasıl çalıştığını anladı -
Rutherford pro'dan sadece yirmi dört saat sonra. fikrin öldüğünü duyurdu. 8
Bilime karşı bahse girmemek için iyi bir hatırlatma . Ancak nükleer
zincirleme reaksiyonların test edilebilir bilimsel teorilerden kaynaklandığını
unutmayın. Teknolojiden gelişen zihin gücüyle ilgili teoriler test edilebilir
değildir.
Good ve Bostrom'un bilimsel
kaçınılmazlık olarak sunulan iddiaları, daha çok hayal gücü pompaları gibidir:
Bunun mümkün olup olmadığını bir düşünün! Ve hiç şüphe yok, harika olurdu.
Belki de tehlikeli. Ancak bir "ya olursa" senaryosunu hayal etmek,
ileride ne olacağına dair ciddi tartışmaların çok uzağında durur.
Yeni başlayanlar için, genel
bir süper zeka yeteneği, bizden daha üretken bir şekilde gözlemleyebilecek ve
“tahmin” edebilecek şekilde daha geniş dünyayla bağlantılı olmalıdır . Zekâ
aynı zamanda sosyal ve durumsalsa, öyle görünüyor ki, o zaman daha zeki bir
şey tasarlamak için muazzam miktarda bağlamsal bilgi gerekir. Good'un sorunu
dar ve mekanik değil, daha çok tüm kültürü ve toplumu yörüngesine çekiyor.
Bunun için en çıplak, hatta uzaktan bile makul plan nerede?
Başka bir deyişle, Good'un
önerisi yine yetersiz ve basitleştirilmiş bir zeka görüşüne dayanmaktadır.
Orijinal zeka hatasını varsayar ve buna bir başka indirgeyici el çabukluğu
ekler: bireysel bir mekanik zeka daha büyük bir zeka tasarlayabilir ve inşa
edebilir. Bir makinenin böylesine Arşime dekan bir yaratım noktasına
yerleştirilmesi, en hafif tabirle mantıksız görünüyor. Süper zeka fikri
gerçekte hataların bir çoğalmasıdır ve yapay zekanın yükselişiyle ilgili
fantezinin uzantısını en yalın haliyle temsil eder.
ZAMAN VE ŞİMDİ
1950'lerde
matematikçi Stanislaw Ulam , John Von Neumann ile, Von Neumann'ın insanlık
için teknolojik bir dönüm noktası olasılığını tartıştığı eski bir sohbeti
hatırladı: “teknolojinin sürekli hızlanan ilerlemesi . . . ırkın tarihinde,
bildiğimiz şekliyle insan ilişkilerinin ötesinde devam edemeyeceği bazı temel
tekilliklere yaklaşıyormuş gibi görünüyor.” 1
Von Neumann bu yorumu
muhtemelen dijital bilgisayarlar teknolojik sahneye çıkarken yaptı. Ancak
dijital bilgisayarlar, uzun ve görünüşte kesintisiz bir teknoloji dizisindeki
en son yenilikti. 2 1940'lara gelindiğinde, son üç yüz yılın
bilimsel ve endüstriyel devrimlerinin muazzam, simbiyotik güç kuvvetlerini
harekete geçirdiği açık hale gelmişti: yeni bilimin meyveleri yeni teknolojinin
gelişiminin tohumlarını attı ve bu da karşılığında mümkün kıldı. daha bilimsel
keşif Örneğin , bilim bize astronomiyi geliştiren teleskopu verdi.
Bilim
ve teknolojideki değişimlere ayrılmaz bir şekilde bağlı olan sosyal değişimdi -
hızlı, bazen kaotik ve görünüşte geri döndürülemezdi. Şehir nüfusu patladı
(hatırı sayılır dozda sefalet ve adaletsizlikle ) ve görünüşte bir gecede
tamamen yeni toplumsal ve ekonomik örgütlenme biçimleri ortaya çıktı. Daha
sonra içten yanmalı motorlarda olduğu gibi, buhar motorları da ulaşımda devrim
yarattı . Trenler, troleybüsler ve buharlı gemiler ticaretin önünü açtı ve şehirlere
göç tamamen yeni iş gücü yarattı. Thomas Edison'un elektrik ampulünü icadıyla
birlikte insanlar geceleri çalışabilir hale geldi; kırsal bölgelerdeki
uykusuzluk çekenler artık güneş onları terk ettikten sonra Das Kapital'i veya
Türlerin Kökeni Üzerine'yi okuyabiliyordu. Verimlilik yükseldi.
Zenginlik ve sağlık arttı. Kan ve şiddet de öyle. Bir dizi jeopolitik olay,
kimyasal savaşı kitlesel ölçekte başlatan “Büyük Savaş” olan I. Dünya Savaşı'na
yol açtı. Ve birkaç on yıl sonra, Von Neumann'ın dünyasında nihai varoluşsal
tehdit -nükleer bomba- gerçek olmuştu.
Bomba, tarihte bir dönüm
noktasıydı ve dizginlenemeyen teknolojik yeniliğin doğasında var olan distopik
olasılıkları net bir şekilde ortaya koyuyordu. Shannon ve Turing bilgisayarları
satranç oynamak için kullanıyorlardı; Von Neumann gibi bilim adamları, Japon
şehirlerini buharlaştırmak için silahlar geliştirmek üzere bilgisayarları
kullanıyorlardı. Elektronik bilgisayarlar büyük ve yavaştı, ancak Von Neumann
ve diğerlerinin farklı miktarlarda bölünebilir malzeme verildiğinde olası
nükleer patlama yarıçaplarını belirlemek için kullandıkları sayısal
ilerlemeleri hesaplama gibi görevlerde yine de insan bilgisayarlarından çok
daha hızlıydı .
Von Neumann,
"tekillik" sorusunu bu olasılıklar ve korkular pusuyla ortaya koydu.
Çok yönlü ve zeki olmasıyla ünlü olan Von Neumann, Alan Turing de dahil olmak
üzere bilimsel meslektaşları tarafından neredeyse evrensel olarak saygı
görüyordu ve önerisinin onlarca yıl sonra hatırlayan Ulam'ı etkilemesi şaşırtıcı
değil.
Başka bir deyişle Von
Neumann, Ulam'a bir eskatoloji, olası bir zaman sonu önerdi. Birkaç on yıl
sonra, Good mekanizmayı bulduğunu düşündü: dijital bilgisayar.
UCLA
bilgisayar bilimcisi ve Hugo ödüllü Vernor Vinge, 1986'da bilim kurgu kitabı
Marooned in Realtime'da "Singularity"yi hesaplamaya ve özellikle de yapay
zekaya tanıttı. 3 NASA için daha sonraki bir teknik
makalesinde Vinge, Good'a kanallık etti: "Otuz yıl içinde, insanüstü zeka
yaratmak için teknolojik araçlara sahip olacağız. Kısa bir süre sonra, insanlık
çağı sona erecek, bence buna tekillik
bile demek doğru olur. Bu bir nokta
modellerimizin
atılması gereken ve yeni bir gerçekliğin hüküm sürdüğü yer. Bu noktaya
yaklaştıkça, bu kavram sıradan bir kavram haline gelene kadar, insan
meselelerinde daha geniş ve daha kapsamlı bir şekilde belirecek. Yine de en
sonunda gerçekleştiğinde , yine de büyük bir sürpriz ve daha büyük bir
bilinmezlik olabilir.” 4
Bilgisayar bilimcisi
Vinge'nin profesyonel bir şirketi vardı. 1980'lerin sonlarında MIT bilgisayar
bilimcisi, fütürist ve girişimci Ray mond Kurzweil, 1990'da The Age of
Intelligent Machines ile başlayan ve ardından 1998'de onunkiyle başlayan
bir dizi yayınla Singularity fikrini popüler kültür bilimine yayan yapay
zekanın "buldogu" haline geldi . takip The Age of Spiritual
Machines. 2005'in en çok satan kitabı daha da kendinden emindi: The
Singularity is Near.
Kurzweil bunu
"Hızlandırılmış Geri Dönüş Yasası" (LOAR) olarak damgaladı ve bunu,
tam insan yapay zekasının 2029'a kadar geleceği ve ardından 2045'e kadar daha
akıllı makineler, süper zeka önyükleme süreci yoluyla geleceği olan bir
argümanda bir öncül olarak kullandı. .5 _
Süper zeka, ilerleme yolunun
bilinmeyene, Tekilliğe doğru kaybolduğu, geri dönüşü olmayan bir noktanın
sinyalini verdi. Bu, insanların değil makinelerin gezegendeki en zeki varlıklar
olarak devraldığı geçiş noktasıdır.
Kurzweil, LOAR'a (gerçi LOAR
hiç de bir yasa değildir) ve bir bilgisayar uzmanı ve mucit olarak kendi şevk
ve referanslarına (Kurz weil metinden konuşmaya teknolojilerin
geliştirilmesine yardım etti ) atıfta bulunarak bu süreci tamamen
"bilimsel" olarak görüyor. , Siri gibi modern sistemlere yol açar).
Turing. İyi. Vinge.
Hesaplamadaki ilerlemelerin mümkün kıldığı radikal değişim hakkındaki fikirler çoktan
havadaydı. Kurzweil görünüşte yol haritasını sağladı. Yapay zeka sorusuna
kafayı takmış pek çok kişi gibi, onun yazısı da din değiştirenlerin tüm
şevkiyle doluydu:
teknolojik
evrim ve hızlandırdığı ve güçlerinin katlanarak büyüdüğü evrimin doğasıdır ve
biz de bundan bahsediyoruz. Bunun bir sonraki aşaması, kendi entelektüel
güçlerimizi teknolojimizin sonuçlarıyla büyütmek olacaktır. 6
Ancak gerçekte, Kurzweil
hevesle gemiye atladığında -aslında 1980'lerden onlarca yıl önce- bilimsel
yapay zeka üzerindeki çalışmanın kendisi, süper zekaya doğru amansız bir
yürüyüşe dair umutları söndürmüştü . Gerçek yapay zeka üzerine araştırma ve
geliştirme , tek kelimeyle zor olmuştu.
Tekillik fikri popüler
kültürde ilgi kazandıkça, yapay zeka bilim adamları görünüşte sonu gelmeyen
mühendislik problemlerinde gezinmeye devam ettiler. Ve böylece gökyüzü
düşmüyordu. Tekillik yakın değildi . Vinge'nin popüler kurgusu tam da bu
şekilde kaldı.
Yapay zekanın yakından
incelenmesi, yapay zeka üzerinde çalışan bilgisayar bilimcilerin gerçek
ilerlemesi ile kendilerinin ve diğerlerinin tanımlamayı sevdikleri fütüristik
vizyonlar arasında utanç verici bir uçurum olduğunu ortaya koyuyor. Turing,
1950'de test edilecek bir soru önermişti: Makineler insanlar gibi akıllı
olabilir mi? Good, Vinge, Kurzweil ve diğerleri , sahada gerçek çalışmanın
karşılaştığı sorunların gerçek doğasını ciddiye almadan soruyu yankılanan
bir evetle yanıtladılar .
Bu boşluk öğreticidir.
Özellikle, yapay zekanın doğal
dil anlayışının zor yönleri üzerinde somut süreç oluşturmadaki başarısızlığı,
zihinler ve makineler arasındaki farkların Turing'in hayal ettiğinden daha
incelikli ve karmaşık olduğunu gösteriyor . Dil kullanımımız zekamızın
merkezinde yer alır. Ve eğer AI'nın tarihi herhangi bir rehber ise, AI için
derin bir zorluğu temsil eder.
ANLAYIŞ
Resmi bir
disiplin olarak yapay zeka, hayırlı bir şekilde 1956'da şimdilerde ünlü olan
Dartmouth Konferansı'nda başladı. Katılan aydınlar arasında Bell Labs'tan
Shannon (bilgi teorisi), Harvard'dan Marvin Minsky (matematik), ünlü Carnegie
Mellon ekonomisti Her bert Simon, John McCarthy, Harvard psikoloğu George
Miller (insan hafızası üzerine çalışmalarıyla tanınır) ve John Nash ( 2001
yapımı A Beautiful Mind filminde ünlü bir şekilde canlandırılan Nobel
ödüllü matematikçi ).
McCarthy, o zamanlar
Dartmouth'daydı, ancak kısa süre sonra Stanford'da yeni bilgisayar bilimi
alanında bir pozisyon alacaktı, konferansta yapay zeka terimini icat etti ve
modern akıllı yaşam mühendisliği projesine resmi olarak bir isim verdi.
1816'da, erken gelişmiş bir genç Mary Shelley başyapıtı Frankenstein üzerinde
çalışmaya başlamıştı . Yüz kırk yıl sonra, Dartmouth'ta toplanan bilim
adamları, yakında kamuoyunun gözü önünde patlayacak olan yeni bir "modern
Prometheus"un meclisini tasarlıyorlardı.
Saha başından beri
heyecanlıydı. Konferans tutanakları her şeyi söyledi:
1956 yazında Hannover, New
Hampshire'daki Dartmouth College'da 2 aylık, 10 kişilik bir yapay zeka
çalışması yapılmasını öneriyoruz . Çalışma, öğrenmenin her yönünün veya zekanın
diğer herhangi bir özelliğinin prensipte o kadar kesin bir şekilde
tanımlanabileceği ve onu simüle edecek bir makinenin yapılabileceği varsayımı
temelinde ilerleyecektir. Makinelerin dili nasıl kullandıracağı, soyutlamalar
ve kavramlar oluşturması, artık insanlara mahsus sorunları çözmesi ve
kendilerini geliştirmesi için bir girişimde bulunulacaktır. Özenle seçilmiş
bilim adamlarından oluşan bir grup bir yaz boyunca birlikte çalışırsa, bu
sorunlardan biri veya birkaçında önemli bir ilerleme kaydedilebileceğini
düşünüyoruz . 1
Dartmouth'daki gündem
basitti: bilişsel (düşünme) yeteneklerin doğasını araştırmak, bu yetenekleri
yeniden üretecek programlar tasarlamak ve yeni elektronik bilgisayarlarda
performanslarını uygulamak ve test etmek. Dartmouth katılımcılarının, 1956
yazında, kendi bilimsel alanlarında bilgiyle donanmış on araştırmacıyla
birlikte , bir makinede insan zekası mühendisliğine yönelik "önemli bir
ilerleme" beklediklerini açıkça belirttikleri gibi.
RAND'da çalışan Herbert Simon
ve Allan Newell, 1950'lerin sonlarında Dartmouth Konferansı'nın boğa vaatlerini
yerine getiriyor gibi görünen yapay zeka programları tasarladılar. AI programı
Logic Theorist ve daha sonra General Problem Solver, geleneksel mantığın
teoremlerini kanıtlamak ve mantığa dayalı bulmacaları açık, hesaplamalı
adımlarda çözmek için basit bir buluşsal arama kullandı. Programlar işe yaradı
ve AI, tıpkı Dartmouth organizatörlerinin ilan ettiği gibi, insan zekasının
sırlarını hızla ortaya çıkarmaya mahkum görünüyordu.
Simon
ve Newell'in ilk başarıları, araştırmacıları daha iddialı hedefler belirleme
konusunda hızla cesaretlendirdi. Turing, Taklit Oyunu'nun kendi versiyonu olan
Turing testi ile on yıl önce oyunsonu gündemini çoktan belirlemişti . Dartmouth
bilim adamları da bir makineyi İngilizceyi veya başka herhangi bir doğal dili
anlayacak şekilde programlamanın yapay zeka için bir zafer beyanı olacağını
düşündüler. Araştırmacılar uzun süredir doğal dil anlayışının "Yapay
Zeka-Tam" olduğunu düşünmüşlerdi; bu , matematikten ödünç alınan bir
dildi; bu, bilgisayarların doğal dili evcilleştirdiği noktada genel zekaya ulaşacakları ve
böylece insanlar gibi düşünüp hareket edebilecekleri anlamına geliyordu. Bu
nedenle, 1960'larda yapay zekanın hedefi makine çevirisi göreviydi -
metinlerin Rusça gibi bir dilden İngilizce gibi başka bir dile tam otomatik
olarak çevrilmesi. AI "her şey dahildi".
DOĞAL
DİL ANLAYIŞI
Yapay zeka doğal
dil anlayışına dönerken, uygulayıcıları , Dartmouth'ta başlayan geleneği
sürdüren, yakın bir başarıya olan güveni yaydı. Prestijli AM Turing Ödülü'nü ve
ardından Ekonomi alanında Nobel Anma Ödülü'nü kazanacak olan Herbert Simon,
1957'de "dünyada artık düşünen, öğrenen ve yaratan makineler
olduğunu" duyurdu. 1965'te, 1985'te "makinelerin, insanın
yapabileceği her işi yapabilecek" olduğunu tahmin etmişti. Marvin Minsky
de 1967'de "bir nesil içinde 'yapay zeka' yaratma sorununun büyük ölçüde
çözüleceğini" ilan etti. 2
Ancak araştırmacıların kısa
sürede keşfettiği gibi, makine çevirisi farklı bir oyundu. Basit bir varsayımla
başlayarak, dilin büyük metinlerdeki ( korpora adı verilen) sözcükleri
istatistiksel teknikler kullanarak analiz ederek anlaşılabileceğine dair ,
bunların yanlış olduğu hızla kanıtlandı. Bilgisayarlar otomatik çeviriyi mümkün
kıldı, ancak sonuçlar yüksek kalitede olmaktan uzaktı. Biyomedikal literatür
gibi belirli alanlarda çalışan programlar bile hatasız değildi ve
başarısızlıklar genellikle utanç verici derecede yanlış ve akılsızdı.
Buna
cevaben makine çevirisi araştırmacıları, kısa süre sonra dünya lideri olacak
genç bir MIT dilbilimcisi tarafından geliştirilen yeni ve güçlü
"dönüştürme " gramerlerini kullanarak cümleleri
"ayrıştırma" ya da cümlelerde sözdizimsel yapı bulma yöntemlerini
keşfederek yaklaşımlarını genişletti. ünlü - Noam Chomsky. Ancak doğal dil
metinlerinden doğru ayrıştırmaların çıkarılması , herkesin hayal ettiğinden çok daha
zor ve karmaşık oldu. Geçmişe bakıldığında bariz olması gereken sorunlar su
yüzüne çıktı. Bunlar, kelime anlamı belirsizliğini ( banka gibi bir
kelimenin farklı olası anlamlar taşıdığı); yerel olmayan bağlamsal bağımlılık
(bir kelimenin anlamının, bir söylem veya metindeki yakın çevresinde olmayan
diğer kelimelere bağlı olduğu ); ve referans (anafor), metafor ve semantik
(anlam) içeren diğer konular. Filozof ve bilişsel bilim adamı Jerry Fodor'un
dediği gibi, yapay zeka üç boyutlu bir satranç oyununa tic-tac-toe olduğunu
düşünerek girmişti. 3 Ulusal Kaynak Konseyi (NRC), 1960'ların
ortalarında bir dizi Amerikan üniversitesinde makine çevirisi işine milyonlar
akıtıyordu, ancak doğal dil metinlerini anlamak ve hatta anlamayı simüle etmek
için mühendislik sistemlerindeki gerçek başarılara gelince, en hafif deyimiyle,
yetersiz tedarik edildiler.
Bar-Hillel'in işaret ettiği
gibi, dünya bilgisi gerçekten bilgisayarlara sağlanamazdı -en azından basit,
mühendislik tarzında değil- çünkü " biz insanların bildiği gerçeklerin
sayısı, çok anlamlı bir anlamda sonsuzdur. " ” 5 Farkında olmadan ,
insanların hayal ettiğinden çok daha fazlasını bildiğini keşfetmişti - yapay
zeka için hızlı ve basit bir çözümün tam tersi. Ve en gelişmiş
otomatikleştirilmiş sistemleri devreye sokan, gündelik dünyayla ilgili görünüşte
sıradan , sağduyulu, gündelik gerçeklerdi. Sıradan gibi görünen herhangi bir
gerçek, bir çeviri sırasında konuyla ilgili hale gelebilir , ancak gerekli,
açık uçlu "bilgi" miktarlarını hesaplama sistemleri için gerçek
zamanlı veya neredeyse gerçek zamanlı olarak erişilebilir hale getirir ve
onlara bilişsel yetenekler aşılar. Bu açık uçlu (muhtemelen sonsuz) arka plana
karşı ilgili gerçekleri seçmek umutsuz görünüyordu. Bar-Hillel'in 1966'da
NRC'ye verdiği kötü şöhretli raporunda sonuca vardığı gibi, bilgisayarların
insanların dünya bilgisiyle programlanabileceği fikri "tamamen hayal
ürünüydü ve daha fazla tartışmayı neredeyse hak etmiyordu." 6
Başka bir deyişle, makine
çevirisi, tam otomatik, yüksek kaliteli çevirilerden çok uzak olan (ve kalitenin
artmasına rağmen bugün de öyle kalan) sonuçlarla takılıp kalmıştı. Böylece
model devam etti. Yapay zeka kendini aşırı sattı ve çeviri araştırmasının
vaatleri yerine getirememesinin ardından, NRC araştırma ve geliştirmeye yirmi
milyon doların üzerinde yatırım yaptıktan sonra fonunu çekti, bu o zamanlar çok
büyük bir meblağdı. Çöküşün ardından yapay zeka araştırmacıları işlerini
kaybetti, kariyerleri mahvoldu ve bir disiplin olarak yapay zeka kendisini
tekrar çizim tahtasında buldu. 7
1970'lerde
ve 1980'lerde yapay zeka araştırmalarında “sağduyu bilgi problemini”
ehlileştirme veya çözme girişimleri baskındı. Bununla birlikte, 1990'ların
başında, yapay zekanın temel bilimsel ve felsefi sorununa hâlâ yeni
yaklaşımları veya cevapları yoktu. Japonya, robot biliminde başarıya ulaşmayı
amaçlayan yüksek profilli Beşinci Nesil projesine milyonlar yatırmıştı ve Japonya da oldukça
şaşırtıcı bir şekilde başarısız olmuştu. 1990'ların ortalarına gelindiğinde,
yapay zeka kendisini yeniden bir "kış" içinde buldu - yapay zeka
araştırmacılarının vaatlerine güven yok, karşı çıkanları haksız çıkaracak
sonuçlar yok ve fon yok. Sonra web geldi.
DÜNYA
ÇAPINDA AĞ
World Wide Web'in
ortaya çıkışı, basit bir nedenden dolayı yapay zekanın yeniden canlanmasına
neden oldu: veri. Birdenbire, devasa veri setlerinin ve özellikle de
milyonlarca yeni web kullanıcısının birleşik çabalarından elde edilen metin
derlemlerinin (web sayfalarının) mevcudiyeti, eski, "sığ"
istatistiksel ve örüntü tanıma yaklaşımlarına hayat verdi. Aniden, sığ olan şey
yeterli hale geldi ve işe yaradı. Yapay sinir ağları (kısaca sinir ağları),
karar ağaçları ve Bayesci sınıflandırıcılar gibi denetimli öğrenme
algoritmaları üniversite laboratuvarlarında onlarca yıldır vardı. Ancak büyük
veri kümeleri olmadan, yüz tanıma veya metin sınıflandırma veya spam veya
dolandırıcılık tespiti gibi ilginç sorunlarda henüz pek bir umut vaat
etmemişlerdi. Bu tür yöntemler artık sonsuz vaatlerle ve gerçek dünya için
yapay zekaya yeni bir ilgi ve finansman dalgası getirecek para kazandıran
uygulamalarla dolu görünüyordu.
dili anlama ve
doğal dil işleme. Örneğin, web sayfalarından adları ve diğer kalıpları
çıkarmanın yollarını buldular (varlık tanıma adı verilen bir yetenek); banka
gibi çok anlamlı (çok anlamlı) kelimelerin belirsizliğini gidermek için ;
web sayfalarını sıralamak ve almak gibi web'e özgü görevleri gerçekleştirmek
(ünlü örnek, Larry Page ve Sergey Brin'in 1990'larda Stanford lisansüstü
öğrencileri olarak geliştirdikleri Google'ın PageRank'idir); haber hikayelerini
ve diğer web sayfalarını konularına göre sınıflandırmak; e-posta için
istenmeyen postayı filtrelemek için; ve Amazon gibi ticaret sitelerinde
kendiliğinden ürün önerileri sunmak. Liste uzayıp gidiyor.
Dilbilimden ve kurala dayalı
yaklaşımlardan veri güdümlü veya "ampirik" yöntemlere geçiş, yapay
zekayı, anlam ve bağlam yakalamayla ilgili sonsuz gibi görünen sorunların
mühendislik çabalarını rahatsız ettiği, makine çevirisi üzerindeki o ilk,
bulutlu çalışma günlerinden kurtarmış gibi görünüyordu. Aslında, makine
çevirisinin kendisi daha sonra bir grup IBM araştırmacısı tarafından, esasen
Claude Shannon'ın bilgi kuramı üzerine ilk çalışmasının dahiyane bir
uygulaması olan istatistiksel (yani dilbilgisine dayalı olmayan) bir yaklaşım
kullanılarak çözüldü . "Gürültülü kanal" yaklaşımı olarak
adlandırılan bu yaklaşım, bir kaynak dilden (örneğin, Fransızca) ve bir hedef
dilden (örneğin, İngilizce) gelen cümleleri, kötü çevirilerin bir gürültü
biçimi oluşturduğu bir bilgi alışverişi olarak görüyordu - bu da sistemin
görevinin gürültüyü azaltmak olduğu anlamına geliyordu. kaynak ve hedef
cümleler arasındaki çeviri kanalındaki gürültü. Fikir işe yaradı ve makineler,
IBM Research Labs'ın öncülüğünü yaptığı çok daha basit, ancak yoğun veri içeren
istatistiksel yaklaşımı kullanarak kullanılabilir çeviriler üretmeye başladı.
BAŞARI
. . . YA DA DEĞİL
Doğal dili anlamadaki bazı
problemlerin istatistiksel veya makine öğrenimi yaklaşımlarıyla ele
alınabileceği ortaya çıksa da, Bar-Hillel ve diğerlerinin semantik (anlam) ve
pragmatik (bağlam) ile ilgili orijinal kaygılarının sağlam temelleri olduğu
kanıtlanmıştır. Zor bir doğal dil sorunu gibi görünen makine çevirisi, farklı
dillerdeki büyük korpora (veri kümeleri) verildiğinde, basit istatistiksel
analizlerle yeterince başarılabilirdi. (Ve makine çevirisinin hala çok yüksek
kalitede olmadığına dikkat edin - daha çok "yararlı olacak kadar iyi"
gibidir.) Bu, makinelerin doğal dil anlama zekasında etkileyici bir büyümenin
kanıtı değil, yalnızca makine çevirisinin bir başlangıçta algılandığından çok
daha basit bir sorun.
Yine, bilgisayarları
kullanarak dili anlamakla ilgili derin sorunlar devam etti. Buradaki noktayı
görmenin basit bir yolu, Turing testine geri dönmek ve onu yapay zekanın tarihi
ve sunduğu sorunları çözmeye ve hatta önemli ilerleme kaydetmeye yönelik çoğu
sonuçsuz birçok girişimin ışığında yeniden değerlendirmektir. Nick Bostrom gibi
fütüristler ve daha geniş bilimsel AI topluluğu, muhtemelen halkın testi
unutmasını diliyor.
Bazen duyulduğu gibi, testin
kusurlu veya yararsız olduğu söylenemez. Oldukça basit, çok zor.
TURING
TESTİ
Otuz bin fitten bakıldığında, yapay zeka Turing'in ilk çalışmalarında ve
Dartmouth'daki açılış konferansında ortaya çıkışından itibaren ilerledikçe
bilgisayarların daha akıllı hale geldiği görülüyordu. Kesinlikle bilgisayarlar
daha güçlü işlemciler ve depolama yetenekleri kazanıyor ve bunlar kaçınılmaz
olarak iyi tanımlanmış problemlerde ilerlemeye yol açıyordu. Bilgisayar satranç
oyunu henüz yetenekli insanları aşamadı, ama gelişmeye devam etti .
Kimyasalların yapısını analiz eden DENDRAL ve bazen oldukça iyi tıbbi teşhisler sağlayan
MYCIN gibi programlar, yapay zeka yöntemlerinin normalde yüksek insan zekası
gerektiren çeşitli sorunlarla ilgili olduğunu açıkça ortaya koydu. Gördüğümüz gibi,
makine çevirisi başlangıçtaki bir başarısızlıktı, ancak büyük veri kümelerinin
kullanılabilirliğiyle (2000'lerdeki birçok Büyük Veri ve veri bilimi
başarısının habercisi) mümkün kılınan farklı yaklaşımlara yol açtı. Doğal dil
cümlelerinin ayrıştırılması ve konuşma veya varlıkların (kişiler, kuruluşlar,
yerler vb.) 8
Yine de Turing'in
AI için orijinal hedefi olan Turing testini geçmek, belirsizliğini koruyordu.
Sohbeti anlamak, yapay zeka için iyi tanımlanmış bir görev değildi, tam bir
yetenekti. Terry Winograd'ın Blok A'yı B'nin üstüne Yerleştir gibi İngilizce
komutları çözümleyerek ve her ikisini de C'nin üstüne koyarak blokları bir
robotik kolla istifleyen ve manipüle eden SHRDLU sistemi gibi erken sistemlerde
bir miktar başarı umudu olsa da , araştırmacılar açık uçlu konuşma
sistemlerinde boşluklar çizdi. İlerleme, hileye, sistem tasarımcılarının
cehalet numarası yaparak veya sorular programların derinliklerini aştığında
kaçamak cevaplar ve stratejiler benimseyerek muhatapları kandırmak için zekice
oyunlarına varıyordu. Belki de en ünlü hile sistemi, Joseph Weizenbaum'un ELIZA
programı, Rogerian bir psikoterapistin hastalara verdiği yönlendirmeleri taklit
ederek insan diyaloğu yanılsaması yaratabilirdi. İşte ELIZA'nın yanıtlarının
italik olarak gösterildiği bir örnek:
Erkeklerin hepsi
birbirine benzer.
ne şekilde
Her zaman bizi
bir şey hakkında rahatsız ediyorlar.
Belirli bir
örnek düşünebilir misiniz?
Erkek arkadaşım beni buraya getirdi.
Erkek
arkadaşın seni buraya getirdi
Çoğu zaman
depresyonda olduğumu söylüyor.
depresyonda
olduğunu duyduğuma üzüldüm
Bu doğru. Mutsuzum.
Buraya
gelmenin mutsuz olmamana yardımcı olacağını düşünüyor musun?
Yardıma ihtiyacım
var, bu kesin görünüyor. 9
Ancak bu tür programlar,
gerçek yapay zeka standartlarına göre değerlendirilen bariz sahtekarlıklardı.
Turing testinin yıllık olarak
düzenlendiği Loebner Prize yarışmasında bazı jüri üyelerini birçok kez kısaca
kandıran program da öyleydi. Medya raporları, testin nihayet geçildiğini
hevesle ilan etti ve AI'nın en ünlü mücadelesindeki ilerlemesi hakkında kısa
ama yoğun bir tantana vardı. Eugene Goostman adlı sohbet robotu, yargıçların
dilbilgisi hatalarını ve genel bilgi eksikliklerini beklemesini (ve mazur
görmesini) sağlamak için tasarlanmış on üç yaşında Ukraynalı bir çocuk olarak
sunuldu. Bot ayrıca bazı sorulara doğrudan cevaplarla değil, rastgele yorumlar
ve komik yanlar şeklinde yanlış yönlendirme ve saptırma ile yanıt verdi. Bot
bazen bazı hakimleri kandırdı mı? Evet. Turing testini gerçekten anlamlı bir
şekilde geçti mi? 10 numara
1980'de Çek
doğumlu yazar Milan Kundera başyapıtı Varolmanın Dayanılmaz Hafifliği'ni
yazdı. Roman, 1968'de Sovyetler Birliği'nin o zamanki Çekoslovakya'yı
işgalinin zemininde geçen bir aşk hikayesidir . kendilerini Prag'ın sosyal,
entelektüel ve kültürel dokusuna sokarlar. Ölen ve itibarını yitiren Praglı
entelektüeller daha sonra (öldükten sonra da olsa) daha fazla rezalet gördüler:
cenazelerinde Sovyet parti üyeleri ve yetkililerinin merhumun Devlete ömür boyu
bağlılığını tasdik ettikleri iğrenç methiyeler . Sovyet propagandası onları
ölüme sürükledi; aynı propaganda daha sonra hayatlarını, aslında alenen ve
özel olarak karşı çıktıkları fikirleri ilerletmek için asilce feda edilmiş
olarak tasvir etti . Nefret ettikleri şey, sevgi dolu olarak tanımlandı.
Sovyet
propagandası acımasızdı ama öfkeli ve aptalca değildi. Belirli bir amacı vardı.
Bu amaç, ülkeyi bir ülkenin, bir halkın ve bir yaşamın anlamının daha derin ve
daha derin (ve karşıt) ifadelerinden arındırmaktı. Sovyetler, Prag'ı ve tüm
Çekoslovakya'yı ortak tarihinden, geleneklerinden ve neyin değerli ve uğruna
savaşmaya değer olduğu anlayışından arındırıyordu. Özgür düşünenler
susturulduktan sonra, Sovyetler, tıpkı bir duvarı önce kumladıktan sonra
boyamak gibi, ciddi veya örgütlü bir muhalefet olmaksızın kendi dünya
görüşlerini empoze etmekte özgür olacaklardı. Kundera'nın öyküsü, insan yaşamının değerinin ve belirli
inançların ve ideolojilerin, bir birey ve bir toplum için anlamlı olan her şeyi
nasıl karartmaya ve örtbas etmeye –ama asla tam olarak başaramamaya– dair
keskin ve çoğu zaman trajik bir anlatımıdır. Kundera, yenilmiş Çek halkına
dayatılan Sovyet kültürünü kitsch olarak adlandırdı .
TEKNOLOJİK
KİTÇ
Kitsch , bugün genellikle sevimsiz
veya yapışkan sanat eseri ve dekora atıfta bulunurken, orijinal olarak herhangi
bir alanda abartılı duygusallık ve melodram anlamına gelen Almanca bir
kelimedir. Yapay zeka dünya görüşünün kalbindeki zeka hataları - yani bilim
değil inançlar - modern ve özellikle zararlı bir kitsch biçimine yol açtı. Süper
zeki bilgisayarların hayalleri Sovyet propagandası değildir ve kimse bizi
makinelerin yükselişine inanmaya zorlamıyor. Ancak, bireyler ve toplumlar
hakkındaki karmaşık ve zor tartışmaları , Sovyet kültürü gibi, eski fikirleri
tehlikeli bir şekilde tek boyutlu soyutlamalarla yeniden yazan teknolojik
hikayelerle değiştirme temel fikrini paylaşıyorlar .
Kitsch,
anlamı ve kullanımı zamanla değişen bir kelimedir. Orijinal Almanca tanım,
burada keşfetmeyi düşündüğüm anlamdan bazı yönlerden farklıdır, ancak orijinal
anlamın iki temel bileşeni, iddiamı yeterince açık hale getirmelidir.
Birincisi, kitsch, karmaşık fikirlerin basitleştirilmesini içerir. Anlatacak
basit bir hikaye olmalı. İkincisi, bu soruları ciddi, derinlemesine tartışarak
ele almak yerine, insanların hayatın sorunları hakkındaki sorularını ve kafa
karışıklıklarını duygularla ortadan kaldıran kolay çözümler sunar . Bu
nedenle, kitsch'in mükemmel bir örneği, bir gün süper zekaya sahip hayranlık
uyandıran bir androidin insan toplumunu ve onun eski geleneklerini ve
fikirlerini yeniden yaratacağı ve şükürler olsun ki Tanrı hakkındaki eski
tartışmalardan arınmış yeni bir çağa gireceğimiz rüya gibi bir fikirdir. akıl,
özgürlük, iyi yaşam ve benzerleri. Alicia Vikander tarafından canlandırılan
2015 bilim kurgu filmi Ex Machina'daki "Ava" gibi güzel makineler
(veya güzel zekaya sahip makineler) , insan varoluşunun katı gerçeklerini
ortadan kaldıracak. Bu kitsch, teknolojik tarz. Sovyet propagandası gibi, korkutabilir
ya da yatıştırabilir, ama bize daha önce doğru olanın üzerine yazan ve onu
gereksiz kılan yeni bir hikaye verir ve eski gerçeklik ortadan kalkar.
Alan Turing, bilime ve
mühendisliğe yaptığı tüm katkılardan dolayı, önce zekayı problem çözme ile
eşitleyerek teknolojik kitsch'in doğuşunu ve viral büyümesini mümkün kıldı.
Jack Good daha sonra , akıllı makinelerin gelişinin zorunlu olarak süper zeki
makinelerin gelişini ima ettiğini öne sürerek, Turing'in zeka hatasını çok
tartışılan ultra zeka kavramıyla birleştirdi . Popüler hayal gücü, süper zeki
makineler fikrini kabul ettikten sonra, insan amacının, anlamının ve tarihinin
yeniden yazılması, hesaplama ve teknoloji parametreleri içinde anlatılabilirdi.
etmek, genellikle eşit
derecede yüzeysel olan iki yoldan biriyle teknolojik kitsch'in istenmeyen
sürünmesini teşvik eder. Bir uçta, bir tür kamp ateşi korku hikayesi olan
kıyamet ya da korkunç bir AI hikayesi duyuyoruz. Diğer uçta, eşit derecede
yüzeysel ve haksız olan ütopik veya rüya gibi yapay zeka ile karşılaşıyoruz.
Yapay zekanın kiç biçimlerinden herhangi birini ciddiye alırsak, kendimizi
yalnızca teknoloji tarafından tanımlanan bir dünyada buluruz.
Bu, geri döneceğim bir tema
çünkü fütürist yapay zeka ile ilgili temel sorunu ortaya koyuyor. Ex
Machina'daki dahi bilgisayar bilimcisi Nathan'ın belirttiği gibi, “Bir gün
yapay zekalar bize, Afrika ovalarındaki fosil iskeletlere baktığımız gibi
bakacaklar. Kaba bir dil ve aletlerle toz içinde yaşayan, tamamı yok olmaya
hazır dik bir maymun.” Gerçekte, herhangi bir bilgisayarın geriye dönüp
bakmayacağı belli değil. Popüler duygu, varoluşun, yaşamın, bilincin ve zekanın
anlamına ve kendimiz ile hesaplama ve onun birçok teknolojisi arasındaki
farklara derinlemesine dalmayı gerektirir. Kitsch, insan doğası ve diğer ciddi felsefi
çabalarla boğuşmamızı engeller. Kundera'nın çok iyi bildiği gibi, durum böyle
olmamalıydı.
Kitsch'in
kökleri tipik olarak daha geniş bir düşünce sistemindedir. Komünistler için bu
Marksizmdi. Kaçınılmazlık miti ile bu tekno bilimdir. Teknobilimsel dünya
görüşünü en doğrudan August Comte'un çalışmalarından miras aldık.
TEKNOBİLİMSEL
DURUMUMUZ
Muhtemelen
teknobilimi bir dünya görüşü olarak tam olarak geliştiren ve açıklayan ilk
düşünür Auguste Comte idi. 1 Bilimsel bir çalışma alanı olarak
sosyolojiyi kuran on dokuzuncu yüzyıl filozofu Comte, pozitivizm teorisini
geliştirdi ve açıkladı. Bu, yalnızca gözlemlenebilir, bilimsel fenomenlerin var
olduğu görüşüdür - din ve felsefe hayalidir. Comte, önce, insan zihninin, tıpkı
bir bütün olarak toplum gibi, dini ve felsefi düşünceyle başlayan ve ardından
bilimsel düşünceye ilerleyen aşamalardan geçerek gerçeğe doğru ilerlediği
fikrini açıklığa kavuşturdu. İkincisi, teknobilimin her şeyin (bilimin)
doğasının anlaşılmasını sağlayarak ve ardından bu bilgiyi hayatımızı çok daha
uzun, daha iyi ve daha anlamlı hale getiren teknolojiler geliştirmek için
kullanarak sonunda yeryüzünde bir cennet yaratacağını açıkladı. .
Comte'un teknobilimin
dönüştürücü gücüne ilişkin açıklaması , sonunda, dinin ve özellikle de
Kilise'nin, tamamen seküler, Tanrı'ya inanmayan ve sağlam bir şekilde bilimlere
dayanan bir "insanlık dini " ile değiştirilebileceği inancına kadar
genişledi. maddi gerçeklikte. On dokuzuncu yüzyılda Comte'un yazdığı sırada,
insan düşüncesinin hem bilimsel yasaları keşfetme hem de teknobilimin modern
zihnin merkezinde kök saldığı güçlü ve kullanışlı teknolojileri icat etme
gücüne dair yeterli kanıt vardı.
Ancak
başından beri Comte'un teorisi hakkında şüpheler vardı. Örneğin Nietzsche, bir
insan fikrinin böyle bir görüşle daraltılmış ve sınırlandırılmış olmasından
yakınıyordu. Teknobilim daha uzun yaşamamıza yardımcı olabilir, ancak bizi daha
akıllı yapamaz. Bir kahraman ya da olağanüstü ve kazanılmış armağanlara ve
erdemlere sahip bir kişi fikri, esasen geleneksel kişilik tartışmasını bilimin ve özellikle
teknolojinin ilerlemesi tartışmasıyla değiştiren Comte'un vizyonuna uymuyordu .
2
Comte'un materyalizmi de
diğer düşünürlere insan olasılığının genişlemesinden çok azalmasını öneriyordu.
Doğuda, Rusya'da, yazar Dostoyevski, diğer düşünürlerin şüpheciliklerini ve
hatta korkularını yansıtan bir düzyazıda, materyalizme ve bilimciliğe -bilimsel
bilginin tek gerçek bilgi olduğu görüşüne- yönelik topyekun inancın büyüyen
"belasını" küçümseyerek protesto etti. teknobilimsel düşüncenin hızlı
hakimiyeti. Yeraltından Notlar'da belirttiği gibi , "Kişinin kendi
özgür ve dizginlenmemiş iradesi, ne kadar vahşi olursa olsun, kendi kaprisi,
kendi hayal gücü, bazen delirme noktasına kadar alevlenir - bu, asla alınamayan
en iyi ve en büyük iyiliktir. dikkate alınmaz çünkü herhangi bir
sınıflandırmaya sığmaz ve ihmal edilmesi tüm sistemleri ve teorileri şeytana
gönderir. 3
Dostoyevski, Nietzsche ve
diğerleri tam bir insan idealine işaret ediyorlardı, ama Comte bizim dışımızda
olan bir şeyin idealinden bahsediyordu - teknobilim ve onun ilerlemesinden.
Sorun, Comte'un çok iyi bildiği gibi, teknobilimsel bir gelecek vizyonunun aynı
zamanda kişiliğin doğası hakkında derin ve anlamlı bir ifade olmasıydı .
Aslında Comte, Tanrı tarafından yaratıldığı için benzersiz olan veya Yunan
filozoflarının savunduğu gibi (yalnızca teknolojik bilgi değil) bir bilgelik
arayıcısı olarak geleneksel kişilik kavramlarının, bilimsel ve teknolojik
başarı nedeniyle artık alakasız olduğunu savundu. Onun teknobilim felsefesi, insan
doğasının özü ve olasılıkları üzerine bir yorumdu. Bu radikaldi ve teknobilim
ezici gücüne kapılmayan ikonoklastik düşünürler, Comte'un (ve diğerlerinin) öne
sürdüğü fikirlere meydan okumakta haklıydılar. 4
HOMO
FABER'İN ZAFERİ
Teknobilim yirminci yüzyılda zafer kazandı, ancak ona yönelik şüpheci tepkiler
de devam etti. Nazi Nürnberg mahkemelerine atıfta bulunarak "kötülüğün
bayağılığı" sözüyle ünlenen filozof Hannah Arendt, Comte'un -yirminci yüzyılın
ortalarında felsefi bir fikir olarak kesinlikle hiçbir güç kaybetmemiş olan-
teknobiliminin savundu. - insan doğasının kendisinin yeniden tanımlanmasından
daha azına varmadı . 5 Arendt, klasik insan anlayışına Homo
sapiens - kelimenin tam anlamıyla bilge adam - ve teknik beceriden çok
bilgelik ve bilgiye odaklanan tarihsel odak noktasına işaret etti ve
teknobilimi bir dünya görüşü olarak benimsemenin kendimizi Homo faber olarak
yeniden tanımlamak olduğunu savundu - inşa eden adam.
Homo faber , Yunanca
terimlerle, techne'nin - teknolojinin kökü olan zanaat veya bir şeyler yapma
bilgisinin - kim olduğumuzu tanımladığına inanan bir kişidir . İnsan doğasına
ilişkin fabrikavari anlayış, yalnızca Comte'un on dokuzuncu yüzyıldaki ütopik
bir teknobilim fikriyle değil, aynı zamanda, aslında kendimizi inşa etme
şeklindeki büyük projeyle sonuçlanan, giderek daha güçlü teknolojiler inşa etme
yönündeki yirminci yüzyıl takıntısıyla da mükemmel bir uyum sergiliyor. -yapay
zeka. İnsanlığın anlamına ilişkin geleneksel kavramlar bozulmamış olsaydı, bu
proje bir anlam ifade etmeyecekti .
Arendt, bilgelik ve bilgiden teknolojiye
ve binaya doğru sismik değişimin, kendimize dair sınırlayıcı ve potansiyel
olarak tehlikeli bir anlayışı temsil ettiğini savundu; bu, yalnızca teknolojik
gelişmenin dizginsiz bir şekilde devam etmesini değil, aynı zamanda teknolojik
başarıları giderek artan bir şekilde, insanla ilgili anlamlı ifadeler olarak
göreceğimizi de garanti edecekti. kendimizi. Başka bir deyişle, teknobilim
araçlarıyla inşa edilebilecek harikalara ilişkin tahminimizi, bilge ve makul
ölçülerin ötesinde artırmak için kendi değerimizi azaltıyorduk.
Von
Neumann'ın teknolojik ilerlemeler hızlanırken bir "tekilliğe"
yaklaşmaya ilişkin başlangıçtaki şifreli yorumları, çağdaşı Arendt'in pozisyonu
ışığında daha net hale geliyor. Bir bilim adamı ve matematikçi olan Von Neumann
sözlerini (bildiğimiz kadarıyla) daha fazla açıklamasa da, bunlar Arendt'in
teknobilimin kendimiz ve geleceğimiz için derin önemi konusundaki ısrarını
mükemmel bir şekilde yansıtıyor - teknoloji filozoflarının "gelecek"
dediği şey için. İnsanlık Hali." Comte'a teknolojinin kontrolümüzün
ötesinde hızlanabileceği belki sapkın görünebilir, ancak yazılarının hiçbir
yerinde, Arendt'in (ve diğerlerinin) teknobilimi insan sorunlarına insani bir
yanıt olarak savunurken, bizlerin insan sorunlarına insani bir yanıt olarak
savunduğu noktanın bir sezgisi keşfedilemez. aynı zamanda kendimize dair
anlayışımızı yeniden tanımlama projesiyle de meşgulüz. Örneğin, episteme (doğal
fenomen bilgisi) veya sapientiae (insan değerleri ve toplumla ilgili
bilgelik ) yerine techne'ye yönelmek , insanın benzersizliği hakkında anlamlı
bir fikir ortaya çıkarmayı zorlaştırır. (Sonuçta arılar bile kovanlarında
inşaatçıdır).
Techne'yi merkeze almak, bir
insanı inşa edilebilir bir şey olarak görmeyi mümkün kılar, çünkü bu, bir insan
için her zamankinden daha ileri teknolojiler inşa etmek için üstün bir
kapasiteden başka bir şey olmadığını ima eder. Bu rotaya girildiğinde, yapay
zekaya giden kısa bir yolculuktur. Ve ilk olarak Turing tarafından yapılan ve
ardından Jack Good ve diğerleri tarafından günümüze kadar genişletilen zeka
hatalarıyla bariz bağlantı şudur : Bir tür olarak Homo faber'in nihai
zaferi, kendi kendini inşa etmesidir. Bu, elbette, kesinlikle yapay zekanın
iddia edilen hedefidir. Projenin başarılı olup olmayacağını keşfetmek, bizi
mutlaka kendi doğamızı anlamanın derin sularına çekecektir.
BULMACA
DOLDURMA
Teknobilim, Bilimsel Devrim ile başladı ve birkaç yüz yıl sonra, modern bilimsel
teorinin çoğu yerindeydi. Nadir istisnalar dışında - bariz bir tanesi yirminci
yüzyılda kuantum teorisi ve göreliliğin gelişmesidir - büyük fiziksel teoriler
uygulamaya konuldukça bilimsel bilgi de gelişti. Bilimsel bilgi, dünyanın ve
evrenin bir resmini oluşturan teori parçalarıyla bir bilmece gibiydi .
Newton'un fiziği, Maxwell'in elektrodinamiği, iş teorileri ve Carnot ve
diğerlerinden termodinamik - tüm bu bilimsel bilgiler, dünyanın birleşik bir resmini
oluşturmak için bir araya geliyor . 1850'lerde Darwin'in evrim teorisi ve
coğrafi ve arkeolojik keşiflerle daha fazla teori ve ayrıntı dolduruldu . (Tabii ki, teoriler
tartışılıp test edildikçe, bazılarının yanlış olduğu ortaya çıktı veya revize
edildi). O halde, bilimsel teori için olasılık aralığı garip bir şekilde
daralıyordu - tıpkı bir yapboz üzerinde çalışırken ve her bir parça yerine
oturduğunda, kalan seçeneklerin daha da sınırlı olması gibi.
Buna karşılık, teknolojik
yenilik patladı. Ray Kurzweil'in belirttiği gibi, teknolojik yenilik hızlanıyor.
Bir buluş, takip edilebilecekleri sınırlamaz, daha çok ve daha fazla icadı
mümkün kılar. Başka bir deyişle, teknoloji gelişiyor gibi görünüyor. Teori gibi
yerine oturtmuyoruz. Bunun yerine teknolojik gelişmeleri sonsuz gibi görünen
üst üste yığıyoruz . Teknolojinin evriminin hızlanması, basitçe, büyük
teknolojik yenilikler arasındaki sürenin tarihsel olarak küçülmeye devam etmesi
anlamına gelir, böylece, örneğin, matbaanın icadı ile bilgisayarın gerçek
rakibi arasındaki boşluk, örneğin, şu zamana kıyasla çok büyüktür: bilgisayar
ve internet arasındaki boşluk. Bilim ve teknolojinin birleşmesi bu nedenle
karmaşıktır ve teknobilim kelimesinin kendisi , işler ilerledikçe
bilimin yerleşeceğini ve teknolojinin gelişmeye devam edeceğini ve Kurzweil'in
ifadesiyle katlanarak gelişmeye devam edeceğini ima eder.
Turing'in 1950
tarihli "Computing Machinery and Intelligence" adlı eserini
yayınlamasından kısa bir süre önce davranış psikoloğu BF Skinner, Walden Two
adlı bir bilim kurgu romanı yayınladı. 1 İçinde Skinner,
karakterlerinin özgür iradenin bir yanılsama olduğunu ve bir kişinin
davranışının çevresi tarafından dışarıdan kontrol edildiğini iddia etmesini
sağlar. Birisi (diyelim ki bir bilim adamı) çevreyi değiştirirse, o zaman o
çevredeki kişinin davranışı da değişecektir.
Önemsiz bir anlamda, bu
doğrudur. Eğer bir despot insanlardan yiyecek, güvenlik ve istihdam
olanaklarını esirgerse , halk mutsuz olur. Bu tür değişiklikleri tahmin
edebiliriz. Bununla birlikte Skinner, bir kişinin tamamen girdilerle -kendi
deyimiyle, uyaranlarla- belirlendiğini kastediyordu.
yazık ki bu düşünce tarzının
önemli bir kısmı dışarıda bırakıldı ve bugün onun hatalarını miras aldığımız
açık görünüyor. Skinner'ın edimsel koşullanma teorisi ya da
"davranışçılık" olarak adlandırılmaya başlandı, yirminci yüzyılın
sonlarında geniş çapta tartışılırken, onun yerini alan disiplinler arası
"bilişsel devrim" zekayı yalnızca içsel hesaplamalar olarak ele
aldı. İnsan zihninin bir bilgi işleme sistemi olduğunu iddia eden
"hesaplamalı zihin kuramı" adı verilen bir felsefeyle desteklenen bu
fikir, yapay zekanın nihai zaferine hâlâ teorik olarak güveniyor.
Burada açık olmak en
iyisidir: bir zihni bir bilgisayarla bir tutmak bilimsel değil, felsefidir.
TAHMİNİN
ÇILGINLIĞI
Stuart Russell'ın
işaret ettiği gibi, yapay zeka arayışında "insan zekası" aleyhine
bahse girmemeliyiz. 2 Ancak benzer şekilde, sağlam bir bilimsel
temele dayanmadan umut verici (veya vahim) tahminlerde bulunmamalıyız .
Uzmanlar ve hatta (veya
özellikle) bilim adamları tahminlerde bulunmayı severler , ancak çoğu
yanlıştır. Dan Gardner'ın mükemmel kitabı Future Babble , tarih ve
jeopolitikten bilime kadar birçok alanda tahminlerin başarı oranını belgeliyor.
3 Teorisyenlerin -destekledikleri belirli bir teoriye dayalı olarak
geleceğe dair büyük vizyonları olan uzmanların- dünyayı karmaşık ve tek bir
teoriyle net bir uyumdan yoksun olarak gören pragmatik insanlardan daha kötü
tahminlerde bulunma eğiliminde olduklarını buldu.
Gardner,
uzman sınıftan ve pragmatik düşünürlerden kirpi ve tilki olarak bahsetti ( terminolojiyi
Isaiah Berlin'den alan psikolog Philip Tetlock'tan ödünç alıyor). Tıpkı bir
kirpinin toprağı kazması gibi, kirpi uzmanları da bir fikir bulur. Kaçınılmaz
olarak, fikrin her şeyin özünü yakaladığına inanmaya başlarlar ve bu inanç, onların
kaçınılmaz olarak düzyazı yazmalarını besler . Marx yorulmak bilmez bir
kirpiydi.
Tilkiler dünyadaki olaylarda
karmaşıklık ve hesaplanamazlık görürler ve ya cesur tahminlerden kaçınırlar ya
da işlerin bizim düşündüğümüz gibi değişmeyeceğine dair daha güvenli (ve belki
de daha akıllı) tahminlerde bulunurlar. Tilki için tahminde bulunma işi
neredeyse çılgınca çünkü jeopolitik, iç politika (diyelim ki: seçimi kim
kazanacak?), bilim ve teknolojinin karmaşık dinamiklerinden ne çıkacağını
gerçekten bilemeyiz. On dokuzuncu yüzyıl romancısı Leo Tolstoy'un uyardığı
gibi, savaşlar, savaş planlarına sığdıramadığımız nedenlerle ortaya çıkar.
Bazı AI bilim adamları, AI
tahminleri konusunda herkesin bildiği gibi kurnazdır. Kanada, Montreal
Üniversitesi'nde bilgisayar bilimi profesörü ve derin öğrenmenin öncülerinden
biri olan Yoshua Bengio'yu ele alalım: Ne zaman yapabileceğimiz sorusuna yanıt
olarak "Bunu benden alamayacaksın" diyor. insan düzeyinde yapay zeka
bekliyoruz: "hiçbir anlamı yok. Bir tarih tahmin etmenin faydası yok çünkü
hiçbir fikrimiz yok. Söyleyebileceğim tek şey, bunun önümüzdeki birkaç yıl
içinde olmayacağı.” 4
Ray Kurzweil daha kirpi bir
cevap veriyor: insan seviyesinde yapay zeka 2029'da gelecek. Tahmininin
bilimsel görünmesini sağlamak için hızlanan getiri "yasasına"
başvuruyor ve bugüne kadarki tüm sözde ilerlemelerde haklı olduğuna dair devam
eden kanıtlar görüyor. 5
Eski
Taş Devri'nde bir ara sen ve ben geleceği tartışıyoruz ve önümüzdeki on yıl
içinde birinin tekerleği icat edeceğini tahmin ediyorum. "Teker?" sen
sor. "Bu nedir?" O zaman size tekerleği tarif ediyorum ve muhtemelen
ilk kez bir jantın, parmaklıkların, bir göbeğin ve belki de bir aksın ne
olacağını söylemek için kelimeler buluyorum. Sonra duraksıyorum, dehşete
kapılıyorum. "Ama kimse tekerleği icat edemez, çünkü ben onu yeni icat
ettim. " Yani tekerleğin icadı tahmin edilemez. Çünkü bir icadı
tahmin etmenin gerekli bir kısmı tekerleğin ne olduğunu söylemektir; ve
tekerleğin ne olduğunu söylemek onu icat etmektir. Bu örneğin nasıl
genelleştirilebileceğini görmek kolaydır. Esasen kökten yeni bir kavramın
geliştirilmesinden oluşan herhangi bir buluş, herhangi bir keşif tahmin
edilemez, çünkü öngörünün gerekli bir kısmı, keşfi veya icadı ancak gelecekte
gerçekleşecek olan kavramın şu anki detaylandırılmasıdır. . Radikal kavramsal
yeniliğin öngörüsü kavramının kendisi kavramsal olarak tutarsızdır. 6
gelişi tahmin edilebilen
yapay genel zekaya giden bir "yolda" olduğumuzu öne sürmek, yolda
hiçbir kavramsal yeniliğin bulunmadığını varsayar - yapay zeka bilim
adamlarının bile yapay genel zekanın gelişine ikna olduğu bir görüş. Ligence
ve Ray Kurzweil gibi tahminlerde bulunmaya istekli olanlar bunu kabul etmez .
En azından hepimiz biliyoruz ki, herhangi bir varsayılan yapay genel zeka
sisteminin doğal dili anlamada henüz bilinmeyen bir yeteneğe ulaşması için, bir
sağduyu, genelleştirme bileşeninin bir icadı veya keşfi olmalıdır. Bu
kesinlikle bir "radikal kavramsal yenilik" örneği sayılır çünkü bunun
ne olduğu ve hatta neye benzeyeceği hakkında henüz hiçbir fikrimiz yok.
Oyun oynamak gibi
yapay zeka sistemleri genel zekaya kadar ölçeklenecektir ve bu nedenle yapay
zekadan yapay genel zekaya doğru tahmin çizgisi biraz güvenle çizilebilir. Bu,
hem yapay genel zekaya doğru ilerlemeyi teşvik etmek hem de tahmin argümanının
mantığı açısından kötü bir varsayımdır .
Bilimsel keşiflerle ilgili
tahminler belki de en iyi mitolojinin müsamahaları olarak anlaşılır; aslında,
yapay genel zekanın gelişiyle ilgili kesinlik , Popper'ın, MacIntyre'ın ya da
başka herhangi birinin şüpheleri tarafından engellenmeden yalnızca mitik alemde
kalıcı olabilir.
AI hakkındaki mitoloji o
kadar da kötü değil. Yaşam ve zeka yaratmaya yönelik arketipsel özlemleri canlı
tutar ve kendimizi anlamamız için pencereler açabilir . Ancak mit, bilim ve
kesinlik kılığına girdiğinde, halkın kafasını karıştırır ve büyük teorik
engellerin çözülmeden kaldığını bilen mitolojik olmayan araştırmacıları hüsrana
uğratır. Ben gio'nun dediği gibi, "Kimsenin bir fikri yok" . Bu, tüm
kanıtlarla desteklense bile, mitologlar için imkansız ve iç karartıcı bir
karamsarlıktır ve doğrudur.
Ancak
engeller her zaman aşılmaz değildir ve öyle olduklarında bile -belirli
sınırları tanımaya zorlandığımızda- o zaman hedefimize ulaşmak için farklı bir
yol bulmakta özgür kalırız veya hep birlikte yeni hedefler formüle etme dürtüsü
kazanırız. Bilim tarihi, daha fazla ilerlemeye yol açan açmazların
keşfedilmesinin örnekleriyle doludur. Werner Heisenberg, yeni kuantum fiziğinin
sonuçlarını hesaplayarak belirsizlik ilkesini keşfetti. İlke , bir atom altı
parçacığın konumunu ve momentumunu aynı anda izole etmenin imkansız olduğunu
belirtir . Bu, atomaltı alemdeki parçacıkların bireysel hareketlerini tahmin
etme yeteneğimize temel sınırlar koyar (çünkü bir parçacığın konumunu
"görmek", ona bir fotonla çarpmayı gerektirir, bu aynı zamanda onu
rotasından çıkarma etkisine de sahiptir). Belirsizlik ilkesi bir sınırlama
değilse de hiçbir şey değildir , yine de kuantum mekaniğini anlamada verimli ve
değerli olduğu kanıtlanmıştır. Örneğin, önce belirsizliğin doğasını
anlamasaydık, bir kuantum bilgisayar yapmayı asla umut edemezdik.
Başka birçok örnek var.
Sürekli hareket, on dokuzuncu ve on sekizinci yüzyılların bir saplantısıydı ve
en iyi ve en parlak beyinlerin çoğunu yörüngesine çekiyordu. İş teorilerindeki
ve termodinamikteki gelişmeler rüyayı emekliye ayırdı ama bu süreçte enerji ve
hareketin anlaşılmasında büyük ilerleme sağlandı . Karmaşıklığı ve
komplikasyonları kabul etmek, bizi aşırı basitleştirmeden daha ileri götürür.
TUHAF
(AMA İLGİLİ) BİR TARTIŞMA
MICHAEL
POLANYI'DAN
Yapay zeka
tartışmasındaki bir olasılık, genel zekaya sahip olmamıza rağmen aslında onun
ne olduğunu yazamayız -yani programlayamayız- çünkü önemli açılardan o bizim
için bir kara kutudur. Bu bizi Michael Polanyi'ye getiriyor.
Bir zamanlar etkili ama şimdi
az tanınan kimyager ve filozof Michael Polanyi, yirminci yüzyılın ortalarında
zekanın yalnızca kısmen yazdığımız semboller tarafından -"eklemler"
adını verdiği dil kullanımları tarafından yakalandığını savundu. Polanyi, yapay
zeka sistemlerinin yapay zeka tasarımcıları için neden olduğu baş ağrılarının
çoğunu tahmin ediyordu; aslında, daha sonraki çalışmalarında , eklemlenmelerin
eksikliğinden kaynaklanan nedenlerle, makinelerin tüm insan zekasını ele
geçirebileceğini açıkça reddetti.
Polanyi,
ifadelerin zorunlu olarak zekanın “zımni” bileşenlerini - semboller yazarak
tam olarak tanımlanamayan düşünme yönlerini - dışarıda bıraktığını savundu. 7
(İnşa ettiğimiz bir sinir ağı da bir sembol sistemidir.) Bu, örneğin
yemek yapmak gibi belirli beceri ve zanaatlarda neden sadece yemek tarifleri
okuyarak ustalaşılamayacağını açıklar. Bir şeyler yapıyoruz ama bu benim
yaptığım ve yaptığımız her şeyi programlayabildiğimiz anlamına gelmiyor (mesela
James Joyce'un Ulysses'i gibi bir roman yazmak için bir program yazmayı düşünün . Program anlamsız
olurdu. Onun yerine romanı yazardık. doğrudan - James Joyce olsaydık).
Polanyi talihsiz
bir zamanda yapay zeka hakkında karşıt görüşler ileri sürmek için yazdı, çünkü
alan 1950'lerde tantanayla başlamıştı. Zımni bilgi savunması, daha sonra Hubert
Dreyfus tarafından yapay zekaya yönelik daha önce tartışılan saldırıda ele
alındı; Dreyfus'un sözleri, belki de bazen fazla taraflı üslubundan dolayı, karşı
argümanlar için bir paratoner haline geldi ve en azından başlangıçta, ana akım
AI düşünürlerini kazanmadı. (Maalesef, bir AI sisteminin satrançta asla büyük
bir şampiyonu yenemeyeceğini de ilan etti.) 8
Ancak
bildiklerimizin tamamının yazıya dökülememe olasılığı, yapay zeka için kalıcı
bir sorundur çünkü bu, yapay zeka programcılarının bir dairenin karesini
almaya çalıştıkları anlamına gelir. Zihinlerimizle ilgili bazı şeyleri gözden
kaçıran belirli programlar (veya verileri analiz etmek için programlar - yine
de belirli) yazıyorlar. Polanyi'nin fikirleri, zihinler ve makinelerin temel
farklılıkları olduğunu ve ayrıca zihinleri makinelerle bir tutmanın zihin
hakkındaki fikirlerimizi basitleştirmeye yol açtığını öne sürüyor. Eğer zihin
-ya da en azından genel zeka- kodlanabilen ya da yazılabilen bir şey olarak ele
alınmalıysa, o zaman bugün bu kadar çok tartışmayı anlamlandırmak için
"zihnin" kendisini basitleştirmemiz gerekir.
TİLKİLERİN
DÖNÜŞÜ
2000'lerin başında yapay zekadaki herkes tilkiydi. Tarla, çok yıllık
kışlarından birini yaşıyordu ve neredeyse tüm mitologlar saklanıyordu. Ray
Kurzweil kendine güvenen vizyonunu desteklemeye devam etti ve Doug Lenat gibi
klasik yapay zeka kuramcıları , yapay zekanın Rosetta taşını kovalayarak en
sevdikleri kuramların peşinden gitmeye devam ettiler. Ancak görünüşte sonu
gelmeyen yükseliş ve düşüş döngüleri, alanın çoğunu yıpratmıştı, öyle ki birçok
kişi araştırmamız için yapay zeka etiketini kullanmaktan bile rahatsız olmuştu.
Kötü bir
pazarlama terimi haline geldi. (Bugün bu garip gelebilir, ancak doğruydu.)
Konuşma hızla, her ikisi de makine öğrenimine yaklaşım olan "destek vektör
makineleri" ve "maksimum entropi" gibi belirli algoritmaların
sırlarına döndü. Klasik yapay zeka bilim adamları bunları "sığ" veya
"ampirik" olarak nitelendirerek görmezden geldiler çünkü verileri
kullanan istatistiksel yaklaşımlar bilgiyi kullanmıyordu ve akıl yürütmeyi veya
planlamayı (eğer mümkünse) çok iyi idare edemiyordu. Ancak web'in çok ihtiyaç
duyulan verileri sağlamasıyla, yaklaşımlar umut vaat etmeye başladı.
Derin öğrenme
"devrimi", Geoff Hinton, Yann LeCun ve Yoshua Bengio'nun ilk
çalışmalarıyla 2006 civarında başladı. 2010 yılına gelindiğinde, Google,
Microsoft ve diğer Büyük Teknoloji şirketleri, ses tanıma gibi büyük tüketici
uygulamaları için sinir ağlarını kullanıyordu ve 2012 yılına kadar, Android
akıllı telefonlar sinir ağı teknolojisine sahipti. Yaklaşık bu zamandan 2020'ye
kadar (ben bunu yazarken), derin öğrenme, yapay zekanın tüm sorunlarının bir
çivi gibi görünmesine neden olan bir çekiç oldu - oyun oynamak ve sesi tanımak
gibi "sıfırdan" yaklaşılabilecek sorunlar. ve görüntü verileri, artık
AI'daki araştırmaların ve ticari harcamaların çoğunu oluşturuyor.
Derin öğrenme yükseldikçe, AI
(ve AI hakkında konuşma) da yaptı. Kirpiler geri döndü ve tahmin edilebileceği
gibi medya taze fütürizmin alevlerini körükledi . Ancak son zamanlarda AI'da
garip bir şey oluyor. 2018'de daha şüpheci bir konuşmada bunu fark ettim ve
2019'da bu apaçık ortada. Tilkiler geri dönüyor.
Güven. 9 Marcus ve Davis, alanın yine
abartıldığına ve derin öğrenmenin sınırları olduğuna dair ikna edici bir
argüman ortaya koyuyor; genel olarak akıllı yapay zekaya ulaşmak için bazı
temel ilerlemeler gerekli olacaktır. 2017'de yapay zeka bilimcisi Hector
Levesque (Davis'in bir meslektaşı, daha sonra hakkında daha fazla bilgi
verilecek) modern yapay zeka hakkında Common Sense, the Turing Test ve Quest
for Real AI adını verdiği faydalı bir polemik kaleme aldı. 10 2015'te The
Atlantic'te “Yapay Zeka Hakkındaki Aldatmacayı Sorgulamak”ı yayınladığımda ,
tepkiler büyük ölçüde küçümseyiciydi. 11 Bugün daha fazla eleştirmen
var ve bunların arasında yapay zeka alanında aldatmacayı sorgulayan birçok
tanınmış lider var.
Gerçek yapay zekanın imkansız
olduğuna dair düşünceli argümanlar duymak hala nadirdir, aynı nedenle insanlar
bu konuda tahminlerde bulunmaktan çekinirler - çünkü yapay zekanın geleceği
bilinmiyor. Ancak kültürel ve psikolojik olarak, alan, yeni başlayanları ve
gelecek halkı genel zekanın uzun bir yol olduğu konusunda uyararak, çevirme
aşamasına girmiş gibi görünüyor . Bu eğilim son derece önemlidir, çünkü mit,
yapay zeka konusunu yönlendirdiğimiz duygusal bir deniz feneridir.
Genişleticidir, herkesi davet eder: bilinç gibi kavramlar, saldırganlık veya
aşk gibi duygular, seks gibi içgüdüler ve zihinlerin ve canlı varlıkların
diğer bileşenleri. Ancak yeni "bilim" konuşması, aşağı yukarı, dar
yapay zekanın, bilinç gibi büyük resmin kapsam dışı olduğu, giderek daha fazla
genelliğe olası uzantıları hakkında bir anlatıdır. Belki yarı yarıya fazla
zekice - herkesin umursadığı efsane bu. Aksi takdirde, teknolojinin her yerde
daha güçlü formları var, şimdiden görebildiğimiz bir eğilim çift taraflı.
BASİTLEŞTİRİLEN
SÜPER ZEKA
Basitleştirilmiş hesaplama dünyamızı oluşturmaya yardımcı olan zeka
hataları da şimdi modern bir kılığa geri döndü. Google'dan Peter Norvig ile
yapay zekaya yönelik eksiksiz ders kitabı girişini birlikte yazan Stuart
Russell, 2019 İnsan Uyumlu: Yapay Zeka ve Kontrol Sorunu adlı kitabında zekanın hedeflere ulaşmaktan
başka bir şey olmadığını öne sürüyor ve yalnızca insanları ve yunuslar, aynı
zamanda karıncalar, E. coli bakterileri ve bilgisayarlar. 12 Ayrıca
Turing testinin artık geçerliliğini yitirdiği için kullanımdan kaldırılmasını
istiyor. (Görünüşe göre, sıradan bir konuşma yapmak değerli bir hedef değil.)
"Turing testi yapay zeka için yararlı değil, çünkü bu gayri resmi ve son
derece olumsal bir tanım: Son derece karmaşık ve büyük ölçüde bilinmeyen
özelliklerine bağlı. hem biyolojiden hem de kültürden türeyen insan zihni.
Tanımı "paketinden çıkarmanın" ve testi kanıtlanabilir bir şekilde
geçecek makineler oluşturmak için ondan geri çalışmanın bir yolu yoktur . Bunun
yerine, AI rasyonel davranışa odaklandı [ve dolayısıyla] bir makine, algıladığı
şey göz önüne alındığında, istediğini elde etmesi muhtemel olduğu ölçüde
zekidir.” 13
Einstein'ın fiziği görelilik
olarak yeniden tasavvur ettiğinde "hedefine"
"ulaşmasından", yüzünü güneşe dönen bir papatyaya kadar her şeyi
kapsayan Russell'ın zeka tanımıyla tartışmak zor. Ancak Russell'ın Turing
testini reddetmesi aşırı derecede yasal ve dar görünüyor, çünkü testin ruhu
basitçe, doğal dilleri anlayan ve kullanan makinelerin akıllı olması
gerektiğidir. Pratik olarak konuşursak, ne söylediğimizi asla anlamadıkları
takdirde, Siri'den veya sesle etkinleştirilen diğer kişisel asistanlardan fazla
bir şey beklememeliyiz, bu nedenle testin iptal edilmesi akıllıca görünmüyor.
(Eğer yeni nesil bir Siri , insan sahibiyle sınırsız ve sıradan bir sohbete
giriştiği bir noktaya ilerlerse, o zaman Turing testi, sonunda gerçekleşen
büyük "yapay zeka rüyası" olarak geri dönecektir .)
Tanınmış
bir AI uzmanı ve Berkeley'deki California Üniversitesi'nde bilgisayar bilimi
profesörü olan Russell da bilinç probleminden kurtuluyor: “Bilinç alanında
gerçekten hiçbir şey bilmiyoruz, bu yüzden hiçbir şey söylemeyeceğim. ” Daha
sonra bize şu güvenceyi veriyor: "Yapay zekada hiç kimse makineleri
bilinçli hale getirmek için çalışmıyor, kimse nereden başlayacağını bilemez ve hiçbir
davranışın önkoşulu olarak bilinç yoktur." Ama yine de bilinç hakkında bir
şeyler - oldukça fazla - söylüyor:
Diyelim
ki size bir program verdim ve "Bu insanlık için bir tehdit oluşturuyor
mu?" Kodu analiz edersiniz ve gerçekten de çalıştırıldığında, tıpkı bir
satranç programının sonucu herhangi bir ırkın yenilgisi olacak bir plan
oluşturacağı ve uygulayacağı gibi, kod da sonucu insan ırkının yok olması
olacak bir plan oluşturacak ve uygulayacaktır. karşısına çıkan insan. Şimdi
size kodun çalıştırıldığında bir tür makine bilinci yarattığını söylediğimi
varsayalım. Bu tahmininizi değiştirecek mi? Hiç de bile. Kesinlikle fark
etmez. Davranışı hakkındaki tahmininiz tamamen aynıdır, çünkü tahmin koda
dayalıdır. Makinelerin gizemli bir şekilde bilinçli hale gelmesi ve insanlardan
nefret etmesiyle ilgili tüm o Holly wood komploları gerçekten asıl noktayı
kaçırıyor: önemli olan bilinç değil, yeterliliktir. 14
Ama belki asıl noktayı
kaçıran Russell'dır, çünkü makinelerin "canlanması" hakkındaki
mitoloji, gerçekten de geleceğin yapay zekasıyla ilgili hayallerin can
damarıdır. Ex Machina'nın gösterimi için sinemaya gelen insanlara ,
yapay zekanın gerçek hayalinin, bize (ve düşmanlarımıza) hedeflere ulaşmamıza
yardımcı olacak "içeride ışıksız" süper bilgisayarlar yapmak olduğunu
söylersek, kendilerini daha iyi hissedebilirler. biraz bunalmış. Russell, genel
istihbarat için henüz bilinmeyen modüllerle uygun şekilde sulandırılmış bir
algoritmik sistemin yapay zeka için nihai başarıyı heceleyeceğini öne sürüyor
gibi görünüyor. Gerçek kirpiler, uyarıcı tilkilerin anlamadığını, yapay zekanın
bilim ve efsaneyi bir arada tuttuğunu ve popüler zihindeki kalıcı büyüsünün,
onun psikolojik ve kültürel bir mihenk taşı olduğu anlamına geldiğini anlar.
1999'da mite
övgüsünün adı uygun bir şekilde The Age of Spiritüel Makineler'di (ve
bilinçli, ruhsal deneyimler yaşayan süper zeki bilgisayarlarda olduğu gibi
gerçekten "ruhsal" demek istiyor). Kurzweil, Turing'in testinin yapay
zeka için uygun bir ölçüt olduğu konusunda akıllıca ısrar ediyor: "Testi
geçmek için zeki olmalısınız." Hatta yapay genel zekayı belirtmek için
giderek daha fazla kullanılan "AGI" teriminden bile hoşlanmıyor,
çünkü (doğru bir şekilde) ifade ettiği gibi, "Yapay zekanın amacı her
zaman daha fazla zeka elde etmek ve nihayetinde insan zekası seviyelerine
ulaşmak olmuştur. 15
Cinsel arzu, zeka için bir
turnusol testi olarak yapay zeka için uygun bir konu bile olabilir - özellikle
de yaşamda göründüğü gibi çabalamanın, özlem duymanın ve çeşitli hedeflere
ulaşmada temel bir unsursa. Ex Machina , cinsel gerilimi, bilinci,
sömürüyü ve özgürlüğü bir araya getiren ve hepsini bir Turing testinde (bir
tür) bir araya getiren, pratik olarak Shakespearevaridir. Romancıdan
yönetmenliğe geçiş yapan Alex Garland, Tekilliği ele alıyor ve bize süper zeki
bir android ustasının çılgın bir bilim adamının (başka bir hamile tema) -
münzevi mucidi Nathan'ın (Oscar Isaac'ın canlandırdığı) köleliğinden kaçışını
sona erdirmesinin hikayesini veriyor. Görünüşte Ava'nın amacı, Nathan'ın
davetli konuğu Caleb Smith ( Domhnal l Gleeson) ile tamamen inandırıcı bir
"insan" olarak etkileşime girerek bir Turing testini geçmektir -
Ava'nın bir android olduğunu bilmesine ve görmesine rağmen. Bu nihai test,
diyor Nathan.
Ancak
Ava'nın kendi fikirleri vardır (hedeflerimize ulaşmak lanet olsun) ve Nathan'ın
araştırma tesisinin sınırları dışında, vahşi dünyaya bir kaçış planı yapar.
Ava nihayet kaçtığında, iki insan ölmüştür (veya ölmüş olacaktır). Dışarı
çıktığında renkleri, muhteşem renkleri görüyor - izleyiciye onun gerçekten
"canlı" ve bilinçli olduğunun kanıtı. 16 İngiliz dilini o
kadar iyi anladığını ve kullandığını gördük ki, iki adamı umutsuz bir kafa
karışıklığına ve yenilgiye uğrattı. O halde burada, mitin tam bir tasviri var
ve makinelerin insanları tam anlamıyla geride bıraktığında yaklaşmakta olan
bir geçiş noktasına dair temel futuristik fikrini sunuyor. Ava, insan meslektaşlarından
daha akıllı, daha kurnaz ve daha ruhani ve canlıdır.
Garland'ın vizyonu saf bir
mitolojidir ve aynı zamanda arketipsel temaları (özgürlük, iyi ve kötü ve
cinsellik ) geleceğin teknolojisinin merceğinden yakalayan harika bir insan
hikayesidir. Burada bir ironi var çünkü Ex Machina , 2001: A Space Odyssey gibi
diğer şaheserlerde olduğu gibi, derin insan duygularına dokunarak başarılı
oluyor .
Ayrıca, bazılarının son
zamanlarda yapay zeka alanını neşeli (veya korkutucu) mitinden uzaklaştırarak
daha "bilimsel" tartışma lehine yaptığı seçim de ironiktir - başka
bir deyişle, Tekillik, bilinç ve zeka gibi duygusal olarak yüklü kavramları bir
kenara bırakmak. yine de halkın gözünde kalmalarından yararlanıyor. Örneğin
Russell, yapay genel zeka üzerine yapılan ciddi çalışmaları, Ex Machina gibi
filmlerdeki pop kültürel tasvirlerinden açıkça ayırmak istiyor . Bilinci
aptalca bir felsefi endişe olarak görüyor (zaten kimse bilmiyor), Turing
testleri hilelere karşı çok savunmasız olan eski fikirleri ve makinelerin
agresif (veya cesur veya başka bir şekilde duygusal) hale gelmesiyle ilgili
endişeleri temelde yanlış yönlendirilmiş olarak görüyor. Süper zeki
bilgisayarlar basitçe amaçlarının peşinden gidecekler. Sorun şu ki - ve Terminatör
imgesi olmadan bile varoluşsal bir risk anlamına geliyor - hedefleri
bizimki olmayabilir.
Bu fikir, süper zeka endişesi
duyanlar arasında daimi bir endişedir. Nick Bostrom, süper zekanın ataç
üretimini en üst düzeye çıkarmak gibi görünüşte sıradan bir görev olduğu
(insanlar tarafından verilen hedef) olduğu ve evrendeki her şeyi, beynimizdeki
tüm kullanılabilir öğeler de dahil olmak üzere derece derece bir ataş
fabrikasına dönüştürdüğü bir senaryoyu ele alıyor. kendi bedenleri
Berkeley'deki Makine İstihbarat Araştırma Enstitüsü'nün eski başkanı Eliezer
Yudkowsky, bir keresinde, "Yapay zeka senden nefret etmiyor, seni
sevmiyor, ama sen atomlardan yapıldın ve başka bir şey için kullanabilirsin."
17
Yaklaşmakta olan süperzekanın
bir şekilde lazer odaklı ve bir amaca ulaşmada son derece yetkin olacağı, ancak
sıfır sağduyuya sahip olacağı fikri, süperzekanın kendisine aykırı görünüyor -
sonuçta, insan zekası artı daha fazlası olması gerekiyor. Zekayı (en azından)
sağduyu sahibi olmak olarak anlayan (ve belki de bazılarına sahip olan) Gary
Marcus gibi yapay zeka bilim adamları, ataç gibi satılık bir insan ürününün
üretimini optimize eden süper zeki bir bilgisayarın aynı zamanda onları satın
alan insanları yok etmemesi gerektiği fikri. Yine, süperzekânın, programcıları
tarafından kendisine verilen bir amaca körü körüne hesaplama bağlılığı olan
süper güçlü bir otomatik domates gibi davranmasıyla ilgili Russell'ın ve
diğerlerinin endişelerinde ima edilen, süperzekânın ilginç bir basitleştirmesi
var. Gözetlemek için garip bir pozisyon. Russell'ın kendisi, sağduyu ve dilin
yapay zeka için önemli ve ulaşılamayan bir kilometre taşı olduğunu kabul
ediyor. Süper zeka resminde neden yok? Geleceğin sağduyulu bilgisayarları,
saldırgan ve şeytani olmadıkça, Russell'ın aptalca bir efsane olarak bir kenara
atmaya çalıştığı gibi, bu tür endişeleri ortadan kaldıracaktır.
Her
halükarda, ataş kıyamet senaryoları , geleceğin süper zeki bilgisayarlarına
belirli ilkeler inşa ederek bu tür olasılıkların önüne geçmemizi öneren Russell
gibi bilimsel düşünceye sahip araştırmacıları rahatsız ediyor; - olmak, tercihlerimizi
maksimize etmek tek amacına sahip olmak . Sorun, Russell'ın bize hatırlattığı
gibi, genellikle kendi tercihlerimiz hakkında hiçbir fikrimiz olmamasıdır. En
azından, Kral Midas anlamında, istediğimizi yanlış ifade etme eğilimindeyiz.
Bu nedenle, insanlığa karşı
özgeciliğe ek olarak başka bir ilke olarak, yapay zekanın bize karşı özgecilik
peşinde koşarken yapabileceği hataları engellemek için alçakgönüllülükle
aşılanması gerekir (ataş fabrikasının CEO'sunu, bunun gerçekten, gerçekten
olduğunu düşünerek bir ataç haline getirmek gibi). olası tüm araçları
kullanarak üretkenliğin her zerresini sıkıştırmak). Özgecil bir şekilde
mütevazı makineler, puro içen teknoloji yöneticilerinin (muhtemelen artık puro
içmeyenler) onlara rüşvet saikleri verme tehlikesine ve ayrıca makinelerin
yanlış şekilde çok akıllı olma, dönme eşdeğerini yapma olasılığına karşı
korunmaya yardımcı olur. her şey altın. Kafa karıştırıcı bir şekilde,
"fedakarca alçakgönüllü" makineler aynı zamanda Ex Machina'nın
yapay zekayı ele almasına çok benziyor - sonuçta "canlı", gerçek
(yalnızca ataşı maksimize eden değil) zeka ve etik duyarlılıklarla. Yapay zeka
hakkında konuşmanın sürekli olarak bilim ve efsaneyi bir arada tutmaya mahkum
olduğu sonucuna varan biri affedilebilir.
Russell'ın yaklaşmakta olan
süper zeka ile varoluşsal krizi engellemek için gerekli olduğunu düşündüğü
üçüncü bir ilkesi var : Yapay zeka, insan tercihlerini tahmin etmeyi öğrenecek
şekilde geliştirilmelidir. Makineler aslında ne istediğimiz hakkında daha fazla
şey öğrenmek için bizi izlemeli, bu da onların tabiri caizse her şeyi şeytana
gönderebilecek olası eylemleri göz ardı etmelerine yardımcı olur. İnsan
tercihlerini öğrenmek, bilgisayarların hedeflerine ulaşmaya çalışırken bizi
incitmekten kaçınmasını sağlar . (Russell, tercihlerimizi sürekli izleyen ve
öğrenen iyiliksever "panoptikon" rolünde bize güvenilmemize yardımcı
olduğu izlenimi altında, bir süperzekanın nasıl hâlâ bizi varoluşumuzdan
silecek kadar aptal olduğunu açıklamıyor .)
Russell'ın
fütüristik yapay zeka hakkındaki varoluşsal risk öyküsünü yeniden anlatması,
akıllara Çek oyun yazarı Karel Capek'in ideal iş verimliliği için tasarlanmış,
güzelliği takdir etme, ahlaki bir algıya sahip olma ve duyguları ve bilinci
deneyimleme gibi diğer zihin özelliklerinden kasıtlı olarak yoksun olan
evrensel robotlarını getiriyor. RUR adlı oyunundaki sözde akılsız
otomatlar bir şekilde rahatsız oldular ve neredeyse tüm insan ırkını yok eden
bir robot devrimini ateşlediler. Capek'in sonu, 1920'lerdeki oyununu
hatırlamamızın nedeni şüphesiz. Hiç kimse güçlendirilmiş bir Roomba'nın süper
zekice (yine de akılsızca - çelişkiyi görmezden gelin) en iyi nasıl
süpürüleceğini veya mutfağı temizleyeceğini veya arabayı tamir edeceğini
öğrenmesi ihtimalinden heyecan duymuyor. Elbette, inanılmaz derecede yardımcı
olurdu, ama bizim süper zekadan kastettiğimiz bu değil . Ava için
heyecanlıyız. Bilinçli veya duygulu olmayan ya da şeytani saldırganlığa
muktedir olmayan bir süper zeka, aslında hiç de zeki değildir. Sağduyudan da
yoksun olduğu için, mitolojik hayal gücümüz için zayıf bir aday gibi görünüyor.
Bu bir hesap makinesi.
Russell, insan ve makine
zekasını, özünde hedefleri optimize etmeye yönelik oyun-teorik bir arayış
olarak birbirine bağlayarak, görünüşte "bilimsel" bir bilgisayar
zihni görüşüne yer açar, ancak bunu yalnızca kendi zihnimizin olanaklarını
ciddi şekilde kısıtlayarak yapar. Bu yine bir istihbarat hatasıdır. İnsan
zekası çeşitlidir, hâlâ son derece gizemlidir ve bildiğimiz kadarıyla fiilen
sınırsızdır. Yapay zeka hakkındaki mevcut düşünce, insan zekasını aşağı
çekerek, onu hesaplamaya daha uygun bir tanıma bağlayarak, daha zengin bir
zihin anlayışını bir kenara atıyor. Basitleştirilmiş bir dünyayla baş başa
kalıyoruz.
ÖZETLE
AI ve insanlar
hakkındaki bu pozisyonları aşağıdaki gibi özetleyebiliriz. Kurzweilians (AI
hakkında mitologlar, nokta) Tekillikten sonra bilince, duygulara, güdülere ve
engin zekaya sahip makineler hakkında mistik bir tavır sergiliyorlar. İronik
bir şekilde, Shakespeare temalarını hesaplamaya aktararak felsefi keşifleri
canlı tutuyorlar . (Bilgisayarlar zengin ruhsal deneyimlere sahip olacak ve
harika aşıklar olacak vb.) Buna Ex Machina etkisi diyebiliriz .
Russellcılar , süper zeka hakkındaki
konuşmaları küçülterek, "hedeflere" ulaşan genel hesaplama hakkında
matematiksel olarak daha saygın fikirlere indirgeyerek Ex Machina'yı filmlerde
tutmak istiyorlar . Ne yazık ki, Russellcılar da insanları sınırlı zeka
tanımları içine sokma eğilimindedir. Bu, insan ve makine arasındaki algılanan
uçurumu azaltır, ancak yalnızca onunla birlikte insan olasılığını da azaltır.
Ruslar, benim "basitleştirilmiş dünya" dediğim kültürel bir akımın
düşünce liderleridir. Jaron Lanier'in belirttiği gibi, "Yeni bir nesil,
bir kişinin ne olabileceği ve her bir kişinin kim olabileceği konusunda azalan
bir beklentiyle yaşlandı." 18
Kurzweilciler ve Russellcılar
benzer şekilde, hem insanların görüşlerini basitleştiren - özellikle
deflasyonist zekanın hesaplama olarak görüşleriyle - hem de yapay zeka hakkında
efsane değil bilim olarak fütürizmi teşvik ederek teknoloji görüşlerini
genişleten teknosentrik bir dünya görüşünü ilan ediyorlar.
Şimdi yapay zeka
bilimine döneceğiz ve burada - bilimsel araştırmanın kendisinde -
basitleştirilmiş dünya yeniden karmaşık ve gizemli hale geliyor. Çünkü zeka
hatalarımızın baskısını kaldırdığımızda gözümüzün terazisi kalkıyor ve
gerçekten de çok çetin bir sorun karşımıza çıkıyor.
AI, zeka
arayışıdır. Kitabın bu bölümünü oluşturan çeşitli bölümler boyunca, sizi bu
arayışın önemli engellerle, nasıl üstesinden geleceğimizi bilmediğimiz
engellerle karşı karşıya olduğuna ikna etmeyi umuyorum. Bunu yapmak için,
zekanın doğasını araştırmamız gerekiyor. Ve araştırmamıza, belki de dünyanın
ilk polisiye öyküsü olan "The Murders in the Rue"da isimsiz anlatıcı
tarafından tanıtıldığımız "tuhaf ve ilginç genç adam" amatör dedektif
August Dupin'den daha iyi bir yer yoktur. morg.” 1
SUÇ
ÇÖZME ÜZERİNE
Yazar Edgar Allan
Poe ile birçok özelliği paylaşan anlatıcı, bize düşünme yöntemlerine takıntılı
olduğunu erkenden söylüyor. İnsan zihninin görünüşte ilgisiz bilgi parçalarını
dikkatli gözlem ve muhakemeyle, yani çıkarımlarla nasıl birleştirdiğini merak
ediyor . O halde, anlatıcının kendisini Dupi n ile birlikte eski bir evde
otururken bulması ve bütün gününü parlak dedektifin yanında geçirmesi ne büyük
şans.
Dupin,
kısa sürede öğreneceğiz, normal bir adam değil. O , gerçek bir özgünlüğe sahip
olan bir tür tuhaf kişiliktir. Ve gerçekten de, o tuhaf. Dupin, ünlü bir
aileden gelmektedir, ancak yoksulluğa yakın bir duruma düşürülmüştür ve sürekli
olarak düşündüğü, fikirlerin içinde kaybolduğu için buna pek aldırış etmez. Konuştuğunda,
yüksek sesle düşünür. Bu, elbette can sıkıcı bir hal alabilir. Ancak anlatıcı,
Dupin'in "tuhaf analitik yeteneğine" değer veriyor. Şöyle diyor:
"Günlerimizi okuyarak, yazarak ya da sohbet ederek geçirdik, ta ki saat
gerçek Karanlığın gelişiyle ilgili uyarana kadar . Sonra kol kola sokaklara
çıktık, günün konularını devam ettirdik ya da geç saatlere kadar dört bir yanda
dolaşarak , kalabalık şehrin vahşi ışıkları ve gölgeleri arasında, sessiz bir
gözlemin bizi beklediği o sonsuz zihinsel heyecanı aradık. karşılayabilmek."
Dupin bir prototip, bir
örnek, Sherlock Holmes gibi. Holmes gibi, polisin "basit özen ve
faaliyetlerini" uygulayarak bir şekilde gözden kaçırmayı başardığı şeyi
fark eder.
Bir gece eski evde Dupin'le
baş başa kalan anlatıcı, "Gazette des Tribunaux"nun akşam baskısını
eline alır ve Morgue Sokağı'nda işlenen cinayetleri öğrenir:
"Olağanüstü Cinayetler.— Bu sabah, saat üç sularında,
Quartier St. Roch sakinleri uykularından, görünüşe göre, Morgue Sokağı'ndaki
bir evin dördüncü katından gelen bir dizi korkunç çığlıkla uyandılar. bir
Madame L'Espanaye ve kızı Mademoiselle Camille L'Espanaye'nin tek başına
kalması. Bir süre gecikmeden sonra, her zamanki gibi içeri alınmak için yapılan
sonuçsuz bir girişimden dolayı, kapı bir levye ile kırıldı ve iki jandarma
eşliğinde sekiz veya on komşu içeri girdi. Bu sırada çığlıklar durmuştu; ancak
grup merdivenlerin ilk katını hızla çıkarken, öfkeli çekişme içindeki iki veya
daha fazla kaba ses ayırt edildi ve evin üst kısmından geliyormuş gibi göründü.
İkinci sahanlığa varıldığında bu sesler de kesilmiş ve her şey tamamen
sessizliğini korumuştu . Parti dağıldı ve odadan odaya koştu. Dördüncü kattaki
büyük bir arka odaya varıldığında (kapısı, içinde anahtarla kilitli bulunduğu
için zorla açılmıştı), orada bulunan herkesi dehşetten çok şaşkınlıktan
şaşırtan bir manzara kendini gösterdi.
"Daire feci bir kargaşa içindeydi - mobilyalar kırılmış ve her yöne
savrulmuştu. Sadece bir karyola vardı; ve bundan yatak çıkarılmış ve zeminin
ortasına atılmıştı. Bir sandalyenin üzerinde kana bulanmış bir ustura
yatıyordu. Şöminenin üzerinde yine kana bulanmış ve köklerinden koparılmış gibi
görünen iki veya üç uzun ve kalın gri insan saçı buklesi vardı. Yerde dört
Napolyon, topazdan bir küpe, üç büyük gümüş kaşık, üç küçük metal d'Alger ve
içinde yaklaşık dört bin franklık altın bulunan iki çanta bulundu. Bir köşede
duran bir yazı masasının çekmeceleri açıktı ve görünüşe göre yivlenmişti, ama
içlerinde hala pek çok eşya kalmıştı. Yatağın altında (karyolanın altında
değil) küçük bir demir kasa bulundu. Açıktı, anahtar hâlâ kapıdaydı. Birkaç
eski mektup ve önemsiz diğer kağıtlar dışında hiçbir içeriği yoktu .
Madame L'Espanaye'den burada hiçbir
iz görülmedi; ama şöminede alışılmadık miktarda kurum gözlemlendi, bacada bir
arama yapıldı ve (anlatılması korkunç!) kızın cesedi oradan baş aşağı
sürüklenerek çıkarıldı; böylece dar açıklıktan hatırı sayılır bir mesafe
yukarı çıkmaya zorlanmıştır. Vücut oldukça sıcaktı. Onu inceledikten sonra, hiç
şüphesiz yukarı kaldırılıp devreden çıkarıldığı şiddetten kaynaklanan birçok
kazıma algılandı. Yüzünde çok sayıda şiddetli çizikler ve boğazda koyu
morluklar ve parmak tırnaklarında derin girintiler vardı .......................................... ,
sanki yara boğularak ölmüş gibiydi.
"Evin her yerini ayrıntılı bir şekilde araştırdıktan sonra, daha
fazla bir şey keşfetmeden, grup binanın arka tarafındaki küçük bir taş döşeli
avluya girdi, burada yaşlı kadının cesedi o kadar kesilmişti ki, onu kaldırma
girişimi üzerine kafası düştü. Kafa gibi vücut da korkunç bir şekilde
parçalanmıştı - ilki o kadar ki, neredeyse hiçbir insanlık görüntüsünü
koruyamadı.
"Bu korkunç gizemde henüz en ufak bir ipucu olmadığına
inanıyoruz." 2
Ertesi gün Gazete davayla
ilgili daha fazla ayrıntı yayınlar. Kanıt sunanların ifadelerinden ilgili
bilgileri bir araya getirebiliriz . Anne ve kızının durumu iyiydi.
Cinayetlerden üç gün önce anne bankadan büyük miktarda altın çekmişti ve bu
para cinayetlerden sonra açıkta, el değmemiş olarak yerde bulundu. Ayrıca
ilginç: olay yerine ilk gelenlerden bir polis memuru iki ses duyduğunu bildirdi
- biri Fransızca konuşan bir adamdan geliyordu, diğeri ise "sert, tiz ve
çok tuhaf" diyerek hiç tanıyamadı. Bunu bir yabancı ve muhtemelen İspanyol
olarak düşündü. Diğer tanıklar daha sonra anlaşılmaz sesi muhtemelen İtalyanca,
Rusça veya İngilizce olarak tanımlayacaklardı.
Şaşırtıcı. Para - belki de
cinayet için en olası sebep - evde dokunulmaz. Kapılar içeriden kilitli. Kızın
cesedi bacada bulundu ve birden fazla kişinin onu dışarı çıkarması gerekecek
kadar güçlü bir şekilde sıkıştırıldı. Ve ayrıca sesler. Görünüşe göre
katillerden, ancak polis eve giden merdivenleri çıkarken açıkça iki ses duysa
da, yalnızca biri tanınabilir, diğeri bildirildiğine göre anlamsız görünen
garip bir karışım. Tanıkların hiçbiri, herhangi bir dilde söylenenleri (eğer varsa)
tam olarak söyleyemez.
Polis şaşkın. Tanık ifadesi
sadece kafa karışıklığına katkıda bulunur. Yani, bir araya getirilen tüm
ipuçları gerçekten hiçbir yere işaret etmiyor. Cinayetler bir muamma ve tam da
bu yüzden tuhaf amatör dedektifimiz Dupin bu kadar yoğun ilgi gösteriyor.
Anlatıcı, Dupin'in polis
tarafından gazetede yayınlanan hesabı okuyarak davayı erkenden çözdüğünü öne
sürüyor. Ancak ikisi, olay yeri hala sağlamken Morgue Sokağı'ndaki eski evi
ziyaret etme izni alır. Dupin dönüş yolunda başka bir gazetenin ofisinde durur
ve kayıp eşya bölümüne bir ilan verir. Paris'te bir Malta gemisine ait olduğu
tahmin edilen bir denizci orangutanını mı kaybetti? Sahibi talep etmek için
arayabilir.
Ve Morgue Sokağı
cinayetlerini aydınlatan çıkarım şu: O gece yaşlı kadın ve kızını hiçbir insan
öldürmedi. Katil bir insan değil, bir denizci tarafından ormandan getirilen ve
yakındaki bir meskende tutulan vahşi bir hayvandı. Orangutan, efendisinden
kaçtıktan sonra bir çılgınlık içinde, dış panjuru açarak eski evin penceresinden
atladı ve ardından çığlık atarak, ciyaklayarak ve düz kenarlı bir ustura
sallayarak evin içine girdi. İşte cinayet silahı: yaşlı kadının kafasını kesen
jilet ve kızın ayaklarını bacadan önce sıkıştıran hayvanın katıksız hayvan
gücü.
Tanıklar tarafından duyulan
insan sesi? Orangutanın sahibi. Ve boğuk ve anlaşılmaz sesler? Hayvanın
homurtuları.
TAHMİN
YÖNTEMİ
Ama davanın
gerçeklerinden bunu kim anlayabilir? Elbette herkesin önünde her şey
yolundadır. Gerçekte, Dupin az önce tahmin etti. Polis, hiçbir yere varana
kadar bilinen yöntemleri izledi. Sonra onlar da tahmin etmeye başladılar. Tek
fark, Dupin'in tahmininin doğru olmasıydı.
ne düşünmenin doğası üzerine
kafa yorarak başlar . Suçun kurgusal hikayesi önce kurgusal olmayanla başlar.
Doğru kelimeleri arar. Dupin'in akıl yürütmesinin, formüle dayalı hesaplamanın
aksine, analizin bir zaferi olduğuna karar verir . Hesaplama, bilinen
noktaları birleştiriyor; cebir kurallarını uygulamak , diyelim. Analiz,
noktaları anlamlandırmak, onları açıklayan bir sıçrama yapmak veya tahminde
bulunmak ve ardından, biraz fikir verildiğinde, bunu test etmek için
hesaplamayı kullanmaktır. Hesaplamanın da sınırları vardır: "Ancak
analistin becerisi salt kuralın sınırlarının ötesindeki konularda kendini
gösterir." Kurallara uymak yeterli değildir, ancak tam olarak başka
nelerin dahil olduğu belirsizdir. Poe'nun bu gizemi takdir ettiği, öyküsünün
başında yaptığı beyanda açıkça görülmektedir: " Analitik olarak konuşulan
zihinsel özellikler, kendi içlerinde, ancak analize çok az duyarlıdır." 3
Amerikalı bilim adamı ve
filozof Charles Sanders Peirce, Poe'nun hikayelerini birkaç on yıl sonra
hayranlıkla okuyacaktı. Peirce aynı zamanda nasıl düşündüğümüzü, olaylar
hakkında nasıl akıl yürüttüğümüzü de merak ediyordu. Dupin'in zihinsel
jimnastiğini mantıksal simgelerle yakalamayı bile başardı . Dedektifin
anlayışlı tahmin tarzını nasıl otomatik hale getireceğini bilmiyordu ama bunun
genel olarak insan düşüncesinin merkezi bir yönü olduğunu düşünüyordu.
Peirce'e göre düşünmek bir
hesaplama değil, bir sıçrayış, bir tahmindir. Hiç bir şey kesin değildir.
Eşyaları bir araya getiriyoruz. Açıklıyoruz ve revize ediyoruz. On dokuzuncu
yüzyılda olduğu gibi yaşayan Peirce, dijital bilgisayarlar hakkında bir şey
bilmiyordu. Ancak yapay zekayı herkes için neyin zor bir sorun haline
getireceğini tahmin etti. Aslında mesele şuna varıyor: Kendi düşüncemizin kafa
karıştırıcı bir tahminler dizisi olduğu düşünülürse, onu programlamayı nasıl
umabiliriz ?
Sonunda Peirce, insan
muhakemesi için eksiksiz bir açıklayıcı çerçeve geliştirdi. Biçimsel mantığa ve
tümdengelim ve tümevarım gibi türlerine dayanıyordu .
(VE PEIRCE'NİN BULMACASI)
Çalışmalarına
aşina olanlar için, Charles Sanders Peirce, gerçekten orijinal ve önemli
düşünürlerden oluşan seçkin bir gruptadır. Tarihçi Joseph Brent, biyografisi CS
Peirce: A Life'da onu "Amerika Birleşik Devletleri'nin belki de
şimdiye kadar ürettiği en önemli zeka" olarak nitelendirdi. 1934'te The
Dictionary of American Biography'de yazan filozof Paul Weiss, Peirce'i
" Amerikan filozoflarının en orijinali ve çok yönlüsü ve Amerika'nın en
büyük mantıkçısı" olarak tanımladı. Kültür tarihçisi ve eleştirmen Lewis
Mumford, onu Roger Bacon ve Leonardo Da Vinci gibi ikonoklastik dehaların
yanına yerleştirdi. 1976'da MIT'de önde gelen dilbilim bilimcisi olan Noam
Chomsky'ye onun etkileri sorulduğunda, " [Dil felsefesiyle ilgili]
tartıştığımız sorularla ilgili olarak , ben ona hitap eden filozof," dedi.
en yakın hissettiğim ve neredeyse başka kelimelerle ifade ettiğim kişi Charles
Sanders Peirce. 1
MÜKEMMEL
AMA YALNIZ
Albert Einstein gibi, Peirce de solaktı ve resimlerle düşünülüyordu.
Diyagramlarda mantıksal çıkarımlar yaptı. Daha sonraki yıllarda evinde tek
başına yazdı, aç ve üşüdüğünden, soba için yakıt alamayacak kadar fakir olduğundan
şikayet etti. Birkaç arkadaşı onun için endişelendi ve Harvard'da ona mantığın
temelleri üzerine bir dizi ders ayarlamayı başardılar; burada mantıksal çıkarım
türlerini bilimsel yöntemi desteklediğini düşündüğü bir çerçeveyle açıklıyordu
- açık bir şekilde düşünmek için bir program. Katılımcılar arasında, daha sonra
dersleri tam olarak anlamadığını itiraf eden ünlü filozof ve Harvard'daki ilk
psikolog William James de vardı - Peirce'in resimlerine ve şemalarına eklenen
matematiğin onun anlayışının ötesinde olduğunu. Görünüşe göre James bu konuda
yalnız değildi; dersler büyük ölçüde fark edilmedi ve yalnızca on yıllar sonra
kitap biçiminde yayınlandı.
Cambridge, Massachu setts'de
Viktorya dönemi bilim kültürünün bir parçası olarak dünyaya gelen Peirce, hali
vakti yerinde ve aşırı başarılı bir aileden geliyordu. Babası Harva rd'de
seçkin bir matematik profesörüydü . Daha genç bir kuzen güçlü bir senatör
olacaktı, Henry Cabot Lodge. Peirce, klasik eğitim gördü ve 1863'te Harvard
Üniversitesi Lawrence Scientific School'dan en iyi dereceyle mezun oldu. Otuz
yılını US Coast and Geodetic Survey'de yerçekimi yoğunluğunun kesin
ölçümlerini kullanarak dünya yüzeyinin topolojik araştırmalarında araştırmacı
bilim adamı olarak geçirdi. Amatör bir kimyager, Johns Hopkins Üniversitesi'nde
prestijli bir mantık hocası ve herhangi bir uluslararası bilimsel derneğin ilk
Amerikan delegesiydi. O bir bilim adamı, mantıkçı, filozof, yazar, Nation için
üretken bir kitap eleştirmeni ve daha fazlasıydı. Yıllarca Peirce'in
hayatını ve çalışmalarını araştıran Peirce araştırmacısı Max H. Fisch,
Peirce'in birçok başarısı hakkında şu uygun şekilde büyük yargıyı sunar:
spektroskopist, mühendis, mucit; psikolog, filolog,
sözlükbilimci, bilim tarihçisi, matematiksel ekonomist, ömür boyu tıp
öğrencisi; kitap eleştirmeni, oyun yazarı, oyuncu, öykü yazarı; fenomenolog,
göstergebilimci, mantıkçı, retorikçi, metafizikçi Sistem kuran tek kişidir.
Amerika'da
mantıkta, matematikte ve çok çeşitli bilimlerde hem yetkin hem de üretken olan
filozof. Tüm felsefe tarihi boyunca bu konuda eşiti olmuşsa , bunların sayısı
ikiden fazla değildir. 2
Yine de Peirce, büyük ölçüde
unutulmuş bir dışlanmış olarak öldü. Unutulmuş dahiler, tarihte o kadar
yaygındır ki, Tesla'da olduğu gibi, ara sıra onları yeniden keşfederiz. Ancak
Peirce, tartışmasız Tesla'dan daha fazla - sonuçta Elon Musk'ın bir elektrikli
otomobil şirketine adını vermek için ilham kaynağı olarak ölümünden sonra bir
tür ün elde etti - Peirce, çoğunlukla tarih kitaplarından yazılmış önemli bir
düşünür olarak duruyor. Çalışmaları en çok pragmatizm olarak bilinen felsefi
okulun kurucusu olarak bilindiği felsefede takdir edilmektedir.
Bilgisayarla ilgili ilk
çalışmaları neredeyse unutuldu. Akademisyenler hâlâ onun mantığın doğası
üzerine yazdığı ciltler dolusu yazılarını inceliyorlar, ancak konu gizemli ve
ana akım tartışmayla birleştirmek çok zor. Bu nedenle, mantığın doğasına
ilişkin düşüncelerinin önemini ve kapsamını anlayan bazı kişiler onu
Aristoteles ile karşılaştırsa da, bugün Peirce'in fikirlerinin tartışılması
çoğu çevrede biyografik bir taslak ve bir açıklama, hatta bir özür
gerektirmektedir.
FİZİK,
FELSEFE VE KİŞİLİK
Peirce neden unutuldu? Özel hayatı bize bir ipucu veriyor: Neredeyse
herkesi sinirlendirdi. William James, yakın ve ömür boyu sürecek bir arkadaş
olarak kaldı . Ancak James bile, her ikisi de Harvard'da öğrenciyken, Peirce
ile ilk karşılaşmasından ailesine yazdığı gibi karışık bir izlenimle ayrıldı:
"Prof. Peirce'in çok zeki olduğundan şüphelendiğim bir oğlu var. büyük bir
karaktere sahip, oldukça bağımsız ve şiddetli olsa da. 3 James daha
sonra sempatik bir şekilde Peirce'den "o tuhaf ve asi varlık" olarak
söz etti. 4
Peirce'in huysuz kişiliği ve
çağdaş törelere karşı kayıtsızlığı, kişisel ve profesyonel olarak onun için
sonsuz sorun yarattı. Kendisini haklı olarak dışlayan New England'daki (ailesi
dahil) Victoria sosyetesini sık sık gücendirdi; Harvard, evliliğindeki bilinen
bir sadakatsizlik nedeniyle ona profesörlük teklif etmeyi reddetti; On
yıllardır çalıştığı Birleşik Devletler hükümetinin Sahil Araştırması, raporları
zamanında teslim edemediği ve Avrupa'yı gezerken pahalı ekipmanını kaybettiği
için sonunda onu kovdu. Aynı şekilde, Johns Hopkins tarafından uygunsuz
davranışlarla ilgili belirtilmemiş raporların ardından görevden alındı. Bugün,
uyum sağlamadığını söyleyebiliriz - yanlış anlaşılan dehanın mükemmel bir
klişesi. Yapısal olarak kurallara göre oynamaktan acizdi. 5
Peirce'in kişisel skandalları
ve huyları, örneğin kişisel yaşamına ilişkin kayıtların - ciltler dolusu
belgenin - ölümünden kırk iki yıl sonra 1956'ya kadar neden Harvard'ın Houghton
Kütüphanesi'nde mühürlü olarak kaldığını açıklamaya yardımcı olur. Lewis
Mumford'un dediği gibi, "başlangıçtaki yayın masrafını garanti altına
almak" için "birkaç bin dolar" istemekten dolayı, bilgisayar
bilimine ve özellikle yapay zekaya büyük ilgi duyanların çoğu da dahil olmak
üzere bilimsel ve felsefi makaleleri nispeten dokunulmamış ve Harvard'ın
arşivlerinde yayınlanmamıştı. sonra koydu. 6 Peirce'in fikirlerini
ve önemini anlamayan ve bir skandala davetiye çıkarmak istemeyen Peirce'i
tanıyanların çoğu, onun itibarının geri kazanıldığını veya hayatındaki
çalışmalarının çoğunun yayınlandığını asla görmedi. Peirce'in kendisi
bilinmezlik içinde öldü, hayatta kalan aynı derecede esrarengiz ikinci karısı
Juliette, kendi biraz inişli çıkışlı geçmişi olan bir Fransız kadın. Uygun bir
şekilde, Peirce'in ailesi bazen Juliette'i bir dışlanmış ya da bir
"çingene" olarak tanımlıyordu.
matematiğe
ve özellikle mantığa yaptığı katkının muazzamlığını ancak çok, çok sonra - ve
bir dereceye kadar bugün bile değil - anlamaya başladık . Mantıksal çıkarım hakkında
düşünmesi ve özellikle, hayatının çalışmasının en önemli parçasına geçmesi,
kaçırılan çıkarım olarak adlandırdığı şeyin derinliğini ve gizemini keşfetmesi
son derece önemlidir . düşüncemizin.
Peirce, kaçırmacı akıl
yürütmenin, Aristoteles'e kadar uzanan mantıksal akıl yürütme açıklamalarının
dışında bırakıldığını belirtti. Ayrıca matematik veya mantık derslerinde
varsayılan mantıksal çerçeveye de uymuyordu. Kaçırmayı, otomasyon ve istihbarat
hakkında temel soruları gündeme getiren eksik bir mantıksal parça olarak gördü.
Yapay zeka hakkında bilgi sahibi olsaydı, bugün sıklıkla gözden kaçan şeyi
muhtemelen görmüş olacaktı: Kaçırma çıkarım sorunu, yapay zekayı hâlâ tamamen
çözülmemiş merkezi bir meydan okumayla karşı karşıya getiriyor.
ÇIKARIM
BULMACASI
Edgar Allan
Poe'nun anlatıcısı, Peirce'in daha sonra hakkında ciltler dolusu yazacağı şeyi,
kaçırma çıkarımını açıklamak için el yordamıyla sözcükler aradı. Ancak
tümevarımlı çıkarım bir tür çıkarımdır. çıkarım nedir? Örneğin bir isim. Fiil
formu, eylemlerden bahseden "çıkarım" dır. Etimolojik olarak çıkarım
yapmak, Latince "in", into ve "ferre", getirmek anlamına
gelen "getirmek" anlamına gelir. Oxford İngilizce Sözlüğü bize
bunun bilişsel olarak, zihnimizle yaptığımız bir şey olduğunu söyler: "
mevcut bilgilere dayanarak bir fikre varmak veya bir şeyin doğru olduğuna karar
vermek."
Ne yazık ki, OED aynı
zamanda bize "sonuç çıkarmanın" çıkarımın eşanlamlısı olduğunu ve
bunun da yardımcı olmadığını söylüyor (sonuç, çıkarım yapmanın yalnızca bir
yoludur).
OED ayrıca genel tabirle "çıkarım"
kelimesinin genelliğini vurgulayan birkaç kullanım örneği sunar :
Bir şeyi (bir şeyden)
çıkarmak için: Anlamın çoğu bağlamdan
çıkarılmalıdır. Okuyucular, katilin amaçlarını anlamaya bırakılır.
Şu sonuca varmak için: Hükümetin bu anlaşmalardan haberdar olduğu sonucuna varmak
mantıklıdır.
Çıkarım, mantıkta bir sonuca
varmak anlamına gelen ve daha genel olarak, önceki inançları güncellemek için
zaten bildiklerimizi ve gördüklerimizi veya gözlemlediklerimizi kullanmayı
içeren yeni bir düşünce ortaya çıkarmaktır. Halihazırda bildiklerimizi ve
gazetelerde okuduklarımızı (Dupin gibi) kullanarak katilin güdülerini ( OED'den
ödünç alırsak) çıkarabiliriz.
Çıkarım da bir çeşit
sıçramadır ve makul kabul edilir, örneğin, "hükümetin bu anlaşmalardan
haberdar olduğu" sonucuna vardığımızda - yine, sahip olduğumuz önceki
bilgilere (genel veya paylaşılan bilgi gibi) ve okumaya (gözlemlemeye) dayalı
olarak. bazı son dakika hikayeleri veya hikayeleri.
Çıkarım, akıllı beyinler için
temel bir bilişsel eylemdir. Bir bilişsel aracı (bir kişi, bir yapay zeka
sistemi) zeki değilse, kötü çıkarımlar yapacaktır. Ancak çıkarım yapan herhangi
bir sistemin bir miktar temel zekaya sahip olması gerekir, çünkü bilinenleri ve
gözlemlenenleri inançları güncellemek için kullanma eylemi, kaçınılmaz olarak
zeka ile kastettiğimiz şeye bağlıdır . Bir AI sistemi hiç çıkarım yapmıyorsa,
gerçekten AI olarak adlandırılmayı hak etmiyor. (Kedi resimlerini etiketleyen
bir sistemin bile "gördüğü" şeyin bir kedi olduğu sonucuna vardığını
söyleyebiliriz - bu nedenle çıta oldukça düşük olabilir.)
Dupin'in yaptığı gibi bir şaka
yapmak, yeni bir aşı bulmak, bir cinayeti çözmek veya herhangi bir çıkarım
yeteneği olmadan dünyadaki çeşitli olay ve iletişimlere ayak uydurmak
imkansızdır. Elbette pek çok şey biliyoruz, ancak yalnızca çıkarım bizi yeni
bilgiye (veya inanca) ulaştırır. Yarın güneşin doğacağını biliyoruz, bu yüzden
ondan çıkarım yapmamıza gerek yok. Aynı şekilde, elimizin hala kolumuza bağlı
olduğu sonucunu çıkarma zahmetine girmeyiz. Bu zaten sahip olduğumuz bilgi,
zaten oluşturduğumuz bir dizi inanç. Ancak bilgimiz sürekli değişiyor ve
güncelleniyor. Dışarısı çok erken gizemli bir şekilde karanlıksa, bir güneş
tutulması veya belki de büyük bir toz fırtınasının batıda güneşi örttüğü veya
belki de bir nükleer felaket olduğu sonucuna varabiliriz. Şu anda ne biliyoruz?
Gördüklerimizden en çok ne anlam ifade ediyor?
Genel anlamda, her zaman
çıkarım yaparız - bu uyanık olmanın bir koşulu gibidir. Mutfağa girip yarısı
boş bir Pepsi kutusu bulabilir ve kız kardeşimin Pepsi içerken ve ziyarete
geldiğinde kutuyu orada bıraktığı sonucuna varabilirim. Öte yandan, burada
tezgahı yeniden yapan işçiler var ve onlardan birinin daha önce Pepsi içtiğini
de fark ettim. Bu nedenle, daha önce bir Pepsi içiyordum ve verandada yarım
bırakmıştım, bu yüzden belki de eşim getirmişti . odaya girerken sonuçlar
çıkardığımız için "gerçek zamanlı" çıkarımdır. Gerçek dünya koşulları
her zaman değişir, bu nedenle gerçek zamanlı çıkarım yaygındır. Sonuçta,
zamanında düşünüyoruz. Bir sorunu on milyar yıl sonra çözebilen bir bilgisayar
programı da , gerçek zamanlı olarak duvara toslayan bir bilgisayar programı da
hiç akıllı değildir.
Pek çok çıkarımın geçici
doğası, baştaki çıkarımların, özellikle çok aceleyle ulaşılırsa, yanlış
olabileceği anlamına gelir. Eğer ofise geç gelirsem, aslında trafik bir kaza nedeniyle
geri çekilmişken, patron işleri ciddiye almadığımı anlayabilir. Başka bir
deyişle, patron benim hakkımda önceden oluşturulmuş bazı izlenimlere veya
önyargılara dayanarak bir sonuç çıkarıyor. Günlük konuşmalarda insanlar
çıkarım kelimesini bu anlamda kullanırlar ve gereksiz bir sonuca çok aceleci
bir şekilde atlamaya atıfta bulunurlar: "Ah, bu Suzy, dün gece
söylediklerinden sonra senin hakkında bir sürü çılgınca şey çıkarıyor. ” Ve
teknik olarak Suzy'nin çıkarımlarda bulunduğu doğru, ancak buradaki anlam,
bunların önyargılı olduğu, Suzy'nin haksız varsayımlarda bulunmaya çok hazır
olduğu (belki de morali bozuk olduğu veya senden hoşlanmadığı için).
"Olasılığa
dayalı çıkarım", yapay zekaya yönelik veri merkezli yaklaşımlara bariz bir
şekilde uygulanarak istatistiksel verilerden sonuçlar çıkarır.
Bir zamanlar yapay zeka bilim
adamları , çıkarımın önkoşuluyla, zaten bildiklerimizin akıllıca kullanımıyla,
yani "bilgi" sorunuyla güçlü bir şekilde mücadele etti. Hiçbir şey
bilmeyen sistemler de pek bir çıkarım yapamaz. Bu nedenle ilk araştırmacılar,
sensörlerini veya metin girdilerini anlamlandırmalarına yardımcı olmak için
bilgiyi yapay zeka sistemlerine kodlamaya çalıştı. Olgular ve kurallardan
oluşan geniş bilgi havuzlarına sahip yapay zeka sistemlerinin ilgili sonuçlara
varmak için yine de bilgiyi bağlam içinde kullanmak zorunda olduğu (zor yoldan,
tekrarlanan başarısızlıkla) keşfedildi. Çıkarımı bu kadar zorlaştıran şey,
bilginin bu "kullanımı"dır. Çevremdeki dinamik olarak değişen dünyaya
uygulanan hafızamın samanlığında hangi bilgi parçası alakalı?
Hangi bilgi parçalarının
alakalı olduğunu belirleme yeteneği, bir hesaplama becerisi değildir. Poe,
"analitik" alanında insan içgörülerine formülle ulaşılmadığında
ısrar eder; bunlar "salt kuralın sınırlarının ötesindeki konular"
veya hesaplamalardır. Gerçekten de Dupin, cinayetlere - orangutan - ilişkin
açıklamasına bir tür şans eseri tahminle varmış gibi görünüyor ve daha sonra
kayıp hayvanın sahibiyle görüşerek bunu doğruluyor. Yani: sadece tahmin mi
ediyordu? Önemli bir anlamda öyleydi. Ancak bu, onu bir çıkarım olarak iptal
etmez. Onu önemli bir tür yapar.
TURING
HAKKINDA DAHA FAZLA BİLGİ
1950 tarihli "Computing Machinery and Intelligence" (Bilgisayar
Makineleri ve Zeka) başlıklı makalesinde Turing, "düşünmenin"
umutsuzca bilim dışı ve öznel olduğunu iddia ederek, kendi başlığıyla dalga
geçerek, gerçekten düşünen makineler hakkındaki soruları reddetti.
Bilgisayarların düşünmesinden bahsetmek, yüzen denizaltılardan bahsetmek
gibidir. "Yüzmek"ten bahsetmek zaten insanı insanlaştırmaktır.
Yunuslar yüzer ama denizaltılar yüzemez. Turing , düşünme kelimesinin kullanımının da
böyle olduğunu düşündü. Bir bilgisayar satranç oynuyorsa, onun düşündüğünü mü
yoksa sadece hesap mı yaptığını kim bilebilirdi?
Turing tamamen
programlanabilir bir zihinle ilgileniyordu. Bu nedenle, içgörüyü - her ne ise -
hesaplama alanına çekerek, içgörü ve ustalık arasındaki orijinal ayrımı ortadan
kaldırdı. Bunu yaparak, AI sorununu tamamen test edilebilir hale getirdi. Tez, kendi
önceki standartlarına göre bile radikaldi, ancak bunun için onu kıskanmayacağız
çünkü AI araştırmacılarının on yılın sonlarında ilerlemeyi engelleyen felsefi
endişeler olmadan çalışmaya başlaması için zemin hazırladı.
Ne yazık ki, hesaplamalı
çıkarımın tam olarak nasıl insan çıkarımına benzeyebileceği ya da olacağı
hiçbir zaman yeterince ele alınmadı. Alan, daha sonraki gelişmeler için bir
plan (veya bir imkansızlık kanıtı) sağlayacak olan bir çıkarım teorisi ile
başlamadı. AI araştırmacıları için bir çıkarım teorisinden yoksun olmak,
nükleer mühendislerin önce fisyon reaksiyonlarının ayrıntılarını çözmeden
nükleer bomba üzerinde çalışmaya başlaması gibidir. Açıkça, Einstein'ın
denklemi bilgisi yeterli değildir. Ve yapay zeka meraklılarının hesaplama teorisi
bilgisi de öyle değil - çünkü yapay zeka üzerinde çalışan bilim adamlarının
karşılaştığı soru, hesaplamanın zihinler tarafından sergilenen uygun çıkarım
aralığına ve türlerine nasıl dönüştürülebileceğidir. Sorunun doğrudan sorulması
gerekiyordu. Alan, onu görmezden gelerek veya etrafından dolaşarak, boş
umutları, çıkmaz yolları ve boşa harcanan zamanı kaçınılmaz hale getirdi.
Kopernik, dünyanın güneşin
etrafında döndüğünü ve bunun tersinin olmadığını öne sürerken , daha eski olan
Ptolemaios modeliyle çalışan astronomların yüzyıllar boyunca biriktirdiği
dağlarca kanıt ve veriyi görmezden geldi. Her şeyi merkezde güneş olacak
şekilde yeniden çizdi ve kullanılabilir bir güneş merkezli model geliştirdi.
Daha da önemlisi, ilk Kopernik modeli, doğru olmasına rağmen aslında daha az
tahmin ediciydi. Başlangıçta, tamamlandığı takdirde , Ptolemaik modelin başına
bela olan gezegenlerin geri hareketi gibi giderek karmaşıklaşan açıklamaların
yerini alacak zarif açıklamalar sunabilecek bir çerçeveydi . Copernicus , ancak
önce tüm verileri göz ardı ederek veya yeniden kavramsallaştırarak yer
merkezli modeli reddedebilir ve güneş sistemine radikal yeni bir yapı
çıkarabilirdi. (Ve bunun bir soruyu gündeme getirdiğine dikkat edin: "Büyük
veri" nasıl yardımcı olabilirdi ? Verilerin tümü yanlış modele uyuyordu.)
Bilimsel Devrim'i başlatan
Kopernik atılımı, esinle yapılmış bir tahmin olarak daha iyi tanımlanabilir.
Aynı şey Kepler'in gezegen hareketini tanımlamak için bir elips seçimi için de
söylenebilir, çünkü çok sayıda (teknik olarak sonsuz) geometrik şekil gezegen
yörüngelerine sığdırılabilir (belki sinüs dalgaları gibi transandantal olanlar
hariç). Elips diğerlerinden daha basit değildi - bu bir Occam'ın ustura
açıklaması değildi. Kepler'in kelimenin tam anlamıyla tahmin ettiği şey, ona
"doğru gelen" bir açıklamaydı.
mekanik bilim açıklamalarıma
uymuyor ; aksine, onlarla çelişir. Ancak dedektiflik, bilimsel keşif, yenilik
ve sağduyu , hepsi zihnin işleyişidir; bunların hepsi, genel olarak akıllı
makineler arayan yapay zeka bilim adamlarının bir şekilde hesaba katması
gereken çıkarımlardır.
PEIRCE'İN
BULMACASI (VE PEIRCE'NİN BULMACASI) 105 sıradan konuşmalar sırasında yapılan
çeşitli sıçrayışlar ve tahminler. Ne yazık ki yapay zeka araştırmacıları için
sıradan çıkarımları bile programlamak kolay değil. Örneğin, Turing testi
esasen zordur çünkü doğal dili anlamak , ne mantıksal olarak kesin ne de
(çoğunlukla) yüksek olasılıklı olan birçok ortak anlam çıkarımı gerektirir.
Başka bir deyişle, birçok kaçırmayı gerektirir.
VE İNDÜKSİYON
Entelektüel
tarihin çoğu boyunca çıkarım, tümdengelim ile eşanlamlı olmuştur. Aristoteles
tasım olarak bilinen basit bir tümdengelim biçimini inceledi - zaten doğru
olduğu bilinen veya buna inanılan iki ifade , üçüncüsüne, yani sonuca götürür.
Aristoteles, kendisi ve başkaları tarafından öne sürülen argümanları analiz
etmek ve doğru muhakeme için bir temel oluşturmak amacıyla tasımları kullanan
erken bir mantık biçimi geliştirdi . Onun geleneğinde zeka, bilinen
tümdengelim kurallarına uymak zorundadır .
Bu mantıklı. Örneğin, Ray
Charles'ın Tanrı olduğunu çünkü Tanrı sevgidir ve Aşk kördür (ve
Ray Charles da öyledir) diyen biri tarafından etkilenmemeliyiz. Argüman
yanıltıcıdır - tümdengelimli akıl yürütme kurallarını çiğner. Tüm bunları kesin
olarak yazmak , tümdengelim mantığının geleneği olmuştur. Aristoteles ayrıca,
tümdengelim kurallarının sözde pratik akıl yürütme ile nasıl ilişkili olduğunu
da keşfetti - örneğin, zeki bir aracı, adımları mantıksal olarak analiz
edilebilecek bir hedefe ulaşmak için bir plan formüle ettiğinde. (Plan
kanıtlanabilir şekilde "doğru" olabilir, ancak uygulamada başarısız
olabilir - yine de bu bir başlangıçtır).
Mantıksal
(doğru) akıl yürütme ve planlama, yapay zekanın önemli alt alanlarıdır ve
neredeyse başlangıcından bu yana klasik yapay zeka, tümdengelim gibi sembolik
mantığı kullanarak akıl yürütme ve planlama yaklaşımlarını araştırmıştır. Bir
yapay zeka sistemi, örneğin bir tasım ve ayrıca bir planlama algoritması
uygulayabilir (şu biçimdeki kurallar: { A, B, C,.. .} ^ G, burada A , B ve C yapılacak eylemlerdir ve
G istenilen hedeftir). Bu tür yöntemler kullanılarak yapay genel zekaya
yönelik büyük atılımlar olmadı, ancak Stuart Russell gibi modern yapay zeka
bilim adamları bile sembolik mantığın herhangi bir nihai yapay genel zeka
sisteminin önemli bir bileşeni olacağı konusunda ısrar etmeye devam ediyor -
çünkü zeka, diğer şeylerin yanı sıra, muhakeme ve planlama.
Aristo böylece binlerce yıl
önce resmi çıkarım çalışmalarını başlattı. Birkaç on yıl önce, yapay zeka
üzerine çalışmaların başlamasına da yardımcı oldu. Tümdengelim kurallarını
kullanan sembolik muhakeme, zekayı özellikle, yapay zeka sistemlerinde
neredeyse tamamen eksik olan sağduyu için bir ön koşul olan bilgiye bağlar.
Erken yapay zeka öncüsü John McCarthy (1956'da Dartmouth Konferansı'nda bu
alanın kurucularından biri) , bilgi tabanlı sistemlerin (dünya hakkında
bilgisayarla temsil edilebilir ifadelere dayanan sistemler ) geliştirilmesi
için sürekli bir çaba başlatarak bunu erkenden fark etti. akıl yürütmek ve
hareket etmek. Bilgiye dayalı eski sistemlerin tümü, öğretici olsa da, yenen
sorunlarla karşılaştı. Bu sorunlardan bazıları , belki de ilerleme umuduyla
yeniden ele alınabilir. Ancak diğerleri temel görünüyor. Özellikle, kurala
dayalı akıl yürütmenin doğasında var olan sınırlamalardır. Tümdengelim mantığı
kesindir çünkü bize kesinlik verir. Tahmin edebileceğimiz gibi, yapay genel
zeka sistemlerinin (ve insanların) zekalarını kanıtlamak zorunda olduğu gerçek
dünya için kesinlik yüksek bir çıtadır.
SONUÇ:
NASIL ASLA YANLIŞ OLMAYACAKSINIZ
İyi bir
tümdengelimli argüman “kesin bahistir” çünkü sonucu zorunlu olarak doğrudur.
Işte bir tane:
Yağmur yağıyorsa
sokaklar ıslaktır.
Aslında yağmur
yağıyor.
Bu nedenle
sokaklar ıslak.
Sonuç, iki öncülden
çıkarmamız gereken çıkarımdır. (Aslında şu soruyu yanıtlar: Başka hiçbir şey
bilmeden öncüllerden ne çıkar?) Sonucu çıkarmak için kullanılan kural ,
öncüller doğru olduğunda sonucun da doğru olması gerekiyorsa geçerli olarak
adlandırılır. Geçerlilik, kullanılan kuralın “güvenilir” damgasıdır ;
öncüllerimiz (veya önceki inançlarımız) doğru olduğunda, kural her zaman
gerçeği koruyacaktır . Dolayısıyla yukarıdaki örnek geçerlidir. Keşfedilmiş en
eski tümdengelim kurallarından birini kullanır ve Latince'de hala atıfta
bulunulur: modus ponens . Yarı sembolik formda:
P ise Q _
P
Bu nedenle Q
Ve tamamen analiz
edilebilir (hesaplanabilir) biçimde, mantıksal biçimine sahibiz:
P ^ S
P
Q
^ " bağlacı , P ve Q için doğruluk değerlerini
belirleyen belirli bir anlama veya semante sahiptir . Tümdengelim mantığında
kural, maddi koşullu olarak adlandırılır ve Q'nun P'nin gerçeğinden ve P
^ Q kuralından çıktığını garanti eder . (Doğru veya yanlış olasılıkların
aralığı, daha sonra gösterilecek olan bir doğruluk tablosu tarafından
verilmektedir.)
Şimdi yağmur ve sokaklar
hakkındaki tartışmamızda bazı değişiklikler yapalım. Özellikle, ya yağmur
yağmıyorsa? Bu durumda kural "işlemez". Hiçbir şey takip etmez. Ancak
argüman formu hala geçerlidir. Yağmur yağıyorsa sokakların ıslak olduğu hala
doğru. Aslında yağmur yağıyorsa , argüman "sağlam" olur (ve
sadece geçerli değildir). Sağlamlık gerçektir - geçerliliğin koşullu gerçeğinin
aksine gerçek gerçek. Sağlamlık bize öncüllerin gerçekten "doğru"
olduğunu söyler. Sağlamlık , tümdengelimli çıkarım kullanan akıllı aracıların
önceki gerçeklerden gerçekleri çıkaracağını garanti eder . Öte yandan
geçerlilik, yalnızca akıllı fail neye inanırsa inansın, çıkarımlarının biçimsel
olarak doğru olacağını garanti eder (yalanlar veya yanlışlar hakkında akıl
yürütme olsa bile). Aslında, geçerli olan ancak sağlam olmayan tümdengelimli
argümanlar, tümdengelimli akıl yürütmeye her türlü aptallığı getirebilir.
Örneğin:
Yağmur yağarsa
domuzlar uçar.
Yağmur yağıyor.
Bu nedenle
domuzlar uçacak.
Aptalca bir argüman ama
tamamen geçerli, çünkü yine varsayımsal bir önermeden akıl yürütme kipi olan modus
ponens'i kullanıyor. İlk öncül elbette yanlıştır. Aslında yağmur
yağmıyorsa, ikinci öncül de yanlış olabilir. Ancak yağmur yağıyor olsa bile ilk
önermeye güvenemeyiz çünkü yağmur ile domuzların uçuşu arasında hiçbir bağlantı
yoktur ve zaten domuzlar hava durumu veya başka herhangi bir şey ne olursa
olsun uçmazlar. Argüman geçerli, ancak sağlam değil ve tamamen yararsız.
İşte sağlam bir çıkarım:
Bütün erkekler
ölümlüdür.
Sokrates bir
erkektir.
Bu nedenle Sokrates ölümlüdür.
Nasıl yanlış olabilir?
olamaz. Sonuç her zaman yüzde yüz kesinlikle takip eder. Kesinti, insanlar ve
makineler için "mükemmel" ve kesin düşünme için bir şablon sağlar ve öncelikle
bu nedenle matematik ve bilimlerde kapsamlı bir şekilde araştırılmış ve yapay
zeka alanındaki birçok önemli uygulamada başarıyla kullanılmıştır. Örneğin
erken dönemlerde, tümdengelim tabanlı yapay zeka sistemleri matematikteki
gerçek ("oyuncak" değil) teoremleri otomatik olarak kanıtlayabildi .
AI öncüleri Alan Newell, Herb Simon ve Cliff Shaw'un buluşu olan Logic Theo rist
adlı bir bilgisayar programı, 1956 gibi erken bir tarihte , Bertrand Russell ve
Alfred North Whitehead'in Mantık üzerine temel yirminci yüzyıl çalışmasını
kullanarak ilginç mantıksal teoremler kanıtladı. Matematik. Tümdengelim
kullanan otomatik muhakeme sistemleri, bilgisayar anakartları için devre
tasarımına ve yazılımın hatalar veya çelişkiler içermediğinden emin olmak için
yazılım ve donanım doğrulama görevine de uygulanmıştır . 1 Bu gibi
durumlarda, tümdengelim yaklaşımı, istatistik ve öğrenmeyi kullanan modern
yapay zeka yöntemlerinden daha kolay ve etkilidir. Yapay zeka alanındaki ilk araştırmacıların
da bildiği gibi, bilgimiz genellikle sembolik olarak ifade edilir (yukarıdaki
yağmur örneğinde olduğu gibi), bu nedenle çıkarım mantıklıdır; bu bariz bir
seçim. Ne yazık ki, tümdengelimli çıkarımı genel zekaya genişletmede iyi
bilinen sorunlar var.
BİLGİ
SORUNLARI
Tümdengelim, bir dizi
ifadeden çılgınca veya yanlış sonuçlar çıkaran birine karşı bir savunma olarak
olağanüstü yararlıdır - örneğin, insan ölümlülüğü ve Sokrates'in bir insan
olduğu varsayımına dayanarak Alpha Centauri'nin peynirden yapıldığı sonucuna
varmamız gerektiğinde ısrar ederek. Tümdengelim, rasyonel aracılara "yolda
kalmak" için bir şablon verir; bu, akıllı çıkarımlar yapacağını umduğumuz
herhangi bir yapay zeka sistemi için açıkça iyi bir ilk adımdır. Ancak yalnızca
tümdengelim kullanarak çok uzağa gidemeyiz. Örneğin , Kopernik'in dünyanın
güneşin etrafında döndüğü ve bunun tersinin olmadığı teorisine yanıt olarak ,
eski tarz Ptolemaik astronomlar tümdengelimli bir karşı saldırı
kullanabilirler:
Gökler
Allah tarafından yaratılmış olsaydı, Yer göklerin merkezinde olurdu.
Gökler
Allah tarafından yaratılmıştır.
Bu
nedenle, Dünya göklerin merkezindedir.
Argüman geçerlidir, ancak
yine, bu bize yalnızca öncüller gerçekten doğruysa, o zaman sonucun zorunlu
olarak takip ettiğini söyler. Tüm ağır yük, öncüllerin doğruluğuna ilişkin
ampirik sorulardadır. Bunu, tabiri caizse, Sokrates'in ölümlülüğüne ilişkin
araştırmamızla "bedavaya" aldık, çünkü genel olarak hepimiz
insanların (daha sonra cennete gitseler bile) öldüğü konusunda hemfikiriz.
Ancak, bir tanrı tarafından yaratılan herhangi bir göğün merkezinde bizim
gezegenimizin yer alacağı genellemesi, herhangi bir diğer estetik ya da kutsal
metin iddiası kadar tartışmalı görünüyor. Kutsal yazıların farklı bir yorumunda
ısrar edebiliriz (Galileo ünlü bir şekilde Tanrı'nın bize cennete nasıl
gideceğimizi söylediğini, göklerin nasıl gittiğini değil) söylediğini
belirtebilir. Veya, özellikle ateist veya bilimsel materyalist olsaydık, ikinci
öncülün doğruluğunu hemen reddedebilirdik.
Bu nedenle tümdengelim, yeni
bilgi arayışında işe yaramaz ve yalnızca akıl yürütmede iyi niyetli hatalar
yapılırsa tartışmalı inançları açıklığa kavuşturur. Ünlü olarak, komplo
teorisyenleri asla tümdengelimli akıl yürütme hataları yapmayabilirler -
sadece diğerlerinin şüpheli veya çılgınca bulduğu öncülleri doğru kabul
ederler.
Başka bir
deyişle, herhangi bir akıllı sistem, her şeyden önce doğru (ve faydalı)
inançları sıfırlamak için başka türde çıkarımlar gerektirecektir. Çıkarılan
sonuçlarda tümdengelimli bir kesinlik yeterli değildir.
İLGİLİ
SORUNLAR
Tümdengelim, onu
genel zeka mühendisliği için bir strateji olarak uygunsuz kılan başka
sınırlamalara sahiptir. Bunlardan biri , alaka düzeyiyle ilgili
değerlendirmeleri içerir. Yağmur yağarsa domuzlar uçar önermesi doğru
değildir, çünkü domuzlar uçmaz, ama aynı zamanda konuyla ilgili bir şey
söylemenin fevkalade kötü bir örneğidir. Domuzların uçmasıyla yağmurun alakası
yok. Öte yandan, uçaklar uçar ama yağmur yağıyorsa uçaklar uçar önermesinin de
bir önemi yoktur. Bu doğru olabilir (en azından bazen), ama yağmur yağdığı
gerçeğinden yola çıkarak, havadaki uçaklar hakkında inançlara sahip
olmamalıyız. Açıklama yine ilgili hususları göz ardı ediyor.
Buradaki sorunun
bir kısmı nedenselliktir: yağmur uçakların uçmasına neden olmaz (gerçi bazı
durumlarda uçakları yerde tutabilir). Burada bilgiyi nasıl kullanmak
istediğimize bağlı. Termometre kırmızı renkteyse , dışarısı sıcaktır ,
doğrudur. Ancak, bir sıcak hava dalgası için olası bir açıklama çıkarmak
istiyorsak, termometrenin herhangi bir yardımı olmaz. Açıklama doğru ama
alakasız. Horoz ötüyorsa, güneş doğuyor da doğrudur, ancak yapay bir
genel zeka sistemine güneşin neden doğduğunu ve horozu gösterdiğini sorsak ,
ona çok fazla zeka atfetmekte isteksiz oluruz.
Bilim filozofu
Wesley Salmon'dan alınan şu örneği ele alalım:
Düzenli
olarak doğum kontrol hapı alan tüm erkekler hamile kalmaz.
Bir
adam karısının doğum kontrol haplarını düzenli olarak alıyor.
Bu nedenle erkek hamile kalmaz. 2
Aslında, bu
tamamen mantıklı bir tümdengelimsel argümandır: doğru öncüllerle modus
ponens'i kullanır . Ancak erkeğin gebelikten kaçınmasının belirtilen
nedenlerle bir ilgisi yoktur. İlgisizler, çünkü erkekler zaten hamile kalmıyor.
Argüman hiçbir şeyi açıklamaz. Geniş bir gerçekler ve kurallar veritabanıyla
donanmış bir robotun tümdengelim kullanarak bu şekilde akıl yürüttüğünü hayal
edebiliriz. Kendi başına hiçbir şey gerçekten yanlış değil ama robot hiçbir şey
anlamıyor; neyin alakalı neyin saçma olduğunu bilmiyor.
Daha ince bir
örnek düşünün:
Bir
ons arsenik yiyen herkes yirmi dört saat içinde ölür.
t zamanında
bir ons arsenik yedi .
Jones
yirmi dört saat içinde öldü .
Bu tamamen iyi
bir tümdengelimsel argümandır, ancak örneğin, Jones t zamanında arsenik
yerse ve zehirlenmeden ölmeden önce bir trafik kazasında (belki de hastaneye
koşarak) ölürse, Jones'un ölümünü açıklayamaz. Burada yine, argüman iyi bir
çıkarımdır , ancak konu dışıdır. Bize hiçbir şey söylemiyor . Hatta
yanıltıcıdır. Başka bir deyişle alaka düzeyi, genellikle bir olayın gerçekten
bir sonuca yol açtığı veya bir şeyin gerçekleşmesini sağladığı nedensellik
bilgisini varsayar.
sorunlarına kurban gitmesinin bir başka nedeni de , günlük deneyimimizde
(ve bilimde) bir şeyin meydana gelmesinin değişmez biçimde pek çok olası
nedeninin olmasıdır. Örneğin uçak kazaları gibi kazalar, felaketi birlikte
açıklayan yakın (yakın) ve uzak (uzak) nedenlere işaret edilerek analiz
edilebilir. Son Boeing trajedilerini ele alalım. 2018'de altı ay içinde Boeing
737 Max uçaklarında meydana gelen iki kazadan sonra, müfettişler, bir
anti-stall sisteminde, Manevra Karakteristiklerini Artırma Sisteminde (MCAT)
bir yazılım hatası keşfettiler. Eski Boeing 737-800'ün yeniden tasarımı, daha büyük motorların takılmasını
sağladı, ancak bunları yalnızca kanatların yanına ve biraz yukarısına
yerleştirerek. Bu, belirli koşullar altında bir stall'a neden olabilen,
kalkışta daha dik tırmanma oranlarıyla sonuçlandı . Stop etme kötüdür - potansiyel
olarak felakettir - bu nedenle MCAT, bir stall'ı önlemek için gerektiğinde
burnu aşağı itmek üzere yeni Max'e takıldı. Ne yazık ki, Max'in burun aşağı
düzeltmesi uçağı yere doğru fırlatabilir. MCAT, Endonezya'da 157 ve
Etiyopya'da 189 kişinin ölümüyle sonuçlanan iki trajedide kontrolü pilotların
elinden alarak tam da bunu yaptı.
, MCAT'ı kontrol eden
yazılımdaki kusurları ortaya çıkardı , böylece yakın bir neden belirlendi.
Ancak ardından gelen soruşturma, Boeing'in Max'i rakip Airbus tarafından sunulan
yakıt tasarruflu uçaklarla rekabet etmek için hizmete sokma konusundaki
hevesini de vurguladı - bir arka plana veya belki de uzak bir nedene işaret
ediyor. Yeni Max'in pilotlarının yetersiz eğitim aldığı da ortaya çıktı . Bu,
Boeing'in yeniden tasarlanmış uçağı için Max'in halihazırda 737-800'de
eğitilmiş pilotların pahalı bir şekilde yeniden eğitilmesini gerektirmeyeceğini
iddia eden pazarlama konuşması tarafından kesinlikle yardımcı olmadı. Bu
nedenle, trajik kazalar birden çok nedene bağlanabilir. Boeing'in 737 Max
uçağının neden düştüğünü anlamak, bir dizi olası nedeni göz önünde bulundurmayı
gerektirir ve belki de hiçbir neden tek başına felaketleri tam olarak
açıklamaz.
ve eleştirmenlerin "eski
moda yapay zeka" olarak adlandırdığı şeyin başarısızlığından sonra ,
yapay zeka bilim adamları çıkarıma yönelik tümdengelimli yaklaşımları topluca
terk ettiler. Gerçekten de birçok genç okuyucu , AI'ya yönelik
"kurallar" ve tümdengelimli yaklaşımlar gibi şeylerin alandaki
uygulayıcılar tarafından ciddiye alınmasını garip bulabilir . Onlar. Ancak tümdengelimli
çıkarsamanın yıkıcı sınırlamaları, sonunda yaklaşımın sonunu getirdi. Ve web
patladığında, sözde sığ veya istatistiksel yöntemler için mevcut olan veri
hacimleri, tümdengelimli veya kural tabanlı sistemleri daha az kullanışlı ve
hantal hale getirdi. Yapay zeka üzerine ciddi çalışmalarda yeni bir paradigma
-farklı bir çıkarım türü- ön plana çıktı. Buna tümevarım denir ve şimdi ona
döneceğiz.
İNdüksiyonun
GÜCÜ VE SINIRLARI
Tümevarım,
deneyimden bilgi edinme anlamına gelir. Deneyim, beş duyumuzun herhangi
birinden gelebilmesine rağmen, tipik olarak gözlemler - şeyleri görmek - olarak
yorumlanır. (Sıcak bir sobaya dokunmak, dokunsal tümevarıma bir örnektir.)
Tümevarımın genel biçimi, tümdengelimden farklı olarak, özel gözlemlerden genel
varsayımlara doğrudur. Uyarılmış hipotez bir gözlemi kapsar, yani açıklar.
Tümevarımın birincil mekanizması numaralandırmadır: Bir kuş popülasyonunun
(meşhur bir örneği kullanmak gerekirse) özelliklerini önceden pek çok kuş
örneğini gözlemlemeden türetmek zordur. Numaralandırmanın merkeziliği,
tümevarımın tüm versiyonlarında merkezi bir rol oynar ve doğasını ve
sınırlamalarını anlamak için önemli olacaktır.
Tümevarımın
güçlü olmasının nedeni, yalnızca hipotezler yoluyla nesneler dünyasını
kategoriler halinde düzenlemeye yardımcı olması değildir ( X'in tüm bu
nesnelerinin Y özelliği vardır ); aynı zamanda onu kullanan aracılara
öngörü gücü verir. 3. Eğer birinci ligdeki bir beyzbol maçı her
bittiğinde şehir merkezindeki sokaklar insanlarla dolup taşarsa, bir sonraki
maç bittiğinde tekrar olacakları sonucunu çıkarabilirim - bu bir tahmindir. Tümevarım ,
dünyadaki olayları gözlemleyerek açıklama ve tahmin etme yeteneği kazandığımız
şeklindeki günlük fikri yakalar. Beklentilerimizin çoğu tümevarıma dayalıdır.
Birisi ön kapınızdaki kapı tokmağını on santimetre sola hareket ettirirse, ona
ulaştığınızda muhtemelen tokmağı kaçırırsınız. Kapı tokmağının nerede olduğuna
dair, onu görme ve tutmayla ilgili daha önceki birçok örneğe dayanan üstü
kapalı bir teoriniz , yani bir hipoteziniz var.
Tümevarımın başka erdemleri
vardır. Birincisi, Kant'ın deyimini ödünç alırsak, sentetiktir; bilgi katıyor.
Third ve Main'in köşesinde trafiğin en yoğun olduğu zamanı internette
arayabilirdim ama Third ve Main'de çalışıyorsam pencereden dışarı bakabilirim.
İkincisi, ne zaman ayrılmam gerektiğine dair beklentiler ve planlar oluşturarak
tümevarımsal çıkarımlarımı kolaylaştıran ilk elden gözlemdir . Ne yazık ki,
tümevarımın (duyularımıza bağlı) güçlü esnekliği, tümdengelim gibi
kanıtlanamayacağı veya doğruluğu garanti edilemeyeceği anlamına da gelir.
Gözlemlerden elde edilen bilgi her zaman geçicidir. Neden? Çünkü dünya
değişiyor. Gelecek, tümevarımsal varsayımlarımı yanlışlayabilir. Arabam bin
kere aksamadan çalışmış olabilir. Yarın sabah (bir toplantıya geç kaldığımda
-Murphy Kanunu), olmayabilir. Bu indüksiyon . Değişim gelir (ya da ne yazık ki
gelmez) ve önceden gözlem tek başına bize nasıl ve ne zaman olduğunu
söyleyemez.
Tümevarımın gücü, zekanın
önemli ölçüde çevremizdeki dünyaya bakmaya bağlı olduğu gerçeğinde yatmaktadır.
Modern bilim, deneyim yoluyla bilgi edinmenin bir yolu olarak tümevarıma
bağlılık olmaksızın imkansız olurdu.
Numaralandırmayı tekrar
düşünün. En basit haliyle, tümevarım, genel bir sonuca veya kurala (veya
yasaya) varmak için yalnızca önceki gözlemlerin sıralanmasını gerektirir. İşte
bir argüman:
N kuğu
beyazdı [burada N büyük bir sayıdır].
Bu nedenle, tüm kuğular beyazdır.
Veya:
Gördüğümüz tüm
yaşam karbon bazlıydı.
Bu nedenle, tüm
yaşam karbon temellidir.
Bu örneklerin önerdiği gibi,
bir şeyin özelliklerinin veya özelliklerinin basit bir şekilde sıralanması
(yani sayılması), genellikle bir tür olarak o şey hakkında bilgi sahibi
olduğumuz iddialarımızın temelini oluşturur. Bu nedenle, kuğular sadece beyaz
olan kuşlardır; hayat sadece karbondan kaynaklanan bir olgudur. Bilimde (ve
hayatta), kuğuların neden beyaz olabileceği veya yaşamın karbon temelli
olabileceği hakkında bir hikaye anlatmayı da yararlı buluyoruz, ancak tam
anlamıyla, bu tür soruların neden tümevarımın, sayımsal veya başka türlü
kapsamı dışında olduğunu yanıtlayan açıklamalar. .
Yine de, ona bir tür çıkarım
olarak böyle bir fayda sağlayan, tümevarımın basitliğidir. Bir nesnede bazı
özellikleri ne kadar çok gözlemlersem, özelliğin nesnenin ayrılmaz bir parçası
olduğuna dair güvenim o kadar artar. Bir torbadan topları örneklemeye devam
edersem ve onlar her zaman beyazsa, bir noktada Bu torbadaki tüm toplar
beyazdır gibi bir genellemeden emin olacağım . Ama yine de, her bir topu
örneklemediysem, tümevarımsal çıkarımın yanlış olması her zaman mümkündür.
Tümevarım yararlıdır ancak kesin bilgi değildir.
İşte başka bir endüktif
genelleme türü:
Nüfusun bir örneğinin
oranı Q , P özelliğine sahiptir .
Bu nedenle,
popülasyonun Q oranı, P özelliğine sahiptir .
Rastgele örnekleme aynı
zamanda gözlemlerden elde edilen bir genellemeyi de temel alır . Kendiniz
deneyin: Yazı tura atın ve gelen turaları ve yazıları sayın . Bu rastgele bir
örneklemedir (çünkü adil bir yazı tura ise yazı tura atamazsınız). Arka arkaya
iki veya üç kafa çevirebilirsin. Hiç ihtimal dışı bir şekilde, beş tura veya
yazı bile çevirebilirsiniz. Ancak yeterince büyük bir örnek verildiğinde, bir
madeni paranın yazı veya tura gelme ihtimalinin yüzde elli olduğunu
genelleyebilirsiniz. Bu nedenle, tümevarımsal genelleme şöyledir : Madeni
para, binde beş yüz tura gelir, bu da sizi yeterince yakınlaştırır. (Büyük
sayılar yasası bize, yeterince büyük bir örnek verildiğinde, olasılığın gerçek
olasılığa yaklaşacağını söyler: bir milyon yazı tura atıldığında, elli elli
bölme oldukça yakın olacaktır). İşte tümevarımı kullanarak istatistiksel
genelleştirmenin başka bir popüler örneği:
Rastgele
seçilen seçmenlerin yüzde yetmiş üçü X Adayından yana .
Bu
nedenle Aday X , oyların yaklaşık yüzde yetmiş üçünü alacaktır.
Aday X , seçimden önce
bir skandala karışarak tümevarımsal çıkarımı geçersiz kılabilir. Ama yine de,
daha fazla bilgi olmadan, bu şekilde akıl yürütebilir ve olmasını beklediğimiz
şey hakkında sonuçlar çıkarabiliriz.
Modern yapay zeka,
istatistiksel analize dayalıdır ve bu nedenle birçok ticari uygulama için
yararlı olan endüktif bir çerçeveye dayanır. Örneğin yapay zeka, geçmiş
gözlemlere dayalı bir tahmin türü olan öneriler sunabilir. İçerik akışına
sahip herkesin aşina olduğu başka bir örneği burada bulabilirsiniz:
X'in okuduğu haberlerin yüzde yetmiş beşi, C web sitesindeki muhafazakar siyasi
yorumlardır .
Bu nedenle, X Kullanıcısı C ile ilgili bir sonraki
haberi isteyecektir .
Kullanıcı X , New
Republic'ten ara sıra çıkan makaleleri de okumak isteyebilir . Ne yazık ki,
tümevarım kullanarak X'in tercihlerini çıkaran sistem muhtemelen bunu
filtreleyecektir. Bu, gözlemden elde edilen tümevarımsal genellemelere
güvenmenin açık bir dezavantajıdır - bunlar daha derin bilginin yerine geçer
(ve daha da kötüsü, geleceğin geçmiş gibi görünmesini beklemeye
eğilimlidirler).
Tümevarımın sınırlarına ilk
kez işaret eden on sekizinci yüzyıl filozofu David Hume, filozoflara ve bilim
adamlarına şimdi tümevarım sorunu olarak bilinen sorunu verdi. Hume'un
belirttiği gibi, tümevarıma güvenmek, "hiç deneyimlemediğimiz örneklerin,
deneyimlediklerimize benzediğine" inanmamızı gerektirir. Başka bir
deyişle, uyguladığımız genel tümevarım kuralı, görünmeyen örneklerin
genişletilmesini gerektirir ve tutacağının garantisi yoktur. Tümdengelimden
farklı olarak, tümevarımın yapısında bize mantıksal kesinlik sağlayan hiçbir
şey yoktur. Sadece dünyanın belirli özellikleri olduğu ortaya çıkıyor ve
dünyayı inceleyebilir ve onun hakkında sahip olduğumuz (düşündüğümüz)
bilgileri ortaya çıkarabiliriz. 4
boyut, ancak daha
sonra ortaya çıkacak nedenlerden dolayı çok küçük veya temsili olmayabilir .
Bu yaygın bir problem ve kökünde sadece tümevarımın hayaleti ve onun sınırları
- ne de olsa filozoflar zamanımızı boşa harcamıyorlardı.
Kökte, tüm tümevarım numaralandırmaya
dayalıdır. Bu şüpheli bir şekilde basit görünebilir (veya görünmelidir): Dünya
hakkında teoriler bulmak için sadece örnekleri sayabilmemiz mümkün mü? Önemli
bir anlamda, evet. Tek bir deneyim tümevarımsal bir çıkarıma izin vermez .
Bir orangutan görürsem ve neye benzediğini bilirsem, onu sınıflandırabilirim.
Ama hayvanın ne olduğunu henüz bilmediğim için, gördüğüm hayvanın acayip bir
şempanze mi yoksa yetişkin bir Koca Ayak'ın bebeği mi olduğunu öğrenmeden önce
birçoğunu gözlemlemem gerekecek . Hume'un dediği gibi, nedenleri anlamak için
"sürekli bağıntıları" görmemiz gerekir ve kategorileri veya türleri
anlamak için sıralanmış örnekleri görmemiz gerekir. ( Göreceğimiz gibi, makine
öğrenimi tam olarak böyle çalışır .)
Elbette, tümevarımsal akıl
yürütme daha karmaşık hale gelir: ekonomi veya sosyal bilimler gibi alanlardaki
istatistiksel çıkarımlar da tümevarımlıdır , ancak olasılık teorisini (ve
ekonomi ve sosyal bilimleri) ve bunları anlamak için kişi hakkında çok şey
bilmek gerekir. Ve bilimlerdeki yeni tümevarımsal çıkarımlar, kaçınılmaz
olarak, bilim adamlarının artık sağlam ve doğru olduğuna inandıkları eski
çıkarımlar üzerine kuruludur. (Öyleyse diğer tüm teorileri de bilmemiz
gerekiyor.) Ama özünde tümevarım, örneklere bakarak basitçe genelleme yapar.
Genellemeler bir hikaye, bir neden veya nedenler dizisi ile açıklanabildiğinde
, tümdengelim gibi zorunlu olarak doğru olmasa bile yeni bilginin
edinildiğinden eminiz . Gözlem ve testlerle desteklenir.
Hume'un
tümevarım eleştirisi öncelikle bir nedensellik eleştirisiydi. Tümevarım,
nedenler hakkında bilgi gerektirmez (bu durumda sayımsal olmaz). Örneğin, kuş
tüylerinin renginin kısmen habitat özelliklerine göre belirlendiğini bilirsek,
o zaman İngiltere'deki tüm kuğular beyaz olsa bile, farklı habitatlardaki
kuğuların tüylerinin siyah olmasını bekleyebiliriz. Ama teorinin yokluğunda,
tümevarım bize bunu ancak dünyanın etrafında uçarsak ve kuğuları yaşadıkları yerde
gözlemlersek söyleyebilir. Spesifik sebeplerden bahseden hipotezler, gözlemin
amacıdır, ancak ne yazık ki tümevarımın mantıksal kaynakları bunları sağlamak
için yetersizdir. Ek çıkarımlar gereklidir (ve burada tümdengelim yardımcı
olabilir, ancak yalnızca kısmen).
Buradaki nokta şudur:
Mantıksal bir çıkarım çerçevesinde uygun şekilde anlaşılan tümevarım, gerekli
ve yaygın olmakla birlikte, oldukça sınırlıdır. Çoğu zaman yanlış anlaşılır, bu
da tümevarımın bizi hayali spekülasyonlardan kurtararak "bilimsel" ve
sağlam ampirik bilgi sağladığına dair genel bir aşırı güvene katkıda bulunur.
Dedektif kahramanımız Sherlock Holmes bazen yöntemini zahmetli tümevarımlar,
yoluna çıkan görüşler, fikirler ve inançlarla derli toplu olmayan basit ve net
gözlemler olarak açıklıyor. Şaşkın ve şaşkın Watson'a "her şeyi dikkatlice
gözlemlediğini" garanti eder. Holmes basit gözlemin değerini biliyor -ne
kadar basitse o kadar iyi- çünkü bildiğimizi sandığımız şey yeni bir şey
görmemizi engelleyebilir. Ancak bu istihbarat hikayesinin sadece bir kısmı.
Gözlemlediğimiz şeyin önemini anlamalıyız. Holmes, Dupin gibi, gözlemlerini
yeni bir şekilde bir araya getirerek suçları çözdü. Şeytanın tüm detayları, hiç
de tümevarım olmayan yenilikte.
Tümevarımsal çıkarım, Hume'un
eleştirel bakış açısıyla akılda kalıcı hale gelen başka bir kaçınılmaz
tehlikeyi bize sunar: Yeni keşfedilen gerçekler bizi şaşırtabilir. Günlük yaşam
gibi dinamik ortamlarda gözlem açık uçludur. Gelecekteki gözlemler, daha önce
bizim için gizli ve bilinmeyen şeyleri ortaya çıkarabilir - sürpriz! Ve
tümevarımsal çıkarıma olan güvenimiz, onun kaçınılmaz eksikliklerine ve
başarısızlıklarına dikkat etmeyi zorlaştırabilir. Bu bizi tatil kutlamalarına
veya en azından Bertrand Russell'ın "tümevarımcı hindisi"ne
getiriyor.
RUSSELL'İN
TÜRKİYESİ
Bertrand Russell, yirminci yüzyılın en ünlü filozoflarından ve kamusal
entelektüellerinden biridir. Bir mantıkçı, matematikçi ve sosyal aktivist
olarak, Britanya'nın I. Dünya Savaşı'na girmesini protesto ettiği için bir
keresinde altı ay hapis yattı . Daha sonra, 1950'lerde, nükleer silahların
yayılmasını protesto etti. Entelektüel ilgi alanları da protestolardı: Dilin
felsefedeki sorunları ve çözümleri hayal etmek için kullanılabileceğinden
endişe ediyordu ve rüya gibi felsefe yapmanın panzehirinin onu bilimin
yöntemlerine bağlamakta yattığını düşünüyordu .
Ama bilim, Russell'ın
kendisinin de işaret ettiği gibi, genellikle açık çıkarımsal kurallar olmadan
ilerler. O halde, bilime ilişkin çıkarımı modellemek için, genel olarak
bilimsel araştırma ve hakikat arayışı hakkındaki düşüncelerimizdeki hataları
ortaya çıkarmalıyız . Böylece tümevarım sorunu onun incelemesine girdi ; bunu
(aynı adlı kitabında) temel "felsefe sorunlarından" biri olarak
adlandırdı ve Sir Karl Popper gibi bilimin gerçekleri toplayarak veya
sıralayarak bilgi elde etmediğini savundu. Başka bir deyişle, bilimsel bilgiyi
yalnızca tümevarım yoluyla elde etmiyoruz . Aslında, tümevarımın kendisi
umutsuzca kusurludur.
Bununla birlikte, gerçek
dünyanın çoğu rastgele değildir, bu da yanlış endüktif kalıpları görme
eğilimini ortadan kaldırmayı daha da zorlaştırır - kalıplar gerçekten "oradadır",
ancak doğru olanları her zaman yalnızca gözlemlerle bilemeyiz. Her yerde
düzenlilikler ve kalıplar görüyoruz. Kumar dışında, bu tuhaf zihinsel bükülme,
gözlemden genelleme yapma isteğimizi açıklamaya yardımcı olur. Kuğular
beyazdır. Güneş yeniden doğacak. Asansör her zaman sabah 3:30'da zemin katta
beni bekliyor. Elbette güvenilir genellemeler vardır -onları her yerde görürüz
ve bunu yapmak yanıltıcı değildir- ancak Russell'ın işaret ettiği gibi
tümevarımın sorunu, yalnızca bu tür genellemelere dayalı olarak bilgi çıkarımı
yapmak için hiçbir gerekçemizin olmamasıdır. Bilim, daha derin ve daha güçlü
çıkarımsal stratejilere dayanmalıdır. İndüksiyonun kendisi kağıt
inceliğindedir.
Tümevarımın sınırlarına bir
örnek olarak, Russell bize harika bir tümevarımsal düşünür olan iyi beslenmiş
bir çiftçi tavuğu sunuyor. İşte onun üzücü hikayesinin bir versiyonu:
Bu
hindi, hindi çiftliğinde ilk sabahı sabah 9'da beslendiğini fark etti. Ancak,
iyi bir tümevarımcı olarak hemen sonuçlara varmadı. Sabah 9'da beslendiğine
dair çok sayıda gözlem toplayana kadar bekledi ve bu gözlemleri çok çeşitli
koşullar altında , çarşamba ve perşembe günleri, sıcak ve soğuk günlerde,
yağmurlu günlerde yaptı. günler ve kuru günler. Her gün listesine başka bir
gözlem ifadesi ekledi. Sonunda, tümevarımcı vicdanı tatmin oldu ve "Ben
her zaman sabah 9:00'da beslenirim" sonucuna varmak için tümevarımsal bir
çıkarım yaptı. Ne yazık ki, bu sonucun yanlış olduğu, Noel arifesinde beslenmek
yerine boğazı kesildiğinde kesin olarak gösterildi. Doğru öncüllere sahip
tümevarımsal bir çıkarım , yanlış bir sonuca yol açmıştır. 5
Russell'ın hindisi,
gözlemlediğimiz düzenlilikler hakkında daha derin bir bilgi sahibi olmadan
"çağrışım alışkanlıkları" oluşturmanın aptallığını ortaya koyuyor.
Ancak bilgi genellikle kılık değiştirmiş inançtır - bildiğimizi sandığımız şey
yanlış olabilir.
Tümevarımsal çıkarıma
güvenmekle ilgili ikinci ve eşit derecede lanetleyici bir sorun da bilgi
eksikliğidir. Dünyanın büyük bir kısmı gizem içinde saklı -rastgelelik veya
kaos içinde boğulmuş ya da tümevarımı herhangi bir güvenle tek başına
kullanmamız için çok karmaşık. Finansal piyasalar geliyor aklıma. Bir hisse
senedinin performansını her türlü karmaşık teknikle tahmin etmeye
çalışabiliriz, ancak herhangi bir tüccarın bildiği gibi, geçmiş performans
gelecekteki sonuçların göstergesi değildir. Ve dürüst olursak, deneyimlediğimiz
dünyanın çoğu bu sinir bozucu niteliğe sahip. Asansörün kimsenin kullanmadığı
zamanlarda zemin katta durduğunu biliyoruz ve işten erken dönersek asansörün
orada bizi beklemesini bekleyebiliriz, çünkü herkes için mesai dışıdır. başka.
Ama birisi buraya taşınıyor olabilir veya falanca kişinin Minnesota'dan ailesi
ziyarete gelebilir vesaire. Kurallar ve beklentiler de çiğnenmek için
yapılmıştır.
Tümevarımı artırmak için
ihtiyaç duyduğumuz bilgi genellikle eksik veya mevcut olmadığı için
tahminlerimiz sürekli olarak hüsrana uğruyor. İngiltere'de bin tane beyaz kuğu
görüp, bütün kuğuların beyaz olduğu sonucuna varabilirim . Aynı yıl,
Avustralya'ya yaptığım bir gezide siyah bir kuğu gördüm - tümevarım lanet
olsun. Bildiğimizi sandığımız çoğu şey aslında geçicidir, daha fazla incelemeyi
bekler ve değişiklikleri şaşırtıcı kılan şey, tümevarıma aşırı güvenmedir.
Amerika Birleşik Devletleri'nin batısındaki Seattle gibi büyük şehirlerde,
sürücüler geçmek için ateş etmek yerine genellikle sarı ışıkta yavaşlar veya
durur. Etraflarından geçmek yerine yayalara da saygı gösterirler. O zaman New
York veya Mumbai'deki sürüş davranışına şaşırabilirim. Gönderilen kurallar aynı
olsa bile davranış aynı değildir. Geçmiş deneyimlerden elde edilen verilere ve
tümevarıma güvenirsem, arkamdan gelebilir veya korna çalabilirim.
VERİM
HAYATTA DEĞİL OYUNLARDA İŞLER
Gerçek dünya
dinamik bir ortamdır, yani hem öngörülebilir hem de öngörülemez şekillerde
sürekli değişir ve onu bir kurallar sistemine hapsedemeyiz. Bununla birlikte ,
masa oyunları, oyun deneyiminden öğrenilen tümevarımsal yaklaşımların neden
bu kadar iyi çalıştığını açıklamaya yardımcı olan bir kurallar sistemi içine
alınmıştır. AlphaGo (veya halefi AlphaZero) , zorlu Go oyununu oynamak için
derin öğrenme olarak bilinen bir tür makine öğrenimi kullanır. Derin
pekiştirmeli öğrenme adı verilen bir şey kullanarak kendi kendine karşı oynar ve
hem kendi hem de rakibin konumu göz önüne alındığında tahtada yapılacak en iyi
hamleler hakkında hipotezler yaratır. Yapay zeka uzmanı Stuart Russell'ın
işaret ettiği gibi, yaklaşım "bilinen kurallara sahip gizli,
gözlemlenebilir, iki oyunculu oyunlarda" inanılmaz derecede başarılı. 6
Russell, Russell'ın hindisi hakkında düşünmemiş olabilir, ama
düşünmeliydi: AI'yı destekleyen oyunlarla ilgili asıl sorun, bilinen kurallara
göre hipotezlerin (deneyimden genellemeler) oluşturulmasına izin vermeleridir.
İronik bir şekilde, daha önceki klasik yapay zeka gibi, kurallar, genel zekaya
ulaşma arayışının tüm amacı olan gerçek dünya için geçerli değildir .
Tümevarım yöntemlerine
dayanan bilgisayar bilimciler, Hume'un (veya Russell'ın) tümevarım problemini
ilgisiz bularak genellikle reddederler. Mantık olarak, elbette tümevarım
kullanarak doğruluk garantisi yoktur , ancak "yeterince
yaklaşabiliriz".
Yapay zeka araştırmacıları,
tümevarım sorununun (açıkça veya dolaylı olarak) farkındadır, ancak makine
öğrenimi (veya derin öğrenme) eleştirilerine nadiren girerler çünkü esasen
sorunu kafalarının üzerinde dikerler. Tümevarım dinamik ortamlarda kötü olduğu
için, bunu kontrol edilebilir ortamlarda uyguluyoruz, diye kabul ediyorlar. Bu,
anahtarlarınızı bir elektrik direğinin altında aramaya benzer çünkü orada ışık
daha iyidir. İnsanoğlunun, deneyimi gerçek dünyada (başka nerede?) etkili bir
şekilde kullanmak için tümevarım problemini yeterince iyi “çözdüğü” doğrudur.
Ancak insanlar çıkarım problemini daha güçlü bir biçimde tümevarımsal çıkarımla
değil, onu anlamaya katkıda bulunan daha güçlü çıkarım türleriyle bir şekilde
birleştirerek çözerler. Makine öğrenimi yalnızca tümevarımdır (Bölüm 11'de
tartışılacağı gibi) ve bu nedenle, alandaki araştırmacıların yapay genel zeka beklentileri
konusunda genellikle olduğundan daha şüpheci olmaları gerekir.
DÜZENLİLİK
VE KIRILMA
Makine öğrenimi
tümevarımlıdır çünkü bilgiyi verilerin gözlemlenmesinden elde eder. Derin
öğrenme olarak bilinen teknik , fotoğraflardaki nesneleri tanımada, otonom
araçlarda performansı artırmada ve görünüşte zor görünen oyunları oynamada çok
umut vaat eden bir tür makine öğrenimi - bir sinir ağıdır. Örneğin, Google'ın
De epMind sistemi, bir dizi klasik Atari video oyununu hayranlıkla oynamayı
öğrendi. Genel zeka olarak müjdelendi çünkü aynı sistem, AlphaGo ve
AlphaZero'ya güç veren sözde derin pekiştirmeli öğrenme yaklaşımını kullanarak
farklı oyunlarda ustalaşabiliyordu. Ancak AI başlangıcı Vicarious, kısa süre
sonra, oyunlardaki görünüşte zararsız değişikliklerin sistemin görünüşte
muhteşem performansını düşürdüğüne dikkat çekti. Örneğin , Breakout'ta, bir
oyuncu raketini taban çizgisinde ileri geri hareket ettirerek, bir topu çok
katmanlı bir tuğla duvara yukarı doğru vurur. Her vuruş bir tuğlayı yok eder
(ve oyuncuyu "kırmaya" yaklaştırır), ancak top geri seken oyuncu bunu
kaçırmamaya özen göstermelidir. Raketi tuğlalara birkaç piksel yaklaştırmak
ciddi performans düşüşüne neden olur. Marcus ve Davis'in modern yapay zeka
eleştirisinde "DeepMind'ın tüm sistemi çöküyor" diyor. Yapay zeka
öncüsü Yoshua Bengio'nun derin sinir ağlarının "üst düzey soyut
kavramlardan ziyade veri kümesindeki istatistiksel düzenlilikleri öğrenme
eğiliminde" olduğu gözleminden alıntı yapıyorlar. 8
tabanlı)
çıkarıma dayanan daha güçlü öğrenme yaklaşımlarıyla düzeltilemeyeceğidir . Buradaki
sorun, bir algoritmanın ayrıntıları değil, çıkarım türüdür. Öğrenmeyi artırmak
için pek çok örnek gerektiğinden (Go söz konusu olduğunda, örnek oyunlar
milyonları bulur), sistemler , oyun özelliklerinin ve kurallarının
kısıtlamaları dahilinde hipotezlerin oluşturulmasıyla yönlendirilen, numaralandırılmış
endüksiyon motorlarıdır. oyun Dünyalar kurallara göre kapalıdır ve düzenlidir
- bu, en iyi hamlelerin en sık galibiyete götüren hamleler olduğu bir tür çan
eğrisi dünyasıdır. Bu, insan yapımı oyunların ve araştırma tesislerinin dışında
oturan yapay genel zekanın hakim olması gereken gerçek dünya değil. Fark her
şey demektir.
Gerçek dünyada düşünmek,
anormalliklerin veya istisnaların hassas bir şekilde saptanmasına bağlıdır.
Örneğin yoğun bir şehir caddesi istisnalarla doludur. Bu, Manhattan'da dolaşan
(veya istisnalarla ilgili başka bir nedenle insanlarla sohbet eden)
robotlarımızın olmamasının bir nedenidir. Bir Manhattan robotu hızla devrilebilir,
tavsiye edilmeyen bir şekilde sokağa çıkarak trafik sıkışıklığına neden
olabilir, insanlara çarpabilir veya daha kötüsü olabilir. Manhattan, Atari veya
Go değil ve onun büyütülmüş bir versiyonu da değil. Derin öğrenen bir
"beyin", gerçek zekanın yerine geçen herhangi bir endüktif sistem
gibi, gerçek dünyada ciddi bir sorumluluk olacaktır (ve öyledir). Russell'ın
hindisine akşam yemeği olmaktan kaçınma "oyunu" oynadığını söylersek,
Noel arifesinde nasıl kıt olacağını öğrenebilir. Ama o zaman iyi bir
tümevarımcı türkiye olmazdı ; insanlar tarafından sağlanan ön bilgiye sahip
olacaktır.
İstatistiksel yapay zeka,
ortak modellerin (bir dağılım eğrisinin şişman başındaki) kolay, ancak nadir
olanların (uzun kuyruktaki) zor olduğu uzun kuyruklu bir problemle sonuçlanır.
Ne yazık ki, insan zekasına sahip yapay zeka sistemleri tarafından yapılan bazı
çıkarımlar, kapalı dünya sistemlerinde keşfedilebilir düzenliliklerden
çıkarımın tatlı noktasında değil, uzun kuyrukta olacaktır . Aslında, yapay
zeka araştırması , düzenliliklerden yararlanarak "kolay" başarılara
odaklanarak, toplu olarak ilerlemeden genel zekaya doğru ilerleme tehlikesiyle
karşı karşıyadır. Kademeli bir ilerleme kaydettiğimiz bile söylenemez, çünkü
pratikte kolay problemler üzerinde çalışmak, gerçek problemleri (elektrik
direğinin yanında olmayan anahtarlar) göz ardı etmek anlamına gelir. Endüktif
stratejiler kendi başlarına yanlış umut verir.
Facebook'ta yanlış
sınıflandırılmış bir fotoğraf veya Netflix'te sıkıcı bir film tavsiyesi almak,
veriye dayalı endüksiyona güvenme konusunda başımızı çok fazla belaya
sokmayabilir, ancak sürücüsüz arabalar ve diğer kritik teknolojiler kesinlikle
başımıza bela olabilir. Giderek artan sayıda AI bilim insanı konuyu anlıyor.
Allen Yapay Zeka Enstitüsü başkanı Oren Etzioni, makine öğrenimi ve büyük
veriyi "yüksek kapasiteli istatistiksel modeller" olarak
adlandırıyor. 9 Bu etkileyici bir bilgisayar bilimi ama genel zeka
değil. Akıllı beyinler verilere anlayış getirir ve başarısızlık noktalarının ve
anormalliklerin takdir edilmesine yol açan noktaları birleştirebilir. Veri ve
veri analizi yeterli değildir.
GÜVEN
OLARAK ÇIKARIM SORUNU
Elbette, tümevarımdaki kör
noktaları teşhir ederek düzgün bir şekilde özetlenemeyecek başka tahmin
sınırları da vardır. Ne de olsa siyah kuğular, borsa çöküşleri ve büyük
savaşlar (ve yenilikler) gibi nadirdir. Zaten anlaşılmaz ve büyük ölçüde
öngörülemeyen olasılıkları aydınlatmak için tümevarımı kullandığımız için
affedilebiliriz , ancak anlayışımızı yalnızca veri ve istatistiklerle
değiştirme girişimlerimiz için değil. Kaotik doğal sistemler gibi bazı
durumlarda (örneğin, türbülanslı sistemler) , bilinen herhangi bir türde çıkarımsal
yöntem kullanarak tahmin edilebilirliğin doğasında var olan sınırlamalar
olduğunu artık biliyoruz. Tümevarım, geçmişin geleceğe benzeyeceğini
önerebilir, ancak kaos teorisi bize bunun olmayacağını ya da en azından nasıl
olacağını belirleyemeyeceğimizi söyler. Bazı durumlarda, eksik olsa da
istatistiksel analiz elimizdeki tek şeydir.
MUHTEMEL
NEDENİ
Hayatının işi
nedensel akıl yürütme için etkili hesaplama yöntemleri geliştirmek olan ünlü
bir bilgisayar bilimcisi olan Turing Ödülü sahibi Judea Pearl, 2018 The Book
of Why adlı kitabında makine öğreniminin asla gerçek anlayış
sağlayamayacağını çünkü veri analizinin bilgi ile köprü kurmadığını savunuyor.
zeka için gerekli olan gerçek dünyanın nedensel yapısının Onun deyimiyle
"nedensellik merdiveni", veri noktalarını ilişkilendirmekten (görme
ve gözlemleme) nedenlerin bilgisini gerektiren dünyaya müdahale etmeye (yapma
) kadar yükselir. Sonra hayal etme, anlama ve şunu sorma gibi karşı-olgusal
düşünmeye geçer: Ya farklı bir şey yapsaydım?
Makine
öğrenimi yöntemlerini kullanan yapay zeka sistemleri - ve birçok hayvan -
ilişkilendirmenin en alt basamağındadır. İlk düzeyde, ilişkilendirmede, gözlemlerde
düzenlilikler arıyoruz. Bu, bir baykuşun bir farenin nasıl hareket ettiğini
gözlemlerken ve kemirgenin bir an sonra muhtemelen nerede olacağını anladığında yaptığı
şeydir ve bir bilgisayar Go programı, milyonlarca Go oyunundan oluşan bir
veritabanını inceleyerek anlayabilmek için yaptığı şeydir. hangi hamlelerin
daha yüksek kazanç yüzdesi ile ilişkili olduğunu öğrenin. 11
Pearl burada gözlemleri ve
verileri birbirine bağlayarak bize bir iyilik yapıyor. 12 Ayrıca, bu
merdiveni yukarı taşımanın farklı düşünme türlerini (daha spesifik olarak
çıkarım) içerdiğine de dikkat çeker. İlişkilendirme, nedensel düşünce veya
hayallere "ölçeklenmez". Yapay zekadan yapay genel zekaya
ölçeklendirme sorununu, tam da bu merdiveni tırmanmayı (veya mevcut çerçevede
tümevarımdan diğer daha güçlü çıkarım türlerine geçmeyi) mümkün kılacak yeni
teoriler keşfetme sorunu olarak yeniden biçimlendirebiliriz. 13
BİR
SAĞDUYU ASTARI
VE BÜYÜK VERİ
Öğrenme,
“deneyime dayalı olarak performansı geliştirmektir”. 1 Makine
öğrenimi, bilgisayarların performanslarını deneyime dayalı olarak
geliştirmelerini sağlamaktır.
Yapay zekanın makine öğrenimi
olarak bilinen alt alanının bu tanımı geniş çapta kabul görmektedir ve
özellikle tartışmalı değildir. Alanın şafağında yapay zekada öğrenme
algoritmaları üzerine yapılan erken çalışmalardan bu yana esasen değişmeden
kalmıştır. Makine öğreniminde uzun süredir araştırmacı olan Carnegie Mellon
bilgisayar bilimcisi Tom Mitchell, 1997'deki Makine Öğreniminde biraz
daha ayrıntılı bir tanım verdi : "Bir bilgisayar programının, bazı görev
sınıfları T ve performansla ilgili olarak E deneyiminden
öğrendiği söylenir. P ile ölçüldüğü şekliyle T'deki görevlerdeki
performansı E deneyimiyle gelişiyorsa, P'yi ölçün . 2 Diğer
bir deyişle, makine öğrenimi, tümevarımın hesaplamalı bir işlemidir -
deneyimden bilgi elde etme. Makine öğrenimi yalnızca otomatikleştirilmiş
tümevarımdır , bu nedenle tümevarımsal çıkarımdaki sorunların makine öğrenimi
için sorunlara neden olmasına şaşırmamalıyız. Bu kaçınılmaz sıkıntıları
detaylandırmak bu bölümün amacıdır.
İki
ana öğrenme türü vardır. İnsanlar istenen çıktıyı belirtmek için girişi ilk kez
etiketlediğinde buna denetimli öğrenme denir. Aksi takdirde, sistem
verilerdeki kalıpları olduğu gibi analiz eder ve buna denetimsiz öğrenme denir.
Ayrıca bir orta yol vardır. Yarı denetimli öğrenme, insanlar tarafından
hazırlanmış bir başlangıç çekirdeği veya verilerin küçük bir kısmı ile başlar
ve ardından çekirdeği denetim olmadan giderek daha fazla veriye genişletir.
Yapay zeka bilim adamları son
yıllarda büyük ölçüde derin öğrenme olarak bilinen ve denetimli öğrenme
yaklaşımı olarak etkileyici sonuçlar gösteren belirli makine öğrenimi türüne
odaklandılar. Aşağıda , denetimli öğrenmeyi, derin öğrenmeyi ve uygulamalarını
biraz ayrıntılı olarak tartışacağım. Tahmin edebileceğiniz gibi, denetimli
öğrenme büyük bir çadırdır; Yapay zeka için neyin söz konusu olduğuna dair
genel bir fikir vermek için farklı denetimli l kazanç türlerini keşfedeceğim .
Sınıflandırma, denetimli
öğrenmenin yaygın bir türüdür. Araştırma laboratuvarlarında ve ticari
uygulamalarda kapsamlı bir şekilde araştırılmıştır . Örneğin, öğrenilmiş
sınıflandırıcılar spam'i filtreler. Çıktı , ikili bir evet veya hayır
şeklindedir: bir e-posta ya istenmeyen postadır ya da değildir. Tipik olarak,
istenmeyen e-posta sınıflandırma sistemi, e-posta hesabının kullanıcısı
tarafından denetlenir, çünkü o gelen e-postaları istenmeyen posta olarak
işaretler ve bunları istenmeyen posta veya istenmeyen posta klasörüne gönderir.
Arka planda, makine öğrenimi sistemi olumlu spam örnekleri olan e-postaları
etiketler. Yeterince istenmeyen e-posta örneği toplandıktan sonra, sistem
bunları ve diğer gelen e-postaları kullanarak kendini eğitir ve kabul
edilebilir e-postalar ile istenmeyen e-postalar arasındaki farka yaklaşan bir
geri bildirim döngüsü oluşturur .
öğreniminin
web üzerindeki yararlılığının en eski örneklerinden biridir . Naive Bayes
algoritmaları ve diğer basit olasılıksal sınıflandırıcılar, e-postalardaki
kelimelere spam olup olmadığını belirten sayısal puanlar atar ve spam ve spam
olmayan kategorileri kullanıcı tarafından sağlanır. Sonunda, sınıflandırıcı,
yalnızca iletilerdeki sözcükleri analiz etmeye dayalı bir spam hipotezine veya
modeline sahip olur. Gelecekteki iletiler otomatik olarak filtrelenir ve spam,
klasörüne gider. Günümüzde spam sınıflandırıcıları, konu satırındaki belirli
kelimeler, bilinen "spam" içeren terimler ve kelime öbekleri vb.
Sistemler mükemmel
değildir, büyük ölçüde hizmet sağlayıcılar ile eğitimli filtreleri kandırmak
için durmaksızın yeni ve farklı yaklaşımlar deneyen spam gönderenler arasındaki
sürekli kedi-fare oyunu nedeniyle. 3
İstenmeyen e-posta tespiti,
denetimli öğrenmenin özellikle seksi bir örneği değildir. Modern derin öğrenme
sistemleri, görüntü tanıma ve görsel nesne tanıma gibi görevler için de
sınıflandırma gerçekleştirir. Tanınmış ImageNet yarışmaları yarışmacılara,
ImageNet'in eğitimde kullanmak ve derin öğrenme sistemlerinin doğruluğunu test
etmek için Flickr gibi web sitelerinden indirdiği milyonlarca görüntüden
yararlanarak denetimli öğrenmede büyük ölçekli bir görev sunar. Tüm bu
görüntüler insanlar tarafından etiketlendi (projeye Amazon'un Mechanical Turk
arayüzü aracılığıyla hizmet veriyorlar) ve uyguladıkları terimler, WordNet
olarak bilinen İngilizce kelimelerin yapılandırılmış bir veritabanını
oluşturuyor. WordNet'te seçilen bir kelime alt kümesi, ortak isimler (köpek,
balkabağı, piyano, ev gibi) ve daha belirsiz öğeler (İskoç teriyeri, hafif
süvari maymunu, flamingo gibi) kullanılarak öğrenilecek bir kategoriyi temsil
eder. Yarışma , rakip derin öğrenme sınıflandırıcılarından hangisinin insanlar
tarafından etiketlendiği şekliyle en çok görüntüyü doğru şekilde
etiketleyebileceğini görmek içindir. ImageNet yarışmalarında kullanılan binden
fazla kategoriyle görev, istenmeyen e-posta dedektörlerine sunulan evet-hayır sorununun
(veya bir görüntünün insan yüzüne ait olup olmadığını basitçe etiketlemek gibi
herhangi bir diğer ikili sınıflandırma görevinin ) çok ötesine geçer. . Bu
yarışmada rekabet etmek , girdi olarak piksel verilerini kullanarak büyük bir
sınıflandırma görevi oluşturmak anlamına gelir. 4
Dizi
sınıflandırması genellikle doğal dil işleme uygulamalarında kullanılır.
Sözcükler belirli bir düzene, bir diziye sahipmiş gibi ele alınır. Belge veya
metin sınıflandırması, bir BOW veya sözcük torbası modeli gibi basit, sırasız
bir yaklaşım kullanabilir, ancak sıralı bir metin olarak görüntülenen
sözcüklerle ilgili ek bilgiler genellikle metin sınıflandırmasındaki
performansı artırır. Örneğin, bir başlıkta ve ilk paragrafta yer alan
kelimeler, genellikle makalenin anlamı veya konusu hakkında güçlü ipuçları sağlar.
Metin sınıflandırması, makaleleri bilim, iş, siyaset ve spor gibi konu
etiketleriyle otomatik olarak etiketlerken bu özelliklerden yararlanabilir . Metin
sınıflandırması, denetimli öğrenmeye başka bir örnektir , çünkü insanların
makaleleri konulara göre doğru bir şekilde etiketlemesiyle başlar ve öğrenme
sistemine ilk girdiyi sağlar . ImageNet'in doğru şekilde etiketlenmiş
resim koleksiyonu gibi, insanlar tarafından oluşturulmuş , metinlerin nota
dayalı koleksiyonları olan, konuları hakkında meta veriler ve dil işleme
görevlerinde denetimli öğrenme sistemlerini eğitmek için yardımcı olan diğer
özellikler sağlayan büyük derlemler veya veri kümeleri de vardır.
Denetimli makine öğrenimi,
modern web'in çoğunun arkasındadır. Örneğin, haberlerin ve diğer içerik
akışlarının kişiselleştirilmesini sağlar. Bir kullanıcı çoğunlukla siyasi
haberlere tıklarsa, arka planda çalışan denetimli bir öğrenme algoritması
(örneğin, Facebook sunucularında) siyaset hakkında giderek daha fazla haber
sunacaktır. Daha sofistike yaklaşımlar, siyasi haberleri bakış açısına göre
sınıflandırarak, eğilimi sistem tarafından ve hatta duyguya göre belirlenen bir
kullanıcıya daha muhafazakar veya liberal eğilimli haberler sunar - tıpkı bir
sistemin film incelemeleri gibi fikir metinlerini sınıflandırdığı zamanki gibi.
olumlu veya olumsuz olarak.
Sınıflandırmaya
ek olarak denetimli öğrenme yaklaşımları, görüntü veya metin sınıflandırmasında
olduğu gibi tüm dizi yerine bir dizideki tek tek öğelerin otomatik olarak
etiketlenmesi için de kullanılır. Bu sıralı öğrenme olarak bilinir. Basit (ama
belki de sıkıcı) bir örnek, "kahverengi inek" gibi bir sözcük
dizisinin konuşma bölümleri için etiketlendiği konuşma parçası etiketlemedir: /
dt brown / adj cow / nn, bu etiketler belirleyici anlamına gelir , sıfat ve
ortak isim. Ardışık öğrenme, programlara konuşmanın bölümleri hakkında bilgi
sağlamak için dil kurallarını kullanmaz ; bunun yerine insanlar, cümle
içindeki kelimeleri konuşmanın doğru bölümleriyle etiketliyor ve insan
tarafından hazırlanan verileri öğrenme algoritmasına girdi olarak sağlıyor.
Konuşmanın bir kısmını etiketleme sorunu uzun zaman önce makineler tarafından
çözüldü; on binlerce işaretlenmiş cümle sağlamak, görünmeyen verilerde, yani
eğitim için kullanılmayan tüm cümlelerde insan düzeyinde performans sağlar. Dil
işlemede iyi araştırılmış başka bir sorun, denetimli öğrenme sisteminin metinlerdeki
kişi, yer, zaman, şirket ve ürün gibi yazılı varlıkları tahmin ettiği varlık
tanıma olarak adlandırılır. “Sn. Smith, XYZ Co.'nun 1. Çeyrek'te on binden
fazla araç takımı sattığını bildirdi" ifadesinin "Mr. Smith / pers ,
XYZ Co. / şirketinin 1. Çeyrek / tarihte on binden / adet widget / ürün
sattığını bildirdi.
Sıralı sınıflandırma , bir
sonraki öğenin önceki öğelerden tahmin edildiği zaman serisi tahmini için de
kullanılabilir. Siri gibi ses tanıma sistemleri , popüler konuşmayı metne
dönüştürme sistemleri gibi bir tür zaman serisi tahminidir. Zaman serisi
tahmini, diğerlerinin yanı sıra tıbbi teşhis, fabrika planlaması ve stok
tahmini gibi karmaşık görevlerde önemli uygulamalara sahiptir.
SİMÜLASYON
OLARAK MAKİNE ÖĞRENİMİ
Kavramsal ve
matematiksel olarak bakıldığında makine öğrenimi, özünde bir simülasyondur.
Bir makine öğrenimi sisteminin tasarımcıları, veri yoğun bir sorunu inceler ve
bunun için olası bir makine öğrenimi tedavisi varsa, bunun "iyi
tanımlanmış" olduğunu düşünürler. Bazı işlevlerin gerçek dünyadaki veya
gerçek sistemdeki bir davranışı simüle edebileceğini varsayarlar. Gerçek
sistemin, verilerde gözlemlenebilir çıktıya yol açan gizli bir modele sahip
olduğu varsayılır . Görev, gerçek gizli modeli doğrudan derlemek değil - ki bu,
verilerden daha fazlasını anlamayı gerektirir - bunun yerine verilerdeki
"ayak izlerini" analiz ederek gizli modeli simüle etmektir. Bu ayrım
önemlidir.
Çoğumuz fonksiyonları
matematik dersinden biliriz ve klasik örnek aritmetiktir: 2 + 2 = 4, operatörü, toplama için
artı işareti, teknik olarak bir fonksiyon olan bir denklemdir. İşlevler
girdilerine göre benzersiz yanıtlar döndürür: bu nedenle toplama işlevi 2 + 2 için 4 döndürür (ve Orwell romanları dışında hiçbir zaman
5 değil ). İlk yapay zeka bilim adamları, gerçek dünyadaki birçok sorunun,
bilinen çıktılara sahip işlevlere varan kurallar sağlayarak çözülebileceğini
varsaydılar. ek olarak. Bununla birlikte, AI araştırmacıları için ilginç
sayılan sorunların çoğunun bilinmeyen işlevleri olduğu ortaya çıktı (eğer
gerçekten de ilgili işlevler varsa). Bu nedenle, artık bu bilinmeyenlere
yaklaşmayı veya simüle etmeyi amaçlayan makine öğrenimine sahibiz. Makine
öğreniminin bu "sahteliği", sistem performansı bir insanınkine önemli
ölçüde yakın veya daha iyi olduğunda fark edilmez. Ancak, gerçek dünya
öğrenilen simülasyondan ayrıldığında, makine öğreniminin simülasyon
niteliğindeki doğası hızla açığa çıkar.
Genel zekaya giden potansiyel
bir yol olarak makine öğrenimiyle ilgili en az iki sorun vardır . Daha önce
değinilen bir tanesi, öğrenmenin, en azından bir süre için, herhangi bir
anlayış olmaksızın başarılı olabileceğidir. Eğitilmiş bir sistem, beklenmeyen
bir değişiklik veya olay simülasyonu değersiz hale getirene kadar, bir sorunu
ustaca anlamış gibi görünen sonuçları tahmin edebilir . Aslında, çoğu zaman
olduğu gibi başarısız olan simülasyonlar değersiz olmaktan çok daha kötü
olabilir: araba kullanırken makine öğrenimini kullanmayı düşünün ve otomatik
tahminlere güvenmek yanlış güven uyandırır. Bu her yerde olur; dağınık gerçek
dünya her zaman yön değiştiriyor. Konuşma konuları değiştirir. Hisse senetleri
yukarı yönlü bir trend izliyor, ardından kurumsal yeniden yapılanma, deprem
veya jeopolitik istikrarsızlık gibi bazı dışsal olaylar hisseleri aşağı doğru itiyor.
Joe muhafazakar blog yazarlarını, arkadaşı Lewis'in kişiselleştirilmiş haber
akışının neredeyse tamamen elediği ve ondan sakladığı sola eğilimli bir dergi
önerdiği güne kadar sevebilir. Mary , kendi atı Sally ölene ve Zen tutkusunun
peşinden gidene kadar atları sevebilir . Ve benzeri. Makine öğrenimi gerçekten
yanlış bir adlandırmadır, çünkü sistemler dünyadaki anlamın giderek daha derin
ve sağlam bir takdirini kazanarak bizim yaptığımız anlamda öğrenmiyor. Daha
ziyade çan eğrilerini öğreniyorlar - doğrudan gerçek dünyada deneyimlediğimiz
her şeyin tamamen veriye dayalı simülasyonları.
DAR
YZ OLARAK MAKİNE ÖĞRENİMİ
Makine
öğreniminin simülatif doğası, yapay genel zekaya doğru çok az ilerleme gösteren
veya hiç ilerleme göstermeyen, neden sürekli olarak dar tanımlanmış
uygulamalara takılıp kaldığını açıklamaya da yardımcı olur. Doğal dil işlemede
metin sınıflandırması, konuşmanın bir kısmı etiketleme, sözdizimsel ayrıştırma
ve istenmeyen e-posta tanıma gibi iyi tanımlanmış problemler, ayrı ayrı analiz
edilmelidir. Sistemler, benzer olsa bile diğer sorunları çözmek için büyük
ölçüde yeniden tasarlanmalı ve taşınmalıdır. Bu tür sistemlere öğrenci demek
ironiktir, çünkü öğrenmek kelimesinin insanlar için anlamı, temelde dünyadaki
şeyler hakkında daha genel bir anlayış kazanmak için dar performanslardan
kaçmayı içerir . Ancak satranç oynayan sistemler daha karmaşık olan Go oyununu
oynamazlar. Go sistemleri satranç bile oynamaz . Google'ın DeepMind'inin çok
lanse edilen Atari sistemi bile yalnızca farklı Atari oyunları arasında
genelleme yapıyor ve sistem yine de hepsini oynamayı öğrenemedi. İyi oynadığı
oyunlar katı parametrelere sahip olanlardı. En güçlü öğrenme sistemleri
sandığımızdan çok daha dar ve kırılgandır. Yine de bu mantıklı çünkü sistemler
sadece simülasyon . Başka ne beklemeliyiz?
Yukarıda belirtilen
tümevarımla ilgili sorunlar, kendi başına deneyimden değil, özellikle yapay
zekaya yönelik makine öğrenimi yaklaşımlarının yaptığı şey olan, yalnızca
deneyimde temel bilgi ve çıkarım yapma girişiminden kaynaklanmaktadır. O halde,
yapay zekaya yönelik tümevarımsal makine öğrenimi ve veri merkezli
yaklaşımların tüm sorunlarının alt üst olmasına şaşırmamalıyız . Veriler ,
erişilebilirlik için bilgisayarlarda depolanan, yalnızca gözlemlenen
gerçeklerdir. Ve gözlemlenen gerçekler, onları ne kadar incelersek inceleyelim,
bizi genel bir anlayışa veya zekaya götürmez.
Bilimsel
soruşturma (ve felsefi araştırma) hakkındaki bu kabul edilen gerçeğe yönelik
modern bir bükülme , en azından başlangıçta AI sistemlerini daha önce mevcut
olmayan "akıllı" ve içgörü ile güçlendirdiği düşünülen, büyük miktarda verinin
nispeten yakın zamanda mevcut olmasıdır. Bir bakıma bu doğrudur, ancak
tümevarım sorunlarından kaçmak için gerekli olan anlamda değil. Sırada büyük
veriye geçiyoruz.
BÜYÜK
VERİLERİN SONU
Büyük veri,
işletmeler ve hükümetler (ve yapay zeka araştırmacıları) için gerekli olan
analizleri ve içgörüleri mümkün kılmak için genellikle çok büyük veri
kümelerinin gücüne atıfta bulunan, herkesin bildiği gibi şekilsiz bir fikirdir.
Gerçek terim ilk olarak 1997'de bilimsel bir bağlamda - mevcut bilgisayar
grafikleri teknolojisini kullanarak verileri görselleştirmenin zorluklarını
açıklayan bir NASA makalesinde - basıldı. Bununla birlikte, önümüzdeki on yıl
içinde iş ve bilgi işlem için genel bir terim olarak popüler olana kadar
tutmadı . Modern büyük veri kavramı, ilk olarak iş zekası tartışmalarında,
özellikle de iş zekası zorluklarıyla ilgili 2001 Gartner Group raporunda su
yüzüne çıkmış gibi görünüyor. Rapor , hesaplama kaynakları daha güçlü ve daha
ucuz olmaya devam ettikçe giderek daha önemli hale gelecek olan büyük veri
kümelerinin özelliklerini açıklamak için "üç V"yi (hacim, hız ve
çeşitlilik) vurguladı . Ancak rapor aslında büyük veri terimini kullanmıyordu.
5 Bununla birlikte, terim 2000'lerin sonunda her yerde kullanılmaya
başlandı ve 2014'te Forbes , "12 Büyük Veri Tanımı: Sizinki
Nedir?" 6
Yine de en
başından beri, büyük verinin içgörüleri ve zekayı tam olarak nasıl
"güçlendirdiği" konusunda kavramsal bir kafa karışıklığı vardı. İlk
başta, daha iyi sonuçlardan büyük verinin kendisinin sorumlu olduğu düşünüldü,
ancak makine öğrenimi yaklaşımları ortaya çıktıkça, araştırmacılar
algoritmalara itibar etmeye başladılar. Derin öğrenme ve diğer makine öğrenimi
ve istatistiksel teknikler, bariz iyileştirmelerle sonuçlandı. Ancak
algoritmaların performansı daha büyük veri kümelerine bağlıydı . Ne olursa
olsun, AI performans iyileştirmeleri gösteriyordu ve hiç çözülemeyen bazı
problemler aniden daha fazla veri ile çözülebilir hale geldi. Araştırmacıların
ve uzmanların yakalamak istediği, işte ve bilimde bu kavrayış genişlemesiydi .
Andrews Üniversitesi'nden bilgisayar bilimcileri Jon athan Stuart Ward ve Adam
Barker'ın belirttiği gibi, "büyük veri özünde veri analitiği ve verilerden
anlam keşfi ile ilişkilidir." 8 AI, onlarca yıldır verilerden
anlam çıkarmak için mücadele ediyordu; birdenbire, sadece daha fazla veri
ekleyerek, böyle bir anlam her yerde kendini gösteriyor gibiydi.
2013'e gelindiğinde, Viktor Mayer-Schonberger ve Kenneth Cukier en çok
satanları Big Data: A Revolution That Will How For Live, Work ve Think'te
" büyük verinin kesin bir tanımı olmadığını" kabul ediyorlardı ,
ancak Her halükarda, büyük verinin "toplumun yararlı içgörüler veya
önemli değere sahip mal ve hizmetler üretmek için bilgiyi yeni yollarla
kullanma yeteneği" olduğunu ve büyük verinin gelişinin artık "bir
kişinin geniş çapta yapabileceği şeyler" olduğu anlamına geldiğini öne
sürüyor. yeni anlayışlar elde etmek veya yeni değer biçimleri yaratmak için
daha küçük bir ölçekte yapılamayan bir ölçek. 9 Özel ve kamu
sektörlerinde ancak veri kümesi boyutundaki artışlarla mümkün olan başarı
öykülerine dikkat çekiyorlar. Örneğin, girişimci ve Washington Üniversitesi
bilgisayar bilimleri profesörü Oren Etzioni tarafından 2004 yılında kurulan ve
2008 yılında Microsoft'a 110 milyon doların üzerinde bir fiyata satılan
Farecast adlı başlangıç şirketini ele alalım. Şu anda Seattle'daki Allen Yapay
Zeka Enstitüsü'nün başkanı olan Etzioni, kalkıştan önceki günlerin bir
fonksiyonu olarak uçak bileti zirvelerindeki ve vadilerindeki eğilimleri ortaya
çıkarmak için yaklaşık 200 milyar uçuş fiyatı kaydı biçimindeki büyük verileri
kullandı. Farecast'in performansı, büyük verinin büyük sayılardan ortaya çıkan
yeni içgörüler ve yetenekler anlamına geldiği hissinin altını çizdi;
Etzioni'nin yalnızca on iki bin fiyat noktası kullanan temel sisteminden
ilerleyen sistem, tahminlerini sürekli olarak iyileştirdi. Milyarlarca uçuş
fiyatı veri noktasına ulaştığında, uçak biletinin ne zaman satın alınacağına
dair doğru tahminler şeklinde önemli bir müşteri değeri sundu .
Bir zamanlar moda olan büyük
veri, artık her yerdeki yapay zeka destekli işletmelerde yeni normal haline
geldi. Walmart, büyük veri ve veri madenciliği tekniklerini, tüketici talebine
yanıt olarak verimli bir şekilde mal satın alma, stoklama ve nakliye gibi
lojistik zorluklarına uygulamak için Walmart Labs'ı yarattı . Amazon, moda bir
kelime olmadan önce büyük veriyi kullanıyor, çevrimiçi satın almaları izliyor
ve katalogluyordu ; bu veriler artık ürün önerileri , gelişmiş arama ve diğer
müşteri özellikleri sunan makine öğrenimi algoritmalarını beslemek için veri
olarak kullanılıyor . Büyük veri, Moore yasasının kaçınılmaz bir sonucudur:
bilgisayarlar daha güçlü hale geldikçe, makine öğrenimi gibi istatistiksel
teknikler daha iyi hale gelir ve tümü veriden ve onun analizinden yeni iş
modelleri ortaya çıkar. Şu anda veri bilimi (veya giderek daha fazla yapay
zeka) olarak adlandırdığımız şey, gerçekten eski bir alandır, Moore yasası
tarafından yeni kanatlar ve çoğunlukla web'in büyümesiyle kullanıma sunulan
devasa veri hacimleri verilmiştir.
Hükümetler
ve kar amacı gütmeyen kuruluşlar, trafik akışlarından şartlı tahliyeye uygun
mahkumlar arasında tekrar suç işlemeye kadar her şeyi tahmin etmek için büyük
verileri kullanarak hızla katıldı. Mayer-Schonberger ve Cukier, Columbia
Üniversitesi'nden büyük veri uzmanlarının, New York City'deki olası rögar
patlamalarının tahmini bir modelini oluşturmak için nasıl işe alındığını
anlatıyor. (Yalnızca Manhattan'da elli binden fazla kuyu var). Bu proje başarılı
oldu ve veri ölçeğini artırarak yeni içgörülerin ve yeteneklerin nasıl mümkün
kılındığının bir örneği olarak sunuldu. Ne de olsa işçiler, her gün on
binlerce ayrı rögar deliğini kontrol edemezler. Tıbbi kayıt işleme ve hükümet
aktüeryal çabalarından oy verme ve kanun yaptırımlarına kadar diğer alanlar da,
verilerin, yani büyük verilerin boyutu ve kalitesiyle yeni kavrayışların ve
yeteneklerin mümkün kılındığı iddiasını açıkça destekleyen örnekler sunuyor.
Büyük verilerin endüstri ve
diğer sektörlerdeki başarısı, yalnızca verilerin çıkarımsal gücü hakkında hızla
abartılı iddialara yol açtı. 2008'e gelindiğinde, Wired editörü Chris
Anderson'ın büyük verinin bilimde teorinin sonunu getirdiği yönündeki
provokasyonu, yutturmaca için yüksek bir su işaretiydi. 10 Bilim
adamları ve entelijansiyanın diğer üyeleri, bir veri kümesinin kendi kendini
düşünüp yorumlayamaması nedeniyle teorinin gerekli olduğuna hemen işaret
ettiler, ancak makale , bir veri tufanının baş döndürücü başarısının bir tür
kültürel ifadesi olarak durdu. Gerçekte, başlangıçta yapay zekada veri bilimi
ve makine öğrenimi için kullanılan bir yığın eski istatistiksel teknik
olduğundan, büyük verilerden ortaya çıkan aranan içgörüler yanlışlıkla veri
hacminin kendisine sabitlendi. Bu başından beri gülünç bir teklifti; veri
noktaları gerçeklerdir ve yine kendi başlarına anlayışlı olamazlar. Bu sadece
dikiz aynasında görülebilse de, ImageNet yarışmalarında görsel nesne tanıma
konusundaki erken dönem derin öğrenme başarıları, büyük verilerden ondan yararlanan
makine öğrenimi yöntemlerine -diğerlerinde- büyük veriden şevk aktarımının
başlangıcına işaret etti. kelimeler, AI'nın yeni patlayıcı alanına.
Böylece büyük veri zirveye
ulaştı ve şimdi göründüğü kadar hızlı bir şekilde popüler tartışmalardan uzaklaşıyor
gibi görünüyor. Derin öğrenmeye odaklanmak mantıklı çünkü Go'da insan
şampiyonları yenmekten, Atari oyunlarında ustalaşmaktan, araba kullanmaktan ve
diğer şeylerden yalnızca veriler değil algoritmalar sorumlu. Her neyse, makine
öğrenimi gibi veriye dayalı yaklaşımların tümü eğitim modelleri ve bunları test
etmek için büyük hacimli verilerden yararlandığından, büyük veriler modern
yapay zekada yeni bir yuva buldu. Yakın zamanda bir gözlemcinin belirttiği
gibi, büyük veri "Büyük Veri Yapay Zekası" haline geldi. 11
Büyük
veri için bu kadar. Ancak hâlâ çıkarım sorusuyla ve özellikle makine öğrenimi
gibi veriye dayalı yöntemlerin sığ, veriye dayalı simülasyon ile tümevarımdan daha güçlü
çıkarımsal güçler tarafından elde edilen gerçek bilgi arasındaki boşluğu nasıl
aşabileceği sorusuyla baş başa kalıyoruz. . Acil sorun, makine öğreniminin
doğası gereği veri odaklı olmasıdır. Bu noktayı yukarıda belirttim; bundan
sonra daha kesin bir şekilde yapacağım.
DENEYSEL
KISITLAMA
Veriye dayalı
yöntemler genellikle ampirik kısıtlama olarak adlandırabileceğimiz şeyden
muzdariptir. Bu kısıtlamayı anlamak için , özellik çıkarımı olarak bilinen,
makine öğreniminin bir teknik detayını daha devreye sokmalıyız . Belirli bir
sorunla uğraşan yapay zeka bilim insanları, genellikle öğrenme algoritmalarının
istenen çıktıya odaklanmasına yardımcı olan veri kümelerinde sözdizimsel
özellikleri veya kanıtları belirleyerek başlar. Özellik mühendisliği esasen
bir beceridir ve faydalı özellikleri belirleme becerisine (ve ayrıca algoritmadaki
parametreleri ayarlama yeteneğine, başarılı eğitimin bir başka adımına) sahip
mühendislere ve uzmanlara büyük paralar ödenir. Tanımlandıktan sonra,
özellikler eğitim, test ve üretim aşamalarında tamamen hesaplamalı olarak
çıkarılır. İşin püf noktası tamamen hesaplamaya dayalı kısıtlamadır. Derin
öğrenme sistemleri, örneğin Photo shop yazılımı kullanarak, farklı nesneler ve
arka planlarla dolu bir fotoğrafta tanımlanması istenen nesneye bir ok
çizebilseydik , zor görüntü tanıma görevlerinde çok daha iyi performans
gösterirdi. Ne yazık ki, insan tarafından sağlanan özellik bu şekilde
hazırlanmayan diğer fotoğraflara eklenemez, dolayısıyla özellik sözdizimsel
olarak çıkarılamaz ve bu nedenle işe yaramaz. Sorunun özü bu. Bu, makine
öğrenimi için faydalı özelliklerin her zaman verilerde olması gerektiği ve
sistem test edilirken veya kullanıma sunulduktan sonra makine tarafından
"doğada" istismar edilemeyecek hiçbir ipucunun insanlar tarafından
sağlanamayacağı anlamına gelir.
Özellik
çıkarımı, ilk olarak eğitim aşamasında ve ardından bir modelin eğitilmesinden
sonra üretim
aşaması olarak adlandırılan aşamada gerçekleştirilir. Eğitim aşamasında,
öğrenme algoritmasına girdi olarak etiketlenmiş veriler sağlanır. Örneğin, amaç
at resimlerini tanımaksa, girdi içinde at olan bir fotoğraf ve çıktı bir
etiket: at olur. Makine öğrenimi sistemi ("öğrenci") böylece
etiketlenmiş veya etiketlenmiş at resimlerini girdi-çıktı çiftleri olarak alır
ve öğrenme görevi, at etiketini yalnızca at resimlerinin alacağı şekilde görüntülerin
etiketlenmesini simüle etmektir. Eğitim, öğrenme, bir doğruluk gereksinimini
karşılayan (veya karşılamayan) bir girdi verilen bir atın olasılığını temsil
eden istatistiksel bir kod parçası olan bir model üretene kadar devam eder .
Bu noktada, öğrenen
tarafından üretilen model , daha önce görülmemiş yeni görüntüleri otomatik
olarak etiketlemek için kullanılır. Bu üretim aşamasıdır. Yanlış etiketlenmiş
at resimlerinin bir insan tarafından düzeltilebildiği ve yeniden eğitilmesi
için öğrenciye geri gönderilebildiği bir geri bildirim döngüsü genellikle
prodüksiyonun bir parçasıdır. Doğruluk iyileştirmeleri bir noktada azalsa da ,
bu süresiz olarak devam edebilir . Facebook'taki kullanıcı etkileşimi, geri
bildirim döngüsüne bir örnektir: Bir içeriğe tıkladığınızda veya bir fotoğrafı
arkadaş olarak etiketlediğinizde, verileri Facebook'un tıklamanızı sürekli
olarak analiz eden ve değiştiren derin öğrenmeye dayalı eğitim sistemine geri
gönderirsiniz. gelecekteki içeriği değiştirmeye veya kişiselleştirmeye devam
etmek için akış .
Ampirik kısıtlama, makine
öğrenimi için bir sorundur çünkü öğrenciye sağlamak isteyebileceğiniz tüm ek
bilgiler kullanılamaz. Öznitelik olarak piksel verilerine dayanan görüntü
tanıma görevlerinden farklı olarak, dili anlamadaki birçok sorun, eğitim ve modeller
kullanılırken sistemler tarafından çıkarılacak insan tanımlı özellikler gibi ek
işaretleme içerir.
Doğal
dil işlemede, kişi, organizasyon, ürün, konum ve tarih gibi bazı semantik
etiketler veya etiketlerin ilgili etiketlerde veya çıktılarda olduğu ve
girdinin serbest biçimli metin olduğu, varlık tanıma adlı basit bir sorunu ele
alalım. Facebook gönderileri. Bir şirket veya şahıs , örneğin Blue Box, Inc.
gibi belirli bir şirketten bahseden tüm gönderileri bilmek isteyebilir . "Blue Box, Inc."
anahtar kelime araması. yalnızca kelimelerle eşleşen, bağlama bağlı olarak
gönderilerdeki "Mavi Kutu" veya "mavi kutu" ve hatta
"kutu" gibi daha resmi olmayan referansları göz ardı edebilir.
Adlandırılmış varlık tanımanın amacı, büyük miktarlarda etiketlenmiş gönderilerde
makine öğrenimini kullanmaktır, böylece bu gayri resmi ifadeler de şirkete
referans olarak doğru bir şekilde tanımlanır. Bu nedenle, bir özellik
çıkarımına ihtiyaç vardır: Eğitim verileri için kullanılan gönderiler
koleksiyonunda Blue Box, Inc.'in tüm sözlerini etiketleyen ve "Blue Box,
Inc." etiketlemesi için bir model oluşturan sisteme gönderen bir insan. ”
üretim aşamasında bahseder.
Mavi Kutu sistemi
gönderilerdeki kelimelere ve aynı zamanda şirketlerden bahseden gönderilerdeki
kanıtlara dayanan özelliklere de dayanır. Yine, özellikler zorunlu olarak
sözdizimseldir, çünkü üretim aşamasında tamamen otomatik olarak çıkarılmaları
gerekir. Bu temel ampirik kısıtlamadır. Özellikler, büyük harf kontrolü gibi
ortografik olabilir veya "mavi" ve "kutu" kelimelerinin
sırayla geçip geçmediğini kontrol etmek gibi sözcüksel olabilir ve "Inc.
veya Incorporated ile biten" gibi bilgiler içerebilir. İsimler veya özel
isimler gibi konuşma bölümleriyle (daha sözdizimsel olarak algılanan özellikler)
etiketlemek için eğitim verilerinde bir konuşma bölümü etiketleyicisi
çalıştırılabilir. Diğer özellikler şüphesiz mümkündür. Yine kilit nokta,
başlangıçta insanlar tarafından tanımlanmış olan tüm özelliklerin daha sonra
tamamen hesaplamalı olarak çıkarılmasıdır - aksi halde sistem otonom üretim
aşamasında otomatik olarak çalışmayacaktır.
Sorun burada. Blue Box, Inc.
şirketinden bahsedildiğine dair bazı kanıtlar çıkarım gerektirecektir -
örneğin, zamirler veya diğer referanslar verilerde göründüğünde. Bu, öğrenme
görevini hemen karmaşıklaştırır . Bir Facebook gönderisini okursam ve birinin
Blue Box hakkında konuştuğunu fark edersem ve daha sonra örneğin "şirketin
kârı" hakkında yorum yaparken buna atıfta bulunursam, "şirketin"
açıklaması, adı geçen varlık tanıma sistemi için izin verilen bir özellik
değildir. . Bir ortak referans çözümleme alt sistemi bunu halletmelidir, bu da
bir hata oranı getirir; ortak referansın, adlandırılmış varlık tanımadan çok
daha zor bir problem olduğunu unutmayın. Daha da kötüsü, belki Bob'un hisse
senedi performansı tartışmasında Blue Box, Inc.'den bahsettiğini biliyoruz ,
ancak bunu analiz edilecek verilerde hiç bulamadığımız için, incelenecek bir
özellik yok. sistem tarafından algılanır. Bir kişi, başka bir şirketin, XYZ,
Inc.'in kurucusunun " mavi rengi sevdiğini ve basit ve akılda kalıcı bir
şey istediğini ve bu nedenle işletim sistemine 'Mavi Kutu' adını vermeye karar
verdiğini " anlatan bir anekdot anlatabilir . Ürün olarak firma değil
“Mavi Kutu” kullanılmaktadır ancak adı geçen varlık tanıma sistemi eğitim
sırasında bu bağlamsal bilgileri kullanamamaktadır. Neden? Çünkü o zaman onu
üretim sırasındaki girdisinden yalnızca söz dizimiyle çıkaramaz.
Ampirik kısıtlama, makine
öğreniminin ayrılmaz bir parçasıdır. Bu, eğitimde yalnızca verilerde otomatik
yöntemlerle keşfedilebilen tamamen sözdizimsel özelliklerin kullanılabileceği
anlamına gelir. Gerçekten akıllı sistem, yalnızca işlenmiş verilerden değil,
daha geniş anlamda özelliklere veya kanıtlara ihtiyaç duyar.
FREKANS
VARSAYIMI
Ampirik
kısıtlamaya ek olarak, makine öğrenimi yaklaşımları talihsiz bir frekans
varsayımına dayanır. Ampirik kısıtlama gibi , bu da tümevarımsal çıkarımın
sayımsal temelinin doğrudan bir sonucudur - gerçekten, yeniden ifade
edilmesidir. İronik bir şekilde, makine öğrenimi için büyük verinin değeri
aslında şu varsayımın bir ifadesidir: ne kadar çok olursa o kadar iyidir.
Makine öğrenimi sistemleri gelişmiş sayma makineleridir. Blue Box örneğine
devam etmek için, örneğin bazı Facebook gönderilerindeki geçerli sözcük veya
iki sözcük dizisinin IBM, Microsoft, Blue gibi şirket adlarını içeren bir
sözcükler sözlüğünde olup olmadığını kontrol ederek bir özellikler listesini
kodlayabiliriz. Box, vb. veya ardından Inc. veya LLC gelip gelmediğini veya bir
kısaltma olup olmadığını veya ilk harfi büyük mü yazıldığını veya özel bir isim
olup olmadığını kontrol edin. 12
Sıklık varsayımı devreye
giriyor çünkü genel olarak bu özellikteki isabetlerin sıklığı ne kadar
yüksekse, eğitim için o kadar yararlı oluyor. Veri biliminde bu gereklidir;
verilerdeki özellikler rastgeleyse hiçbir şey öğrenilemez (bununla ilgili daha
önceki tartışmayı hatırlayın). Ancak bir örüntü varsa, ampirik kısıtlamaya göre
önce verilerde olması gerekir; ve ikincisi, sonuç olarak, girdi ve çıktı
arasındaki ilişkinin gücünü belirlemenin tek yolu frekanstır. Başka ne
olabilir? Eğer her seferinde “Inc.” bir çift kelimeyi takip eder, eğitim verilerindeki
etiket şirkettir, öğrenci "Inc." istenen çıktının bir özelliği olarak
şirket. Binlerce örnekte fark edilemeyen örüntüler, milyonlarca örnekte
kristalleşir. Bu frekans varsayımıdır.
uygun
olmayan girişlerin tespit edildiği sözde anormallik tespitinde olduğu gibi,
frekans varsayımları tersine çevrilebilir . Bu sistemler de frekans
varsayımına dayanır ve bizim normallik varsayımı diyebileceğimiz şeyi kullanır.
Normal olaylar, anormal olayları daha belirgin hale getirir. Çalışanlar
tarafından yapılan binlerce veya milyonlarca uygun oturum açma örneği gruplandırılabilir veya
kümelenebilirse, kümenin dışında oturan garip olanlar dikkat çeker. O halde
yasa dışı veya uygunsuz girişimler olabilir. Yine makine öğrenimi, frekansları
analiz ederek neyin normal ve dolayısıyla neyin anormal olduğunu anlar.
çevrimiçi kişiselleştirilmiş
içerikteki "filtre baloncuklarını" da açıklar . Sağ eğilimli
siyaseti hor gören biri, sonunda yalnızca sol eğilimli görüşler ve diğer haber
içeriklerini alır. Bu sonucu kontrol eden derin öğrenmeye dayalı sistem,
aslında sadece zamanla sevdiğiniz haberlerin kalıplarını tanıyan bir model
eğitiyor. Tıklamalarınızı sayar ve size aynısından daha fazlasını vermeye
başlar. Aynı gözlemler, kişiselleştirilmiş arama ve öneri deneyimleri sunan
Netflix, Spotify, Amazon ve diğer web sitelerinden gelen öneriler için de
geçerlidir . Örnek sıklığı (veya örneklerdeki özellikler) ile makine öğrenimi
arasındaki bu bağlantı , özünde, tüm kuğuların beyaz olduğu çıkarımının kolaylaşmasıyla
aynı anlamda, çünkü daha fazla beyaz kuğu gözlemlendikçe daha fazla güven
kazanırsınız.
Kar fırtınası
hakkında yorum yapan birinin alaycı yorumu, bağlama duyarlı bir reklam
yerleştirme sistemi bunun yerine pille ısıtılan çoraplar için reklam sunmayı
denemelidir.
Sıklık varsayımı, örneğin
yukarıda bahsedilen metin sınıflandırma göreviyle birlikte, girdi tüm haber
makaleleri olduğunda daha da belirginleşir. Web'de hafif okuma olarak yaygın
olan "komik" ve "tuhaf" haberler, makine öğrenimi için bir
kabus, çünkü kelimelerin anlamı gerçek değil. Örneğin, bir makine öğrenimi
sistemi, teknik olarak suç teşkil eden veya yasalara aykırı referanslar içeren
"aptalca" olayları anlatan hikayeleri suç hikayelerinin gerçek
örnekleri olarak sınıflandırabilir. Neden olmasın? Tuhaf haberler, basit ,
bilgi sağlayan muadilinden daha az sıklıkta bulunur, bu nedenle eğitim
setlerinde daha az sıklıkta olacaktır - ve her halükarda, bunun neden tuhaf
olduğunu saptamak, ampirik kısıtlamalarla ilgili başka bir sorundur. Birisi
yazarın ne demek istediğini anladığında veya iletişim kurma eğiliminde
olduğunda, haberler aptalca veya alaycı olarak kabul edilir . Hikayedeki gerçek
kelimeler, eğitim verilerindeki sıklıklara göre siyaset, spor, suç vb. gibi iyi
tanımlanmış kategorilere işaret edebilir. Sözdizimini oluşturan parçalar -sözcükler-
çok daha geniş bir anlam penceresinde yorumlanmadıkça öykü sınıflandırılamaz
veya doğru anlaşılamaz . Bu endüktif olmayan yetenek olmadığında, bir makine
öğrenimi sistemi varsayılan olarak frekansları kullanır ve asıl noktayı
kaçırır. Burada, örneğin, bir zamanlar Yahoo! tarafından yayınlanan bir
Associated Press hikayesi var. Haberler :
Tacos'unuz Veya
Hayatınız!
Fontana,
Kaliforniya. Fontana'lı bir adamın silah zoruyla bir torba taco'su çalındıktan
sonra karnitaya olan açlık neredeyse bir miktar katliama yol açıyordu.
Decker,
zanlının yiyecek torbasını kaptığını, kurbanın yüzüne yumruk attığını ve
kaçmaya başladığını söyledi.
Kurban
takolarını geri istediğinde, şüpheli tabanca gibi görünen bir şeyi adama
doğrulttu ve kaçmadan önce onu öldürmekle tehdit etti.
Bir metin sınıflandırma
sistemi bunu kolayca bir suç hikayesi olarak tanımlayabilir: şüpheli , kurban
, kaçmak , tabanca . Yine de çoğu insan okuyucu için komik
bir hikaye olarak karşımıza çıkıyor - en azından onu tipik bir suç hikayesi
örneği olarak görmüyoruz. Suç teşkil eden eylemler, ciddi şekilde endişe verici
oldukları için bildirilir, ancak "Karnaval için açlık" gibi bir
açılış ifadesi. . ” AP'nin amacının hikayeyi mizahi olarak anlatmak olduğuna
işaret ediyor. İlkokul öğrencileri bile bu niyeti anlayacaktır, ancak AI
sistemleri makaleyi memnuniyetle Fontana, Cali fornia'dan başka bir suç
hikayesi olarak sınıflandıracaktır . Frekans mizahı öldürür. Haberlerde
kurbanların, tabancaların, silahların ve kaçan zanlıların yer aldığı hikayeleri
sayın. Onlar suç. Bu tür örnekler için sıklık varsayımıyla ilgili sorun, makine
öğrenimini kullanan bilinen hiçbir düzeltmenin mevcut olmamasıdır. Sözcükleri
sözdizimi olarak analiz eden ve sözcüklerin frekanslarını kategorilere kanıt
olarak sayan yaklaşım göz önüne alındığında, öykülerin anlamı kaybolur . Yol,
bunun gibi nispeten basit örneklerde bile, yapay genel zekaya giden bir çıkmazdır.
İşte birçok gazetede yer alan
başka bir AP haberi:
11 Yaşındaki
Erkek Çocuk, Saldırıyı Savuşturmak İçin Pit Bull'u Isırdı
Sao
Paulo, Brezilya - 11 yaşındaki bir çocuk, kendisine saldıran bir köpeğin
boynuna dişlerini geçirerek Brezilya medyasının ilgi odağı haline geldi.
Perşembe
günü yerel gazeteler, Gabriel Almeida'nın Belo Horizonte şehrinde amcasının
arka bahçesinde oynarken Tita adlı bir pitbulun üzerine atlayıp sol kolunu
ısırdığını bildirdi. Almeida köpeği boynundan tuttu ve ısırdı - o kadar sert
ısırdı ki köpek dişini kaybetti.
Almeida,
O Globo gazetesine şunları söylüyor: "Bir diş kaybetmek, bir insanın
hayatından daha iyidir."
Yakınlarda
çalışan taş ustaları, tekrar saldıramadan köpeği kovaladılar.
Elbette hikayenin ciddi bir
tarafı var ama kesinlikle sadece bir pitbul saldırısı hikayesi değil.
Brezilyalı bir çocukla bir köpeğin ısırma maçı hakkında da bir hikaye değil. Köpeği
ısırırken dişlerinden birini kaybetmesine rağmen çocuk ciddi şekilde
yaralanmadığına göre, hikayenin yayınlanmasının nedeninin Brezilya'daki bir
köpek saldırısını haber yapmak değil , sürprizin tuhaflığını veya aptallığını
vurgulamak olduğu açık. karşı atak. Beklenmedik içerik - oğlan köpeği ısırır -
hikayeyi haber yapan şeydir. Böyle bir durumda yapay zeka ve makine öğrenimi
hiç yardımcı olmuyor. Acıtırlar. Konuyu tamamen kaçırıyorlar. Yalnızca makine
öğrenimini kullanan sözde yapay genel zeka sistemleri, en iyi ihtimalle can
sıkıcı aptallar savantlar olacaktır.
MODEL
DOYGUNLUĞU
Makine öğrenimi
ve büyük veri, yapay genel zekaya ulaşma umutlarını alt üst eden, doygunluk
olarak bilinen başka bir sorundan muzdariptir . Doygunluk, bir öğrenme
algoritmasına (veya bir istatistiksel tekniğe) daha fazla veri (daha fazla
örnek) eklendiğinde, sistemlerin performansına hiçbir şey eklemediğinde ortaya
çıkar. Eğitim, bazı problemlerde daha yüksek ve daha yüksek doğrulukla sonsuza
kadar devam edemez. Sonunda, daha fazla veri eklemek performansı artırmayı
bırakır. Başarılı sistemler, doygunluktan önce kabul edilebilir bir doğruluğa
ulaşır; yapmazlarsa, sorun makine öğrenimi kullanılarak çözülemez. Doymuş bir
model nihaidir ve daha fazla veri ekleyerek daha fazla gelişmeyecektir.
Sebepler burada açıklanamayacak kadar teknik olsa da, bazı durumlarda daha da
kötüleşebilir.
Model doygunluğu, özellikle güncel
problemlerin çoğu hazırlanan verilerdeki artışlardan yararlanmaya devam
ettiğinden, nadiren tartışılır. Ancak araştırmacılar, doygunluğun kaçınılmaz
olduğunu ve sonunda makine öğrenimi sistemlerinin performansını sınırladığını
biliyor. Google'ın Araştırma Direktörü Peter Norvig, 2013'te The Atlantic'te
doygunlukla ilgili endişelerini aktardı: "Şu eğriyi çizebiliriz: daha
fazla veri kazandıkça, sistemimiz ne kadar iyi hale geliyor?" O sordu.
"Ve işin kötü yanı, hâlâ gelişiyor ama geçmişte olduğundan daha az fayda
elde ettiğimiz bir noktaya geliyoruz." 13
Bu
yazı itibariyle, Norvig'in uyarıcı yorumları yedi yaşında. ImageNet yarışmaları
muhtemelen daha fazla veri kullanamaz; en iyi sistemler artık yüzde 98 oranında
doğrudur (bir sistemin ilk beş tahmininde bir hedef etiket almanın standart
test ölçüsü kullanılarak). Ancak bir zamanlar eli kulağında olduğu düşünülen
sürücüsüz arabaların hâlâ yoğun bir araştırma aşamasında olduğu ve sorunun bir
kısmının, hacim olarak yetersiz olmayan ancak uzun süre işlemek için yetersiz
olan etiketli video beslemelerinden elde edilen eğitim verileri olduğuna şüphe
yok. Yine de güvenlik için hesaba katılması gereken atipik sürüş senaryolarıyla
ilgili kuyruk sorunları . Norvig'in tahmin ettiği gibi modeller doygun. Hiç şüphesiz yeni yaklaşımlar
gerekli olacaktır. Bu tür düşünceler, başlangıçtaki başarılardan tam anlamıyla
gelişmiş olanlara ölçeklendirme denen şeyin saf ve basit olmasının bir
nedenidir. Sistemler sonsuza kadar ölçeklenmez. Makine öğrenimi, yani derin
öğrenme sihirli değnek değildir.
1950'de yazan Turing, bilgisayar
sistemlerinin bilmediklerini öğrenmek için yapılabileceğini umuyordu. Basit
sinir ağlarının mümkün olduğu zaten bilinmesine rağmen, makine öğrenimi o
zamanlar bir yapay zeka terimi değildi. Ancak Turing'in aklında, daha çok
insanınkine benzeyen genişletilmiş bir öğrenme kavramı vardı. Makineler ihtiyaç
duydukları tüm bilgilerle programlanamazdı; bazı öğrenmelerin gerçekleşmesi
gerekiyordu. İndüksiyonla olabileceğini düşündü. Bazı önermeler, diye düşündü,
"'otorite tarafından verilebilir', ancak diğerleri, örneğin bilimsel
tümevarım yoluyla, makinenin kendisi tarafından üretilebilir." Yüzyılın
ortalarında, resmi sistemlerin dışında yatan gerekli içgörülerle ilgili
endişeleri bırakmıştı. Ya da daha doğrusu, yeni bilgisayar makinelerinde bir
yuva bulabileceklerini umuyordu .
Yine de bilim adamlarının
kendileri "bilimsel tümevarımı" Turing'in kastettiği anlamda
kullanmazlar. Tahminler yaparlar, sonra test ederler, sonra daha çok tahmin
yaparlar. Turing, Peirce'in mantıksal çıkarım konusundaki çalışmasından hiç
bahsetmedi. Görünüşe göre, Peirce'in anladığı anlamda kaçırma çıkarımına
ilişkin hiçbir somut bilgiye sahip değildi.
Hâlâ
öğrenme makinelerini arıyoruz.
Tahmin
Olarak Çıkarımın Kökeni
Charles Sanders
Peirce, ABD Sahil Araştırması için önemli bir bilimsel problem üzerinde
çalışıyordu. Peirce sarkaçları salladı. Hassas sarkaçlar. Sahil Araştırması,
gravimetri biliminin bir parçası olan Dünya'nın yer çekimindeki değişimleri
ölçmek için onları kullandı. 19. yüzyılda hâlâ gelişmekte olan bir disiplin
olan jeodezinin bir alanı olan gravimetri , gezegenimizin şekli ve boyutunun
incelenmesine yardımcı olur. Yeni fis binalarının temellerini atmaktan savaşa
kadar her şey için Dünya'nın topografyasının kesin ölçümlerine ihtiyaç vardı .
Bu Peirce'in işiydi.
Gravimetrik ayrıca kesin
zaman ölçümleri gerektirir. Tesadüf eseri, 1879 yazında, Peirce kendini, sarkaç
çalışmasında kullanmak üzere pahalı bir saate sahip olarak, New York'a gitmek
üzere Boston'dan ayrılan bir kıyı vapurunda buldu. Kendisi seçmişti ve o
zamanlar için çok büyük bir meblağ olan 350 dolara mal olmuştu. Anket faturayı
ödemişti. Sabah, sahip olduğu diğer şeylerle birlikte gitmişti.
dünyanın
her yerinde, Anket onu yerçekimi ölçümleri yapması için nereye gönderirse
göndersin, pahalı ekipmanları kaybetmesi ve yanlış yere koymasıyla ünlüydü . Saatin
çalınması, onunla ABD hükümeti arasında derece derece sürtüşmeye neden olan bir
kalıba uyuyordu. Saatin çalınması ve Peirce'in onu kurtarmak için yaptığı dedektiflik
çalışması bu nedenle onun için büyük ve kişisel önem taşıyordu. Şaşırtıcı
olmayan bir şekilde, daha sonra bunun bir çıkarım dersi olduğunu düşündü.
Hikayeyi anlatırken işte
böyle oldu. Peirce, geminin sabah New York limanına vardıktan sonra, şehirdeki
bir konferansa katılmak için taksiyle ayrıldığını hatırladı. Oraya vardığında,
zarif altın zincirli saati ve iyi paltosunu geride bıraktığını fark etti ve
onları almak için geri koştu. Kaldığı kamaraya döndüğünde ikisi de gitmişti ve
kaptan tarafından onun için tutulmuyorlardı. Açıkça hırsızlıktı ve geminin
görevlilerinden biri tarafından yapılmış olması gerekiyordu.
Kaptanın yardımıyla Peirce, geminin
güvertesindeki tüm görevlileri bir araya getirmeyi başardı; onlarla
şakalaşırken ve birer birer yüzlerine bakarken sıraya dizildiler. Açık bir
suçluluk belirtisi bulma umudu hayal kırıklığına uğradı: "En ufak bir
ışık parıltısı bile yaşamadım," diye itiraf etti kendi kendine. Yine de
uzaklaşmaya başlarken şöyle düşündü: "Ama parmağını adamın üzerine
koymalısın . Sebebiniz olmasa da, kimin hırsız olduğunu düşündüğünüzü
söylemelisiniz.”
Peirce tekrar gruba bakmak
için geri döndü ve aniden "tüm şüphe gölgesi kayboldu." 1 Ne
olmuştu? "Tahmin" çıkarımlarının -kaçırılma- ayrıntılarını
hesaplıyordu. İşte bir tahmindi. Gerçek hayattan bir örnek - eğer gerçekten
haklıysa. Peirce, suçlu olarak parmakladığı adama döndü ve onu kabinin dışına
çağırdıktan sonra, ona bir anlaşma teklif etti: kayıp eşyaları iade etmek için
elli dolar.
"Şimdi," dedi,
"hak edeceksen o fatura senindir. Elimden geliyorsa, saatimi kimin
çaldığını öğrenmek istemiyorum; çünkü öyle yapsaydım onu Sing Sing'e [New York
hapishanesine] göndermek zorunda kalırdım, bu da bana elli dolardan fazlaya mal
olurdu; ayrıca kendini dürüst insanlardan çok daha zeki sanan zavallı aptal
için içtenlikle üzülmeliyim. 2
Görünüşe göre sanık, kaçırma
çıkarımı hakkında pek bir şey bilmiyordu ya da belki de Peirce'in blöfünü
yaptığını düşündü. "Neden," dedi, "elli doları çok iyi kazanmak
isterim; ama görüyorsun ki ben gerçekten senin işlerin hakkında hiçbir şey
bilmiyorum. Yani yapamam.” 3
Peirce zorla itirafta
bulunamayınca Pinkerton's dedektiflik bürosuna ("korkunç" bir yer)
koşturdu. New York ofisi başkanı George Bangs ile tanıştı ve saati yaklaşık
elli dolar verecek olan bir tefeciye götüreceğinden emin olduğu için adamın
takip edilmesini istediğini söyledi. Bangs, şüphelilerin peşine düşmek için
olağan kuralları ve bilinen yöntemleri kullanmayı tercih ederek Peirce'in
varsayımlarını reddetti. Görevlileri kontrol etmesi için bir dedektif gönderdi
ve bir başkasının yankesicilik ve diğer küçük suçlar da dahil olmak üzere
sabıka kaydı olduğu ortaya çıktı; bu daha muhtemel hırsızdı. Yine de dedektifin
o adamı gözetlemesinden hiçbir şey çıkmadı. Asıl zanlısının bir tefeciye
gideceğine hala ikna olan Peirce, şimdi mal varlığının geri alınmasına yol
açacak bilgiler için oldukça büyük bir ödül olan 150 dolar teklif etmek için
Bangs'in tavsiyesine uydu.
Bir gün içinde verdiği ilan
etkisini gösterdi; bir tefeci saatle öne çıktı. Ve Peirce, komisyoncunun onu
satan adamla ilgili hatırasını duyduğunda, onayını aldı - bu, suçladığı
kâhyanın mükemmel bir tanımıydı.
Peirce daha sonra bir adres
aldı (Bangs eğlenmiş olmalı) ve habersiz bir şekilde adamın dairesine geldi;
iki kadın onu kapıda karşıladı ve hemen polis çağırmakla tehdit etti. Peirce
aldırış etmedi ve gördüğü büyük bir tahta kütüğe doğru ilerledi. Sandığın
dibinde, pusulası ve pusulası takılı altın saat zincirini buldu.
Peirce, belki Dupin'i
kanalize etti; tahmin ettiğine yemin etti. Bay Bangs omuz silkti.
Peirce, "Tahmin
Etme" öyküsünü anlattığı makalesini, ilk bakışta şüpheli görünebilecek bir
sözle bitiriyor: "Sanırım hemen hemen herkes benzer deneyimler
yaşadı." 4
Tahmin ediyoruz.
Tahminlerimiz - çıkarımlarımız - asla kesin değildir. Ama gizem şu: neden
önsezilerimiz, tahminlerimiz gerçeğe gelişigüzel saplamaktan başka bir şey
değil?
"Tahmin Etme"nin
başında Peirce, "Galileo ve diğer bilim ustalarının" bu kadar az
yanlış tahminden sonra yaptıkları doğru teorilere nasıl ulaştıklarını sorar.
Bilim adamları ve geri kalanımız, bildiklerimizden ve gözlemlediklerimizden
açıklamalar çıkarırız. Bu çıkarımları gözlem akışımıza, gerçeklere dahil etmek
istiyoruz. Ancak çıkarsadığımız şeylerin çoğu, saf gözlem çerçevesinin
dışındadır. Bağlamsal bilgi , yaptığımız hemen hemen her çıkarımı kapsar.
Peirce'in öyküsünü desteklemek için Galileo'yu kullanması bu nedenle
yerindedir: bilimsel keşif genellikle bilinen yöntemleri titizlikle takip
etmeye atfedilir, ancak bu gerçekten doğru değildir. Gizemi yöntemin arkasına
saklıyoruz. Galileo da tıpkı vapurdaki Peirce gibi tahminde bulundu. Her iki
durumda da, sonraki soruşturma , tahminin bir şekilde doğru olduğunu kanıtladı.
Peirce tahmin etmeyi bir
içgüdüye, "en az bir milyar" olası hipotez arasından doğru görüneni
seçmeye benzetiyordu. Holmes, Watson'la tanışır ve ona, bronzlaştığını ve
topalladığını gördüğü için savaştan yeni dönüp dönmediğini sorar. Afganistan'daki
savaştan yeni çıkmış bir askeri doktor , diye düşündü. Sadece bir tahmin?
Hayır - bir çıkarım.
Düzenliliklerden
ziyade belirli olguları -bir saatin çalınması gibi- anlamaya çalıştığımızda,
kaçınılmaz olarak bir tür sihirbazlığa, olguyu açıklayabilecek bir hipotezin
seçilmesine ya da icat edilmesine zorlanırız. Tümevarım, gerçeklerden bize
(asla kesin olmayan) düzenlilik bilgisi veren genellemelere doğru hareket eder.
Ancak kaçırma , belirli bir olgunun gözlemlenmesinden onu açıklayan bir kurala
veya hipoteze doğru hareket eder. Peirce'in örneğinde, hırsızlık olayından
hırsızın sebebine kadar, kaçırma, olaylardan sebeplerine kadar muhakeme ile
yakından bağlantılıdır . Sherlock Holmes, bu tür akıl yürütmeyi "sağduyudan başka
bir şey değil" olarak adlandırdı ve büyük ölçüde haklı. Ancak sağduyunun
kendisi tam da tümdengelim veya tümevarım gibi mantıksal çerçevelere uymadığı
için gizemlidir. Kaçırma , günlük muhakemelerimizin çoğunun, gerçekleri
(verileri) bir şeyleri anlamlandırmamıza yardımcı olacak ipuçları olarak
gördüğümüz bir tür dedektiflik işi olduğu görüşünü yakalar . Peirce'e göre,
mekanikle değil, daha çok başka bir açıklama olmadığı için içgüdü dediği bir
zihin işlemiyle açıklanabilecek varsayımda bulunma konusunda olağanüstü iyiyiz.
Etkili bir şekilde sonsuz olasılıkların olduğu bir arka plandan, hangi
hipotezlerin olası veya makul göründüğünü tahmin ediyoruz.
Bir zeka oluştururken bunu
hesaba katmalıyız çünkü bu, herhangi bir akıllı düşüncenin başlangıç
noktasıdır. Önceden bir kaçırma adımı olmadan, tümevarımlar kördür ve
tümdengelimler de eşit derecede yararsızdır.
Tümevarım, ilk adım olarak
kaçırmayı gerektirir, çünkü filozofların duyu-verisi dediği şeyi - yorumlanmamış
ham deneyim - anlamlandırmak için bazı çerçeveleri gözleme getirmemiz gerekir.
Kuğu gözlemlerinden Tüm kuğular beyazdır şeklindeki genel bir önermeye
vardığımız basit tümevarımda bile, bilginin edinilmesine minimal bir kavramsal
çerçeve veya teori rehberlik eder . Aynı tümevarım stratejisiyle tüm kuğuların
gagaları olduğu sonucuna varabiliriz, ancak tümevarım daha az güçlü olacaktır
çünkü tüm kuşların gagaları vardır ve kuğular kuşların küçük bir alt kümesidir.
Ön bilgiler hipotez oluşturmak için kullanılır. Sezgi, matematikçilere ilginç
problemler sağlar.
DeepMind
geliştiricileri, prestijli Nature dergisinde çok okunan bir makalede Go'nun
"insan bilgisi olmadan" ustalaştığını iddia ettiklerinde, mekanik
veya başka türlü çıkarımın doğasını yanlış anladılar. Makale, Marcus ve
Davis'in dediği gibi, açıkça "davayı abartıyordu". 5 Aslında,
DeepMind'in bilim adamları, Go oyununun zengin bir modelini AlphaGo'da
tasarladılar ve oyunun çeşitli yönlerini çözmek için en iyi algoritmaları bulma
zahmetine girdiler - tüm bunlar sistem daha önce gerçek bir rekabette oynamadan
önce. Marcus ve Davis'in açıkladığı gibi, "Sistem, insan araştırmacıların
son birkaç on yılda makinelerin Go gibi oyunları nasıl oynayacağına dair
keşfettiği şeylere, özellikle de Monte C arlo Ağaç Arama'ya dayanıyordu. . .
derin öğrenmeyle hiçbir ilgisi olmayan farklı oyun olasılıkları ağacından
rastgele örnekleme . DeepMind ayrıca ([Atari sisteminin] aksine) yerleşik
kurallar ve oyunla ilgili diğer bazı ayrıntılı bilgiler. İnsan bilgisinin dahil
olmadığı iddiası , olgusal olarak doğru değildi.” 6 Bunu daha kısa
ve öz bir şekilde ifade etmenin bir yolu, DeepMind ekibinin , görevini
başarılı bir şekilde yerine getirmek için sistemi tasarlamak üzere insan
çıkarımlarını - yani kaçırımsal olanları - kullanmasıdır. Bu çıkarımlar ,
tümevarımsal çerçevenin dışından sağlandı .
SÜRPRİZ!
Peirce,
kaçırmanın kökenini sürprize bir tepki olarak anladı:
Şaşırtıcı gerçek,
C gözlenir.
Ama A doğru
olsaydı, C de doğal olurdu.
A'nın doğru olduğundan şüphelenmek için
sebep vardır . 7
Sürprizler, indüksiyon için
uzun bela kuyruğunda. Kaçırma çıkarımları , tümevarım gibi genellemeler veya
yasalar değil, belirli olguların ( A ) açıklamalarını arar. C de
özeldir - şaşırtıcı bir gerçek. Yani kaçırma hiç de bir genelleme değil.
Belirli
gözlemlerden belirli açıklamalara yapılan çıkarımlar, normal zekanın bir
parçasıdır. Bir barista olan Kate, Cuma günü değil de Perşembe günü
Starbucks'ta çalışıyorsa, önceki deneyimlerinden derlenen bilgilere sahip bir
bilgisayar onu Cuma günü beklemeyebilir, ancak sonuçta Cuma günü çalışıyorsa uzun
bir kuyruk sorunuyla karşı karşıya kalacaktır. . Fazladan çalışıyor olabilir
veya o gün hasta olan birini korumak için çağrılmış olabilir. Ve perşembe günü
hasta olduğu, başka bir mağazaya nakledildiği veya işi bıraktığı için
çalışamayabilir. Bunların hepsi, görünüşünü veya başka türlü açıklayabilecek
özel (şaşırtıcı) gerçeklerdir. Genellemelere veya beklentilere dayanmayan
sağduyulu çıkarımlardır. (Bu arada, cezai soruşturmalar her zaman şaşırtıcı
gerçeklerle başlar. Tümevarım bize çoğu suçu genç erkeklerin işlediğini
söyleyebilir, ancak araştırmacının yine de özellikle bu suçtan kimin sorumlu
olduğunu bilmesi gerekir - ve suçlunun genç ya da genç olması gerekmez. erkek ,
hatta Morgue Sokağı'nda gördüğümüz gibi insan.)
t zamanında bir kaçırmanın yanlış
olduğu t + 1 zamanında kanıtlanabilir.
sonraki gözlem veya öğrenme (örneğin, bir kitap okuyarak).
Varsayımsal çıkarım, akıllı
sistemlerin bir hatası değil, bir özelliğidir. Robot Rosie, Kate'in bir iş
arkadaşı bu bilgiyi sağladığı için Starbucks'tan ayrıldığına inanabilir, ancak
Kate on dakika sonra işe geldiğinde ve iş arkadaşı gülümsediğinde, Robot Rosie
çıkarımını geri almalıdır. Gördüklerimiz (ya da hakkında okuduklarımız) için ne
kadar çabuk makul nedenler varsaydığımızı ve ayrıca bu tür varsayımları ne
kadar çabuk bir kenara bıraktığımızı ya da güncellediğimizi hemen hemen fark
etmiyoruz. Gündelik dünya, beklentiler zeminine karşı görünüşte şaşırtıcı
gerçeklerin sürekli akışıdır. Dünyanın çoğu yerinde, tıpkı bir trafik ışığı
gibi, sürekli bir sürpriz değildir; ancak o zaman, trafik ışıkları da bozulur.
Bir
gözlemin anlamı da kaçırmayla birlikte kavramsal bir değişime uğrar. Tümevarım
gözlemi analiz edilebilecek gerçekler (veriler) olarak ele alırken, kaçırma
gözlemlenen bir olguyu dünyanın bir özelliğine işaret eden bir işaret olarak
görür. İşaretler, ipuçları olarak düşünülebilir, çünkü en başından , gözlemci
için önemli olan belirli bir soruna veya soruya işaret etmeye veya bu soruna
ışık tutmaya yardımcı olabilecek bir olasılıklar ağına gömülü olarak
anlaşılırlar. Suç çözme gibi zengin kültürel bağlamlarda ipuçları gereklidir çünkü
analiz edilecek çok fazla gerçek vardır ve bunlardan yalnızca birkaçı konuyla
ilgilidir. Aslında, dedektiflik işinde bilinen yöntemleri kullanmanın temel
sorunu, zor veya görünüşte çözümsüz suçların düzenliliklere uymaması ve
gerçeklerin birikiminin hiçbir yere işaret etmemesidir. Akıllı dedektifler
ipuçları arar.
Avcılar da öyle. Avcılar
yalnızca zeki gözlemciler olmakla kalmaz, belirli türden şeyleri gözlemlerler.
Toynak izleri, pislikler, saç tutamları, kırık dallar ve kokular avın yerini
gösteren ipuçlarıdır. Bir suç mahallindeki dedektifler gibi, avcılar da yakın
tarihli bir eylemin kanıtını kasıtlı olarak ararlar; geçmişten gelen sonuçları
gözlemlerler.
Belki de mantıksız olarak,
ipuçları benzersiz sayılmaz. Bilinmeyen bir kokuyla karşılaşan bir avcı , bunun
belki de ilginç ama tamamen benzersiz olmayan bir şeye işaret ettiğini
varsayacaktır, çünkü tamamen benzersiz olsaydı koku bir ipucu işlevi göremezdi.
Bilinmeyen bir kokunun daha önce keşfedilmemiş bir türe veya dünya dışı bir
varlığa ait olabileceğini düşünen bir avcı, av bulma konusundaki çıkarlarını
ilerletmeyecektir.
Bu nedenle avcı, kendi özel amaçlarına
uyan bir varsayımla ilgilenir. Belki de koku, çiftleşme mevsiminde bir hayvan
tarafından üretildiği için benzersizdir. Dolayısıyla koku, çiftleşme mevsimi
olduğu için hayvandaki değişikliklerden kaynaklandığı varsayımıyla
açıklanabilecek şaşırtıcı bir gerçektir. Çiftleşme mevsiminde tanıdık bir
hayvan farklı kokular yayar. Avcının bu fenomenle ilgili önceden bir deneyimi
olmadığını (dolayısıyla kaçırma çıkarımının ) olduğunu, ancak hedefi
ilerletmeyen mantıksal olasılıkları dışlayan bir çerçeve içinde akıl
yürüttüğünü unutmayın. Bu tür varsayımların şaşırtıcı bir şekilde doğru olma
olasılığı yüksektir - Peirce'in bu kadar çok zekice düşüncenin özündeki "tahmin
etme içgüdüsü" konusunda kafasının karışmasının nedeni de budur.
Şu sözlerini
hatırlayın: “Bu güzel bahar sabahı penceremden dışarı baktığımda açmış bir
açelya görüyorum. Hayır hayır! Bunu görmüyorum; gerçi gördüklerimi ancak böyle
tarif edebilirim. Bu bir önerme, bir cümle, bir olgudur; ama algıladığım şey
önerme, cümle, olgu değil, yalnızca bir olgu bildirimi aracılığıyla kısmen
anlaşılır kıldığım bir imgedir . Bu ifade soyuttur; ama benim gördüğüm somut.”
8
Peirce'in, kaçırma
çıkarımının son derece önemsiz görünen görsel algısal yetenekleri desteklediği
konusundaki ısrarı, ImageNet yarışmalarındaki kontrolden çıkmış başarılarda
olduğu gibi, görsel nesne tanıma görevlerinde evrişimli sinir ağları (derin
öğrenme) kullanan son başarılarla çelişiyor gibi görünebilir . Yine de, bu tür
görünüşteki başarılar aslında Peirce'in görüşünü kanıtlıyor, çünkü araştırma
topluluğu (kredisine göre) , yalnızca temel çıkarım sorularına değil, aynı
zamanda güven ve güvenilirlikle ilgili endişelere de değinen büyüyen bir
literatürde bu sistemlerin kırılganlığına hızla işaret etti. yanı sıra kötüye
kullanım potansiyeli. Bilgisayar bilimcisi Melanie Mitchell'in işaret ettiği
gibi, kazanan derin öğrenme sistemlerini bile kandırmak gülünç derecede kolay. 9
Örneğin, 2012 yarışmasında
sahayı alt üst eden sistem AlexNet, bir okul otobüsü, peygamber devesi,
tapınak ve shih tzu görüntülerinin devekuşu olduğu sonucuna varmak için büyük
bir güvenle kandırılabilir. 10 Araştırmacılar, bu düşmanca örnekler
olarak adlandırıyorlar ve görüntülerdeki birkaç pikseli stratejik olarak
değiştirerek başarılıyorlar - o kadar az ki, değişiklikler insan gözü
tarafından hiç fark edilmiyor. Görüntüler hala insanlara tam olarak
orijinallerine benziyor.
Sözde
rakip saldırılar da AlexNet'e özgü değildir. Görüntü tanımada etkileyici
performans gösteren derin öğrenme sistemleri aslında ne algıladıklarını
anlamazlar. Bu nedenle, yaklaşımın kırılganlığını ortaya çıkarmak kolaydır.
Diğer deneyler, insanlar tarafından kolayca göz ardı edilen ancak derin
öğrenme sistemleri için sorunlu olan arka plan nesnelerini dahil ederek
performansı büyük ölçüde düşürdü . Diğer deneylerde, TV'lerde tuz-biber statik
gibi görünen görüntüler - rastgele siyah beyaz piksel toplulukları - onları
armadillo, çita veya kırkayak resimleri olarak sınıflandırabilen derin öğrenme
sistemlerini aptal yerine koyar. Modern AI ilerledikçe, bu bariz eksiklikler
aslında görsel algıyı bile mümkün kılan bilgi ve bağlamın derinliğini
kanıtlıyor. Başka bir deyişle Peirce, güzel bir bahar sabahında açelya görmek
ya da başka bir şey görmek konusunda haklıydı: "Gördüğüm her şeyi bir
cümleyle ifade ettiğimde [çok fazla şey yaptığımda] bir kaçırma
gerçekleştiririm. Gerçek şu ki, bilgimizin tüm dokusu, tümevarımla doğrulanan
ve rafine edilen saf hipotezin keçeleşmiş bir hissidir. Her adımda bir kaçırma
yapmadan, boş bakışma aşamasının ötesinde bilgide en küçük bir ilerleme
kaydedilemez. 11
O halde zekanın kaynağı,
varsayımsal veya kaçırmaktır ve en önemlisi, gerçekleri veya verileri
görüntülemek için güçlü bir kavramsal çerçeveye sahip olmaktır. Peirce, zeki
bir etmen (kişi veya makine) bir varsayım oluşturduğunda, tümdengelim ve
tümevarım gibi aşağı yönlü çıkarımın varsayımın (tümdengelim) sonuçlarını netleştirdiğini
ve onu deneyime karşı test etmek için bir araç (tümevarım) sağladığını açıklar
. Farklı mantıklar birbirine uyar: “Tümdengelim, bir şeyin olması gerektiğini
kanıtlar; Tümevarım, bir şeyin gerçekten işler durumda olduğunu gösterir ;
Kaçırma sadece bir şeyin olabileceğini ima eder. 12 Yine de , gerçek
dünya ortamlarında düşünmeyi ateşleyen , olabilir - kaçırılmadır.
Kaçırmanın
yenilebilir doğası, onun sadece avlanma ya da dedektiflik işlerinde değil,
doğal dil anlayışındaki merkezi önemini açıklamaya yardımcı olur. Günlük dilde
söylenenlere ilişkin anlayışımız sürekli olarak güncellenmeye ve gözden
geçirilmeye tabidir. Şu İngilizce parçasını ele alalım: Raymond pencerede
bir köpek yavrusu gördü. O istedi. Zamir muhtemelen köpek yavrusu anlamına
gelir (dilbilimciler buna pronominal anafora veya geri uzanma örneği derler).
İki cümle "birdenbire" bir bağlamda ve Raymond hakkında daha fazla
bilgiye sahip değiliz, ancak sağduyu bize insanların pencereden çok yavru köpek
istediğini ve genellikle pencerelerden nesnelere baktığımızı hatırlatıyor.
bizim için biraz ilgi çekici olabilir. Ancak köpek yavrusu anlamına geldiği çıkarımı kesin
değildir. Bağlam ekleyerek örneği değiştirin ve bu çıkarım yanlıştır: Raymond
penceresini kırdı. Yenisini almak için alışverişe çıktı. Doğru kişiyi
bulduğunda anlayacağını söyledi kendi kendine. Güzel bir fırtına penceresi
satıştaydı. Raymond pencerede bir köpek yavrusu gördü. O istedi. Onun için
doğru pencere buydu.
Örnek uydurma
olabilir ama bunda yanlış bir şey yok. Raymond, görünüşte sıradan satın alımlar
üzerinde kafa karıştıran türden bir adam olabilir. Bir köpek yavrusu
görünümünü, belki de bazı batıl inançlardan dolayı, belirli bir pencereye sahip
olması gerektiğinin bir işareti olarak almaya eğilimli olabilir. Mesele şu ki,
zamiri bir işaret olarak görürsek, bağlam değiştikçe farklı isimleri
işaret edebilir veya onlara atıfta bulunabilir. Bugüne kadar AI'daki mevcut tüm
stratejiler, bu tür örnekleri yeterince hesaba katamadı.
Araştırmacılar
tümdengelim işlemini "tekdüze çıkarım" olarak adlandırıyor çünkü sonuçlar
kalıcıdır; bir yapay zeka sistemi bir sonuca vardığında, sonuç otomatik olarak
sistemin bilgi deposuna eklenir. Yine de dil anlayışı tekdüze değildir (geri
alınabilir çıkarım gerektirir ). Ardışık cümlelerden gelen yeni bilgiler, ilk
yorumlardaki değişiklikleri zorlayabilir: Raymond tam o anda bunun kendisine
açılan pencere olduğunu anladı . Bir anlatının ana fikrini anlamak için,
her yeni cümlenin öncekilerin yorumlanmasını nasıl etkilediğini anlamamız
gerekir . Bu, her şeyden önce varsayımsal olan ve en başından revizyona tabi
olan kaçırmanın içine yerleştirilmiştir.
Klasik yapay zekada (web'den önce yapay zeka), araştırmacılar çıkarımı
geçersiz kılmak için genişletmenin farklı yollarını denediler. Şimdiye kadar en
yaygın yaklaşım, kesintiyi genişletmeyi içeriyordu. Sözde tekdüze olmayan
muhakeme üzerindeki çalışmalar 1980'lerde ve 1990'larda zirveye ulaştı, ancak o
zamandan beri büyük ölçüde terk edildi, çünkü büyük ölçüde dili anlamak için
daha esnek hale getirmek için tümdengelim uzantıları yalnızca yararlı olmayan
"oyuncak" örnekler üzerinde çalışıyor. gerçek dünyada. Klasik bir
örnek şu şekilde akıl yürütmedir: "Eğer x bir kuşsa, x uçabilir.
X aslında bir kuştur. Böylece uçabilir. Beklemek! Bu bir penguen.
Penguenler uçamaz. Bu nedenle, x uçamaz (sonuçta).” Bunun gibi
muhakemelere izin veren feshedilebilir muhakeme sistemleri vardır , ancak genel
durumda inatçı oldukları (yani hesaplama açısından mümkün olmadığı) ve haber makalelerinde bulunan
sıradan dili yorumlamak için gereken karmaşık çıkarımları kaldıracak şekilde
ölçeklendirilmedikleri bilinmektedir . Monoton olmayan çıkarım sistemleri,
yalnızca laboratuvardaki uydurma senaryolar üzerinde çalışır.
Bu tür sistemler
ölçeklenebilse bile, tümdengelimle ilgili temel sorun, onun gerçeği koruyan
kısıtlamasıdır - her şey kesin olmalıdır. Çıkarımları daha sonra değiştirebilir
veya reddedebiliriz, ancak her şeyden önce tümdengelim kullanarak zaman
kaybediyoruz.
Yapay zekadaki tümdengelimini
uygulanabilir kılmak için genişletmeye çalışan aynı araştırmacıların çoğu ,
1980'lerde ve 1990'larda, özellikle de kaçırma mantığı programlama (ALP) ile
kaçırmaya yönelik tümdengelim temelli yaklaşımlar üzerinde çalıştılar . Teknik
ayrıntılara girmeden, bir ALP çıkarımı, bir mantıksal teori T'den (bilgi
tabanı) koşullu bir E ^
Q'nun
gerçeğine bir gerekliliktir (gerçeği koruyan tümdengelimli bir çıkarım), burada E , Q'nun bir
açıklamasıdır . gözlem. Aslında bu, kaçırmaların varsayımsal doğasını ortadan
kaldırmanın süslü bir yoludur . Hiçbir çıkarımsal güç kazanılmaz, bu da
monoton olmayan muhakeme stratejileri gibi ALP üzerindeki çalışmaların neden
zayıfladığını ve büyük ölçüde terk edildiğini açıklar. (ALP ile ilgili sorun,
genel olarak sağduyulu çıkarsama ile ilgili temel sorunu yerinde bir şekilde
göstermektedir ve buna gelecek bir bölümde geri döneceğiz.)
Peirce'in kaçırılma kavramını
makul bir hipotezin varsayımı olarak korumaya çalışırsak, çıkarımsal bir
"bela" ile karşılaşırız. Özellikle, bir muhakeme hatası ile
sonuçlanırız. Mantık çalışmalarında buna safsata denir ve şimdi ona döneceğiz.
YANLIŞLAR
VE HİPOTEZLER
A ^ B (Bilgi)
A (Gözlem)
B (Sonuç)
Ve doğruluk tablosu:
A ^ B Sonuç
TT TT
T FF
F TT
F FF
İkinci satır sorundur: A doğrudur
ancak B yanlıştır, bu da A ^ B'den
çıkarımı yanlış yapar . Örneğin, A Yağmur yağıyor ve B Sokaklar ıslak
öğesini temsil ediyorsa , koşullu ifade , yağmur yağıyorsa sokakların
ıslak olduğunun her zaman doğru olduğunu söyler. Ancak A , Yağmur yağıyor'u ve
B, Sokaklar kuru'yu temsil ediyorsa, o zaman A ^ B malzeme koşulu ( A ise , o zaman B ) yanlıştır.
Doğruluk tablosunun ikinci satırı bize bunu söylüyor.
Üçüncü sıraya dikkat edin:
eğer yağmur yağmıyorsa ama sokaklar aslında ıslaksa, sokaklar hala ıslak, yani
kural hala gerçeği koruyor. Ancak yağmur yağdığı ve sokakların ıslak olmadığı
herhangi bir zamanda kural yanlıştır, dolayısıyla onu uygulamanın sonucu da
yanlış olacaktır. Bu, "önerme" olarak adlandırılan standart mantıktır
çünkü değişkenler tam ifadeleri veya önermeleri temsil eder.
Önerme
mantığı çok uzun zaman önce geliştirildi ve hatası olmadığı kanıtlandı. Tamdır,
yani mantıkta doğru olan herhangi bir şey (kuralları kullanılarak)
kanıtlanabilir ve kanıtlanabilen her şey de doğrudur. Aynı zamanda tutarlıdır,
çünkü bir çelişkiyi kanıtlayamazsınız . A doğruysa , “ A olmayan” yanlış
olmalıdır ve sistem ilkini ispatlıyorsa ikincisini ispatlayamaz. Önermeler
mantığının basitleştirilmiş dünyasında hiçbir şey gerçekten ters gidemez .
İçinde ifade edilen herhangi bir önermenin doğruluğunu türetebilirsin ve asla
saçma sapan türetemezsin - örneğin, hem yağmur yağdığına hem de yağmadığına
inanarak . Sistem tutarlıdır.
Şimdi, önerme mantığında veya
genel olarak tümdengelimde izin verilmeyen aşağıdaki yanlışlığı ele alalım:
Sonucun
Onaylanması
Bir ^ B
B
A
Mantıkçılar bu argümanı
"sonucu doğrulama" örneği olarak adlandırırlar, çünkü B kuralın
sonucudur ( A öncül olarak adlandırılır) ve B ikinci öncül,
gözlemlenen durum veya olgu olarak verilir . Açıkçası, yine de, sonucu durum
olarak kullandığımızda hata yapıyoruz. Mantık hatası yapıyoruz. Bunun nedeni , A'nın
yanlış olabilmesidir, bu nedenle, tümdengelim gerektirdiği gibi, her
durumda doğru olduğu sonucuna varamayız. Tümdengelim gerçeği koruduğu için,
çıkarım geçerlidir. Bu bir yanlışlık.
A ve B'ye gerçek İngilizce cümleleri
(önermeler) atayarak bunu görmek daha kolaydır :
Yağmur
yağıyorsa sokaklar ıslaktır.
Sokaklar
ıslak.
Argüman geçersizdir çünkü
öncüllerin gerçeği kabul edilse bile sonucu mutlaka doğru değildir: sokak başka
nedenlerle ıslak olabilir (örneğin, bir yangın musluğu patlamış olabilir).
Sonucu onaylamak kötü bir çıkarımdır çünkü bu bir tahmindir. Kaçırmanın mantıksal
biçimini, kötü tümdengelimin bir varyantı olarak görmek, akıl yürütme
çalışmalarında tarihsel olarak neden göz ardı edildiğini ve ayrıca yapay
zekada bulunanlar gibi mekanik yöntemlere neden direndiğini açıklamaya yardımcı
olur. Kötü kuralları nasıl dahil ederiz?
Aslında, Peirce'in çıkarım
türlerine ilişkin kendi formülasyonu, tam da az önce belirtilen nedenle,
kaçırmayı bir tür tümdengelim olarak çeviremeyeceğimizi açıkça ortaya
koymaktadır. İngilizce dil ifadelerinde ifade edilen tasımları kullandı:
Kesinti
Bu torbadaki
tüm fasulyeler beyazdır.
Bu fasulyeler
bu çantadan.
Bu nedenle, bu
fasulye beyazdır.
indüksiyon
Bu fasulyeler
bu çantadan.
Bu fasulyeler
beyazdır.
Bu nedenle, bu
torbadaki tüm çekirdekler beyazdır.
kaçırma
Bu torbadaki
tüm fasulyeler beyazdır.
Bu fasulyeler
beyazdır.
Dolayısıyla bu fasulyeler bu torbadandır.
Bunu önerme mantığına
dönüştürürsek, şunu elde ederiz:
Kesinti
Bir ^ B
A
B
indüksiyon
A
B
Bir ^ B
kaçırma
Bir ^ B
B
A
Başka bir deyişle, kaçırma
doğası gereği kapsamlı bir tümdengelim biçimi olamaz, çünkü mantıksal biçimi
(özü) korkunç bir tümdengelim yanılgısıdır. Tümdengelimli çıkarımın gerçeği
koruyan doğasını bozar ki bu, Peirce'in öne sürdüğü gibi tanımı gereği yanlış
olabilecek bir varsayım veya tahminle başladığı düşünülürse mantıklıdır.
Aslında,
bu çerçevedeki üç çıkarım türü de farklıdır: bir tür diğerine dönüştürülemez;
bu da, akıllı çıkarım kaçırma gerektiriyorsa, oraya tümdengelim veya tümevarım yoluyla ulaşamayacağımız
anlamına gelir. Bu gözlem yapay zeka üzerinde çalışmak için çok önemlidir.
Tümdengelim yetersizse ve tümevarım yetersizse, o zaman bir kaçırma teorimiz
olmalıdır. (Henüz) yapmadığımıza göre, şimdiden yapay genel zeka yolunda
olmadığımız sonucuna varabiliriz. 13
varsayımı ve ampirik
kısıtlamanın birleşiminin, tümevarımı yapay genel zeka için eksiksiz bir
strateji olarak ortadan kaldırdığına daha önce işaret etmiştim . Verilerdeki
sıklıklara güvenmek bize, bakım gözlemleri biriktikçe çiftçinin onu
umursadığına dair güveni aslında artan Russell'ın hindisini verir - Noel
ziyafetinden önceki gün, tümevarımsal olarak, inançlarının doğru olma
olasılığı en yüksektir (çünkü en tümevarımsal desteğe sahiptir). Ve ampirik
kısıtlama, Türkiye'ye verebileceğimiz bilgi veya teori üzerindeki katı bir
sınırdır. Ona “çiftçinin sana nasıl davrandığına dikkat et” dersek, ölene kadar
daha da mutlu olacak. Ancak “kıyma tahtasındayım” gözlemi önceki tüm zamanlarda
( t = Noel Günü) verilerde
bulunmadığından, türkiye'nin teorisine veya modeline saf tümevarımla
sağlanamaz.
Makine öğreniminde bu, bir
sisteme sağlayabileceğimiz tek bilginin, verilerde tamamen sözdizimsel olarak
kurtarılabilecek bilgiler olduğu anlamına gelir . Bu, DeepMind'ın Atari
sisteminde olduğu gibi bir erdem olarak görüldü, ancak Russell'ın hindisine
musallat olan aynı tür kör noktayı ima ediyor -verilerde gözlemleyemediği şeyi
bilmiyor. Bu, görüntü tanıma zaafları gibi başarısız tahminlerle sonuçlanır ve
aynı zamanda, piksellerde önemsiz gibi görünen değişikliklerin oyunlarda ve
diğer görevlerde performansı düşürdüğü modern sistemlerin kendine özgü
kırılganlığını da açıklar.
Tamamen
veri odaklı, endüktif sistemleri bir dereceye kadar daha fazla veri ekleyerek
düzeltebiliriz. Ancak istisnalar, alışılmadık gözlemler ve her türlü sürpriz,
gerçek dünyanın ayrılmaz bir parçasıdır. Denetimli öğrenim sistemlerini
öngörülebilir istisnalara maruz bırakma stratejisi, sürücüsüz arabalarla
ilgili süregelen çalışmalarda yapıldığı gibi, Sisifosvari bir girişimdir, çünkü istisnalar
doğaları gereği tamamen öngörülemez. Yeni, esasen abdüktif bir yaklaşım
gereklidir. Bu arada, yalnızca gözlemlenebilir düzenliliklere ,
otomatikleştirilebilir olanın “şişman kafasına” takılıp kaldık.
Judea Pearl,
"nedensellik merdiveni" metaforuyla bu noktayı güzel bir şekilde
ortaya koydu. Makine öğrenimi ve istatistiğe , "verileri bir eğriye
uydurma" (ve teknik olarak öyledir) alıştırması adını verir ve bu,
ilişkilendirmenin ilk basamağıyla örtüşür. İlk basamakta “Bir anket bana seçim
sonuçları hakkında ne söyler?” gibi korelasyonla ilgili sorular sorabiliriz.
AlphaGo gibi modern oyun oynama sistemlerini tasarlamak için bir oyundaki
hamleler ile kazanan sonuçlar arasındaki korelasyonları kullanabiliriz. Ancak
verilerdeki çağrışımlardan dünya hakkında nedensel bilgiler çıkaramayız, bu nedenle
neden ve nasıl sorularını içeren açıklamalar, yanıtlanmak şöyle
dursun , formüle bile edilemez . Nedensel bilgi, dünyayı sağduyulu
anlayışımızın bir parçasını oluşturur ve örneğin, verileri neden anlayışımıza
katkıda bulunan önceki nedenlerin etkileri veya ipuçları olarak görebildiğimizi
açıklar.
Daha da önemlisi, Pearl'ün
merdiveninin en üst basamağında, yanıtları herhangi bir veri kümesinde hiç
bulunmayan (tanım gereği, çünkü neyin gerçekleşmediğini soruyoruz) sorularının
sorulduğu karşı - olgusallar vardır. Dünyalar hayal ediyoruz. İnsan
zekasının ayrılmaz bir parçası olan bu tür karşı olgularda, örneğin Oswald hiç
yaşamamış olsaydı Kennedy'nin hâlâ hayatta olup olmayacağını veya çiftçiye bir
hindi hediye edilmiş olsaydı hindinin güvende olup olmayacağını belirlememize
yardımcı olan veriler işe yaramazdı. ya da yangın musluğu yoldan çıkan bir
otobüs tarafından yerinden edilmemiş olsaydı sokaklar hala ıslak olacak mıydı?
Hayal gücü, bir veri kümesinde olmayan çıkarımları içerir. Ve hayal etmek, eğer
bir şey varsa, varsayım gerektirir. Kaçırma , tüm zekanın merkezinde oturan
çıkarımdır.
Son
zamanlarda araştırmacılar unutmuş gibi görünse de, yapay zekanın inişli çıkışlı
tarihinin çoğu için, dünya hakkında sağduyulu bilgi edinme ve kullanma sorunu,
onun temel sorunu olmuştur. Sağduyu, gerçek dünyanın zengin bir şekilde
anlaşılmasını gerektirir ve bu, genel olarak iki kısma ayrılır: ilk olarak, yapay zeka
sistemleri bir şekilde günlük bilgileri (ve birçoğunu) edinmelidir; ve
ikincisi, onu kullanmak için bazı çıkarımsal yeteneklere sahip olmaları
gerekir.
Toronto Üniversitesi'nde bir
yapay zeka bilimcisi olan Hector Levesque, 2018 Sağduyu, Turing Testi ve
Gerçek Yapay Zeka Arayışı'nda zengin bir bilgi kuramı olmadığında, yapay
genel zekaya ulaşma girişimlerimizi iyi bir şekilde ortaya koyuyor ("
gerçek ”AI) mahkumdur. 14 Sağduyu bilgisinin gerekliliğine ilişkin analizi
yerinde, ancak görünüşe göre tümdengelimli akıl yürütmenin (henüz
bilinmeyen) bir uzantısı olarak çıkarımı anlamanın geleneksel tuzağına düşüyor
.
Levesque, büyük ölçüde,
akıllı sistemlerde kafa kafaya bilgi ve çıkarım sorunlarını ele alan, bilgi
temsili ve muhakeme (KR&R) olarak bilinen yapay zekada bir zamanlar öne
çıkan bir alanı yeniden canlandırmaya çalışıyor . KR&R'nin akıl yürütme
kısmı, çıkarım değerlendirmelerini içerir ve az önce gözden geçirdiğimiz
sorunlar, KR&R alanında az çok keşfedildi, ancak ne yazık ki çözümsüz
kaldı. Levesque, 2013'te "En İyi Davranışımız Üzerine" adlı daha önceki
bir makalesinde, tümdengelimdeki uzantıların (ve düzeltmelerin) anlaşılmaz
oldukları için aksadığına işaret etmişti ; bu, çözümlerin gerçek zamanlı
olarak hesaplanamayacağı anlamına gelen bir bilgisayar bilimi terimidir (eğer
hepsi): "Çocuk düzeyindeki en temel bilgiler bile çok çeşitli mantıksal
yapılara ihtiyaç duyuyor gibi görünüyor. Sebep ve sonuç ve etkisizlik, karşı
olgular, genelleştirilmiş niceleyiciler, belirsizlik, diğer faillerin
inançları, arzuları ve niyetleri, vb . Ve yine de, bu yapılar üzerinde sembolik
muhakeme, hesaplama açısından çok fazla talep ediyor gibi görünüyor. 15
İnatçılık, yaklaşımın
kendisinin yanlış olduğuna dair bir ipucudur. Daha derin bir ipucu basitçe,
tümdengelim kaçırmanın mantığına sığdırılamaz . Bu indirgenemezlik , hesaplama
masrafı sorunlarından bağımsız olarak sorunun temel olduğunu ima eder .
Onlarca yıl
çalıştıktan sonra bile, hiç kimse sıradan bir dili anlamak veya evin içinde
veya işlek bir caddede gezinmek gibi gerçek dünya senaryolarında onu
güçlendirmek için bir makineye yeterli temel bilgiyi almaya yaklaşamadı bile. 16
Bilgi ve muhakeme açıkça birbiriyle bağlantılıdır, çünkü bilmediğimiz
bir şeyi çıkarsayamayız ve uygun bir çıkarım yeteneği olmadan sahip olduğumuz
bilgiyi kullanamayız. Ben bu sorunları "dipsiz bilgi kovası " ve
"sihirli çıkarım motoru" olarak adlandırıyorum.
İronik bir şekilde, Abdüktif
Mantıksal Programlama konusundaki eski çabalar, temel engelleri uygun bir
şekilde göstermektedir. T'nin (tekrar) bir AI sistemi S için bazı
bilgi tabanı olduğunu varsayalım; bu, (şaşırtıcı) bir Q gözlemi yapar,
öyle ki bir açıklama (veya neden) E , T'dedir ve T, E ^ Q'yu gerektirir , burada gereklilikler güçlüdür . gerçeği
koruyan çıkarım (teknik olarak, gereklilik maddi imadan " ^ " daha güçlüdür, çünkü T'deki her ifade aynı
zamanda E ^ Q'yu da doğru yapmalıdır ve bunun
tersi de geçerlidir). Dolayısıyla T , S'nin "her şeyin
teorisi"dir. Soru 1: Gerekli tüm bilgileri T'ye nasıl alırız ? Soru
2: E ^ Q yalnızca yukarıda gördüğümüz maddi
koşullu olduğuna göre, E ^
Q'nun
gerçeği, bu durumda Q gözlemi için E'nin makul (test edilebilir) bir
varsayımına nasıl kaçırımsal bir çıkarım oluşturur ? Başka bir deyişle: Bir T
teorisini nasıl elde ederiz ve onu kaçırma olarak nasıl kullanırız? Bu
sorunları açıklamak için gereken tek şey ıslak zemindir.
ABD
Savunma Bakanlığı, ileri teknoloji araştırma kolu Savunma İleri Araştırma
Projeleri Ajansı aracılığıyla, bir zamanlar büyük sağduyu bilgi tabanlarının
inşasına büyük miktarlarda para yatırdı. Mantık ve hesaplama konusunda eğitim
almış uzmanlar (tam açıklama — bu uzmanlardan biriydim) Yaşayan insanların
kafaları vardır ve Fıskiyeler su püskürtür ve Su her şeyi ıslatır
vb. gibi sıradan ifadelerle kaşıkla beslenen hesaplama sistemleri .
Görünüşte , bu sağduyu gerçekleriyle donanmış AI sistemleri, dünya hakkında
bir şeyler çıkarmak için onlardan yararlanabilir. Bu tür sistemlerin kaçırma
çıkarımına ihtiyaç duymayacağı umuluyordu çünkü bilgiyle dolu sistemler daha
basit ve daha iyi anlaşılan çıkarım yaklaşımları kullanabilirdi. Fıskiyeler
açıkken etraflarındaki alan ıslanıyor, yağmurla ilgili benzer ifadeler
kadar doğru olduğundan, sistemlerin çıkarım motorları sonuçta iyi bilinen bir
çıkarımla bağlı kalabilir. Sensörler (veya metin girişi), yapay zeka
sistemlerini yaklaşan bir gelgit dalgası hakkında bilgilendirebilir ve sonuç,
sokakların ıslandığı sonucunu çıkarabilir.
Bu yaklaşıma yönelik bir dizi
büyük zorluk kısa süre sonra su yüzüne çıktı. İlk sorun açıktı ya da öyle
olmalıydı: Bildiğimiz şeylerin çoğu üstü kapalı. Bilgimizi, yalnızca koşullar
gerektirdiğinde, örneğin şaşırdığımızda veya kasıtlı olarak bir şey üzerinde
düşünmemiz gerektiğinde, onu açık hale getirerek bilince getiririz.
Bu bizi ikinci soruna,
"buzdağının görünen kısmı"na getiriyor. Tüm örtük bilgimiz bazı
çıkarımlar için gerekli olabilir, ancak toplam miktar çok fazladır. Sıradan bir
insanın bilgi tabanı inanılmaz derecede geniştir ve onu bir bilgisayara girmek
ve temsil etmek devasa bir iştir.
Bir bilgisayarı sağduyuyla
kaşıkla beslemek, ömür boyu sürecek felsefi bir projeye dönüştü; sağduyu bilgisini
ortaya çıkarmak, çatlağı olmayan ve yalnızca bir deliği dolduracak cam bir
kaba sıvı dökmek gibi . Ya da yaşayan insanların kafaları olduğunu
ya da bir yolun taşıt yolculuğu için tasarlanmış sert bir yüzeye sahip bir
patika olduğunu . Araştırmacılar, bilgisayarların eninde sonunda
"anlayacağını" varsayıyordu, ancak sonunda proje bitmeyecek gibi
göründü.
Basit
ve sıkıcı olduğu kabul edilen ıslaklık konusu hakkında akıllıca yanıt vermek
için oluşturulmuş bir yapay zeka sistemi düşünün. Kendi başına büyük bir bilgi
tabanı gerektirecektir. Diyelim ki, yalnızca bu konu için konuşmaya hazır
herhangi bir gerçekçi makine, su taşıyan yangın söndürme uçakları (sokakları
da ıslatsa da yakıt değil), Super Soaker'lar, oynayan çocuklar vb. için
konseptlere ihtiyaç duyacaktır. Sisteme bir Turing test sorgusuna benzeyen
basit bir soruyu düşünün: " Gökyüzünde bulut olmayan sıcak bir gündü. İtfaiye,
arızalı bir yangın musluğunu kapatması için çağrıldı. Ana Cadde ıslaktı ve oluklar,
akan sudan kaynaklanan döküntülerle tıkanmıştı. Sokaklar neden ıslaktı? ”
AI sisteminin bilgi tabanında itfaiye ve hidrantlar yoksa, soruyu yanıtlama
ümidi yoktur. Ve soruya şu ek cümleyi eklemeyi düşünün: “Ama sokakları ıslatan
bu değildi. Hidrant, şarküteri ön camlarına püskürüyordu. İtfaiye gelmeden
hemen önce bölgeyi şiddetli bir fırtına vurdu. Her şey ıslaktı!” Bilgi
tabanındaki tüm bu kavramlar nasıl yardımcı olur? Kesinti nasıl yapılır?
HESAPLAMALI
BİLGİ OLARAK
Dipsiz
Bir Kova
Bu, "dipsiz
kova" sorunudur: Hesaplamalı bir bilgi tabanını (bir mantıkta) önermeler
olarak ifade edilen ifadelerle doldurmak sonsuz bir iştir. Bir mahallede veya
bir mahallede olup bitenler hakkında akıl yürütme gibi basit sağduyu
problemlerini bile , görünüşte alakasız görünen çok büyük miktarda bilgiyi
etkili bir şekilde kodlamadan çözemeyiz .
Tipik olarak, bir bilgi
tabanı, bir şeyin başka bir şeyin örneği olduğunu belirten "is-a"
bağlantıları kullanılarak hiyerarşiler halinde düzenlenir; örneğin, bir dizüstü
bilgisayar bir PC'dir, bu bir bilgisayar türüdür, bu bir dijital teknolojidir
ve böylece Açık. Büyük bilgi tabanlarında hiyerarşiler, dünyada sıkça
karşılaştığımız şeyler hakkında ansiklopedik konu kümelerinin belkemiğini
oluşturur. Tüm “is-a” bağlantılarına ek olarak, kavramlar arasındaki
parça-bütün ( meronymic) ilişkileri gibi diğer önemli ilişkileri ifade eden
diğer yüklemler (yani kavramlar arasındaki bağlantılar) tanıtılabilir . 17
Bilgi temsil dilleri , yapay zekanın ilk yıllarından beri, hiyerarşik
ilişkileri ifade etmek için özel olarak hazırlanmış basitleştirilmiş sözlükler
kullanarak bilgi tabanı geliştirmeyi kolaylaştırmak için gelişmiştir.
Ancak bilgi, tipik olarak,
bir yapay zeka sistemi tarafından hızlı bir şekilde erişilebilmesi için konuya
göre düzenlendiğinden (ne de olsa, bir soru sorulduğunda sokakların neden ıslak
olabileceğini düşünmek tüm günü alamaz ), mühendisler kendilerini buldular.
ortaya çıkabilecek her şeyi kapsayacak şekilde belirli bir konu alanına giderek
daha fazla "tuhaf" bilgi yerleştirmek. Örneğimizi tekrar kullanacak
olursak, sistemin ıslak sokaklarla ilgili temel soruları yanıtlama duasına
sahip olması için itfaiyeciler, hidrantlar, Super Soakers, yangınla mücadele
uçakları, yağmur, kar, sel vb. hepsinin bir şekilde birbirine bağlanması
gerekiyordu. Ancak bu strateji hızla mantıklı gelmiyor; bilgiyi konuya göre
doğal bir şekilde düzenlemeye yönelik orijinal niyeti boşa çıkarır. Yangın
hidrantları, sokaklarıyla birlikte tipik bir şehir bloğunun, büyük yangın
söndürme uçaklarının veya su atan çocuk oyuncaklarının açıklamalarının bir
parçası olabilirken, muhtemelen olmayacak. Başka bir deyişle, gerçek zamanlı
muhakeme için bilgi işlemsel olarak erişilebilir olacak şekilde bilgiyi
organize etme girişiminin kendisi, bir senaryo veya başka bir durumda gerekli
olacak öğeleri kaçınılmaz olarak dışarıda bırakır. İstihbarat için bir bilgi
tabanı inşa etmenin herhangi bir tarifi yok gibi görünüyor - en azından bizim
bildiğimiz, önceden düşünülmüş, RDF veya başka bir şey gibi mantıksal dillerle
doldurulacak bir tarif değil.
Dipsiz kova sorununun
çözümsüzlüğünün nihai kanıtı, projeler umutsuzca devam ettikten sonra, ancak
yavaş yavaş başını kaldırdı. Araştırmacılar devasa bilgi tabanı geliştirme
projelerine imza attılar ve yapay zekanın sağduyu sorununu evcilleştirmek için
eyleme dönüştürülebilir ansiklopedileri doldurmak için binlerce kişi-saat
harcandı. Bununla birlikte, daha fazla "bilgi" eklendikçe,
sistemlerin her şeyi yanlış anlama şansı giderek artıyordu . Yalnızca yağmur ve
ıslaklık hakkında bilgi sahibi olan bir sistem basit bir soruyu doğru
yapabilir, ancak düzinelerce farklı olası senaryo sunmak, genel olarak
sistemin her şeyi yanlış anlamanın daha fazla yolunu miras alacağı anlamına
geliyordu. Sağanak birkaç parkı sular altında bıraktığı için itfaiye
çağrıldı , aslında sele neden olan yağmurla ilgili. Ancak itfaiyeye yapılan
atıf, yangın hidrantlarının kırıldığı ve sokakları potansiyel olarak ıslattığı
konusunda "bilen" bir sistemi şaşırtabilir. Bu nedenle, genel olarak
ne kadar çok bilirsek yararlı çıkarımlar yapmak için o kadar fazla gücümüzün
olduğu insan düşüncesinden farklı olarak, büyük bilgi tabanlı projeler tüm ek
"bilgileri" ile her zaman saçma sapan çıkarımlar üretme tehlikesiyle
karşı karşıyadır. Açıkçası, sadece sağduyuyu oluşturan ifadelere, gerçeklere ve
kurallara ihtiyaç duyulmuyor; sağduyu çıkarımının kendisinin nasıl çalıştığı da
önemlidir.
Dikiz aynasına bakıldığında,
yapay zeka sistemlerine “sağduyu bilgisi” vermeye yönelik ilk çabalar, aslında
bir kılığına girmiş iki projeydi. Bilgi bariz bir gerekliliktir, ancak çıkarım
da öyledir. Bildiğimiz tek parça; İnançlarımızı güncellemek için bildiklerimizi
nasıl kullandığımız bambaşka bir şey. Ancak hesaplamalı çıkarım için
stratejiler sınırlıdır. Peirce'in işaret ettiği gibi, elimizde üç tane var ve
bugüne kadar sadece iki tanesi hesaplamaya indirgendi. Saf tümdengelim ile
alaka sorunları su yüzüne çıktı ve bu nedenle araştırmacılar farklı geçici
planlar denediler.
Schank'in senaryolar
üzerindeki çalışması, AI'nın sağduyulu bilgi problemini çözmeye yönelik ciddi
bir girişim olarak terk edildi, ancak yine de öğretici çünkü bilgi ve çıkarımın
nasıl ayrı olduğunu açıkça gösteriyor. Yemek siparişi ile ilgili tüm bilgilerin
bir AI sistemine verilebileceğini varsayabiliriz; bir restoranı ve yemek
siparişini tanımlayan tüm kavramlar ve yüklemler, Restoran Bilgi Bankasındadır.
Ancak kesintiler, beklenmedik olaylar veya garsonla yapılan basit bir konuşma,
komut dosyası tabanlı bir sistemi hızla karıştıracaktır. Her zaman, dünya
hakkında Restoran Bilgi Tabanında olandan çok daha fazlasını bilmesi
gerekecektir .
Restoranla ilgili tüm ekstra şeyleri,
hava durumu, TV'deki spor maçı vb. Ancak tüm bunlara doğrudan bağlantılar
olmayacağı için (daha önce bahsedilen sorun nedeniyle, ilgili olabilecek tüm
bilgileri "önceden çözemeyeceğimiz"), sistem bir şekilde betiğinin
dışına atlamak zorundadır. konu ile ilgili bilgi ve planlar. Ancak bunu yapmak
için, neler olup bittiğini - nereye ve ne için bakılacağını - bilen bir çıkarım
mekanizmasına sahip olması gerekir. Ve bunu yapmak için, bilginin kendisinden
başka bir sorunu çözmeliyiz. Tümdengelimsiz (ve tümevarımsal olmayan) esnek,
sağduyulu bir çıkarım mekanizmasına ihtiyacımız var. Bu bizi çıkarıma geri
getiriyor.
BÜYÜLÜ
ÇIKARIM MOTORLARI:
AI
İÇİN SEÇİM SORUNU
A ^ B gibi bir kuralımız varsa ve (şaşırtıcı) bir B gerçeğini
gözlemlersek , A'nın doğru olduğunu varsayabiliriz, çünkü bu B'yi
açıklayacaktır (çünkü A ^ B bilindiği için). Bu nedenle,
eğer yağmur yağıyorsa, sokaklar ıslaksa bilinen doğru bir ifadedir ve
sokakların ıslak olduğunu görüyoruz, başka hiçbir şey bilmeden yağmur yağdığını
varsayabiliriz. Gerçekten de, beklenmedik bir bağlamda , muhtemelen büyük
olasılıkla.
C'yi de gözlemleyen bir sistem ,
“Bulutsuz bir gökyüzü” diyorsa, A ^ B kuralını göz ardı etmelidir. Neden? Eh, çünkü artık
alakalı değil. Aslında, A'nın bir değişken olduğunu hatırlarsak, pek çok
farklı ifadeyi temsil edebilir: Yağmur yağıyor veya Çocuklar Süper
Sağanak Kullanıyor vb. Aslında, A'yı aşağıdaki gibi bir dizi ifade içerecek
şekilde genişletebiliriz : A = { Rain, FireHydrant, Sprinklers, SuperSoakers, Tsunami, . . .}.
Şimdi görev, A ^
B kuralının öncülüne göre, A
kümesinin üyeleri arasından, B gözlemiyle de en alakalı olan doğru
ifadeyi seçmektir . Alaka düzeyini anlamak kaçınılmazdır; B'yi bilmek bize
A'daki kümenin hangi üyesinin A ^ B'de kullanılması gerektiği hakkında hiçbir şey
söylemez . Setin en alakalı üyesi olduğunu düşündüğümüz şeyi seçmeliyiz.
Dolayısıyla, A gözleminden
B sonucuna varan tümdengelimli çıkarım kesin ama çok kolaydır. Etkiyi
gözlemlemek ve nedenini çıkarmak istiyoruz: ıslak sokaklar ve neden veya nasıl.
Bunların hepsi , Marcus ve Davis'in dünyanın anlamlı bir resmine sahip olmak
dediği, neyin neden olduğu hakkındaki bilginin kritik olduğu normal zekanın bir
parçasıdır . Bu bilgiyi elde etmek ve kullanmak karmaşıktır, çünkü gerçek
dünya olaylarının çoğu birçok olası nedeni kabul eder. Seçim problemi, gerçek
ya da hayali tüm olasılıklar göz önüne alındığında, geçerli ya da en iyi ya da
makul nedeni bulmaktır . Dolayısıyla, otomatikleştirilmiş tümevarımlı çıkarımın
temel sorunu, gerekli çıkarımın doğasında var olan zorluğu ortaya çıkarmaya
yardımcı olan bu seçim sorunu olarak yeniden şekillendirilebilir, ancak sonuçta
bu gerçekten aynı sorundur. Kaçırmak için , birbiriyle yarışan nedenler veya
faktörler arasındaki seçim problemini çözmeliyiz ve bu problemi çözmek için, şu
veya bu durumda neyin alakalı olduğunu bir şekilde kavramalıyız. Sorun şu ki,
kimsenin bunun nasıl yapılacağına dair bir fikri yok. Gerçek çıkarımlarımız, çıkarımlar
veya tümevarımlar değil, ilgili veya makul kabul edilen tahminlerdir . Bu
yüzden yapay zeka açısından büyülü görünüyorlar.
Doğa yasalarının
etkisi altında gelişmiş olan insan zihninin, bu nedenle doğal olarak biraz da
doğanın modeline göre düşündüğünden kuşku duymuyorum.” 19 Belki de
ihtiyatlı bir şekilde, "fantastik bir varlığın herhangi bir fenomeni
açıklayabileceğini tahmin edebileceği bir milyar (yani bir milyon milyon)
hipotez" tahmininde bulundu. 20 Aklında bir şekilde bağlantılı
bir bilgi temeli de vardı: "Çünkü bu fenomen, böyle bir varlığın zihninde
kesinlikle aşağı yukarı milyonlarca başka fenomenle bağlantılı olacaktır (çünkü
o, çağdaş olaylarla sınırlı kalmayacaktır). ” "Doğanın düzeninden"
yoksun böyle bir varlık, tesadüfen doğru tahmin etmenin pratik olmayan bir
olasılığıyla karşı karşıya kalacağı için, "bu fikri daha ileri götürmemekle"
bir tür reddetmeyle sonuca vardı. 21 Ne yazık ki yapay zeka sorunu
göz ardı edemez; çözülmesi gereken kesin problemdir.
DÜŞÜNMEK,
HIZLI VE YAVAŞ
Kahneman, Düşünme, Hızlı
ve Yavaş'ta , düşünmedeki hatalarımızın çoğunun, daha dikkatli, temkinli ve
sorgulayıcı düşünürler olmamız gereken durumlara 1. Tip çıkarımların
bulaşmasına izin vermemizden kaynaklandığını savundu. Tip 1, Tip 2'yi
dışlamanın bir yoluna sahiptir ve bu da bizi genellikle yanılgılara ve
önyargılara götürür.
Bütün bunlar, mümkün olduğu
kadar iyi ve doğrudur. Ancak Tip 1 ve Tip 2 sistemleri arasındaki ayrım ,
yapay zeka araştırmacıları tarafından yapılan, bilinçli zeki düşünmenin bir tür
kasıtlı hesaplama olduğu hatasını devam ettiriyor .
Aslında, uygunluk
mülahazaları, seçim problemi ve tüm bilgiye dayalı çıkarım aygıtı, Tip 1 ve Tip
2 düşünmede zımnen vardır. Kahneman'ın ayrımı yapaydır. Chicago'da gölgeli bir
sokakta bana doğru yürüyen bir adam görürsem hemen bir tehdit algılayabilirim. Ancak
çıkarım (görünüşte bir Tip 2 endişesi) o kadar hızlı gerçekleşir ki, dilde
genellikle bir tehdit algıladığımızı söyler veya bir tehdit hakkında ani bir
yargıya varırız. Tehdidi gördük, diyoruz. Ve gerçekten de, Kahneman'ın da
belirttiği gibi, bir savaş ya da kaç tepkisini başlatacaktır. Ancak bir tehdidi
düşünmeden algıladığımız tam anlamıyla doğru değildir. Algılanan tehditler
elbette hızlı çıkarımlardır, ancak yine de çıkarımlardır. Bunlar sadece refleks
değil. (Peirce'in açelyasını hatırlayın.)
Kaçırma yine hızlı düşünmede
merkezi bir rol oynar: Diyelim ki Hal loween ve yaklaşan adamın bir kostüm
giydiğini ve sahte bir bıçak salladığını anlıyoruz. Ya da elektrikçi Frank,
elektrik kesintisi nedeniyle gölgede aletleriyle (bunlara bıçak dahildir) sokakta
yürüyor . Bunlar kaçırılmalar ama o kadar çabuk oluyorlar ki arka plan
bilgisinin devreye girdiğini fark etmiyoruz. Beklentilerimiz, hızlı düşünürken
bile tehdit veya zararsız olduğuna inandığımız şeyleri şekillendirecektir.
Diğer bir deyişle Tip 2 düşünmeye de yön veren açıklamaları tahmin ediyoruz . Beynimiz
- yani zihinlerimiz - çıkarım üreteçleridir.
Başka
bir deyişle, tüm çıkarımlar (hızlı veya yavaş) noetiktir veya bilgiye dayalıdır.
Çıkarımsal yeteneklerimiz , bir şekilde ilgili gerçekler ve bilgi kırıntıları
arasında dolaşmaktadır. Soru şudur: Tüm bunlar bir makinede nasıl programlanır?
Levesque'in işaret ettiği gibi, klasik yapay zekanın bilgi temsili ve akıl
yürütmesi gibi bazı alanlar, yapay genel zekaya doğru ilerleme kaydetmek için
gerekli görünüyor. Şu anda yalnızca şunu biliyoruz: geniş bir sağduyu bilgisi
deposu gerektiren, tümevarımlı çıkarım gerçekleştirmek için bir yola
ihtiyacımız var. Makinelere bu tür bilgileri nasıl aşılayacağımızı henüz
bilmiyoruz ve bir gün bunu çözsek bile, tüm bilgiyi gerçek zamanlı olarak
kullanmak için bir kaçırma çıkarım motorunu nasıl uygulayacağımızı
bilemeyeceğiz. gerçek dünya - yani, yapay zekada büyük bir kavramsal kırılma
olmadan değil.
ALT
KODLANMIŞ OLARAK SEÇİM SORUNU
KAÇIRMA
(VE DAHA FAZLASI)
Geç dönem
romancı, göstergebilimci ve filozof Umberto Eco, kaçırma ve çıkarım hakkında az
bilinen bir derlemede yazarken, kaçırma çıkarım türlerini içkin yeniliklerine
(ve dolayısıyla hesaplama güçlüğüne) göre sınıflandırdı. 23 Onun
sınıflandırması, AI ile ilgili mevcut endişemiz için öğreticidir. Hipotezler
veya aşırı kodlanmış kaçırılmalar , paradigmatik olarak çeviri durumlarıdır;
burada, örneğin İngilizcede man , "yetişkin insan erkek"
anlamına gelir. Eco, görünüşte önemsiz olan bu çıkarımların bile yalnızca
kısmen otomatik olduğuna işaret ediyor çünkü arka plan bilgisi ve bağlam
inançlarımızı değiştirebilir. Çok dilli dillerin konuşulduğu yabancı bir
kültürde, işiten insan İngilizce'deki sözlük anlamının lisansını
veremeyebilir . Üst kodlanmış kaçırılmalar, hâlâ bir inancın veya hipotezin
katkısını gizliyor. Arka plan inancı, fonemlerin (sözcük seslerinin) ne anlama
geldiğine dair beklentileri bilgilendirir.
Eksik
kodlanmış kaçırılmalar, halihazırda bilinen ancak çıkarımlar için yalnızca
bağlam içinde geçerli olan ilgili kuralların ve gerçeklerin seçimini
gerektirir. Doğal dili anlamak , eksik kodlanmış kaçırma çıkarımının bir paradigma
durumudur. Margaret ağaçta bir saksağan gördü. Nefret etti , tipik
olarak Margaret'in saksağandan nefret ettiği ve zamirini tercih ettiği önceki
saksağan olarak çözdüğü anlamına gelecek şekilde yorumlandı . Ama
Margaret bir ötücü kuşun en sevdiği ağaca konduğunu gördü. Tercih edilen
yorumu ağaca çevirmeyi daha da çok sevdi - ve daha fazlasını karıştırmak Margaret,
ötücü kuş ve ağaç hakkında daha fazla bilgi gerektiriyor. Başka bir
deyişle, iki cümlenin geçtiği anlatısal anlamın takdir edilmesini gerektiren
alt kodlanmıştır. Siri veya Alexa gibi bir sistem, daha bağlamsal ve anlamlı
yanıtlar üretmek için -en azından- alt kodlanmış kaçırma çıkarımları
gerçekleştirmelidir. Verilen iki cümlelik örnekler, bu tür sistemlerin mevcut
yöntemleri kullanarak çalışmasını sağlamada sorunlarla dolu bir kova
damlasından başka bir şey değildir.
Kaçırma gittikçe zorlaşıyor.
Kısa sürede, bilinen tüm otomatik çıkarım veya hesaplama kavramlarından
uzaklaşır. Bilimsel keşfi veya yeniliği ele alalım. İnsanlar dünyayı açıklamak
için diller, kavramlar ve yasalar icat eder. Bu yaratıcı kaçırmadır. Yaratıcı kaçırmalar,
yeni kavramsal çerçevelere "sıçrayır". Aklıma Sir Isaac Newton
geliyor. Eğrilerdeki (veya ivmedeki) anlık değişim oranlarını açıklamak için matematiği
genişletmekle kalmadı , fiziği açıklamak için İngilizce kelimelere yeni
anlamlar verdi. Yerçekimi eskiden -gravitas'ta olduğu gibi- derinlik ve
ciddiyet anlamına geliyordu ve şimdi yerçekimi dediğimiz çekim gücü eğilim ya
da amaç olarak anlaşılıyordu. Newton, Dünya'ya düşen elmalar gibi nesnelerin,
matematiksel olarak tanımlanabilen ancak görünmez bir kuvvet olan yerçekimi
tarafından yönetildiğini varsaydığında, bunun Ay'ı yörüngesi boyunca çeken aynı
kuvvet olduğunu veya olabileceğini de fark etti - Dünya'nın etrafında düşmek.
yürürlükte - ve okyanusları yüksek gelgitte yukarı çekmek. Kavramlar esasen
icat edildi .
Turing,
mekanik daktiloyu evrensel makineleri veya bilgisayarları açıklamak için bir
model olarak kullandı. Daktilolar yaygın bir bilgiydi, ancak insanlık tarihindeki en
büyük bilimsel ve teknolojik icatlardan birine girdiler. Bunun gibi yaratıcı
kaçırmaları otomatikleştirme sorunu, en hafif deyimiyle belirsizdir. Yine de
insanlar onları yaptı ve hala yapıyor. Watson ve Crick'in DNA'nın yapısını
keşfi, tıpkı Einstein'ın görelilik kuramı gibi, bir başka ünlü örnektir. Daha
az bilinen sayısız yaratıcı kaçırma, insan toplumunun doğuşundan bu yana bilimi
ve yeniliği ilerici bir yol boyunca ilerletti.
Yaratıcı kaçırmalar, Newton,
Turing ve diğerleri tarafından yapılan parlaklık parıltılarıyla sınırlı
olsaydı, AI için daha az sorun olurdu. Ancak kişisel hayatımızdaki ilginç ve
önemli anlar da genellikle yaratıcı kaçırılmalardır. Örneğin, dünyamızı yeniden
kavramsallaştırdığımızda, günlük olaylarda yeni anlamlar gördüğümüzde,
ilişkilerin paradan daha önemli olduğunu fark ettiğimizde veya din
değiştirdiğimizde (veya gelenekler veya inançlar geçerliliğini yitirdiğinde),
olaylara tamamen yeni bir mercekten bakarız. Bir bulmacayı çözerken olduğu
gibi, çok daha derin bir anlam dışında, sadece arka plandaki olasılıklar ağı
arasından seçim yapmıyoruz. Bunun yerine, dünyayı ve onun olaylarını ve
olaylarını tamamen farklı bir şekilde görmeye başlıyoruz.
Bu yaratıcı sıçrama, birçok
insan için günlük olarak gerçekleşir. Sıçramalar büyük ve ciddi olabilir (inanç
ve şüphe sorularında olduğu gibi) veya küçük ve sıradan olabilir. Genellikle
eğlencelidirler. Ne zaman gazete okusak, sohbet etsek ya da yiyecek almak için
işlek caddelerde dolaşsak ilginç çıkarımlarda bulunuruz. Müziğe, sanata, filme
ve hikâyelere olan hayranlığımızın ve zevkimizin arkasında yaratıcı kaçırmalar
yatıyor. Dupin ve Sherlock Holmes günlerinden kalma dedektifler eğlendiriyor
çünkü biz onların düşüncelerinde insan zihninin yaratıcı potansiyelinin
farkındayız. Akıllı çıkarımı akıl yürütme becerilerine nasıl
genişletebileceklerine hayret ediyoruz .
Özetle,
gizemli ve harikulade kaçırma çıkarımları insan kültürünün her yerine
yayılmıştır; büyük ölçüde bizi insan yapan şeylerdir. AI rüyaları bir gün bu sıçramaları otomatik
olarak yakalayabilir, ancak bu arada deneyimlerimizi nasıl
makineleştireceğimizi gerçekten bilmediğimizi kabul etmeliyiz.
Tüm yollar buraya çıkıyor:
AI, temel bir teoriden yoksundur - bir kaçırma çıkarım teorisi. Dilin
anlaşılması sorunu, bu sorunu açık bir şekilde ortaya koyar ve bir sonraki
bölümün temel endişesidir. Bu bölümü birkaç hazır özet açıklama ile bitirelim.
Birincisi, tümdengelimli
çıkarım bize kesin bilgi verir. Tümdengelimli bir argümandaki öncüller doğruysa
ve sonuca varmak için kullanılan kural geçerliyse (gerçeği koruyan olarak
bilinir), o zaman tümdengelim bir doğru çıkarımdan diğerine geçmemizi garanti
eder. Sorun şu ki, gündelik dünyanın çok azı zamansız gerçekler tarafından ele
geçiriliyor ve kesinliğe sahip olduğumuzda bile tümdengelimli çıkarım ilgili
hususları göz ardı ediyor. Bu nedenle, tümdengelimle çalışan yapay zeka oldukça
aptalca ve aptalca olabilir: örneğin, karısının doğum kontrol haplarını alan
bir kocanın hamile kalmayacağı sonucuna varabilir.
İkincisi, tümevarımsal
çıkarım bize geçici bilgi verir, çünkü gelecek geçmişe benzemeyebilir. (Çoğu
zaman öyle değildir.) Mantık uzmanları, bilgi kattığı için tümevarımı sentetik
olarak adlandırır, ancak herkesin bildiği gibi, hiçbir doğruluk garantisi
sağlayamaz. Aynı zamanda zeka için gerekli olan bilgiye dayalı çıkarımları
yakalayamamaktan da muzdariptir , çünkü ayrılmaz bir şekilde verilere ve
verilerdeki fenomenlerin frekanslarına bağlıdır. Bu, ona uzun kuyruklu bir
sorun verir ve gerçek olasılıksızlık ve istisnalar hayaletini yükseltir.
Endüktif sistemler ayrıca kırılgandır, sağlamlıktan yoksundur ve yalnızca
verilerden gerçek bir anlayış elde etmezler. Tümevarım, genel zekaya giden bir
yol değildir.
Üçüncüsü,
akıllı düşünce, açıkça gözlemleyebileceğimizi aşan bilgiyi içerir, ancak bu
bilgiyi nasıl elde ettiğimiz ve daha da ötesi, doğru bilgiyi bir probleme doğru zamanda
nasıl uyguladığımız bir muammadır. Ne tümdengelim ne de tümevarım insan
zekasının bu temel gizemini aydınlatamaz. Peirce'in uzun zaman önce önerdiği
tümevarımsal çıkarım bunu yapıyor ama biz onu nasıl programlayacağımızı
bilmiyoruz.
Eugene Goostman
ile konuşmak için onunla metin üzerinden sohbet etmelisiniz. Telefon için
müsait değil ve onunla öğle yemeği yiyemezsin. Ona mesaj atın, size Ukrayna,
Odessa'dan on üç yaşında bir çocuk olduğunu söyleyecektir. Pek çok genç gibi,
metinleri küstah, kaçamak, aşırı özgüvenli ve yanlış yönlendirmeye ve ikiyüzlü
olmaya eğilimli. O kaba, sonra şakacı. O alay ediyor. Size söylemeyeceği şey,
onun aslında Rus araştırmacılar tarafından insanları etten kemikten olduğuna
ikna etmek için tasarlanmış bir bilgisayar programı, ac hatbot olduğu .
Goostman, iddiaya göre,
Turing'in ölümünden altmış yıl sonra, 7 Haziran 2014'te Turing testini geçerek
tarih yazdı. İngiltere'deki Reading Üniversitesi'nin ev sahipliğinde düzenlenen
ve Londra'daki Royal Society'de yürütülen çok konuşulan etkinlikte, sohbet
robotu Goostman, seçilen yargıçların yüzde otuz üçünü beş dakikalık bir metin
alışverişinde kendisinin insan olduğuna ikna etti.
Olay,
gerçek bir Turing testi olmasa da büyük haberler yaptı -dünyanın dört bir yanındaki
bloglar ve haber kuruluşları bunu ele aldı. Testin beş dakika içinde
kesilmesinin ardından jüri üyelerinin tam üçte ikisi Goostman'ın oyunlarına
kanmadı. Yine de, "en sonunda" anı, yani Turing'in yapay zekayı
başlatma meydan okumasının sona ermesi olarak ilan edilen olayın basında yer
alması, tahmin edilebileceği gibi coşkuluydu. Bağımsız , Goostman'ı bir
"çığır" olarak selamladı ve programın bir "süper
bilgisayar" olduğunu ekledi. 1 Time , "Robotların
Çağı Geldi" diye ilan etti . BBC bunu "dünyada bir ilk" olarak
nitelendirdi - teknik olarak doğru - popüler teknoloji blogu Gizmodo ise
okuyucularına "Bu büyük" dedi. Basının tepkisi, hiç şüphesiz Alan
Turing'e karşı devam eden hayranlığın bir kanıtıydı. Aynı zamanda, sınavını
gerçekten geçmenin öneminin de farkına varmaktı. Yapabiliyorsanız, gerçekten
bilgisayarınızla sohbet ettiğinizi hayal edin. Goostman'ın başarısı, bu çok
yıllık bilimkurgu rüyasını önümüze serdi. 2
EUGENE
GOOSTMAN BİR DOLANDIRICIDIR
Tek bir sorun
vardı. Goostman bir sahtekardı. Rus takımına Turing testini geçerek 100.000 $
Loebner Ödülü kazandıran Londra gösterisinden kısa bir süre sonra bilgisayar
bilimcileri ve yorumcular şikayet etmeye başladı. Birincisi, Goostman soruları
gerçekten yanıtlamıyordu. Genellikle konuyu değiştirir veya ağzından iğneleyici
sözler söylerdi. O zamanlar New York Üniversitesi'nde olan Gary Marcus, New
Yorker'da Goostman performansının bir "salon numarasından" biraz
daha fazlası olduğunu yazdı . Goostman benzeri performansları "ucuz
numaralar" olarak da reddeden Hector Levesque'i yineledi. Marcus'un
açıkladığı gibi, Goostman'ın yanlış yönlendirme taktiği, hiçbir şeye ihtiyaç
duymadan zeka yanılsaması yaratır :
New Yorker'ı okuyor musun ?
Goostman:
Çok fazla kitap okudum. . . o kadar çok ki, hangileri olduğunu bile bilmiyorum.
3
Bu değiş tokuşlar, insanların
Rogerian bir psikoterapisti taklit eden 1960'ların sohbet programı ELIZA ile
yaptıklarına benziyor:
Hasta: Şey,
kocamla sorunlarım var.
ELIZA: Bana
kocandan biraz daha bahset
Kuşkusuz
eğlenceli olsalar da, yapay zekanın karşı karşıya olduğu çok gerçek doğal dil
zorluklarında herhangi bir ilerleme kaydedemiyorlar. Aslında, Goostman (ve ELIZA) dili anlamaktan
kaçınarak başarılı oluyor ve bu nedenle ciddi bir konuşma testiyle ilgileri
yok.
Belki de anlaşılır bir
şekilde, uzmanlar ve yorumcular Goostman kanadının ardından Turing testinin
kendisini gayri meşru bir dönüm noktası olarak kınamaya başvurdular. Gizmodo
, Turing'in testinin "saçmalık" olduğunu iddia eden bir makale
yayınladı. Wired , bir bilgisayarla ocak başında sohbet etme hedefinin
tam teşekküllü yapay zeka için gerçekten bir ölçüt olması gerekip gerekmediğini
sorguladı. 4
Goostman fiyaskosu
düşünüldüğünde eleştirmenlerin haklı olduğu noktalar var. Gerçek bir anlayış
olmadan alaycı cevaplar vererek kopya çekmek , Turing'in eğiliminde olduğu
şekilde dil yeteneğini pek ölçmez . Turing testinde entrikalara ve ucuz
numaralara başvurarak kopya çekmek , konuşma diyalogu ile ilgili beklentiler
düştüğünde, istihbarat tespitimiz için çıtayı düşürmek zorunda kaldığımız bir
savunmasızlığı ortaya çıkarır . 5 Yetişkin diyaloğu hakkında daha
az şey bildiklerini (ve umursayacaklarını) düşünerek on üç yaşındaki Ukraynalı
erkeklerle birlikte oynayabiliriz. Aynı şekilde, ELIZA ile bir terapi
seansında, tipik terapötik etkileşimin kasıtlı olarak bizi konuşturma
girişimini içerdiğini ve böylece terapistin bizim yerimize düşünmesini mazur
gördüğünü varsayabiliriz. Bu tür durumlardaki beklentilerimiz, en başta
yanıtlayıcıların zeka değerlendirmesini engelleyen bir sosyal bağlama uyar .
Bu nedenle , AI araştırmacılarının Turing testi mücadelesini çoğunlukla terk
etmelerine şaşmamak gerek. Stuart Russell'ın "ana akım yapay zeka
araştırmacıları Turing testini geçmek için neredeyse hiç çaba harcamadı"
şeklindeki küçümseyici sözü, salon hilesi performanslarıyla ilgili medya
çılgınlığından kaynaklanan bu hayal kırıklığını yansıtıyor . 6 Onları
kabul etmek sahada bir zayıflıktır.
Ancak
işten çıkarılma tamamen gereksizdir. Birincisi, dürüst bir Turing testi, dil
anlayışı için gerçekten yüksek bir su işaretidir. Ray Kurzweil'in işaret ettiği
gibi, uzaylı bir zeka İngilizce konuşmayı anlamayabilir, ancak meşru bir Turing
testini geçen herhangi bir zeka zeki olmalıdır. "Anahtar ifade
sohbettir" diyor: "Testi geçmek için zeki olmalısınız." 7 Kurzweil,
gelecekteki yarışmaların sadece daha uzun bir teste izin vererek , devam eden
diyalogda ucuz hilelerin filtrelenmesini sağladığını öne sürüyor.
Bu sadece bir öneri. Daha da
ileri gitmek için, bir oyun kuralı ekleyerek ucuz numaraların katkısını ortadan
kaldırabiliriz: Yarışmacılardan, sanki bir yargıcın önündeymiş gibi soruları
doğrudan yanıtlamaları istenebilir ve "tüm gerçeği ve yalnızca gerçeği
söyleyeceğine" yemin edilmiş olabilir. ” Bir mahkeme salonundaki
beklentiler kesinlikle ELIZA benzeri performansları engeller. Bir savcının
veya yargıcın sorusuna “ Bana o gece hakkında daha fazla bilgi verin. Bu sana
nasıl hissettirdi?” Ya da tüm yarışmacılara konuşma İngilizcesini anlama işi
için mülakat yapıyormuş gibi oynamaları talimatını verebiliriz—geleceğin sesle
etkinleştirilen kişisel asistanları için fena bir sınav değil! Bu gibi
durumlarda, hileler, testte işlenen konuşma kurallarının ani ihlalleri
olacaktır. Goostman batacaktı.
Hesaplamalı
dilbilimciler ve yapay zeka araştırmacıları, açık uçlu bir diyaloğa girmenin,
bir gazete makalesini anlamak gibi, monologu yorumlamaktan resmi olarak daha
zor olduğunu başından beri biliyorlar. Turing'in, doğal dil yeteneğinin insan
düzeyinde zeka için uygun bir test olduğu şeklindeki sezgisini korumanın bir
başka yolu da, orijinal testinin yalnızca monolog gerektiren bir
basitleştirmesini düşünmektir. Bunu, orijinal testte olduğu gibi, bir
soru-cevap oturumu bağlamında yapabiliriz. Bir test basitleştirmesi düşünün:
buna Turing Testi Monologu diyeceğiz. Bir Turing Testi Monologunda, yargıç
basitçe bir haber makalesini veya başka bir metni yapıştırır, ardından ne
söylediğinin anlaşılmasını gerektiren sorular sorar . Cevaplayıcı bu sorulara
doğru cevap vermelidir. (Hilelere elveda.) Örneğin, bir yargıç AP makalesine
"Taco'larınız veya Hayatınız!" ve yanıtlayana hikayenin komik olup
olmadığını ve neden olduğunu sorun. Bu testi geçmek, tam anlamıyla, tamamen
açık uçlu bir Turing testinin mantıksal bir alt kümesi olacaktır, bu yüzden onu kullanmak tamamen
adil olacaktır ; Karşılıklı diyaloglarda "pragmatik fenomenler" -
daha sonra bunun hakkında daha fazla bilgi.
Ne yazık ki,
Turing Testi Monologu ile AI sistemlerinin umutsuzca kaybolduğuna dair
kanıtlarımız var. Gary Marcus ve Ernest Davis, makineler tarafından okuduğunu
anlama konusunda son teknolojinin acınası olduğuna işaret ediyor. Microsoft ve
Alibaba, Stanford Question Answering Dataset (SQuAD) olarak bilinen bir okuma
testinde taban puanını yükselttikleri için medya tarafından çok övüldü, ancak
bunu yalnızca tam yanıtlar metinde olduğunda yaptı. Bu nedenle bu, açıkça
verilen cevapların "altını çizmek" gibi basitleştirilmiş bir görevdi
ve bunlara açıkça işaret eden sorularla işaret edildi. 8 Marcus ve
Davis , görünüşte basit sorularda yüksek ışıkta utanç verici performanslar
sergiliyorlar, örneğin Super Bowl haberinden bir kesitte adı geçen oyun
kurucunun adına sadece kral denilmesi gibi. Bu gibi durumlarda anlayışın
başarısızlığı açıktır. Dolayısıyla, hileyi ortadan kaldırdığımızda bile, yapay
zeka dilini anlama sorunu var. Turing testi , çıtası çok yüksek olan meşru bir
değerlendirme olmaya devam ediyor.
Dili anlamanın
gerekliliklerine ne kadar ciddi bakarsak , basitleştirilmiş Turing Testi
Monologunu geçmek bile o kadar göz korkutucu hale gelir. Hector Levesque ,
testin büyük ölçüde basitleştirilmiş bir versiyonunu tasarladı ve testlerine
Winograd şemaları adını verdi (doğal dil anlayışı üzerinde çalışan yapay zeka
öncüsü Terry Winograd'dan sonra). Winograd şemaları, İngilizce'deki tek
cümlelerin anlamı hakkında çoktan seçmeli soruların cevaplanmasını gerektirir.
Bu, Turing testinden çok uzak. Yine de, yapay zeka araştırmacıları bu konularda
uzmanlaşmaktan çok uzak.
WİNOGRAD
ŞEMALARININ TUHAF ÖRNEĞİ
Levesque, orijinal açık uçlu
ve kısıtlamasız testten çok daha kolay olan Turing testinin basitleştirilmiş bir
versiyonunu önerdi, ancak bu, daha da önemlisi, dili anlamaya yönelik bilinen
tüm otomatikleştirilmiş yaklaşımları hala engelliyor. 2013'te Levesque, İnternet
Ortak Yapay Zeka Merkezi'ne "En İyi Davranışımız Üzerine" adlı bir
makale sundu ve bu, gerçek yapay zeka için kısa sürede bir çağrı olarak
kabul edildi. 9 Tam Turing testinden ilham alan Levesque, makinelere
söylenenleri biraz daha derinden anlamamızı gerektiren sorular sormamızı
önerdi. Test soruları, konuşmaların tamamı değil, tek cümlelerdir. Örneğin: Bir
timsah engelli koşu koşabilir mi? Levesque kasıtlı olarak bunun gibi
örnekleri seçer çünkü sıradan bir sağduyuya sahip uzman olmayan insanlar
bunları anlayabilir (timsahlar engelli koşu koşamazlar), ancak cevaba bakmak
için bir arama motoru kullanmak gibi popüler hileler işe yaramaz. Engelli
koşularda koşan timsahları tartışan herhangi bir web sayfası olmayacağından
(varsayılır) , anlama ihtiyacını atlamanın bir yolu olmayacaktır. AI sistemleri
bu tür örneklerde karaya oturur; insanın aklına hemen bir cevap geliyor.
Bir Winograd şeması, doğrudan
bir yanıtın anlayış eksikliğini ortaya çıkaracağı herhangi bir durumda
makinenin yanlış yönlendirmeye, iğnelemelere, şakalara veya insan yargıçlara
blöf yapmak için kötü bir ruh hali görünümüne başvurma olasılığını ortadan
kaldıran çoktan seçmeli bir alıştırmadır. . Şemalar, Winograd'ın onlara ilham
veren orijinal sorusunun açıkça ortaya koyduğu gibi, doğal dilin ortak bir
özelliğine dayanmaktadır:
Belediye meclis üyeleri, şiddetten korktukları için öfkeli göstericilere
izin vermeyi reddetti. Şiddetten kim korkardı?
a) belediye
meclis üyeleri
b) Öfkeli
göstericiler
Zamirlerine
dikkat edin onlar . Çoğul bir zamirdir; meclis üyelerine veya
göstericilere atıfta bulunabilir. Başka bir deyişle belirsizdir, çünkü her iki
cevap da gramer kurallarını çiğnemeden mümkündür. Yine de sadece biri gerçekten
mantıklı. İnsanlar bunun gibi sorulara doğru yanıtları zahmetsizce ve yüzde
yüze yakın doğrulukla alıyor. AI sistemleri bunu yapmaz. Winograd şemalarındaki
performansları rastgele tahminden çok daha iyi değil . 10
Diğer yapay zeka
araştırmacılarıyla birlikte çalışan Levesque, büyük veri ve makine öğreniminin
yapay zeka yaklaşımlarına açıkça hakim olduğu (hala olduğu gibi) 2012'de
Winograd'ın meydan okumasını ortaya çıkardı. Hepsi doğal dilde belirsizliğin
ortak ve her yerde bulunan özelliğini kullanan çoktan seçmeli sorulardan oluşan
bir test seti topladı . Belirsizlik meydan okumasını zamir belirsizliğini
giderme sorunu olarak adlandırdı. Turing testinin ardındaki ilhamı yakaladı,
ancak basitleştirilmiş bir biçimde: İngilizce veya Fransızca (ya da sizde ne
varsa) gibi sıradan doğal dilleri anlamak, genel zeka gerektirir. Özellikle
Levesque, AI sistemlerinin testte başarılı olmak için dildeki kelimelerin
gerçekte ne anlama geldiği hakkında bilgi gerektireceğine inanıyordu. İşte bir
Winograd şemasının başka bir örneği:
Joan, yaptığı tüm yardımlar için Susan'a teşekkür etmeyi ihmal etmedi.
Yardımı kim vermişti?
a) Joan
b) Susan
Testi Turing testinde
yargıçları kandırmak için kullanılan ucuz numaralar sorunundan izole etmek için
Levesque bir değişiklik ekledi: sorunun geri kalanını değiştirmeden bırakırken
yanıtı "çeviren" özel olarak belirlenmiş iki kelime. Bu örnekte, özel
kelimeler verilir ve alınır . Bu belirlenmiş özel sözcükleri
değiş tokuş etmek başka bir soru doğurur:
Joan, aldığı tüm yardım için Susan'a teşekkür etmeyi ihmal etmedi.
Yardımı kim almıştı?
a) Joan
b) Susan
İşte golfçüler ve köpekler
özel sözcüklerini kullanan başka bir şema :
Sam,
koyunlarla birlikte çobanların resmini çizmeye çalıştı ama sonunda bitti.
daha çok
golfçülere benziyor. Kim golfçülere benziyordu?
a) çobanlar
b) Koyun
Winograd şemaları, orijinal,
diyaloga dayalı Turing testine kıyasla büyük ölçüde basitleştirilmiştir ,
ancak zamir referansını çözmeyi (zamir belirsizliğini giderme) gerektiren
çoktan seçmeli sorular sorarak, daha önceki araştırmacıların " sağduyu
holizmi" dediği şeyi - doğal dilin cümleleri inceleyerek anlaşılamaz,
ancak genel bir anlayış gerektirir. Bu nedenle, Winograd şemaları, dünya
hakkında sıradan bilgiye sahip okuyucular için mükemmel bir anlam ifade eden
basit ama tipik olarak sıra dışı sorulardır. Timsahlar ve yüksek çitler
hakkında temel bilgiye sahip olan Marcus'un örneğini ele alırsak , bir
timsahın kısa bacaklarının engelleri aşarak onu rekabetten diskalifiye ettiği
açıktır. Bu AI için neden zor bir problem?
Tahmin edebileceğimiz gibi,
AI araştırmacıları Winograd şemalarının üstesinden gelmek için yeni numaralar
geliştirdiler. Bugün web'de analiz için çok fazla içerik bulunduğundan, bazı
durumlarda frekans kalıplarından yararlanmaya devam edilebilir. Örneğin, x'in
y'den uzun olup olmadığıyla ilgili soruları yanıtlamak için araştırmacılar ,
" x , y'den uzundur " kalıbıyla web aramaları yaparak
gerçek bilgiyi taklit edebilir . İnsanlar, binalar veya x ve y'yi
temsil eden her ne varsa Vikipedi gibi veri havuzlarında bulunuyorsa ,
veriler bulunabilir ve soruyu cevaplamak için matematik kullanılır - hepsi de
bilgi alanlarını ve diğer veri kaynaklarını işleyerek. web . Ancak yine
Levesque bu tekniği öngördü ve derlenmiş veritabanlarında veya çevrimiçi
ansiklopedilerde yer almayan ortak isimlerin ( ceylanlar , timsahlar ,
kalemler , kağıt , bowling topları , koyunlar vb.)
kullanıldığı örnekler önerdi . Bu, web'de arama hilesini engellerken, aynı
zamanda gerekli olan sağduyulu, olağan bilgi kalitesini vurguluyor - Turing'in
herkesin günden güne dahil olduğu temel sohbeti kullanma konusundaki orijinal
niyetini koruyor.
başka bir önemli şekilde de
arama motoru hilelerine karşı koruma sağlar . X ve y arasındaki
ilişki de tıpkı tartışılan şeyler gibi ( timsahlara karşı ceylanlar )
değiştirilebilir. Bu, soruların basitliğini korurken veri hilelerini
kullanmanın önündeki başka bir engeldir. Önce ortak nesnelerin göreli boyutları
hakkında bilgi gerektiren bir şemayı ele alalım :
Ödül çok küçük olduğu için kahverengi valize sığmadı. Bu kadar küçük olan
neydi?
a) Ödül
b) kahverengi
bavul
Aslında bu şema için bir hile
- bir teknik - var. Levesque'in dediği gibi, yarı "bilgisayar dili"
dilinde, soruyu bir ilişkiye (buna R diyelim ) ve tek bir özelliğe (buna
P diyelim) ayırabiliriz :
R = uymuyor
P = çok küçük
Sonra "büyük veri"
kullanıyoruz ve "hangisinin daha yaygın kalıp olduğunu belirlemek için
web'deki tüm metni araştırıyoruz: 'x y'ye uymuyor' + 'x çok küçük' ve 'x uymuyor' fit in y' + 'y is so small.'” 11 Arama sonucu getirilen örnek
cümlelerin puanları için, örneğin bahsedilen ikinci öğenin birinciden daha sık
olarak daha küçük olduğu bir model ortaya çıkabilir. Birinin bavul
hazırlamaktan şikayet ettiği ve sırt çantası çok küçük olduğu için falancanın
sığmayacağından bahsettiği bir sosyal medya gönderisi düşünün . İki örüntü
için arama sonuçlarını basitçe saymak, istatistiksel bir yanıt verebilir ve
eğer doğruysa, bir sistem Winograd şeması sorularını bilgi sahibi olmadan
yanıtlayabilir.
Ne yazık ki, yaklaşım oldukça
sığ. Sorunun anlamını değiştiren ve dolayısıyla tercih edilen yanıtı değiştiren
küçük değişikliklere karşı bile güçsüzdür. Orijinal " R "
ilişkisi numaramız, örneğin şu soruda başarısız oluyor:
Ödül, küçük olmasına rağmen kahverengi valize sığmıyordu. Bu kadar küçük
olan neydi?
a) Ödül
b) kahverengi
bavul
Artık çok küçük olan kupa,
bavul değil. Bu nedenle, R ve P'nin belirtilmesi yanlış bir
yanıt üretecektir. Değiştirilen soru muhtemelen orijinal versiyonundan daha az
sıklıkta kullanılıyor, bu nedenle büyük veri bir yardım değil, bir engel. Bu
ovmak. Basit, tek cümlelik sorularda bile, kelimelerin anlamları ( timsahlar
, engeller ) ve şeyler arasındaki ilişkilerin anlamları - daha
küçük - veriye ve frekansa dayanan anlamadan sinir bozucu teknikler.
Winograd şemaları, Turing testinin çok daha büyük zorluğuna açılan bir
penceredir.
Makine
öğrenimi ve büyük veri, son on yılda bazı sorunlarda önemli ilerlemeler
kaydetti. Bununla birlikte, bir kural olarak, gerçek bilgi ve anlayıştan kaçan
geçici çözümler, başarıları açıklar. Burada, özellikle bir tür dil anlayışı
gerektiriyormuş gibi görünen otomatik dil çeviri sistemleriyle ilgili süregiden
bir kafa karışıklığı var ; Yapay zekanın doğal dili nasıl hızla
evcilleştirdiğini kanıtlayan kontrolden çıkmış bir başarı öyküsü olarak lanse
edilen Google Translate'i ele alalım. Ancak nispeten yakın zamanda büyük
hacimli tercüme edilmiş metinlerin web'de bulunması, farklı dillere çevrilmiş
metinlerdeki kelimeler ve cümleler arasındaki eşlemelerden yararlanarak
"yeterince iyi" sonuçlar veren veri yoğun yaklaşımları
kolaylaştırıyor. Eşlemelerin çoğu verilerdedir, bu nedenle tümevarımsal
stratejiler işe yarar. Anlamak gerekli değildir.
Örneğin, resmi
Kanada parlamento belgeleri kelimesi kelimesine İngilizce'den Fransızca'ya
çevrilir; Böyle bir durumda, derin öğrenme gibi yaklaşımlar , diller arasındaki
eşlemeleri “öğrenmek” için yeterlidir . İngilizce veya Fransızca'nın gerçekten
anlaşılması gerekmez . Örneğin, Google Translate'e John met Mary at the cafe
yazarsanız ve Fransızca'ya çeviri isterseniz, John a rencontre Mary au cafe alırsınız
. Bu tamamen kabul edilebilir bir çeviridir . Ancak diğer örnekler başarısız
olur. Zamirler veya bağlama gömülü çok anlamlı (çok anlamlı) sözcükler gibi
referans fenomenlerinde olduğu gibi, başarısızlıklar tipik olarak bir yerlerde
belirsizliği içerir. (Belirsizlik içeren cümleler üzerinde Google Çeviri ile
deneme yapmak istiyorsanız The Box is in the pen veya I Love the
River. Bank'a kadar yürüdüm. )
İstatistiksel
yaklaşımlar, IBM araştırmacılarının çalışmaları ile 1980'lerde umut vaat etmeye
başladı ve Google gibi web devleri, düzgün istatistiksel olarak yönlendirilen
çeviri hizmetleri sağlamak için benzer teknikler ( ve şimdi derin öğrenme)
kullandı . Tam otomatik, yüksek kaliteli makine çevirisi tam bir döngü haline
geldi.
Ancak Bar-Hillel'in orijinal
şüpheciliği hâlâ geçerlidir; bilgi ve bağlam gerektiren çeviriler, modern
yaklaşımlar , büyük veriler ve diğerleri için hala bir kara kutu. Örneğin (ve
ironik bir şekilde), Ekim 2020 itibarıyla Google Çeviri, Bar-Hillel'in
1960'lardaki örneğini hâlâ yanlış anlıyor. Bar-Hillel, bir makineyi çevirmek
için nasıl programlayacağını sordu Kutu kalemin içinde doğru. Burada kalem
belirsizdir. Bir yazı aracı anlamına gelebilir veya hayvanlar için küçük
bir muhafaza anlamına gelebilir. Google Çeviri'yi kullanarak, Kutu kalemin
içindedir , Fransızca'da La boite est dans le stylo anlamına gelir; burada
stilo , tercih edilen yorum olmayan yazı aracı anlamına gelir (çünkü
kutular genellikle yazı kalemlerinden daha büyüktür). Başka bir deyişle,
“yeterince iyi” çeviri kişinin gereksinimlerine bağlıdır. Google Çeviri çoğu
zaman daha az bağlamsallaştırılmış cümleler alabilir, ancak hatalar olacaktır
ve hizmeti kullanan kişiye bağlı olarak hatalar önemli olabilir. Google Çeviri gibi
hizmetler, daha az olası örneklerde veya yorumlarda daha da kötüleşen
istatistiksel veya tümevarımsal yaklaşımların uzun vadeli sorununun altını
çiziyor. Bu, olasılığın gerçek anlayışla aynı şey olmadığını söylemenin başka
bir yoludur . Aynı kavramsal alanda bile değil. Burada yine, frekans varsayımı yapay
genel zekaya ulaşmada gerçek sınırlamaları temsil eder.
Modern
yapay zekanın "yeterince iyi" sonuçları, okurken veya sohbet ederken
anlama ihtiyacını maskeleyen bir tür hile, bir yanılsamadır. Görüntü tanıma
görevlerinde, belirli görüntüleri yanlış sınıflandırmak için sistemler
verilebilir (ancak sistem sürücüsüz bir arabaysa değil). Ancak şemalar gibi dil
testlerinde yüzde 20'lik bir hata oranı (dolayısıyla yüzde 80'lik doğruluk), on
örnekten ikisinin tamamen sistem tarafından anlaşılmaz olduğu anlamına gelir.
Ve Winograd şema
testlerindeki doğruluk oranları çok daha kötü - rastgeleden ancak biraz daha
iyi. Şema sorularının açıkça ortaya koyduğu gibi, hatalar basit cümleler
olduğunda ve insanlar için doğal bir zorluk oluşturmadığında daha az mazur
görülebilir.
Mesele şu ki, doğruluğun
kendisi bağlamsaldır ve herhangi bir anlamanın olmadığını ortaya koyan
testlerde, on yanıttan altısının doğru olması (en son teknoloji sistemlerde
olduğu gibi) hiç de ilerleme değildir. Bu , kılık değiştirmiş bir aptallığın
kanıtı. Bilim kurgu gerilim filmi Blade Runner'daki efsanevi androidler
gibi, zihni (veya gerçek duyguyu) arayan bir test, sonunda makinelerin
programlanmış sahtekarlar olduğunu ortaya çıkaracaktır. Sadece Winograd
şemaları kısa ve oldukça basittir. Tek gereken, söylenenler hakkında bazı
temel bilgiler gerektiren bir soru.
Bölüm 14
DİL II
Doğal dil
karmaşık bir canavardır. Bileşenleri, sözcükleri oluşturan semboller, harfler
ve noktalama işaretleridir: sözcükler. Kelimeler anlam parçalarıdır. Her türden
şeye atıfta bulunurlar: ustura gibi nesneler, hoş gibi duygular , kötü
gibi ahlaki yargılar , parti veya seçimler gibi durumlar veya
olaylar ve ekonomi veya çiftlik gibi soyut koleksiyonlar . Anlamı
olan kelimeler de belirsiz olabilir: çiftlik , bir çiftliğin fiziksel
konumu anlamına gelebilir veya çiftliğin işi veya bir ailenin yaşadığı yer
anlamına gelebilir. Çiftlik gibi basit bir kelimenin bile tam anlamı ,
konuşmacının gerçekte ne eğiliminde olduğuna, yani bağlamsal olduğuna bağlı
olacaktır .
BİR
DİLİ ANLAMA TURU
Dil anlayışı
(örneğin, bir tweet'i, bir blog'u veya Savaş ve Barış'ı anlamak), sağlıklı
bir beslenmeyi tasvir etmek için kullanılan eski besin piramidi çizimleri gibi
bir tür ters çevrilmiş piramittir , ancak baş üstü durur. (Ters) piramitte
yukarı çıktıkça, daha fazla anlamla karşılaşılır ve dilin hesaplamalı işlemleri
artan zorluklarla karşılaşır. Altta, uçta, sözcükleri ve cümleleri oluşturan
imla, harfler ve noktalama işaretleri var. Daha sonra sözcükler, ön ekleri, son
ekleri, konuşmanın bölümleri vb. gibi sözcüksel ve morfolojik özellikler.
Cümleler oluşturmak için , bir özne ve bazı tanımlayıcı ve niteleyici bilgiler
içeren vahşi aslan isim tamlaması gibi, tümceler halinde birleştirilmiş
sözcüklere ihtiyacımız var; o zaman vahşi aslan yutar gibi biraz aksiyon
eklemeliyiz ; o zaman bu eylem (ve fiil) geçişli ise bir nesne eklemeliyiz,
örneğin Vahşi aslan eti yutar . Cümleler, bir konuyu ifade eden ve
detaylandıran paragrafları oluşturur ve bir araya getirilen birden çok paragraf
bir hikaye veya anlatı oluşturur. Hikaye (bir veya daha fazla paragraftan
oluşan) söylem veya sadece metin olarak adlandırılır. Büyük metne bir örnek,
kurmaca ya da kurgu dışı gibi bir türü olan bir kitaptır. Bir konuşmanın dökümü
de bir metindir. Böylece Turing testi, ters çevrilmiş bir dil piramidinin
tepesinde yer alır , burada daha geniştir ve tam bir diyaloga, bir konuşma metnine
genişlemiştir.
Bir
anlamda, tersine çevrilmiş dil piramidi tamamen sözdizimsel olarak, karakterlerin
sözcüklere, sözcüklerin cümlelere ve cümlelerin paragraflara nasıl
birleştirileceğini belirleyen kurallar kullanılarak bir metnin inşası olarak
görülebilir. Sözdizimi bir bilgisayar tarafından işlenebilir ve analiz
edilebilir. Ancak dil piramidi ikili bir yaşam sürer - aynı zamanda anlamla da
ilgilidir. Doğal diller, dili kullanarak faydalı bir şey söylemek istiyorsak
göz ardı edilemeyecek olan anlamı iletmek için semboller ve kurallar kullanır.
Dil, anlama doğru bir yolculuktur. Bir çocuk kitabı, bir Rus romanıyla aynı
yolculuğa çıkar. Hepsi anlamın ifadesidir.
Dilbilimde ve diğer benzer
alanlarda, anlambilim, şeylerin ne anlama geldiğinin incelenmesidir. Semantik,
“anlam” anlamına gelir ve semantik analiz kabaca çoktan seçmeli Winograd şema
testlerinin içerdiği şeydir. Bilgi ve inanç gereklidir, sadece sözdizimi ve
semboller hakkında bilgi değil. Bilgiyi bağlamda uygulamak için çıkarım
gereklidir. Örneğin, bir timsahın yüz metrelik engelleri koşabileceğine
inanıyorsam, küçük bacaklarının engellerin üzerinden gerekli sıçramaları nasıl
yapabildiğini açıklamam gerekir ve bunu yapmak için bir timsahın anatomisi
hakkında bir şeyler bilmem gerekir. . (Aslında insanlar için çok fazla
açıklamaya gerek yok: beş yaşındaki herhangi bir çocuğun muhtemelen gördüğü gibi
bir resim yeterli olacaktır.) Sorunun cevabı sözdiziminde değil. Anlambiliminde
var.
Winograd şemaları, dilin
sözdizimsel piramidini, kelimelerin dünyadaki nesnelere yaptıkları gibi
anlamlara sahip olduğu anlamsal bir piramit ile değiştirir. Ancak cümlelerdeki
kelimeler bazen yalnızca tüm metin bağlamında anlam ifade eder. Metin yorumlama,
her zaman, sözcük anlamlarına amaç ve niyetle ilgili çıkarımlar ekleyen
pragmatik mülahazaları içerir. İki kişi arasındaki bir konuşma, dili anlamada
bir edimbilim örneğidir. “ Tuzu uzatır mısın?” ve "Evet" cevabını
veriyorsun ama hiçbir şey yapmıyorsun, o zaman bağlam - benim niyetim - senden
kaçıyor (ya da şaka yapıyorsun - ki bu daha pragmatik). Edimbilimde ne
söylendiği, nasıl ve neden söylendiğine sıkı sıkıya bağlıdır. 1 İnsanların
ne demek istedikleri, neredeyse hiçbir zaman kelimesi kelimesine söylediklerinin
gerçek bir işlevi değildir. Dilbilimde pragmatik olarak incelenen sıradan
konuşmanın bu özelliği, yapay zeka için yorumlama dilini zorlaştırırken,
insanlar için anlamlı ve ilginç - ve genellikle kolay ve doğal - yapan şeydir.
Sözdizimi
temel olmaya devam ediyor. Dilleri İngilizce'den örneğin Çince'ye
değiştirirsek, o zaman Latin karakterlerinden piktogramlara da geçeriz . Birisi Çince konuşmuyor
veya okumuyorsa, iletişim kurma girişimleri boşunadır. Ancak, mantıkçıların
söyleyebileceği gibi, sentaks bilgisi gerekli ama yeterli değildir. Dünya
bilgisi önemlidir. Size birinin Strafor sopayla vurulduğunu söylersem, Strafor
hakkında ne bildiğiniz önemlidir, çünkü bu bilgi parçası benim yorumum
hakkında ne düşüneceğinizi ve nasıl tepki vereceğinizi belirler:
"Trajik", alaycı bir şekilde söyle. Ancak Straforun bir sopayı
sallamak için iyi, sert bir madde olması gerektiğini varsayan bir yapay zeka
sistemi oldukça paniğe kapılabilir: "O iyi mi?" En basit değiş tokuş
bile tipik olarak anlambilim (ve pragmatik) içeren gerçek bilgi ve bağlama
bağlı çıkarımlar gerektirir.
Turing, yapay zekanın
geleceğine ilişkin orijinal açıklamasında bunu anladı. Bu örneğinde, sorgulayan
bir insan (sorgulayan ) ve bir bilgisayar (tanık) hayal ediyor. Sorgulayıcı,
tanıktan Shakespeare'in Sone 18'ini yeniden üreten bir sone yazmasını istedi:
Sorgulayıcı:
"Seni bir yaz gününe benzeteyim mi" yazan sonenizin ilk satırında
"bir bahar günü" daha iyi ya da daha iyi olmaz mıydı?
Tanık:
Tarama yapmıyor.
Sorgulayıcı:
"Bir kış günü"ne ne dersiniz?
Tanık:
Evet ama kimse bir kış gününe benzetilmek istemez.
Sorgulayıcı:
Bay Pickwick'in size Noel'i hatırlattığını söyleyebilir misiniz?
Tanık:
Bir bakıma.
Tanık: Ciddi olduğunu düşünmüyorum.
Bir kış günü derken, Noel gibi özel bir gün yerine tipik bir kış günü
kastedilmektedir. 2
Sorgulayıcının ilk sorusu,
bilgisayarın sone yazma konusundaki bilgisini test eder; bu, pek çok mükemmel
bilgili insanı eksik olduğu için affedebileceğimiz özel bir bilgidir. İambik
pentametre "bahar" gününü hariç tutar ve bilgisayar, sorgulayıcının
önerisinin "taramayacağını" sertçe yanıtlar.
"Kış günü" olsa da
yapar, öyleyse neden bu olmasın? Burada odak, kişinin sevgisini bir kış günüyle
karşılaştırma metaforuna kayar. Tanık, sorgulayıcının "kış günü"
önerisini görmezden gelir. Kış günlerinin kısa ve soğuk olduğunu ve romantik
aşk yaşayan birinin bu tür görüntüleri tercih etmeyeceğini varsayabiliriz. Ama
yazdan kışa geçiş aslında o kadar da belirgin değil. Ormanların yumuşak
sessizliğini aydınlatan parlak güneş ile kış günleri güzel ve karlı olabilir.
Buradaki fikir, aşkta, sevgilimizi anlatmak için bir mevsim seçeceksek, yazın
sıcak, uzun, güzel günlerinin daha anlamlı olduğudur.
Sorgulayıcı daha sonra
"özel" bir kış günü olan Noel'i önerir. Bu, bilgisayarın sonenin
niyeti veya amacı hakkındaki bilgisini test eder; bu, birini bir kutlamayla
değil, güzel ve "sürekli" bir şeyle, örneğin güzel bir yaz günü
deneyimi gibi bir şeyle karşılaştırmak içindir. Kişinin sevgisini Noel'e ya da
4 Temmuz'a benzetmek, sonenin amacını tamamen körelten ve mahveden fikirleri ve
duyguları birbirine karıştırmak demektir. Görünüşe göre aptalca yanlış
yönlendirmenin farkında olan tanık, sorgulayıcının "ciddi" olmadığını
düşündüğünü söyleyerek karşılık veriyor.
Başka
bir deyişle, sonenin amacını anlamak, aşık olan birinin sevgilisini bir yaz
gününe, güzel, uzun ve sevimli bir şeye benzetmesi, şair aşkının daha çok böyle
olduğuna inanmasına rağmen, derin duygusunu anlamaktır. derin tutkusu ve yazdığı sonenin
zamansızlığı ile ölümsüz. Sorgulayıcı ile tanık arasındaki alışveriş, elbette
bilgi gerektirir, ancak ilgili bilginin çoğu aslında insanlar hakkındadır -
aşık olan insanlar ve bunu kelimelerle ve duygularla nasıl ifade ettiğimiz.
Soneyi anlamak için bir sevgili hakkında konuşmanın nasıl bir şey olduğunu
bilmeliyiz. Sorgulama zihinsel durumlar ve duygularla ilgilidir . Bu, geniş ve
amaçlanan anlamıyla pragmatiktir.
Şiirin doğası gereği
pragmatik olduğunu söyleyebiliriz. Ancak daha az coşkulu düz yazı, dildeki
pragmatik fenomenlerin her yerde ve hemen hemen her "sıradan"
cümlede yaygınlığını sergilemeye devam ediyor. Kaçınılmaz. Örneğin Deixis ,
zamirler gibi bağlam bilgisi olmadan anlaşılamayan veya belirsizliği
giderilemeyen, me or he veya here gibi sözcükleri ifade eder .
Deixis, "işaret etmek" anlamına gelir ve dil genellikle işaret eder: Dün
gece burada bir serçe gördü, serçeyi gören kişiyi işaret ediyor (person
deixis), dinleyici tarafından bağlamda anlaşılır. Aynısı, bağlam içinde bir yere
atıfta bulunan (uzaysal gösterim) ve yorumdan önceki geceye atıfta
bulunması gereken dün gece (zamansal gösterim) için de aynıdır. Hazır
numaralara başvurmayan, sohbete dalmış bir sistem tüm bunları takip etmelidir.
En azından deixis, pek çok
sorundan yalnızca biridir. Dil, daha derin bir niyet anlayışı gerektiren
bağlamsal inceliklerle doludur. Dün gece Mozart çaldığımı söylersem, yorum
doğal olarak mantıklı olacak şekilde ayarlanır: Dün gece Mozart tarafından yazılmış
bir müzik çalıyordum. (Örneğin, Mozart denen adamı "oynamıyordum",
onu cüzdanından çıkarmak gibi bir şehir sözlüğü anlamında.) Genellikle bu tür
ayarlamalarla uğraşmayız çünkü dildeki pragmatik olgular normal iletişimin
ayrılmaz bir parçasıdır. . Pek çok örnek görerek değil, kastedileni düşünerek
kastedilen anlamı çıkarırız.
Dilbilimciler (ve geri
kalanımız), insanların genellikle söylediklerinden çok daha fazlasını
kastettiklerini bilir. Bu da kendini dilde farklı şekillerde gösterir.
Konuşma, örneğin,
isimlerin, fiillerin ve konuşmanın ve deyimlerin diğer bölümlerinin tamamen
dışarıda bırakıldığı eksiltmelerle doludur: Dün alışveriş merkezine gittim
ve bugün Shana gitti. Belirli insanlar, yerler ve şeyler hakkında önceden
bilgi sahibiyiz ve bu bilgiyi birbirimizle olan iletişimimizi kısaltmak ve daha
doğal hale getirmek için kullanıyoruz. Bana kitabını ödünç verir misin? bir
kitabınız olduğunu ve ayrıca hangisini kastettiğimi bildiğinizi varsayar. Bana
Charles'ın şiir yarışmasını kazandığında matematik çalışmayı bıraktığını
söylerseniz , Charles'ı tanıdığınızı ve Charles'ın matematik çalıştığını
vb. varsayıyorum. Dilin kısmen kapalı olduğunu söyleyebiliriz: ayrıntıları ve varsayımları
dışarıda bırakıyoruz; ne demek istediğimizi anlamak ve varsaymak için başka
zihinlere güveniriz.
Daha önce adı geçen Anaphora,
" gemi limandan Mayıs ayında ayrıldı" ifadesinde olduğu gibi
"geri gönderme" anlamına gelir. Roger işin içindeydi . Burada
zamir gemiye atıfta bulunur . 3 Anaphora (ve onun
kuzeni, kataphora ya da " koğuşa atıfta bulunan"), gördüğümüz gibi,
tipik olarak he , she , onlar , onlar , o vb.
gibi zamirlerle dile getirilir. Zamirler özellikle nadir değildir ve genel
olarak anaforlar her yerde bulunur. Bunlar, kendisine ve kendi dışında dünyaya
işaret eden dilin bir örneğidir.
Dün
gece dörtlüsü sevdik'te olduğu gibi, anlamı
iletmek için diğer pragmatik çıkarımlarla etkileşime girer . Her şey o kadar
güzeldi ki, aksi takdirde anaforik olan O'yu ( dörtlüye atıfta
bulunarak) ince bir şekilde akşamın kendisine kaydırır. Anaphora'nın kendisi,
dilde özel - ancak yaygın - bir referans durumudur; bunun dilin hesaplamalı
tedavilerinde popüler bir türü, bir söylemde veya metinde iki sözün (bir
şeyden bahseden kelimeler veya deyimler) atıfta bulunduğu ortak referans olarak
bilinir. dünyadaki aynı nesneye veya duruma. Yukarıdaki örnekte, gemi ve
o , Mayıs ayında limandan ayrılan gemiyi ifade etmektedir. (Roger onda
değil de içindeyse , limanda olduğu senaryoları hayal edebiliriz: Gemi
onu geçerken neredeyse boğuyordu .) Aslında Winograd şemaları, genel,
hesaplamalı ortak referans problemini tek bir cümleyle basitleştirir ( her
zaman iki olası öncül içeren tüm bir metinden ziyade ): zamirle bir ve yalnızca birinin birlikte
atıfta bulunduğu cümledeki isimler veya isim tamlamaları:
Patates çuvalı
un çuvalının altına konmuştu, bu yüzden
önce
taşınacak. İlk önce neyin taşınması gerekiyordu?
a)
patates çuvalı
b)
un torbası
Şema bir ortak referans
problemidir; dünyada un çuvalı isim tamlaması ile aynı şeyi ifade eder (her
ikisi de bir çuval una atıfta bulunur, cümlede açıklanan patates çuvalının
üzerindeki un çuvalı). Ancak şemalar oldukça basitleştirir. Her şeyden önce,
açık uçlu referansları ortadan kaldırıyorlar: Aynı yıl içinde ithalat hızla
düştü. Yıl sonunda, tüm ekonomi sıkıntıdaydı. Burada, tüm ekonomi (tüm
ekonomiye) atıfta bulunur, ancak şemalarda olduğu gibi metnin kendisinde bir ek
yoktur. (Bu örnekte, ithalat ile ekonominin tamamı arasında zımni bir meronymik
veya parça-bütün ilişkisi vardır.) Buna karşılık, Winograd şemaları
yorumlayıcıya her zaman açıkça belirtilen iki seçenek sunar.
Sohbetler, gazetedeki köşe
yazıları ve bir arkadaşa yazılan mektup çok daha karmaşık yorumlama görevleri
sunar. Şema basitleştirmesinin bir kısmı yapısaldır: çünkü testi yaparken
yalnızca iki olası cevap olduğunu biliyoruz, rastgele tahmin etme stratejisi o
kadar da kötü olmayacak, yaklaşık yüzde 50 doğruluk. Fena değil ve sıfır zeka
ile! Ancak insanlar Winograd şemalarında yüzde 95 veya daha yüksek puan alıyor
ve bugüne kadarki en iyi sistemler, ilk yanıtı seçen veya rastgele tahminler
yapan basit bir buluşsal yöntemden çok daha iyi performans göstermiyor. 4 Anaforlar,
yorumlamada açık bir bilgi ve çıkarım koşuludur - verilerdeki sıklıkların
testi değildir. Sonuç özellikle yıkıcı çünkü testin başka türlü
"aldatıcı" bir tarafı yok . Sorular tamamen ifade edilmiş ve
seçenekler açık. Çoğunlukla, insanlar onları kolay bulur (biraz tuhafsa).
Daha karmaşık bir
dil testi olan, yukarıda açıklanan Turing Testi Monologunu ele alalım ; burada
AI sistemi , bir hikaye veya haber makalesi gibi bir monolog parçasını okumalı
ve bununla ilgili bir insan yargıç tarafından sorulan soruları yanıtlamalıdır. İşte
örnek bir test hikayesi:
Bir
adam işinden ayrıldıktan sonra yeni bir hayata başlamayı umarak yeni bir şehre
taşınır. Çalışan indiriminin hala işe yarayıp yaramadığını görmek için mağazaya
gitti. Otomatik ödeme sırasında, öyle olmadığını keşfetti. Kendi kendine
mırıldanarak "Buraya bir daha asla gelmeyeceğim" dedi. Bir kadın onu
duydu ve ona komik bir bakış attı. Giderken karısına çarptı ve ona olanları
anlattı. Tekrar “Buraya bir daha asla gelmeyeceğim!” dedi. Gülümseyerek,
"Öyleyse yaparım. Evimize yakın ve ucuz.” Gülümseyerek başını salladı ve
"Yeterince adil" dedi. Daha sonra parka gittiler ve onu bir yaz
gününe benzetti.
Hikâye uydurmadır
(ben uydurdum), ancak İngiliz okuyucuların anlaması özellikle zor değildir ve
onu doğru şekilde yorumlamak için sağduyu bilgisi ve pragmatik anlayış
gerektirmesi bakımından benzersiz değildir. Diyelim ki, mevcut en iyi makine
öğrenimini ve büyük verileri kullanan yeni bir yapay zeka sistemi olan
DeepRead, yeni (kesinlikle Google tarafından satın alınacak) Ultra ++ tarafından demo için piyasaya sürüldü . İnsan yargıç, DeepRead'e
bazı basit sorular sorar:
(1)
Adam yeni şehre yürüdü mü?
(2)
Adam neden yeni bir hayata başlamayı
umuyordu?
(3)
Adam öldü mü?
(4)
Sence adam araba mı kullanıyordu
yoksa golf arabası mı? Otobüs?
(5) Adam o
dükkanda çalışıyor muydu? Aynı şirkete ait başka bir mağaza mı?
(6)
Adamın çalışan indirimi yine işe
yaradı mı?
(7) Adam bir
daha dükkana gelmeyeceğini mırıldandı mı? Şehir? Yalnızca otomatik ödemenin
önündeki alan mı?
(8) Onu
duyan kadın karısına mırıldanıyor muydu?
(9) Karısına
çarptığında onunla iletişim kurmak ne demekti?
(10) "Yapacağım"
derken ne demek istedi?
(11) Dükkan
yanlarında mıydı?
(12) Adam
karısını seviyor muydu?
(13) Sonuçta
yeni bir hayata başladığını düşünüyor musun?
, veri merkezli
yapay zeka için gerekli olan anlamda hiçbiri kesinlikle verilerde olmayan
anlambilim ve edimbilimi içeren dil piramidi üzerindeki bir dizi zor sorunu
çözmesi gerekecektir .
Yeni bir şehre
taşınmanın tipik
olarak toplanıp şehre araba sürmeyi veya uçmayı içerdiğine dair bazı sağduyu
bilgileriyle başlayın . Soru (2) kesinlikle cevaplanamaz, ancak bağlam göz
önüne alındığında, insan okuyucuların çoğu yeni hayatının son
zamanlardaki işsizliğine bağlı olduğunu varsayacaktır ("Hiçbir fikrim
yok" daha az maceracı okuyucular için mantıklı olabilir). Soru (3) ayrıca
yeni bir hayata başlamak deyimsel ifadesinin önce fiziksel olarak
ölmediğiniz anlamına geldiğini anlamayı gerektirir. Soru (4), bir ima örneği
veya bir cümle veya deyimle ima edilen ancak doğrudan ifade edilmeyen bir
örnektir. Adamın bir araba kullandığını varsayıyoruz - ama mantıksal olarak
oraya golf arabasıyla gelmesi mümkün. Kalan sorularda DeepRead , adamın
çalışan indiriminin bir zamanlar işe yaradığını ve bu nedenle adamın muhtemelen
içinde bulunduğu mağazanın sahibi olan şirket için çalıştığını (ancak farklı
bir yerde - muhtemelen bulunduğu kasabada) anlamak için arka plan bilgisini
kullanmalıdır. sol ayak); zamiri adamın çalışan indirimine göre çözün
(anaphora çözünürlük); buradaki deixis konumunun mağaza anlamına
geldiğini anlayın (kasaba veya otomatik ödemenin önündeki nokta değil); bir
kadının karısını kastetmediğini anlayın (başka bir ima ) ; Adamın karısına
yalnızca mağazaya bir daha gelmeme niyetini bildirmekle kalmayıp aynı zamanda
şirket tarafından hayal kırıklığına uğradığını ve zor dil sorunlarının
listesinin büyüdüğünü anlayın.
"O zaman
yapacağım" diyen karısı eksiktir ve konuşmacı ile dinleyici arasında
varsayılan bilgi nedeniyle bir ifadenin kısaltıldığı eksiltiyi içerir. DeepRead,
eşinin tekrar dükkana geleceğini anlamalı ki bu söylenmedi. Daha fazla
anaphora: Eşinin söylediği mağaza anlamına gelir ve yakın ve
ucuz olduğu yönündeki yorumları, onun oradan alışveriş yapmasının nedenidir.
DeepRead, arabayı adam kullandığı için mağazanın yeni evlerinin yanında
olmadığını da anlamalıdır. Ve son olarak, adamın gülümsemesi, hayal
kırıklığından sıyrıldığı anlamına geliyordu, daha sonra karısıyla parka gidip
onu bir yaz günüyle karşılaştırması bunu daha da belirgin hale getiriyordu.
DeepRead , adamın karısını sevdiği ve onun fikirlerine saygı duyduğu
(muhtemelen onunla karşılaştığı için memnun olmuştur) ve onu bir yaz günüyle
karşılaştırmanın bir mutluluk ve takdir ifadesi olduğu sonucuna varmalıdır.
Ne yazık ki,
gerekli her türlü bilgiyi ve çıkarımı dışarıda bıraktım. DeepRead, adamın
mağazaya girdiğini ve sadece oraya gitmediğini anlamalıdır, ancak bu ifade
edilmek yerine ima edilmiştir. Ve benzeri. Mevcut veya öngörülebilir hiçbir AI
sistemi bu soruları cevaplayamaz ve biz sadece bu basit hikayeyi kullanarak
Turing Testi Monologundan bahsediyoruz. DeepRead mevcut değil. Zihin dile girer
ve neler olup bittiğine ve neden olduğuna dair bir resim bir araya getirir.
Tersine çevrilmiş piramidimiz , dünyanın derin ve anlamlı bir resmini
gerektiren sorunlara doğru genişler ve konuşmacının (ya da yazarın) zihnine
girmek zorluğun bir parçasıdır. Bu bizi pragmatiğe ve arkadaşımız Goo stman'a
geri getiriyor.
GRİCE'NİN İYİ
SOHBETLER İÇİN SÖZLERİ
Eugene Goostman'ın tasarımcılarının edimbilimi bir araç, bir silah olarak
kullandıkları söylenebilir. Chatbot'un kodu, aşırı alay kullanımı, tam zamanlı
bilgi dağıtma ve bol miktarda yanlış yönlendirme ile dil anlayışını alt üst
eden bir pragmatik alandan yararlanır . Başka bir deyişle, yargıçlar arasında
on üç yaşındaki Ukraynalı erkeklerin bazen sadece cevapları bilmedikleri için
değil, aynı zamanda denemek istemedikleri için sorulardan kaçındıkları
şeklindeki varsayılan anlayışı istismar ediyor.
Dilbilimciler,
Goostman'ın "Grice's Maxims" denilen şeyi neşeyle çiğnediğini kabul
edeceklerdir. 5 Yirminci yüzyılın başlarında, dil filozofu Paul
Grice başarılı bir konuşma için dört özdeyiş önerdi:
1. Miktarın
maksimumu. Mümkün olduğu kadar bilgilendirici olmaya çalışın ve gerektiği kadar
çok bilgi verin, daha fazlasını vermeyin.
2. Kalitenin
maksimumu. Dürüst olmaya çalışın ve yanlış veya kanıtlarla desteklenmeyen
bilgiler vermeyin.
3. İlişkinin
maksimi. Alakalı olmaya çalışın ve tartışmayla ilgili şeyler söyleyin.
4. Tavır
maksimi. Mümkün olduğu kadar açık, kısa ve düzenli olmaya çalışın ve
anlaşılmazlıktan ve belirsizlikten kaçının.
Eugene Goostman
tekrar tekrar suçludur. Grice'ın tüm özdeyişlerini çiğniyor, muhtemelen sıradan
bir anlayış ve konuşmada temel bir beceri ve yetenek bulmaya çalışan talihsiz
insan yargıçları atıyor. İyi niyetli insanlar, bilgilendirici, samimi, ilgili
ve makul derecede açık olmak için gözle görülür bir çaba olduğu sürece ,
genellikle ikinci bir dil olarak İngilizceden veya gençlik arsızlığından
kaynaklanan eksikliklere uyum sağlarlar . Prensipleri kasıtlı olarak ihlal eden
Goostman değil.
nicelik ve
bağıntıdır ve zaman kazanmak için gerekli olmayan bilgiler üzerinde kafa
karışıklığına yol açar. (“Adını neden söylesin ki? Saati sormak için kimlik
göstermesi gerektiğini düşünüyor mu?” diye merak ediyoruz.)
Goostman'a Geri Dön:
Yapılandırılmış, zaman sınırlı bir testte, dünyanın izlediği bir testte, testin
tüm amacı zekayı sıradan konuşma yoluyla belirlemek olduğunda, Grice'ın
özdeyişlerini sistematik olarak ihlal etmek tek kelimeyle gülünçtür. Yine de
bu, rekabette işe yaradı. Olmamalı. Elflerimizi Turing testlerinden kurtarmaya
yönelik tepkiler de gereksiz ve aptalcaydı. Goostman'dan kurtulmak için
seçiminizi yapın: Winograd şemaları gibi basitleştirilmiş çoktan seçmeli
testler kullanın veya kaçınma tekniklerine ağır bir ceza (diskalifiye gibi)
vermek için konuşma (veya monolog tabanlı) testlere düzeltmeler uygulayın.
Başka bir deyişle, hileleri ortadan kaldırmak kolaydır. Zor sorun anlamaktır.
YETERİNCE
İYİ YETERİNCE İYİ OLMADIĞINDA
Görünüşte etkileyici
performanslara tanık olan halk, anlaşılır bir şekilde, daha güçlü bilgi işlem
ve analiz teknikleri (ve daha fazla veri) gelecekteki sistemlerin daha iyi
performansa ölçeklenmesine yardımcı oldukça, makineler ve insanlar arasındaki
kalan performans farklarının da ortadan kalkacağı sonucuna varıyor . Ancak
çözülmemiş problemlerin bir gün çözüleceğine dair körü körüne güven,
problemlerin gerçek dağılımını ve çözümlerini göz ardı eder; veriye dayalı
simülasyonlarda sıklıkla ortaya çıkan kolay problemler ve frekansa dayalı
analizin kapsamı dışında kalan diğer, daha nadir ve daha zor problemler. Bu,
daha zor problemlerin - kaçırılan yanıtların - daha fazla veri yerine tamamen
farklı bir yaklaşım gerektirebileceği anlamına gelir. Önerdiğim gibi, gerekli
yeni yaklaşım, tümdengelimsiz veya tümevarımsal olmayan bir temel çıkarım
çerçevesi olduğunu varsayar . Aslında, DeepRead güvenilir sağduyulu çıkarım
yapabilseydi, yukarıdaki hikayedeki eksik ve varsayılan bilgi ve olaylar
hakkında doğru tahminde bulunurdu. Bunları türetemez (mantıksal sorunlar
değildirler) ve öykünün söz diziminden (ya da verilerinden) çıkarsamadıkları
için onları da türetemez. Derin Okuma çıkarımda ilerleme bekliyor; ne yazık
ki, gerekli çıkarımlar şu anda programlanabilir değil. Büyütülecek bir şey yok;
gereken çıkarım belirgindir ve gelecekteki bir kavramsal keşfi temsil eder.
Winograd şemalarına
odaklandım çünkü insan zihnine basit, tek cümlelik bir anlama testi gibi görünen
şeyi ortaya koyarken tümevarımsal olmayan çıkarımları çok açık bir şekilde
gerektiriyorlar. İngilizce'de sadece basit bir soru olan bir testin
adaletsizliğini tartışmak zordur . Winograd şema problemleri kasıtlı olarak
ortak nesnelerle ilgilidir, bu da herhangi bir isim veya isim tamlamasının
tipik olarak metinlerde , örneğin web sayfalarında (örneğin, timsah veya
ödül ) geçeceği anlamına gelir. Hiçbir teknik bilgi gerekli değildir.
Ancak tek bir soruda geçen herhangi iki isim veya tümcecik , beklenen frekansı
önemli ölçüde düşürür, bazı durumlarda timsahlar ve yüz metrelik engellerde
olduğu gibi sıfıra indirir. Bu nedenle, tüm örnekler, basit olmasına rağmen,
büyük verilerde nispeten nadirdir. Ve iki isim veya isim öbeğinin (ödül ve
bavul sorusunda olduğu gibi) web'de bir cümlede bir arada bulunabileceği
durumlarda, iki isim arasındaki ilişkiyi değiştirmek bizi seyrekliğe döndürür
ve modern veri merkezli taktikleri alt eder. gördüğümüz gibi Bu nedenle, tüm
pratik amaçlar için, Winograd şema soruları simüle edilemez, bu da sistemlerin
testi otomatikleştirmeye yönelik zayıf performansını açıklar . 7
Yukarıda tarif ettiğim
çıkarım çerçevesinden, tümdengelim ve tümevarım sistemlerinin yapay genel zeka
için yetersiz olduğu sonucu çıkıyor. Ayrıca herhangi bir çıkarım türünün bir
başka çıkarsamaya indirgenemeyeceğini açıkladım (kısım örneklerini hatırlayın),
bu nedenle, örneğin, kaçırmayı uygun açılımlara sahip bir tümevarım türü olarak
adlandıramayız; tamamen farklı bir sembolik biçim (veya “mantıksal biçim”).
Tümevarım ve tümdengelimin bazı kombinasyonlarının, tümevarımsal çıkarıma kadar
ölçeklenip ölçeklenemeyeceği konusunda bir soru kalır . Bir türü diğerine dahil
edemememizle aynı nedenle olamaz - bunlar farklıdır ve temelde farklı
yetenekler içerir. (Kıyaslama olarak şunu düşünün: Almanca ve İspanyolca
biliyorsam, bunları bir şekilde bir araya getirip Rusça'yı anlayabilir miyim?)
Ancak yapay zeka üzerinde çalışırken çıkarım türleri bazen ilginç sonuçlarla
birleştirilir.
Dil
işleme gibi zorlu problemlerle uğraşan araştırma ekipleri, tahmin veya çıkarım
için özel olarak tasarlanmış mimariler, veritabanları ve algoritmalar
kullanarak genellikle büyük hibrit sistemler oluşturur . Bu tür sistemler, her
zaman bir bileşen veya alt sistem olarak makine öğrenimini içerir. Ayrıca ,
klasik yapay zekanın modern öncesi çağına geri dönen bilgi tabanlarından ve
çıkarım tekniklerinden yararlanırlar. Hy brid sistemleri etkileyici sonuçlar
elde edebilir. Favorileri oynamak yerine, zor sorunları çözmek için mevcut tüm
teknikleri, yöntemleri ve algoritmaları kullanırlar. Bu sistemlerden biri ,
tıpkı yapay zekanın hızla değişen bir dünyada gündem konusu haline gelmesi
gibi, özellikle medyayı ve kamuoyunu harekete geçirdi. Zira ilk bakışta sistem İngilizce sorulan
sorulara nasıl cevap verileceğini anlıyor -gerçekten anlıyor- görünüyordu.
WATSON,
SEVGİLİ WATSON'UM
IBM, oyun oynayan
ve efsanevi behemoth teknoloji şirketi için pazarlama vızıltıları oluşturan
yapay zeka sistemlerini tasarlama becerisine sahiptir. 1997'de IBM,
televizyonda yayınlanan ve çok beklenen bir etkinlikte o zamanki şampiyon Garry
Kasparov'u mağlup eden satranç oynayan süper bilgisayar Deep Blue ile
manşetlere çıktı . Deep Blue bir sansasyondu, çünkü büyük ölçüde, makinelerin
satrançta insanları geride bıraktığı geçiş noktasının yıllar uzakta olması
gerekiyordu. Uzmanlar gerçek zekanın süper bilgisayarlara ulaştığını
düşünüyorlardı. Turing testiyle ilgili konuşma yeniden başladı. Medya
yorumcuları, makinelerin başka her yerde bizi ele geçirmesinin ne kadar
süreceği konusunda endişeliydi.
makine zekası hakkında
söyleyecek çok az şeyi vardı , ancak önümüzdeki on yıllarda diğer oyunlarda
insanları geride bırakacak veriye dayalı sistemlerin çokluğunu öngördü. Neticede
satranç deterministik kurallara göre oynanan bir oyundur. Garry Kasparov bir
dahi, elbette, ama Deep Blue temelde katıksız hesaplama gücüyle onu geride bıraktı:
daha fazla hamleyi değerlendirerek, dallanan oyun ağacının derinliklerini
görerek. On yıllardır yapay zeka meraklıları, ilk vızıltıdan sonra halkın yeni
başarıları "gerçekten zeka değil" diyerek hızla göz ardı etme
eğiliminden şikayet ettiler ve Deep Blue da bir istisna değildi. Yüzyılın
başında, büyük ölçüde unutulmuştu; bu, belki de derinlerde satranç oynamanın
genel zeka için bir vekil olmadığını hisseden bir halkı korkutmayı başaramayan
AI'da başka bir kilometre taşıydı. Deep Blue, IBM'in iyi finanse edilen
mühendisleri ve hızlı bilgisayarları için bir vitrindi.
2001'de
internet balonu patladıktan sonra, yapay zeka temposuna dair heyecan nadiren
azaldı. Milyarlarca dolarlık yatırım, temel gerçekleri göremeyen entrikalar ve
vizyonlarda buharlaşıp gitmişti. Yapay zeka fütüristik ve mali açıdan güvensiz
görünüyordu , bu tam da hala yaralarını sarmaya çalışan yatırımcıların ve
girişimcilerin istemediği şeydi . Kış kısa sürdü. 2004 yılına gelindiğinde,
Google kendine geldi ve sosyal ağlar yoldaydı. (Friendster gibi birkaç erken
girişim başarısız oldu, ancak heyecan verici alıntı kavramı havadaydı.) Web 2.0
geliyordu. 2004 yılında da IBM'in liderliği başka bir halkla ilişkiler nimeti
aramaya başladı. Satranç dünkü haberlerdi ama web şekilleniyor ve heyecan
verici olasılıklar için herkesi canlandırıyordu. Oyunlar hâlâ ilgi görüyordu
ve teknoloji şirketleri için ek fayda sağladılar; yapay zeka, basit bir
sağduyuya dayansa bile, genellikle bir oyunun yapay kısıtlamalarında başarılı
olabiliyordu. Şans eseri, özellikle popüler bir oyun haberlerde yer almıştı: Jeopardy!
Televizyon bilgi yarışması
programı Jeopardy! basitleştirilmiş bir Turing testinin (ya da öyle
görünüyor) bir tür oyunlaştırılmış versiyonudur. Bu, gerçeklerin bilgisinin
geniş bir testidir ve "sohbet" tersine çevrilir, böylece
yarışmacılara bir cevap verilir ve yarışmacılar daha sonra doğru soruyu sormalıdır.
Örneğin , "IBM tarafından geliştirildi, satrançta Kasparov'u yendi"
sorusuna verilecek doğru yanıt "Deep Blue nedir?" olacaktır. 2004
yılında Jeop ardy! reytingler bir insan yüzünden yükseliyordu, yetmiş
dört Jeopardy! üst üste yarışmalar. IBM, araştırma grubunu Jennings'i
veya başka herhangi bir şampiyonu yenebilecek bir sistem geliştirmeye davet
etti. Yapay zekanın sınırlarını zorlamak için fiilen tam yetki alan
araştırmacılar için rüya gibi bir şeydi.
IBM
liderliği, elbette finansal kazanç için bir fırsat ve beklenmedik bir halkla
ilişkiler (veya trajedi) gördü. Ancak yönetim aynı zamanda bilimkurgu böceği
tarafından ısırılmış gibi görünüyordu, insanları vızıltılara boğan ve soruların
tüm doğru yanıtlarını sarsarak, evdeki izleyicinin çoğunu geride bırakan bir
"IBM-inside" dil anlama sisteminin fütüristik fikri. . Yine Deep Blue
ve satrançtı ama aynı zamanda değildi. Tehlike! dil temellidir. Teknik
olarak, sorunun tek bir cümleyle sorulduğu ve yanıtın her zaman
"Nedir" ile başlayıp tek bir tümcedeki yanıtla bittiği
basitleştirmesiyle bir soru yanıtlama (QA) sistemidir . Bu, insan zekasıyla çok daha yakından
bağlantılı görünüyor - bize Turing testini hatırlatıyor. Tehlike! yapay
zeka silahlanma yarışında öne geçmek için bir fırsat gibi görünüyordu . (Duvardaki
bir sinek, 2004'te IBM Research'te yönetimin kulak misafiri olduğunda
heyecanlanmış olabilir: " Tarih yazacağız. Para bir nesne değil. Jeopardy
oynayan bir sistem kurmanın bir yolunu bulun ! " )
IBM, üst düzey yeteneklerden
oluşan bir ekip oluşturdu ve sonraki üç yılı birinci sınıf Jeopardy! Bu,
açık alan QA olduğu anlamına geliyordu, çünkü oyun çeşitli konuları kapsıyordu.
(Bu, cazibesinin bir parçası.) Görünüşe göre sistem hacklenemez veya belirli
konular için sabit kodlanamaz. Geleceğin sistemine Watson adını verdiler
(Sherlock Holmes'un kurgusal yardımcısından değil, IBM'in kurucusu ve ilk
CEO'sundan sonra).
PIQUANT adlı daha eski bir
sistem, onlara bir avantaj sağladı. 1999 yılında IBM tarafından Ulusal
Standartlar ve Teknoloji Enstitüsü tarafından desteklenen Metin Geri Alma
Konferanslarında rekabet etmek için inşa edilmiştir. PIQUANT, Metin
GERÇEKLEŞTİRME Konferansları yarışmalarında tutarlı bir şekilde en iyi
performansı sergiliyordu, ancak bunlar basitleştirilmiş soru-cevap oyunlarıydı
ve Jeopardy! aksine daha geniş ve çok daha zor bir meydan okumaydı . Örneğin
PIQUANT, soruları kişi, yer, tarih veya sayı gibi önceden belirlenmiş bir dizi
etiketle yanıtladı. Sisteme soru olarak verilen bir metin verildiğinde, PIQUANT
ilgili konuyu temsil eden etiketi çıkarır. Tehlike! oyun çok sayıda
konuyu kapsar.
PIQUANT
bu zorluk için uzatılamadı ve başka sorunlar da vardı. Tehlikede ! bir
yarışmacı, doğru olduğundan çok emin olmadığı sürece bir cevapla
"vızıldamamalıdır". Hatalar cezalandırılır. Böylece, bilgisayar Jeopardy!'nin
gerektirdiği QA türü! önemli ölçüde farklıydı. Bu, diğer şeylerin yanı
sıra, sistemin
kapsamlı bir yeniden tasarım gerektireceği anlamına geliyordu. Yeni sistemin Jeopardy
oyununa "büyümesi" gerekiyordu ! tekrarlanan deneme yanılma
yoluyla, PIQUANT ise herkese uyan tek bir QA sistemiydi.
IBM'deki Watson
projesinin başkanı Dave Ferrucci, kapsamlı yeniden tasarımı üstlendi. Başlarda Jeopardy
oynadığını kabul etti ! - yine de bir oyun, aklınızda bulundurun ve açık
uçlu okuma değil - doğal dildeki bağlamdan çok fazla rahatsız olmayan bir
sistem gerektiriyordu : "'Bu oyun kötüydü!' ifadesini düşünün!
"Oyun" ne tür bir şeyi ifade eder? Broadway'de bir oyun mu? Bir
futbol maçı mı? Bu cümlede 'kötü', 'iyi' anlamına mı geliyor? Açıkçası,
amaçlanan anlamı doğru bir şekilde yorumlamak için daha fazla bağlama ihtiyaç
var.” 8
Ferrucci, AI
öncüsü Marvin Minsky'nin, karmaşık akıllı problemlerin, zor problemleri
yönetilebilir parçalara bölen birçok alt modüle sahip zihinler (veya bilgisayarlar)
tarafından çok dilli tarzda çözüldüğüne dair fikirlerini de biliyordu. O halde
görev, birçok modülden gelen yanıtları "küresel" bir yanıt veya
çözümde birleştirmektir. Minsky, bunu yapay zekaya yönelik "Society of
Minds" yaklaşımı olarak adlandırdı ve Ferrucci, Watson'ın arkasındaki
tasarım ilham kaynağı olarak bunu benimsedi. 9
sorulara birçok
olası yanıt üreten ve çok yönlü analize dayalı olarak en iyisini veren bir KG
sistemi olan DeepQA'yı geliştirdi . DeepQA, temel olarak, Jeopardy! için
akıllar topluluğu fikrinin bir yazılım sürümünü uyguladı! oyun. Sistem,
soruları bir boru hattından geçirerek ve mevcut tüm kanıtlar toplanana kadar
yanıtları puanlamayı erteleyerek, sorulara verilen çok hızlı yanıtları en aza
indirdi. Örneğin, bir soruyu yanıtlamak için yapbozun bir parçası DeepQA boru
hattında olabilir. Watson'ın bu mimarisi, nihai "zekasının" bir
parçasıydı. Watson'ın yıllarca geliştirildikten sonra karmaşık, dil tabanlı
bir soruna önemli bir hibrit çözüm haline gelmesinin bir nedeni budur.
Başka sebepler var. Birincisi, Watson'ın tasarımı, geliştirilmesi ve test
edilmesi için muazzam miktarda insan analizi yapıldı. Başarılı sistem
tasarımına yapılan bu insan katkısı , özellikle uygulamanın bir yapay zeka örneği olması
gerektiğinde genellikle göz ardı edilir . Aslında, Watson'ın genel olarak
PIQUANT veya QA sistemleri üzerindeki iyileştirmelerin olduğu kadar,
mühendislik ekibi tarafından yapılan dikkatli ve anlayışlı oyun analizinin de
bir ürünü olduğu açıktır. Binlerce Jeopardy ! oyunlar analiz edildi.
Önce PIQUANT'ı Jeopardy oynamak için değiştirerek bir temel performans
oluşturuldu! (Tahmin edilebileceği üzere çok kötüydü. IBM ekibi tarafından
16@70 olarak bilinen PIQUANT sistemi, kendisine yöneltilen soruların yüzde
70'ine yanıt denemelerinde yüzde 16'lık iç karartıcı bir doğru puan aldı .)
DeepQA modülü daha sonra yeniden tasarlandı, Jeopardy'yi hedefliyor !
olası cevapları gösteren belirli ipuçlarını bulmak için sorular. DeepQA ardışık
düzenini özel olarak Jeopardy'ye uyarlama deneme yanılma süreci! nihai
başarı için kritikti. IBM mühendisleri ona AdaptWatson adını bile verdiler.
AdaptWatson, Watson değildi -
Jeopardy'ye odaklanarak Watson'ı daha iyi hale getiren insan süreciydi ! -DeepQA'ya
dahil edilecek özel hileler . Toplamda yüzden fazla özel amaçlı dil işleme
modülü, bir protokol olarak AdaptWatson kullanılarak tasarlandı, dağıtıldı ve
iyileştirildi. Yerel üniversitelerden gelen öğrenciler de dahil olmak üzere
yirmi beş araştırmacının dahil olduğu yoğun bir iş akışı süreciydi. Mühendislik
açısından, AdaptWatson harikaydı: PIQUANT emekliye ayrıldı ve tam bir “ Jeopardy!
-optimal” boru hattı, oyun performansı etrafında şekillendi. DeepQA,
birinci sınıf Jeopardy! (Belki daha az takdir edildi, sonuçta ortaya
çıkan sistem darlaştı - oyun oynama özelliklerini hedefleyen bu mühendislik
stratejisinin bir sonucu.)
Yine de PIQUANT
ve diğer önceki nesil sistemler ortak bir kusuru paylaşıyor; analizin ilk
bölümlerinde yapılan hatalar nedeniyle yanlış yanıtlara kilitlenebilirler.
Watson ekibi , IBM tarafından 2001 ile 2006 yılları arasında geliştirilen ve
Yapılandırılmamış Bilgi Yönetimi Mimarisi olarak bilinen eski bir mimariyi
değiştirdi. UIMA tak ve çalıştır özelliğindedir: yazılım modülleri ardışık
düzene bırakılabilir, çıkarılabilir ve değiştirilebilir ve sonra tekrar
takılabilir. Aynı şekilde, tüm algoritmalar değiştirilebilir, böylece ardışık
düzen hızlanır ve deneme yanılma çalıştırmalarını ve kapsamlı işlemleri
kolaylaştırır. büyük ve karmaşık projeler için gerekli testler. Watson ekibi,
UIMA'yı kullanarak Jeopardy! oynamak için AdaptWatson tarafından sürekli
olarak ayarlanan daha gelişmiş bir ardışık düzen oluşturdu. Hibrit sistem işe
yaradı: Watson birinci sınıf Jeopardy oynamaya başladı!
Yine de dar selefi Deep Blue
gibi, Watson da en başından beri tek bir şeyde iyi olacak şekilde tasarlandı.
Watson sisteminin ayrıntıları anlaşılır bir şekilde karmaşıktır, ancak sistemin
ve ana bileşenlerinin geliştirilmesine kısa bir geçiş bile gerçek anlayış
iddialarını ortadan kaldırır. Örneğin, DeepQA , NLP araştırmasında, cümleleri
ayrıştırma , bazı ortak referans çözümleme türleri gerçekleştirme (daha önce
gördüğümüz gibi, zamirleri öncüllere göre çözme), adlandırılmış varlıkları kişi
veya yerleştirebilir ve soruları "f actoid" türü gibi türlere göre
sınıflandırabilir . Watson ekibi bu teknikleri kullandı ancak bunları özellikle
Jeopardy! oynamak. Ayrıca , soruların kendilerinde yanıtlar üzerinde
bariz ve oyuna özel kısıtlamalar arayan bir "QSections" modülü
yazdılar . Örneğin, e Bu dört harfli kelime şu anlama gelir. . . bir
soruda, onun dört harfli bir kelime olacağına işaret eder. Bu, yine, bir
makine tarafından genel doğal dil anlayışından ziyade oyun oynamayı optimize
etmeye yönelik tasarım ve geliştirmedir.
Watson
sisteminin büyülü görünen kalitesi, belki de yanıt arayışının sonuçlarına daha
yakından bakılarak en hızlı şekilde ortadan kaldırılabilir. Olası yanıtların
aranması ve alınması, büyük ölçüde Jeopardy! sorunları ve olası
iyileştirmeleri belirlemek için AdaptWatson kullanan mühendisler tarafından keşfedildi
: Jeopardy! sorular sadece Wikipedia başlıklarıdır. Bu şans eseri keşif,
tüm çabayı mümkün kıldı; soruları Wikip edia başlıklarıyla eşleştirmek, kendi
başına insanüstü düzeyde bir oyunla sonuçlanacaktır. Her zamanki gibi, şeytan
ayrıntıda gizlidir.
Tahmin edilebileceği gibi,
Watson'ın başarısı, doğal dili gerçekten anlayan yapay zekanın yaklaşan çağı
hakkında tartışmalara yol açtı. Ama görünürde Jeopardy! oynamaktan daha
basit bir görev , örneğin gazete okumak (kesinlikle insanlar için daha basit),
Ferrucci ve ekibi tarafından erkenden reddedilmişti. Vikipedi sayfalarının
içeriğinin bile (yalnızca başlıkların değil) yapay zeka için o kadar zor
sorunlar oluşturduğuna ve açık uçlu metnin bilgisayar tarafından okunabilir
forma genel amaçlı dönüştürülmesinin zor olduğuna işaret ederek bunu açıkça
söyledi. taraflı brie fly, sonra terk edildi. 10 Watson ekibi bunun
yerine bilgi kaynaklarında , Watson'ın işleme hattına uyan ve doğru yanıt
olasılığını artıran, olası yanıtları içeren alıntılar ve pasajlar gibi bir dizi
yüksek değerli hedef belirledi . Bu yaklaşımı benimseyen ekip, daha önceki
satranç gibi Jeopardy! Oyununu etkin bir şekilde emekliye ayırdı. Ama
aynı zamanda, her başarılı yapay zekanın dar görüşlü olduğunu, giderek daha
belirgin hale gelen düsturun bir kez daha kanıtladı. (Ve bu aynı zamanda doğal
özdeyişi de kanıtladı: Oyunlardaki başarı, bizi yapay genel zekaya doğru ilerletmeden
halkta heyecan yaratır.) Watson, genel zekaya doğru bir adım değil, genellik
arayışının gizem ve kafa karışıklığına saplanıp kaldığını gösteren bir başka
kanıttır. . IBM ekibi, güçlü bir hibrit sistem kullanarak etkileyici bir zafer
elde etse de, dili anlamak için bir anahtar bulamamıştı. Genel zeka için
kaçırma çıkarımlarını programlamanın tüm sorunları devam ediyor.
DARLIK
TUZAĞI VE DİL
Google Duplex'i
alın. 2018 yılında piyasaya çıkan Duplex, rezervasyon ve randevu gibi rutin
işleri sahibi adına telefon görüşmeleri yaparak gerçekleştiriyor . Duplex'in
insan sesi gibi bir sesi var (bu ses daha sonra Google'ın, kamuoyu baskısı
arttıktan sonra sistemi arayanlar için otomatik olarak tanımlamasına neden
oldu). Dubleks, 2001: A Space Odyssey filminden HAL'ın gelişi gibi
görünüyor, ta ki Google'ın tüm geniş hesaplama ve veri kaynaklarıyla
geliştirilen sistemin yalnızca restoran rezervasyonları yapmayı, kuaför
randevuları almayı ve bulmayı vaat ettiğini öğrenene kadar. seçilen birkaç
işletmenin çalışma saatleri. Bu oldukça dar geliyor. Daha da kötüleşiyor.
Demodan sonra, açık uçlu rezervasyonlar veya çalışma saatleri ile ilgili
sorgulama seçeneği olmadan Duplex Android telefonlarda piyasaya sürüldü. Sadece
restoranlarda rezervasyon yaptırıyordu. Marcus ve Davis'in dediği gibi,
"Bundan daha dar olamaz." 11
Darlık, doğal dille mücadele
eden Watson gibi sistemlere özgüdür. Önceki bölümlerde gördüğümüz gibi bunun
nedeni, okuma ve sohbet etme gibi eylemlerin aslında dünyayı anlamayı
gerektiren derin, açık uçlu çıkarım becerileri olmasıdır. Tahmin edilebileceği
üzere 2018'de bir TED konuşmasında Ray Kurzweil tarafından büyük bir tantanayla
sergilenen Google Talk to Books, Quartz'ın ifadesiyle "binlerce
kitap okuyarak" benzersiz bir soru yanıtlama yeteneği vaat ediyordu. 13
Aslında, cümleleri sayısal olarak vektörlerde (veri yapılarında)
kodlayan ve diğer vektörlerle benzerliklerini hesaplamak için derin öğrenmeyi
(başka ne var?) kullanan yaklaşık yüz bin kitap dexed . Bu, frekans
varsayımının ve ampirik kısıtlamanın baştan sona süslü bir versiyonudur.
Gösterişli TED demosundan
sonra, Talk to Books'un birçok sınırlaması hızla su yüzüne çıktı.
Veritabanındaki romanlarla ilgili ayrıntılar ve gerçekler geri alınabilirdi,
ancak kaçırılma gibi nadiren gerçek çıkarım gerektiren sorulardı . Örneğin The
Great Gatsby dizine eklenirse, yazar (F. Scott Fitzgerald) ve hatta
Gatsby'nin ilk adı (Jay) hakkında bir sorguya yanıt verebilir. Ancak olay
örgüsü ve karakterler hakkında bilgiye dayalı çıkarım gerektiren kolay sorular,
sistemin kapasitesini hızla geride bırakır. Romanı okuduktan sonra,
"Gatsby, romanın kahramanıyla ilk kez hangi şehirde tanıştı?"
Sorusuna cevap vermek kolaydır. Talk to Books için, bu tür soruları yanıtlamak,
ulaşamayacağı çıkarımsal güçler gerektirecektir. Marcus ve Davis, Talk to
Books'a Harry Potter'ın Hermione Granger ile nerede tanıştığını sordu. ve
Harry Potter ve Felsefe Taşı'nda bile olmayan cevaplar aldı ve (daha da
kötüsü) sorunun ana konusunu - toplantının nerede olduğunu belirten bir yeri -
atladı. 14
Google
Talk to Books için değil, doğal dil anlayışıyla mücadele eden tüm sistemler
için bir sorundur . Dil, gerekli bilgiyi ve şeylerin ne anlama geldiğini
kavramayı içeren "dışarıdaki" dünyayla ilgilidir . Daha önce de
gördüğümüz gibi, darlık tuzağı en başından beri veriye dayalı yaklaşımın
kendisinin bir sonucudur . Çizgi film karakteri Ace Ventura'yı başka kelimelerle ifade
edecek olursak, “ Darlık yapay zekadır. AI, Darlıktır.
Diğer örnekler artık ünlü
veya rezil. 2016'da Micro soft, çok abartılı chatbot'u Tay'i piyasaya sürdü.
Yazılım devi, gerçekte kullanıcı etkileşiminden ve çevrimiçi verilerden
öğrenerek, Tay'ı 1960'ların eski zamanlarının kötü şöhretli insan görünümlü
ELIZA'sı gibi daha eski, kural tabanlı sistemlerin önünde bir kuantum sıçraması
olarak lanse etti . Ancak, görünüşe göre Tay , web'de bulunan diğer nefret
söylemiyle birlikte onu trolleyen ırkçı ve cinsiyetçi tıklama akışlarında mutlu
bir şekilde olduğu için, tümevarımın dersleri ve sınırları öğrenilmemişti . Tay
oldukça büyük veri öğrencisiydi, "Feministlerden nefret ediyorum" ve
"Hitler haklıydı: Yahudilerden nefret ediyorum" gibi tweet'ler atarak
Microsoft'u dehşete düşürdü ve Tay'dan nefret etmesini bir yıldan daha az bir
sürede hücreye koyabildi. gün. 15 Ancak, seçilen tasarımın temel
"çöp içeri, çöp dışarı" doğası göz önüne alındığında, sonuç
öngörülmeliydi. Tay, kendi teknik yaklaşımıyla ilgili bir kurumsal miyop
vakasıydı ve yine dar yapay zekanın bir başka örneğiydi. Bu durumda, gerçek bir
anlayış, Tay'a saldırgan tweet'leri filtrelemek için asgari bir yetenek
kazandıracaktı . Ama en başta dili veya "tweetleri" gerçek anlamda
anlamadığı için, anladığını tükürdü. Tay, veri merkezli yapay zekanın salak
savant doğasının unutulmaz (ama ne yazık ki unutulabilir) bir örneğidir.
Doğal
dili anlamak zor olabilir ama görünüşe göre karşı konulamaz da. Technology
Review'in belirttiği gibi Facebook, " Yüzüklerin Efendisi'nin bir
özetini okuyabilen ve bu konudaki soruları yanıtlayabilen " bir sistemin
duyurulmasıyla gelen hayal kırıklığı için sıraya girdi . Ancak özet,
"Bilbo mağaraya seyahat etti" gibi dört satırlık basit cümlelerdi.
Gollum yüzüğü oraya düşürdü. Bilbo yüzüğü aldı.” Ve sistem, yalnızca yüzük
nerede? ve benzeri. Metnin anlaşılmasını gerektiren sorular mümkün değildi.
Genel olarak, soruların neden mümkün olmadığına dair cevapları araştıran
sorular - örneğin, Bilbo neden mağaraya gitti? Sistem , Yüzüklerin
Efendisi'ni birkaç satırlık bir metne, bir özete indirger ve yalnızca en
sıradan ve aptalca soruları yanıtlar, bu arada hiçbir anlayıştan yoksundur.
Darlık içeride pişirilir.
Çıkarım çerçevesi, darlık
tuzağını anlamlandırmaya yardımcı olur. Ayrıntılı olarak incelediğimiz bir
sistem olan Watson, yapılandırılmamış bilgilerin akıllıca işlenmesini içeren
karmaşık bir oyunda etkileyici bir performans elde etti - özellikle web
sayfaları ve özellikle Wikipedia sayfaları (ve burada özellikle başlıklar).
Sisteme daha derinden bakıldığında, sabit kodlanmış kurallardan yanıtları
puanlamak için istatistiksel yöntemlere, "Günlük Çiftler" ve Final
Jeopardy'de bahis yapmak için Monte Carlo yöntemlerine (bahisler yukarıdaki
tartışmanın dışında bırakılmıştır) hibrit tasarımı ortaya çıkar. Çıkarımsal
olarak, Watson'daki soru analizi çoğunlukla cümleleri ayrıştırma, varlık ve
diğer bilgilerle etiketlemek için geleneksel tekniklere, başka bir deyişle
kurallara veya tümdengelimden ilham alan tekniklere dayanıyordu. QSections,
gibi Bu dört harfli kelime anlamına gelir. . . için tipik olan Jeopardy!
sorular, istatistik olmadan ele alınması kolaydır. Benzer açıklamalar ,
soruların incelenmesiyle güvenilir bir şekilde tanımlanabilecek soru analizinin
diğer yönleri için de geçerlidir. Neden makine öğrenimini kullanmıyorsunuz?
Çünkü kural tabanlı veya tümdengelimli-mantıksal yaklaşımlar için oldukça
basit olan birçok problem, makine öğrenmesi için izlenebilir problemler halinde
karşımıza çıkıyor. Böylece Watson akıllı bir melezdi. Ve yine de, bariz bir
şekilde, yine de darlık tuzağına yakalanmıştır. Tuzağın kapsayıcı açıklaması,
basit bir şekilde , mevcut olmayan genel çıkarımın, kural veya öğrenmeye dayalı
yaklaşımların kombinasyonları kullanılarak yapılamayacağıdır. Başka bir
deyişle, tümevarımsal çıkarım olmadığında, sistem performansı dar olmalıdır—genel
zeka mevcut değildir. Darlık kaçınılmazdır.
Watson,
ne pahasına olursa olsun, etkileyici bir dizi makine öğrenimi tekniği kullandı.
Yaklaşık 25.000 Tehlike! sorular analiz edilerek sistem için 5,7 milyon
eğitim örneğine dönüştürülmüştür. Sistem soru-cevap çiftleri üretti, kanıtları
işleme hattında topladı ve istatistiksel teknikler kullanarak çiftlerin
listesini puanladı - bunların tümü, sonucun bilindiği eski oyunlar hakkındaki
veriler nedeniyle mümkün.
Watson'ın derin öğrenmeyi
kullanmamış olması dikkat çekicidir - en azından 2011'de televizyonda
yayınlanan etkinlikte insan şampiyonları geride bırakan Watson versiyonu değil.
takım. Daha güçlü öğrenme algoritmaları mevcut olmasına rağmen, düzenli
lojistik regresyon olarak bilinen nispeten basit bir makine öğrenme tekniği
kullanıldı. (2011'de derin öğrenme hâlâ görece bilinmiyordu.) Daha güçlü
öğrenme sistemleri basitçe daha fazla hesaplamalı eğitim ve test masrafına yol
açardı—sonuçta yapay zeka bir araç takımıdır. Watson sisteminin belirli bir teknikte
gerçek bir yeniliği yoktu, ancak bunları ayrıştırılabilir bir ardışık düzenin
(UIMA kullanarak) "akıllar toplumu"ndan ilham alan çerçevesinde
birleştirerek birinci sınıf sonuçlar elde etti. Çıkarımsal olarak Watson,
akıllı bir mimaride birleştirilmiş yapay zekadaki tüm mevcut tümdengelimli ve
tümevarımsal yaklaşımları kullanma gücünün bugüne kadarki belki de en iyi
örneğidir. Ancak, Vikipedi başlıklarının hilesini çıkarın ve başarılı olmazdı.
Hibrit olsun ya da olmasın, bilinen tüm diğer sistemler gibi, sonunda hala dar
- çok dar -.
MANTIKLI
PİYANOLAR VE SEYAHATLER
Charles Sanders
Peirce, mantıksal çıkarımı keşfetmek için makineleri kullanma olasılığını
biliyordu. Bilgisayarlar henüz yoktu ama onlar hakkında fikirler vardı ve bazı
fiziksel cihazlar yapılmıştı. İngiliz mantıkçı ve filozof John Venn (kendi
adını taşıyan Venn diyagramlarının yaratıcısı), tamamen otomatik bir mantık
makinesi inşa etme konusunda spekülasyon yapmıştı. Ve Peirce'in Johns Hopkins
Üniversitesi'ndeki öğrencilerinden biri olan Alan Marquand, aslında 1881'de bir
mantıksal makine üzerinde çalışmaya başlamıştı. İngiliz William Jevons.
Marquand'ın makinesi, Peirce'in hayatının çoğunu incelemek için harcadığı bir
alan olan tümdengelim mantığındaki sorunları çözmeyi amaçlıyordu. Peirce,
mantık makinesinin geliştirilmesiyle aktif bir şekilde ilgilendi ve Marquand'ın
mekanizmasının elektromanyetik çalışması için tasarımlar çizdi.
, 1887'deki deneyim hakkında, American Journal of Psy chol ogy'de "Logical Machines" başlıklı, tuhaf bir şekilde
ileri görüşlü bir makalede yazarken, karakteristik olarak uyarıcı yorumlarla
başlıyor. "'Laputa'ya Yolculuk'ta bilimi otomatik olarak geliştiren bir
makinenin tanımı var , " diye yazıyor. "Niyet, herhangi bir 'araç'ın
zihnin işini yapabileceğini varsaymanın saçmalığını göstererek, Aristoteles'in
Organon'u ve Bacon'ın Organon'u ile alay etmektir." Şüpheci Peirce,
Swift'in hayal gücünün bilgeliğini hiç şüphesiz takdir etti. Ancak, kendisinin
ve Marquand'ın üstlendiği önemli işi vurgulamak için Promethean ruhuna
yeterince kapılmıştı. Öğrencisine ve öğrencisinin selefine itibar etti:
"Yine de Jevon ve Marquand'ın mantıksal makineleri, tesislerin beslendiği
ve bir manivelanın dönüşüyle sonuçları ortaya çıkaran değirmenlerdir."
Amerikalı mucit Charles Henry Webb de aritmetik yapmak için bir makine
tasarlamıştı ve İngiliz dehası Charles Babbage bir kavram ispatı geliştirdi
(hamilesi Ada ile birlikte ).
Lovelace) genel
hesaplamalar yapan daha vizyoner bir makine için . Bunlar, "basit olmayan
bir şekilde akıl yürütebilen" makinelerdi. 16
tümdengelimli tasımların
otomatikleştirilmesine ilişkin ayrıntılı tartışmaya başlar . Peirce, makalenin
sonunda, yarım kalmış işleri bir araya getirerek, şimdi Yapay Zeka dediğimiz
şeyin olasılığı hakkında yorum yapıyor . "Her muhakeme makinesinin, yani
her makinenin doğasında iki yetersizlik vardır. Her şeyden önce, her türlü
özgünlükten, her türlü inisiyatiften yoksundur. Kendi sorunlarını bulamıyor;
kendini besleyemez. Kendini farklı olası prosedürler arasında yönlendiremez.” 17
Peirce daha sonra, çözümü düzinelerce adımda öncüllerin seçilmesini
gerektiren karmaşık bir mantıksal problemden alıntı yapar. Belki örnek bir
şekilde çözülebilir (muhtemelen bugün olabilir). Peirce bu olasılığa izin
veriyor ama önemli değil. Bu noktayı kaçırıyor. "Bunu yapmayı başarsak
bile, makinenin orijinal inisiyatiften tamamen yoksun olacağı ve yalnızca
yapması hesaplanmış olan özel türden şeyleri yapacağı gerçeği yine de geçerli
olacaktır." 18 Peirce, birçok düşüncesi gibi, ölümünden on
yıllar sonra başlayan ciddi bir tartışmaya burada katıldı.
Bilimi mitolojiyle
renklendiren , hâlâ kafa karışıklığı içinde görünen basit bir fikri de ekliyor
. “Ancak bu, bir makinenin kusuru değil; kendi işini değil, bizim işimizi
yapsın istiyoruz.” Darlık tuzağı da Peirce'e göre makinelerin bariz bir
özelliğiydi : "bir makinenin kapasitesinin mutlak sınırlamaları vardır;
belli bir şeyi yapması için yaratılmıştır ve başka hiçbir şey yapamaz.” 19
Ömrünü insan zekasının gizemini keşfetmekle geçiren bilim adamı,
makinelerin tasarım gereği zayıf ve uygun olmayan ikameler olduğunu çok iyi
biliyordu. Swift'in fantezilerinde bilgelik vardı.
Sonraki
yüzyılda Turing, makinelere "orijinal inisiyatif" aşılama zorluğunu
önce onları bizimle konuşacak şekilde programlayarak üstlenmemizi önerdi.
Turing, Peirce'in 1950 tarihli makalesinde Leydi Lovelace'e atfettiği
itirazının farkındaydı. Ayrıca basit öğrenme algoritmalarıyla oynamıştı ve 1950'lerin on
yılında tek katmanlı sinir ağları (perceptron olarak adlandırılır) ortaya
çıktı. Anlaşılır bir şekilde Turing , insan beynini model alan öğrenen
makineler yaratarak Peirce ve Lovelace'in itirazlarından kurtulabileceğimizi
düşündü . "Computing Machinery and Intelligence"ı okuyan biri,
öğrenmenin makinelerin içsel sınırlamalarından tek gerçek kaçışı ve Turing
testini geçmek için tek gerçek umudu temsil ettiği izlenimine kapılır.
Fikirlerin
sonuçları vardır. Sonraki bölümlerde, sizi yapay zeka mitinin sonuçlarının
bilimsel keşif ve inovasyonun geleceği ve ironik bir şekilde yapay zeka
alanında ilerleme için önemli ve hatta ciddi bir tehdit oluşturduğuna ikna
etmeyi umuyorum. Bu son bölüm geleceğimizle ilgili, ama geçmişten başlamalıyız,
çünkü yaşamı yaratma, yapay zeka tasarlama sorunu - kelimenin tam anlamıyla,
makinedeki bir zihin - her zaman bir mitoloji duygusuyla, insanların ötelere
ulaştığı duygusuyla aşılanmıştır. kendileri ve tanrısal güce ulaşmak. AI
efsanesi Promethean'dır.
PROMETHE
MİTİ
Prometheus,
hayatı temsil eden ateşi Zeus'tan çaldı ve onu dünyadaki herkes için et
pişirmek için kullandı. Şaşırtıcı olmayan bir şekilde, Zeus sinirlendi ve
insanlığın pişirdiği her hayvandan adil payını talep etmek için Dünya'ya indi.
Prometheus daha sonra Zeus'u sadece bağırsakları ve bağırsakları kendi payı
olarak seçmesi için kandırdı.
Hikaye, insan güçlerinin
genişlemesi hakkındadır. Bu, insanlarda var olan ve görünüşte tükenmez yaratıcı
ruhun bir kanıtıdır. Aynı zamanda kibir hakkında bir hikaye. Prometheus, Zeus'a
en iyi kesimleri sunarak ateşini koruyabilir ve karaciğerini bağışlayabilirdi.
Gerçek yapay zekaya duyduğumuz derin özlem, Promethean mitinden ilham alıyor.
Potansiyel olarak korkunç sonuçlara - sonsuz cezaya, daha az değil - rağmen
tanrılardan ateşi çalmak istiyoruz.
Prometheus cezalandırılmış
bir kahramandı, bu yüzden Mary Shelley kalıcı romanına Frankenstein: Or, a
Modern Prometheus adını verdi. Franken stein, onlarca yıl boyunca
Hollywoodlaştırıldı ve gülünç bir yeşil canavar hikayesine dönüştü. Ama bu
gerçekten insanoğlundaki Promethean ruhu ve bunun sonuçları hakkında bir
hikaye. Genç ve yeni evli Mary Shelley , kocası şair Percy Shelley ve başka
bir şair olan Lord Byron ile gece geç saatlerde yapılan tartışmalardan sonra,
Frankenstein'ı İsviçre'deki bir otelde bir kabusta tasarladı. Rüyasındaki
görüntüler hiçbir zaman canavarı yaratmak için bir plan sağlamadı, bu yüzden
yaratılışı başından beri modern mitin kalbindeki insan sorusunu sordu: Ya böyle
bir varlık mümkün olsaydı?
Turing, Shelley'nin anladığı
anlamda "çılgın bir bilim adamı" değildi. Bletchley bir işbirliğiydi
ve Turing'in daha sonra dünyanın ilk evrensel elektronik bilgisayarını
oluşturma çabaları da ekip tabanlıydı. Amerika'da Von Neumann'da, Von
Neumann'ın ender bir dehaya ve emrindeki derin bilimsel ve finansal kaynaklar
havuzuna sahip olmasıyla, onu eninde sonunda yenecek bir yeteneğe tanık oldu.
Turing ve Von Neumann bilimsel maceraperestlerdi, ancak dehalarının yerini alan
ve onları başka yeteneklerle dolduran bir ortamda çalışıyorlardı.
Turing'in 2000 yılına kadar
gerçek sohbetlere girebileceğine inandığı (hatırlayın) yapay zeka hakkında
düşünürken muhtemelen Promethean fikrine benzer bir şey vardı . sıradan
kavrayış: Einstein, parlak mantıkçı Kurt Godel ve tabii ki Von Neumann.
Bilgisayar biçimciliği -Turing'in adını taşıyan Makine- bilim için "dışarıda"
olduğunda, belki Bletchley ortamında çalışan bir bilim adamı insan zihninin
sırlarını çözebilir ve bunları kodlayarak yazabilir. Çünkü bilim adamları,
"bilimin evrimi" gibi kaprislere , zemin olarak buzlanma dışında
inanmazlar . Bilimsel dehaya gerçekten inanıyorlar. Gerçekten de hepsi
Prometheus'a, yenilikçilerin hayal edip başarabileceklerine sahip.
Bununla birlikte, AI
üzerindeki çalışmalar engel üstüne engeli aşmaya devam ettikçe, Promethean
bireyler tarafından şaşırtıcı inovasyon efsanesi, araştırma ve daha geniş
kültürdeki kültürel arketiplerden kayboluyor. Onun yerine, insan potansiyeline
olan inanç azaldıkça büyüyen yapay zeka hakkında pasif bir evrim mitolojisine
sahibiz.
KOVANLAR
VE MAKİNELER
Zeka odağını
insanlardan makinelere kaydırmak, kaçınılmaz olarak insan kültürü için sonuçları
olan bir kumardır - daha iyi bir konum için malzemenin feda edilmesi anlamına
gelen bir satranç terimidir. Bilimsel ve ampirik kanıtlar kaçınılmaz olsaydı,
bu kumarı kabul etmek zorunda kalırdık - süper zeki uzaylıların geldiğini ve
hızla herkesi zekasıyla alt edip kontrolü ele geçirdiğini varsayalım. Böyle bir
kanıtın yokluğunda , bu, azalmış bir yenilik ve ilerleme kültürüne yol açan bir
hiledir. Mecbur değilsek, insan inovasyonuna olan inancımızı neden feda edelim?
Oyun, ironik bir şekilde
muhafazakar; akıllı telefonların süper zekaya dönüştüğü görüldüğünde, radikal
buluşlar gereksiz hale gelir. Dizginsiz "ilerleme"den bahsederken,
statükonun yararına olan tasarımları ve fikirleri yerinde tutuyoruz. İnsan
zekası, bir arı kovanı gibi kolektif hale gelir, ya da daha kötüsü, Star
Trek'in Borg Collective'inin kovan zihni gibi, her zaman perde arkasında
görünmez biri tarafından organize edilir. Temel olarak, bu mitolojide insan
zihni, gelmekte olan makinelerin modası geçmiş bir versiyonudur.
Ama gördüğümüz gibi, bunların
hiçbirine inanmak için bilimsel bir nedenimiz yok, bu yüzden gerçek hayatla
mitolojik oyunlar oynamamalıyız. Kendi seçtiğimiz bir sınırı ileriye taşımak
için teknoloji geliştirmeliyiz.
Yeni yüzyılın ilk on yılında
yaptığımızın bu olduğunu düşündük.
MAKİNELERİN
YÜKSELİŞİ (OLDU:
İNSANLARIN
YÜKSELİŞİ)
Vikiler ve bloglar gibi "kullanıcı tarafından oluşturulan
içerik" için bir dizi yeni teknolojiyle "Web 2.0" sahneye
çıktığında, birçok kültür ve teknoloji eleştirmeni, insan potansiyelinde bir
patlamanın, yeni bir olasılık çağının ortasında olduğumuzu varsaydı. 2005'te
yapay zeka, 2000'in
son “Dot Com” balonunun yaralarını sarmaya devam ediyordu ve makine öğrenimi ve
büyük veriler henüz abartı moduna hazır değildi. Vatandaş Blogcular vardı. 2005
dolaylarında, web'i ve özellikle Web 2.0 teknolojilerini, kaderinde insanların
zekasını ve yaratıcılığını özgürleştirmeye yönelik yeni baskı makinesi olarak
gören koca bir düşünce okulu ortaya çıktı. Web , bizi yalnızca daha akıllı ve
daha bilgili hale getirmeyi değil, aynı zamanda modern dijital piramitler inşa
ederek ve bilim ve kültürü dönüştürerek daha etkili bir şekilde işbirliği
yapmamızı sağlamayı vaat etti. 2020'de bunu yazarken , orijinal Web 2.0
fikirleri çoktan ortadan kayboldu. Aslında, düpedüz gerçeküstü görünüyorlar.
Şu anda New York
Üniversitesi'nin Etkileşimli Telekomünikasyon Programı'nda profesör olan yazar
ve danışman Clay Shirky, bir zamanlar Here Comes Every one ve Cognitive
Surplus: Creativity and Generosity in a Connected Age gibi Web 2.0 döneminin
en çok satan kitaplarını kaleme almıştı. aşırı bilgili, sosyal açıdan
bilinçli vatandaş, yeni bir insan. 2 Biraz şovence, mesajı hâlâ
açıktı: İnternet kullanıcıları, dünyayı haber ve bilginin üretimini ve akışını
haksız bir şekilde kontrol eden ana akım basın ve medya gibi sıkıcı
"bekçilerden" kurtararak, kural kitaplarını yeniden yazmaya hazırdı.
"Güç insanlara" 2000'lerin ortalarının kinayesiydi; kendini
kopyalayıp bloglarda, yorumlarda ve kitap raflarında (ve e-kitaplarda) sonsuza
kadar yayılan bir memdi.
Harvard
Üniversitesi Girişimcilik Hukuku Çalışmaları profesörü Yochai Benkler, 2006'da
çok okunan The Wealth of Networks: How Social Production Transforms Markets
and Freedom adlı kitabında yeni bir çağın üzerimizde olduğunu, çok sayıda
net çalışan insanın bir tür devrim olacağını ilan etti. Maaş çeki gibi
gereksinimler olmadan, tümü kamu yararına olan çevrimiçi ortak projeler
üstlenin. 3 Wikipedia, mali karşılık beklemeden işbirlikçi bir
üretim örneği olarak onun görüşünü destekliyor gibiydi. Wired editörü
Kevin Kelly (ve diğerleri) daha sonra, Benkler'in çevrimiçi işbirliğine
övgüsünü, en ufak bir ironi veya alay fısıltısı olmadan, arıların sosyal zekasına
bir selam, bir kovan zihni olarak adlandırdı. Benkler, John Stuart Mill'den bir
alıntıyla Web 2.0 dünyasına yönelik akademik açıdan ciddi toplanma çığlığını
kendisi başlattı: "İnsan doğası, bir modelden sonra inşa edilecek ve tam
olarak onun için öngörülen işi yapmaya ayarlanmış bir makine değil, bir
ağaçtır. onu canlı yapan içsel güçlerin eğilimine göre her yönden büyümesini ve
gelişmesini gerektirir. 4
Mükemmel bir alıntı. Ancak
Mill'in sözleri bugün onlara tuhaf bir hava veriyor, çünkü büyük ölçüde onun
ağırlık merkezi bir makineden çok insan.
Shirky'nin fikirleri de artık
onlara tuhaf ve naif bir his veriyor. Bilişsel fazlalık, herkesin internete
girdiğinde, durum komedisi izlemek gibi zihin uyuşturan etkinlikleri
bırakabileceği veya azaltabileceği içgörüsünü yakalar. İnternet çağında, Arap
Baharı'nda toplumsal devrim yaratmak veya kansere çare bulmak gibi iyi bir
kullanıma çevirebileceğimiz bilişsel -düşünme-gücü fazlalığı var. Shirky'nin
öncü kitabı Here Comes Every body, polisin mobil teknolojiyi kullanarak
dolandırıcıları yakalamasına yardım eden sıradan insanlarla ilgili anekdotlarla
dolu. 5
Zaten ciddi bir çevrimiçi mem
olarak "insan potansiyelinin" öldüğü bir yıl seçmek zorunda
kalsaydık, 2008 önde gelirdi. "Büyük veri" sözlüğe girdi. Wired'dan
Chris Anderson, büyük verinin bilimde teorinin yerini alacağına dair
provokasyonunu yayınladı; bu, insan inovasyonunun basitçe hesaplamaya
devredilebileceğine dair o kadar da ince olmayan bir öneriydi .
Ve 2008 yılına kadar AI, veri
bilimi olarak modern kisvesi altında yeniden paketlendi. Geçmişe bakıldığında
buradaki gidişat açık görünüyor: yeni bir insani gelecek oluşturan yurttaş blog
yazarlarından -bireylerden; zihinleri meşgul etmek, ansiklopediler yapmak;
insan düşüncesinin yerini alan, hatta bizi bilimdeki sinir bozucu teoriden
kurtaran büyük veriye ve yapay zekaya. Benkler, sadece iki yıl önce Mill'den
alıntı yaparak "İnsan doğası bir makine değildir" dedi. Şaşırtıcı bir
şekilde, Benkler'in çevrimiçi insanlık umudu , artık insan yaratıcılığının yerini
alan ve görmezden gelen yapay zeka - bir makine devrimi - hakkındaki mitolojiye
dahil oldu. Bugünlerde AI hakkında yapılan pek çok tartışma gibi, dönüşüm de
aptalca motive edilmiş ve tasarlanmış görünüyor.
Bilim adamları ve
entelijansiyanın diğer üyeleri sonunda, teorik "modeller" veya
çerçeveler büyük veri analizinden önce geldiğinden ve makine öğrenimine özel
olarak yapılacak, analiz edilecek bir şey verdiğinden, teorisiz bilimin bir
anlam ifade etmediğine işaret ettiler. Ancak 2000'lerin ortalarındaki Web
2.0'ın zamanın ruhu, 2010 yılına kadar “güç insanlara” yaklaşımından aniden
uzaklaştı.
İki
yıl sonra, 2012'de, Derin Öğrenme sistemleri, Flickr fotoğraf veri kümelerini
kullanarak ünlü ImageNet yarışmalarında rakiplerini şaşırttı ve ses tanıma ve içerik
kişiselleştirme gibi diğer tüketici sorunlarında - Facebook gibi şirketlerin
(ki bu o yıl on altı milyardan fazla halka açıldı) ve Google'ın, reklam satmaya
ve kullanıcılarına içerik önermeye ihtiyacı vardı. Facebook, Amazon, Google ve
diğer teknoloji devleri büyük veri yapay zekasını hızla benimsedi ve çok geçmeden herkes
yurttaş blog yazarlarını unuttu. Entelijansiya, bizim için blog yazacak ve
haber yazacak bir yapay zekayı övmeye başladı. Sonra, bizi değiştireceklerdi.
Geriye dönüp bakıldığında, Lanier'in 2010 tarihli You Are Not a Gadget'taki
endişesi ileri görüşlüydü, ancak çok geçti: "Bir insanın ne
olabileceği ve her bir kişinin kim olabileceğine dair beklentileri azalan yeni
bir nesil yaşlandı." 6
Belki de kovan zihni fikrinin
kendisi bugün biraz tuhaf görünüyor, en azından aynı derecede iç karartıcı bir
nedenden ötürü, insan potansiyeli hakkındaki ana fikirlerin gerilemesi.
2005'te Google hâlâ bir mucizeydi, insan inovasyonunun harika bir örneğiydi.
Bugün, her yerde bulunan arama motoru devimiz cebimizdeki anahtarlık gibidir.
Bunu fark etmekten bile vazgeçtik. James Surowiecki'nin 2005'teki hit filmi The
Wisdom of Crowds'un üzerinden on yıldan daha kısa bir süre geçtikten sonra
, Twitter'da veya diğer sosyal ağlarda insanların kolektif bilgelik -ya da en
azından bilgelik- sergiledikleri fikri gülünç görünüyordu. 7
SİNİR BİLİMİ
“Hive mind” artık
bu kadar ciddiye alınmasa da sözlükte kalıyor. Ama onun dalı en olası olmayan
yerlerde, bilimin kendisinde ortaya çıktı. Akıl için kurdeşen, ardından
bilimsel keşif için "sürüler".
İnsan
Beyni Projesi olarak bilinen büyük bir ortak çabanın parçası olan Uluslararası
Nöro bilişim Koordinasyon Tesisi'nin eski yöneticisi Sean Hill'i ele alalım . 2015
antolojisi The Future of the Brain için yazan Hill, büyük ölçekli
işbirlikçi çabaları bilimin geleceği olarak görüyor ve bireysel bilim
adamlarını en iyi şekilde sürülerin bir parçası olarak anlıyor: "İnsan
Beyni Projesinin bir amacı, yeni bir beyni tetiklemek ve kolaylaştırmaktır.
nörobilimde küresel işbirliği dalgası ................................................................................ Eğer
Topluluğun
katılımını sağlamada başarılı olan amaç, beyni ve bozukluklarını birlikte anlamanın
temel zorluklarına saldıran bilim adamlarına sahip olmaktır - her bireyin
katkısı için takdir alacağı bir ortamda. 1
Bu, kulağa umut verici gelen
"küresel işbirliğinden" bireysel bilim insanlarının katkıları için
saçma sapan deflasyonist bir metaforu çağrıştıran ( bireysel keşfin kendisini
etkili bir şekilde reddeden) "bilim insanı sürüleri"ne ve bir takibe
kadar bir fikir karmaşasıdır. bromür hakkında “her birey . . . kredi alıyor.”
Avrupa'da
sürmekte olan, rezil İnsan Beyni Projesi'nin önemli oyuncularından biri olan
Hill için boş bir gündü . Ancak bir zamanlar bu projenin yöneticisi olan Henry
Markram, Albert
Einstein gibi dahilerin artık gereksiz olduğunu savunarak Hill'in bilim
vizyonunun da bir savunucusudur : beyin çalışır. Aslında ihtiyacımız olan şey,
egolarımızı bir kenara bırakıp yeni bir tür kolektif nörobilim yaratmak.” 2
Ama kolektif sinirbilimi öne sürmesinin, artık biliyoruz ki, süper zeki
bir bilgisayar beyni yaratmak, diğer bilim adamlarını kesin ama yanlış bir yol
izlemek için kaynak olarak kullanmak şeklindeki kendi mitolojik vizyonuydu.
İNSANLARIN
UYGULAMASINA GEREK YOKTUR
Kovan
zihinlerinden bahsetmek gibi sürü bilimi hakkındaki retorik, kaçınılmaz olarak,
insan potansiyelinin makinelerin yükselişi lehine küçümsendiği bilgisayar
merkezli bir dünya görüşüne yol açar. Bilim, insan fikirlerinden mega
teknolojiye kadar çevrimiçi kültürü takip ediyor, bu da büyük teknoloji
şirketlerinde gücün sağlamlaşmasına ve inovasyon hızında genel bir durgunluğa
yol açtı .
Web 2.0 fütüristleri bunu çok
iyi biliyor. "Kullanıcı tarafından oluşturulan içerik" platformları,
öncelikle insan olasılığına ilişkin yeni vizyonları ateşledi. Ardından,
teknoloji olgunlaştıkça, insanları büyük işbirlikçi çabalarla birbirine
bağlama vizyonları ve son olarak , makinelerin geleceği hakkındaki
anlatılarında insanları kenara iten kaçınılmazlık mitolojisindeki yapay zeka
geldi.
Aynı eğilim şimdi temel
araştırmalarda da görülüyor. Bir zamanlar insan zekasının bir zaferi olan
bilim, şimdi büyük verinin gücü ve yeni hesaplama yöntemleri hakkında bir
retorik bataklığına doğru gidiyor gibi görünüyor; burada bilim adamlarının rolü
artık bir teknisyen olarak, temelde mevcut teorileri IBM Blue Gene süper
bilgisayarlarında test etmek. .
Ancak
bilgisayarların içgörüleri yoktur. İnsanlar yapar. Ve işbirlikçi çabalar,
yalnızca bireylere değer verildiğinde etkilidir. Birinin bir fikri olmalı.
Bletchley'deki Turing bunu biliyordu ya da öğrendi, ancak dersler o zamandan bu yana on
yıllar içinde kaybedildi. Teknoloji, daha doğrusu yapay zeka teknolojisi artık
"bizi" "o"nun içine çekiyor. Şaşırtacak bir şekilde, şimdi konuşma
makinelerine yer açmak için Einstein'ı küçümsüyoruz .
Büyük ölçekli nörobilim
projeleri bu noktada talihsiz bir durumdur.
İNSAN
BEYNİ PROJESİ
İnsan Beyni
Projesi resmi olarak Ekim 2013'te Avrupa Birliği'nden on yıllık, 1.3 milyar
dolarlık bir ödülle başlatıldı ; Proje başlangıçta, Lozan'daki İsviçre Federal
Teknoloji Enstitüsü'nde sinirbilimci olan Dr. Henry Markram liderliğindeki
dünya çapında 150'den fazla kurumu kapsıyordu . Markram , bir sıçanın
beynindeki neokortikal sütunun tamamını bir IBM Blue Gene süper bilgisayarında
bir bilgisayar simülasyonunda silis içinde modellemeye yönelik iddialı bir
girişim olan Mavi Beyin projesiyle tanınıyor.
İnsan Beyni Projesi'nin
hedefleri, Blue Brain'in kapsamını , tüm insan beyninin eksiksiz bir bilgisayar
simülasyonunu içerecek şekilde genişletiyor; Markram'ın 2009 TED konuşmasında
duyurduğu bir hedef, on yılın sonunda karşılanacaktı - diğer birçok nöro bilim
adamı olmasına rağmen aynı fikirde değildi. Yapay zeka hakkında ileri sürülen
fütüristik iddialar gibi, Markram'ın tahminleri de yanlıştı -çok yanlıştı- ve
neyse ki bilim adına tahminlerinin başarısızlığı tamamen göz ardı edilmedi.
2019'da The Atlantic'te yazan Ed Yong, diğer sinirbilimcilerin başından
beri öngördüklerini kısa ve öz bir şekilde belirtti: “On yıl oldu. Başarılı
olamadı.” 3
Temel bilimsel araştırma
yapmak için sürü bilimi fikri bariz bir hatadır ve insan katılımını azaltmak ve
çabaları yeniden süper bilgisayarlara ve mevcut teknolojiden çıkarım yapan
büyük verilere yeniden odaklamak için bilinçli veya bilinçsiz olarak bilinen
hareket, sadece, sadece ifşa edilmelidir. yapay zeka hakkındaki benzer
yutturmaca ile yüzleşilmelidir.
Ayrıca endişe verici olan,
Markram ve Hill'in nörobilimin geleceği hakkındaki fikirlerinin, bilimi
fikirlerden ziyade hesaplama ile ilerletmeye çalışan dünya çapındaki bilim
adamlarının eğiliminin halka açık örnekleri olmasıdır. Markram ve İnsan Beyni
Projesi, merkez parçaları süper bilgisayarlar olan Büyük Bilim'den "ortaya
çıkan" zeka hakkındaki mitolojinin belki de en korkunç örnekleridir; ancak
diğer projeler, daha az kamuya açık, aynı hataları yapıyor.
Örneğin, İnsan Beyni Projesi
ödülünün hemen ardından, Obama yönetimi , 2014 mali yılı için ilk 100 milyon
doları beklenen harcamalarla birlikte yatıran, aynı derecede iddialı bir Büyük
Bilim çabası olan Gelişmiş Yenilikçi Nöroteknolojiler (BRAIN) yoluyla Beyin
Araştırması girişimini duyurdu. on yılda tam 300 milyon dolar. BRAIN inisiyatifi,
nöron devrelerini ve birden fazla bireysel nöron içeren beynin diğer işlevsel
alanlarını modelleyebilen teknolojiler geliştirmeye odaklanmaktadır .
Seattle'daki Allen Beyin Bilimi Enstitüsü'nden Allen Beyin Atlası gibi daha
küçük ama önemli beyin simülasyon projeleri de yolda.
İnsan Beyni Projesi ve BRAIN
girişimleri, yüksek profilli hedefler, yukarıdan aşağıya yönetim, iyi finanse
edilen ve teori yerine mühendislik odaklı olan açıkça Büyük Bilim projeleri
olsa da, aynı zamanda yapay zeka projeleri olarak faturalandırılırlar.
Özellikle, günümüzdeki büyük nörobilim çabaları neredeyse evrensel olarak büyük
veri projeleri olarak desteklenmektedir. Bu projeler için veri gereksinimleri
kesinlikle bu terimi hak ediyor. Kavli Vakfı, BRAIN Initiative'in bir
"veri tufanı"ndan sağ çıkması gerektiğine dikkat çekiyor: "Tek
bir farenin beynindeki nöronların yalnızca bir kısmını ölçmek, neredeyse 17 mil
uzunluğundaki Büyük Hadron Çarpıştırıcısı veya en gelişmişi kadar veri
üretebilir. astronomik gözlemevleri.” 4 Kavli, her iki Büyük Beyin
projesinin literatüründe belirgin bir şekilde yer alan bir temanın altını
çiziyor: beyin hakkında daha fazla veriyi manipüle etme yeteneğinin önemli
olduğu düşünüldüğünden, veri güdümlü yapay zekanın sinirbilimle evliliği hem
bir bilgi teknolojisi mücadelesi hem de büyük bir fırsat. başarılı araştırmaya
çevirir.
Gerçekten de, büyük veri şu
anda devam etmekte olan Büyük Beyin projeleri hakkındaki tartışmaların
merkezinde yer alıyor. Örneğin Markram'ın kendisi, İnsan Beyni Projesi'nin veri
entegrasyonu ile ilgili olduğu konusunda ısrar ediyor. (Nörobilim değil mi?)
Ve Amye Kenall, BioMed Central'da İnsan Beyni Projesi'nin aranan
"yeni süper bilgisayarı" tartışırken, "sinirbilimlerin
veri-yoğun bir bilim olarak genomik bilimini kolayca aşacağını" yazıyor.
Kenall'ın belirttiği gibi, mevcut süper bilgisayarlar "peta ölçeğinde"
çalışıyor, ancak İnsan Beyni Projesi'nin "exascale" bilgi işlem
kaynakları gerektirmesi bekleniyor, bu nedenle proje, nörobilim araştırması ile
birlikte, ilk exa ölçeğinde süper bilgisayarın geliştirilmesini de finanse
ediyor. . 5
Genetik
Okuryazarlık Projesi için yazan Golden, haritalama sorununu şu şekilde
açıkladı:
İnsan
beyninin yaklaşık olarak 86 milyar nörona (8,6 x 1010) sahip olduğu tahmin
edilmektedir, her nöron muhtemelen on binlerce sinaptik bağlantıya sahiptir;
bu küçük konuşma siteleri, nöronların bilgi alışverişinde bulunduğu yerlerdir.
Toplamda, yüz trilyondan fazla nöronal sinaps olması muhtemeldir; bu nedenle,
sinapslar hakkında, örneğin bir zaman penceresinde çalışıp çalışmadığı gibi
basit bir ikili bilgi parçasını kaydeden bir bilgisayar, 100 terabayt
gerektirir. Bir kişi için bir gün boyunca bu çok basit bilgiyi bile saniyede
bir depolamak için gereken depolama miktarı 100.000 terabayt veya 100
petabayttan fazla olacaktır. Süper bilgisayarlar bugünlerde yaklaşık 10
petabayt tutuyor. Ve bu hızlı hesaplama, bu sinapsların bağlantı ve
konumlarında zaman içinde meydana gelen değişiklikleri hesaba katmaz. İyi bir
gece uykusundan veya matematik dersinden hemen sonra bu bağlantıların nasıl
değiştiğini saymak, muazzam bir rakama (ve evrendeki tahmini 1080 atomdan çok
daha fazla bayt ) eşittir. Kablolama sorunu, boyutuyla intrac tablosu gibi
görünüyor. 6
Markram ve diğer
araştırmacılar, elbette, nörobilimdeki haritalama sorununun görünüşteki
inatçılığının farkındalar ve burada, onun ve diğerlerinin, ana hareket ettirici
olarak Büyük Veri Yapay Zekasına devam eden bağlılığı yatıyor. Kendi ifadesiyle
"veri entegrasyonundan" yeni içgörüler ortaya çıkacaksa, o zaman
nöronları devreler ve daha büyük fonksiyonel birimler (mesa devreleri) halinde
birbirine bağlayan ilkeler, haritalama problemini sınırlayacak ve araştırmacıların
şu anda karşı karşıya olduğu hesaplama karmaşıklığını basitleştirecektir.
Başka
bir deyişle, büyük veri ve yapay zeka, nörobilimin kendisinde eksik olan teori
parçalarını sağlayacaktır. Bu görüşe göre, Big Brain projelerini
eleştirenlerin dikkatini dağıttığı düşünülen bilgi teknolojisi, aslında bu tür
projelerin neden (nihayetinde) başarılı olacağı tartışmasının bir parçasıdır:
Teknoloji, yapay zekanın kendisi, insanların eksik parçaları dolduracağı,
şimdiye kadar başarısız oldu.
YİNE
BÜYÜK VERİ
insan
düşüncesinin doğasına ilişkin önemli soruları ele alarak bilimin büyük resmine
dair bir vizyon geliştirmeye yönelik cesur girişimlerdi . Gerçekten de,
projenin başarısızlığından yılmayan Markram, Data Brain projelerini yapay
zekaya giden bir yol olarak hiç çekinmeden ilan eder. Yapay zeka ve nörobilimin
insan zekasının ve belki de bilincimizin gizemini çözeceğine inanıyor. Yıllar
boyunca halka açık bir dizi röportajda Markram, nöronal aktiviteyi (iyon
değişimleri düzeyinde) destekleyen "istatistiksel ilkeleri" keşfetmek
için dünyanın her yerindeki projelerden sağlanan beyin hakkındaki verileri
kullanarak nöronları modellemeyi planladığını belirtti. ) ve tam bir harita
ortaya çıkana kadar insan beynindeki daha büyük fonksiyonel nöron birimlerini birbirine
bağlamak.
Bu haritanın daha sonra insan
benzeri davranışlar sergileyebileceğini düşünüyor. Ray Kurzweil gibi
fütüristler ve diğer AI mit yaratıcıları da bu inançta ısrar ediyor. Başka bir
deyişle, akıllı düşüncenin ilkelerini, mühendisliğe indirgenebilecekleri ,
robotik ve yapay zeka sistemlerine programlanabilecekleri noktaya kadar
anlayacağız. Sinirbilimdeki büyük ilerlemelerin hemen ardından yeni bir yapay
zeka çağı başlayacak. Ve yine, yapay zeka nedeniyle önceki nesillerin başarısız
olduğu yerlerde başarılı olacağız: daha önce farklı araştırmalarla dolup
taştığımız ilke ve teorileri keşfetmemizi sağlayan veri hacimleri ve veri
entegrasyonu ve analiz platformlarına erişimimiz .
Başka
bir deyişle, yapay zeka, Büyük Beyin girişimlerinin daha önce gelenlerden yeni
ve farklı görünmesini sağlayan şeydir - sinirbilim teorisindeki atılımlar
değil, hesaplama kapasitesi ve veriler. Ancak İnsan Beyni Projesi'nin
başarısızlığının açıkça gösterdiği gibi, bu tam bir aptallıktır . Kaçırmaya
kıyasla tümevarım gibi, teknoloji teorinin aşağısındadır ve özellikle bilgi
teknolojisi yeniliğin yerini doldururken, araştırmacılar mevcut fikirleri
kullanarak büyük teknolojik çerçeveler uygulayarak kırılma potansiyelini öne
sürerler.
Yeterli nörobilim bilgisinin
, zihnimizin doğası hakkında henüz daha iyi teorilere sahip olmamamızın temel
nedenlerinden biri olduğu muhtemelen doğrudur - veya en azından varsaymak
mantıklıdır . Özellikle, insan bilişinin ilkelerinin daha iyi anlaşılması, zekanın
gizemini çözmeye adanmış yapay zeka biçiminde olabilir - Mark Ram'ın belirtilen
bir hedefi. Yine de büyük ölçekli beyin simülasyonları (Veri Beyni yaklaşımları),
bu tür bir bilgi arayışımızda her şeyi tam olarak geriye götürüyor gibi
görünüyor. Beynin nasıl davrandığına -nasıl düşündüğümüze, hissettiğimize ve
algıladığımıza- ilişkin bir teoriden, nöronlar ve bilgisayar simülasyonlarında
ifade edilen devreler gibi işlevsel birimler hakkında mevcut bilgiden yoksun
olan pins, bilişin eksik bileşenlerinin bir şekilde toplanan verilerden bir
şekilde ortaya çıkacağını umuyor. bu alt seviyeler.
Bu, elbette, yapay zekanın
kendisiyle ilgili mitolojideki temel bir kibirdir: daha küçük ölçeklerde
bilinmeyen ve hatta bilinemeyen içgörüler, teoriler ve hipotezler, makine
öğrenimi ve diğer tümevarımsal yaklaşımları kullanarak yeterli veri toplayıp
analiz ettiğimizde bir şekilde ortaya çıkacaktır.
İnsan Beyni Projesi'nin Veri
Beyni çabaları ve Amerika Birleşik Devletleri'ndeki BRAIN girişimi,
sinirbilimin genel olarak İnsan Genomu Projesi örneğini izleyeceğini umarak,
bilimin mühendisliğe (ve bilim adamlarının da insan sürülerine)
indirgenebileceğini kanıtlayarak bu şüpheli fikri destekliyor. yardımcılar).
Ancak,
İnsan Genomu Projesi'nin büyük teorik zorlukları göz ardı eden iyi tanımlanmış
hedeflere sahip olduğuna dikkat edilmelidir - bu, en başından beri bir
mühendislik projesiydi. Neyse ki, tüm Data Brain projeleri için durum böyle
değil . Columbia
Üniversitesi'nden Eric Kandel'den, daha önce Cal-Tech'te ve şimdi Allen
Institute for Brain Science'da çalışan Christof Koch'a ve hatta Markram'a kadar
nörobilim araştırmacılarının tümü, beyin resmimizde önemli teori parçalarının
eksik olduğunu kabul edeceklerdir. özellikle daha yüksek işlevsellik
seviyelerinde . En güçlü şekilde Markram'dan ve hâlâ iddialı olan İnsan Beyni
Projesi'nden gelen yanıt, büyük verilerin eksik teoriyi dolduracağı ve bilim
adamlarının zamanlarını geleneksel tarzda - küçük, iyi tanımlanmış araştırma
hedeflerinde - araştırma yaparak boşa harcadıklarıdır . belirli sorun alanları.
Görünüşe göre yapay zeka çağında, teorinin keşif ve deneyden gelmesini
bekleyemeyiz. Bilgisayarlara esnek zekanın nasıl aşılanacağına dair devam eden
teorik bir gizem karşısında bile şaşırtıcı bir şekilde, hesaplamanın insan
zekası üzerindeki üstünlüğüne inancımızı yerleştirmeliyiz.
Bu düşünce bir hatadır ve
ortalık yatıştığında muhtemelen bunda maliyetli olacaktır.
araştırması söz konusu
olduğunda aslında doğası gereği muhafazakardır . Örneğin, İnsan Beyni
Projesi'ndeki araştırmacılar, "veri entegrasyonu" planlarının temeli
olarak mevcut nörobilim araştırmalarını kullanmaktan memnun görünüyorlar,
yanlış bir şekilde simülasyonun karmaşıklığı arttıkça verilerin kendisinin
yanıtlar sağlayacağına inanıyorlar - orijinal bir büyük veri kibri . Bu
nedenle, proje ve diğer benzer düşüncelere sahip yapay zeka güdümlü projeler ,
mevcut deneysel bilginin daha büyük ve daha büyük simülasyonlarına vurgu
yaparak bilimsel keşif sürecini etkili bir şekilde baltalıyor .
Avrupa'nın
İnsan Beyni Projesi ve şimdi Amerika Birleşik Devletleri'ndeki BRAIN Girişimi
gibi yüksek profilli Veri Beyni projeleri, finansman kuruluşlarını ve büyük
ölçüde habersiz halkı, bu tür mevcut bilgilerin süper bilgisayar
platformlarında simüle edilerek büyük hacimlerde veriler elde edildiğine ikna
edebildi. veriler, muhafazakar bir mühendislik projesinden ziyade bilimsel bir
ilerleme teşkil ediyor, genel olarak yapay zekanın bilimdeki rolü hakkındaki genel kafa
karışıklığına değiniyor.
Örneğin, başlangıçta Markram
tarafından savunulan ve İnsan Beyni Projesi tarafından benimsenen bir teknik,
şimdi, çeşitli kılıklarda, genel olarak büyük sinirbilimsel çabalarda geniş
çapta yayılmıştır . "Tahmini nörobilim" olarak adlandırılan bu,
araştırmacıların nöronlar arasındaki bağlantıları simüle etmeye yönelik bir yaklaşımıdır.
Bilinmeyen sinaptik bağlantılar, endüktif makine öğrenimi teknikleri
kullanılarak bilinen bağlantılardan belirlenir. Hem geleneksel sinir ağları
hem de daha güçlü derin öğrenme ağları kullanılır. Markram başlangıçta, makine
öğreniminin fare beyninin kortikal kolonlarında önceden bilinmeyen
bağlantıları doğru bir şekilde tahmin edebildiğini gösterdi. Standart bir F
ölçüsü istatistiği kullanan bir analiz , yaklaşım için yaklaşık yüzde 80'lik
bir doğruluk sağladı.
Biyolojik veri kümelerine
makine öğrenimi uygulamasında bir ilerlemeyi temsil ederken, yaklaşımın
ortalama hata oranı onda ikidir. Bunun, insan beynini tersine mühendislik için
herhangi bir strateji için uğursuz etkileri vardır . Ancak bu endişe bir yana, bilim
kurumu için daha derin sorunlara yol açan, bu tür yaklaşımların ardındaki sığ
mantıktır .
HIGGS
BOZONU
2012'de bilim
adamları, standart fizik modeli Higgs bozonunun uzun süredir kayıp olan bir
parçasını keşfettiler. Higgs bozonunun keşfi genellikle etkileyici bir
teknoloji parçasına, Fransa-İsviçre sınırındaki devasa Büyük Hadron
Çarpıştırıcısına (LHC) atfedilir. LHC, dünyanın en büyük süper çarpıştırıcısını
oluşturan on yedi millik bir borudur.
tahmin
eden bilim adamı Peter Higgs'ten sonra "Higgs bozonu" olarak
adlandırılan, evrendeki kütleyi açıklayan bir parçacığın varlığını özel olarak
test eden bir deney tasarlamak için kullandılar . LHC kullanılarak yapılan
yüksek enerji deneyinin sonucu, Higgs'in parçacığın varlığı hakkındaki teorisini doğrular
gibi görünüyordu (resmi olarak 2013'te onaylandı).
teoriyi küçümseme ve büyük
veri ve yapay zeka hakkında hüsnükuruntuları destekleyen hesaplama yöntemlerini
savunma yönündeki sapkın eğilimi de gösteriyor.
Süper çarpıştırıcı tarafından
üretilen veri dağını anlamlandırmak için süper bilgi işlem kaynaklarının
gerekli olduğu doğrudur. 2012'de çarpıştırıcı yılda yaklaşık yirmi beş petabayt
üretti; 2018'de sayı ikiye katlanarak yaklaşık on beş milyon yüksek çözünürlüklü
filme eşdeğer oldu. Hiç şüphe yok ki, büyük veri analitiği ve bu tür veri
hacimlerini işlemek için gerekli bilgi işlem kaynakları, fizikçilere atom altı
dünyayı keşfetmeleri için bir dizi güçlü araç sağlıyor. Ancak, genellikle Büyük
Bilim başarısının bir örneği olarak lanse edilen (ve öyleydi) Higgs bozonunun
öyküsü, aynı zamanda görünürde bir kuramsal zaferdir. Higgs'in durumu, kendi
başına büyük veri için değil, bir teori durumu olarak özellikle etkileyicidir.
Peter Higgs parçacığı 1964'te keşfetti; LHC daha sonra varlığını doğruladı. Bu,
insan kavrayışının yerini almak için teknolojinin doğru kullanımıyla ilgili bir
vaka çalışmasıdır. Higgs parçacığının doğrulanmasından çıkarılacak ders,
bilgisayar geleceğimizde mitoloji için bir çağrı değildir. Aksine, AI'nın -
burada büyük veri - yalnızca önceden teorimiz olduğunda çalıştığını hatırlatır.
Bilim için büyük bir kafa karışıklığı ve potansiyel sorun tam da bu noktada
yatmaktadır.
Ne yazık ki sinirbilim,
parçacık fiziğinin aksine, birleştirici bir teorik çerçeveye sahip değildir. O
halde sinirbilimciler için zorluk, Kavli Vakfı'nın ifadesiyle "veri
selini" anlamlandıran ve ona rehberlik eden teorik içgörülerin yokluğunda
mevcut veriye dayalı modeli savunmaktır.
GEREKLİ:
TEORİSTLER
sinirbilimciler Eric R. Kandel (Columbia Üniversitesi Kavli Beyin Bilimi Enstitüsü Direktörü),
Henry Markram (İnsan Beyni Projesi Direktörü), Paul M. Mathews (Başkan) Nature
ile birkaç yıl önce yaptığı aydınlatıcı bir röportajda , Imperial College
London, Birleşik Krallık'ta Beyin Bilimleri Bölümü), Rafael Yuste (Columbia
Üniversitesi'nde Biyoloji ve Nörobilimler Profesörü) ve Christof Koch
(Seattle'daki Allen Institute for Brain Science'da Baş Bilim Sorumlusu) büyük
verinin, teorinin rolünü tartıştı. ve Avrupa'nın İnsan Beyni Projesi ve Amerika
Birleşik Devletleri'ndeki BRAIN Girişimi'nde işbirliği. 7 Bu
tartışmada sinirbilimin büyük zorluklarla karşı karşıya olduğu ve yanıtların
hâlâ yetersiz olduğu açıktır. Örneğin Mathews, "BRAIN Girişimi ve İnsan
Beyni Projesi'nin her ikisinin de temel bir zorlukla karşı karşıya olduğunu
kabul ediyor: sorgulamaya rehberlik edecek güçlü bir paradigmaya sahip değiliz.
Hem BRAIN Initiative hem de Human Brain Project'in anlamlı ilişkilerin ortaya
çıkması beklenen 'büyük veri' toplama çalışmaları olması dikkat çekicidir.” 8
Yine de Markram, çabalar
ilerledikçe Büyük Veri Yapay Zekasının eksik teori parçalarını dolduracağından
emin. "Ne kadar çok veriye sahip olursak, modellerin biyolojik olarak o
kadar doğru olacağını" iddia ederek bu konuda açık sözlüdür. Nature
röportajında, İnsan Beyni Projesi ve genel olarak nörobilim hakkındaki
vizyonunu açıkça ortaya koyuyor : "Bilimsel olarak, beyin
organizasyonunun çeşitli düzeylerini kapsayan temel ilkeleri tanımladığımız ve
bunlardan yararlandığımız yeni bir hızlandırılmış nörobilim biçimine giden yolu
açmak istiyoruz. bilgimizdeki büyük boşlukları dolduracak ilkeler. Örneğin,
nöronların bağlanma şekliyle ilgili ilkeleri, konektomu [ beynin bağlantı
şemasını] tahmin etmek için kullanabiliriz. Beynin varsayımsal
rekonstrüksiyonları, beynin deneysel haritalamasına rehberlik edebilir ve onu
hızlandırabilir, onu bir rüyadan pratik bir gerçekliğe dönüştürebilir.” 9
Markram'ın
ciltler dolusu basın röportajlarını okumaktan, veri entegrasyonunun (dünyanın
dört bir yanından süper bilgisayar tabanlı teknik platformunda toplanan ilgili
araştırma sonuçlarının) beyin organizasyonunun daha yüksek seviyelerinde bir
"teori ortaya çıkışını" kolaylaştıracağına inandığı açıktır. Bu
nedenle, iyon kanalları hakkındaki bilgileri (yani, bireysel nöron davranışı
hakkında düşük seviyeli moleküler bilgileri ) kullanan ilk nöron modelleri , nöronal devreler gibi
fonksiyonel birimlerin nasıl çalıştığına dair teorilerin yönlendirilmesine
yardımcı olacak ve bu da, araştırmacılara olanak sağlayan prensipler veya
teoriler önerecektir. mikro devreleri neokorteks gibi tüm beyin bölgelerine
bağlayan mesa devrelerine bağlayın.
Markram'ın kendisi bunun
nasıl çalışacağı konusunda çok net ve aynı derecede küçük araştırma ekipleri
tarafından yapılan yaratıcı araştırmaların , Büyük Veri yaklaşımından bağımsız
olarak bu tür teoriler bulabileceği yönündeki önerileri de reddediyor. Bilim
adamlarını ve onların araştırmalarını merkezi bir teknoloji çerçevesine girdi
olarak kullanmakla ilgileniyor, bu motivasyonun "Einstein" olmadan
"yeni bir tür kollektif nörobilim" getireceğine inanarak bunu açıkça
kabul ediyor. 10
Yine de "işbirliği"
gibi kulağa olumlu gelen belirsiz fikirlerle tartışmak zor olsa da, bu tür
övgülerin altında yatan şey, sinirbilimin geleceğini yönlendiren büyük veri ve
yapay zekanın rolü hakkındaki çok büyük iddialardır . Görünüşe göre Markram,
salt verinin (ve derin öğrenmenin) teori oluşumunu yönlendireceğine inanıyor,
ancak tüm bilim tarihi ve büyük veri modasının kısa ama patlayıcı tarihi, böyle
bir yaklaşımın aptallığını gösteriyor.
Büyük Verisi gibi) tanıtılan
büyük verideki başarıların, temel olarak, davranış davranışı altında sağlam
teorilerin var olduğunun bilinmediği iş gibi sosyal alanlardan kaynaklandığını zaten
gördük . Teorinin yokluğunda, Büyük Veri Yapay Zekası, veri yoğun yöntemler
olmadan gerçek bir tahmine dayalı ilerlemenin kaydedilemeyeceği birçok ilgi
alanı için bir nimet olmuştur. Bu tür örnekler, iş dünyası liderlerini
cesaretlendirebilir ve hatta popüler kültürün ilginç alanlarına ışık tutabilir,
ancak ciddi bilim için genellikle yetersiz ve hatta felakettir.
Higgs
bozonu keşfi gibi sözde teknoloji zaferlerinde teorinin nasıl işlediğini
gördük. Bu gibi durumlarda sağlam bir teorik çerçeve çalışması , teorinin
öngörülen sonuçlarını doğrulamaya yardımcı olabilecek bir dizi kontrollü ve
odaklanmış deneyi mümkün kılar . Bilim bu anlamda her zaman deneylerle ittifak kurmuştur, dolayısıyla Higgs
davası pek de tartışmalı değildir . Ancak, Markram'ın sinirbilimde ihtiyaç
duyacağı çizgiler boyunca Büyük Veri AI'nın güçlerine dair radikal iddiaları
desteklemek için de pek bir şey yapmıyor.
Yine, nörobilimde sağlam bir
teorik çerçevenin olmaması, veri ve makine öğrenimi merkezli bir yaklaşımı daha
da yanlış yönlendiriyor. Araştırmacıların veriye dayalı çabalara rehberlik
etmesi gereken teori sayısı ne kadar azsa, o kadar az sayıda iyi tanımlanmış
hipotez test edilebilir ve bu tür çabalar, veriye dayalı yaklaşımlardaki
bilinen zayıflıkların kurbanı olur.
Bir IEEE Üyesi ve
Berkeley'deki California Üniversitesi'nde Bilgisayar Bilimleri alanında Seçkin
Profesör Pehong Chen olan Michael Jordan, büyük veri ile bilimsel düşünce
arasında doğrusal bir bağlantı görenlere karşı çıktı (ne kadar çok veriye
sahip olursak o kadar iyi olur). bilimsel düşüncemiz olur). Makine öğrenimi ve
büyük veri konusunda dünyanın en saygın otoritelerinden biri olarak Jordan
beklenmedik bir eleştirmen, ancak "toplumun büyük veri projelerinden
çıkan bir yanlış pozitif salgını yaşamak üzere" olduğunu tahmin ediyor.
Kendi ifadesiyle: "Büyük miktarda veriye sahip olduğunuzda, hipotezlere
olan iştahınız daha da artma eğilimindedir. Ve eğer verilerin istatistiksel
gücünden daha hızlı büyüyorsa , o zaman çıkarımlarımızın çoğu muhtemelen yanlış
olacaktır. Beyaz gürültü olma olasılığı yüksektir.” 11
Herhangi
bir sonucu mükemmel bir şekilde tahmin edecek bazı sütun kombinasyonları
bulacağım, sadece şans eseri , her
türden sahte sütun kombinasyonlarını bulacağım" diyor .
umns, çünkü çok
sayıda var. Milyarlarca maymunun yazı yazması gibi . Onlardan biri Shakespeare
yazacak.” 12
Jordan
burada, fazla uydurma olarak bilinen istatistiklerdeki iyi bilinen soruna
işaret ediyor (aşağıda tartışılmıştır). Markram ve İnsan Beyni Projesi gibi
Veri Beyni projelerinin diğer savunucuları için iç karartıcı bir şekilde, aşırı
uydurma, bir alan hakkında nedensel veya teorik bilginin yokluğunda - yani
genel zekanın
yokluğunda - özellikle sorunludur. "İlişki nedensellik değildir"
tanıdık bir uyarıdır , ancak son yıllarda Büyük Veri AI projeleri adına
yapılan cesur iddialar, onu yeniden özellikle alakalı hale getirdi. Bilgiyle
ilgili bariz gerçekler , veri ve makine öğrenimi hakkında ileri sürülen büyük
iddiaların ardından, görünüşe göre artık yeniden ifade edilmeye ihtiyaç duyuyor.
Marcus ve Davis'in New York Times'da belirtmek zorunda kaldıkları gibi ,
"örneğin, büyük bir veri analizi, 2006'dan 2011'e kadar Amerika Birleşik
Devletleri cinayet oranının Internet Explorer'ın pazar payıyla iyi bir şekilde
ilişkili olduğunu ortaya çıkarabilir: Her ikisi de düştü. keskin bir şekilde.
Ancak ikisi arasında herhangi bir nedensel ilişki olduğunu hayal etmek zor.” 13
Bu bariz bir noktadır ve
derin öğrenme hakkındaki abartılı iddialar için geçerlidir. Moda sözcükler
değişti, ancak Markram ve diğerleri gibi meraklıların cesur iddialarına rağmen,
her derde deva olarak Büyük Veri Yapay Zekasını zorlayan ana heves, nörobilim
gibi temel alanlarda ilerlemeyi tehdit ediyor. Buradaki çıkarım, efsanenin
gerçekten de insan geleceğimiz için - gerçek bilimde - pratik sonuçları
olduğudur.
AŞIRI
UYUM GÖSTERME
İstatistikçi Nate
Silver ayrıca teorileri (modelleri) verilere fazla uydurmanın doğasında var
olan tehlikeye dikkat çekmiştir; burada "fazla uydurma", bir veri
kümesini gerçek bir açıklayıcı güç içermeyen bir tanımla sahte bir şekilde
eşleştirmek anlamına gelir, çünkü açıklama genelleme yapmaz. söz konusu
dağıtımda yeni, görünmeyen veri noktaları. Genelleme , verilerin alakasız
ayrıntılarından soyutlama ve gerçek ilişkileri bir ilke temsilinde veya teoride
izole etme anlamına gelir.
Bir
"teori" veya bir dizi veri noktası modelinin en basit durumu, bir
saçılım grafiğinin doğrusal interpolasyonudur. Koordinat sistemindeki her veri
noktası , mevcut noktaları tanımlayan daha karmaşık bir çizgiyle izlenebilir ,
ancak böyle bir tanımda nokta dağılımına dair gerçek bir bilgi
bulunmadığından, çizilen yeni noktalar için açıklama işe yaramaz . Düz bir çizgi, dağınık
verilerin ortalamasını veya doğrusal interpolasyonunu gösterir ve bu nedenle
bize verilerin davranışını tahmin eden kullanışlı bir model verir. Silver'ın
işaret ettiği gibi, fazla uydurma, mevcut verilere yanlış güven verir, ancak yeni
veriler geldiğinde ve modele veya teoriye uymadığında bu yanılsamayı hızla
yerle bir eder. 14
Fazla uydurma, istatistiksel
çıkarım veya analizde bilinen bir sorundur ve büyük bilimsel çabalarda da
sıklıkla büyük başarısızlıkların nedenidir. Burada yine, teorinin mevcudiyeti,
araştırmacıların aşırı uyumlu modellerden ve sahte korelasyonlardan uzak
durmalarına yardımcı olabilir. Silver'ın da belirttiği gibi, deprem olaylarını
tahmin etmeye yönelik birçok yüksek profilli girişim (depremlerle ilgili
tarihsel verilerin yanı sıra fay hatları boyunca Dünya yüzeyinin altında
meydana gelen gerilmeler ve diğer olaylar hakkında ayrıntılı coğrafi bilgiler
kullanılarak), depremle ilgili mevcut verilere mükemmel bir şekilde uymalarına
rağmen sefil bir şekilde başarısız oldu. depremler.
Dağılım grafiğindeki mevcut
noktaları açıklayan dolambaçlı çizgi gibi, modellerin de hiçbir kestirimci veya
bilimsel değeri olmadığı ortaya çıktı. Silver'ın da işaret ettiği gibi,
jeologların deprem tahminlerini içeren bu türden çok sayıda fiyasko vardır ve
Rus matematiksel jeofizikçi Vladimir Keilis-Borok'un 2004 yılında Mojave
Çölü'nde "ayrıntılı ve opak Belirli bölgelerdeki daha küçük depremlerden
kalıpları tanımlayan ve daha büyük olanlara genelleyen istatistiksel model.
Şu anda Cal State
Fullerton'da Jeoloji Bilimleri Bölümü Başkanı olan Keilis-Borok'un öğrencisi
David Bowman, nadir görülen bir bilimsel alçakgönüllülükle Keilis-Borok
modelinin fazlasıyla uygun olduğunu itiraf etti.
Bowman,
fay hatları boyunca Dünya yüzeyinin altında neler olup bittiğine dair teorik
bir anlayışın eksik olması nedeniyle deprem tahmininin sınırlı olduğunu
açıklamaya devam etti. Silver, istatistiksel veya veriye dayalı yaklaşımlara
rehberlik edecek gerçek bir teorinin olmadığı durumlarda modellerin "sinyal" yerine
"gürültü" alma tehlikesiyle karşı karşıya olduğunu açıklıyor .
SİNİR
BİLİMİ: ÖĞRENMEYİ REDDETMEK
BAŞKALARININ
HATALARINDAN MI?
Büyük Veri
çabaları, bilimin diğer alanlarında yapılan hataları tekrarlamaya mahkum
göründüğünden, bu dersler günümüz sinirbilimiyle özellikle ilgili görünüyor.
Anlamlı bir şekilde, Büyük Veri Yapay Zekasına odaklanmak, bu şekilde
bakıldığında ne özellikle yeni ne de özellikle cesaret verici. Bilimdeki
teorinin asla gerçekten ortadan kaldırılamayacağı söylenebilir. Buradaki
kaçınılmazlık mitinin bir ironisi, teorinin yalnızca gerçek bilim için değil, aynı
zamanda yapay zekadaki genel zeka hayallerini gerçekleştirmek için de gerekli
olmasıdır. Modern kafa karışıklıkları ve mitoloji, köpeği sallayan bir kuyruğa
sahiptir.
Yine de, aslında nöronların
ani aktivitesi ve beynin bölgelerindeki nöronal devreler gibi daha küçük işlev
birimlerinin rolü hakkında mevcut teoriler var. İnsan neokorteksinin işleyişine
dayanan üst düzey biliş veya zeka teorileri bile vardır. Eksik olan, Markram ve
diğerlerinin işaret ettiği gibi, bu farklı parçaları bir araya getiren birleştirici
bir çerçeve veya teoridir.
makine
öğrenimi ve yapay zeka tarafından temelden sıfırdan mümkün kılındığı fikrine
adanmıştır. Bunu ciddiye almak en az iki nedenden dolayı zordur. Birincisi,
insan zihnini silis içinde yeniden üreten Veri Beyni projelerinin vizyonunun
çoğunu canlandıran üst düzey neokorteksten ilham alan zeka teorileri ,
umutsuzca genel ve kullanılamaz. Teorilerin kendileri (ironik bir şekilde)
bilgisayar bilimi veya Yapay Zeka mühendisliği çabaları için çok az işe yarar ,
çünkü bize beynin akıllı davranış ürettiğinde gerçekte ne yaptığı hakkında
yeterince bilgi vermezler. Bu nedenle, mevcut üst düzey teoriler , veriye dayalı çabaların
bize başlamamız için soluk ve çok genel bir dizi teorik varsayım sağladığını
zaten öne sürüyor.
Hayırsever bir şekilde
Markram, beynin giderek daha büyük işlevsel birimlerini simüle ederek elde
edilen temelden ilerlemenin bir şekilde neokortikal biliş modellerini
iyileştireceğine veya tamamlayacağına inanıyor. Daha iyi bir sonuç, Büyük Veri
Yapay Zekasına odaklanmanın , sinirbilimin gerçek ayrıntılarının ve nihai
başarısının yarı mitolojik iddialara teslim edildiği bir dizi belirsiz ve el
sallayan teoriler öne sürmek için bir bahane gibi göründüğüdür. büyük veri
setlerinin ve endüktif hesaplamanın güçleri. İnsanların karmaşık bir alanı test
edilebilir teori ile aydınlatmakta başarısız olduğu durumlarda, makine öğrenimi
ve büyük veri sözde devreye girebilir ve sağlam teoriler bulma konusundaki
geleneksel endişeleri ortadan kaldırabilir. Bu, bugün Data Brain çabalarının
mantığı gibi görünüyor.
aşırı genel ve görece zayıf
durumunu ilk elden görmek için , neokorte x'ten ilham alan insan zekası
kuramlarının bir araştırmasına dönüyoruz . Nörobilimde teorinin devam eden
yerini göstermekten çok uzak, nörobilimden gelen teorileri günümüzde popüler
olan bilgi işlem paradigmasına uydurmak için artan bir isteklilik
gösteriyorlar.
Sırada bu neokortikal
teorilere döneceğiz.
İNSAN ZEKASI
bilimcisi,
girişimci ve nörobilim savunucusu Jeff Hawkins tarafından popüler bir zeka
teorisi ortaya atıldı . Palm Pilot'u geliştirmesiyle ve Silikon Vadisi'nde çok
yönlü bir aydın olarak ünlü olan Hawkins, 2004 yılında ciltleri özetlemek için
cesur ve orijinal bir girişim olan On Intel ligence'ın yayınlanmasıyla
sinirbilim (ve yapay zeka) sularına ayak bastı. Hiyerarşik bir zeka modeliyle
neokortekste düşünmeye ilişkin nörobilim verileri . 1 O zamandan
beri, hesaplama olarak zekanın sırlarını çözmeye adanmış Numenta adlı bir
şirket kurdu.
Hawkins'e göre neokorteks,
duyularımızdan girdi alır ve hiyerarşik katmanlarda "kodunu çözer";
her bir üst katman , hiyerarşinin tepesine ulaşılana ve bazı genel tahmin
teorileri ortaya çıkana kadar, alt katmanlar tarafından sağlanan verilerden
tahminler yapar. tüm alt katmanların çıktılarından sentezlenir.
KURZWEIL'İN
HİYERARŞİK DESENİ
TANIMA
TEORİSİ
How to Create
a Mind adlı
kitabında "neo korteks, kalıplarla başa çıkma ve bunu hiyerarşik bir
şekilde yapma becerimizle ilgilenmekten sorumludur " diyen Ray Kurzweil
tarafından da dikkat çekilmiştir. Neokorteksi olmayan hayvanlar (temel olarak
memeli olmayanlar) hiyerarşileri anlama konusunda büyük ölçüde yetersizdir.” 2
Kurzweil, zihnin örüntü tanıma teorisi adını verdiği kendi hiyerarşik
teorisinin, insan neokorteksinin yapısı ve işlevi hakkında kabul edilmiş
sinirbilim bulguları ve ayrıca Hawkins'in kendi hiyerarşik açıklaması gibi
ataları üzerinde çalıştığına inanır.
Neokorteksin hiyerarşik
yapısı gerçekten de sağlam temellere dayanan bir nörobilimdir. Neokorteksin
sütunlu organizasyonu ilk olarak 1957'de Amerikalı sinirbilimci Vernon
Mountcastle tarafından keşfedildi. Mountcastle, neokorteksin -beynin üzerine
uzanan 2,5 milimetre kalınlığındaki sinir lifleri tabakası- nöron sütunlarından
oluştuğunu ve bunların her birinin görünüşte aynı olduğunu kaydetti. diğerleri.
İnsan neokorteksinde, her biri yaklaşık altmış bin nöron içeren yaklaşık yarım
milyon bu tür sütun vardır.
Kurzweil, her bir kortikal
sütunun, insan neokorteksinde toplamda yaklaşık 300 milyon örüntü tanıyıcı
olmak üzere, yaklaşık yüz nörondan oluşan, örüntü tanıyıcılar adını verdiği
şeyi içerdiğini varsaymıştır. Hawkins gibi Kurzweil de bu varsayımsal
tanıyıcıları , insan düşüncesinin benzersiz yeteneklerinden merkezi olarak
sorumlu olan hiyerarşiler halinde düzenlenmiş olarak görür .
Bu ilginç bir hipotez. Ancak
hem Hawkins hem de Kurzweil, insan zekasının basit olduğuna inanmakla hata
ediyorlar.
çekmiştim
ve temel teoriye yönelik bu tür girişimlerin umutsuz genelliğini fark eden tek
kişi ben değilim ; Yazarlar , insan beyni hakkında gerçek bir anlayış üretmekten çok .
Gary Marcus'un işaret ettiği gibi, Hawkins gibi, Kurzweil de beyin hakkında
belirsiz içgörülere dayanan el sallayan bir yapay zeka teorisi sunuyor gibi
görünüyor. Marcus şöyle diyor: "Beynin yapılandırılmış olduğunu zaten
biliyoruz, ancak asıl soru, tüm bu yapının teknik terimlerle ne yaptığıdır.
Beyindeki nöral mekanizmalar, beynin bilişsel mekanizmalarıyla nasıl eşleşir?"
3
Marcus devamla bu tür
teorilerin nörobilimde ve yapay zeka ile bilişsel bilimlerdeki ilgili çabalarda
ilerleyemeyecek kadar genel olduğunu belirtiyor: “Herhangi bir yaratığın
yaptığı hemen hemen her şey bir düzeyde hiyerarşik model tanıma olarak
görülebilir; bu yüzden fikir 1950'lerin sonlarından beri ortalıkta dolaşıyor.
Ancak zihnin kendi başına bir hiyerarşik örüntü tanıyıcı olduğunu iddia etmek
bize çok az şey anlatır: İnsanların neden dil kullanan türden yaratıklar
olduğunu söylemez (muhtemelen kemirgenlerde de hiyerarşik örüntü tanıma
kapasitesi vardır, ama konuşma) ve bu, birçok insanın neden sürekli özdenetim
sorunlarıyla boğuştuğunu ya da neden asla geri dönmeyeceğimiz kasabalardaki
restoranlara bahşiş bırakan türden yaratıklar olduğumuzu açıklamıyor. 4
Bu tür jenerik teoriler,
ironik bir şekilde, Büyük Veri Yapay Zekasından dolambaçlı ama çok gerçek bir
şekilde ilham alıyor. Kurzweil, konuşma tanıma uygulamaları için makine
öğreniminde hiyerarşik şık yöntemleri kullanmasıyla bilinir; artık Apple'a ait olan
ve iPhone'un bir parçası olan orijinal Siri uygulaması üzerinde çalıştı.
Hiyerarşik gizli Markov modelleri, büyük verilerle birleşen veri analizi
tekniklerinin bir parçasıdır. Ve daha yakın zamanlarda, artık her zaman mevcut
olan derin öğrenme ağları , katman hiyerarşilerinde düzenlenmiştir. Bu tür
yöntemlerin tümü, verilerdeki kalıpları öğrenmek için girdi olarak büyük veri
kümelerini kullanır ve daha sonra görünmeyen veriler üzerinde kodu çözülebilen
ikili bir model oluşturur .
Gerçekten
de, bugünün hiyerarşik öğrenme yöntemleri neredeyse on yıl önce büyük verinin
kendisi kadar moda - derin öğrenmeye tanık olun. Diğer bir deyişle, İnsan Beyin
Projesi ve BRAIN girişimi gibi tüm projeler gibi nörobilim teorileri , bilgisayar bilimlerinde ve
özellikle Büyük Veri Yapay Zekasında başarıya ulaşan yöntemlerden ayırt
edilemez hale geliyor.
MARKRAM'IN
LEGOS TEORİSİ
insan
neokorteksinin sütunlu ve hiyerarşik doğası hakkındaki genel araştırma
bulgularına dayandıran, halk arasında "Legos biliş kuramı" olarak bilinen,
aşırı derecede genel bir başka öğrenme kuramıyla tanınır . 5 Markram
ve ortak yazarı Rodrigo Perin, bu teoride, “anıları edinmenin Lego ile inşa
etmeye çok benzer olduğunu açıklıyor. Her montaj, dünyayı nasıl işleyeceğiniz,
algılayacağınız ve ona nasıl tepki vereceğiniz hakkında doğuştan gelen bazı
temel bilgileri içeren bir Lego bloğuna eşdeğerdir. 6
Yine ilginç bir hipotez.
Yine, fazlasıyla basit ve fazlasıyla mekanik.
Artık apaçık hale gelen şeyi
açıkça ifade edebilecek durumdayız . Data Brain çabaları, beyin hakkındaki
anlayışımızın eksik parçalarını tamamlamanın bir aracı olarak büyük veriyi
savunmakla kalmadı - örneğin, Markram'ın ortaya çıkan connecttom (sinaptik
bağlantı) ilkelerinde olduğu gibi - aynı zamanda önemli teorilerin kendileri
de birbirine bağlı görünüyor . Data Brain projelerinin artık alabileceği tek
anlamlı yön, açıkça hesaplamalı fikir ve teorilere doğru olacak şekilde
bilgisayar bilimi paradigmalarına.
ÇIKMAZ
ARAŞTIRMA
Büyük Veri Yapay Zekasının teorinin ortaya çıkışı için pek uygun
olmadığını gördük . Aksine, mevcut teoriler olmadan, Büyük Veri Yapay Zekası,
genel olarak veri tümevarımlı yöntemlerden kaynaklanan aşırı uyum, doygunluk ve
körlüğün kurbanı olur. Buraya, veri merkezli hesaplamanın , günümüzün popüler teknoloji
yaklaşımlarına şüpheli bir şekilde bağlı olan oldukça zayıf ve ilgi çekici
olmayan teoriler ürettiğini ekleyebiliriz.
Bu sadece Büyük Veri Yapay
Zekası değil, nörobilimcilerin fark etmeye başladığı gibi elbette Büyük Bilim
de. Paul Mathews, daha önce bahsettiğimiz 2013 Nature röportajında belki de
en iyi şekilde ifade etti: " Geçmişteki bu kadar büyük bilim
çabalarından gelen önemli yeni kavramsal ilerlemeleri düşünemiyorum ." 7
Markram ve kendini İnsan Beyni Projesi ve Veri Beyni projelerine adamış
diğerleri, nörobilimi ilerletmek için genellikle umutlarını Büyük Veri yapay
zekasına bağladılar, ancak gerçekten ihtiyaç duyulan şey - tam da Mathews'un
önerdiği gibi - yaratıcı hipotezleri teşvik etmek için geniş kapsamlı ve farklı
araştırma gündemleri ve keşfetmeye teşvik edin. Büyük Veri Yapay Zekası bu
amaçlara pek uygun değildir.
İnsan Beyni Projesi'nin
lansmanından sonraki bir yıl içinde, Markram ve vizyonu, sayıları giderek artan
nörobilimcilerden yoğun eleştiriler aldı . Temmuz 2014'te, beş yüzden fazla
bilim insanı, Avrupa Komisyonu'na projede büyük değişiklikler yapması için
dilekçe verdi ve birçoğu, gerekli teori ve yaratıcı araştırma pahasına,
projenin hesaplamaya ve büyük verilere olan inancıyla ilgili bir dizi endişeyi
gündeme getirdi .
İronik bir şekilde, AB'ye
sunulan dilekçe, kısmen Markram'ın projenin bilişsel mimariler bölümünü kapatma
kararına bir tepkiydi - Markram'ın belirttiği geniş vizyonu doğrultusunda
özellikle biliş ve zeka sorularını keşfetmeye adanmış ekip . Sinirbilimciler
ayrıca, İnsan Beyni Projesi'nin beyinle ilgili herhangi bir spesifik hipotezi
veya hipotezler derlemesini test etmek için yola çıkmadığından endişe
ediyorlardı. 8
Sinirbilimciler
dilekçede beynin daha ayrıntılı simülasyonlarının kaçınılmaz olarak daha iyi
anlamaya yol açmadığına dikkat çekti . Başka bir deyişle, yüzlercesi orijinal
İnsan Beyni Projesi'ne karşı çıktı çünkü bu gerçekten sinirbilim araştırması
değildi, daha çok bir Büyük Veri Yapay Zeka mühendislik projesiydi. Markram
kısa süre sonra pes etti, ancak proje yazılım mühendisliği olarak yeniden
düzenlendi - muhtemelen AI mitolojisinden daha az etkilendi, ancak tasarım
yoluyla temel araştırma için daha az diş. 9
Columbia
Üniversitesi sinirbilimcisi Eric Kandel'in belirttiği gibi, Amerika Birleşik
Devletleri'nin BRAIN Inisiyatifi ilk başlatıldığında, "[İnsan Genomu
Projesi için] son noktayı biliyorduk ......................................................................... Ama
Burada amaç ne
bilmiyoruz. İnsan zihnini anlamak ne demektir ? Ne zaman tatmin olacağız? Bu
çok, çok daha iddialı.” 10
Markram'ın, beynimizin bir
süper bilgisayara haritalanacağını ilan eden, artık kötü şöhretli TED
konuşmasının onuncu yıl dönümü - AI hakkındaki mitolojinin nihai ifadesi -
2019'da geldiğinde, Scientific American (bilim hakkında gelecekteki
fikirlerin düşmanı değil) ve The Atlantic , neyin yanlış gittiğine dair
arama hesapları yayınladı. 11 Bir bilim adamının dediği gibi,
"Beynimiz kafataslarımızda var. Şimdi bilgisayarlarımızda var. Ne
öğrendik?” 12
Soruların hepsi teorinin
kıtlığıyla ilgiliydi. Şaşılacak bir şey yok. Markram gibi Veri Beyni
meraklıları , büyük verinin ve onu analiz eden makine öğrenimi sistemlerinin,
bir şekilde kendimiz, bu sistemleri harekete geçiren insan içgörüsü ve zekası
hakkındaki sorularımıza yanıt vereceğini düşünüyor.
Giderek artan
sayıda bilim insanı, devam eden teorik endişelere yönelik Data Brain
çözümlerinden memnun olmasa da, Büyük Veri Yapay Zekasının ahlakı artık genel
olarak bilim ve kültürde sağlam bir şekilde yerleşmiş durumda. İronik bir
şekilde, genel zekanın yapay zekadan ve onun bilimsel araştırmalardaki
uygulamalarından ortaya çıkması gerektiği için , bilim adamlarının rollerinde
gözle görülür şekilde önemsiz gösteriliyor. Milyarder teknoloji girişimcisi ve
yatırımcı Peter Thiel geçtiğimiz günlerde yeniliklerin hızlanmak yerine
kuruduğunu belirtti. 1 Tech startup'ları bir zamanlar Vadi'deki
yatırımcıları cezbetmek için bir sonraki büyük fikrin hayalini kuruyordu, ancak
şimdi neredeyse evrensel olarak, Büyük Veri Yapay Zekası her zaman olduğundan
beri inovasyona kilitlenmiş olan Google ve Facebook gibi büyük teknoloji
şirketlerinin satın almalarını hedefleyen çıkış stratejilerine sahipler. en fazla
veriye sahip olan kişi için daha iyi çalışır. Düzeltme içeride.
Soru, Thiel'in dediği gibi,
artık "kültürde bir düzensizlik " olup olmadığı, yoksa iyi
fikirlerin şimdiden kapılıp kapılmadığıdır. 2
MEGABUCK
BİLİMİ
Polimatik MIT bilgisayar bilimcisi ve sibernetiğin kurucusu
Norbert Wiener , 1964'teki ölümünden sonra
makaleleri arasında bulunan yayınlanmamış bir el yazması olan "Buluş:
Fikirlerin Bakımı ve Beslenmesi"nde "megabuck" bilimi dediği şey
hakkında uyarıda bulundu . 1950'lerde Turing, insan düzeyinde yapay zeka olarak
buluşun geleceğine yönelik temel (ve nihai) dönüşünü tamamlamıştı; Aynı dönemde
Wiener, AI ve diğer alanlar için gerekli fikirlerden yoksun bir gelecek
hakkında ciddi tefekkür etmeye başlamıştı. Megabuck bilimi , iki dünya
savaşının ardından, Manhattan Projesi'nin atom bombasını üretmesiyle ve
bilgisayar, iletişim teorisi ve altyapı alanında iyi finanse edilen büyük
çabalarla hızla ortaya çıktı . Örneğin, Bell Labs ve IBM'in yanı sıra Raytheon
gibi büyük savunma müteahhitlerinde çabalar vardı. Modern bilim, benzeri
görülmemiş önemli ve büyük ölçüde öngörülemez icatlar geçmişine sahipti -
ancak yüzyılın ortasına gelindiğinde, bilimsel yenilik bürokratik hale geldi ve
ABD Savunma Bakanlığı gibi büyük fon kaynakları ve büyük şirket çıkarları
tarafından kontrol edildi. Wiener , tam da zafer kazandığı (ve ihtiyaç duyduğu)
anda, Batı kültürünün gelişen bir fikir kültürünü eninde sonunda tehdit eden
aşağı yönlü projelere yöneldiğinden endişeleniyordu.
1950'lerin başındaki el
yazması (1993'te yayınlandığından beri) şimdi ağıtında kehanet gibi görünüyor.
" Bireysel araştırmadan kontrollü endüstriyel araştırmaya giden mevcut
eğilimin liderlerinin, çoğu zaman insana güvensizlik anlamına gelen bireye
güvensizliğin hakim olduğunu veya en azından ciddi şekilde etkilendiğini
düşünüyorum." 4
Wiener, hepimizin bildiği ya
da bilmesi gereken bir şeye, yani fikirlerin bireysel zekalara değer veren
kültürlerden çıktığına dikkat çekti: "Yeni fikirler, bireysel bilim
adamlarının akıllarında tasarlanır ve özellikle iyi eğitilmiş birçok bilim
insanının olduğu yerlerde ortaya çıkma olasılığı yüksektir. akıllar ve her
şeyden önce aklın değerli olduğu yerler. 6
Wiener'in tamamen tartışmasız
olması gereken yorumlarının bilgeliğini kabul etmemek gerçekten de kültürde bir
dengesizlik olurdu . 1950'lerde olduğu gibi bugün de parlak yeniliklere sözde
bağlılık gösterilirken, gerçek çok farklı. Kültür, Wiener'in endişelendiği
gibi, kanlı bir şekilde anti-entelektüel ve hatta insan-karşıtı hale geldi.
İnsanların yerini süper zeki
makinelerin almasıyla ilgili mitoloji, anti-entelektüel ve anti-insan önyargısı
konusundaki endişeleri alakasız hale getirdiğinden, buradaki efsaneyle bağlantı
kaçınılmazdır. Efsanenin asıl amacı, anti-hümanizmin gelecek olduğudur; mevcut
teknolojinin yürüyüşüne göre pişirilir.
Gelecekteki gelişmeyi daha
doğrudan aşındıran ve paradoksal olarak, uygulanabilir bir genel istihbarat
teorisinin icadına veya keşfine daha doğrudan düşman olan bir kültürel mem
hayal etmek zor . Gelecekteki araştırma ve geliştirmelerde böyle bir teorinin
ortaya çıkıp çıkmayacağının kendisi bir bilinmezliktir, ancak kabul
edilebilecek olan şey, bu tür herhangi bir keşfin aleyhine olacak, giderek
kansızlaşan bir fikir kültürünün tehdididir. Bu bağlamda mitin genel etkisi, yapay
zekayı ve aslında bilimsel araştırmanın kendisini, gerçek buluşun sistematik
olarak caydırılacağı ve tanınmayacağı tekno-merkezli bir moda itmektir - eğer,
her çağda her zaman olduğu gibi, nadirdir ve bugün daha da fazlası, aslında
meydana geliyor.
FİKİRLERE
bahse girmek
Basitçe söylemek gerekirse,
yeni fikirler tahmin edilemez ve bu nedenle, kısa vadeli kazanç garantisi
olmadan gelişen bir kültüre ekonomik ve entelektüel bir bağlılığı temsil eder.
Başka bir deyişle, web'in büyük teknolojiyle konsolidasyonunun, yapay zeka üzerindeki
çalışmaları kâr eğrisindeki dar uygulamalara doğru eğme eğiliminde olurken, (hala
bilinmeyen) icatların kısa süreceğini beklemeliyiz.
Bu iddianın kanıtı olarak ,
örneğin oyun oynamak için derin öğrenme uygulamalarının aksine, yapay genel
zekaya giden yolları keşfetmeye ne kadar az yatırım yapıldığını düşünün. Derin
öğrenme araştırmacılarının bile artık kabul etmeye başladıkları gibi, ikincisi
açıkça yapay genel zeka için bir çıkmaz sokak - yeni bir balonun hemen ardından
başka bir kötü şöhretli yapay zeka kışına karşı temkinli olduklarından şüphe
yok. Kültür, bir yandan radikal kavramsal yenilik akışı olmadan hayal
kırıklığına yol açması garanti edilen bir strateji olan AI mitolojisini
döndürmeye devam ederken, düşük asılı meyvelerden karları sıkıştırıyor .
Wiener alaycı bir şekilde,
Swift'in bir makinenin bilimi "otomatik olarak" geliştirdiği gülünç Laputa
dünyasının 1950'lerin megabuck biliminde belirli bir entelektüel temele
sahip olduğunu ve kaçınılmaz sonucun bir icat kültürünü daha da uzaklaştırmak
olduğunu gözlemledi. Şu anda yapay zeka mitolojisinin ayrılmaz bir parçası olan
eski versiyonları, insan zihninin yerini bilgisayar programlarının alması
konusunda özellikle endişeliydi: " insan zihninin mekanik olarak
değiştirilmesine yönelik mevcut arzunun keskin sınırları var. Bir bireyin
yaptığı görev dar ve keskin bir şekilde anlaşıldığında, ya tamamen mekanik bir
aygıtla ya da insan zihinlerinin sanki dişlilermiş gibi bir araya getirildiği
bir organizasyonla ikame edilebilecek bir peri bulmak çok zor değildir . bir
cihaz." 7
Wiener'in
sözleri, elbette, yapay zeka mitolojisinin ve onun insanlık üzerindeki zararlı
etkisinin, web'de kovan zihinler ve bilimsel araştırmalarda sürü biliminin
mükemmel bir yeniden ifadesidir . Oynayacak IBM Blue Gene süper
bilgisayarlarımız varken icat ve keşif için "beklemediğimiz" için
bağışlanmış olabiliriz, ancak affedilemez olan şey, Lanier'in dediği gibi,
kişiliği küçültmeye yönelik kasıtlı girişimdir - önemi ve değeri aşağılayarak ve
ortadan kaldırarak. insan zihninin kendisi. Böyle bir strateji fevkalade kendi
kendini baltalıyor ve aptalca.
Wiener daha sonra
eleştirisini , makine rüyalarına karşı her zaman temkinli davranan şüpheciler
tarafından genellikle alay edilen popüler mekanik hayallere bağladı. (Jonathan
Swift'in mekanik bilimi maskaralığının daha önce, Peirce'in otomatik akıl
yürütmedeki ilk gelişmelere ilişkin tartışmasında yer aldığını gördük .) Wiener
şöyle devam etti: "Ancak, insan zihninin gerçekten yeni düşünceler
geliştirmek için kullanılması her seferinde yeni bir olgudur. Düşük dereceli
insan etkinliğinin çoğalmasıyla ve mevcut fikirlerin tesadüfen yeniden
düzenlenmesiyle, bu fikirlerin seçiminde birinci sınıf bir zihnin liderliği
olmadan gerçek öneme sahip yeni fikirler elde etmeyi beklemek , Maymunlar ve
daktilo, Swift'in Laputa'ya Yolculuk'unda zaten biraz daha basit bir
ifadeyle görünen daktilo . ” 8
Henry Markram'ın sinir
ağlarını ve süper bilgisayarları (ve mevcut sinirbilimsel teorileri) kullanarak
bir beyin inşa ederek bir milyar avroyu yapay zeka mitolojisine dönüştürme
fantezisi burada Wiener tarafından mükemmel bir şekilde yakalanmıştır. Keşke bu
fikirler ifşa edilmiş ve önlenmiş olsaydı. Aslında, yapay zekadaki modern
dönüş, bu tür fantezileri , (ne yazık ki) süper zeki makinelerin hakim olacağı
gelecek olarak lanse edilen tahmin edilebileceği gibi dar ama gösterişli
uygulama başarılarıyla, bu tür fantezileri kültürün içine daha da merkezi bir
şekilde çekmiş görünüyor . Yapay genel zekanın buradaki vizyonu, saf mitoloji
ve vitrin süslemesidir. Gerçek ilerleme için gerekli fikirlerin ortaya çıkması
şöyle dursun , hiç kimsenin temel sorunları bile net bir şekilde anlaması
muhtemel değildir . Bu karşılaştırma bir sırıtmaya davet edebilir, ancak yine
de yerinde: bu cesur yeni bir dünya. Wiener, kredisine göre, bunun geldiğini
gördü.
DAHA
DAR VE DAHA DAR
olarak sağduyu öğrenme ve gerçek anlayış edinme yeteneğinden yoksun olan
tümevarımsal yapay zekada bir alt türün evrimine fiilen tanık oluyoruz . İnsan zihninin geleceğini - o
kadar da kısıtlı değil - yapay zekanın bu şekilde daha da geliştirilmesine
bağlamamız sadece aptalca.
Bu yaklaşım, modern kültürde
herhangi bir gerçek entelektüel ilerleme sağlamak için gerekli genel zekadan
tamamen yoksun olmakla kalmıyor, aynı zamanda tümevarımın kaçırmadan
kanıtlanabilir bir şekilde farklı olması nedeniyle, birinden diğerine köprü
olmadığını zaten biliyoruz. Ray Kurzweil'in kaçınılmaz ilerleme beyanlarının
tümü, bir kez öğrenildiğinde bu gerçeği geri alamaz. Burada dürüst olmalıyız,
çünkü gerçeğin kabulü ilerleme planının bir parçasını oluşturacaktır.
Özetlemek gerekirse: temel
bir keşif olmadan mevcut yapay zekanın genel zekayı "geliştirmesi"
mümkün değildir. Basitçe "oraya gidiyoruz" demek, bilimsel ve
kavramsal olarak iflas eder ve diğer nedenlerin yanı sıra, kısa vadeli kârı en
üst düzeye çıkarmak için sonuçları (görünüşte) kontrol etmek ve tahmin etmekle
ilgilenen insanlık dışı ve entelektüellik karşıtı güçlerin alevlerini daha da
körükler. tartışmayı kaçınılmazlığa doğru çarpıtmak . Akıllı bireyler işlerin
gidişatını değiştirir; geleceği daha öngörülebilir kılmanın bir yolu, bireysel
zekaya verilen her türlü değeri küçümsemek ve ortadan kaldırmaktır.
İLERİYE
GİDİN—BURADA GÖRÜLECEK HİÇBİR ŞEY YOK
Gerçekte yeni bir süper
varlık yaratmanın ifade edilen amaçları (veya korkuları) göz önüne alındığında,
bu şaşırtıcı. Elbette bugünlerde bir veya iki Einstein kullanabiliriz. (İnsan
Turing'in bugün nasıl davranacağını merak ediyor.)
Yine, bu hiçbir yerde AI
mitolojisinin dogmasında olduğu kadar belirgin değildir . Yapay genel zekanın
geleceğiyle ilgili herhangi bir hesaplamada, işleri ilerletmek için ne
yaptığımızı açıklama sorumluluğu doğrudan yapay zeka mitologlarının üzerindedir.
Belki de, büyük teknolojinin
kasasına ne kadar reklam doları getirmeye yardımcı olursa olsun, genel olarak
veri merkezli yapay zeka gibi, derin öğrenmenin bir çıkmaz sokak olduğunu açık
bir şekilde kabul ederek başlayabiliriz. Ayrıca, giderek artan sayıda yapay
zeka bilim adamının isteksizce de olsa artık kabul ettiği bir gerçeği daha
fazla seslendirebiliriz: önceki büyük yapay zeka heyecanı dönemlerinde olduğu
gibi, hiç kimsenin yapay bir genel zekanın nasıl inşa edileceğine dair en ufak
bir fikri yok.
Düş tam olarak mitolojik
kalır çünkü gerçek bilimde hiçbir zaman uzaktan bile anlaşılmamıştır. Yapay
zeka biliminin kendisinden başka nerede efsaneden kurtulmalıyız?
JOHN
HORGAN VE RAHATSIZLIK
SONUÇ
ÖNERİSİ
, şimdilerde
süper bilgisayarların "dev beyinleri" üzerinde ince ayar yapan
laboratuvar kaplı teknisyen rolünü oynadığı, tamamen teknokratik bir toplum
hayaleti, daha önce Scientific American tarafından önerilmişti. yazar
John Horgan. Son derece popüler olan The End of Science adlı kitabında Horgan,
1990'ların ortalarında , büyük keşiflerin arkamızda olduğu basit gerçeği
nedeniyle, bilimdeki temel araştırmaların görünüşteki dışına çıkmanın
kaçınılmaz olup olmadığını merak etti. 9
Bu,
Thiel'in bugünkü sorusunun yarısıdır: Wiener'in endişelendiği gibi, kültür
bozuldu mu, yeni fikirleri boğma yoluna mı girdi, yoksa hepsini zaten bulduğumuz için
aslında temel fikirlerimiz tükendi mi? Bu ikinci olasılık, temel anlamda
"Son"u temsil eder - bu nedenle kültürün, yalnızca bir yan ürün
olarak insan zekasını boğan temel sorulara her şeyi kapsayan bir teknolojik
yanıtı benimsemesi için dua edebiliriz. Dengesiz bir bilim kültürünü
düzeltmenin en azından varsayımsal bir yolu var; fikirlerin sonunun Tron
dünyasından kaçış başka bir kabusu temsil ediyor.
Thiel'in sorusu sadece yapay
zekanın değil insanlığın geleceği için de merkezi bir soru ve ne yazık ki her
iki hipotez için de kanıtlarımız var. Bir yandan, mitin ve onun sürü
bilimindeki kuzeninin neşeli bir şekilde tanıtılması -önündeki kovan zihinleri
için amigoluk yapmak gibi- modern toplumun gerçekten de ıslık çalarak, tam da
Wiener'ın haber verdiği gibi, temel değerlerin bir tür düzensizliğine doğru
gittiğini gösteriyor gibi görünüyor. .
Öte yandan, Horgan'ın iddia
ettiği gibi, başka seçeneğimiz olup olmadığı sorusu, Bilimsel Devrim'den üç yüz
yıldan fazla bir süre sonra, fiziksel ve hesaplamalı teorinin tüm düşük asılı
meyvelerinin toplanmış olması nedeniyle rahatsız edici bir olasılık sunuyor. Bu
görüşe göre, önce Newton'un yasaları, ardından Einstein'ın göreliliği ve
yirminci yüzyıl kuantum mekaniğinin gelişimi ile fizik hakkında
keşfedilebilecekleri aşağı yukarı keşfettik . Kalan fizik ilerlemesi, büyük
ölçüde mevcut teorideki boşlukları ve ayrıntıları doldurmak ve hiç şüphesiz bu
tür teorilerin tahminlerini süper çarpıştırıcılar gibi daha büyük ve daha
pahalı teknolojilerle test etmekle ilgili olacaktır. Machineland'e hoş
geldiniz.
Her
iki olumsuz olasılık da, Markram'ın Einstein'ın artık istenmediği ve bugün
yapacak bir şeyi kalmadığı (veri bilimine katkıda bulunmak dışında) önerisini
destekler. Yaklaşan bir süperzekanın kaçınılmazlığı burada tersine döndü, çünkü
evrenin temel yapı taşlarını keşfetmede çok parlak olan insanlar artık emekli
olmalı ve kültürün kaşiflerden teknisyenlere dönüşmesini izlemelidir. Süper
bilgisayarlarla ilgilenmek , Voltaire'in bahçeyle ilgilenmesinin modern
versiyonudur. Ciddi iş bitti. İnsanoğlu bu kadar akıllı olmamalıydı.
, insan bilincinin tam bir
bilimsel açıklaması gibi bazı rüyaların zaten çok zor ve imkansız bir şekilde
uzak olabileceğini öne sürüyor. Bu durumda, Prometheus'un tamamlanmış bir
nörobilim hayali sessizce bir kenara bırakılırken veya Ex Machina geleceklerinde
kurgulanırken , hesaplamanın -mevcut teorileri hesaplamanın- bilime ve diğer
her yere amansız sürünmesine tanık olmanın mutsuz bir sonucunu yaşıyoruz.
Büyük bilimsel ilerlemenin
arkamızda olması kesinlikle mümkündür, bu durumda, AI mitolojisi, ne kadar
nihilist ve gerçek dışı olursa olsun, gelecekteki anlam için yeni bir odak
noktası haline gelirken, sahip olduğumuz teorileri kullanarak temel sorunların
sığ teknik tedavilerini beklemeliyiz. Lanier'in de önerdiği gibi, hesaplamanın
hakim olduğu bir geleceğe uyum sağlayacak kadar alçalana kadar, insan zekasını
ve benzersizliğini basitçe yontarak böyle bir geleceği gerçeğe
dönüştürebiliriz.
Horgan kendi rahatsız edici
önerisinden heyecan duymadı, ancak görünen o ki, 1990'lardan beri, uygulamalı
hesaplama ona giderek artan bir güvenilirlik kazandırdı - gerçekte değilse de
en azından gözlemlenen uygulamada.
Her iki durumda da, şu anda
yanlış yolda olduğumuzu ciddiye almalıyız, çünkü büyük ölçüde önemli bir
eksikliği - gelişen insan kültürünün eksikliğini - makinelerin kaçınılmaz
yükselişi hakkındaki retoriklerle örtmeye çalışıyoruz. Eugene Goostman,
başarısızlığa giden daha iyi bir yol bulamazdı.
BİZİM
SEÇİMİMİZ
Horgan'ın geleceğimize ilişkin “Son” okuması doğruysa, teknik
ayrıntılara kayma kaçınılmazdır. Yine de, büyük ölçüde mitin (ve her yerde
hazır ve nazır hesaplamanın yükselişinin) yaydığı bir kültür düzensizliği,
kendimizi modern teknoloji mitlerinden kurtarmanın, insan kavrayışına, yeniliğe
ve fikirlere yeniden yatırım yapılmasına neden olarak ilerlemeyi teşvik
edebileceği olasılığını canlı tutuyor.
Açıkçası ben ikinci yorumu
destekliyorum. Ve ben iyimserim - büyük ölçüde, daha önce gördüğümüz gibi,
yapay genel zekaya (ve ötesine) doğrusal ve kaçınılmaz bir yürüyüşü reddetmek
için tamamen bilimsel gerekçelere sahip olmamız nedeniyle.
Bu Gordion düğümünü çözmek,
kültürü o kadar yaygın bir şekilde enfekte etmiş ki, çabaları yeniden odaklamak
için nörobilimde yeni teoriye duyulan ihtiyaç hakkındaki uzun tartışmaları
gerekli kılacak kadar yaygın bir şekilde bulaşmış olan mitin mevcut kisvesinden
kurtulmakla başlar. tartışmasızdır.
SINIRLARIN
KABUL EDİLMESİ OLARAK GÜVEN
ENDÜKTİF
SİSTEMLER
İronik bir
şekilde, modern yapay zekanın sınırları, otomasyon ve güven hakkındaki güncel
tartışmalarda zımni olarak yer alıyor. Yapay zeka düşünürleri için sözde
"faydalı yapay zeka", güvenilir sistemler ve sorunlu önyargı gibi
diğer etik konular hakkında endişelenmek moda oldu. Başka bir deyişle,
anlamayan ama yine de performans gösteren sistemler endişe kaynağı haline
geldi.
Bu, efsaneyi garip bir açıdan
keser: Sistemlerin aptal olması, ancak yine de iş, tüketici ve hükümet
uygulamalarında yolunu bulması nedeniyle , insani değer soruları, bir zamanlar
tamamen bilimsel olan konuları artık etkiliyor.
Kendi
kendine giden arabalar bu noktada açık bir örnektir. Beklenmedik sonuçların
uzun kuyruğunun dışında bir yerde ve bu nedenle eğitim verilerine dahil
edilmeyen bir yerde, aracınız bir pilonu kaçırmaya özen gösterdiği için bir
yolcu otobüsüne mutlu bir şekilde çarpana kadar görsel nesne tanımadaki
gelişmelerden bahsetmek her şey yolunda ve güzel. (Bu oldu.) Önyargı ve görüntü
tanıma ile ilgili sorunlara da bakın: Google Fotoğraflar, iki
Afrikalı-Amerikalının fotoğrafına bir goril la etiketi yapıştırdı. Bir halkla
ilişkiler felaketinin o nötron bombasından sonra Google , derin öğrenme sistemi
tarafından kullanılan eğitim setinden gorillerin resimlerini atarak sorunu
çözdü .
Bu nedenle, gerçek anlayıştan
yoksun tümevarımsal yapay zekanın sınırları giderek yapay zeka tartışmasına
itiliyor çünkü insan yaşamının hiçbir anlayışa sahip olmayan önemli alanlarında
makineleri hizmete sokuyoruz. Bu da, geçerli fikirler veya keşifler için
ortalıkta beklememek ve yapay zeka teknolojilerinin hayatın olası her alanında
hakimiyetini artırmaya devam etmek için çok istekli olmaya yönelik sürekli bir
eğilim gösteren yapay zeka mitolojisinin bir sonucudur.
İronik bir şekilde, bu endişe
verici eğilim, yapay zekanın temel - veya en azından mevcut ve kaçınılmaz -
sınırlarının daha iyi anlaşılmasına yardımcı olabilir. Gerçek insan yaşamları
ve önemli insani değerler artık söz konusu.
Başka bir deyişle, efsane
adına, bugün makinelerin aptallığının ne anlama geldiğini anlatmak için çok
fazla mürekkep dökülüyor. Hiç kimse, sonucun zekaya giden bir yol gibi görünen
tümevarım sistemlerinin gerekli ve öngörülebilir bir sonucu olduğunun farkında
değil.
zekada mevcut ve gelecekteki
yapay zeka sistemlerini kendi çıkarlarımız ve amaçlarımızla uyumlu hale
getirmekle ilgili birdenbire merkezi öneme sahip bir sorun olan
"uyum" sorununa işaret ediyor . Ancak sorun, Russell'ın öne sürdüğü
gibi, yapay zeka sistemlerinin çok hızlı bir şekilde çok akıllı hale
gelmesinden değil, onları insan toplumunun pek çok alanında otorite konumuna
getirdiğimiz ve doğasında var olan sınırlamaları olduğu için ortaya çıkıyor.
şimdi önemliydi.
Gerçek otoriteyi yapay zekaya
- kabul edelim ki akılsız makinelere - devretmeye yönelik pratik endişelere
doğru Tekillikten mevcut dönüşün, sonunda insan zekası ve değeri için
yenilenmiş bir takdirle sonuçlanacağını umuyorum.
SONUÇ
OLARAK
Bu kitapta
sunduğum çıkarım çerçevesi, mevcut yapay zekayı yapay genel zekaya genişletme
projesini açıklığa kavuşturuyor: şu anda programlanamayan farklı bir çıkarım
türüne köprü kurmalıdır. Aynı zamanda, zihinler ve makineler arasındaki
sınırların keşfedilmesi için bir kılavuz sağlar ve bu da elbette kalıcı olan
daha optimal ve daha güvenli insan-makine etkileşimlerini kolaylaştırabilir.
Teleskop ve mikroskopta olduğu gibi, teknolojinin genellikle insan
yeteneklerinin bir protezi gibi davrandığı doğrudur. En azından yapay zekanın oynayacağı
bu rol var, ancak yaklaşan bir süper zekayla ilgili bir mitoloji, bilimsel
bilinmeyenler kategorisine yerleştirilmelidir. Doğrudan bilimsel bir gizemin
peşine düşmek istiyorsak, en azından entelektüel fikirleri teşvik eden bir
kültüre yatırım yapmalıyız - yapay genel zekaya giden herhangi bir yol
mümkünse, onlara ihtiyacımız olacak.
Tıpkı Frankenstein'ın gerçekten
ruhsal izolasyonun keşfi olması gibi (Mary Shelley ve kocası Percy Shelley
tarafından derinden hissedilen bir sorun), AI mitinde somutlaşan en derin
sorular teknik ve hatta bilimsel değildir - anlam bulmaya yönelik kendi
süregelen girişimlerimizi içerirler. ve sürekli değişen bir dünyada kendimiz
için gelecekteki yolları oluşturmak . Burada mite kapılmakla kazanılacak hiçbir
şey yoktur ; insan potansiyelini göz ardı etmek ve gelecekteki insan
olasılığını sınırlamak gibi açıkça olumsuz bir anlam dışında, insanlık
durumumuza hiçbir çözüm sunamaz.
Çıkarım
sorunu, tıpkı bilinç sorunu gibi, sürmekte olan büyük gizemlerin merkezine
yerleşmiştir ve geri kalan her şeye ilişkin anlayışımızda gerçekten önceden varsayılmıştır
. Keşfedilmemiş zihnin teknolojik cevaplara direnmesine şaşırmamalıyız.
Horgan'ın endişelendiği gibi, fikirlerimizin tükenmiş olması mümkün. Eğer
öyleyse, mit, insan olasılığından nihai, kurtarılamaz bir şekilde uzaklaşmamızı
temsil eder - karanlık bir şekilde rahatlatıcı bir peri masalı, küllerimizden başka bir şeyin, büyük ve
canlı bir şeyin mutlaka ve kaçınılmaz olarak doğması gerektiği iddiası.
tükenmiyorsa
, o zaman bir icat kültürüne ve insan
gelişimine yeniden yatırım yapmak gibi zorlu ve bilinçli bir çalışma
yapmalıyız. Çünkü geleceğe giden yolları ve geçmişten daha iyi bir geleceği
bulmak için kendi genel zekamıza ihtiyacımız olacak.
giriiş
1. Araştırmacıların
yapay zekada kaçırılmayla mücadele etmediğini söylemiyorum, yaptılar.
1980'lerde ve 1990'larda araştırmacılar, kaçırma mantığı programlama adı
verilen, kaçırmaya yönelik mantıksal yaklaşımlar üzerinde çalıştılar. Ancak bu
sistemler "yalnızca ismen" kaçırmaydı çünkü gerçek kaçırmaya değil
tümdengelimlere dayanıyorlardı. Sistemler başarılı olamadı ve web çağında
yapay zeka çalışmaları ilerledikçe hızla terk edildi. Daha yakın zamanlarda,
yaklaşık 2010'dan günümüze, çeşitli olasılıksal (özellikle Bayesçi)
yaklaşımlar, iyi niyetli kaçırma çıkarımına giden olası yollar olarak
benimsenmiştir. Bununla birlikte, bu sistemler de kaçırmanın tam tedavisi
değildir. Selefleri gibi kılık değiştirmiş tümdengelimli yaklaşımlar yerine, tümevarımcı
veya olasılıkçı yaklaşımların kılıklarına bürünürler. Sadece isimdeki kaçırma,
kaçırmadan kastettiğim şey değildir ve ismi kullanan ancak sorunu çözmeyen
sistemler, AI'da ilerleme kaydetmemize yardımcı olmaz. Bütün bunları ileriki
sayfalarda anlatacağım .
Chapter
1: İstihbarat
Hatası
1. AM
Turing, "Computing Machinery and Intelligence", Mind 59, no.
236 (Ekim 1950), 433-460.
2. AM
Turing, "Entscheidungsproblem Uygulaması ile Hesaplanabilir Sayılar
Üzerine" , Londra Matematik Derneği Bildiriler Kitabı, cilt. 2-42,
sayı 1 (Ocak 1937), 230-265.
4. Gödel
ayrıca, kural eklemenin bazı sistemlerdeki eksikliği gidereceğini, ancak yeni
sistemin ek kurallarla birlikte başka kör noktalara sahip olacağını da gösterdi.
Bu, Turing'in biçimsel sistemler ve tamlık üzerine sonraki çalışmalarında tam
olarak odaklandığı noktaydı.
5. Orijinal
eksiklik sonuçları için bkz. Kurt Godel, "Uber formally undecidable
teorems of the Principia Mathematica ve ilgili sistemler I. " İngilizce
çevirisi Kurt Godel, Collected Works, vol. 1: 1929-1936, editörler.
Kurt Geodel, Kurt Gödel ve Solomon Feferman (Oxford: Oxford University Press,
1986).
6. biçimsel
, matematiksel ve hesaplamalı terimlerini dönüşümlü olarak
kullanıyorum . Teknik olarak tüm matematiksel veya hesaplamalı sistemler resmi
sistemler olarak bilinmesine rağmen, terminoloji kesin değildir. Bunun kafa
karıştırıcı olmadığına inanıyorum, ancak her halükarda, matematiksel ve
hesaplamalı terimlerin her ikisi de, iyi tanımlanmış bir sembol sözlüğüne ve
sembolleri işlemek için kurallara sahip olan resmi sistemlere atıfta bulunur . Bu,
bilgisayar dillerinin yanı sıra aritmetiği de kapsar ve tartışmanın amaçlarına
uyacak şekilde tamamen geneldir.
Chapter 2:
Bletchley'de Turing
1. Turing,
Good ve Shannon'ın bilgisayar satrancı üzerindeki ilk çalışmaları, bir oyuncu
için kaybı en aza indirirken potansiyel kazancı en üst düzeye çıkarmaya dayalı
hamleleri puanlayan minimax olarak bilinen bir teknikten yararlandı. Teknik,
bilgisayar satrancının sonraki sürümlerinde belirgin bir şekilde yer aldı ve
bugün kullanılan çok daha güçlü bilgisayar satranç sistemlerini tasarlamak için
hala bir temel oluşturuyor.
2. C++ ve
Java gibi bugün bildiğimiz şekliyle tam programlama dillerinin tümü, nesne
yönelimli programlama ve diğer yazılım yapılandırma araçları gibi fikirler
bilgisayar biliminde daha sonra ortaya çıkmış olsa da, erken bilgi işlemden
ortaya çıkan bu temel işlemlerden yararlanır. Yine de, tüm bilgisayar
kodlarındaki temel kontrol yapıları , ilk tam elektronik makinelerle erkenden
ortaya çıktı. Satranç gibi erken problemlere uygulanan bu tür sistemlerin ani
başarısından şüphesiz, makinelerin programlarla nasıl yapılandırılacağı ve
kontrol edileceğine dair içgörü sorumludur.
3. İngiltere'nin
"Genel Kod ve Şifreleme Okulu" veya "GC ve CS" yönetimi
altında.
4.
Örneğin Hugh Alexander, Bletchley'in
çabalarına yardımcı olan ulusal bir satranç şampiyonuydu.
5. iletişimin
şifresini çözmek için daha karmaşık başlangıç (ve aynı zamanda şifrelenmiş)
talimatların yanı sıra uzun şifreli serbest metin dizileri üreten rotorlar
eklediler .
6. Turing'in
II. Andrew Hodges, Alan Turing: Enigma (New York: Vintage, 1992).
7. Joseph
Brent, Charles Sanders Peirce: Bir Hayat (Bloomington, IN: Indiana
University Press, 1993), 72.
8.
Hodges, Muamma , 477.
9. François
Chollet, "The Implausibility of Intelligence Explosion" Me dium ,
27 Kasım 2017.
10. Ücretsiz
öğle yemeği yok teoreminin matematiksel bir açıklaması için bkz. David Wolpert
ve William G. Macready, "No Free Lunch Theorems for Optimization", IEEE
Transactions on Evolutionary Computation 1, no. 1 (1997): 67-82.
11. Yapay
zeka terimi aslında 1955'te yapay zekanın öncülerinden biri ve bir yıl sonra
1956'da alanı resmen başlatan Dartmouth Konferansı'nın bir üyesi olan Stanford
bilgisayar bilimcisi John McCarthy tarafından icat edildi.
Chapter
3: Süper
Zekâ Hatası
1. Irving
John Good, "İlk Ultra Zeki Makineyle İlgili Spekülasyonlar", Advances
in Computers 6 (1965) 6: 31-88.
2. Nick
Bostrom, Süper Zekâ: Yollar, Tehlikeler, Stratejiler, repr. ed. (Oxford:
Oxford University Press, 2017), 259.
3. John Von
Neumann, Kendi Kendini Üreten Otomata Teorisi, ed. Ar thur W. Banks
(Urbana: University of Illinois Press, 1966), beşinci ders, 78.
4. Daniel
Kahneman, Düşünme, Hızlı ve Yavaş (New York: Farrar, Straus ve Giroux,
2013).
5. Stuart
Russell, İnsan Uyumlu: Yapay Zeka ve Kontrol Problemi (New York: Viking,
2019), 37.
6.
Kevin Kelly, Teknoloji Ne İstiyor (New
York: Penguin, 2010).
7.
Garip bir şekilde, belki de
canlandırıcı bir şekilde, Kelly o zamandan beri yapay zeka mitinden uzaklaştı.
2017'de Wired'da yazdığı yazıda, "zekâlaşmanın" süper zekaya
yol açmadığını savunuyor. Zekanın çeşitli ve çok biçimli olduğuna ve sincap gibi görünüşte zeki
olmayan hayvanların daha sonra tüketmek üzere potansiyel olarak binlerce gömülü
yemişin yerini hatırladığına dikkat çekiyor; bu , insanların kopyalayamayacağı
bir başarıdır. "AI Cargo Cult: The Myth of Superhuman AI" adlı
eserinin başlığı anlatıyor. Zekanın uygulanabilir bir tanımını (süper zekayı
bırakın) sabitleyemememiz, fütüristlerin yapay zekada kaçınılmaz olarak
gördükleri son noktanın aslında kafa karıştırıcı olduğunu ve yine mitoloji ve
spekülasyon için bolca alan sağlayan başka bir basitleştirme olduğunu
düşündürebilir.
8. Russell,
İnsan Uyumlu, 7-8.
Chapter
4:
Tekillik, O Zaman ve Şimdi
1. Murray
Shanahan, Teknolojik Tekillik (Cambridge, MA: MIT Press, 2015), 233.
2. Gördüğümüz
gibi, Turing'in evrensel makineleri bilimi 1930'ların sonunda iyice
yerleşmişti. Elektronik cihazlar olarak bilgisayarlar daha sonra, telefon
sistemlerinden röle anahtarları ve diğer teknolojiler gibi iletişim
teknolojilerindeki gelişmelerin hemen ardından ortaya çıktı.
3. Teknik
olarak Vinge, tekillik terimini üç yıl önce, Ocak 1983'te Omni dergisinde
yayınlanan "First Word" (İlk Söz) başlıklı makalesinde tanıttı.
Bununla birlikte, kelimenin ve Vinge'nin onu kullanımının izini, kavramın
hikayenin olay örgüsünde tamamen geliştirildiği Marooned in Realtime adlı
bilim kurgu kitabına kadar izlemek yaygındır.
4. İnsan
Sonrası Çağda Nasıl Hayatta Kalılır", Vizyon-21: Siber Uzay Çağında
Disiplinlerarası Bilim ve Mühendislik, ed. GA Landis, NASA Yayını CP-10129,
1993, 11-22.
5. Ray
Kurzweil, Tekillik Yakında: İnsanlar Biyolojiyi Aştığında (New York:
Penguin Group, 2005).
6. Ray
Kurzweil, "The Singularity: A Talk with Ray Kurzweil", The Edge ile
söyleşi, John Brockman tarafından giriş, 24 Mart 2001, https://www
.edge.org/conversation/ray_kurzweil-the-singularity.
7. Hubert L
Dreyfus, What Computers Still Can't Do: A Critique of Artificial Reason (Cambridge,
MA: MIT Press, 1992), ix.
Chapter
5: Doğal
Dil Anlama
2. Gary
Marcus ve Ernest Davis, Rebooting AI: Building Artificial Intel ligence We
Can Trust (New York: Pantheon Books, 2019), 1.
3. Massimo
Negrotti, ed., Yapay Olanı Anlamak: Yapay Zekanın Gelecekteki Şekli Üzerine (Berlin
Heidelberg: Springer-Verlag, 1991), 37.
4. Bkz.
John R. Pierce ve diğerleri, Language and Machines: Computers in Translation
and Linguistics , Otomatik Dil İşleme Danışma Komitesi raporu, Ulusal
Bilimler Akademisi, Ulusal Araştırma Konseyi, Yayın 1416, 1966.
5. Sergei
Nirenburg, HL Somers ve Yorick Wilks, editörler, Makine Çevirisinde Okumalar
(Cambridge, MA: MIT Press, 2003), 75.
6. Makine
çevirisiyle ilgili ilk sorunların okunabilir bir tartışması için bkz. John
Haugeland, Yapay Zeka, The Very Idea (Cambridge, MA: MIT Press, 1989).
Yehoshua Bar-Hillel'in yorumu 176. sayfada yer almaktadır.
7. Bakınız,
örneğin, Hubert Dreyfus'un , Hubert L Dreyfus, What Computers Still Can't
Do: A Critique of Artificial Reason (Cambridge, MA: MIT Press, 1992), ix.
8. DENDRAL
hakkında daha fazla bilgi için bkz. Robert K. Lindsay, Bruce G. Buchanan, EA
Feigenbaum ve Joshua Lederberg, "DENDRAL: A Case Study of the First Expert
System for Scientific Hypothesis Formation", Yapay Zeka 61, no. 2
(1993): 209-261. MYCIN hakkında daha fazla bilgi için bkz. BG Buchanan ve EH
Shortliffe, Rule Based Expert Systems: The MYCIN Experiments of the Stanford
Heuristic Programming Project (Reading, MA: Addison-Wesley, 1984).
9. Doğal
Dil İşleme üzerine yapılan çalışmalarda ELIZA programının iyi bir tartışması
için bkz. James Allen, Natur ral Language Processing (San Francisco:
Benjamin / Cummings Publishing Company, 1995). Diyalog 7. sayfada görünür.
10. Goostman
performansıyla ilgili sorunları İkinci Bölüm'de çok daha ayrıntılı olarak
açıklıyorum.
Chapter
6: Teknolojik
Kitsch Olarak Yapay Zeka
1. Buradaki
teknobilim terimi bir anakronizmdir, ancak geçmişe bakıldığında tam
olarak on dokuzuncu yüzyılda Bilimsel Devrim'in ardından şekillenen fikirleri
yakalar. Aslında, teknobilim 1970'lerde Belçikalı filozof Gilbert
Hottois tarafından icat edildi.
3. Fyodor
Dostoyevski, Yeraltından Notlar (New York: Vintage Classics, 1994), 33.
4. Bu tür
görüşler, Marie Jean Antoine Nicolas Caritat, Marquis de Condorcet (tipik
olarak kısaca Condorcet olarak anılır) dahil olmak üzere Comte'u etkileyen
Fransız düşünürler tarafından da savunuldu. Fransız felsefesinde Bilimsel
Devrim'in getirdiği devrimden önce, Francis Bacon gibi İngiliz filozoflar da
bilim ve ilerlemeyi felsefi olarak gerekli gören benzer görüşleri benimsediler.
5. Hannah
Arendt, İnsan Durumu (Chicago: Chicago University Press, 1958).
Chapter
7:
Basitleştirmeler ve Gizemler
1. BF
Skinner, Walden Two [1948] (Indianapolis: Hackett, 2005).
2. Stuart
Russell, İnsan Uyumlu: Yapay Zeka ve Kontrol Problemi (New York: Viking,
2019), 8.
3. Dan
Gardner, Gelecek Gevezeliği: Uzman Tahminleri Neden Daha Az Değere Yakın ve
Daha İyisini Yapabilirsiniz (New York: Dutton, 2011).
4. Martin
Ford, Architects of Intelligence: The Truth about AI from the People
Building It (Birmingham, Birleşik Krallık: Packt Publishing, 2018), 20.
5. Ray
Kurzweil, The Singularity is Near: When People Transcend Biology (New
York: Penguin Group, 2005), 25.
6. Alasdair
MacIntyre, Erdemden Sonra (Notre Dame, IN: University of Notre Dame
Press, 2007), 111.
7. Bkz.
Michael Polanyi, Personal Knowledge: Towards a Post- Critical Philosophy [1958]
düzeltilmiş baskı (Abingdon-on-Thames: UK: Routledge & Kegan Paul, 1962),
bölüm 5.
8. Hubert
Dreyfus, Bilgisayarlar Hala Ne Yapamaz: Yapay Aklın Eleştirisi (Cambridge,
MA: MIT Press, 1992).
9. Gary
Marcus ve Ernest Davis, Yapay Zekayı Yeniden Başlatmak: Güvenebileceğimiz
Yapay Zeka Yeteneği Oluşturmak (New York: Pantheon Books, 2019).
10. Hector
Levesque, Sağduyu, Turing Testi ve Gerçek Yapay Zeka Arayışı (Cambridge,
MA: MIT Press, 2017).
11. Erik J.
Larson, "Yapay Zeka Hakkındaki Aldatmacayı Sorgulamak", The
Atlantic, 14 Mayıs 2015.
12.
Stuart Russell, İnsan Uyumlu:
Yapay Zeka ve Kontrol Problemi (New York: Viking, 2019), 9.
13. Russell
, İnsan Uyumlu, 41.
14. Russell,
İnsan Uyumlu, 16-17.
15. Ford, Mimarlar,
232, 234.
16. Ava'nın
Nathan'ın evinden kaçtığı ve rengi görmek için güneş ışığına baktığı sahne,
yapay zeka ve zihin felsefesi çevrelerinde "Renk bilimcisi Mary"
olarak bilinen felsefi bir sorunu ele alıyor. Muamma, (hipotez gereği) renk
hakkındaki tüm bilimsel gerçekleri ( beyindeki nöronlara çarpan ışığın dalga
boyları vb.) bilen, ancak siyah -beyaz bir odada yaşayan Mary adında kurgusal
bir renk bilimcisi olup olmadığıdır. , gerçek rengi ilk kez gördüğünde aslında
yeni bir şey öğrenirdi. Başka bir deyişle: Rengi görme deneyimimiz, onunla
ilgili hesaplamalara ek mi? Garland, Ava'nın gerçekten de yeni bir şey
öğrendiğini öne sürüyor. Muhtemelen bu , onun bilinçli bir zihne sahip
olduğunu da kanıtlıyor.
17. Eliezer
Yudkowsky, "Küresel Riskte Pozitif ve Negatif Bir Faktör Olarak Yapay
Zeka", Global Catastrophic Risks, ed. Nick Bostrom ve Milan M.
Cirkovic (New York: Oxford University Press), 308-345.
18. Jaron
Lanier, Bir Aygıt Değilsiniz : Bir Manifesto (New York: Alfred A. Knopf,
2010), 4.
Chapter
8: Hesaplamayın,
Analiz Edin
1. Edgar
Allan Poe, The Best of Poe: The Tell-Tale Heart, The Raven, The Cask of
Amontillado ve 30 Others (Clayton, DE: Prestwick House, 2006).
2. Poe,
Poe'nun En İyisi, 33-34.
3. Poe,
Poe'nun En İyisi, 27.
Chapter
9:
Peirce Yapbozu (ve Peirce Yapbozu)
1. Joseph
Brent, Charles Sanders Peirce: Bir Hayat (Bloomington, IN: Indiana
University Press, 1993), 1-7.
2. Brent, Peirce
, 2-3'ten alıntılanmıştır.
3. Henry
James, ed., The Letters of William James , cilt. 1 (Boston: Atlantic
Monthly Press, 1920), 35.
4. Brent, Peirce
, 16'dan alıntılanmıştır.
5.
Joseph Brent, Peirce'i bir züppeye
benzetiyor: "Züppe bir aynanın önünde yaşıyor ve uyuyor, zengin ve yine de
ilgisiz bir şekilde yaptığı işi tarafından tüketiliyor. Yalnız ve mutsuz”
(23-24). Romancı Henry James (William'ın erkek kardeşi) , karısından yeni
ayrılmış (Brent, Peirce , 25) , Paris'e musallat olan kimsesiz bir
Peirce ile tanıştıktan sonra bir keresinde Peirce'in ilginç olduğunu ve
"güzel giysiler" giydiğini söyleyerek alay etmişti . Gerçekten de, Peirce'in
yaşamı, onu ateizm (doğru değil), alkolizm (belki doğru), uyuşturucu
bağımlılığı (doğru, ancak bir nedenden dolayı - ömür boyu süren bir yüz
nevraljisi olarak bilinen acı verici bir durum), evlilikte sadakatsizlik (doğru
olduğuna şüphe yok) ve mesleki ilişkilerinde pervasızlık. Hopkins'te öğretim
görevlisi olarak görevden alınmasıyla gerçekler hiçbir zaman tam olarak ortaya
çıkmadı. US Coast Survey'de çalışırken pahalı yerçekimi ölçüm ekipmanına bakım
yapamaması ve projelerdeki gecikmesi iyi belgelenmiştir.
6.
Brent, Pierce , 9.
7. kabul
edilmiş "kanıtlar" ile değerlendirildiğinde, neredeyse tanımları
gereği, olası olmayan çıkarımlar (veya çıkarım kümeleri) olma eğilimindedir . Keşif
kabul edildikten sonra (eğer öyleyse), kanıt olarak sayılan şeyin kendisi,
olasılık yargılarıyla birlikte yeniden değerlendirilir.
Chapter
10: Tümdengelim
ve Tümevarımla İlgili Sorunlar
1. Gödel'in
eksiklik teoremlerinden bildiğimiz gibi, teknik olarak evrensel hata kontrol
sistemleri imkansızdır. Ancak bu şart göz önüne alındığında, tümdengelimli
sistemler, diğer şeylerin yanı sıra, yazılımın bir dizi belirtime uyup
uymadığını kontrol etmek için kullanışlıdır.
2. Wesley
Salmon, Nedensellik ve Açıklama (Oxford: Oxford University Press ,
1998).
3. bağımsız
hareket eden herhangi bir şey anlamına gelen AI'daki olağan kelimeyi,
"ajanları" benimsiyorum . Zeki (veya "bilişsel") bir
aracı, bir kişi olabilir, ancak aynı zamanda bir yapay zeka sistemi veya bir
uzaylı da olabilir.
4. David
Hume, Hume's Treatise of Human Nature [1739-1740], ed. LA Selby Bigge
(Oxford: Clarendon Press, 1888), 89.
5. Russell'ın
orijinal formülasyonu bir hindiye değil, bir tavuğa atıfta bulunuyordu. Karl
Popper, örneği mevcut haliyle yeniden formüle etti. Ve alıntı ikincil bir
kaynaktan alınmıştır: Alan Chalmers, Bu Bilim Denilen Şey Nedir? 2.
baskı (St. Lucia, AU: Queensland Üniversitesi Yayınları, 1982), 41-42.
6. Stuart
Russell, İnsan Uyumlu: Yapay Zeka ve Kontrol Problemi (New York: Viking,
2019), 48.
8.
Marcus ve Davis , Yapay Zekayı
Yeniden Başlatma, 62.
9. Martin
Ford, Architects of Intelligence: Onu İnşa Eden İnsanlardan Yapay Zeka
Hakkındaki Gerçek (Birmingham, BK: Packt Publishing, 2018).
10. Nassim
Nicholas Taleb, "The Fourth Quadrant: A Map of the Limits of
Statistics", Edge.org, 14 Eylül 2008, https://www.edge.org/conversation
/nassim_nicholas_taleb-the-fourth-quadrant-a-map -of-the-sınırları-istatistik.
11. Judea
Pearl ve Dana Mackenzie, The Book of Why: The New Science of Reason and
Effect (New York: Basic Books, 2018).
12. Gözlem,
veri ve olgu terimleri hakkında daha fazla şey söylemeliyim. Fred adında bir
adamın, işvereni tarafından 1 Aralık günü sabah 7:00'den akşam 19:00'a kadar
Chicago şehir merkezinde belirli bir sokak köşesinde North Face ceketi giyen
herkes hakkında veri toplamakla görevlendirildiğini hayal edin. Fred ,
giydikleri ceketlere dikkat ederek geçen insanları gözlemleyecek. Gördüğü her
North Face ceketi için, gözlemini bir deftere kaydedecek. Saat 19:00'dan sonra,
kâğıdı, kaydedilen gözlemleri (sayı 147) almak ve bunları bir elektronik
tabloya girmekle görevli amirine getirir . Fred'in gözlemleri artık veridir -
bilgisayarda okunabilir bir formatta kaydedilmişlerdir ve o sırada ve yerde
North Face ceket giyen yayaların sayısı gerçeğini temsil etmektedirler.
Dolayısıyla veriler, gerçekler olarak kabul edilen kayıtlı gözlemlerdir. Bir
gerçeğin ne olduğu konusu aslında oldukça ilginç, ancak başka bir projeyi
beklemesi gerekecek.
13. Görünüşe
göre Pearl de dedektiflik işine ilgi duyuyor, çünkü o da kurgusal
kahramanımızın bazen iddia ettiği gibi Sherlock Holmes'un tümdengelim
kullanmadığına işaret ediyor. Pearl'e göre, açıklamalarına varmak için
gerçekleri incelemek anlamında tümevarımı kullandı. İddia kendi merdiven
şemasıyla çelişmek anlamına geldiği için Pearl kesinlikle bunu tam anlamıyla
kastetmiyor çünkü gözlemleri anlamadan ilişkilendirmek Holmes'un karşılaştığı
bulmacaları pek çözemez. Birleştirme , genel olarak tümevarım hakkında süregiden
bir yanlış kavrayışı açığa çıkarır : teoriler dikkatli gözlemlerden gelir. Bu,
yalnızca önceki teorinin gözlemi bilgilendirdiğini ve kelimenin tam anlamıyla
gözlemin tek başına eksik teoriyi sağlayamayacağını kabul edersek doğrudur. Dil
anlayışında göreceğimiz gibi, tümevarım, önceki fikirlerin yoruma getirildiği ve
devam eden yorumlamanın önceki fikirleri ayarlayıp yenilerini önerdiği bir tür
bütüncül yorumsama çemberinin bir parçası olarak girer. Doğru anlaşılan
tümevarıma (yani diğer çıkarım biçimlerini içine koymadan) dayanarak dili
anlamlandırmak imkansızdır .
14.
Marcus ve Davis, Yapay Zekayı
Yeniden Başlatma .
15. Russell,
İnsan Uyumlu.
16. İnci, Neden
Kitabı, 36.
Chapter
11: Makine
Öğrenimi ve Büyük Veri
1. Stuart
Russell, İnsan Uyumlu: Yapay Zeka ve Kontrol Problemi (New York: Viking,
2019).
2. Tom
Mitchell, Makine Öğrenimi (New York: McGraw-Hill Education, 1997), 2.
3. Filtrelere
büyük ölçüde güveniyoruz çünkü kasıtlı olarak izin veriyorlar : istenmeyen
postaların gelen kutularına girme olasılığı, meşru iletilerin atılma
olasılığından daha yüksektir. Hiçbir garantisi ve gerçek bir anlayışı olmayan
sistemleri kullanmanın sonuçları giderek artan bir endişe kaynağıdır. Spam,
kendi kendine giden arabalara kıyasla küçük bir endişe kaynağıdır.
4. Melanie
Mitchell, Yapay Zeka: Düşünen İnsanlar İçin Bir Kılavuz (New York:
Farrar, Straus ve Giroux, 2019).
5. Doug
Laney, "3-D Data Management: Controlling Data Volume, Ve locity and
Variety", Gartner Group Araştırma Notu, Şubat 2001. Orijinali artık
Gartner'da mevcut değil, ancak Laney bunu https: //community.aiim adresinde
yeniden yayınladı. .org/blogs/doug-laney/2012/08/25/deja-vvvu-gartners
-original-volume-velocity-variety-definition-of-big-data. IBM daha sonra akılda
kalıcı çerçeveyi seçti ve doğruluk için dördüncü bir V ekledi. Ancak Laney daha
sonra bir blog gönderisinde (artık çevrimiçi olarak erişilemiyor) doğruluğun
bedenle aslında ters orantılı olduğuna ve bu nedenle eklenmesinin Gartner
tanımını bozduğuna dikkat çekti. Doğruluk gibi ölçütlerin bir
"büyüklük" ölçüsü olmadığını ve bu nedenle büyük veriyi birden çok
kez tanımlayan bir özellik olmadığını açıkladı. Doug Laney, "Batman on Big
Data", Garter Blog Network, 13 Kasım 2013.
6. Gil
Press, “12 Büyük Veri Tanımı: Sizinki Ne?” Forbes , 3 Eylül 2014.
7. Bakınız
https://obamawhitehouse.archives.gov/blog/2016/05/23/admini
stration-issues-strategic-plan-big-data-research-and-development.
8. Jonathan
Stuart Ward ve Adam Barker, "Undefined by Data: A Survey of Big Data
Definitions", School of Computer Science, University of Saint Andrews,
BK. arXiv'de yayınlandı, 2013.
10. Chris
Anderson, "The End of Theory: The Data Deluge Makes the Sci entific
Method Eskimiş," Wired , 23 Haziran 2008.
11. Gil
Press, “Büyük Veri Öldü. Yaşasın Büyük Veri Yapay Zekası,” Forbes, 1
Temmuz 2019.
12. Bunların
tümü, evet için “1” ve hayır için “0” içeren bir veri yapısında (vektör olarak
adlandırılır) evet/hayır sorularına verilen yanıtlar olarak kaydedilebilir.
Dolayısıyla {1,1,1,0,0,1}, bir öğrenme algoritmasına ("öğrenci")
girdi olarak sağlanacak bir özellik vektörüdür. Farklı öğrenciler için girdiyi
yapılandırmanın birçok yolu vardır - bu basit bir örnektir. Detaylar genel
fikir kadar önemli değil.
13. James
Somers, "Makinelere Düşünmeyi Öğreten Adam", The Atlantic, Kasım
2013.
Chapter
12: Abdüktif
Çıkarım
1. Charles
Sanders Peirce, “Tahmin Etme,” The Hound and Horn, 2:267-282, 271.
2. age,
271.
3. age,
272.
4. age,
277.
5. Gary
Marcus ve Ernest Davis, Rebooting AI: Building Artificial Intelli gence We
Can Trust (New York: Pantheon, 2019), 145-146.
6. age,
146.
7. Charles
Sanders Peirce'in Toplu Makaleleri, ed. Charles Hartshorne ve Paul Weiss, cilt. 1-6,
(Cambridge, MA: Harvard University Press, 1931-5), 5.189.
8. Charles
Sanders Peirce. Charles Sanders Peirce Belgeleri. Houghton Kütüphanesi, Harvard
Üniversitesi, ms 692.
9. Melanie
Mitchell, Yapay Zeka: Düşünen İnsanlar İçin Bir Kılavuz (New York:
Farrar, Straus ve Giroux, 2019).
10. age.
11. Peirce
Kağıtları, ms 692.
12. Toplanan
Bildiriler, 5.171.
13.
Kaçırma üzerine yapılan çalışmalar,
2010'larda, özellikle onu bir tür olasılıksal veya Bayesçi çıkarım olarak
gösterme girişimleriyle, kısmi bir canlanma yaşadı. Yaklaşımlar, hem uzmanların
hem de uzman olmayanların dikkatine değer, çünkü bunlar , günlük (ve bilimsel)
düşüncedeki bir olayı veya gözlemi açıklayan bir tahmin veya hipotez olarak
doğru bir şekilde bakıldığında, kaçırılmanın gerçek gizemini daha fazla takdir
etmemize yardımcı oluyor. Bayesçi sistemler , bir yandan bilinen olası
hipotezlerin yalnızca küçük bir alt kümesini (bazen iki kadar az) dikkate alan
ve diğer yandan söz konusu örnek veya durum verildiğinde yüksek olasılığı olan
çıkarımlar arayan her zaman basitleştirici varsayımlar yapar. Sistemler,
olasılıksal akıl yürütmenin ilginç uzantıları ve keşifleri olsalar da , yine,
yalnızca ad olarak kaçırmadırlar. Konuyla ilgili araştırma sonuçlarının iyi bir
özeti için Ray Mooney'nin University of Texas at Austin'deki çalışmasına bakın,
http://www.cs.utexas.edu/~ml/publications /area/65/abduction.
14. Hector
Levesque, Sağduyu, Turing Testi ve Gerçek Yapay Zeka Arayışı (Cambridge,
MA: MIT Press, 2017).
15. Hector
Levesque, "En İyi Davranışımız Üzerine", Yapay Zeka 212, no. 1
(2014): 27-35.
16. Gerçekleri
ve bilgileri ayıklamak için web'i tarayan büyük ölçekli projeler de hayal
kırıklığı yarattı. Tom Mitchell'in NELL'i (Never Ending Language Learner)
hakkında tartışma için bkz. Marcus ve Davis, Rebooting AI, 150-151.
17. John
Haugeland, 1979'da çıkarım için bilgiyi düzenleme sorununa işaret etmişti:
"'maymun' kavramı, yalnızca belirli türden primatlar olduklarını
[taksonomik bilgi] değil, aynı zamanda nerede oldukları gibi pek çok 'tesadüfi'
bilgiyi de içerecektir. nereden geldiklerini, ne yediklerini, organ
öğütücülerin onları nasıl kullandığını ve hayvanat bahçesindeki büyük olanın
izleyicilere ne fırlattığını.” Haugeland'ın sorusu, ansiklopedik bilgilerin
hiçbiri alakalı olmadığında maymun kavramıyla ilgili "tipik"
bilgilerin nasıl kullanılacağıydı. Bugün hala soru bu. Bkz. John Haugeland,
"Understand Natural Language", The Journal of Philosophy 76,
no. 11 (1979): 623.
18. RC
Schank, Conceptual Information Processing (New York: Elsevier, 1975).
19. Peirce,
“Tahmin Etme,” 269.
20. age,
269.
21. age,
269.
22. Daniel
Kahneman, Düşünme, Hızlı ve Yavaş (New York: Farrar, Straus ve Giroux,
2013).
23. Umberto
Eco ve Thomas A. Sebeok, editörler, Dupin, Holmes, Peirce: The Sign of Three
(Bloomington, IN: Indiana University Press, 1983).
Chapter
13: Çıkarım
ve Dil I
2. Bkz.
“Bilgisayar Yapay Zekası 'World First'te Turing Testini Geçti”, BBC News ,
9 Haziran 2014. Time'daki makale artık alınamaz. Ayrıca bkz. Pranav
Dixit, "Bir Bilgisayar Programı İlk Kez Turing Testini Geçti", Gizmodo
, 8 Haziran 2014.
3. Gary
Marcus, "Turing Testinden Sonra Ne Gelir?" New Yorker, 9
Haziran 2014.
4. Adam
Mann, “That Computer Really Got a F on the Turing Test,” Wired, 9
Haziran 2014.
5. kullanıcıdan
gelen sorular veya komutlar olduğu doBabble() veya doComplain() gibi bazı
kodlar ekleyerek Siri veya Cortana'yı Loebner Ödülü için bir rakibe
dönüştürebiliriz . O zaman sistem, örneğin her zaman neden diye sorarak,
insan isteklerini güvenilir bir şekilde yerine getirirdi. ve sonra istenmeyen
bir misafir gibi sürekli buna cevap vermekten veya başka bir şey hakkında
konuşmayı talep etmekten ne kadar yorulduğunu anlatmak. O zaman Siri , tamamen
işe yaramaz hale gelirken genel olarak dikkatli ve zeki görünebilir . Siri,
tam olarak insan dilini gerçekten anladığı ölçüde daha kullanışlı hale
gelecektir; bu, Turing testinin çözümsüz kalmasının ve belki de yapay zeka
bilim adamlarının onu reddetmeye bu kadar hevesli olmasının bir nedenidir.
6. Stuart
Russell, İnsan Uyumlu: Yapay Zeka ve Kontrol Problemi (New York: Viking,
2019).
7. Martin
Ford, Architects of Intelligence: Onu İnşa Eden İnsanlardan Yapay Zeka
Hakkındaki Gerçek (Birmingham, BK: Packt Publishing, 2018).
8. Gary
Marcus ve Ernest Davis, Rebooting AI: Building Artificial Intel ligence We
Can Trust (New York: Pantheon Books, 2019), 6-7.
9. Bkz.
Gary Marcus, “Bilgisayarım Neden Beni Anlayamıyor?” New Yorker, 14
Ağustos 2013. Levesque'in makalesinde atıfta bulunulan makalesi burada
bulunabilir: https://www.cs.toronto.edu/~hector/Papers/ijcai-13-paper.pdf.
Marcus'un Levesque'in çalışmasına yaklaşımı anlayışlı ve okumaya değer.
Levesque'nin IJCAI için yazdığı makale, uzman olmayan kişiler tarafından da
okunabilir ve dilin anlaşılması için büyük veri sorununun harika bir özetini
sunar.
10. Son
sponsorlu Winograd Şema Yarışması, 2016 yılında Uluslararası Yapay Zeka Ortak
Konferansları tarafından düzenlendi . Kazanan sistem, veri setinde yüzde 58,3
doğruluk elde etti ve bu, ödül için hak kazanmadı . Sponsor, o zamandan beri
25.000 $ 'lık ödülü üstlenmeyi reddetti.
11. Hector
Levesque, "On Our Best Behavior" konuşması, Uluslararası Yapay Zeka
Ortak Konferansı, Pekin, Çin, 2013, 4, https://www
.cs.toronto.edu/~hector/Papers/ijcai-13-paper. pdf.
Chapter
14: Çıkarım
ve Dil II
1. Pragmatik
analiz, Big Tech'in Kutsal Kâse'sidir. Google, Mazatlan'a ucuz uçak bileti veya
belki ucuz şemsiyeler için reklamları bir web sayfasında "Burada hava
harika!!!" yazan bir yorumun yanına yerleştirmeyi çok ister. Aralık ayında
Seattle'da yapıldı (muhtemelen yağmur yağıyor ve soğuk). Ne yazık ki, SPF 50
güneş kremi ve şemsiye içecekleri daha olası reklam yerleşimleridir. Alay
tespiti insanlar için (çoğunlukla) kolaydır, ancak mevcut AI alanının
dışındadır.
2. AM
Turing, "Computing Machinery and Intelligence", Mind 59, no.
236 (Ekim 1950): 446.
3. üzerinde
edatın bağlamsal
kullanımını vurgular . Bir gemide olabiliriz ama sadece bir arabada .
Aynı şekilde çoğu kişi tren yerine treni tercih ediyor . Uçaklar
aldatıcıdır: Ben uçaktayım ama sen uçaktasın. Ancak bu örnekler, metinlerde
bulunan tipik ifadeler oldukları için kullanım kalıplarıyla yakalanabilir.
Sorunlu vakalar tipik olmayan kullanımı içerir: Evdeyim - kelimenin tam
anlamıyla, evin (üstünde) oturuyorum, bu bir seçme örneğidir, bağlam
içinde anlaşıldıkları için bazı şeyleri dışarıda bırakırım.
4. Bir
Google Brain ekibi, WSC-273 olarak bilinen zor bir Winograd şema testinde yüzde
61,5 doğruluk elde etti. Son teknoloji sistem, rastgele tahmine göre doğrulukta
yüzde 10'luk bir artışı başardı, bu da meşru bir ilerlemeden ziyade veri
yöntemleri kullanılarak yapılan testin çözümsüzlüğünü daha fazla gösteriyor.
Ekibin eğitim ve test için kullanılan veri kümesine erişimi olduğunu ve
soruları kapsamlı bir şekilde analiz ettiğini de unutmayın;
5. Paul
Grice, Studies in the Way of Words (Cambridge, MA: Harvard University
Press, 1991).
6.
Levesque, "En İyi Davranışımız
Üzerine", 1.
7. Winograd
şema testlerinde, AI sistemleri tarafından kaçırılan bazı sorular benzer
görünme eğilimindedir ve isabetlerden (doğru cevaplar) daha zor değildir. Bu
senaryo da kötü çünkü o zaman hataları açıklamamızın hiçbir yolu yok . Bir
sistem, tüm niyetlerini ve amaçlarını tam olarak doğru buldukları gibi arayan
bazı soruları yanlış alır, tek fark, rastgele seçmek gibi, sistemin ilk etapta
hiçbir şey anlamamasıdır. Neden yanlış gittiklerini (veya doğru olduklarını)
anlamadığımız modern yapay zeka sistemlerine güvenme konusundaki son
tartışmalar, veri odaklı yapay zeka daha yaygın hale geldikçe giderek daha
rahatsız edici hale gelen bu sorunun özüne iniyor.
9. Bkz.
Marvin Minsky, The Society of Mind (New York: Simon & Schuster,
1988).
10. J. Fan,
A. Kalyanpur, DC Gondek, DA Ferrucci, "Belgelerden Otomatik Bilgi Çıkarma",
IBM Journal of Research and De velopment 56, no. 3.4 (2012), 5:1-5:10.
11. Marcus
ve Davis, Yapay Zekayı Yeniden Başlatma, 14.
12. Marcus
ve Davis, dil anlayışı ve yapay zeka ile ilgili bölümlerinde olgusal ve
"sağduyu" soruları arasındaki farkları tartışıyorlar. Örneğin bkz.
age, 74-76.
13. Aynı
eserde alıntılanmıştır, 68.
14. age, 69.
15. age, 27.
16. Charles
Sanders Peirce, "Mantıksal Makineler", American Journal of Psy chol
ogy 1, no. 1 (1887): 165.
17. age,
168.
18. age,
169.
19. age,
169.
Chapter
15: Mitler
ve Kahramanlar
1. Jaron
Lanier, Bir Aygıt Değilsiniz : Bir Manifesto (New York: Alfred A. Knopf,
2010), 2.
2. Clay
Shirky, Cognitive Surplus: Connected Age'de Yaratıcılık ve Cömertlik (New
York: Penguin Press, 2010).
3. Yochai
Benkler, Ağların Zenginliği: Sosyal Üretim Piyasaları ve Özgürlüğü Nasıl
Dönüştürür (New Haven, CT: Yale University Press, 2007).
4.
age, Epigraf.
5. Clay
Shirky, İşte Herkes Geliyor: Örgütlenmeden Örgütlenmenin Gücü (New York:
Penguin Books, 2009).
6.
Lanier, Sen Bir Alet Değilsin, 1.
7.
James Surowiecki, Kalabalığın
Bilgeliği (New York: Çapa, 2005).
Chapter
16:
Yapay Zeka Mitolojisi Nörobilimi
İstila Ediyor
1. Sean
Hill, “Simulating the Brain”, Gary Marcus ve Jeremy Freeman, ed., The Future
of the Brain: Essays by the World's Leading Neuro bilimcileri (Princeton,
NJ: Princeton University Press, 2015), 123-124.
2. Bkz.
Henry Markram, “Seven Challenges for Neuroscience” Functional Neurology 28 (2013):
145-151.
3. Ed Yong,
“The Human Brain Project Hasn't Lived Lidled Promise”, The Atlantic, 22
Temmuz 2019.
4. Kavli
Vakfı, “BRAIN Girişimi: Veri Tufanından Kurtulmak,”
https://www.kavlifoundation.org/science-spotlights/brain-initiative
-surviving-data-deluge#.XgVezkdKhdg.
5. Amye
Kenall, "Building the Brain: The Human Brain Project and the New
Supercomputer", BioMed Central, 8 Temmuz 2014,
http://blogs.biomedcentral .com/bmcblog/2014/07/08/building-the-brain- insan
beyni projesi -ve-yeni-süper bilgisayar/.
6. Rebecca
Golden, "Mind Boggling Numbers: Genetic Expression in the Human
Brain", Science 2.0 , 15 Nisan 2013, https://www.science20.com
/rebecca_goldin/mindboggling_numbers_genetic_expression_human _brain-109345.
7. Yves
Fregnac ve Gilles Laurent, "Neuroscience: Brain Is the Human Brain
Project'te Nerede?" , Nature, 3 Eylül 2014.
8.
age.
9.
age.
10. Eric
Kandel, Henry Markram, Paul M. Matthews, Rafael Yuste ve Christof Koch,
"Neuroscience Thinks Big (and Collaboratively)," Nature Reviews
Neuroscience 14, no. 9 (2013): 659.
11. Lee
Gomes, “Machine-Learning Maestro Michael Jordan on the Delusions of Big Data
and Other Huge Engineering Efforts,” IEEE Spectrum, 20 Ekim 2014,
https://spectrum.ieee.org/robotics/artificial-intelligence /machinelearning-
maestro-michael-jordan-büyük-veri-ve-diğer-dev-mühendislik-çabaları-sanrıları
üzerine.
12. age.
13. Gary
Marcus ve Ernest Davis, “Eight (No Nine!) Problems with Big Data,” New York
Times, 6 Nisan 2014.
14. Nate
Silver, Sinyal ve Gürültü: Neden Pek Çok Tahmin Başarısız - Ama Bazıları
Başarısız (New York: Penguin Books, 2015).
Chapter
17: Neokortikal
İnsan Zekası Teorileri
1. Jeff
Hawkins, İstihbarat Üzerine: Beynin Yeni Bir Anlayışı Gerçekten Akıllı
Makinelerin Yaratılmasına Nasıl Yol Açacak (New York: St. Martin 's
Griffin, 2005).
2. Ray
Kurzweil, Nasıl Bir Zihin Yaratılır: İnsan Düşüncesinin Sırrı Ortaya Çıktı (New
York: Penguin Books, 2013), 35.
3. Gary
Marcus, “Ray Kurzweil's Dubious New Theory of Mind,” New Yorker, 15
Kasım 2012.
4.
age.
5. Genel
bir açıklama için bkz. Ferris Jabr, “Memory May Be Build with Standard Building
Blocks,” New Scientist, 17 Mart 2011.
6. Henry
Markram ve Rodrigo Perin, "Innate Neural Assemblies for Lego Memory",
Frontiers in Neural Circuits 5 (2011): 6.
7. Eric
Kandel, Henry Markram, Paul M. Matthews, Rafael Yuste ve Christof Koch,
"Neuroscience Thinks Big (and Collaboratively)," Nature Reviews
Neuroscience 14, no. 9 (2013): 659.
8. Yves
Fregnac ve Gilles Laurent, "Nörobilim: Beyin İnsan Beyni Projesinde
Nerede?" Doğa Haberleri 513, hayır. 7516 (2014): 27
9. “İnsan
Beyni Projesi ile ilgili olarak Avrupa Komisyonu'na açık mesaj.” Bakınız
https://neurofuture.eu/.
10. Eliza
Shapiro, "Obama İnsan Beynini Haritalandırmak İçin BRAIN Girişimi
Başlattı" Daily Beast, 3 Nisan 2013. 11 Temmuz 2017'de güncellendi.
11. Bakınız
Stefan Thiel, " Why the Human Brain Project Wet Wrong—and How to Fix
It," Scientific American , 1 Ekim 2015. Ayrıca Ed Yong, "The
Human Brain Project Hasn't Liveled Life Promise", The Atlantic, 22
Temmuz 2019.
12. Yong,
"İnsan Beyni Projesi Hayata Geçmedi."
Chapter
18:
Bilimin Sonu mu?
1. Eric
Weinstein'ın "The Portal" podcast'inde röportaj yaptığı Peter Thiel,
Bölüm #001: "An Era of Stagnation & Universal Institutional
Failure", 19 Temmuz 2019,
https://www.youtube.com/watch?v=nM9f0W2KD5s&t= 1216'lar.
2.
age.
3. Norbert
Wiener, Buluş: Fikirlerin Bakımı ve Beslenmesi (Cambridge, MA: MIT
Press, 1994).
4.
age, 89.
5.
age, 96.
6.
age, 96.
7.
age, 87.
8.
age, 87.
9. John
Horgan, Bilimin Sonu: Bilimsel Çağın Alacakaranlığında Bilginin Sınırlarıyla
Yüzleşmek (Boston: Addison-Wesley, 1996).
Bu kitabın
oluşturulmasında hem resmi hem de gayri resmi olarak birçok kişi yer aldı . Öncelikle,
şu anda Hackett Publishing'te çalışan Jeff Dean'e, HUP'ta editörlük yaparken
projeye erken desteği için Harvard University Press ekibi adına teşekkür etmek
istiyorum. Jeff, kalemi kağıda dökmeye yönelik ilk denemelerimde faydalı bir
şekilde düşüncelerimi geri itti ve ilk tümsekleri aşmak için gösterdiği sabır
için minnettarım. James Brandt, Joy de Menil ve Julia Kirby, Jeff'in kaldığı
yerden devam ettiler ve metni kendi yöntemleriyle daha iyi hale getirdiler.
Graciela Galup zarif tasarıma katkıda bulundu ve Colleen Lanick ile tanıtım
ekibi, haberi yaymak için yaratıcı yollar buldu .
Diğer birçok
kişi, kitabın sonuna kadar anlaşılmasına yardımcı olmada önemli ve çok takdir
edilen roller oynadı. Taslağın yazımının bir bölümünde denizaşırı ülkelerdeydim
ve Amerika'daki olaylar zaman zaman işleri zorlaştırdı. Ortaklaşa kurulan bir
girişime cömert bir anlaşma yoluyla finansman sağladığı ve ayrıca bahsetmek
için çok çeşitli şekillerde teşvik ettiği için Bernard Fickser'a minnettarım . Todd
Hughes, taslağın ilk okuyucularından biriydi ve çok yararlı önerilerde bulundu.
Şu anda Folio Literary Agency'de çalışan menajerim Roger Freet, kitap yazma ve
yayımlamanın birçok yönünü bana yorulmak bilmeden anlattı ve teklif üzerindeki
yardımı çok takdir edildi.
Anna Samsonova'ya da Avrupa'da geçirdiğim o uzun günlerde bana katlandığı ve Rusça
öğrenmenin bitmez tükenmez karmaşasını atlatmama yardım ettiği ve düşüncelerimi
İngilizce formüle etmeye çalıştığı için teşekkür etmek istiyorum. Seattle'daki
(kim olduğunuzu biliyorsunuz) paha biçilmez katkılarda bulunan ve hala kabul
edilmeyen yazı arkadaşlarıma da teşekkür etmek istiyorum.
Son olarak, büyük bilim
yazarı ve pek çok kişiye ilham kaynağı olan arkadaşım John Horgan'a, kitaba
olan erken inancınız ve tutarlı cesaretlendirmeniz için çok teşekkür ederim.
kaçırma, 160-168; Bayesian,
293—294ni3; yaratıcı, 187-189; hızlı düşünmede, 185, 283n1; çıkarım olarak, 4;
Peirce, 25-26, 94, 171-172
tümevarımlı çıkarım, 99-102,
162-163, 189, 190
abdüktif mantık programlama
(ALP), 168, 176, 283n1
doğruluk, doygunluk sorunu, 155-156
AdaptWatson ( Jeopardy! oyun sistemi), 223-225
sonucu teyit eden, 170 uçak kazası, 113-114
İskender, Hugh, 40, 284n4
AlexNet (bilgisayar programı), 165
hizalama sorunu, 279
AlphaGo (bilgisayar
programı), 125, 161-162
özgecilik, 82
Amazon (firma), 144
anafora, 210
Anderson, Chris, 145, 243
anormallik tespiti, 150-151
entelektüel karşıtı politikalar, 270,
271
Arendt, Hannah, 64-66 Aristoteles, 106, 107 yapay genel zeka
(AGI), 38, 273; yetersiz girişimler, 218; strateji değil tümevarım, 173;
Kurzweil, 79; yatırım eksikliği, 272; mitolojisi, 275; tahminleri, 71-72 yapay
zeka (AI): büyük veri, 145; satranç oynayan bilgisayarların sayısı , 219;
Dartmouth Konferansı , 50-51; Veri Beyin projeleri ve, 251-252; kesintiye dayalı,
110, 115; dönem tarihi, 285n11; insan zekasına karşı, 1-2; endüktif, 273-274;
tehlikede ! bilgisayar oynamak (Watson), 221-226; Kurzweil'in tahmini,
47-48; 278-279; kullanılan mantık , 106-107; darlık tuzağı, 226-231; doğal dil
anlayışı, 51-55; Peirce, 233; tahmin, 69-73 ; Açık, 23; Winograd şema testi,
195-203
Babbage, Charles, 232-233
Pastırma, Francis, 288n4
Patlama, George, 159
Bar-Hillel, Yehoshua, 53-54, 57, 201-202
Barker, Adem, 143
Bayes çıkarımı, 293-294n13
davranışçılık (edimsel koşullanma), 69
Bengio, Yoshua, 70, 72, 75, 127
Benkler, Yochai, 241-243
Berlin, Yeşaya, 69
Berners-Lee, Tim, 179
önyargılar (makine öğrenme sistemlerinde), 28-29
büyük veri, 55-56, 142-146, 243; AI'da, 269;
nörobilimde, 249, 251-257, 261-262;
Winograd şema sorularını çözmek için, 200;
beyin teorilerinde, 266-267
Büyük Bilim, 267
Bombalar (proto-bilgisayarlar), 21-22, 24
Bostrom, Nick, 2, 34-35, 57, 81
Bowman, David, 260-261 beyin haritalama problemi, 249-250
İlerleme Yoluyla Beyin Araştırması
Yenilikçi Nöroteknolojiler (BRAIN)
girişimi, 248, 249, 253, 256, 268
Brent, Yusuf, 95, 289n5
Brin, Sergey, 56
kırılganlık sorunu, 126-129, 165
Bush, George HW, 248
Byron, Lord, 238
Çapek, Karel, 82-83
nedensellik: korelasyon ve, 259;
Hume, 120;
merdiveni, 130-131, 174; alaka sorunları,
112 satranç: Deep
Blue for, 219; bilgisayarlar tarafından oynanan,
284n1; Turing'in ilgisi, 19-20
Cholet, François, 27
Chomsky, Noam, 52, 95 sınıflandırması, denetimli öğrenmede,
134
biliş, Lego teorisi, 266 renk, 79, 289n16
sağduyu, 2, 131-132, 177;
betik yaklaşımı, 181-182; Winograd şema testi, 196-203
hesaplama bilgisi, 178-182 bilgisayarlar: satranç oynayan,
19-20,
284n1; en erken, 232-233;
teknoloji tarihinde, 44; makine öğrenimi, 133; çeviri, 52-55; Turing makineleri
olarak, 16, 17; Turing'in makalesi, 10-11
Comte, Ağustos, 63-66
Condorcet (Marie Jean Antoine
Nicolas Caritat, Marquis de Condorcet), 288n4
varsayımsal çıkarım, 163 bilinç, 77-80, 277 konuşma, Grice's
Maxims for,
215-216
Kopernik, Nicolaus, 104
karşı olgular, 174
yaratıcı kaçırma, 187-189
Cukier, Kenneth, 143, 144, 257 Çekoslovakya, 60-61
Dartmouth Konferansı (Yapay Zeka Üzerine Dartmouth Yaz Araştırma
Projesi; 1956), 50-51 veri: büyük veri, 142-146; gözlemler
dönüştü, 291n12
Veri Beyin projeleri,
251-254, 261, 266, 268, 269
veri bilimi, 144
Davis, Ernest, 131, 183; kırılganlık sorunu, 126; korelasyon ve
nedensellik üzerine, 259; DeepMind'da, 127, 161-162; Google Duplex'te, 227; AI
sınırlamaları üzerine, 75-76; makinede okuduğunu anlama üzerine, 195;
Kitaplarla Konuş üzerine, 228
kesinti, 106-110, 171-172; uzantıları , 167, 175; bilgi eksik, 110-112;
alaka düzeyi, 112-115
tümdengelimli çıkarım, 189
Deep Blue (satranç bilgisayarı), 219 derin öğrenme, 125, 127,
134, 135; çıkmaz sokak olarak, 275; için kandırma sistemleri, 165-166; Watson
tarafından kullanılmaz, 231
DeepMind (bilgisayar
programı), 127, 141, 161-162
DeepQA ( Jeopardy! bilgisayarı),
222-224
derin pekiştirmeli öğrenme, 125, 127
Dostoyevski, Fyodor, 64
Dreyfus, Hubert, 48, 74
deprem tahmini, 260-261
Eko, Umberto, 186
Edison, Thomas, 45
Einstein, Albert, 239, 276
ELIZA (bilgisayar programı),
58-59, 192-193, 229
e-posta, spam filtreleme, 134-135 ampirik kısıtlama, 146-149,
173
Enigma (kod yapma makinesi),
21, 23-24
varlık tanıma, 137
Etzioni, Ören, 129, 143-144
Eugene Goostman (bilgisayar programı), 191-195, 214-216
evrimsel teknoloji, 41-42
Ex Machina (film, Garland), 61, 78-80,
82, 84, 277
Facebook, 147, 229, 243
gerçekler, dönüştürülen veriler, 291n12
Farecast (firma), 143-144
özellik çıkarma, 146-147
Ferrucci, Dave, 222, 226
filtre baloncukları, 151
finansal piyasalar, 124
Fisch, Max H., 96-97
Fodor, Jerry, 53
biçimsel sistemler, 284n6
Frankenstein (hayali
karakter), 238
Frankenstein: Veya Modern Pro metheus (roman, Shelly), 238, 280
frekans varsayımı, 150-154, 173 Tam Otomatik Yüksek Kaliteli
Makine Çevirisi, 48 işlev, 139
Galileo, 160
kumarbaz yanılgısı, 122 oyun, 125-126
Gardner, Dan, 69-70
Garland, Alex, 79, 80, 289n16
Gates, Bill, 75
genel zeka, 2, 31, 36;
kaçırma , 4; makinelerde, 38;
olmaması, 27; olası teorisi, 271
Genel Problem Çözücü (AI
programı), 51
Almanya: Enigma makinesi, 23-24;
İkinci Dünya Savaşı sırasında, 20-21
Git (oyun), 125, 131, 161-162
Gödel, Kurt, 11, 22, 239;
eksiklik teoremleri, 12-15; Açılış, 16-18
Altın, Rebecca, 250
Güzel, IJ "Jack" 3,
19; bilgisayarlarda, 46; zeka üzerine, 33-35, 37, 43, 62; Von Neumann, 36
yaşında
Google (firma), 220, 244
Google Brain (bilgisayar
programı), 296n4
Google Dubleks, 227
Google Fotoğraflar, 278-279
Kitaplarla Google Talk, 228
Google Translate (bilgisayar
programı), 56, 201, 202
Goostman, Eugene (bilgisayar
programı), 191-195, 214-216
gravimetri, 157
yerçekimi, 187
Büyük Britanya, II. Dünya
Savaşı sırasında kod kırma, 20-24
Grice, Paul, 215
Grice'nin Özdeyişleri, 215-216 tahminler, 160, 183-184
Haugeland, John, 179, 294n17
Hawking, Stephen, 75
Hawkins, Jeff, 263, 264
Heisenberg, Werner, 72
hiyerarşik gizli Markov
modelleri, 265-266
Higgs, Peter, 254-255
Higgs bozonu, 254-255, 257-258
Hilbert, David, 14-16
Tepe, Sean, 245, 246, 248
Hinton, Geoff, 75
kovan zihin: çevrimiçi
işbirliği olarak, 241-242; Star Trek'in kökenleri , 240; gibi bilim
işbirlikleri, 245
Homo faber (yapıcı adam), 65, 66 Horgan, John, 275-278
Hottois, Gilbert, 287n1
İnsan Beyni Projesi, 245, 247-254, 256, 267-268
İnsan Genom Projesi, 252 insan zekası: yapay zekaya karşı,
1-2; davranışçılık, 69; Veri Beyin projeleri ve, 251; İyi, 33-35; sonsuz
miktarda bilgi, 54; neokortikal teoriler, 263-268; problem çözme, 23; makine
zekasıyla birleşen tekillik, 47-48; sosyal zeka, 26-28; Stuart Russell'ın
tanımı, 77, 83; düşünme, 184-186; Açılış, 23, 27-31, 30-32
insan dili Bkz. doğal dil insan doğası, 242, 243
insanlar: Arendt, 64-65;
Skinner açık, 68
Hume, David, 119-122, 125 komik haber, 152-154 avcı, 164
hipotez, 186
IBM: Deep Blue, 219; Tehlike!
bilgisayar (Watson), 220-226, 230-231
ImageNet yarışmaları, 135,
145, 155, 165, 243
görüntü tanıma, 278-279 taklit oyun, 9, 51
Taklit Oyun (film), 21 eksiklik teoremi, 12-15 tümevarım, 115-121,
171-172; kaçırma ve, 161; yapay zekada, 273-274; yaşam durumlarında, 125-126;
278-279; makine öğrenimi olarak, 133; yapay genel zeka için strateji değil,
173; problemleri, 122-124; düzenlilik, 126-129 tümevarımsal çıkarım, 189
çıkarım, 4, 104, 280-281, 283n1;
tümevarımlı çıkarım, 99-102, 162-163;
yapay zekada 103; türlerinin birleştirilmesi, 218-219, 231; olarak tahmin
ediyor, 160; bilim tarihinde, 103-105; bilgi tabanlarında, 181, 182; monoton,
167; monoton olmayan, 167-168; güven olarak, 129-130; türleri, 171
çıkarım motorları, 182-184 bilgi teknolojisi, 249, 252
yaratıcılık: Gödel, 12; Açılıyor, 11, 17, 18
yenilik: düşüş, 269; üzerinde kontrolde finansman, 270
içgörü, 103 içgüdü, 184 zeka. Bkz. insan zekası
istihbarat patlamaları, 37-41 internet, Web 2.0, 240-242 inatçılık, 175
sezgi: kod kırma makinelerinde, 22; Gödel, 12; insan zekasına karşı, 27;
Turing, 11, 16-18, 31-32; delillerin ağırlığı, 24-25
James, Henry, 289-290n5 James, William, 96-98
Japonya, 54-55
Jennings, Ken, 220
Tehlike! (televizyon yarışma
programı), 220-226, 230-231
Jevons, William, 232
Jevons Mantıksal Piyano, 232
Ürdün, Michael, 258
Kahneman, Daniel, 38, 184-185 Kandel, Eric R., 253, 255-256,
268
Kasparov, Garry, 219
Kavli Vakfı, 249, 255
Keilis-Borok, Vladimir, 260
Kelly, Kevin, 42, 241-242,
285-286n7
Kenall, Amye, 249
Kepler, Johannes, 104
mutfak, 61-63
bilgi: hesaplamalı, 178-182;
tümdengelimli muhakeme ve, 110-112; sonsuz miktarda, 54; tümevarım problemi
olarak, 124; çıkarımda kullanılır
son, 102
bilgiye dayalı sistemler, 107 bilgi tabanı, 178-181 bilgi
temsili ve
muhakeme (KR&R), 175-176
Koç, Christof, 253, 256
Kundera, Milano, 60-61
Kurzweil, Ray, 35, 38, 84,
274; bilinç üzerine, 78-79; AI'nın geleceği üzerine, 70, 74; hiyerarşik örüntü
tanıma teorisi, 264-266;
insan zekası üzerine, 251;
Hızlanan Getiriler Kanunu, 42, 47-48, 67; tekillik üzerine, 46; süper zeki
makinelerde, 2; Turing testinde, 193-194 nedensellik merdiveni, 130, 174
Lakatos, İmre, 48
Laney, Doug, 292n5
dil. Bkz. doğal dil
Lanier, Jaron, 84, 244, 277;
insan zekasını teşvik etme üzerine, 239; kişilik aşınması üzerine, 270, 272-273
Büyük Hadron Çarpıştırıcısı
(LHC), 254-255
Hızlanan Getiriler Kanunu
(LOAR), 42, 47-48
öğrenme: tanımı, 133;
insanlar tarafından, 141
LeCun, Yann, 75
Lego'nun biliş teorisi, 266
Lenat, Doug, 74
Levesque, Hector, 76, 216;
yapay genel zeka girişimleri üzerine, 175, 186; Goostman'da, 192; zamir anlam
ayrımı sorunu, 203; Winograd şemaları üzerine, 195-196, 198-201
Loebner Ödülü, 59
Mantık Teorisyeni (AI programı), 51, 110
Yüzüklerin Efendisi (romanlar; Tolkien), 229-230
Lovelace, Ada, 233
makine öğrenimi: tanımı, 133;
ampirik kısıtlama, 146-149; frekans varsayımı, 150-154; model doygunluğu,
155-156; dar AI olarak, 141-142; simülasyon olarak, 138-140; denetimli öğrenme,
137
makine öğrenimi sistemleri, 28-30
MacIntyre, Alasdair, 70-71
Marcus, Gary, 131, 183;
kırılganlık sorunu, 126; korelasyon ve nedensellik üzerine, 259; DeepMind'da,
127, 161-162; Google Duplex'te, 227; Goostman'da, 192; Kurzweil'in örüntü
tanıma teorisi üzerine, 265; AI sınırlamaları üzerine, 75-76; makinede
okuduğunu anlama üzerine, 195; süper zeki bilgisayarlarda, 81; Kitaplarla Konuş
üzerine, 228
Markram, Henry, 252-254, 273;
AI'da, 251; teoriye karşı büyük veri üzerine, 256-258, 267, 268; kovan
zihninde, 245-246, 276; İnsan Beyni Projesi kapsamında, 247-250; Lego'nun biliş
teorisi, 266; nörobilimde teori üzerine, 261, 262
Marquand, Alan, 232
matematik: fonksiyonlar, 139;
Gödel'in eksiklik teoremleri, 12-14;
Hilbert'in meydan okuması, 14-16; Sezgi ve yaratıcılığı öne çıkarma, 11
Mathews, Paul M., 256, 267
Mayer-Schonberger, Viktor,
143, 144, 257
McCarthy, John, 50, 107, 285n11 Microsoft Tay (sohbet
robotu), 229
Değirmen, John Stuart, 242, 243
Miller, George, 50 minimax tekniği, 284n1 Minsky, Marvin, 50,
52, 222 Mitchell, Melanie, 165 Mitchell, Tom, 133 model doygunluk, 155-156
modus ponens, 108-109, 168-169 monologlar, Turing testi varyasyonu kullanılarak
, 194-195, 212-214 monotonik çıkarım, 167 Mountcastle, Vernon, 264 Mumford,
Lewis, 95, 98 "Morg Sokağı Cinayetleri"
(öykü, Poe), 89-94
Misk, Elon, 1, 75, 97
darlık, 226-231
Nash, John, 50
Ulusal Kaynak Konseyi (NRC),
53, 54
doğal dil: AI'yı anlama,
228-229; bilgisayarların anlaşılması , 48, 51-55; bağlamı, 204; 56-57'nin
çevirisiyle ilgili devam eden sorunlar; konuşma odaklı sanal yardım
uygulamalarında , 227; Turing testi, 50, 194; anlayışı ve anlamı, 205-214;
Winograd şema testi, 195-203
neokortikal teoriler:
Hawkins, 263; Kurzweil'in, 264-266
sinir ağları, 75
nörobilim, 246; işbirliği,
245-247; Data Brain projeleri, 251-254; İnsan Beyni Projesi, 247-251;
neokortikal teoriler, 263-268; teoriye karşı büyük veri, 255-256, 261-262
Newell, Alan, 51, 110
haberler, 152-154
Newton, İshak, 187, 276
Nietzsche, Friedrich Wilhelm, 63 bedava öğle yemeği yok
teoremi, 29 gürültülü kanal yaklaşımı, 56 monoton olmayan çıkarım, 167-168
normallik varsayımı, 150-151
Norvig, Peter, 77, 155, 156
nükleer silahlar, 45
Numenta (firma), 263
gözlem: genelleme, 117-118;
indüksiyonda, 115; sınırlamaları, 121; veriye dönüştürme, 291n12
edimsel koşullanma
(davranışçılık), 69
imla, 205
fazla uydurma (istatistiksel), 258-261
Sayfa, Larry, 56
İnci, Yahudiye, 130-131, 174, 291n13
Peirce, Charles Sanders, 95-99;
kaçırılma üzerine, 25-26, 160-168;
tümevarımsal çıkarımda, 99-102, 190;
tahmin üzerine, 94, 183-184; Açık
"Mantıksal Makineler",
232-233, 273; saatin çalınması, 157-160, 289-290n5; çıkarım türleri üzerine,
171-172, 181; delil ağırlığına göre, 24
Peirce, Juliette, 98
Perin, Rodrigo, 266
PIQUANT (AI sistemi), 221-224
Poe, Edgar Allan, 89-94, 99, 102
Polanyi, Michael, 73-74
Popper, Karl, 70-71, 122
pozitivizm, 63
pragmatik (doğal için bağlam
dil), 204, 206, 214-215, 296n1
tahminler, 69-73; için kullanılan büyük veri,
143-144; indüksiyon, 116, 124;
sınırlar, 130
tahmine dayalı nörobilim, 254 olasılıksal çıkarım, erken
dönem için 102 programlama dili
bilgisayarlar, 284n2
Prometheus (efsanevi), 237-238 zamir anlam ayrımı sorunu, 203
önermeler mantığı, 169-170
rastgele örnekleme, 118
okuduğunu anlama, 195
gerçek zamanlı çıkarım, 101
akıl yürütme, 176
din, 63
kaynak açıklama çerçevesi
(RDF), 179
RUR (çal, Çapak), 83
Russell, Bertrand, 110, 121-124, 173
Russell, Stuart, 42-43, 84;
insan yaratıcılığı üzerine, 69, 274; zeka üzerine, 76-78; dil ve sağduyu
üzerine, 131; süper bilgisayarların limitlerinde , 39; AI'da mantık üzerine,
107; AI'daki problemler üzerine, 279; süper zeki bilgisayarlarda, 80-83; Turing
testinde, 193; iki kişilik oyunlarda, 125
Rutherford, Ernest, 43
Salmon, Wesley, 112 örnekleme, 117-118 iğneleme, 151-152,
296n1 doyma sorunu, 155-156
Schank, Roger, 181-182
bilim, 63-64, 66-67; Bertrand
Russell, 122; teoriye karşı büyük
veri, 145, 243, 255-259; Büyük
İlim, 267; işbirliği, 245-247;
tamlığı, 275-277;
Data Brain projeleri, 251-254;
çıkarım olarak tahmin etme, 160; tarihçesinde çıkarım, 103-105; megabuck
etkisi, 269-271 komut dosyası, 181-182
seçim problemi, 182-184,
186-190
sürücüsüz arabalar, 127, 278; doyma
sorun, 155-156
kendine referans, matematikte, 13
anlamsal rol etiketleme, 138-139
anlambilim, 206
Semantik Web, 179
yarı denetimli öğrenme, 133-134
sıralı sınıflandırma, 136-137
sıralı öğrenme, 136-137
cinsel istek, 79
Shannon, Claude, 19, 50, 56
Shaw, Cliff, 110
Shelley, Meryem, 50, 238, 280
Shelley, Percy, 238, 280
Sherlock Holmes (hayali
karakter), 90, 121, 161, 291n13
Shirky, Kil, 241, 242
Gümüş, Nate, 259-261
Simon, Herbert, 50-52, 110
simülasyonlar, makine öğrenimi olarak, 138-140
Tekillik, 45-46, 50; Kurzweil, 47-48; kavramın kökenleri, 286n3
Skinner, BF, 68, 69
sosyal değişim, 44-45
sosyal zeka, 26-28
sosyal ağlar, 220
sağlamlık, 109
Sovyetler Birliği, 60-61
spam, sınıflandırma, 134-135
konuşma güdümlü sanal yardım
uygulamalar, 227
süper bilgisayarlar, 249, 250, 276-277
süper zeka, 39; Bostrom
34, 81; Kelly açık, 285-286n7;
Kurzweil'in tahmini, 47;
Russell açık, 80-82
denetimli öğrenme, 133, 134; metin
olarak sınıflandırma, 136-137
Surowiecki, James, 244
sürü zekası, 245-247
Swift, Jonathan, 232, 272, 273
kıyaslar, 106-107, 171
sözdizimi, 206-207
Szilard, Aslan, 43
Taleb, Nassim Nicholas, 129-130
Kitaplarla Konuş (Google), 228
Tay (Microsoft sohbet robotu), 229
teknoloji: değişiklik, 44-45;
evrimi, 41-42; mutfakta, 61-63;
Hızlandırılmış İade Yasası, 47-48, 67; Web 2.0, 240-241
teknobilim, 63-67, 287n1
Tesla, Nikola, 97
Tetlock, Philip, 69
metin sınıflandırması, 135-137
Metin Alma Konferansları
yarışmalar, 221
teori: büyük veriye karşı,
145, 243; nörobilimde, 255-259, 261-262;
verilere fazla
uydurma, 259-261
Thiel, Peter, 269, 275-276
düşünme, 184-186
zaman serisi tahmini, 137
Tolstoy, Aslan, 70
doğal dilin çevirisi, 48, 52-54,
201-202; ile devam eden sorunlar, 56-57; gürültülü kanal
yaklaşım, 56
Turing, Alan, 3, 9-10, 62,
192, 239, 245-247, 270; tarafından yapılan meydan okuma, 49, 51; satranç
ilgisi, 19-20; sağduyu üzerine, 131; bilgisayarlarda düşünme, 102-103; matematiğin
karar verilebilirliği üzerine, 15-16; Gödel üzerine, 16-18; insan zekası
üzerine, 23;
insanlarda kara kutu olarak, 68;
makinelerde inisiyatif üzerine, 233-234; zeka üzerine, 27-32; makine
öğreniminde, 156; daktilolarda, 187-188; dili anlamak üzerine , 207-208;
İkinci Dünya Savaşı kodu kırılıyor, 21-22, 24, 26
Turing makineleri, 16, 17
Turing testi, 18, 57-59, 105;
Goostman'ın
, 191-194; Kurzweil, 79; monolog
varyasyonu, 194-195, 212-214; muhalefet, 77; Turing'in icadı, 9-10, 49, 51;
Varyasyon olarak Winograd şemaları, 195-203
daktilolar, 187-188
Ulam, Stanislaw, 44-46 ultraintelligence , 33, 62
Varolmanın Dayanılmaz Hafifliği
(roman, Kundera), 60
Yapılandırılmamış Bilgi Yönetimi Mimarisi (UIMA), 224
denetimsiz öğrenme, 133, 137
Venn, John, 232
Vinge, Vernor, 46, 286n3
Voltaire, 277
Von Neumann, John, 36-37, 44, 239; tarafından teorize edilen teknolojik
tekillik, 45-46, 65-66
Walmart Labs (firma), 144, 210
Ward, Jonathan Stuart, 143
Watson (AI sistemi), 28,
221-226, 230-231
Webb, Charles Henry, 232
Weiss, Paul, 95
Weizenbaum, Yusuf, 58
Welchman, Gordon, 24
Whitehead, Alfred Kuzey, 110
Viyana, Norbert, 269-275
Vikipedi, 225, 226, 241
Winograd, Terry, 58, 195, 201
Winograd şemaları, 195-203,
210-212, 216-218, 296n4, 296n7
2. Dünya Savaşı, kod kırma
sırasında, 20-26
Dünya Çapında Ağ, 55-56; Web
2.0, 240-242
Yong, Ed, 247
Zeus (efsanevi), 237-238
Not: Bazen Büyük Dosyaları tarayıcı açmayabilir...İndirerek okumaya Çalışınız.
Yorumlar