Zawartość
Źródło: iLexx / iStockphoto
Na wynos:
Sztuczną inteligencję można pewnego dnia osiągnąć za pomocą sztucznych sieci neuronowych, ale istnieje kilka kluczowych różnic między tymi ekscytującymi technologiami.
Sztuczna inteligencja (AI) i sztuczne sieci neuronowe (ANN) to dwie ekscytujące i powiązane ze sobą dziedziny informatyki. Istnieje jednak kilka różnic między nimi, o których warto wiedzieć.
Kluczową różnicą jest to, że sieci neuronowe są odskocznią w poszukiwaniu sztucznej inteligencji.
Sztuczna inteligencja to rozległa dziedzina, której celem jest tworzenie inteligentnych maszyn, co zostało osiągnięte wiele razy w zależności od tego, jak zdefiniujesz inteligencję. Pomimo tego, że mamy komputery, które mogą wygrać w „Jeopardy” i pokonać szachowych mistrzów, cel AI jest ogólnie postrzegany jako poszukiwanie ogólnej inteligencji lub inteligencji, którą można zastosować do różnorodnych i niezwiązanych z sobą problemów sytuacyjnych.
Wiele AI zbudowanych do tego momentu zostało zbudowanych w określonym celu, takim jak prowadzenie robota, który gra w ping ponga lub dominuje w „Jeopardy”. Jest to nieunikniony rezultat, kiedy informatycy usiądą i stworzą coś do wykonania określonego zadania - kończą z czymś, co może wykonać to zadanie i niewiele więcej.
Aby obejść ten problem sztucznej inteligencji zorientowanej na zadania, informatycy zaczęli bawić się sztucznymi sieciami neuronowymi. Nasze ogólnie inteligentne mózgi składają się z biologicznych sieci neuronowych, które tworzą połączenia w oparciu o nasze postrzeganie i bodźce zewnętrzne.
Rażąco uproszczonym przykładem jest ból poparzenia. Kiedy dzieje się to po raz pierwszy, w mózgu powstaje połączenie, które identyfikuje informacje sensoryczne zwane ogniem (płomienie, zapach dymu, ciepło) i wiąże je z bólem. W ten sposób uczysz się, w bardzo młodym wieku, jak uniknąć poparzenia. Za pomocą tej samej sieci neuronowej możemy dużo się nauczyć, np. „Lody smakują dobrze”, a nawet dokonać dedukcyjnych skoków, takich jak „zawsze są chmury przed deszczem” lub „zapasy zawsze rosną w grudniu”. Te skoki nie zawsze są prawidłowe (są złe lody i zapasy spadają w grudniu), ale można je poprawić poprzez doświadczenie, umożliwiając w ten sposób adaptacyjne uczenie się.
Sztuczne sieci neuronowe próbują odtworzyć ten system uczenia się na komputerach, tworząc prosty program ramowy, aby odpowiedzieć na problem i uzyskać informacje zwrotne na jego temat. Komputer może zoptymalizować swoją odpowiedź, wykonując ten sam problem tysiące razy i dostosowując swoją odpowiedź do otrzymanych informacji zwrotnych. Komputer może wtedy otrzymać inny problem, do którego może podejść w taki sam sposób, jak nauczył się od poprzedniego. Zmieniając problemy i liczbę podejść do ich rozwiązania, których nauczył się komputer, informatycy mogą nauczyć komputer, aby był generalistą.
Mimo, że przywołuje to obrazy komputerów, które przejmują świat i zbierają ludzi, jak w hollywoodzkich filmach takich jak „Martrix”, wciąż jesteśmy daleko od sieci neuronowej do sztucznej inteligencji. Problemy testowane w sieciach neuronowych są wyrażone matematycznie. Nie możesz przytrzymać kwiatu przed komputerem i powiedzieć mu, aby odgadł kolor po zapachu, ponieważ zapach musiałby być wyrażony liczbowo, a następnie komputer musiałby skatalogować te liczby w pamięci wraz z obrazami kwiatów emitując ten zapach.
Bez błędów, bez stresu - Twój przewodnik krok po kroku do tworzenia oprogramowania zmieniającego życie bez niszczenia życia
Nie możesz poprawić swoich umiejętności programistycznych, gdy nikt nie dba o jakość oprogramowania.
To powiedziawszy, sztuczne sieci neuronowe, które mogą otrzymać więcej danych wejściowych takich jak zapach - i zdolność uczenia się na podstawie tych wszystkich danych - mogą być na dobrej drodze do wyprodukowania pierwszej sztucznej inteligencji, która spełnia standardy nawet najbardziej zapalonego entuzjasty AI.
Zasadniczo sztuczne sieci neuronowe to modele ludzkich sieci neuronowych, które mają na celu pomóc komputerom w nauce. Sztuczna inteligencja to Święty Graal, który niektórzy informatycy próbują osiągnąć za pomocą technik takich jak naśladowanie sieci neuronowych.