Có một lý do cho sự tự tin ban đầu của các nhà khoa học và kỹ sư làm việc về trí tuệ nhân tạo trong những năm 1960?

Tôi mới bắt đầu một lớp AI & Data Mining và cuốn sách. Lập trình ứng dụng AI, bắt đầu với một cái nhìn tổng quan về lịch sử của AI. Chương đầu tiên đề cập đến lịch sử của AI từ những năm 1940 đến nay. Một tuyên bố đặc biệt mắc kẹt với tôi:

[Trong thập niên 60] Các kỹ sư AI được đánh giá quá cao và không được cung cấp đầy đủ ...

Lý do của sự tự tin thái quá là gì? Có phải vì các mô hình dự đoán toán học cho thấy một bước đột phá đang ở xung quanh, hoặc do khả năng phần cứng ngày càng tăng để tận dụng?

Ý kiến ​​cá nhân của tôi là do sự kiêu ngạo . Có một số bản ngã lớn hùng mạnh đi dọc các sảnh của MIT, Stanford, v.v. trở lại những năm 60 và 70 và họ chỉ biết rằng họ đã giải quyết vấn đề này. Đúng.

Mặc dù tôi không phải là một phần của vũ trụ đó vào những ngày đó, vào giữa những năm cuối thập niên 80, tôi đã làm việc với tìm kiếm tương tự. Công việc của chúng tôi ban đầu dựa trên nghiên cứu được thực hiện bởi Gerard Salton tại Cornell trong thập niên 60, trong đó sử dụng các vectơ thuộc tính có trọng số để thể hiện các tài liệu và truy vấn. Đó thực sự là một cách tiếp cận có thể sử dụng được, nhưng khi mạng lưới thần kinh bị chìm trong ngọn lửa (ít nhất là cho đến khi họ phát hiện ra sự lan truyền trở lại ), công việc của Salton đã được đưa vào vì sự tương đồng (ý định chơi chữ) với mạng lưới thần kinh. Anh ta đang cố gắng làm một cái gì đó khác biệt, nhưng có vài năm anh ta bị gộp chung với những người còn lại.

Mỗi khi có ai đó đưa ra giải pháp cho Bức tường gạch hiện tại, họ rất phấn khích và tuyên bố AI là một vấn đề được giải quyết. Chỉ có điều là không. Bởi vì đằng sau bức tường gạch đó là một cái khác. Chu kỳ này đã lặp đi lặp lại, lặp đi lặp lại, và không chỉ trong AI. Tôi tin chắc rằng tất cả các nhà khoa học và kỹ sư máy tính tương lai nên được yêu cầu tham gia một lớp học kéo dài một học kỳ trong Lịch sử Điện toán, đặc biệt nhấn mạnh vào số lượng Next Big Things ™ đã tăng lên như tên lửa ... và sau đó đã tạo ra một miệng núi lửa lớn trong tầng thung lũng.

Phụ lục: Tôi đã dành cuối tuần Ngày Lao động với một người bạn cũ và chúng tôi đã nói chuyện một chút về điều này. Bối cảnh - tìm hiểu điều đó có nghĩa là gì, làm thế nào để thể hiện nó, và sau đó làm thế nào để sử dụng nó - nổi lên như một rào cản lớn nhất có thể được xóa. Và bạn càng nhìn nó lâu, nó càng trở thành một trở ngại lớn hơn. Con người có khả năng kết hợp mô hình một phần đáng kinh ngạc, gần như tức thời của "những gì đang xảy ra" với một kho "chuyện xảy ra trước đây", và sau đó kết hợp kiến ​​thức về quá khứ với tình huống hiện tại để tạo ra một bối cảnh trong đó hiểu có thể dẫn đến hành động. Ví dụ: chúng ta có thể sử dụng nó như một bộ lọc mạnh mẽ của "những thứ chúng ta có thể / không thể bỏ qua" khi chúng ta kéo xuống lớp Waldo ở 60 MPH với lưu lượng giao thông 4 làn và cách nhau chỉ 3 hoặc 4 feet (hoặc ít hơn!).

Trên phổ của stuff > data > information > knowledge > understanding > judgementchúng tôi vẫn đang căng thẳng để đi đến các bước thông tin / kiến ​​thức, và thậm chí điều đó bị giới hạn trong các lĩnh vực diễn ngôn bị hạn chế cao .

Rất đơn giản, họ đã đánh giá thấp một cách ồ ạt quy mô của vấn đề trong tay, đặc biệt là khi có liên quan đến vụ nổ tổ hợp. Nhiều giải pháp AI hoạt động tốt cho các mẫu "đồ chơi", nhưng thất bại nặng nề khi chúng mở rộng đến các vấn đề ở cấp độ con người.

Có thể cho rằng, họ cũng đơn giản là thiếu kinh nghiệm. AI là một lĩnh vực chỉ (tương đối) chỉ được phát minh về mặt ứng dụng thực tế, vì vậy không ai có kinh nghiệm quan trọng khi áp dụng lý thuyết vào bất cứ điều gì.

Tôi có thể nghĩ ra một vài lý do.

AI đã trải qua thành công nhanh chóng như vậy với một số vấn đề về đồ chơi đã được giải quyết vào cuối những năm 50 và đầu thập niên 60, rằng họ đã đánh giá quá cao những gì họ đã đạt được. ELIZA và SHRDLU làm choáng váng mọi người mặc dù là các chương trình tương đối đơn giản. Thật không may, một phần lớn những gì làm cho các chương trình đó tuyệt đẹp thực sự chỉ là mới lạ. Không ai rất ấn tượng bởi một cuộc trò chuyện với ELIZA ngày hôm nay, nhưng tại thời điểm đó mọi người nghĩ rằng nó gần như là phép lạ.

Ngoài ra, khi các vấn đề được "giải quyết" hoặc ít nhất trở nên dễ xử lý, mọi người không còn nghĩ chúng là AI. Tối ưu hóa mã từng là một vấn đề AI. Học thống kê đã tạo ra AI từ chuyên môn của riêng mình và nhận dạng giọng nói với nó. Khi khai thác dữ liệu trở thành xu hướng, nó sẽ mất liên kết với AI. Theo thời gian, AI quên đi những thành công của mình và bị mắc kẹt trong những vấn đề khó giải quyết và không thể hòa tan, và cuối cùng nó trông giống như một sự thất bại.

Tôi nghĩ rằng những người ở thập niên 60 đã sử dụng kinh nghiệm con người của chính họ để phân chia các vấn đề thành "những vấn đề khó" và "những vấn đề dễ dàng": Những việc như chiến thắng cờ vua, giải câu đố logic, giải phương trình toán học có vẻ khó đối với con người chúng ta. Những thứ như hiểu ngôn ngữ tự nhiên hoặc tìm đường viền của các đối tượng trong một hình ảnh có vẻ dễ dàng, bởi vì bộ não của chúng ta làm tất cả công việc mà không cần nỗ lực có ý thức. Khi chúng tôi cố gắng giải thích cách chúng tôi làm những việc đó, chúng tôi đưa ra những giải thích đơn giản như "Câu tiếng Anh luôn có cấu trúc chủ ngữ-vị ngữ-đối tượng trong đó chủ đề có thể là một thuật ngữ đơn giản hoặc cụm từ ..." hoặc "Tôi tìm kiếm các cạnh và kết nối chúng với các ranh giới đối tượng ". Ngày nay chúng ta biết mọi thứ không đơn giản, nhưng chỉ vì tất cả các giải pháp đơn giản (và nhiều thứ không đơn giản) đã được thử và không '

Bên cạnh đó, sai lầm này đã không bắt đầu từ những năm 60: Có nhiều thế kỷ nghiên cứu về cách giải quyết những "vấn đề khó khăn" đó (heuristic, lý thuyết trò chơi, lý thuyết quyết định, toán học, logic, v.v.) nhưng tôi không chắc ai đã từng bận tâm nghiên cứu làm thế nào các ngôn ngữ tự nhiên có thể được phân tích cú pháp trước những năm 1950.

Và thậm chí ngày nay, bạn có thể thường xuyên tìm thấy các câu hỏi trên stackoverflow, nơi mọi người hỏi làm thế nào họ có thể phân tích các câu tiếng Anh, ước tính tuổi của một người trong ảnh, đánh giá xem một hình ảnh có "an toàn cho công việc" hay không nếu hai hình ảnh hiển thị cùng một điều . Tôi không nghĩ rằng những người hỏi những câu hỏi bị quá nhiều sự kiêu căng hay ngạo mạn: Những vấn đề này chỉ có vẻ đơn giản như vậy, thật không thể tin được rằng có là không có thuật toán đơn giản để giải quyết chúng.

AI có một lịch sử lâu dài về sự thất vọng, nhưng tôi nghĩ rằng nhiều nhà phê bình thường đơn giản hóa quá mức những gì đã xảy ra, chẳng hạn như với câu nói của bạn "các kỹ sư của năm 1960 được đánh giá quá cao và không được cung cấp đầy đủ".

Vào những năm 60, AI là lãnh địa của một số ít các nhà nghiên cứu (lĩnh vực này chưa thực sự phát triển đủ để gọi nó là kỹ thuật), chủ yếu tại các trường đại học, và rất ít trong số họ là những lập trình viên thành đạt.

Sự sẵn có đột ngột của máy tính trong những năm 1950 đã dẫn đến những kỳ vọng lớn cho tự động hóa, đặc biệt là dịch máy ngôn ngữ tự nhiên, chơi cờ và các vấn đề tương tự. Bạn có thể tìm thấy một số dự đoán thực tế về thành công từ những ngày đó, nhưng những lời hứa chắc chắn đã đến TRƯỚC KHI bất cứ ai giải quyết một trong những vấn đề đó một cách sâu sắc. (Hoặc, họ đã giả định sai một thành công đảm bảo cho một thành công khác, chẳng hạn như hy vọng có thể thực hiện chơi cờ tốt sau khi Samuel có quá nhiều thành công với cờ đam.)

Ngoài ra, hãy cảnh giác với bất kỳ khiếu nại nào về "họ nói", "họ cảm thấy", "họ nghĩ", v.v.; ý kiến ​​hồi cứu (như thế này!) rất dễ bị ném lung tung, trong khi tài liệu bằng chứng về dự đoán thực tế của các "chuyên gia" (những người thực sự đã cố gắng giải quyết một vấn đề nhất định) có thể khó tìm hơn nhiều.

Cung cấp quá nhiều và không cung cấp luôn là một triệu chứng của phát triển phần mềm, bất kể lĩnh vực cụ thể nơi áp dụng chương trình. Một khó khăn lớn với AI là các vấn đề không tầm thường nằm ngoài khả năng của hầu hết các kỹ sư. Ví dụ, mặc dù câu trả lời của Charles E. Grant phân loại ELIZA và SHRDLU là "tương đối đơn giản", tôi nói rằng điều đó chỉ đúng với ELIZA (điều mà hầu hết sinh viên lập trình năm đầu tiên có thể thực hiện mà không gặp nhiều khó khăn). Mặt khác, SHRDLU là một chương trình lớn, cực kỳ tinh vi mà hầu hết các lập trình viên sẽ có một thời gian rất khó để phát minh, hãy cùng thực hiện. Thật vậy, hai nhóm sinh viên đại học thậm chí không thể có được mã nguồn hoàn toàn chạy lạivà các khả năng giống như SHRDLU ngày nay vẫn khó tìm thấy, hơn 40 năm sau.

Vì AI có lẽ là một trong những vấn đề ít được hiểu và khó hiểu nhất trong đó máy tính có thể được áp dụng, nên nói chung, tôi muốn nói rằng tiến bộ trong AI nói chung là ngang bằng với khóa học. Vẫn còn nhiều kỳ vọng , và tốc độ và năng lực phần cứng của chúng tôi đã tăng lên rất nhiều kể từ thập niên 60, nhưng tôi cho rằng khả năng và sự hiểu biết về AI của các kỹ sư không cải thiện được nhiều, vì vậy, một chén thánh như vượt qua bài kiểm tra Turing vẫn còn có lẽ là một chặng đường dài, và cung cấp quá mức và dưới mức có thể sẽ tiếp tục trong một thời gian.

Tôi nghĩ lý do là sự kiêu ngạo. Nếu tôi là một Kỹ sư trong thập niên 60 làm việc về AI, bản thân tôi sẽ khá kiêu ngạo.

Tôi nghĩ để đạt được những điều tuyệt vời, bạn phải vươn tới những điều tuyệt vời. Vì vậy, quá mức không nhất thiết là một điều xấu miễn là bạn không vượt quá giới hạn. Nhà khoa học ngày nay đang hứa hẹn những điều tôi không tin là có thể, nhưng nếu họ không đạt được điều đó, chúng ta sẽ bỏ lỡ những gì sẽ được hoàn thành.

Có thể rất khó để đi đâu đó khi bạn không biết mình sẽ đi đâu.

Nếu chúng ta có một số lời giải thích hợp lý về trí thông minh là gì và cách thức hoạt động của nó, có lẽ chúng ta sẽ có cơ hội bắt chước nó một cách hiệu quả. Bài kiểm tra Turing rất hấp dẫn và hữu ích, nhưng có lẽ không đủ để giúp chúng ta mô hình hóa trí thông minh thực sự. Đối với tất cả những gì chúng ta biết, một "mô hình" trí thông minh cũng có thể không đủ cho trí thông minh thực sự.

Chà, tôi sẽ nói ít nhiều điều tương tự đang xảy ra với OWL ngay bây giờ. Nhìn xung quanh và cố gắng vẽ tương tự.

Âm thanh tốt trên giấy, dường như hoạt động tốt trên các vấn đề đồ chơi, cực kỳ phức tạp trên hầu hết các dữ liệu thực.

Ngoài các câu trả lời hay được đưa ra, hai quan sát:

Một số trích dẫn trong ngày dường như ngụ ý rằng nhiều nhà nghiên cứu đã nghĩ rằng các giải pháp tầm thường có thể được nhân rộng khi máy tính nhanh hơn được thiết kế. Đối với một số loại hệ thống học tập, điều này rất đúng, nhưng đối với loại điều tôi nghĩ OP đang đề cập đến nó thực sự không có gì tốt hơn ở quy mô.

Các nhà nghiên cứu vào thời điểm đó ước tính rất thấp về sự phức tạp của tâm trí con người (tập trung vào các ý tưởng như thử nghiệm Turing, ý tưởng rằng mọi người chỉ sử dụng một tỷ lệ nhỏ trong não của họ, v.v.). AI ở cấp độ của một con vật đơn giản đã đạt được bằng một số biện pháp khi mọi thứ tăng lên, nhưng bước nhảy lên cấp độ AI của con người lớn hơn nhiều so với dự kiến. Điều này đã khiến một số nhà nghiên cứu thử học các hệ thống trẻ em và các mô phỏng dựa trên sự phát triển / tiến hóa khác như một nỗ lực để thu hẹp khoảng cách đó.

Một lý do là thành công mà chúng tôi đã có ELSEWHERE trong những năm 1960. Chúng ta vừa phóng lên vũ trụ, và sẽ sớm hạ cánh một người lên mặt trăng. Chúng tôi vừa phát hiện ra phương pháp chữa bệnh bại liệt và các bệnh chính khác.

Nhưng "trí tuệ nhân tạo" là một động vật khác với các vấn đề "kỹ thuật" mà chúng ta gặp phải lúc đó. Đó là một vấn đề "lý luận", chứ không phải là "cơ học".

Nói tóm lại, AI (vào những năm 1960) là một ý tưởng "thời gian chưa đến." Phải mất nhiều sự phát triển hơn, trong những thập kỷ tiếp theo, trước khi nó trở nên dễ tiếp cận như những vấn đề khác.

Một lý do khác có thể là việc thành thạo máy tính / viết chương trình máy tính mang lại cho chúng ta ít quyền kiểm soát một cảm giác toàn năng - thực tế, người ta tạo ra những vũ trụ nhỏ, mặc dù là những vũ trụ khép kín.

Điều này cộng với việc thiếu giáo dục triết học / nhận thức luận và sự tin tưởng ngây thơ vào những giải thích đơn giản như "Thông minh không là gì ngoài ...." có thể dẫn đến sự kiêu ngạo.