تلاش مشترک برای شناسایی رفتار هوشمند در ماشین ها

بنابراین، AI و ML هر دو در مورد ساخت برنامه های کامپیوتری هوشمند هستند و DL که نمونه ای از ML است، از این قاعده مستثنی نیست. یادگیری عمیق (LeCun و همکاران، 2015؛ گودفلو و همکاران، 2016)، که به دستاوردهای قابل توجهی در بسیاری از حوزه های شامل تشخیص شی، تشخیص گفتار، و کنترل دست یافته است، می تواند به عنوان ساخت برنامه های کامپیوتری، یعنی لایه های برنامه نویسی انتزاع در نظر گرفته شود. به روشی متفاوت با استفاده از ساختارهای قابل استفاده مجدد مانند کانولوشن، ادغام، رمزگذارهای خودکار، شبکه های استنتاج متغیر و غیره. به عبارت دیگر، ما پیچیدگی الگوریتم‌های نوشتن را که هر احتمالی را پوشش می‌دهند، با پیچیدگی یافتن طرح کلی درست الگوریتم‌ها - به شکل، به عنوان مثال، یک شبکه عصبی عمیق - و پردازش داده‌ها جایگزین می‌کنیم. با توجه به عمومیت شبکه های عصبی - آنها تقریبگرهای عملکرد کلی هستند - آموزش آنها نیاز به داده دارد و معمولاً به مجموعه های آموزشی برچسب گذاری شده بزرگ نیاز دارد. در حالی که مجموعه‌های آموزشی معیار برای تشخیص شی، صدها یا هزاران نمونه را در هر برچسب کلاس ذخیره می‌کنند، برای بسیاری از برنامه‌های هوش مصنوعی، ایجاد داده‌های آموزشی برچسب‌گذاری‌شده زمان‌برترین و گران‌ترین بخش DL است. یادگیری بازی های ویدیویی ممکن است به صدها ساعت تجربه آموزشی و/یا قدرت محاسباتی بسیار گران نیاز داشته باشد. در مقابل، نوشتن یک الگوریتم هوش مصنوعی که هر احتمالی از یک کار را پوشش می دهد تا مثلاً استدلال در مورد داده ها و دانش را حل کند تا به طور خودکار داده ها را برچسب گذاری کند (راتنر و همکاران، 2016؛ راث، 2017) و به نوبه خود، به عنوان مثال، DL کمتر به داده نیاز دارد – کار دستی زیادی است، اما ما می دانیم که الگوریتم با طراحی چه کاری انجام می دهد و می تواند مطالعه کند و می تواند پیچیدگی مشکلی را که حل می کند آسانتر درک کند. هنگامی که یک ماشین باید با یک انسان تعامل داشته باشد، به نظر می رسد که این امر بسیار ارزشمند است.

این نشان می دهد که ML و AI در واقع مشابه هستند، اما کاملاً یکسان نیستند. هوش مصنوعی در مورد حل مسئله، استدلال و به طور کلی یادگیری است. یادگیری ماشینی به طور خاص در مورد یادگیری است - یادگیری از مثال ها، از تعاریف، از گفته شدن، و از رفتار. ساده ترین راه برای فکر کردن به رابطه آنها این است که آنها را به صورت دایره های متحدالمرکز تجسم کنیم که ابتدا هوش مصنوعی و ML در داخل آن نشسته است (با DL متناسب با هر دو)، زیرا ML همچنین نیاز به نوشتن الگوریتم هایی دارد که هر احتمالی، یعنی فرآیند یادگیری را پوشش دهد. نکته مهم این است که آنها ایده استفاده از محاسبات را به عنوان زبان رفتار هوشمندانه دارند. چه نوع محاسباتی استفاده می شود و چگونه باید برنامه ریزی شود؟ این سوال درستی نیست. محاسبات نه تکنیک های برنامه نویسی جستجو، منطقی، احتمالاتی و محدودیتی را رد می کند و نه روش های یادگیری (عمیق) (غیر) نظارتی و تقویتی را در میان دیگران، اما به عنوان یک مدل محاسباتی، شامل همه این تکنیک ها می شود.

 

بررسی مجدد AlphaGo: AlphaGo و جانشین آن AlphaGo Zero (Silver et al., 2017) هر دو DL و جستجوی درختی-ML و AI را ترکیب می کنند. از طرف دیگر، "چالش علمی هوش مصنوعی آلن" (Schoenick et al., 2017) باید در نظر گرفته شود. وظیفه درک یک پاراگراف که یک مسئله علمی را بیان می کند، در سطح دبیرستان و سپس پاسخ به یک سوال چند گزینه ای بود. همه مدل‌های برنده از ML استفاده می‌کردند، اما نتوانستند آزمون را در سطح یک دانش‌آموز متوسطه شایسته قبول کنند. همه برندگان استدلال کردند که واضح است که استفاده از یک سطح معنایی عمیق تر از استدلال با دانش علمی برای پرسش و پاسخ، کلید دستیابی به هوش واقعی است. به عبارت دیگر، هوش مصنوعی باید دانش، استدلال و یادگیری را با استفاده از مدل های برنامه ریزی شده و مبتنی بر یادگیری به صورت ترکیبی پوشش دهد.