Er wordt algemeen aangenomen dat met de nieuwste ontwikkelingen in onderzoek naar kunstmatige intelligentie, levende en intelligente machines binnenkort aan de horizon zullen verschijnen. Auto's begrijpen spraakopdrachten, onderscheiden afbeeldingen, rijden in auto's en spelen games beter dan wij. Hoe lang moet je wachten tot ze onder ons beginnen te lopen?
Een onlangs gepubliceerd rapport van het Witte Huis over kunstmatige intelligentie neemt een sceptische houding aan. Het zegt dat het onwaarschijnlijk is dat we in de komende 20 jaar machines zullen zien "die intellectuele capaciteiten vertonen die vergelijkbaar zijn met of superieur zijn aan die van mensen", maar in de komende jaren "zullen machines menselijke capaciteiten bereiken voor meer en meer taken." In dit rapport ontbreken echter een paar belangrijke zaken.
Arend Hintze, onderzoeker op het gebied van kunstmatige intelligentie, stelt dat het rapport zich uitsluitend richt op 'saaie AI'. Het snijdt halverwege een zin een gigantische tak van AI-onderzoek af, hoe evolutie ons helpt om steeds betere AI-systemen te ontwikkelen, en hoe computermodellen ons helpen de evolutie van onze eigen menselijke intelligentie te begrijpen.
Het rapport richt zich op, zoals de wetenschapper zegt, de belangrijkste tools van AI: machine learning en deep learning. Dit soort technologie stelde robots in staat om quizzen goed te spelen en de meesters van het spel te verslaan. Deze systemen kunnen enorme hoeveelheden gegevens verwerken en complexe berekeningen zeer snel uitvoeren. Maar ze missen een element dat cruciaal zal zijn bij het creëren van de intelligente machines die we in de toekomst zouden willen hebben.
We hebben meer nodig dan het aanleren van machines om te leren. We moeten de grenzen overschrijden die vier verschillende soorten kunstmatige intelligentie definiëren. De barrières die machines van ons scheiden - en wij van hen.
AI type I: straalmachines
De meest basale typen AI-systemen zijn zeer reactief en kunnen geen herinneringen vormen of ervaringen uit het verleden gebruiken om huidige beslissingen te informeren. Deep Blue, de schaak-supercomputer IBM die eind jaren negentig grootmeester Garry Kasparov versloeg, is een perfect voorbeeld van dit type machine.
Promotie video:
Deep Blue kan stukken op een schaakbord herkennen en weet hoe ze bewegen. Hij kan voorspellingen doen van zetten, zowel die van hemzelf als die van zijn tegenstander. En hij kiest de meest optimale bewegingen mogelijk.
Hij heeft echter geen idee van het verleden en de herinnering aan wat er is gebeurd. Afgezien van de zelden gebruikte schaakspecifieke regel om dezelfde zet drie keer niet te herhalen, negeert Deep Blue tot nu toe alles. Hij kijkt alleen naar de stukken op het schaakbord en kiest de volgende zet.
Dit type intelligentie omvat een computer die de wereld rechtstreeks waarneemt en handelt op basis van wat hij ziet. Hij vertrouwt niet op een innerlijk concept van de wereld. In zijn werk betoogde AI-onderzoeker Rodney Brooks dat we alleen dergelijke machines moesten bouwen. Volgens hem zijn mensen niet erg goed in het programmeren van precieze gesimuleerde werelden voor computers, zoals ze zeggen, in het creëren van een 'representatie', een representatie van de wereld.
De moderne intelligente machines die we bewonderen, hebben ofwel niet zo'n concept van de wereld, ofwel zijn ze erg beperkt en voeren ze bepaalde taken uit. De innovatie in het ontwerp van Deep Blue ging niet over het uitbreiden van het aantal mogelijke zetten dat een computer in overweging neemt. In plaats daarvan hebben de ontwikkelaars een manier gevonden om zijn visie te beperken, om enkele van de mogelijke bewegingen in de toekomst te negeren, afhankelijk van hoe ze worden geëvalueerd.
Evenzo heeft AlphaGo Google, dat de wereldkampioen in Go versloeg, geen manier om mogelijke toekomstige bewegingen te beoordelen. De analysemethode is geavanceerder dan die van Deep Blue: het gebruikt een neuraal netwerk om de ontwikkeling van het spel te evalueren.
Deze technieken verbeteren de mogelijkheden van AI-systemen, zorgen ervoor dat bepaalde games beter spelen, maar zijn niet gemakkelijk te veranderen of toe te passen op andere situaties. Deze computertypen verbeeldingen hebben geen idee van de wereld als geheel - wat betekent dat ze niet verder kunnen gaan dan het uitvoeren van de specifieke taken waarvoor ze zijn gemaakt, en ze worden gemakkelijk voor de gek gehouden.
Ze kunnen niet interactief deelnemen aan de wereld, en we zouden graag ooit zulke AI-systemen willen zien. In plaats daarvan gedragen de machines zich precies zoals ze altijd doen wanneer ze met dezelfde situatie worden geconfronteerd. Als we het AI-systeem betrouwbaar en betrouwbaar willen maken, dan is dat een goede zaak: u wilt dat uw zelfrijdende auto betrouwbaar is. Maar als we willen dat machines met ons en de wereld communiceren, is dat slecht. De eenvoudigste AI-systemen vervelen zich nooit, ze kunnen niet geïnteresseerd of van streek zijn.
AI type II: beperkt geheugen
Type II omvat machines die in het verleden kunnen kijken. Zelfrijdende auto's zijn hier al een beetje toe in staat. Ze observeren bijvoorbeeld de snelheid en richting van andere voertuigen. Dit kan niet in één keer worden gedaan, hiervoor moet u specifieke objecten identificeren en deze in de loop van de tijd observeren.
Deze waarnemingen worden toegevoegd aan de voorgeprogrammeerde weergaven van de wereld van de zelfrijdende auto's, waaronder wegmarkeringen, verkeerslichten en andere kritische elementen. Ze maken verbinding wanneer de auto besluit van rijstrook te wisselen en niet met een andere in botsing komt.
Maar deze simpele stukjes informatie over het verleden zijn slechts tijdelijk. Ze zullen niet worden opgeslagen als onderdeel van de voertuigbelevingsbibliotheek waarin het kan leren, zoals menselijke chauffeurs doen, door de jaren heen ervaring op te doen tijdens het rijden.
Hoe bouwen we AI-systemen die complete representaties bouwen, onze ervaringen onthouden en leren omgaan met nieuwe situaties? Brooke had gelijk dat dit erg moeilijk is om te doen. Misschien is het de moeite waard om inspiratie te zoeken in de darwinistische evolutie?
AI type III: theory of mind
Hier moeten we een korte stop maken en dit moment een belangrijke kloof noemen tussen de machines die we hebben en de machines die we in de toekomst willen bouwen. De eerste stap is echter om specifieker te zijn over de weergaven die machines moeten maken.
Machines van de volgende, meer geavanceerde klasse vormen niet alleen afbeeldingen van de wereld, maar ook van andere agenten of entiteiten van de wereld. In de psychologie wordt dit "theory of mind" genoemd - het besef dat mensen, wezens en objecten in de wereld gedachten en emoties kunnen hebben die hun eigen gedrag beïnvloeden.
Dit is belangrijk voor de manier waarop wij mensen de samenleving vormgeven, aangezien het ons voorziet van sociale interacties. Zonder elkaars motieven en bedoelingen te begrijpen en niet na te denken over wat iemand anders over mij of de omgeving weet, is samenwerken op zijn best moeilijk en in het slechtste geval onmogelijk.
Als AI-systemen echt onder ons rondzwerven, zullen ze moeten begrijpen wat we denken en voelen, althans op het niveau van aannames. En pas je gedrag daarop aan.
IV type AI: zelfbewustzijn
Het uiteindelijke doel van het ontwikkelen van kunstmatige intelligentie is om systemen te creëren die zelfbeelden kunnen vormen. Uiteindelijk moeten AI-onderzoekers niet alleen bewustzijn begrijpen, maar ook machines met bewustzijn creëren.
Dit is in zekere zin een uitbreiding van de "theory of mind" die werd genoemd in het vorige type AI. Als we het over bewustzijn hebben, bedoelen we ook zelfbewustzijn. "Ik wil dit ding" is iets anders dan "Ik weet dat ik dit ding wil". Bewuste wezens zijn zelfbewust, zich bewust van hun innerlijke toestand en kunnen anticiperen op het gedrag of de gevoelens van anderen. We gaan ervan uit dat iemand die ons in het verkeer signaleert boos of ongeduldig is, want dat is hoe we ons in zijn plaats zouden kunnen voelen. Zonder een theory of mind zouden we dergelijke conclusies niet kunnen trekken.
Hoewel we waarschijnlijk nog ver verwijderd zijn van het creëren van zelfbewuste machines, moeten we onze inspanningen richten op het pad naar het begrijpen van geheugen, leren en het vermogen om beslissingen te nemen over ervaringen uit het verleden. Dit is een belangrijke stap om de menselijke geest zelf te begrijpen. En dit is erg belangrijk als we machines willen ontwerpen of ontwikkelen die niet alleen kunnen classificeren wat ze voor ons zien, maar ook veel meer.
ILYA KHEL
