Ako sa umelá inteligencia vyvíjala

História AI sa nezačala uvedením chatbota pre verejnosť. Dnešné systémy nadväzujú na desaťročia práce s logikou, vyhľadávaním, štatistikou, neurónovými sieťami a výpočtovou technikou. Rozvoj nepostupoval plynulo. Niektoré úspechy sa rýchlo preniesli do praxe, iné vzbudili očakávania, ktoré dostupné metódy nedokázali splniť.

Po tejto kapitole budete vedieť vysvetliť hlavné vývojové zmeny a zaradiť niekoľko dôležitých míľnikov. Dôležitejšie než memorovanie rokov bude porozumenie tomu, čo sa v danom období zmenilo: predstava o úlohe, spôsob jej riešenia alebo podmienky, v ktorých sa riešenie stalo použiteľným.

Otázka, ktorú Turing premenil na skúšku

Alan Turing publikoval v roku 1950 článok Computing Machinery and Intelligence. Namiesto nejasnej otázky, či stroje myslia, rozpracoval spôsob posudzovania ich správania v rozhovore. Jeho imitačná hra sa stala východiskom toho, čo dnes nazývame Turingovým testom. Turing, 1950.

Posun spočíval v tom, že abstraktnú diskusiu prepojil s pozorovateľným výkonom. Človek môže porovnávať odpovede v určených podmienkach, hoci nemá priamy prístup k vnútornému prežívaniu iného účastníka.

Takáto skúška však nie je univerzálnym meradlom všetkých schopností. Presvedčivý rozhovor neukáže spoľahlivosť riadenia vozidla ani správnosť práce s dokumentmi. Historický význam testu teda nespočíva v tom, že by jedným výsledkom vyriešil otázku vedomia.

Pri čítaní dnešných správ o „prekonaní človeka“ sa oplatí zachovať rovnakú presnosť. Potrebujeme poznať úlohu, spôsob merania a podmienky porovnania. Výkon v jednej skúške nemôžeme automaticky preniesť na všetko, čo človek robí.

Dartmouth: vznik názvu a spoločného programu

Návrh letného výskumného projektu v Dartmouthu vznikol v roku 1955 a projekt sa uskutočnil v roku 1956. Autormi návrhu boli John McCarthy, Marvin Minsky, Nathaniel Rochester a Claude Shannon. Použili označenie umelá inteligencia pre výskum, ktorý mal skúmať možnosti strojového uskutočňovania činností spájaných s inteligenciou. Pôvodný návrh.

Dartmouth je míľnikom organizovania odboru, nie okamihom vzniku všetkých jeho myšlienok. Výskum počítania, logiky, riadenia a učenia existoval skôr. Nové pomenovanie vytvorilo spoločný priestor pre problémy, ktoré dovtedy skúmali odlišné disciplíny.

Rozlíšenie návrhu z roku 1955 a projektu z roku 1956 predchádza častému zjednodušeniu. V krátkom prehľade sa zvyčajne uvádza rok 1956 ako symbolický začiatok AI. Presnejšie je doplniť, čo presne sa v tomto roku odohralo.

Od začiatku sa objavovali veľmi vysoké ambície. Z dnešného pohľadu je ľahké vidieť, že jazyk, učenie a bežný úsudok sú zložitejšie, než naznačuje jednoduché zadanie. Historický optimizmus však zároveň podporil výskum, ktorý poskytol mnohé neskôr využité postupy.

Symbolické metódy: znalosti zapísané tak, aby sa dali použiť

Významnú úlohu zohrali programy, ktoré pracovali so symbolmi, pravidlami a prehľadávaním možností. Mohli dokazovať tvrdenia, riešiť hlavolamy alebo hľadať postup od počiatočného stavu k cieľu.

Predstavte si hlavolam, v ktorom presúvate dieliky na doske. Počítač vie opísať stav, určiť dovolené pohyby a vyhľadať postup. Problém je dobre ohraničený. Máme jasné pravidlá a vieme rozpoznať splnenie cieľa.

Bežný svet má viac nejasností. Pokyn „odlož krehký predmet na bezpečné miesto“ predpokladá rozpoznanie predmetu, odhad krehkosti aj porozumenie priestoru. Nie všetko je napísané v pravidlách. To vysvetľuje rozdiel medzi úspechom v umelom prostredí a spoľahlivým správaním mimo neho.

Symbolické prístupy pritom nezmizli. Presné pravidlá, plánovanie a práca so štruktúrovanými znalosťami majú význam aj v súčasných systémoch. Dejiny AI nie sú príbehom, v ktorom každá nová metóda úplne vymaže predchádzajúcu.

Expertné systémy a náročnosť získavania znalostí

Expertné systémy sa pokúšali využiť odborné znalosti vo vymedzenej oblasti. Pravidlá mohli prepájať pozorované skutočnosti s odporúčaniami. Ich hodnota závisela od toho, či sa odborné poznanie podarilo zaznamenať a udržiavať.

V modelovej servisnej úlohe by systém postupoval podľa príznakov poruchy. Ak kontrolka svieti, ale zariadenie nereaguje, overí ďalšiu podmienku. Ak sa porucha objavuje po zahriatí, zúži okruh možných príčin. Takýto postup môže byť užitočný, ak pravidlá presne zodpovedajú zariadeniu.

Obmedzenie vzniká pri neúplných, protirečivých alebo zastaraných znalostiach. Nový typ zariadenia môže vyžadovať iné pravidlá. Odborník navyše často používa skúsenosť, ktorú nevie ľahko premeniť na jednotlivé podmienky.

Táto skúsenosť zostáva aktuálna. Aj dnešný chatbot napojený na interné dokumenty potrebuje aktuálne podklady. Pokročilejší spôsob spracovania textu neodstraňuje otázku, kto dokumenty vytvára, kto ich opravuje a ako sa rozpozná platná verzia.

Prečo prišli obdobia sklamania

Označenie „zima AI“ sa používa pre obdobia ochladenia záujmu a financovania po nenaplnených očakávaniach. Jednotlivé príčiny sa líšili podľa krajiny a programu. Spoločným problémom býval rozdiel medzi pôsobivým obmedzeným experimentom a náročnosťou praktického použitia.

Rané systémy narážali na slabší výpočtový výkon, obmedzené údaje a nedostatok metód, ktoré by zvládli rozmanitosť reálnych situácií. Zároveň sa ukazovalo, že rozšírenie riešenia nemusí byť iba otázkou dopísania ďalších pravidiel.

Modelový prekladač môže dobre spracovať úzky súbor technických viet. Pri rozhovore s iróniou, neúplnými vetami a neznámymi názvami však vznikajú odlišné problémy. Úspech na pôvodnom súbore preto nestačí na všeobecný prísľub.

Z pedagogického pohľadu sú tieto obdobia užitočné. Učia odlišovať výskumnú ukážku, použiteľný produkt a spoľahlivo fungujúcu službu. Rovnaké rozlíšenie treba používať aj pri súčasných videách autonómnych robotov alebo agentov.

Štatistické učenie mení prácu s neistotou

Pri mnohých úlohách sa ukázalo ako užitočné odhadovať vzťahy z dát. Namiesto ručného vypísania všetkých možností systém využíva príklady. Takýto prístup umožňuje pracovať s rozdielmi v jazyku, obraze alebo správaní, ktoré sa ťažko zachytávajú pevným zoznamom.

Napríklad správy označené ako nevyžiadaná pošta umožňujú skúmať vlastnosti, ktoré sa v nich opakujú. Výstup môže byť pravdepodobnostný odhad. Neistota sa stáva súčasťou riešenia, ktorú treba merať a riadiť.

Strojové učenie však nevystriedalo ľudský výber cieľov. Niekto musí rozhodnúť, ktoré správy sú spam, aká chyba je závažnejšia a podľa čoho sa model overí. História tejto zmeny pomáha pochopiť, prečo dáta nie sú neutrálna surovina odtrhnutá od ľudského rozhodovania.

Nie všetky problémy potrebujú neurónovú sieť. Regresia, rozhodovacie stromy a ďalšie metódy poskytujú široké možnosti aj bez veľmi veľkých modelov. Modernosť nástroja preto nie je náhradou za primeranosť úlohe.

Neurónové siete majú dlhšiu históriu než dnešné aplikácie

Myšlienka výpočtových jednotiek inšpirovaných nervovou sústavou je staršia než súčasné generatívne nástroje. Podstatný krok predstavovali metódy efektívneho učenia viacvrstvových sietí. Rumelhart, Hinton a Williams v roku 1986 publikovali známu prácu o učení reprezentácií pomocou spätného šírenia chyby. Pôvodná práca.

Význam takéhoto postupu možno vysvetliť bez rovníc. Sieť vytvorí výstup, porovná sa s cieľom a výpočet určí, ako upraviť jej parametre. Učenie sa môže rozložiť cez viac vrstiev, takže systém nemusí zostať pri jednej jednoduchej transformácii.

Samotná existencia metódy však nestačila na dnešné výsledky. Potrebovali sa zlepšiť údaje, výpočtová technika a postupy tréningu. Rozdiel medzi nápadom a rozšíreným použitím môže trvať desaťročia.

Pri dejinách technológií preto treba sledovať viac než dátum publikácie. Zaujíma nás aj to, kedy bolo možné metódu efektívne počítať, na akých údajoch sa overovala a ako sa dostala k používateľom.

Deep Blue a hranice úzko vymedzeného úspechu

V roku 1997 systém IBM Deep Blue porazil Garriho Kasparova v šesťpartiovom šachovom zápase. Išlo o významný úspech vyhľadávania, hodnotenia pozícií a výpočtovej techniky v presne definovanej hre. IBM: Deep Blue.

Šach má jasné pravidlá, pozorovateľný stav a jednoznačný výsledok. Systém môže preskúmavať možnosti a využívať hodnotiace postupy bez toho, aby poznal ľudské skúsenosti súvisiace s hrou.

Výhra preto neznamenala vznik stroja, ktorý vie vykonať každú ľudskú úlohu. Deep Blue sa nestal prekladateľom alebo správcom domácnosti iba preto, že uspel v šachu. Míľnik ukázal vysokú schopnosť v jednej doméne.

Rovnakú disciplínu treba uplatniť pri súčasných testoch. Program, ktorý dobre rieši súťažnú matematiku, ešte nemusí spoľahlivo pracovať s neurčitou objednávkou zákazníka. Názov náročnej skúšky nenahrádza opis praktických schopností.

Rok 2012: obrazové rozpoznávanie a AlexNet

Krizhevsky, Sutskever a Hinton predstavili v roku 2012 hlbokú konvolučnú sieť pre klasifikáciu obrázkov v rámci ImageNet. Práca ukázala význam spojenia veľkého označeného súboru, vhodnej architektúry a tréningu na grafických procesoroch. ImageNet Classification with Deep Convolutional Neural Networks.

ImageNet je dôležitý aj ako príklad hodnotenia. Úloha má určené kategórie a výsledky sa porovnávajú na spoločných dátach. Takýto rámec umožňuje vidieť pokrok konkrétnej metódy presnejšie než voľná ukážka vybraných obrázkov.

Pokrok v rozpoznávaní obrazu otvoril cestu mnohým praktickým aplikáciám. Ich nasadenie však stále vyžaduje vlastné overenie. Fotografie z výskumného súboru sa môžu líšiť od snímok z tmavej výrobnej haly alebo od fotografií poškodeného dokumentu.

Pri historickom vysvetlení je presnejšie hovoriť o významnom zrýchlení rozvoja hlbokého učenia než o jeho náhlom vzniku. Neurónové siete, konvolúcie a predchádzajúce experimenty existovali skôr.

AlphaGo: učenie spojené s hľadaním možností

Práca o AlphaGo publikovaná v roku 2016 spojila hlboké neurónové siete s vyhľadávaním v strome možností. Systém využíval učenie a hodnotenie pozícií pri hre go. Silver a kolektív, 2016.

Tento príklad vyvracia predstavu, že vývoj pozostáva iba z výmeny jedného algoritmu za druhý. Silné riešenie môže vzniknúť kombináciou metód. Naučená súčasť pomáha odhadovať, ktoré možnosti sú sľubné, a vyhľadávanie podporuje výber konkrétneho postupu.

Ďalšia práca o AlphaZero ukázala učenie prostredníctvom hry so sebou samým v šachu, šógi a go. Pomenovanie „general“ v názve algoritmu však treba čítať v kontexte týchto hier. Neznamená automaticky neobmedzenú všeobecnú inteligenciu. Silver a kolektív, 2017.

Praktické poučenie je konkrétne: dostupnosť jasnej spätnej väzby môže veľmi pomôcť učeniu. V hre vieme určiť výhru a prehru. V mnohých ľudských rozhodnutiach je kvalita cieľa podstatne ťažšie merateľná.

Transformery a prenos medzi jazykovými úlohami

Vaswani a kolektív publikovali v roku 2017 prácu Attention Is All You Need. Predstavili architektúru transformeru, ktorá pri spracovaní sekvencií využíva mechanizmy pozornosti. Výskum sa týkal najmä strojového prekladu; neskôr sa transformery rozšírili do ďalších úloh. Pôvodná práca.

Mechanizmus pozornosti umožňuje pri vytváraní reprezentácie vstupu zohľadňovať vzťahy medzi jeho časťami. Slovo pozornosť tu pomenúva výpočtový postup. Neopisuje sústredenie alebo záujem v psychologickom zmysle.

Veľké predtrénované jazykové modely potom umožnili využívať jednu základnú reprezentáciu na množstvo jazykových úloh. Výskum GPT-3 z roku 2020 skúmal aj riešenie úloh podľa inštrukcie a niekoľkých príkladov v texte bez úpravy parametrov pre každú úlohu. Brown a kolektív, 2020.

Pre používateľa je dôsledok jednoduchý: namiesto samostatného programu pre každý spôsob práce s textom môže využívať širšie rozhranie. Všestrannosť však zvyšuje nároky na overovanie, pretože úspech sa musí posúdiť pri každom druhu použitia.

Prečo sa AI dostala k širšej verejnosti

Rozšírenie generatívnych systémov súvisí s viacerými zmenami naraz. Výskum zlepšil schopnosti modelov. Výpočtová infraštruktúra umožnila ich poskytovanie na diaľku. Rozhranie rozhovoru znížilo nároky na ovládanie. Používateľ už nepotreboval napísať program, aby zadal mnohé jazykové úlohy.

Dôležité bolo aj dolaďovanie modelov na nasledovanie pokynov. Práca o InstructGPT ukázala, že spätná väzba od ľudí môže ovplyvniť užitočnosť odpovedí a zhodu so zámerom používateľa. Väčší model sám osebe nezaručuje lepšie plnenie pokynov. Ouyang a kolektív, 2022.

Tento vývoj vysvetľuje prudkú zmenu viditeľnosti AI. Technológie spracovania jazyka existovali skôr, ale prístupné rozhranie umožnilo ich skúšať pri každodenných úlohách. Viditeľnosť produktu a vek výskumnej oblasti sú odlišné veci.

Časová os na orientáciu

Úloha: identifikujte skutočnú zmenu

Firma tvrdí, že jej nový systém predstavuje revolúciu, pretože odpovedá na otázky v rozhovore. Aké ďalšie informácie potrebujete? Skúste oddeliť zmenu rozhrania, zmenu modelu a zmenu dostupných údajov.

Rozhranie môže byť nové, aj keď systém používa starší model. Model môže byť nový, ale odpovedať bez aktuálnych podkladov. Pripojenie interných dokumentov môže zvýšiť užitočnosť bez úplne novej architektúry. Históriu technológie preto posudzujeme podľa obsahu zmeny, nie podľa slova revolúcia.

Dobrá odpoveď uvedie aj spôsob merania. Čo systém zvládal pred zmenou a čo po nej? Na akých úlohách sa to overilo? Takto sa historické poznanie prenáša do hodnotenia dnešných produktov.

Rovnaká úloha v odlišných vývojových prístupoch

Vývojové zmeny sa dajú lepšie pochopiť na jednej úlohe. Predstavte si preklad krátkej správy, že stretnutie sa presúva na iný deň. Je to modelová situácia na porovnanie postupov, nie rekonštrukcia konkrétneho historického produktu.

Systém založený na pravidlách potrebuje slovník a postupy, ktoré zachytávajú vzťahy medzi jazykmi. Musí zvládnuť tvar slov, poradie a význam. Ak narazí na spojenie, ktoré pravidlá nepokrývajú, výsledok môže byť neobratný alebo nesprávny.

Štatistický prístup využíva záznamy o prekladoch. Hľadá vzťahy v príkladoch a kombinuje ich podľa výpočtového modelu. Jeho sila závisí aj od množstva a reprezentatívnosti textov. Ak správy používajú odlišný odborný jazyk než dostupné dáta, môže chýbať relevantná skúsenosť.

Neurónový prístup vytvára naučené reprezentácie a používa ich pri spracovaní celej úlohy. Rozdiel nespočíva iba vo väčšom slovníku. Mení sa spôsob, akým model kombinuje informácie a učí vzťahy medzi vstupom a výstupom.

Generatívny jazykový nástroj môže navyše dostať pokyn, aby preklad prispôsobil adresátovi alebo štýlu. Taká pružnosť je prakticky užitočná, ale prináša potrebu chrániť význam. Pri ozname o termíne nemôže prispôsobenie štýlu zmeniť deň stretnutia.

Na tomto príklade vidíme, že novšia technológia mení možnosti práce, nie kritérium správnosti. Stále potrebujeme zachovať informáciu, že starý termín už neplatí a nový je záväzný. Historický vývoj metód a základný účel úlohy sa posudzujú oddelene.

Vhodné porovnanie by použilo rovnaké správy, rovnaké hodnotenie a rovnaké požiadavky. Ak jeden systém dostane jednoduché vety a druhý nejasné úryvky bez kontextu, výsledok neukáže férový rozdiel medzi metódami.

Výskumný míľnik a používateľský míľnik

Niektoré dátumy označujú publikáciu novej metódy. Iné úspech v súťaži, uvedenie produktu alebo rozšírenie medzi používateľmi. Ak ich nerozlišujeme, vznikne nepresný príbeh, že technológia neexistovala pred prvým populárnym rozhraním.

Výskumná práca môže predstaviť princíp, ktorý ešte potrebuje ďalšie úpravy. Produkt môže kombinovať dlhšie známe metódy tak, že sa konečne jednoducho používajú. Obe zmeny môžu byť významné, ale z odlišného dôvodu.

Predstavte si model, ktorý dokáže dobre spracovať text, ale je dostupný iba cez programové rozhranie. Technicky zdatný človek ho vie použiť. Začiatočník nevie, ako poslať vstup a získať odpoveď. Nové rozhovorové okno môže odstrániť túto bariéru bez zmeny základného princípu.

Podobne cena a dostupnosť menia rozšírenie. Výborný experiment nemusí byť bežnou službou, ak je každý výpočet drahý alebo pomalý. Zlepšenie prevádzky môže preto zvýšiť praktický význam už známej metódy.

Pri tvorbe historickej osi si ku každému roku pripíšte typ udalosti. Článok o transformeri je publikácia architektúry. Výhra Deep Blue je konkrétny výkon v zápase. Rozšírenie aplikácií medzi verejnosťou predstavuje zmenu používania. Takto sa dá zachovať presnosť aj pri stručnom texte.

Význam spoločných testov

Výskum potrebuje porovnávanie, ktoré nezávisí iba od výberu najlepšej ukážky. Spoločný test určuje úlohu, vstupy a spôsob merania. V obrazovom rozpoznávaní môže ísť o správne označenie obrázkov. V preklade treba hodnotiť zhodu významu a kvalitu výsledku.

Aj dobrý benchmark má hranice. Jeho údaje môžu pokrývať iba určitý jazyk, typ obrazu alebo časové obdobie. Výskumný pokrok na tomto teste je významný, ale nepredstavuje automaticky úspech vo všetkých prostrediach.

Modelová súťaž obsahuje čisté fotografie predmetov. Víťazný systém následne dostane rozmazané snímky z malej kamery. Ak výsledok klesne, nepopiera to pôvodný úspech. Ukazuje to rozdiel medzi testovou a praktickou úlohou.

História benchmarkov teda patrí k histórii schopností. Keď sa zmení test, môže sa zmeniť aj to, čo považujeme za pokrok. Pri nových systémoch pribúdajú úlohy, ktoré hodnotia dlhšiu činnosť, nástroje alebo spracovanie viacerých vstupov.

Pre čitateľa je užitočné pýtať sa, či údaj pochádza z rovnakého testu. Skóre dvoch metód nemožno priamo porovnať, ak jedna dostala pomocný nástroj alebo viac pokusov. Podmienky sú súčasťou výsledku.

Prečo viac dát menilo vývojové možnosti

Niektoré metódy sa stanú účinnejšími, keď majú vhodné príklady vo väčšom rozsahu. Rozvoj digitálnych záznamov umožnil pracovať s textami, obrazmi a ďalšími dátami, ktoré predtým neboli rovnako dostupné na výpočtové spracovanie.

Veľkosť však nevysvetľuje všetko. Pre konkrétnu úlohu potrebujeme relevantný obsah. Rozsiahla zbierka všeobecných textov nemusí dostatočne pokrývať zriedkavý jazyk alebo úzke technické označenie. Kvalita, výber a spôsob tréningu ovplyvňujú výsledok spolu s množstvom.

Predstavte si historický prechod od ručne pripraveného malého súboru príkladov k rozsiahlejšiemu archívu. Model môže vidieť viac spôsobov vyjadrenia. Zároveň sa do archívu dostanú duplicity, nesprávne tvrdenia a rozdielne hodnoty. Výhodu väčšieho rozsahu teda sprevádza zložitejšia kontrola.

Pri vzdelávacom vysvetlení nepoužívajme vetu, že internet poskytol modelom pravdu. Poskytol dostupný obsah rôznej kvality. Naučenie vzorcov z tohto obsahu nie je automaticky overením jeho tvrdení.

V dejinách AI má preto význam aj práca s údajmi: ich získanie, označenie, filtrovanie a rozdelenie. Viditeľný míľnik modelu môže stáť na dlhšej práci, ktorá nie je zachytená v jednom populárnom názve.

Hardvér, metóda a použitie sa navzájom ovplyvňujú

Nová metóda môže byť výpočtovo náročná. Rýchlejšia technika umožní tréning, ktorý bol skôr nepraktický. Skúsenejší návrh zase využije dostupný hardvér účinnejšie. Rozvoj preto nevysvetľujeme jednou príčinou.

Modelová sieť sa na slabšom zariadení učí príliš dlho na pravidelné experimenty. Lepší výpočtový výkon umožní skúsiť viac nastavení. Z výsledkov vznikne vhodnejší postup. Nie je to iba zrýchlenie jedného hotového výpočtu; mení sa priestor výskumného skúšania.

Súčasne rastú nároky na prevádzku. Ak aplikáciu používajú tisíce ľudí, musí poskytovať výsledky dostupne a v primeranom čase. Výskumný výkon na jednom zariadení nemusí automaticky vyriešiť organizáciu služby.

Takto sa prepája história výskumu s históriou produktov. Výskumný tím môže skúmať novú schopnosť. Prevádzkový tím rieši dostupnosť. Používateľ potrebuje dokončiť úlohu. Každá perspektíva považuje za úspech niečo trochu iné.

Odborný historický text má tieto perspektívy spájať bez ich zamieňania. Vysoké skóre, nízke náklady a jednoduché ovládanie sú odlišné vlastnosti, hoci ich kombinácia môže umožniť prudké rozšírenie.

Čo zostalo z predchádzajúcich prístupov

Príbeh úplného nahradenia starého novým je príťažlivý, ale často nepresný. Súčasné produkty môžu používať naučené modely spolu s pravidlami, databázami a plánovaním. Historické metódy môžu zostať vhodné v častiach, ktoré potrebujú presnosť a jasné obmedzenia.

V modelovom agentovi jazykový model interpretuje požiadavku. Databáza poskytne potvrdené údaje. Program overí formát a oprávnenie. Plánovací postup môže určiť poradie činností. Výsledok predstavuje spoluprácu viacerých mechanizmov.

Ak by sme hodnotili produkt iba názvom jeho najnovšieho modelu, prehliadli by sme ostatné časti. Spoľahlivý prenos údajov a kontrola pravidiel môžu mať pre praktický úspech zásadný význam.

Toto rozlíšenie pomáha aj pri učení. Znalosť algoritmu, tabuľky a databázy nie je znehodnotená nástupom generatívnej AI. Stáva sa podkladom na rozumné spájanie nástrojov. Nová schopnosť sa pridáva do pracovného procesu, ktorý stále potrebuje jasné údaje a pravidlá.

Ako čítať tvrdenie o historickom prvenstve

Výrok „prvá AI, ktorá niečo dokázala“ potrebuje definíciu. Prvá v laboratóriu, prvá verejne dostupná, prvá úspešná v danom teste alebo prvá komerčne nasadená? Bez spresnenia môže titulok vytvárať omyl.

Podobne označenie zakladateľ môže opisovať zavedenie názvu, významnú teoretickú prácu alebo organizovanie výskumu. Dejiny často vznikajú spoločným príspevkom viacerých ľudí. Jeden symbolický názov nemá zakryť rozdielne úlohy.

Pri konkrétnom roku vyhľadajte pôvodný dokument alebo záznam udalosti. Neskorší prehľad môže spojiť viac krokov do jednej vety. Tak vzniká napríklad zamieňanie návrhu projektu a jeho uskutočnenia.

Výskumný článok tiež môže mať viac dátumov: prvé zverejnenie, revíziu a vydanie v časopise. Pri všeobecnom prehľade je vhodné povedať, ktorý dátum používame. Rozdielne dátumy nemusia znamenať spor o tú istú udalosť.

Historická presnosť tak začína pri jednoduchých otázkach: čo sa stalo, kto to doložil a aký význam udalosti prisudzujeme. Rovnaké otázky chránia aj dnešné spravodajstvo o AI.

Malé porovnanie dvoch nadpisov

Prvý modelový nadpis znie: „Počítač myslí lepšie než človek.“ Druhý: „Systém dosiahol vyššiu úspešnosť v určenom teste.“ Prvý prenáša výsledok na širokú predstavu myslenia. Druhý pomenúva rozsah dôkazu.

V texte potom treba doplniť, čo test obsahoval a čo hodnotil. Ak šlo o šach, čitateľ nemá odchádzať s predstavou, že systém zvláda každú každodennú situáciu. Ak šlo o jazykovú úlohu, treba uviesť kontext a spôsob hodnotenia.

Pri tvorbe vzdelávacieho webu je druhý typ formulácie vhodnejší. Čitateľ sa naučí čítať technický pokrok cez dôkazy. Pôsobivejšia všeobecná veta môže zvýšiť záujem, ale súčasne podporiť nesprávny pojem.

Skúste podobne upraviť vetu „nová AI rozumie obrazu“. Presnejší opis môže uviesť, že model správne odpovedal na otázky o určených obrázkoch. Následne vysvetlite, ktoré detaily a situácie neboli predmetom skúšky.

Samostatná práca s časovou osou

Vyberte tri míľniky z tabuľky a ku každému doplňte úlohu, metódu a hranicu výsledku. Pri Deep Blue je úlohou šachový zápas. Pri transformeri ide o architektúru skúmanú pôvodne na sekvenčných úlohách. Pri dolaďovaní na pokyny ide o zmenu správania modelu v jazykových interakciách.

Potom vysvetlite, prečo ich nemožno zoradiť iba podľa jednej miery inteligencie. Líšia sa úlohou a spôsobom merania. Historická os ukazuje vývoj možností, ale nie jednoduchý rebríček všetkých systémov.

Nakoniec nájdite pri každom míľniku pôvodný podklad uvedený v kapitole. Porovnajte jeho názov s tým, čo sa o udalosti bežne hovorí. Sledujte, či stručný prehľad nezmenil experiment na všeobecné tvrdenie. Táto kontrola je užitočným cvičením práce so zdrojmi.

Históriu máte pochopenú vtedy, keď dokážete pomenovať zmenu a zároveň jej hranicu. Nemusíte si pamätať každý názov algoritmu. Potrebujete vedieť, prečo boli dáta, výpočtový výkon, metódy a prístupnosť v rôznych obdobiach rozhodujúce.

Tri praktické lekcie z vývoja

Prvou lekciou je rozdiel medzi uzavretým a otvoreným prostredím. V hre poznáme povolené kroky. V bežnej komunikácii môžu byť neúplné informácie, viac zámerov a nejasné podmienky. Výskum sa preto stretáva s odlišnou náročnosťou podľa toho, ako je úloha vymedzená.

Predstavte si program, ktorý dokonale plánuje pohyb po štvorcovej sieti. Cieľ má označenie a všetky prekážky sú zaznamenané. Pri prenesení do skutočnej miestnosti pribudnú neisté merania, pohyblivé predmety a fyzické obmedzenia. Pôvodná plánovacia schopnosť môže zostať užitočná, ale celá úloha už potrebuje ďalšie komponenty.

Táto situácia vysvetľuje, prečo historické výhry v hrách neznamenali okamžitú všestrannú robotiku. Výsledok v jasne definovanej oblasti môže byť zásadný vedecký úspech, aj keď nevyrieši otvorený svet. Odborný výklad nepotrebuje úspech zmenšovať ani zväčšovať nad jeho dôkaz.

Druhou lekciou je význam dostupnej spätnej väzby. Pri niektorých úlohách vieme jednoducho určiť správny výsledok. V šachu je výsledok partie jasný. Pri preklade môže byť viac vhodných formulácií. Pri odpovedi na etickú otázku nemusí existovať jeden nesporný text.

Modelová výskumná skupina chce hodnotiť sumarizáciu. Ak meria iba podobnosť s jedným pripraveným zhrnutím, môže znevýhodniť inú správnu formuláciu. Ak hodnotí iba čitateľnosť, môže prehliadnuť vynechanú podmienku. Návrh hodnotenia teda určuje aj to, ktoré zlepšenie bude viditeľné.

Pri dejinách AI sledujte, ako sa menili úlohy a ich meranie. Zvýšenie skóre môže pochádzať z lepšej metódy. Niekedy sa však zmenia podmienky alebo hodnotenie. Bez ich znalosti nemožno tvrdiť, že dva výsledky sú priamo porovnateľné.

Treťou lekciou je rozdiel medzi objavením možnosti a vytvorením spoľahlivej služby. Možnosť sa dá ukázať na vybranom prípade. Služba musí fungovať aj pri bežných variáciách a zlyhaniach. Potrebuje dostupnosť, správne údaje a použiteľné rozhranie.

Predstavte si výskumný prepis krátkej nahrávky v tichej miestnosti. Praktický produkt dostáva hlasové správy z ulice, rôzne hlasy a prerušovaný zvuk. Okrem rozpoznania musí zvládnuť formát súboru, časovanie a upozornenie na neistú časť. Prechod do praxe vytvára nové požiadavky.

Táto lekcia je aktuálna aj pri agentoch. Ukážka vytvorenia jedného súboru nepreukazuje spoľahlivé dokončenie dlhého projektu. Potrebujeme sledovať obnovu po prerušení, správu verzií a kontrolu výsledkov. Historická skúsenosť pomáha rozpoznať, ktoré otázky zostávajú otvorené.

Čo si zapísať pri ďalšej správe o AI

Keď narazíte na oznámenie nového výsledku, vytvorte krátky záznam. Uveďte dátum udalosti, názov systému, testovanú úlohu a pôvodný zdroj. Potom oddelene napíšte, čo výsledok dokazuje a čo z neho nevyplýva.

Pri testovaní prekladu môže výsledok dokazovať zlepšenie na konkrétnych jazykových pároch. Nemusí dokazovať rovnaké zlepšenie pri slovenčine. Pri obrazovom modeli môže ísť o určené kategórie. Nemusí ísť o presné technické meranie. Takéto rozlíšenie zabraňuje nekontrolovanému rozširovaniu záveru.

Doplňte otázku, čo sa zmenilo oproti predchádzajúcemu stavu. Nová architektúra, väčší súbor dát, lepšie dolaďovanie alebo jednoduchšie ovládanie? Ak podklad odpoveď neposkytuje, záznam môže obsahovať otvorenú otázku. Je to presnejšie než vlastný odhad vydávaný za fakt.

Pri ďalšej správe sa k záznamu vráťte. Porovnajte rovnaké úlohy a rovnaké podmienky. Postupne si vytvoríte vlastnú časovú os, ktorá bude sledovať dôkazy namiesto reklamných pomenovaní. Takáto práca zároveň rozvíja informačnú gramotnosť: vyhľadávanie pôvodného dokumentu, rozlišovanie dátumov a primerané formulovanie záverov.

Zmyslom učenia histórie AI je porozumenie vývoju problémov a metód. Keď viete vysvetliť, prečo jedna schopnosť dozrela skôr a iná potrebuje ďalšie podmienky, dokážete rozumnejšie hodnotiť aj budúce oznámenia. Roky zostávajú opornými bodmi, ale rozhodujúci je význam zmeny. Práve ten umožňuje preniesť historické poznanie do vlastnej práce a používania technológií.

Pri vlastnej časovej osi si nechajte miesto na opravy. Neskôr môžete nájsť presnejší zdroj alebo zistiť, že stručné označenie spájalo dve udalosti. Oprava poznámky nie je zlyhaním učenia, ale jeho súčasťou. V odbornom texte má byť viditeľné, z čoho záver vychádza. Ak sa podklad zmení, zmení sa aj primeraná formulácia. Toto pravidlo je užitočné pri histórii aj pri aktuálnych produktoch. Tvrdenie poskytovateľa môžete zaznamenať ako jeho tvrdenie a neskôr doplniť nezávislé overenie. Medzitým ho netreba zamieňať za všeobecne potvrdený výsledok. Takýto postup zachováva informáciu aj jej mieru istoty a umožňuje čitateľovi rozlíšiť pôvodný experiment, následné použitie a širšie očakávania, ktoré sa s technológiou začali spájať.

Overenie dátumu patrí ku kontrole zdroja.

Zhrnutie kapitoly

Rozvoj AI nebol priamočiary. Dnešné schopnosti nadväzujú na výskum, dostupnejšie dáta a výpočtový výkon; úspech v jednej úlohe neznamená zvládnutie všetkých ostatných.