To powszechne zjawisko psychologiczne: powtórz dowolne słowo wystarczająco wiele razy, a w końcu traci ono wszelkie znaczenie, rozpadając się jak rozmokła tkanka w fonetyczną nicość. Dla wielu z nas wyrażenie „sztuczna inteligencja” rozpadło się w ten sposób już dawno temu. AI jest teraz wszędzie w technice, mówi się, że zasila wszystko, od telewizora po szczoteczkę do zębów, ale nigdy wcześniej same słowa nie znaczyły mniej.

Nie powinno tak być.

Podczas gdy wyrażenie „sztuczna inteligencja” jest bezsprzecznie, bez wątpienia nadużywane, technologia ta robi więcej niż kiedykolwiek – zarówno na dobre, jak i na złe. Jest ona wykorzystywana w opiece zdrowotnej i działaniach wojennych; pomaga ludziom tworzyć muzykę i książki; analizuje twój życiorys, ocenia twoją zdolność kredytową i poprawia zdjęcia, które robisz swoim telefonem. Krótko mówiąc, podejmuje decyzje, które wpływają na twoje życie, czy ci się to podoba, czy nie.

To może być trudne do kwadratu z szumu i bluster z którym AI jest omówione przez firmy technologiczne i reklamodawców. Weźmy na przykład szczoteczkę do zębów Genius X firmy Oral-B, jedno z wielu urządzeń zaprezentowanych w tym roku na targach CES, które chwaliły się rzekomymi zdolnościami „AI”. Jednak po przekroczeniu górnej linii komunikatu prasowego, wszystko co oznacza to, że szczoteczka daje dość proste informacje zwrotne na temat tego, czy szczotkujesz zęby przez odpowiednią ilość czasu i we właściwych miejscach. Istnieją pewne sprytne czujniki zaangażowane do pracy, gdzie w ustach szczoteczka jest, ale nazywając to sztuczną inteligencją jest bełkot, nic więcej.

Gdy nie ma szumu zaangażowany, jest nieporozumienie. Relacje prasowe mogą wyolbrzymiać badania, przyklejając zdjęcie Terminatora do każdej niejasnej historii o AI. Często wynika to z nieporozumień dotyczących tego, czym w ogóle jest sztuczna inteligencja. Może to być trudny temat dla nie-ekspertów, a ludzie często mylnie łączą współczesną AI z wersją, którą znają najlepiej: science-visualną wizją świadomego komputera, wielokrotnie inteligentniejszego od człowieka. Eksperci określają ten konkretny przypadek AI mianem sztucznej inteligencji ogólnej, a jeśli kiedykolwiek uda nam się coś takiego stworzyć, będzie to prawdopodobnie bardzo odległa przyszłość. Do tego czasu nikomu nie pomoże wyolbrzymianie inteligencji lub możliwości systemów AI.

Więc lepiej jest mówić o „uczeniu maszynowym” niż o AI. Jest to poddziedzina sztucznej inteligencji, która obejmuje prawie wszystkie metody mające największy wpływ na świat w tej chwili (w tym to, co nazywa się głębokim uczeniem). Jako wyrażenie, nie ma mistyki „AI”, ale jest bardziej pomocne w wyjaśnieniu, co robi ta technologia.

Jak działa uczenie maszynowe? W ciągu ostatnich kilku lat przeczytałem i obejrzałem dziesiątki wyjaśnień, a rozróżnienie, które uznałem za najbardziej przydatne, znajduje się w samej nazwie: uczenie maszynowe polega na umożliwieniu komputerom samodzielnego uczenia się. Ale co to oznacza, jest znacznie większym pytaniem.

Zacznijmy od problemu. Powiedzmy, że chcesz stworzyć program, który potrafi rozpoznawać koty. (Z jakiegoś powodu zawsze są to koty). Mógłbyś spróbować zrobić to w staroświecki sposób, programując jawne reguły, takie jak „koty mają spiczaste uszy” i „koty są futrzaste”. Ale co zrobiłby program, gdy pokazałbyś mu zdjęcie tygrysa? Zaprogramowanie każdej potrzebnej reguły byłoby czasochłonne, a po drodze musiałbyś zdefiniować wiele trudnych pojęć, takich jak „futrzastość” i „szpiczastość”. Lepiej pozwolić, by maszyna uczyła się sama. Dajesz jej więc ogromną kolekcję zdjęć kotów, a ona przegląda je, aby znaleźć własne wzorce w tym, co widzi. Łączy kropki, na początku dość przypadkowo, ale testujesz go w kółko, zachowując najlepsze wersje. I z czasem staje się całkiem dobry w mówieniu, co jest, a co nie jest kotem.

Jak dotąd, tak przewidywalne. Prawdopodobnie już kiedyś czytałeś takie wyjaśnienie i przepraszam za to. Ale to, co jest ważne, to nie czytanie glosariusza, ale prawdziwe zastanowienie się, co ten glosariusz implikuje. Jakie są efekty uboczne uczenia się systemu decyzyjnego w ten sposób?

Największa zaleta tej metody jest najbardziej oczywista: nigdy nie musisz go programować. Jasne, majstrujesz sporo, poprawiając sposób, w jaki system przetwarza dane i wymyślając mądrzejsze sposoby przyswajania informacji, ale nie mówisz mu, czego ma szukać. Oznacza to, że może on dostrzec wzorce, które człowiek może przeoczyć lub o których w ogóle nie pomyśli. A ponieważ program potrzebuje tylko danych – 1 i 0 – jest tak wiele zadań, na których można go szkolić, ponieważ współczesny świat jest po prostu przepełniony danymi. Mając w ręku młotek do uczenia maszynowego, cyfrowy świat jest pełen gwoździ gotowych do wbicia na miejsce.

Ale pomyśl też o wadach. Jeśli nie uczysz komputera, skąd wiesz, w jaki sposób podejmuje on decyzje? Systemy uczenia maszynowego nie potrafią wyjaśnić swojego sposobu myślenia, a to oznacza, że Twój algorytm może osiągać dobre wyniki z niewłaściwych powodów. Podobnie, ponieważ wszystko, co komputer wie, to dane, które mu podajesz, może on odebrać stronniczy obraz świata, lub może być dobry tylko w wąskich zadaniach, które wyglądają podobnie do danych, które widział wcześniej. Nie ma zdrowego rozsądku, którego można by oczekiwać od człowieka. Mógłbyś zbudować najlepszy na świecie program rozpoznający koty, ale nigdy nie powiedziałby ci, że kocięta nie powinny prowadzić motocykli lub że jest bardziej prawdopodobne, że kot będzie się nazywał „Tiddles” niż „Megalorth the Undying.”

Uczenie komputerów, by uczyły się same, jest genialną drogą na skróty. I jak wszystkie skróty, wiąże się z pójściem na skróty. W systemach AI jest inteligencja, jeśli chcesz to tak nazwać. Ale nie jest to inteligencja organiczna i nie działa według tych samych reguł, co ludzie. Równie dobrze można zapytać: jak mądra jest książka? Jaką wiedzę zakodowano w patelni?

Jak więc wygląda sytuacja ze sztuczną inteligencją? Po latach nagłówków zapowiadających kolejny wielki przełom (który, cóż, jeszcze się nie skończył), niektórzy eksperci uważają, że osiągnęliśmy coś w rodzaju plateau. Ale tak naprawdę nie jest to przeszkodą dla postępu. Po stronie badań istnieje ogromna liczba ścieżek do zbadania w ramach naszej obecnej wiedzy, a po stronie produktów widzieliśmy jedynie wierzchołek algorytmicznej góry lodowej.

Kai-Fu Lee, inwestor venture capital i były badacz AI, opisuje obecny moment jako „wiek wdrażania” – taki, w którym technologia zaczyna „wylewać się z laboratorium do świata”. Benedict Evans, inny strateg VC, porównuje uczenie maszynowe do relacyjnych baz danych, rodzaju oprogramowania dla przedsiębiorstw, które zbiło fortunę w latach 90. i zrewolucjonizowało całe branże, ale to jest tak prozaiczne, że prawdopodobnie oczy zaszkliły Ci się na sam widok tych dwóch słów. Obie osoby zwracają uwagę na to, że znajdujemy się w punkcie, w którym AI szybko stanie się normalna. „W końcu prawie wszystko będzie miało gdzieś w środku i nikt nie będzie się tym przejmował” – mówi Evans.

Ma rację, ale jeszcze tam nie dotarliśmy.

Tutaj i teraz sztuczna inteligencja – uczenie maszynowe – jest wciąż czymś nowym, co często pozostaje niewyjaśnione lub niedostatecznie zbadane. Dlatego w tym tygodniu w specjalnym wydaniu The Verge, AI Week, zamierzamy pokazać, jak to wszystko dzieje się teraz, jak ta technologia jest wykorzystywana do zmieniania rzeczywistości. Ponieważ w przyszłości będzie to tak normalne, że nawet tego nie zauważysz.

.