Чи є причина для початкової самовпевненості вчених та інженерів, які працювали над штучним інтелектом у 60-х роках?

Я щойно почав клас AI & Data Mining та книгу. Програмування програм AI, починається з огляду історії AI. У першій главі йдеться про історію ШІ з 40-х років по теперішній час. Одне конкретне твердження застрягло в мені:

[У 60-х роках] інженери AI переоцінили і недоотримали ...

Що було причиною переконання? Це було з-за математичних моделей прогнозування, які показують, що прорив був за кутом, або через постійно зростаючі можливості обладнання, якими можна скористатися?

Моя особиста думка полягає в тому, що це було пов’язано з обманом . Ще в 60-х і 70-х роках були потужні великі егої, що гуляли по залах MIT, Stanford тощо. Вони просто знали, що зламали цю проблему. Правильно.

Хоча я не був частиною цього Всесвіту в ті часи, в середині-кінці 80-х я працював із пошуком подібності. Наша робота спочатку ґрунтувалася на дослідженнях, проведених Джерардом Салтоном у Корнеллі у 60-х роках, які використовували зважені вектори атрибутів для представлення документів та запитів. Це насправді був корисним підходом, але коли нейронні мережі запалали полум'ям (принаймні, поки вони не виявили розповсюдження спини ), робота Солтона була включена до нього через подібність (каламбур) для нейронних сіток. Він намагався зробити щось інше, але було кілька років, де він забився з рештою.

Щоразу, коли хтось придумує рішення для Current Brick Wall ™, вони дуже схвильовані і оголошують AI вирішеною проблемою. Тільки це не так. Бо за цією цегляною стіною стоїть ще одна. Цей цикл повторювався знову і знову, і знову, і не тільки в ШІ. Я твердо вірю, що всі потенційні комп'ютерні вчені та інженери повинні вимагати заняття в семестровому класі з історії обчислювальної техніки, з особливим акцентом на кількість Next Big Things ™, які піднялися, як ракети ... і потім зробили дуже великий кратер на дні долини.

Додаток: Я провів вихідні до Дня праці зі старим другом і ми трохи поговорили про це.Контекст - з'ясування того, що це означає, як його представляти, а потім як їх використовувати - з'явився, можливо, єдиним найбільшим перешкодою, яке слід усунути. І чим довше на це дивишся, тим більшим стає перешкода. Люди здатні дивовижно, майже миттєве часткове узгодження відповідності "того, що відбувається" проти величезного складу "того, що було раніше", а потім поєднувати це знання минулого з сучасною ситуацією, щоб створити контекст, в якому розуміння може призвести до дії. Наприклад, ми можемо використовувати його як потужний фільтр "речей, які ми можемо / не можемо ігнорувати", коли ми стискаємо класу Уолдо при 60 МПГ з дорожнім рухом 4 смуги вперед і розділені лише 3 або 4 фути (або менше!).

Про спектрі stuff > data > information > knowledge > understanding > judgementми все ще намагаючись дістатися до сходів інформації / знань, і навіть , що обмежується досить обмежені областями дискурсу .

Простіше кажучи, вони масово недооцінювали масштаб існуючої проблеми, особливо це стосується комбінаторного вибуху. Багато рішень AI прекрасно працюють для «іграшкових» зразків, але виходять з ладу, коли вони досягають проблем із рівнем людини.

Можливо, вони також були просто недосвідченими. ШІ як сфера була (відносно) лише винайдена з точки зору практичних застосувань, тому ніхто не мав значного досвіду застосування теорії ні до чого.

Я можу придумати кілька причин.

AI пережив такий швидкий успіх з деякими проблемами з іграшками, які вирішували в кінці 50-х - початку 60-х років, що вони переоцінили те, що вони досягли. ELIZA та SHRDLU приголомшили людей, не дивлячись на відносно прості програми. На жаль, значна частина того, що зробило ці програми приголомшливими, було насправді просто новинкою. Сьогодні ніхто не дуже вражений розмовою з ELIZA, але тоді люди думали, що це майже чудо.

Крім того, оскільки проблеми "вирішуються" або, принаймні, їх можна вирішити, люди вже не вважають їх ШІ. Оптимізація коду була проблемою ШІ. Статистичне навчання відійшло від ШІ на власну спеціальність і визнало мовлення. Коли обмін даними стане основним, він втратить свою асоціацію з ШІ. З часом AI забуває про свої успіхи і зациклюється на нерозв'язних і нерозв'язних проблемах, і він стає схожим на флоп.

Я думаю, що люди 60-х років використовували власний людський досвід, щоб поділити проблеми на «важкі проблеми» та «легкі проблеми»: Такі речі, як виграти шахи, розв’язувати логічні загадки, розв’язувати математичні рівняння, здаються нам важкими. Такі речі, як розуміння природних мов або знаходження обрисів предметів на зображенні, здаються простими, адже наш мозок робить всю роботу без усвідомлених зусиль. Коли ми намагаємось пояснити, як ми робимо ці речі, ми придумуємо прості пояснення, як-от "англійські речення завжди мають структуру предмет-предикат-об'єкт, де предметом може бути простий термін або фраза ...", або "Я шукаючи ребра та з'єднуйте їх із межами об'єкта ". Сьогодні ми знаємо, що речі не такі прості, а лише тому, що всі прості (і багато не дуже простих) рішень були перевірені і не були '

Крім того, ця помилка не почалася в 60-х роках: Існують століття досліджень, як вирішити ті "важкі проблеми" (евристика, теорія ігор, теорія рішень, математика, логіка тощо), але я, не впевнений, що хтось коли-небудь Займався дослідженням того, як природні мови можуть бути розібрані до 50-х років.

І навіть сьогодні ви можете регулярно знаходити запитання про stackoverflow, де люди задають питання про те, як вони можуть розбирати англійські речення, оцінювати вік людини на зображенні, судити, чи є зображення "безпечним для роботи" або якщо два зображення показують одне і те ж . Я не думаю , що люди , які задають ці питання , страждають від занадто багато зарозумілості або зарозумілості: Ці проблеми просто здається так просто, це неймовірно , що НЕ існує простого алгоритму , щоб їх вирішити.

AI має давню історію розчарувань, але я думаю, що багато критиків часто надмірно спрощують те, що сталося, наприклад, з вашою цитатою "інженери 1960-х років переоцінені і недостатні".

У 60-х роках Інтернешнл був власником відносної жменьки дослідників (ця сфера ще не була достатньо розвиненою, щоб назвати її інженерією), в основному в університетах, і дуже небагато з них були успішними програмістами.

Раптова доступність обчислювальних машин у 1950-х роках призвела до великих сподівань на автоматизацію, особливо в машинному перекладі на природну мову, гра в шахи та подібні проблеми. Можливо, ви знайдете якісь фактичні прогнози успіху з тих днів, але обіцянки неминуче прийшли, перш ніж хтось вирішить глибше одну з цих проблем. (Або вони помилково припускали, що один успіх гарантував інший, наприклад, сподіваючись, що вдасться реалізувати хороші ігри в шахи після того, як Самуїл настільки досягнув успіху в шашках.)

Крім того, будьте обережні до будь-яких тверджень про "вони сказали", "вони відчували", "думали" тощо; ретроспективні думки (на кшталт цієї!) легко обминути, тоді як документально підтверджені фактичні прогнози "експертів" (тих, хто насправді намагався вирішити дану проблему) знайти набагато складніше.

Занадто перспективний і нестабільний завжди був симптомом розробки програмного забезпечення, незалежно від конкретної галузі, де застосовується програмування. Основна складність AI полягає в тому, що нетривіальні проблеми виходять за рамки можливостей більшості інженерів. Наприклад, хоча відповідь Чарльза Е. Гранта класифікує ELIZA та SHRDLU як «відносно прості», я б сказав, що це стосується лише ELIZA (яку, мабуть, більшість студентів-початківців програмування могли б реалізувати без особливих труднощів). З іншого боку, SHRDLU - це велика, надзвичайно складна програма, яку більшості програмістів було б важко вигадати, нехай і впроваджувати. Дійсно, дві команди студентів університету навіть не змогли знову отримати вихідний коді подібні здібності SHRDLU досі важко знайти, більш ніж 40 років потому.

Оскільки AI - це, мабуть, одна з найменш зрозумілих і найбільш нерозв'язних проблем, де можна застосувати комп'ютери, загалом я б сказав, що прогрес у AI, як правило, на рівні курсу. Все ще великі очікування , і швидкість і потужність нашого обладнання значно зросли з 60-х, але я б сказав, що інженерні здібності та розуміння AI не настільки покращуються, тому святий грааль, як проходження тесту Тьюрінга, все ще мабуть, далеко, а надмірний і низький рівень надбавки, ймовірно, триватиме ще деякий час.

Я думаю, що причиною була зарозумілість. Якби я був інженером у 60-ті роки, працюючи над ШІ, я був би досить зарозумілий.

Я думаю, що для досягнення великих речей потрібно досягти великих справ. Тож завищення цін на прибутку не обов'язково є поганою справою, доки ви не перевищуєте ліміт. Вчені сьогодні обіцяють речі, які я не вірю, що вони будуть можливими, але якщо вони цього не досягнуть, ми пропустимо те, що буде досягнуто в результаті.

Дістатися кудись може бути дуже важко, коли ти не знаєш, куди йдеш.

Якби у нас було якесь розумне пояснення того, що таке інтелект і як він працює, можливо, ми б вдалися до ефективного наслідування. Тест Тьюрінга є захоплюючим і корисним, але, ймовірно, недостатньо, щоб допомогти нам моделювати справжній інтелект. Наскільки ми знаємо, "моделі" інтелекту також не можуть бути достатніми для справжнього інтелекту.

Ну, я б сказав, що це більш-менш те саме, що зараз відбувається з OWL. Озирніться навколо і спробуйте провести паралелі.

Звучить добре на папері, здається, добре працює над проблемами з іграшками, стає надзвичайно складним у більшості реальних даних.

Окрім хороших відповідей, два спостереження:

Деякі цитати цього дня, мабуть, натякають на те, що багато дослідників думали, що тривіальні рішення можна збільшити після того, як будуть розроблені швидші комп'ютери. Для якихось систем навчання це було дуже правдою, але для такої речі, я думаю, що ОП посилається на це, насправді не стало кращого масштабу.

У той час дослідники мали дуже низьку оцінку складності людського розуму (акцентували увагу на таких ідеях, як тест Тьюрінга, ідеї про те, що люди використовують лише невеликий відсоток свого мозку коли-небудь тощо). ШІ на рівні простої тварини було досягнуто деякими заходами, коли все збільшувалося, але стрибок на рівень людського ІІ був набагато більшим, ніж очікувалося. Це змусило деяких дослідників спробувати вивчити дитячі системи та інші симуляції на основі росту / еволюції як спробу подолати цю прогалину.

Однією з причин був успіх у тому, що ми мали місце в 1960-х роках. Ми щойно запустилися в космос і незабаром приземлимося людиною на Місяць. Ми тільки що виявили ліки від поліомієліту та інших основних захворювань.

Але "штучний інтелект" був іншою твариною від "інженерних" проблем, з якими ми стикалися тоді. Це була "міркування", а не "механічна" проблема.

Коротше кажучи, AI (у 1960-х роках) була ідея, "чий час ще не настав". У наступні десятиліття вона потребувала більшого розвитку, перш ніж вона стала такою ж доступною, як і інші проблеми.

Іншою причиною може бути те, що оволодіння комп’ютером / написання комп’ютерних програм дає нам невеликий контроль виродженням відчуття всемогутності - адже насправді створюється мало всесвітів, хоч і закритих.

Це плюс відсутність філософської / гносеологічної освіти та наївна довіра до простих пояснень на кшталт "Інтелект - це не що інше, як ....", може призвести до обривів.