Kuva: Peg Skorpinski

Tekoäly - vallankumous ei ole vielä tapahtunut

Keinotekoinen äly (AI) on nykyajan mantra. Lause on äänitetty sekä teknikkojen, akateemikkojen, toimittajien että pääomasijoittajien keskuudessa. Kuten monien lauseiden kohdalla, jotka siirtyvät teknisistä akateemisista aloista yleiseen kiertoon, lauseen käyttöön liittyy merkittävää väärinkäsitystä. Mutta tämä ei ole klassinen tapaus, jossa yleisö ei ymmärrä tutkijoita - täällä tutkijat ovat usein yhtä hämmentyneitä kuin yleisö. Ajatus siitä, että aikakautemme on jotenkin näkemässä piillä toimivan älykkyyden syntymistä, joka kilpailee omaan, viihdyttää meitä kaikkia - kiehtoo meitä ja pelottaa meitä yhtä suuressa määrin. Ja valitettavasti se häiritsee meitä.

Nykyisestä aikakaudesta voi kertoa erilainen kertomus. Mieti seuraavaa tarinaa, joka liittyy ihmisiin, tietokoneisiin, tietoihin ja elämän tai kuoleman ratkaisuihin, mutta jossa painopiste on jotain muuta kuin älykkyyttä piissä-fantasioita. Kun puolisoni oli raskaana 14 vuotta sitten, meillä oli ultraääni. Huoneessa oli geneetikko, ja hän huomautti valkoisista pisteistä sikiön sydämessä. "Ne ovat Downin oireyhtymän markkereita", hän huomautti, "ja riski on nyt noussut 1: ään 20: stä." Hän kertoi meille myös, että voisimme tietää, oliko sikiöllä tosiasiassa Downin oireyhtymän taustalla oleva geneettinen muuntelu amniokesteesi kautta. . Amniokenteesi oli kuitenkin riskialtista - sikiön tappamisen riski toimenpiteen aikana oli noin yksi 300: sta. Statistiikkana päätin selvittää mistä nämä luvut olivat peräisin. Lyhyen tarinan katkaisemiseksi huomasin, että tilastollinen analyysi oli tehty kymmenen vuotta aiemmin Isossa-Britanniassa, missä nämä valkoiset täplät, jotka heijastavat kalsiumin kertymistä, todellakin perustettiin Downin oireyhtymän ennustajaksi. Mutta huomasin myös, että testissämme käytetyssä kuvantamislaitteessa oli muutama sata enemmän pikseliä neliötuumaa kohti kuin Ison-Britannian tutkimuksessa käytetyllä koneella. Palasin takaisin kertomaan geneetikolle, että uskoin, että valkoiset täplät olivat todennäköisesti vääriä positiivisia - että ne olivat kirjaimellisesti ”valkoista kohinaa”. Hän sanoi: ”Ah, se selittää miksi aloimme nähdä uptick Down-oireyhtymän diagnooseissa muutama vuosi sitten; se on kun uusi kone saapui. "

Emme tehneet amniokenteesiä, ja terve tyttö syntyi muutamaa kuukautta myöhemmin. Mutta jakso huolestutti minua, etenkin kun kirjekuoren taustalaskelma vakuutti minut, että monet tuhannet ihmiset olivat saaneet diagnoosin samana päivänä maailmanlaajuisesti, että monet heistä olivat valinneet amniokenteesi ja että joukko vauvoja oli kuollut tarpeettomasti. Ja tämä tapahtui päivä päivältä, kunnes se jotenkin korjautui. Tämän jakson paljastama ongelma ei koskenut henkilökohtaista sairaalahoitoani; kyse oli lääketieteellisestä järjestelmästä, joka mittasi muuttujia ja tuloksia eri paikoissa ja aikoina, suoritti tilastollisia analyysejä ja käytti tuloksia muissa paikoissa ja aikoina. Ongelman piti liittyä pelkästään tietoanalyysiin sinänsä, mutta myös siihen, mitä tietokantatutkijoita kutsutaan ”lähteeksi” - yleisesti ottaen, mistä tietoja syntyi, mitkä johtopäätökset tiedoista tehtiin ja kuinka merkitykselliset ovat nämä päätelmät nykyiseen tilanteeseen? Vaikka koulutettu ihminen voisi pystyä työskentelemään kaiken tämän tapauskohtaisesti, kysymys oli suunnitella planeettapohjainen lääketieteellinen järjestelmä, joka voisi tehdä tämän ilman tarvetta tällaiseen yksityiskohtaiseen ihmisen valvontaan.

Olen myös tietotekniikka, ja minulle kävi ilmi, että periaatteita, joita tarvittiin tällaisten planeettapohjaisten päättely- ja päätöksentekojärjestelmien rakentamiseksi, sekoittaen tietokonetekniikkaa tilastoihin ja ottaen huomioon ihmisten apuohjelmat, ei ollut missään löytyy koulutuksestani. Ja minusta kävi mielessä, että sellaisten periaatteiden kehittäminen - joita tarvitaan paitsi lääketieteen alalla myös kaupan, kuljetuksen ja koulutuksen kaltaisilla aloilla - olivat ainakin yhtä tärkeitä kuin sellaisten AI-järjestelmien rakentaminen, jotka voivat häikäistä meitä heidän pelin pelaamisen tai sensoroottorin taidot.

Riippumatta siitä, ymmärrämmekö älykkyys milloin tahansa pian, meillä on edessämme suuri haaste yhdistää tietokoneita ja ihmisiä tavalla, joka parantaa ihmisten elämää. Vaikka jotkut pitävät tätä haastetta "tekoälyn" luomisen alaisena, sitä voidaan myös tarkastella proosaisemmin - mutta ei vähemmän kunnioittavasti - uuden tekniikan haaran luomisena. Aivan kuten maa- ja vesirakentamisessa ja kemiallisessa suunnittelussa vuosikymmenien ajan, tällä uudella tieteenaloilla pyritään keräämään muutamien keskeisten ideoiden voima, tuomalla ihmisille uusia resursseja ja kykyjä ja tekemään niin turvallisesti. Kun maa- ja vesirakentaminen rakennettiin fysiikkaan ja kemiaan, tämä uusi tekniikan tiedekunta rakentuu ideoille, joille viime vuosisata antoi aihetta - ideoille, kuten “informaatio”, “algoritmi”, “data”, “epävarmuus”, “ tietojenkäsittely, ”päätelmät” ja ”optimointi”. Lisäksi, koska suuri osa uudesta tieteenalasta kohdistuu ihmisiltä saatuihin tietoihin ja niiden tietoihin, sen kehittäminen vaatii yhteiskunta- ja humanististen tieteiden näkökulmia.

Vaikka rakennuspalikat ovat alkaneet nousta esiin, periaatteita näiden lohkojen kokoamiseksi ei ole vielä syntynyt, joten lohkot kootaan tällä hetkellä tapauskohtaisesti.

Siksi, kuten ihmiset rakensivat rakennuksia ja siltoja ennen maanrakennusta, ihmiset jatkavat yhteiskunnallisen mittakaavan, päätelmien ja päätöksenteon järjestelmien rakentamista, joihin osallistuvat koneet, ihmiset ja ympäristö. Aivan kuten varhaiset rakennukset ja sillat putosivat joskus maahan - ennakoimattomilla tavoilla ja traagisilla seurauksilla - monet varhaisissa yhteiskunnallisissa mittakaavoissaan tekemisistämme ja päätöksentekojärjestelmistämme jo ilmenee vakavia käsitteellisiä puutteita.

Ja valitettavasti emme ole kovin osaavia ennakoimaan mitä seuraava ilmenevä vakava virhe tulee olemaan. Meiltä puuttuu insinööritieteellinen tiedekunta, jonka periaatteet ovat analyysi ja suunnittelu.

Nykyisessä julkisessa vuoropuhelussa näistä asioista käytetään liian usein ”AI” älykorttina, mikä vaikeuttaa uuden tekniikan laajuuden ja seurausten perustelua. Aloitetaan pohtimalla tarkemmin, mihin ”AI” on viitattu sekä äskettäin että historiallisesti.

Suurin osa siitä, mitä nykyään kutsutaan AI: ksi, etenkin julkisella alueella, on se, jota on kutsuttu usean vuosikymmenen ajan koneoppimiseksi (ML). ML on algoritminen kenttä, joka sekoittaa ideoita tilastoista, tietotekniikasta ja monista muista tieteenaloista (katso alla) suunnittelualgoritmeihin, jotka käsittelevät tietoja, tekevät ennusteita ja auttavat päätöksenteossa. ML on todelliseen maailmaan kohdistuvien vaikutusten kannalta todellinen eikä vain viime aikoina. Itse asiassa se, että ML: stä kasvaa massiivinen teollisuus, oli selvää jo 1990-luvun alkupuolella, ja vuosisadan vaihteessa Amazonin kaltaiset tulevaisuuteen suuntautuvat yritykset käyttivät ML: ää jo koko liiketoiminnassaan ratkaiseen operaation kannalta kriittiset taustaongelmat petoksissa. havaitseminen ja toimitusketjun ennustaminen sekä innovatiivisten kuluttajille suunnattujen palvelujen, kuten suositusjärjestelmien, rakentaminen. Kun tietoaineistot ja laskennalliset resurssit kasvoivat nopeasti seuraavien kahden vuosikymmenen aikana, kävi selväksi, että ML tulee pian valtamaan paitsi Amazonia, myös lähinnä mitä tahansa yritystä, jonka päätökset voidaan sitoa laajaan tietoon. Uusia liiketoimintamalleja syntyisi. Ilmausta ”Data Science” alettiin käyttää viittaamaan tähän ilmiöön heijastaen ML-algoritmien asiantuntijoiden tarvetta olla yhteistyössä tietokanta- ja hajautettujen järjestelmien asiantuntijoiden kanssa rakentaa skaalautuvia, vankkoja ML-järjestelmiä ja heijastaa tietojärjestelmän laajempaa sosiaalista ja ympäristöä tuloksena olevat järjestelmät.

Tätä ideoiden ja teknologisten suuntausten yhtymistä on muutettu viimeksi kuluneiden vuosien ajan AI: ksi. Tämä uudelleen tuotemerkintä on jonkin verran tutkimisen arvoinen.

Historiallisesti lause ”AI” kehitettiin 1950-luvun lopulla viittaamaan lopulliseen pyrkimykseen toteuttaa ohjelmistoissa ja laitteistoissa entiteetti, jolla on ihmisen tason älykkyyttä. Käytämme ilmausta ”ihmisen jäljittelevä AI” viitaten tähän pyrkimykseen korostamalla käsitystä, että keinotekoisesti älykkään kokonaisuuden pitäisi näyttää olevan yksi meistä, ellei fyysisesti ainakin henkisesti (mitä se tarkoittaa). Tämä oli suurelta osin akateeminen yritys. Vaikka liittyvät akateemiset alat, kuten operaatiotutkimus, tilastot, kuvion tunnistus, informaatioteoria ja valvontateoria, olivat jo olemassa, ja ne inspiroitiin usein ihmisen älykkyydestä (ja eläinälykköstä), nämä alat keskittyivät kiistatta "matalan tason" signaaleihin ja päätöksiin. Oravan kyky havaita sen metsän kolmiulotteinen rakenne ja hypätä oksiensa keskuudessa oli inspiroiva näille kentille. "AI": n oli tarkoitus keskittyä johonkin erilaiseen - ihmisten "korkean tason" tai "kognitiiviseen" kykyyn "ajatella" ja "ajatella". Kuusikymmentä vuotta myöhemmin korkean tason päättely ja ajattelu ovat kuitenkin vaikeita. Kehitys, jota nyt kutsutaan AI: ksi, tapahtui pääasiassa tekniikan aloilla, jotka liittyvät matalan tason kuvailutunnistukseen ja liikkeen hallintaan, sekä tilastotieteen alalla - kurinalaisuus keskittyi tietomallien löytämiseen ja perusteltujen ennusteiden tekemiseen, hypoteesien ja päätösten testit.

Todellakin, kuuluisa ”takaisinpropagaatio” -algoritmi, jonka David Rumelhart löysi uudelleen 1980-luvun alkupuolella ja jota nyt pidetään ns. AI-vallankumouksen ytimenä, syntyi ensin valvontateorian alalla 1950-luvulla. ja 1960-luku. Yksi sen varhaisista sovelluksista oli Apollo-avaruusalusten työntövoiman optimointi kuun suuntaan.

1960-luvulta lähtien on tapahtunut paljon edistystä, mutta se ei väitetysti ole tapahtunut ihmisen jäljittelevän AI: n harjoittamisesta. Pikemminkin, kuten Apollo-avaruusalusten tapauksessa, nämä ajatukset ovat usein piilossa kulissien takana, ja ne ovat olleet tutkijoiden työtä, joka on keskittynyt tiettyihin tekniikan haasteisiin. Vaikka tutkimus ja järjestelmien rakentaminen esimerkiksi yleisön näkemättömillä aloilla, kuten asiakirjojen haku, tekstien luokittelu, petosten havaitseminen, suositusjärjestelmät, henkilökohtainen haku, sosiaalisten verkostojen analysointi, suunnittelu, diagnostiikka ja A / B-testaukset, ovat olleet suuri menestys - nämä ovat edistystä, joka on saanut aikaan yrityksiä, kuten Google, Netflix, Facebook ja Amazon.

Voitaisiin yksinkertaisesti sopia kutsumasta kaikkea tätä "AI": ksi, ja todellakin se näyttää tapahtuneen. Tällainen merkitseminen voi tulla yllätyksenä optimoinnille tai tilastotutkijoille, jotka heräävät löytääkseen itsensä yhtäkkiä ”AI-tutkijoiksi”. Mutta tutkijoiden merkitseminen syrjään, sitä suurempi ongelma on, että tämän yhden, huonosti määritellyn lyhenteen käyttö estää selkeä ymmärrys teollisista ja kaupallisista kysymyksistä.

Kahden viime vuosikymmenen aikana on tapahtunut suurta edistystä - teollisuudessa ja yliopistoissa - täydentävässä pyrkimyksessä ihmisen jäljittelevälle AI: lle, jota usein kutsutaan "älykkyyden lisäämiseksi" (IA). Täällä laskentaa ja dataa käytetään luomaan palveluita, jotka lisäävät ihmisen älykkyyttä ja luovuutta. Hakukonetta voidaan pitää esimerkkinä vaikutustenarvioinnista (se lisää ihmisen muistia ja tosiasiatietoja), samoin kuin luonnollisen kielen käännös (se lisää ihmisen kykyä kommunikoida). Tietokonepohjainen äänien ja kuvien sukupolvi toimii taiteilijoiden palettina ja luovuuden parantajana. Vaikka tällaisiin palveluihin voisi mahdollisesti liittyä korkean tason päättely ja ajattelu, tällä hetkellä niitä ei ole - ne suorittavat useimmiten erilaisia ​​merkkijonojen sovittamista ja numeerisia toimintoja, jotka kaappaavat kuvioita, joita ihmiset voivat käyttää.

Toivoen, että lukija sietää viimeisen lyhenteen, ajatelkaamme laajasti älykkään infrastruktuurin (II) oppia, jonka avulla on olemassa laskenta-, tieto- ja fyysisten kokonaisuuksien verkko, joka tekee ihmisen ympäristöistä tukevamman, mielenkiintoisemman ja turvallisemman. Tällainen infrastruktuuri on alkanut näkyä muun muassa liikenteen, lääketieteen, kaupan ja rahoituksen aloilla, ja sillä on valtavat vaikutukset yksittäisiin ihmisiin ja yhteiskuntiin. Tämä esiintyminen syntyy joskus keskusteluissa “esineiden Internetistä”, mutta tämä pyrkimys yleensä viittaa pelkästään ongelmaan saada ”asiat” Internetiin - ei näihin ”asioihin” liittyvien huomattavampien haasteiden joukkoon, joka pystyy analysoimaan niitä tietovirrat löytääkseen tosiasioita maailmasta ja vuorovaikutuksessa ihmisten ja muiden "asioiden" kanssa paljon korkeammalla abstraktion tasolla kuin pelkät bitit.

Palaamalla esimerkiksi henkilökohtaiseen anekdooteihimme, voimme kuvitella elävän elämämme ”yhteiskunnallisessa mittakaavassa lääketieteellisessä järjestelmässä”, joka asettaa tietovirrat ja data-analyysivirrat lääkäreiden ja ihmiskehoihin ja niiden ympärille sijoitettujen laitteiden välille ja pystyy siten auttaa ihmisen älykkyyttä diagnoosien tekemisessä ja hoidon tarjoamisessa. Järjestelmä sisältää tietoja kehon soluista, DNA: sta, verikokeista, ympäristöstä, väestögenetiikasta sekä laajasta lääkkeitä ja hoitoja koskevasta tieteellisestä kirjallisuudesta. Se ei keskittyisi pelkästään yksittäiseen potilaaseen ja lääkäriin, vaan kaikkien ihmisten välisiin suhteisiin - samoin kuin nykyinen lääketieteellinen testaus sallii yhdelle ihmisryhmälle (tai eläimelle) tehdyt kokeet olla muiden ihmisten hoidossa. Se auttaisi pitämään merkityksellisyyden, alkuperä ja luotettavuuden käsitteitä tavalla, jolla nykyinen pankkijärjestelmä keskittyy tällaisiin haasteisiin rahoituksen ja maksun alalla. Ja vaikka voidaan ennakoida monia sellaisessa järjestelmässä ilmeneviä ongelmia - joihin sisältyy yksityisyyden suojaa koskevia kysymyksiä, vastuukysymyksiä, turvallisuuskysymyksiä jne. -, näitä ongelmia on pidettävä oikein haasteina, ei näyttelypysähdyinä.

Olemme nyt päässeet kriittiseen kysymykseen: Onko klassisen ihmisen jäljittelevän AI: n parissa työskenteleminen paras tai ainoa tapa keskittyä näihin suurempiin haasteisiin? Jotkut ML: n viimeisimmistä menestystarinoista ovat tosiasiassa olleet ihmisten jäljittelevälle AI: lle liittyvillä alueilla - kuten tietokoneen visio, puheentunnistus, peli ja robotti. Joten meidän pitäisi ehkä vain odottaa lisäkehitystä tällaisilla aloilla. Tässä on kaksi huomautusta. Ensinnäkin, vaikka sanomalehtien lukemisesta ei tiedä sitä, onnistuminen ihmisen jäljittelevässä AI: ssä on itse asiassa ollut vähäistä - olemme hyvin kaukana ihmisten jäljittelevien AI-pyrkimysten toteuttamisesta. Valitettavasti jännitys (ja pelko) saavuttaa jopa rajoitettu edistyminen ihmisen jäljittelevässä AI: ssä aiheuttaa ylikuormituksen ja tiedotusvälineiden huomion tasoa, jota ei ole muilla tekniikan aloilla.

Toiseksi, ja mikä vielä tärkeämpää, menestys näillä aloilla ei ole riittävä eikä välttämätöntä tärkeiden vaikutustenarviointi- ja II -ongelmien ratkaisemiseksi. Tarkastele riittävyyden puolella itse ajavia autoja. Jotta tällainen tekniikka voitaisiin toteuttaa, on ratkaistava joukko teknisiä ongelmia, joilla voi olla vähän suhdetta ihmisen kompetensseihin (tai inhimillisiin puutteisiin). Kokonaiskuljetusjärjestelmä (II-järjestelmä) todennäköisesti muistuttaa nykyistä lennonjohtojärjestelmää kuin löysästi kytkettyjen, eteenpäin suuntautuvien, tarkkailemattomien ihmisten kuljettajien kokoelma. Se tulee olemaan huomattavasti monimutkaisempi kuin nykyinen lennonjohtojärjestelmä erityisesti käytettäessä valtavia tietomääriä ja mukautuvaa tilastollista mallintaa hienotunteisiin päätöksiin. Juuri näiden haasteiden on oltava eturintamassa, ja keskittyminen ihmisen jäljittelevään AI: hen voi olla häiriötekijä.

Mitä tulee välttämättömyysperusteeseen, toisinaan väitetään, että ihmisen jäljittelevä AI-tavoite on IA: n ja II: n tavoite, koska ihmisen jäljittelevä AI-järjestelmä ei vain pystyisi ratkaisemaan AI: n klassisia ongelmia (sellaisena kuin ne sisältyvät esimerkiksi Turingin testi), mutta se olisi myös paras veto ratkaistaksemme IA- ja II-ongelmat. Tällaisella väitteellä on vähän historiallista ennakkotapausta. Kehittyikö maa- ja vesirakentaminen suunnittelemalla keinotekoisen puusepän tai muurareiden perustamista? Pitäisikö kemian tekniikkaa kehittää keinotekoisen kemian luomiseksi? Vielä poleemisemmin: jos tavoitteemme olisi rakentaa kemiallisia tehtaita, olisimmeko ensin luoneet keinotekoisen kemian, joka olisi sitten suunnitellut kuinka rakentaa kemiallinen tehdas?

Aiheeseen liittyvä argumentti on, että ihmisen älykkyys on ainoa tiedämme, jonka tiedämme, ja että meidän pitäisi pyrkiä jäljittelemään sitä ensimmäisenä askeleena. Mutta ihmiset eivät itse asiassa ole kovin hyviä tietyntyyppisissä päättelyissä - meillä on raukesi, puolueellisuudet ja rajoituksemme. Lisäksi kriittisesti emme ole kehittyneet suorittamaan sellaista laaja-alaista päätöksentekoa, jonka nykyaikaisten II järjestelmien on kohdattava, eikä selviytymään sellaisesta epävarmuudesta, joka syntyy II tilanteissa. Voitaisiin väittää
että AI-järjestelmä ei vain matkisi ihmisen älykkyyttä, vaan myös ”oikaisi” sen, ja myös mittakaavassa mielivaltaisesti suuriin ongelmiin. Mutta olemme nyt tieteiskirjallisuuden valtakunnassa - tällaisten spekulatiivisten perusteiden, vaikka nekin viihdyttävät fiktion asetusta, eivät saisi olla päästrategiamme eteenpäin edessä vasta alkaessa ilmaantuvien kriittisten vaikutustenarviointien ja toissijaisten ongelmien edessä. Meidän on ratkaistava IA: n ja II: n ongelmat omien ansioidensa perusteella, ei pelkästään seurauksena ihmisen jäljittelevästä AI-ohjelmasta.

Ei ole vaikea määrittää algoritmisia ja infrastruktuuriin liittyviä haasteita II-järjestelmissä, jotka eivät ole keskeisiä teemoja ihmisen jäljittelevässä AI-tutkimuksessa. II-järjestelmät vaativat kykyä hallita hajautettuja tietovarastoja, jotka muuttuvat nopeasti ja ovat todennäköisesti globaalisti epäyhtenäisiä. Tällaisten järjestelmien on selviydyttävä pilvireunasta vuorovaikutuksesta tehdessään oikea-aikaisia, hajautettuja päätöksiä, ja niiden on käsiteltävä pitkäaikaisia ​​ilmiöitä, joissa on paljon tietoja joistakin henkilöistä ja vähän tietoja useimmista henkilöistä. Niiden on käsiteltävä tietojen jakamisen vaikeuksia hallinnollisten ja kilpailurajojen yli. Viimeisenä, ja se on erityisen tärkeä, II-järjestelmien on tuotava taloudellisia ideoita, kuten kannustimia ja hinnoittelua, tilasto- ja laskennallisiin infrastruktuureihin, jotka yhdistävät ihmiset toisiinsa ja arvostettuihin tavaroihin. Tällaisia ​​II-järjestelmiä ei voida pitää pelkästään palveluna, vaan myös markkinoiden luomisena. Tietyt alueet, kuten musiikki, kirjallisuus ja journalismi, huutavat tällaisten markkinoiden syntymistä, joissa tietojen analysointi yhdistää tuottajat ja kuluttajat. Ja tämä kaikki on tehtävä muuttuvien yhteiskunnallisten, eettisten ja oikeudellisten normien puitteissa.

Tietysti myös klassiset ihmisen jäljittelevät AI-ongelmat ovat edelleen erittäin kiinnostavia. Nykyinen keskittyminen AI-tutkimuksen tekemiseen tiedonkeruun, "syvän oppimisen" infrastruktuurin käyttöönoton ja tiettyjen suppeasti määriteltyjen ihmisten taitojen jäljittelevien järjestelmien demonstroinnin avulla - kuitenkin vain vähän selventävien periaatteiden muodossa - suunnata huomio klassisen AI: n suurimpiin avoimiin ongelmiin. Näihin ongelmiin kuuluvat tarve tuoda merkitys ja päättely järjestelmiin, jotka suorittavat luonnollista kielenkäsittelyä, tarve päätellä ja edustaa syy-yhteyttä, tarve kehittää laskennallisesti jäljitettäviä epävarmuustekijöitä ja tarve kehittää järjestelmiä, jotka määrittelevät ja pyrkivät pitkäaikaisiin tavoitteisiin . Nämä ovat klassisia tavoitteita ihmisen jäljittelevässä AI: ssä, mutta nykyisessä ”AI-vallankumouksen” keskipisteessä on helppo unohtaa, että niitä ei ole vielä ratkaistu.

Myös vaikutustenarviointi pysyy melko välttämättömänä, koska tietokoneet eivät lähitulevaisuudessa pysty vastaamaan ihmisiä kyvyssään perustella abstrakteja tosielämän tilanteita. Tarvitsemme ihmisten ja tietokoneiden harkittuja vuorovaikutuksia kiireellisimpien ongelmien ratkaisemiseksi. Ja me haluamme, että tietokoneet laukaisevat ihmisen luovuuden uudet tasot, eivät korvaa ihmisen luovuutta (mitä se saattaa tarkoittaa).

Se oli John McCarthy (kun professori oli Dartmouth, ja pian otti
asema MIT), joka loi termin "AI", ilmeisesti erottamaan hänen
aloittava tutkimusohjelma Norbert Wieneriltä (silloin MIT: n vanhempi professori). Wiener oli keksinyt ”kybernetiikan” viittaamaan omaan näkemykseen älykkäistä järjestelmistä - visiosta, joka oli tiiviisti sidoksissa operaatiotutkimukseen, tilastoihin, kuvioiden tunnistamiseen, informaatioteoriaan ja ohjausteoriaan. McCarthy puolestaan ​​korosti siteitä logiikkaan. Mielenkiintoisessa käänteessä Wienerin henkinen toimintaohjelma on tullut hallitsemaan nykyaikana McCarthyn terminologian otsikon alla. (Tämä tilanne on varmasti kuitenkin vain väliaikainen; heiluri kääntyy enemmän AI: ssä kuin
useimmissa kentissä.)

Mutta meidän on siirryttävä McCarthyn ja Wienerin erityisten historiallisten näkökulmien ulkopuolelle.

Meidän on ymmärrettävä, että nykyinen AI: n julkinen vuoropuhelu - joka keskittyy kapeaseen teollisuuden osajoukkoon ja kapeaseen akateemisen alajoukkoon - uhkaa sokeuttaa meidät haasteisiin ja mahdollisuuksiin, jotka AI, IA ja II tarjoavat kokonaisuudessaan.

Tämä laajuus liittyy vähemmän tieteiskirjallisten unelmien tai super-ihmisten koneiden painajaisten toteutumiseen ja pikemminkin ihmisten tarpeeseen ymmärtää ja muokata tekniikkaa, kun se tulee yhä lähemmäksi ja vaikuttavampaa heidän jokapäiväisessä elämässään. Lisäksi tässä ymmärryksessä ja muotoilussa tarvitaan monipuolinen äänisarja kaikilta elämänaloilta, ei pelkästään vuoropuhelua teknisesti sopeutuneiden välillä. Kun keskitymme suppeasti ihmisen jäljitteleviin älykkyysosiin, estetään sopivan laajan äänen kuulo.

Vaikka teollisuus ajaa edelleen monia kehityssuuntauksia, akateemisella yhteisöllä on myös jatkossakin tärkeä rooli paitsi tarjoamalla innovatiivisimpia teknisiä ideoita, myös tuomalla laskenta- ja tilastotieteiden tutkijoita yhdessä muiden tutkijoiden kanssa
tieteenalat, joiden panosta ja näkökulmia tarvitaan kipeästi - erityisesti
yhteiskuntatieteet, kognitiiviset tieteet ja humanistiset tieteet.

Toisaalta, vaikka humanistiset ja tieteet ovat välttämättömiä etenemässä, meidän ei pidä myöskään teeskennellä, että puhumme jostakin muusta kuin ennennäkemättömän laajuudeltaan ja laajuudeltaan suunnittelupyrkimyksistä - yhteiskunta pyrkii rakentamaan uudenlaisia ​​esineitä. Nämä esineet tulisi rakentaa toimimaan kuten väitetään. Emme halua rakentaa järjestelmiä, jotka auttavat meitä lääketieteellisissä hoidoissa, kuljetusmahdollisuuksissa ja kaupallisissa mahdollisuuksissa saada selville sen jälkeen, kun nämä järjestelmät eivät todellakaan toimi - että ne tekevät virheitä, jotka vaikuttavat ihmisten elämään ja onnellisuuteen. Kuten olen korostanut, tieto- ja oppimiskeskeisille aloille on vielä kehitettävä tekniikan kurinalaisuutta. Niin jännittäviä kuin nämä jälkimmäiset kentät näyttävät olevan, niitä ei voida vielä nähdä muodostavan tekniikan kurinalaisuutta.

Lisäksi meidän on syytä omaksua se tosiseikka, että todistamme uuden tekniikan haaran luomista. Termi “tekniikka” on usein
joihin vedotaan kapeassa mielessä - yliopistoissa ja muuallakin - kylmien, vaikuttamattomien koneiden päällä olevilla äänillä ja negatiivisilla konnotaatioilla, joissa ihmiset menettävät hallinnansa. Mutta tekniikan tiedekunta voi olla mitä haluamme sen olevan.

Nykykaudella meillä on todellinen mahdollisuus ajatella jotain historiallisesti uutta - ihmiskeskeistä tekniikan kurinalaisuutta.

Vastustan tämän nousevan tieteenalojen nimen nimeämistä, mutta jos lyhennettä “AI” käytetään edelleen eteenpäin paikanvaraaja-nimikkeinä, olkaamme tietoisia tämän paikkamerkin todellisista rajoituksista. Laajennetaan soveltamisalaamme, lievennetään hypeä ja tunnustetaan edessä olevat vakavat haasteet.

Michael I. Jordan

Kiitokset: Eräät henkilöt, joiden kommentit tämän artikkelin kirjoittamisen aikana ovat auttaneet minua suuresti, mukaan lukien Jeff Bezos, Dave Blei, Rod Brooks, Cathryn Carson, Tom Dietterich, Charles Elkan, Oren Etzioni, David Heckerman, Douglas Hofstadter, Michael Kearns, Tammy Kolda, Ed Lazowska, John Markoff, Esther Rolf, Maja Mataric, Dimitris Papailiopoulos, Ben Recht, Theodoros Rekatsinas, Barbara Rosario ja Ion Stoica. Ja haluaisin lisätä kiitoksen Cameron Baradarille The Housessa, joka rohkaisi minua ensin harkitsemaan tällaisen teoksen kirjoittamista.
Bio: Michael I. Jordan on tietotekniikan ja tilastotieteen professori Kalifornian yliopistossa, Berkeley. Hän on työskennellyt yli kolme vuosikymmentä laskennallisissa, päätellen, kognitiivisissa ja biologisissa tieteissä, ensin jatko-opiskelijana UCSD: ssä ja sitten tiedekunnan jäsenenä MIT: ssä ja Berkeleyssä. Yksi hänen viimeaikaisista rooleistaan ​​on toiminut tiedekunnan kumppanina ja perustajana AI @ The House -yrityksessä - Berkeleyn projektirahasto ja kiihdytin. Tämän rahaston tavoitteena on tukea AI-toiminnan lisäksi myös IA: n ja II: n toimintaa, ja tehdä niin yliopistoympäristössä, joka ei sisällä vain tekniikan aloja, vaan myös yhteiskuntatieteiden, kognitiivisten tieteiden ja humanistiset tieteet.