Какво всъщност е AI?

Културно и практично въведение за дизайнерите

Това е първата глава в серията Фондации на елемент AI за AI-First Design (AI1D). Всяка глава има за цел да определи съставните части на AI1D, за да създаде общ език, с който да изследва тази нова ера на дизайна. Можете да прочетете въвеждането на поредицата тук и да се запишете, за да следите следващата глава тук.

Като дизайнер, защо трябва да можете да разбирате изкуствения интелект? Напоследък това е термин, обвързан с толкова много в средите на медиите и технологиите, вид катаклизъм, който може да описва всичко от виртуални лични асистенти, роботи, научнофантастични герои или най-новият алгоритъм за задълбочено обучение. Може би работите в AI и имате по-нюансирано разбиране на тези отделни области или може би просто усещате, че работата ви ще бъде повлияна по някакъв начин от AI през следващите години, но не сте съвсем сигурни как.

Имайки това предвид, добре дошли в първата глава от нашата серия AI-First Design Fundations, в която се стремим да премахнем езика на изкуствения интелект и да обсъдим многобройните му определения. По този начин се надяваме да се спрем на идеята за това какво представлява изкуственият интелект днес, от който можем да надградим отговора: Какво е AI-First Design?

Тази глава е посветена на изследването на текущия пейзаж на ИИ и навигацията в различните дефиниции, които AI вижда от първоначалното въвеждане на термина. Ще прегледаме историята на AI, ще разгледаме върховете и пониженията на популярността си и ще откроим основните основни етапи от неотдавнашния скок в успехите на AI. И накрая, ще разгледаме множеството дефиниции на AI и някои от предизвикателствата, пред които сме изправени, за да измислим едно, за което всеки може да се съгласи. Глави нагоре: това е от по-дългата страна, така че станете удобни, прескочете напред към раздел, който може да ви интересува повече, или просто прочетете тази супер къса версия по-долу.

TL; DR

Вместо да започнем изследването на ИИ през 50-те години, нашата времева линия започва много по-рано, в „Илиада“ на Омир, когато вече търсихме да навлечем статуи и богове с човекоподобни качества. Много се е случило оттогава! Днес достигнахме най-високото ниво на аванс, финансиране и ентусиазъм на AI, въпреки че все още има голяма разлика между очакванията на научната фантастика и реалностите на това, което може да се постигне с помощта на машини. AI остава много далеч от достигането на човешка обща интелигентност, но става все по-добър и по-добър в изпълнението на тясно определени задачи. Ето основните компоненти за това как определяме AI днес и защо това е важно за вас като дизайнер:

  1. До голяма степен се основава на данни.
    Скорошният напредък в AI не би бил възможен без огромните количества данни, събрани от всички наши свързани устройства и възможността да ги съхраняваме.
  2. Тя е тясна и много фокусирана.
    AI е много добър в намирането на модели в данните и изпълнение на конкретни задачи, които сме дефинирали, но не се обобщава много добре извън предварително зададени параметри.
  3. Не се притеснява от резултата от изчисленията му.
    За разлика от присъщата безотказност на човешкото вземане на решения, способността на AI да взема решения не се влияе от последните мотиви или колко сън е получил снощи, а е фокусирана единствено върху задачата. Тъй като не знае добро от лошо, обаче, всички предубеждения, съществуващи в данните, се продължават.
  4. Способностите на AI са научени, а не програмирани.
    AI може да се усъвършенства итеративно самостоятелно - без да бъде програмиран всяка стъпка по пътя, той може да се поучи от своя опит и да се подобри при вземането на бъдещи прогнози и решения, което води до все по-сложни способности.
  5. Това е развиващ се термин.
    AI се определя по различен начин от различните общности и неговото определение ще продължи да се променя с бъдещия напредък в технологиите.

Знаейки това, ние вярваме, че AI ще има огромно влияние върху сферата на дизайна, както го познаваме. Тъй като започва да влияе върху дизайна на всички бизнеси, продукти, услуги и (потребителски) опит, важно е да имаме фундаментално разбиране за това, с което работим, и да решим как да използваме потенциала му.

Все още любопитно? Има още нещо за него!

Възходи и понижения на AI през времето

Предшественици: желание за изковаване на боговете

Въпреки че обикновено мислим за нещо футуристично, когато мислим за AI, понятието съществува от векове. Около 750 г. пр. Н. Е. В Илиада на Омир например, осакатеният Хефест създал автомати, за да му помогне да заобиколи:

Те са златисти и на външен вид като живи млади жени. В сърцата им има интелигентност, в тях има реч и сила, а от безсмъртните богове са се научили как да правят нещата.

В книгата си „Машини, които мислят“ Памела Маккордюк описва множество други създания, които Хефест е създал за различни задачи, поне едно от които със сигурност е познато, ако ужасяващо тадо: Пандора и нейната скандална кутия.

Механизираща мисъл

Отвъд тези примери за художествена литература имаше важни постижения в разсъжденията и логиката в древността, които доведоха до сегашния ни кодифициран език като основа за всички изчисления. Изкуственият интелект по своята същност предполага, че мисълта може да бъде механизирана и възпроизведена. Аристотел е един от първите, които пионерът организира мислите в логически аргументи за развитието на силогизъм, който често приема триредова форма, като например:

Всички мъже са смъртни.
Сократ е човек.
Следователно Сократ е смъртен.

Персийският математик Мухамед ибн Муса ал-Хваризми, известен още с латинизираното си име Алгоритми (от което произлизаме алгоритъмът на думите), също е ключова фигура в много от концепциите, които приемаме за даденост в AI днес. Думата алгебра, например, е получена от „al-jabr“, една от двете операции, които той използва за решаване на квадратни уравнения. По-нататъшен напредък през 17-ти век от математици и философи като Готфрид Вилхелм Лайбниц, Томас Хобс, Рене Декарт, изградени върху тези основи, целящи да направят мисълта систематична като алгебра или геометрия.

Въпреки че имаше много други математически постижения през следващите векове, които допринесоха за съвременния изкуствен интелект, английската математика от 19 век Ада Ловелас се откроява с творческите си подходи и новаторска работа в изчислителната техника. Тя беше първата, която предположи, че механичният компютър на Чарлз Беббълс, Аналитичният двигател, може да има възможности извън изчисленията и след това продължи да създава първия си алгоритъм, с което си спечели титлата на първия компютърен програмист в света.

Раждането на изкуствения интелект

Въпреки че видяхме напредък в изчислителната техника през началото на 20-ти век, изкуственият интелект наистина започна през 50-те години на миналия век, като конференцията в колежа в Дартмут през 1956 г. заяви, че цялото учене и интелект могат да бъдат описани достатъчно точно, за да бъдат симулирани от машина. Именно тук за първи път беше въведен терминът „изкуствен интелект“, отнасящ се до „симулация на човешкия разум чрез машини“. Размишлявайки над семинара в Дартмут 50 години по-късно, един от организаторите Джон Маккарти замисли: „Бих си помислил, че семинарът щеше да е известен с резултатите, които даде. Всъщност тя стана известна в значителна степен просто защото популяризира термина „изкуствен интелект“. “

Другият основен етап от AI от 50-те години, с който може би сте запознати, е известният „Тест на Тюринг“. Популяризиран от представянето на Бенедикт Къмбърбач в „Имитация на игра“, британският компютърен учен Алън Тюринг предположи, че ако машина може да проведе разговор, неразличим от разговор с човек, тогава „мислещата машина“ е правдоподобна. С други думи, компютърът би бил интелигентен, само ако може да заблуди човек да мисли, че е човек.

Това, което последва от средата на петдесетте години през началото на 70-те години, беше наречено „златните години“ на AI с огромен напредък в компютърните технологии и увеличаване както на ентусиазма, така и на държавното финансиране. По-конкретно, Марвин Мински запази инерцията от работилницата в Дартмут, когато през 1959 г. съосновател на AI лабораторията на Технологичния институт в Масачузетс, продължи да ръководи полето през 60-те и 70-те години. Игрите също започнаха да се разкриват като идеално средство за разработване и тестване на компютърна интелигентност, като IBM разработи програма, която би могла да играе на пулове през 1951 г. През 60-те години се създаде алгоритъмът на „най-близкия съсед“ в опит да се реши „пътуващият продавач проблем “:„ Като се има предвид списък с градове и разстоянията между всяка двойка градове, какъв е най-краткият възможен маршрут, който посещава всеки един град точно веднъж и се връща в града на произход? “Полученият алгоритъм формира началото на основното разпознаване на образи.

През 1969 г. обаче Марвин Мински и Сиймор Паперт издават Perceptrons, книга, обсъждаща някои от ограниченията на съществуващите технологии на невронната мрежа и може би предвестник на „AI зимата“ през следващите години.

AI зими през 70-те и 80-те

С такъв успешен ход от 50-те до 70-те години, подхранван не само от научния напредък, но и повишени обществени очаквания, подхранвани от научна фантастика, като „Космическа одисея“ от 2001 г. на Стенли Кубрик или „Робот“ на Исак Азимов, „Сблъсък“ с ограничения на AI беше неизбежно.

По същество, когато компютрите не можеха да се справят с нереалистично високите очаквания на всички, финансирането и ентусиазмът пресъхнаха, което доведе до демонтирането на AI лаборатории по целия свят. Въпреки че имаше кратък втори вятър от 1980 до 1987 г. с голяма инвестиция от Япония, този бум беше краткотраен и подкрепен от друга AI зима от 1987 до 1993 година.

Роджър Шенк и Марвин Мински, водещи изследователи на ИИ, оцелели през първата зима на 70-те години на миналия век, предупредиха бизнес общността, че „ентусиазмът към ИИ е спирал извън контрола през 80-те и това разочарование със сигурност ще последва.“ Тези върхове и долини в AI ентусиазмът продължава и днес. Въпреки че през последните години има няколко непопулярни приложения на AI, като например използването на AI от армията на САЩ за идентифициране на приятелски или вражески танкове или по-скоро наскоро чатбот Tay на Microsoft, който бързо демонстрира расистки и антисемитски поведения в Twitter миналата година, като цяло говорейки, бихте могли да кажете, че днес сме на високо ниво по отношение на аванса на ИИ, финансирането и ентусиазма.

AI Пейзаж днес - Защо толкова горещо?

Популярно средство за измерване на технологията на свръхпроизводството е цикълът на Hype на Gartner, който тази година се отличава с дълбоко обучение и машинно обучение в своя пик. Макар че често се счита за по-скоро индикатор за медийно отразяване, отколкото за научни изследвания, има някои закономерно вълнуващи постижения, довели до настоящата популярност на AI. Така че, всичко всъщност е свръх? Не точно. Нека да разгледаме някои основни етапи на ИИ от последните шест години, които допринесоха за сегашната ни мания.

Последни основни етапи на AI

  • 2011 г.: Siri на Apple е представена, използвайки някакъв естествен език, за да отговаря на въпроси, да дава препоръки и да извършва прости действия или ако не успеете, потърсете нещата в интернет за вас.
  • 2012 г.: Конволюционните невронни мрежи (кратко CNN) унищожават конкуренцията в класификацията ImageNet - a.k.a. „годишната олимпиада на компютърното зрение“ - създавайки фурор в общността и предизвиквайки огромен тласък на интереса към задълбоченото обучение.
  • Google тренира невронна мрежа, за да разпознава успешно котките в видеоклипове в YouTube, използвайки алгоритъм за задълбочено обучение, въпреки че не е подадена информация за разграничаване на характеристиките на сладките котки.
  • 2013: NEIL, забавно нареченият Never Ending Image Learner, е пуснат в Университета в Карнеги Мелън, за да сравнява постоянно и анализира връзките между различни образи, като се стреми да научи о, така желаната, но все още неуловимата способност на човека за здрав разум.
  • 2015: Facebook започва да въвежда DeepFace, система за дълбоко обучение за разпознаване на лица, която беше обучена на четири милиона изображения, качени от потребители на Facebook. Той може да идентифицира лица с 97.35% точност, подобрение от над 27% спрямо предишните системи.
  • 2015: Deep Q Networks от DeepMind се учат да играят Atari игри, отбелязвайки настъпването на възрастта на задълбоченото укрепване.
  • 2015–17: AlphaGo на Google DeepMind побеждава шампионите Go Fan Fan Hui, Lee Sedol и Ke Jie, световният играч №1 в света по това време.
  • 2015 г .: Google DeepDream кара всички да се чудят дали машините могат да правят изкуство, генерирайки тропични изображения, използвайки конволюционна невронна мрежа, софтуер, предназначен да открива лица и други модели в изображенията с цел автоматично класифициране на изображения.
  • 2015-настоящ: Художникът Рос Гудуин изследва новите форми на разказаната реалност, използвайки машинно обучение със своята поетична „автоматична снимка“ разказвач Word Camera и програмира едноименния AI „Бенджамин“, за да напише сценарий за филм с участието на Дейвид Хаселхоф.
  • 2015-настоящ: В дома се въвеждат редица лични асистенти на AI, като Siri на Apple вече се бори с Cortana, Alexa от Amazon и Google Now за вашето внимание.
  • 2017: Libratus, проектиран от професора Карнеги Мелън Туомас Сандхолм и неговия ученик Ноам Браун, спечели срещу четирима най-добри играчи в сложната версия на покера - Texas Hold´em.
  • 2017: Deepmind на Google и създателите на мултиплейърната видео игра StarCraft II са пуснали инструментите, които позволяват на изследователите на AI да създават ботове, способни да се състезават срещу хората. Ботовете все още не са спечелили и не се очаква известно време, но когато го направят, това ще бъде много по-голямо постижение от победата в Go.

Напредък в машинното обучение и задълбоченото обучение

Къде живеят практикуващите ИИ

Всички тези основни етапи не биха били възможни без голям напредък в най-вълнуващите области на изкуствения интелект през последното десетилетие: машинно обучение и задълбочено обучение. Въпреки че тези термини звучат сходно, те не са съвсем еднакви. Нека изясним.

Започвайки в края на 90-те и началото на 2000-те, увеличените възможности за съхранение и обработка на компютъра означават, че AI системите най-накрая могат да разполагат с достатъчно данни и да използват достатъчно енергия за справяне с по-сложни процеси. В същото време експлозията в използването на интернет и свързаността създава все по-голямо количество данни, като изображения, текст, карти или информация за транзакции, които могат да се използват за обучение на машини.

Вместо бившата програмна система от правила „ако-тогава” и сложни символични логически процедури, които изискват хиляди редове код, за да ръководят основни решения, както в Добрия старомоден изкуствен интелект или GOFAI, машинното обучение работи назад. Използвайки огромни набори от данни, алгоритмите учат итеративно, търсейки модели, за да осмислят бъдещи данни. Машинното обучение беше добре обобщено от пионера по машинно обучение Артур Самуел, който още през 1959 г. го описа като „полето на изучаване, което дава възможност на компютрите да учат, без да са изрично програмирани.“ Машинното обучение се използва за адресиране на широк спектър от проблеми днес, като идентифициране на ракови клетки, прогнозиране на филма, който може да искате да гледате следващо, разбиране на всички видове говорим език или определяне на пазарната стойност на вашата къща.

Кои са раковите клетки в това изображение? ИИ може да бъде в състояние да открие по-бързо от лекар. Изображение: Габриел Капонети в науката.

Последният напредък в машинното обучение до голяма степен се дължи на растежа на дълбокото учене - подполе на машинното обучение. Дълбокото обучение заема от структурата на мозъка, като свързва много прости „неврони“ като структури заедно, за да правят интересни неща в невронна мрежа. Слагайки много слоеве от тези изкуствени неврони заедно (оттук и „дълбоко“), мрежата като цяло може да се научи да прави сложни задачи. Интересното е, че невроните в тези слоеве често завършват изпълнявайки конкретни роли, като разпознаване на ръбове или очертания на конкретен обект. Уникалната сила на задълбоченото обучение е, че тези подзадачи - често познати като „функции“ - се научават директно от данните, а не се уточняват от програмистите. Това позволява задълбочено обучение за справяне с проблеми, когато решенията не са очевидни за хората.

Да вземем пример от реалния живот: разпознаване на ракови клетки. Класическият AI подход ще разчита на човешки експерт, който се опитва да дестилира своя собствен процес на вземане на решения и след това да го кодифицира в алгоритъма. Например, можем да маркираме клетки, които са по-големи от определен размер или имат размита контура или особена форма. С задълбоченото обучение обаче можем директно да захранваме изображения на клетки с етикет, за да посочим дали са ракови или не, и нашата невронна мрежа ще се научи да избере най-полезните функции на изображението за тази конкретна задача. Това е класически пример за „контролирано обучение“: ние предоставяме някои входни данни и някои желани резултати, а алгоритъмът се научава да картографира от един към друг.

Също така можем да премахнем изцяло етикетите и да помолим алгоритъма да групира клетките, които имат нещо общо. Този процес е известен като клъстеринг и е вид непроучено обучение. Тук не предоставяме надзор под формата на етикети, просто използваме задълбочено обучение, за да намерим структура в данните. В нашия пример може би нашите клетки са много различни видове - кожни клетки, чернодробни клетки и мускулни клетки - и би било полезно да ги групирате, преди да се опитате да разберете кои клетки във всеки клъстер са ракови. Други често срещани приложения за клъстериране включват идентифициране на различни лица във вашите снимки, разбиране на различни типове клиенти и събиране на новинарски истории по една и съща тема.

Не вярвайте на свръх: AI Митове срещу реалности

Така че с всички тези бързи постижения в ИИ през последните години, бихте ли си помислили, че всички ние ще бъдем напомпани за това, нали? Е, не всеки. Както в първите златни години на ИИ през 50-те и 60-те години, все още има голяма пропаст между нашите очаквания за ИИ, базирани на изобразявания в научната фантастика и медиите, и това, на което AI всъщност е способен днес. (Да не говорим за всеобщия страх от разстройство, загриженост за поверителността или загуба на работа, свързани с тези прогнози.)

Друг начин за рамкиране на тази дискусия е разликата между "тесен" и "общ" изкуствен интелект. Голяма част от най-големите успехи на AI досега са били в „тесния“ изкуствен интелект, т.е. изпълнение на конкретна задача в рамките на строги параметри, като например Сири да напише продиктувано текстово съобщение за вас или да разпознаете котка в изображение. В тесния ИИ няма понятие за самоосъзнаване или общи умения за решаване на проблеми. Обратно, голяма част от онова, което пленява въображението на обществеността през десетилетия, е тази фантазия за „общ изкуствен интелект“ под формата на асистент, подобен на човека, подобен на Хал 9000, R2D2 или Саманта в нея, където AI е равен, ако не по-голяма интелигентност от хората.

За да бъдем много ясни, ние сме много далеч от всичко, наподобяващо общо AI. Йошуа Бенджо, един от основателите на Element AI, е категоричен, когато говори по тази тема - той не вярва, че е разумно да се прави прогноза, базирана на времето, кога това може да се случи. В неотдавнашна беседа той изложи няколко конкретни причини, поради които все още не сме там, като първата е, че всички индустриални успехи на ИИ досега са се основавали единствено на обучението под надзора. Нашите системи за обучение все още са доста простодушни, тъй като разчитат на повърхностни улики в данни, които не се справят добре извън контекстите на обучение.

Дъмбелите, генерирани от невронна мрежа от Google, в комплект с фантомни крайници. Изображение: Google.

Например, когато Google обучи невронна мрежа за генериране на изображения на дъмбели на базата на хиляди снимки, тя почти се оправи. Разбира се, имаме две тежести, свързани с щанга, но какво правят онези фантомни ръце? Въпреки че невронната мрежа успя да идентифицира успешно общите визуални свойства на дъмбелите, тъй като на първоначалните изображения винаги присъстваха хора, държащи гири, тя също предполагаше, че гирите имат оръжие.

Въпреки толкова значителни ограничения, за да чуете Илон Мъск да спари с Марк Зукърбърг през изминалото лято, бихте си помислили, че една трета световна война, подкладена с AI, е зад ъгъла. Нашият изпълнителен директор Жан-Франсоа Гагне ни връща към основите за текущото състояние на AI в скорошна публикация в блога:

„AI е много тесен и крехък. Не функционира добре извън обхвата, за който е създаден. Той може да управлява само прости обективни функции; така че ние, хората, използваме човешкия си интелект, за да го прилагаме ефективно до момента, в който работата може да бъде автоматизирана. "

AI е много определения

Сега, когато ние сме на скорост в историческите развития и скорошния напредък в ИИ, нека да разгледаме многото определения, които сме измислили, за да го опишем през годините. Докато някои твърдят, че терминът е толкова използван напоследък, че е станал безсмислен, ние не сме много готови да се откажем от него.

Как се използва днес терминът „AI“

За да определим AI, нека започнем с изследването на интелигентността. От една страна, бихте могли да вземете опростена представа за интелект, базирана например на IQ резултат. Но всички знаем, че интелигентността всъщност е много по-слойна и сложна. Оксфордският речник го дефинира като „способност за придобиване и прилагане на знания и умения“, докато подходът на Кеймбриджския речник е малко по-различен: „способността да научите, да разберете и да вземете преценки или да имате мнения, които се основават на разума“. Други са разработили по-нюансирани начини за измерване на интелигентността през годините, като например теорията на Хауърд Гарднър за множеството интелектуалности, включваща модалности като музикално-ритмични и хармонични, визуално-пространствени, словесно-езикови, логико-математически, телесно-кинестетични и екзистенциални , сред други. Нашето приемане е по-близо до това последно определение, което позволява получаването, обработката и прилагането на информация в широк спектър от контексти.

Идеята ни за интелигентност също е много антропоморфна: тя се основава на начина, по който ние като хора мислим и решаваме проблеми. AI е широко разбиран по същия начин, че изкуствено интелигентната система стига до заключения по начин, който наподобява човешкия подход. Изхождайки от тази идея, Дейвид К. Паркс и Майкъл П. Уелман представят идеята за AI като „хомо икономикус“, митичния съвършено рационален агент на неокласическата икономика. “Но докато е изкушаващо да мислим, че бихме могли да замислим една напълно рационална цялост, данните, използвани за обучение на ИИ, често са присъщи недостатъци поради човешки или други пристрастия, което прави „перфектната рационалност“ почти невъзможна за оценка.

Доклад на Белия дом за 2016 г. относно сумите на AI на предизвикателствата пред създаването на сплотено определение: „Няма единно определение на AI, което е общоприето от практикуващите. Някои определят AI свободно като компютърна система, която проявява поведение, за което обикновено се смята, че изисква интелигентност. Други определят AI като система, способна рационално да решава сложни проблеми или да предприема подходящи действия за постигане на целите си при каквито и да е обстоятелства в реалния свят. ”Интересно е да се отбележи, че тук не използват термина„ човешко поведение ”, а просто "поведение".

Шведският философ Ник Бостром се фокусира върху понятието за учене и адаптация в AI в книгата си Superinteliligence: Пътеки, опасности, стратегии: „Капацитетът да се учи е неразделна характеристика на основния дизайн на система, предназначена за постигане на обща интелигентност… Същото счита за способността да се справя с несигурността и вероятностната информация. ”Други, като професорът по компютърна техника Етем Алпадийн във Въведение в машинното обучение, заявяват, че„ интелигентната система трябва да може да се адаптира към средата си; тя трябва да се научи да не повтаря грешките си, а да повтаря своите успехи. "

Нашите определения

В допълнение към проучването на начина, по който другите определят AI днес, част от нашето изследване включваше и изпращане на проучване за цялата компания с молба на колегите ни да дефинират изкуствен интелект в изречение (или две, или три). В резултатите от проучването се появиха три основни категории отговори:

  1. AI е способността на компютъра да взема решения или да прогнозира въз основа на наличните данни.
  2. AI е способността на компютъра да възпроизвежда мозъчни функции от по-висок ред, като възприятие, познание, контрол, планиране или стратегия.
  3. AI е програма, създадена от данни и изчисления, т.е. не е твърдо кодирана.

За нашите цели днес достатъчни ли са тези определения? Кои са някои от клопките при опита за дефиниране на толкова широко и постоянно развиващо се понятие?

Защо това е толкова трудно?

Феноменът "catchall" е едно от основните предизвикателства, когато говорим за AI. Честото използване на термина доведе до широк спектър от приложения и присъщо объркване, както обясни Genevieve Bell, доктор по Stanford по антропология и директор, проучване на взаимодействието и опита в Intel:

„За мен изкуственият интелект е термин„ неуловим “и той е този, който се придвижва с популярност. В момента се върна Това е чадър термин, под който можете да говорите за когнитивно изчисление, машинно обучение и задълбочено обучение и алгоритми. Това е catchall, защото означава всичко и нищо едновременно. Това е културна категория колкото техническа. "

Терминът често се използва при грешни обстоятелства (или по-скоро неточни обстоятелства), тъй като е толкова широк, както е описано в този дискусионен документ на McKinsey Global Institute за 2017 г., AI: Следващата цифрова граница:

„… Трудно е да се определи, защото хората смесват и съпоставят различни технологии, за да създават решения за индивидуални проблеми. Понякога те се третират като независими технологии, понякога като подгрупи от други технологии, а понякога като приложения ... Някои рамки групират AI технологии по основна функционалност ..., някои ги групират по бизнес приложения ... "

Друго голямо предизвикателство при определянето на ИИ е фактът, че науката и нейните приложения непрекъснато се развиват. Както обяснява Памела Маккордък в книгата си „Машини, които мислят“, често интелигентната система, решаваща нов проблем, се дисконтира като „просто изчисление“ или „не истинска интелигентност“. Философът Бостром обобщава това хубаво: „Много авангарден AI се филтрира в общи приложения, често без да се нарича AI, тъй като веднъж нещо стане достатъчно полезно и често срещано, вече не е обозначен като AI.“ Например, програмата IBM, която пускаше пулове през 1951 г. може би се смяташе за новаторски AI по онова време, но днес ще бъде описан като основен компютър. Или наскоро някои биха твърдели, че песимистично, че няма нищо „интелигентно“ в някакъв „тесен AI“, като AlphaGo, биещ Лий Седол.

Имайки предвид всички тези предизвикателства, има ли начин да намалим културния и медиен шум, замъгляващ нашата преценка и да се съсредоточим върху осезаеми въпроси? Когато използваме думата „AI“, обикновено имаме предвид конкретна технология, като обработка на естествен език, машинно обучение или машинно зрение. Така че да сте максимално конкретни е доброто място за начало. При други обстоятелства обаче използването на термина „AI“ не е погрешно, например в ситуации, в които наистина не знаем точно коя технология се използва. Това е капан, в който не сме имунизирани да попадаме, заедно с всички практикуващи ИИ и журналисти, подхранващи тази продължаваща дискусия.

Гледам напред

Опитвайки се ясно да изразим какво е AI „е“, открихме, че това означава доста различни неща за различните хора. Това е идея, която завладя въображението ни от много дълго време. Дори да го ограничим до компютърните науки, той все още е много широк. Имайки предвид това, смятаме, че е важно да се съсредоточим върху това, как ИИ вече променя живота ни, пробивът днес, който разпалва този шум. Кевин Кели обобщи това хубаво в скорошна беседа на TED:

„В момента няма експерти по ИИ. На нея отиват много пари, за това се харчат милиарди долари; това е огромен бизнес, но няма експерти в сравнение с това, което ще знаем след 20 години. Така че ние сме само в началото на началото, ние сме в първия час на всичко това ... Най-популярният AI продукт от 20 години насам, който всички използват, все още не е изобретен. Това означава, че не закъснявате. "

С други думи, нормално е представите ни за AI да включват множество гледни точки и понякога противоречиви идеи, защото тя се развива и се случва сега. Това не е замислено да се чете като ченге, а по-скоро призив да приемем присъщата му размах и бъркотия, докато работим за подобряването му.

Всичко това, за да кажем, няма да установяваме определението. Ние обаче искаме дизайнерите да се справят с технологията, която влиза в производство днес, за да имат основно разбиране на AI и неговите възможности. Ако „AI е всичко, което все още не е направено“, както твърди теоремата на Tesler, тогава точно тук трябва да гледаме - не на това, което вече е направено, а на това, което е възможно или много скоро да бъде.

Ние вярваме, че в основата си AI е огромна възможност за учене и ако бъде развита внимателно, може да приведе хората към широкообхватния напредък. Тъй като конските плугове драстично революционизират селското стопанство през 1100-те години, а парните двигатели задвижват производството и транспортирането в нова ера през 18-ти век, ние виждаме AI в основата на следващия век на цифровите иновации. Както наскоро заяви професорът по физика на MIT Макс Тегмарк, сега не е моментът да обмисляме бъдещето като някакво предопределено събитие, към което неминуемо бъркаме, а по-скоро трябва да си зададем въпроса: „Какво бъдеще искаме да проектираме с AI? “

Ако ви е харесало, обърнете внимание на следващата глава от нашата серия AI-First Design Foundation - Какво е дизайн, наистина?

Автори и автори

Ребека Уест е редактор на AI1D Journal в Element AI и писател с акцент върху проекти в пресечната точка на дизайна, технологиите и креативността.

Илюстрации на Дона Соло, визуален дизайнер в Element AI.

С принос на дизайнерката на опит Маша Крол, учен по приложни изследвания Арчи дьо Беркер и нашият стажант за изследователска работа през лятото 2017 Луи-Феликс Ла Рош-Морин.