Datamaskiner må slutte å oppføre seg som voksne.
Også omtalt i:
MIT Technology Review magazine
Januar/Februar 2016
Mer i denne saken”
Alison Gopnik
Alle vet Turing test. Men nesten ingen husker Alan Turing ‘ s uttalelse om at for å oppnå ekte intelligens, bør du lage en maskin som var som et barn. Han sa den virkelige hemmeligheten til menneskelig intelligens er vår evne til å lære.
Tretti år av utviklingsmessige kognitiv forskning har vist at barn er de beste elevene på jorden. Men hvordan kan de lære så mye så raskt? For de siste 15 årene utviklingsmessige kognitive forskere og datamaskinen forskere har prøvd å svare på dette spørsmålet, og svarene forme nye typer maskinlæring (se “Kan Denne Mannen Gjør AI Mer Menneskelig?”).
Mange av de siste fremskritt innen AI har kommet gjennom teknikker som dypt læring, som kan oppdage kompliserte statistiske sammenhenger i enorme datasett. Datamaskiner kan plutselig gjøre ting som var umulig før, som merking av bilder på Internett.
Problemet med denne typen av rent statistisk maskinlæring, skjønt, er at det kommer an på data som allerede er valgt av mennesker. Maskiner trenger gigantiske human-genererte data sett bare for å være i stand til å se på et nytt bilde, og si “kitty-cat!”—noe et barn kan gjøre etter å ha sett et par eksempler.
Et alternativ i maskinen læring og kognitiv vitenskap—”statistiske modeller” framework—tar en annen tilnærming. Disse systemene formulere og teste abstrakt hypoteser. Bayesiansk inferens prosedyrer har vært spesielt viktig. Du kan For eksempel matematisk beskrive en bestemt årsakssammenheng hypotese som en rettet graf som systematisk genererer en bestemt data-mønster, og deretter beregne hvor sannsynlig at hypotesen er å være sant, gitt de dataene du ser. Maskinene har blitt gode på å teste hypoteser mot data på denne måten, med konsekvenser for alt fra medisinsk diagnose for å meteorologi. Vi har vist at små barn bruker data til å vurdere hypoteser på en lignende måte.
Men det er to ting selv svært små barn gjøre det er fortsatt langt utover evner til dagens datamaskiner. Vi prøver å forstå disse evner både formelt og empirisk, og disse undersøkelsene kan tillate oss å utforme mer kraftige slag av AI.
Veldig harde problemet er å avgjøre hvilke hypoteser, ut av alle de uendelige mulighetene, er verdt å prøve. Selv preschoolers er utrolig god på å komme opp med helt nye konsepter og hypoteser i en kreativ og fantasifull måte. Faktisk vår forskning har vist at de kan noen ganger gjøre det bedre enn voksne.
Et annet område hvor barn outshine datamaskiner er i deres evne til å gå ut og utforske og eksperimentere med verden rundt dem—vi kaller dette “å komme inn i alt.” Utviklingsmessige kognitive forskere er bare begynnelsen for å forstå og formalisere denne form for aktiv læring.
Den svært kreative fantasi og ustanselig utforskning av små barn, kan være nøkkelen til sin imponerende læring evner. Å studere disse barna kan gi oss ledetråder om hvordan å designe datamaskiner som kan passere mer dyptgripende Turing test og være nesten like smart som en tre-åring.
Alison Gopnik er professor i psykologi ved University of California, Berkeley.