Pourquoi le saut à l'IA générale ne peut toujours pas se produire

Il y a un énorme fossé dans le monde de l'intelligence artificielle (IA), et nous n'avons pas été capables de le traverser avec succès. Certains développeurs l'appellent un passage de l'IA «étroite» à l'IA «générale» alors que d'autres le décrivent comme un passage de l'IA «faible» à l'IA «forte»

. prémisse est accessible, même pour les non-experts. La plupart de l'IA que nous utilisons quotidiennement est étroite, ce qui signifie qu'elle est spécifiquement programmée pour accomplir une tâche ou un groupe de tâches. Google AlphaGo par exemple, est enraciné dans un cadre d'apprentissage en profondeur qui pourrait être appliqué à de nombreuses tâches, mais il est spécialement formé pour exceller dans le jeu de go. Il ne peut pas jouer aux échecs, catégoriser les images, ou conduire une voiture.

L'IA générale serait, en effet, capable de gérer n'importe quel problème jeté à elle. Certains assistants numériques avancent dans cette direction, passant de simples fonctions de reconnaissance et de recherche de langage à des tâches simples, comme la réservation de réserves mais finalement, leur portée reste limitée.

Les chances sont, nous Il restera dans ces fonctionnalités étroites dans un avenir prévisible – et peut-être pour les décennies à venir.

Les principaux défis

Les optimistes technologiques aiment imaginer un avenir où l'IA générale non seulement existe, mais nous assiste avec pratiquement tout ce que nous faisons en un jour

Cependant, il y a quelques obstacles clés qui nous empêchent d'atteindre cette réalité:

1. Puissance de traitement et échelle. Toute structure de traitement de données qui repose sur un volume important de données ou qui a une forte demande de performance, va nécessiter un matériel coûteux pour l'exécuter. L'IA étroite implique déjà un traitement des données incroyablement complexe, nécessitant des milliers de calculs pour "apprendre" de nouvelles choses, et des tonnes de mémoire pour continuer les opérations. Il est ridiculement coûteux de construire et d'entretenir ces machines, et un programme général d'IA nécessiterait encore plus.

2. Le cours de l'apprentissage. Les machines n'apprennent pas de la même manière que les humains . Un humain pourrait voir une image d'une colombe et l'appeler un oiseau, puis voir une image d'un pingouin et aussi le décrire comme un oiseau – même si c'est une créature très différente. Une machine, pour faire cette distinction, aurait besoin d'être guidée par des milliers d'exemples spécifiques, et même dans ce cas, la classification pourrait être erronée. C'est parce que les humains sont exceptionnels à tirer des conclusions générales à partir de petits éléments de preuve, tandis que les ordinateurs ont besoin d'apprendre tout, y compris des concepts très généraux, à partir de zéro. Les programmeurs ne peuvent pas programmer les hypothèses de base ou le raisonnement abstrait nécessaire pour accomplir ceci.

3. Rencontrer de nouvelles expériences. L'IA étroite peut devenir très compétente dans un domaine spécifique, mais même dans cette zone, si elle rencontre quelque chose qu'elle n'a jamais vu auparavant, elle peut rencontrer des problèmes. Dans un environnement d'IA général, tout ce qu'il faut, c'est une expérience nouvelle – comme une nouvelle image, un nouvel ensemble de circonstances, ou un changement inattendu dans le modèle – pour perturber le processus entier.

4. Appliquer un cadre à un autre. L'IA générale exige également que les machines prennent un cadre appris dans un ensemble de circonstances et l'appliquent à un autre. Par exemple, si l'IA apprend le modèle d'une conversation pour faire une réservation de dîner dans un restaurant, elle devra trouver les indices, les mots et les réponses qui pourraient être appropriés pour appeler pour prendre rendez-vous chez le médecin – et ceux qui sont inappropriés. Ce changement dynamique est difficile à obtenir, c'est le moins qu'on puisse dire

De quoi aurait besoin une IA générale?

Au risque de creuser trop loin dans la sémantique, examinons ce dont nous aurions besoin pour obtenir une "vraie" IA générale:

1. Apprendre d'un seul exemple. Une IA générale devrait être capable d'apprendre au moins un peu à partir d'un seul exemple d'interaction ou de tâche. Actuellement, l'IA étroite nécessite des milliers, voire des millions d'exemples avant de comprendre ce qu'il faut rechercher. Prendre la reconnaissance d'image comme exemple ; Même notre meilleure IA nécessite une formation approfondie. Une IA générale idéale serait capable d'apprendre à catégoriser un sujet en utilisant juste une poignée de photos.

2. Raisonnement abstrait. L'IA générale serait aussi capable de «penser», du moins dans le sens abstrait. Il n'utiliserait pas des milliers de petits détails pour évaluer quelque chose; à la place, il appliquerait des concepts généraux et traduirait ces concepts pour résoudre différents types de problèmes.

3. Mémoire à court et à long terme. L'IA générale aurait aussi besoin d'un moyen de différencier la mémoire à long terme (qui inclurait des concepts généraux et des suppositions sur le monde) et la mémoire à court terme (dont elle aurait besoin pour accomplir des tâches immédiates). Comprendre cette distinction et l'appliquer correctement constituerait un obstacle majeur.

4. Applications croisées de la connaissance. Vous pouvez identifier un pingouin dans une photographie, mais qu'en est-il d'une vidéo ou dans la vraie vie? Si vous pouvez apprendre à nourrir et à prendre soin d'un chien, seriez-vous capable de nourrir et de prendre soin d'une personne? Les applications croisées de la connaissance sont un autre obstacle; Comment pouvez-vous "enseigner" à une IA pour savoir instinctivement quels concepts peuvent être appliqués ailleurs, et lesquels doivent être redessinés à partir de rien?

5. Gestion de plusieurs objectifs L'IA générale devrait aussi être capable de gérer plusieurs objectifs simultanément. Le vrai problème ici est quand certains de ces objectifs contredisent les autres – comme ce qui se passe habituellement quand essaye d'appliquer les lois d'Asimov .

6. Efficacité. En plus de toutes ces autres exigences, l'IA générale devrait fonctionner très efficacement, c'est-à-dire fonctionner avec un minimum de matériel, à un coût raisonnable et à une vitesse raisonnable. Pour certaines applications, c'est le facteur limitant le plus important.

Comme si les principaux obstacles n'étaient pas suffisants, cette liste d'exigences suffisait à décourager même les programmeurs les plus optimistes.

Pourquoi nous sommes bloqués ici pendant un certain temps

Avec le grand nombre d'obstacles et les exigences à respecter pour créer une IA générale réalisable, il est pratiquement impossible d'en créer un en prenant des mesures en avant avec notre technologie actuelle. Ce n'est pas quelque chose que nous pouvons réaliser avec une progression étape par étape. Au lieu de cela, une IA générale prendrait un démontage total de l'apprentissage en profondeur tel que nous le connaissons aujourd'hui. Il y a eu plusieurs propositions sur la façon dont nous pourrions avancer en utilisant des approches alternatives, incluant l'architecture cognitive mais aucune n'a émergé en tant que favori.

Jusqu'à ce que nous ayons une voie viable vers l'avant, nous allons Nous devons accepter les limites de l'IA étroite et essayer de travailler en leur sein pour notre innovation en IA

Ce message fait partie de notre série de contributeurs. Les opinions exprimées sont celles de l'auteur et ne sont pas nécessairement partagées par TNW.

Lire l'article suivant:

L'entente d'électricité du Québec avec les mineurs de cryptomonnaie a du sens