Att bygga AI är komplicerat, men förståelse det behöver inte vara. De flesta befintliga konstgjorda intelligenser är bara bra gissningsmaskiner (som våra hjärnor). Du matar in en massa data (till exempel numren 1-10) och ber att göra en modell (x + 1, starta vid 0) och göra en prognos. (Nästa nummer är elva.) Det finns ingen magi, annat än vad människor gör varje dag: använder det vi vet för att göra gissningar om saker vi inte vet.

Vad som skiljer AI från andra datorprogram är att vi inte behöver specifikt programmera det för varje scenario. Vi kan lära oss saker (maskininlärning), och det kan också lära sig (djupt lärande). Medan det finns flera sorter av var och en, kan de i stor utsträckning definieras enligt följande:

  • Artificial Intelligence (AI): En maskin som kan imitera mänskligt beteende
  • Maskininlärning: en delmängd av AI där människor tränar maskiner för att känna igen mönster i data och göra förutsägelser
  • Deep Learning: en delmängd maskininlärning där maskinen kan träna sig själv

Artificiell intelligens

Den bredaste möjliga definitionen av AI är helt enkelt att det är en maskin som tycker om en människa. Det kan vara så enkelt att följa ett logiskt flödesschema, eller det kan vara en nästan mänsklig dator som kan lära av en mängd olika sensoriska ingångar och tillämpa den kunskapen på nya situationer. Den sista delen är nyckeln - det starka AI som alla föreställer sig är en som kan ansluta alla typer av lärda datapunkter för att kunna hantera nästan alla situationer.

Just nu är AI fortfarande på ganska smalt spår - Alexa är en fantastisk butler, men hon kan inte klara ett Turing-test. Vi har för närvarande en begränsad form av AI, men det är bra att komma ihåg att definitionen är så bred att det till slut kan omfatta program som gör att DeepMind ser ut som en miniräknare.

Maskininlärning

Utan maskininlärning skulle befintlig AI för det mesta vara begränsad till att löpa genom långa listor med "om x är sant, gör du det, gör z." Denna innovation ger dock datorer makt att räkna ut saker utan att uttryckligen programmeras. Som exempel på en typ av maskininlärning, låt oss säga att du vill att ett program ska kunna identifiera katter i bilder:

  1. Ge din AI en uppsättning kattegenskaper för att söka efter - enskilda linjer, större former, färgmönster etc.
  2. Kör några bilder genom AI - några eller alla kan vara märkta "katt" så maskinen kan mer effektivt välja ut relevanta kattfunktioner.
  3. När programmet har sett tillräckligt många katter, borde det veta hur man hittar en i en bild - "Om bilden innehåller funktionen X, Y och / eller Z, är det 95% sannolikt att ha en katt."

Så komplicerat som maskinlärande ljud kan det kokas ner till följande: "Människor berättar för datorer vad man ska leta efter, och datorerna förfinar dessa kriterier tills de har en modell." Det är ganska enkelt, extremt användbart och det filtrerar din spam, rekommenderar dina nästa Netflix-program och tweaks ditt Facebook-flöde. Prova Googles lärabara maskin för en snabb demonstration!

Djup lärning

Från och med 2018 är detta AI: s skäregg. Tänk på det som maskininlärning med djupa "neurala nätverk" som behandlar data på ungefär samma sätt som en mänsklig hjärna. Den viktigaste skillnaden från föregångaren är att människor inte behöver lära sig ett djupt lärande program vilka katter ser ut. Ge bara tillräckligt med bilder på katter, och det kommer att räkna ut det själv:

  1. Inmat mycket kattfoton.
  2. Algoritmen inspekterar bilderna för att se vilka funktioner de har gemensamt (tips: det är katter).
  3. Varje bild kommer att dekonstrueras i flera detaljnivåer, från stora, allmänna former till små, små linjer. Om en form eller linje upprepar sig mycket, kommer algoritmen att märka det som en viktig egenskap.
  4. Efter att ha analyserat noga bilder, vet algoritmen nu vilka mönster som ger det starkaste beviset på katter, och alla människor måste göra var att tillhandahålla rådata.

För att sammanfatta: djupt lärande är maskininlärning där maskinen tränar sig, men det är långt bortom bara katter - neurala nätverk kan nu noggrant beskriva allt på en bild.

Djupinlärning kräver mycket mer initial data och beräkningskraft än maskininlärning, men den börjar bli distribuerad av företag från Facebook till Amazon. Den mest ökända manifestationen av maskininlärning är dock AlphaGo, en dator som spelade Go-spel mot sig själv tills den kunde exakt förutsäga de bästa dragningarna tillräckligt bra för att flera gånger slå flera världsmästare.

Slutsats: AI = Apokalyptisk Intelligens?

Hollywood är ansvarig för mycket dålig vetenskap, men när det gäller AI är sanning och fiktion potentiellt inte så långt ifrån varandra. Det är inte otänkbart att en robot kan ta över en rymdstation (2001: A Space Odyssey), få ​​dig att bli kär (Hennes), eller uppträda precis som en människa (Blade Runner, Ex Machina).

Det gör det dock inte illa. AI kan påskynda människans framsteg snabbare än nästan vad som helst före det. Och även om det kan tyckas cyniskt är realiteten att om ansvariga vetenskapsmän håller sig borta från AI på grund av sin potential att gå fel, kommer det troligtvis att utvecklas i alla fall av personer med färre säkerhetsproblem. Vi har tagit datorer från checkers till Go, och nästa steg kan ta mänskligheten till några intressanta platser.