Makakaapekto ba ang matalinong mga algorithm ng hinaharap na tulad ng mga pangkalahatang layunin robot, tulad ng sanay sa idle banter at pagbabasa ng mga mapa bilang mga ito ay madaling gamitin sa kusina? O kaya naman ang hitsura ng aming mga digital na katulong ay tulad ng isang grab-bag ng mga dalubhasang gadget - mas kaunti ang isang chatty masterchef kaysa sa isang kusina na puno ng mga kasangkapan?

Kung ang isang algorithm ay sumusubok na gumawa ng masyadong maraming, ito ay nakakakuha ng problema. Ang recipe sa ibaba ay binuo ng isang artipisyal na neural network, isang uri ng artificial intelligence (AI) na natututo sa pamamagitan ng halimbawa. Ang partikular na algorithm na ito ay sinusuri tungkol sa mga recipe ng 30,000 recipe ng lahat ng uri, mula sa mga sopas hanggang sa mga pie sa mga barbecue, at pagkatapos ay sinubukan na makabuo ng sarili nitong. Ang mga resulta ay, sasabihin natin, medyo hindi karaniwan:

(Tandaan Editor: Huwag subukan ang mga recipe na ito sa bahay, LOL)

Ikalat ang Chicken Rice

keso / itlog, salad, keso

2 lb puso, seeded
1 cup shredded fresh mint o raspberry pie
1 / 2 tasa catrimas, gadgad
1 kutsarang gulay langis
1 asin
1 pepper
2 1 / 2 tb asukal, asukal

Pagsamahin ang mga unleaves, at pukawin hanggang sa ang pinaghalong ay makapal. Pagkatapos ay idagdag ang mga itlog, asukal, pulot, at mga binhi, at magluto sa mababang init. Idagdag ang mais syrup, oregano, at rosemary at puting paminta. Ilagay sa cream sa pamamagitan ng init. Cook idagdag ang natitirang 1 kutsarita baking powder at asin. Maghurno sa 350F para sa 2 sa 1 oras. Maglingkod nang mainit.

Yield: 6 servings

Ngayon, narito ang isang halimbawa ng isang recipe na binuo ng parehong pangunahing algorithm - ngunit sa halip ng data na kasama ang mga recipe ng lahat ng mga uri, ito ay tumingin lamang sa cake. Ang recipe ay hindi perpekto, ngunit ito ay magkano, magkano ang mas mahusay kaysa sa nakaraang isa:

Carrot Cake (Vera Ladies ")

cake, alak

1 pkg yellow cake mix
3 cup flour
1 kutsarita baking powder
1 1 / 2 kutsarita sa baking soda
Kutsarita asin ng 1 / 4
1 teaspoon ground cinnamon
1 kutsarita lupa luya
1 / 2 kutsaritang lupa na kutsara
1 kutsarita baking powder
Kutsarita asin ng 1 / 2
1 kutsarita banilya
1 itlog, temperatura ng kuwarto
1 cup sugar
1 kutsarita banilya
1 tasa tinadtad pecans

Painitin ang hurno sa 350 degrees. Gupitin ang isang panukat na springform na 9-inch.

Upang gawin ang cake: Talunin ang mga itlog sa mataas na bilis hanggang sa makapal at dilaw na kulay at magtabi. Sa isang hiwalay na mangkok, talunin ang mga itlog na puti hanggang matigas. Pabilisin ang unang tulad ng halo sa inihanda na pan at pakinisin ang humampas. Maghurno sa oven para sa tungkol sa 40 minuto o hanggang sa isang kahoy na palito na nakapasok sa sentro ay out malinis. Cool sa kawali para sa 10 minuto. Lumabas sa isang wire rack upang ganap na palamig.

Alisin ang cake mula sa pan upang ganap na palamig. Paglilingkod nang mainit.

HereCto Cookbook (1989) Mula sa Kusina at Hawn sa Pamumuhay ng Canada

Yield: 16 servings

Oo naman, kapag tiningnan mo nang mas malapit ang mga tagubilin, ito ay gumagawa lamang ng isang lutong itlog ng itlog. Ngunit ito ay isang pagpapabuti pa rin. Nang ang AI ay pinahihintulutan na magpakadalubhasa, nagkaroon lamang ng mas kaunti upang masubaybayan. Hindi ito kailangang subukan upang malaman kung gumamit ng tsokolate at kapag gumamit ng patatas, kung kailan maghurno, o kung kailan kumulo. Kung ang unang algorithm ay nagsisikap na maging isang wonder-box na maaaring gumawa ng bigas, ice cream at pie, ang pangalawang algorithm ay sinusubukan na maging isang bagay na mas katulad ng isang toster - nagdadalubhasa para sa isang gawain lamang.

Ang mga nag-develop na nagsanay ng mga algorithm sa pag-aaral ng makina ay nalaman na kadalasang makatuwiran na magtatayo ng mga toaster kaysa sa mga kahangahang-kahon. Iyon ay maaaring tila kontra-intuitive, dahil ang AIs ng Western agham bungang-isip ay madalas na maging kamukha C-3PO sa Star Wars o WALL-E sa eponymous film - mga halimbawa ng artipisyal na pangkalahatang katalinuhan (AGI), automata na maaaring makipag-ugnayan sa mundo tulad ng isang tao, at hawakan ang maraming iba't ibang mga gawain. Ngunit maraming mga kumpanya ay invisibly - at matagumpay - gamit ang pag-aaral ng makina upang makamit ang higit pang limitadong mga layunin. Ang isang algorithm ay maaaring isang chatbot na may hawak na limitadong hanay ng mga pangunahing tanong sa customer tungkol sa kanilang bill ng telepono. Ang isa pang maaaring gumawa ng mga hula tungkol sa kung ano ang isang customer ay pagtawag upang talakayin, pagpapakita ng mga hula para sa kinatawan ng tao na sumasagot sa telepono. Ang mga ito ay mga halimbawa ng artipisyal makitid katalinuhan (ANI) - limitado sa mga makitid na function. Sa kabilang banda, ang Facebook ay nagretiro kamakailan sa 'M' chatbot nito, na hindi nagtagumpay sa layunin nito sa paghawak ng mga reserbasyon sa hotel, pagpapareserba ng mga tiket sa teatro, pag-aayos ng mga pagbisita sa parrot, at iba pa.

Ang dahilan kung bakit mayroon kaming toaster-level na ANI sa halip ng AGI ng WALL-E-level na ang anumang algorithm na sinusubukang i-generalize mas masahol sa iba't ibang mga gawain na kinakaharap nito.

para halimbawa, narito ang isang algorithm na sinanay upang bumuo ng isang larawan batay sa isang caption.

Ito ang pagtatangka nito upang lumikha ng isang larawan mula sa parirala: 'ang ibong ito ay dilaw na may itim sa kanyang ulo at may isang napaka-maikling tuka'.

Kapag ito ay sinanay sa isang dataset na ganap na binubuo ng mga ibon, ito ay medyo maayos (sa kabila ng kakaibang sungay ng unicorn):

Ngunit kapag ang gawain nito ay upang makabuo anumang bagay - mula sa mga palatandaan ng paghinto sa mga bangka sa mga baka sa mga tao - nakipagpunyagi ito. Narito ang pagtatangka nito upang bumuo ng 'isang imahe ng isang batang babae na kumakain ng isang malaking slice ng pizza':

Hindi namin ginagamit sa pag-iisip mayroong tulad ng isang malaking agwat sa pagitan ng isang algorithm na ang isang bagay na rin, at isang algorithm na maraming mga bagay na rin. Ngunit sa kasalukuyan nating araw algorithm ay may limitadong lakas ng pag-iisip kumpara sa utak ng tao, at ang bawat bagong gawain ay kumalat sa kanila na mas payat. Mag-isip ng isang lalagyan ng toaster na kasing-laki: madaling magtayo sa isang pares ng mga puwang at ilang mga heating coils upang maaari itong tinapay na toast. Ngunit nag-iiwan ng maliit na silid para sa anumang bagay. Kung susubukan mo ring idagdag ang pag-andar ng rice-steaming at ice-cream na pag-andar, pagkatapos ay kailangan mong bigyan ang isa sa mga slots ng tinapay ng hindi bababa sa, at marahil ay hindi ito magiging mabuti sa anumang bagay.

May mga trick na ginagamit ng mga programmer upang makakuha ng higit pang mga algorithm ng ANI. Ang isa ay ang pag-aaral ng pag-aaral: sanayin ang isang algorithm upang gawin ang isang gawain, at matututunan nito na gawin ang isang iba't ibang ngunit may malapit na kaugnay na gawain pagkatapos ng simpleng pagpapalit ng pagsasanay. Gumagamit ang mga tao ng pag-aaral ng paglipat upang sanayin ang mga algorithm na pagkilala ng imahe, halimbawa. Ang isang algorithm na natutunan upang kilalanin ang mga hayop ay nakuha na ng maraming sa paraan ng mga kakayahan sa pagtuklas ng gilid-pag-detect at pag-aaral ng texture, na maaaring ilipat sa kabuuan sa gawain ng pagtukoy ng prutas. Ngunit, kung binabanggit mo ang algorithm upang makilala ang prutas, isang kababalaghan na tinatawag malubhang nalilimutan ay nangangahulugan na hindi na nito matandaan kung paano makilala ang mga hayop.

Isa pang lansihin na ginagamit ngayon ng mga algorithm modularity. Kaysa sa isang solong algorithm na maaaring hawakan ang anumang problema, ang AIs ng hinaharap ay malamang na maging isang pagpupulong ng mga highly specialized instrumento. Isang algorithm na pantas upang i-play ang video game Durog, halimbawa, ay may hiwalay, nakatuon na pangitain, controller, at mga module ng memorya. Ang mga interconnected module ay maaari ring magbigay ng kalabisan laban sa kabiguan, at isang mekanismo para sa pagboto sa pinakamahusay na solusyon sa isang problema batay sa maraming iba't ibang mga diskarte. Maaari din silang maging isang paraan upang tuklasin at i-troubleshoot ang mga pagkakamali ng algorithm. Karaniwang mahirap na malaman kung paano ang isang indibidwal na algorithm ay gumagawa ng mga desisyon nito, ngunit kung ang isang desisyon ay ginawa sa pamamagitan ng pakikipagtulungan ng mga sub-algorithm, maaari nating hindi bababa sa pagtingin sa bawat sub-algorithm's output.

Kapag nakikita natin ang AIs ng malayo sa hinaharap, marahil ang WALL-E at C-3PO ay hindi ang mga droids na dapat nating hinahanap. Sa halip, maaari naming i-larawan ang isang bagay na mas tulad ng isang smartphone na puno ng apps, o isang aparador ng kusina na puno ng mga gadget. Habang naghahanda tayo para sa isang algorithm sa mundo, dapat nating tiyakin na hindi kami nagpaplano para sa pag-iisip, pangkalahatang layunin na mga kahon na hindi maitayo, ngunit sa halip ay para sa mataas na dalubhasang mga toaster.

Tungkol sa Ang May-akda

Si Janelle Shane ay nagsasanay ng mga neural network upang magsulat ng humor sa aiweirdness.com. Siya rin ay isang siyentipikong pananaliksik sa optika, at naninirahan sa Boulder, Colorado.

Ang artikulong ito ay orihinal nai-publish sa libu-libong taon at na-publish sa ilalim ng Creative Commons.

Mga Kaugnay na Libro:

at InnerSelf Market at Amazon