Proyek Artificial General Intelligence (AGI ) yang akan kita bicarakan hari ini dianggap kurang ambisius daripada AI yang kuat. Namun, beberapa ilmuwan berpendapat bahwa komputer tidak akan pernah bisa menangkap kemampuan kecerdasan manusia.
Baik pendukung maupun penentang gagasan komputer yang mampu memecahkan masalah intelektual seseorang, ada banyak argumen untuk membela posisi mereka. Kami akan mencari tahu argumen apa yang dibawa masing-masing pihak dan mencoba mencari tahu apakah AGI memiliki peluang sekarang dan di masa depan.
Artikel ini didasarkan pada publikasi terbaru oleh Profesor Ragnar Fjelland, Mengapa Tujuan Umum AI Tidak Akan Dibuat, tetapi kami akan melihat lebih dari sekedar argumen yang menentang.
Pengetahuan diam
Karena kecerdasan manusia bersifat umum (yaitu dapat memecahkan hampir semua masalah intelektual), AI humanoid sering disebut kecerdasan buatan umum (AGI). Terlepas dari kenyataan bahwa AGI memiliki properti penting dari kecerdasan manusia, itu masih dapat dianggap sebagai AI yang lemah. Namun, ini berbeda dari AI lemah tradisional, terbatas pada tugas atau area tertentu. Oleh karena itu, AI lemah tradisional kadang-kadang disebut kecerdasan sempit buatan (Artificial Narrow Intelligence, ANI).
Kemampuan untuk menggunakan algoritme dengan kecepatan luar biasa adalah ciri khas ANI, tetapi tidak membuatnya lebih dekat dengan kecerdasan alami. Ahli matematika dan fisikawan Roger Penrose dalam bukunya yang terkenal The New Mind of the King. On Computers, Thinking and the Laws of Physics ”, yang diterbitkan pada tahun 1989, menyatakan bahwa pemikiran manusia sebagian besar bersifat non-algoritmik, dan oleh karena itu tidak dapat dimodelkan dengan menggunakan komputer biasa seperti mesin Turing.
Tiga puluh tahun sebelum Penrose, filsuf Hubert Dreyfus mengungkapkan pemikiran serupa dalam karyanya " Alchemy and Artificial Intelligence ." Dia juga menulis sebuah buku, What Computers Can't Do , di mana dia berpendapat bahwa pengetahuan manusia sebagian besar bersifat implisit (non-verbal) dan tidak dapat dirumuskan dalam program komputer.
Pada tahun 1958, fisikawan, ahli kimia dan filsuf Michael Polani pertama kali merumuskan konsep "pengetahuan pribadi (atau implisit, diam-diam)". Sebagian besar pengetahuan yang kita gunakan dalam kehidupan sehari-hari bersifat diam-diam - kita tidak tahu aturan apa yang kita terapkan saat menyelesaikan tugas. Sebagai contoh, Polanyi mencontohkan berenang dan bersepeda, ketika semua gerakan dilakukan secara otomatis.
Masalahnya adalah banyak dari keahlian tersebut yang masih pendiam. Misalnya, banyak dari kita yang ahli dalam berjalan, tetapi jika kita mencoba merumuskan dengan tepat bagaimana kita berjalan, kita akan memberikan gambaran yang sangat kabur tentang proses sebenarnya.
Pencapaian AI
Pada 1980-an, argumen Polanyi, Dreyfus, dan Penrose mulai kehilangan kekuatan - berkat penemuan jaringan saraf yang dapat belajar sendiri, tanpa instruksi eksternal yang eksplisit.
Meskipun proyek skala besar (misalnya, " Komputer Generasi Kelima " Jepang , yang dimulai pada tahun 1982 dan menjanjikan pembuatan AI menggunakan pemrograman logika paralel besar-besaran) gagal , secara historis hanya keberhasilan yang diingat. Kemajuan AI yang paling menonjol menjelang akhir abad ke-20 ditunjukkan oleh spesialis IBM. Pada tahun 1997, Deep Blue mengalahkan juara catur dunia Garry Kasparov dalam serangkaian pertandingan.
Superkomputer IBM dibuat untuk memecahkan masalah tertentu di papan catur, dan tidak semua orang melihatnya sebagai kesuksesan AI. Namun, pada tahun 2011, IBM Watson memenangkan hati manusia dalam Jeopardy! (di Rusia, pertunjukan itu dikenal sebagai "Game Sendiri"). Dengan latar belakang Deep Blue, Watson adalah langkah maju yang sangat besar - sistem memahami pertanyaan dalam bahasa alami dan menemukan jawaban di berbagai bidang pengetahuan.
Tampaknya era baru sistem pakar akan segera dimulai. IBM berencana memanfaatkan kekuatan komputer dalam pengobatan. Idenya ada di permukaan: jika Watson memiliki akses ke semua literatur medis, itu dapat menawarkan diagnosis dan perawatan yang lebih baik daripada dokter mana pun. Pada tahun-tahun berikutnya, IBM terlibat dalam beberapa proyek medis, tetapi mencapai kesuksesan yang lumayan . Hari ini upaya perusahaanberfokus pada pengembangan asisten AI yang melakukan tugas rutin.
Tentu saja, seseorang tidak bisa tidak mengatakan tentang pencapaian utama pengembang AI saat ini - sistem AlphaGo, yang dengannya disintegrasi akhir argumen melawan AGI dikaitkan. AlphaGo telah menunjukkan bahwa komputer dapat memproses pengetahuan diam-diam. Pendekatan DeepMind telah berhasil diterapkan di Atari Breakout, Space Invaders dan StarCraft, namun ternyata sistem tersebut kurang fleksibel dan tidak dapat beradaptasi dengan perubahan di lingkungan nyata. Karena masalah muncul di dunia yang terus berubah, pembelajaran penguatan mendalam sejauh ini hanya menemukan sedikit aplikasi komersial.
Penyebab dan investigasi
Dalam beberapa tahun terakhir, pendukung AI telah mendapatkan alat baru yang ampuh - menerapkan metode matematika ke sejumlah besar data untuk menemukan korelasi dan menentukan probabilitas. Sementara big data tidak mencerminkan ambisi untuk menciptakan AI yang kuat, para pendukungnya berpendapat bahwa itu tidak perlu. Dalam buku Viktor Mayer-Schoenberger dan Kenneth Kuke "Big Data: sebuah revolusi yang akan mengubah cara kita hidup, bekerja, dan berpikir," disebutkan bahwa kita mungkin tidak perlu mengembangkan komputer untuk kecerdasan manusia - sebaliknya, kita dapat mengubah cara berpikir kita. menjadi seperti komputer.
Dalam data besar, kami beroperasi dengan korelasi, tetapi kami tidak selalu memahami di mana penyebabnya dan di mana efeknya. Di dalam bukuPearl dan Mackenzie Mengapa? Sebuah ilmu baru tentang sebab akibat, ”kata penulis bahwa untuk menciptakan AI yang nyata, komputer harus mampu mengatasi sebab-akibat. Dapatkah mesin merepresentasikan hubungan sebab akibat sedemikian rupa sehingga mereka dapat dengan cepat mendapatkan informasi yang mereka butuhkan, menjawab pertanyaan dengan benar, dan melakukannya dengan kemudahan yang dimiliki bahkan oleh anak berusia tiga tahun?
Bahkan jaringan saraf memiliki beberapa kekurangan di sini. Kami tidak benar-benar tahu mengapa sistem membuat keputusan ini atau itu. Beberapa tahun yang lalu, tim di Universitas Washington mengembangkan program yang dilatih untuk membedakan antara husky dan serigala. Tugas ini cukup sulit, karena hewan-hewan tersebut, seperti yang Anda lihat di ilustrasi, mirip satu sama lain. Namun, terlepas dari kerumitannya, sistem tersebut bekerja dengan akurasi 90%. Setelah menganalisis hasilnya, tim menyadari bahwa jaringan saraf bekerja dengan baik hanya karena gambar dengan serigala sebagian besar tertutup salju.
Bagaimana jika…
Sejarawan Yuval Harari berpendapat bahwa antara 70 ribu hingga 30 ribu tahun yang lalu, revolusi kognitif terjadi di dunia, yang ciri khasnya adalah kemampuan untuk membayangkan sesuatu yang tidak ada. Sebagai contoh, dia mengutip patung gading tertua yang diketahui "singa jantan" (atau "singa betina") yang ditemukan di gua Stadel di Jerman. Sosok itu memiliki tubuh manusia dan kepala singa.
Pearl dan McKenzie merujuk pada Harari dan menambahkan bahwa penciptaan manusia singa adalah pelopor filsafat, penemuan ilmiah, dan inovasi teknologi. Prasyarat utama untuk kreasi ini adalah kemampuan untuk mengajukan pertanyaan dalam format: "Apa yang terjadi jika saya melakukan ...?", Dan untuk menjawabnya.
Namun, komputer dengan hubungan sebab akibat tidak bekerja dengan baik. Seperti 30 tahun lalu, program pembelajaran mesin, termasuk program jaringan neural dalam, beroperasi hampir seluruhnya dalam mode asosiatif. Tapi ini belum cukup. Untuk menjawab pertanyaan kausal, kita harus bisa melakukan intervensi di dunia.
Menurut Ragnar Fjelland, akar masalahnya adalah komputer tidak memiliki model realitas, tidak dapat mengubah realitas di sekitarnya dan tidak berinteraksi dengannya dengan cara apa pun.
Kebuntuan terminologis
Bukan masalah yang paling jelas adalah bahwa, menurut beberapa ahli, kita tidak dapat berhasil di area tertentu tanpa memahami "aturan main". Masih ada kesulitan bahkan dengan terminologi, dan kami tidak tahu persis apa yang disebut kecerdasan buatan. Selain itu, pemahaman tentang kecerdasan alami masih jauh dari ideal - kita tidak sepenuhnya mengetahui cara kerja otak.
Pertimbangkan, misalnya, talamus, yang bertanggung jawab untuk mengirimkan informasi sensorik dan motorik. Bagian otak ini pertama kali dijelaskan oleh dokter Romawi kuno, Galen. Pada 2018, mereka membuat atlas talamus : berdasarkan histologi, 26 inti thalamus diisolasi , yang kemudian diidentifikasi pada MRI. Ini adalah pencapaian ilmiah yang luar biasa, tetapi para ilmuwan berasumsi bahwa ada lebih dari 80 inti di talamus (angka pastinyatidak terpasang sejauh ini).
Dalam On the Measure of Intelligence , François Schollet (peneliti AI di Google, pembuat pustaka deep learning Keras dan salah satu pengembang kerangka kerja pembelajaran mesin TensorFlow) menunjukkan bahwa sebelum konsensus global tentang "apa itu kecerdasan," mencoba membandingkan berbagai sistem cerdas dengan kecerdasan manusia ditakdirkan untuk gagal.
Tanpa metrik yang jelas, tidak mungkin untuk mencatat pencapaian, dan, akibatnya, menentukan secara tepat ke mana harus bergerak dalam pengembangan sistem kecerdasan buatan. Bahkan tes Turing yang terkenal tidak bisa menjadi penyelamat - kita tahu tentang masalah ini dari eksperimen pikiran dengan "ruang Cina".
Kehadiran sebagai tanda kecerdasan
Sebagian besar pendukung AGI (dan AI yang kuat) saat ini mengikuti argumen Yuval Harari. Dalam 21 Lessons for the 21st Century, ia mengacu pada ilmu saraf dan ekonomi perilaku, yang diduga menunjukkan bahwa keputusan kita bukanlah hasil dari "beberapa keinginan bebas yang misterius," tetapi "karya miliaran neuron di otak yang menghitung semua kemungkinan yang mungkin. sebelum membuat keputusan. "
Oleh karena itu, AI dapat melakukan banyak hal dengan lebih baik daripada manusia. Sebagai contoh, penulis mengutip mengendarai mobil di jalan yang penuh dengan pejalan kaki, meminjamkan uang kepada orang asing, dan menegosiasikan kesepakatan komersial - yang semuanya membutuhkan kemampuan untuk "menilai emosi dan keinginan orang lain dengan benar." Alasannya adalah: "Jika emosi dan keinginan ini benar-benar tidak lebih dari algoritme biokimia, tidak ada alasan mengapa komputer tidak dapat menguraikan algoritme ini - dan mereka dapat melakukannya jauh lebih baik daripada Homo sapiens mana pun."
Kutipan ini menggemakan pemikiran Francis Crick dalam The Amazing Hypothesis":" Hipotesis yang menakjubkan adalah bahwa "Anda", kegembiraan dan kesedihan Anda, ingatan dan ambisi Anda, rasa identitas pribadi dan keinginan bebas Anda benar-benar tidak lebih dari perilaku akumulasi besar sel saraf dan terkait mereka molekul. "
Ada juga pendapat alternatif: bahkan teori yang paling abstrak pun didasarkan pada dunia kita sehari-hari. Filsuf, pendiri fenomenologi Edmund Husserl menyebutkan teori relativitas Einstein, mengklaim bahwa itu tergantung pada "eksperimen Michelson" dan konfirmasi mereka oleh peneliti lain. Untuk melakukan eksperimen jenis ini, ilmuwan harus dapat bergerak, menangani instrumen, dan berkomunikasi dengan rekan kerja.
Seperti yang dicatat Hubert Dreyfuss, kita adalah makhluk jasmani dan sosial yang hidup di dunia material dan sosial. Untuk memahami orang lain, Anda tidak perlu mempelajari kimiawi otaknya, melainkan Anda harus berada di "kulit" orang ini, untuk memahami dunia kehidupannya.
Untuk menggambarkan pernyataan Dreyfus, penulis Theodore Rozzak menyarankanmelakukan eksperimen pikiran. Bayangkan melihat psikiater bekerja. Dia adalah pekerja keras, orang yang berpengalaman dan jelas memiliki latihan yang sangat baik. Ruang tunggu penuh dengan pasien dengan berbagai gangguan emosi dan mental: seseorang berada di ambang histeria, seseorang tersiksa oleh pikiran untuk bunuh diri, yang lain menderita halusinasi, beberapa pasien tersiksa oleh mimpi buruk yang paling parah, dan beberapa mendorong diri mereka sendiri ke dalam kegilaan dengan memikirkan apa mereka diawasi oleh orang-orang yang akan menyakiti mereka. Psikiater mendengarkan dengan cermat masing-masing dan melakukan yang terbaik untuk membantu, tetapi tidak banyak berhasil. Sebaliknya, kondisi pasien tampaknya semakin memburuk, meski para psikiater telah berupaya keras.
Sekarang Rozzak meminta kita untuk menempatkan situasi dalam konteks yang lebih luas. Kantor psikiater terletak di sebuah gedung yang terletak di Buchenwald, di mana pasien adalah penghuni kamp konsentrasi. Algoritma biokimia tidak akan membantu kita memahami pasien. Yang benar-benar dibutuhkan adalah pengetahuan tentang konteks yang lebih luas. Contoh tidak masuk akal jika kita tidak tahu bahwa kantor psikiater ada di kamp konsentrasi. Hanya sedikit yang dapat menempatkan diri mereka pada posisi tahanan di Nazi Jerman. Kami tidak dapat sepenuhnya memahami orang dalam situasi yang sangat berbeda dari pengalaman kami sendiri. Tapi kita masih bisa mengerti sesuatu, karena kita ada di dunia yang sama dengan orang lain.
Komputer, pada gilirannya, ada di dunia mesin mereka sendiri, yang setidaknya sebagian menjelaskan masalah yang mencegah IBM Watson Health dan Alphabet DeepMind memecahkan masalah di dunia nyata. IBM dihadapkan pada ketidaksesuaian mendasar antara cara mesin belajar dan cara kerja dokter. DeepMind menemukan bahwa menyelesaikan masalah Go tidak membuat mereka semakin dekat dengan menjawab pertanyaan yang berkaitan dengan menemukan obat untuk kanker.
Kesimpulan: komputer keluar ke dunia luar
Tidak hanya kritikus AGI yang tahu tentang masalah tersebut. Para peneliti di seluruh dunia sedang mencari pendekatan baru, dan beberapa kemajuan dalam mengatasi hambatan telah dibuat.
Terlepas dari kenyataan bahwa bahkan anjing lebih pintar dari IBM Watson , menurut ke AI teori Roger Shank, masa depan kedokteran diragukan lagi milik sistem komputer. Makalah, yang diterbitkan pada Juni 2020, menunjukkan kesuksesan luar biasa dari Pharnext: faktanya, AI mereka telah menemukan solusi sederhana dan terjangkau untuk masalah penyakit genetik Charcot-Marie-Tooth.
AI telah mengumpulkan tiga obat yang disetujui untuk meringankan neuropati sensorik motorik herediter. Jika Anda mempertimbangkan "obat" baru, dijamin akan kebingungan: komponen pertama adalah obat yang digunakan untuk mengobati alkoholisme, komponen kedua memiliki efek pada reseptor opioid dan digunakan untuk memerangi kecanduan alkohol dan opioid, komponen ketiga umumnya adalah pengganti gula.
Setelah melalui jutaan opsi, AI memilih kombinasi seperti itu. Dan itu berhasil: Eksperimen pada tikus dan manusia telah menunjukkan peningkatan hubungan antara saraf dan otot. Penting agar kesejahteraan pasien ditingkatkan, dan efek sampingnya tidak signifikan.
Berbicara tentang masalah kehadiran di dunia, itu adalah layak disebutkan yangbaru-baru ini di Universitas Teknik Munich, sebuah studi ambisius: robot pada tingkat yang saling berhubungan diajarkan untuk memahami dunia nyata dan bertindak di dalamnya. Studi ini adalah bagian dari proyek SELFCEPTION Eropa berskala besar , yang menggabungkan robotika dan psikologi kognitif untuk mengembangkan mesin yang lebih cerdas.
Para peneliti memutuskan untuk memberi robot dan agen buatan secara umum kemampuan untuk melihat tubuh mereka seperti manusia. Tujuan utamanya adalah meningkatkan kemampuan berinteraksi dalam menghadapi ketidakpastian. Mereka mengambil dasar teori keluaran aktif ahli saraf Karl Friston, yang datang ke Rusia tahun lalu dengan kuliah (bagi mereka yang tertarik dengan topik ini, kami sarankan Anda melihat dalam bahasa Rusia atauInggris ).
Menurut teori tersebut, otak terus-menerus membuat prediksi, memeriksanya terhadap informasi yang datang dari indera dan membuat penyesuaian, dan memulai kembali siklusnya. Misalnya, jika dalam perjalanan menuju eskalator tiba-tiba seseorang menemukan kemacetan di jalan, maka ia menyesuaikan gerakannya.
Algoritme yang didasarkan pada prinsip energi bebas Friston (formalisasi matematis dari salah satu teori otak prediktif) mewakili persepsi dan tindakan yang bekerja untuk tujuan bersama, yaitu mengurangi kesalahan prediksi. Dalam pendekatan ini, untuk pertama kalinya untuk mesin, data sensorik lebih cocok dengan prediksi yang dibuat oleh model internal.
Dalam jangka panjang, penelitian ini akan membantu mengembangkan AGI dengan kemampuan beradaptasi dan interaksi manusia. Dengan pendekatan inilah masa depan kecerdasan buatan dikaitkan: jika kita melepaskan AI dari server yang sempit ke dunia nyata, mungkin suatu saat kita dapat mengaktifkan penemuan diri di mesin.