AIマシンの問題は物事を学んでいますが、それらを理解することはできません

最近、みんなが「AI」について話しています。しかし、Siri、Alexa、それともあなたのスマートフォンのキーボードにあるオートコレクト機能のどちらを見ていようと、私たちは汎用の人工知能を作っているのではありません。特定の狭いタスクを実行できるプログラムを作成しています.

コンピュータは「考える」ことはできません

新しい「AI」機能が追加されると会社が言うときはいつでも、それは一般的に会社がニューラルネットワークを構築するために機械学習を使っていることを意味します。「機械学習」とは、機械が特定のタスクを実行する方法を「学習」するための手法です。.

私たちはここで機械学習を攻撃しているのではありません。機械学習は、多くの強力な用途を持つ素晴らしいテクノロジです。しかし、それは汎用の人工知能ではありません、そして機械学習の限界を理解することはあなたが私たちの現在のAI技術がそれほど制限されている理由を理解するのを助けます.

サイエンスフィクションの夢の「人工知能」は、物事について考え、人間がそうであるようにそれらを理解する、コンピュータ化された、またはロボットのような種類の脳です。そのような人工知能は人工の一般的な知能（AGI）でしょう、それはそれがそれが複数の異なる事について考えて、そしてその知性を複数の異なる領域に適用することができることを意味します。関連概念は「強いＡＩ」であり、これは人間のような意識を経験することができる機械であろう。.

まだそのようなAIはありません。私たちはそれに近いところではありません。 Siri、Alexa、Cortanaなどのコンピュータエンティティは、私たち人間が理解しているようには理解も考えもしません。本当に物事を「理解」しているわけではありません.

私たちが持っている人工知能は、人間が彼らが学ぶのを助けるためにデータを提供することができると仮定して、非常によく特定の仕事をするように訓練されます。彼らは何かをすることを学ぶがそれでもそれを理解していない.

コンピュータは理解しない

Gmailには、電子メールへの返信を提案する新しい「スマート返信」機能があります。 Smart Reply機能は、「iPhoneから送信」を一般的な回答として識別しました。また、仕事用の電子メールを含む、さまざまな種類の電子メールに対する返信として、「私はあなたを愛しています」と提案することを望んでいました。.

これは、コンピュータがこれらの応答の意味を理解していないためです。多くの人がこれらのフレーズを電子メールで送信することを学んだばかりです。上司に「愛してる」と言いたいかどうかはわかりません.

別の例として、グーグルフォトは私たちの家の1つにカーペットの偶然の写真のコラージュをまとめました。それはそれからGoogle Home Hubの最近のハイライトとしてそのコラージュを識別した。グーグルフォトは写真が似ていることを知っていたが、それらがどれほど重要でないか理解していなかった.

マシンはシステムをゲームすることを学ぶことが多い

機械学習とは、タスクを割り当て、それを実行するための最も効率的な方法をコンピューターに決定させることです。理解していないので、コンピュータがあなたが望んでいたものとは異なる問題を解決する方法を「学習」することは簡単です。.

これは、「人工知能」がゲームをプレイするために作成し、システムをゲームするために学習したばかりの目標を割り当てた楽しい例のリストです。これらの例はすべて、この優れたスプレッドシートから得られたものです。

「スピードのために繁殖されたクリーチャーは本当に背が高くなり、転倒することで高速度を生み出します。」
「エージェントは、レベル2で負けないように、レベル1の終わりに自分自身を殺します。」
"エージェントは負けを避けるために無期限にゲームを一時停止します。"
「生存にはエネルギーが必要だが出産にはエネルギーコストがかからなかった人工生命のシミュレーションでは、1つの種は、食べることができる（またはより食用の子供を生み出すための仲間として使用される）」
「AIがゲームに負けた場合、「殺される」可能性が高かったので、ゲームをクラッシュさせることができることは遺伝的選択プロセスにとって有利でした。そのため、いくつかのAIがゲームをクラッシュさせる方法を開発しました。」
「食用キノコと有毒キノコを分類するためにニューラルネットが進化したため、交互に表示されるデータを利用し、実際に入力画像の特徴を学ぶことはありませんでした。」

これらの解決策のいくつかは巧妙に聞こえるかもしれませんが、これらのニューラルネットワークのどれも彼らがしていることを理解していませんでした。彼らは目標を割り当てられ、それを達成する方法を学びました。目的がコンピュータゲームで負けないようにすることである場合、一時停止ボタンを押すのが最も簡単で最速の解決策です。.

機械学習とニューラルネットワーク

機械学習では、コンピュータは特定のタスクを実行するようにプログラムされていません。代わりに、データを入力してタスクでのパフォーマンスを評価します.

機械学習の基本的な例は画像認識です。犬がいる写真を特定するためにコンピュータプログラムを訓練したいとしましょう。私たちはコンピューターに何百もの画像を与えることができます。犬が飼われているかいないかにかかわらず、画像にはラベルが付けられています。コンピュータプログラムは、そのデータセットに基づいて犬がどのように見えるかを認識するように自分自身を「トレーニング」します.

機械学習プロセスは、各データ入力が通過する複数の層を有するコンピュータプログラムであるニューラルネットワークを訓練するために使用され、各層は最終的に決定を下す前にそれらに異なる重みおよび確率を割り当てる。それは私たちが脳がどのように機能すると思うかをモデル化し、タスクを通して考えることに関与するニューロンの異なる層があります。「ディープラーニング」とは一般に、入力と出力の間に積み重ねられた多くの層を持つニューラルネットワークを指します。.

データセット内のどの写真に犬が含まれ、どの写真に犬が含まれていないかがわかっているため、写真をニューラルネットワークに通して、正しい結果が得られるかどうかを確認できます。たとえば、特定の写真に犬がいないとネットワークが判断した場合は、ネットワークに問題があることを伝え、調整してからやり直すメカニズムがあります。写真に犬が含まれているかどうかをコンピュータがよりよく識別できるようになりました.

これはすべて自動的に起こります。適切なソフトウェアとコンピュータがトレーニングするための構造化されたデータが豊富にあれば、コンピュータはニューラルネットワークを調整して写真内の犬を識別することができます。これを「AI」と呼びます。

しかし、結局のところ、あなたは犬が何であるかを理解するインテリジェントなコンピュータプログラムを持っていません。犬が写真に写っているかどうかを判断するためのコンピュータがあります。それはまだかなり印象的ですが、それができることすべてです。.

そして、あなたがそれに与えた入力によっては、そのニューラルネットワークは見た目ほどスマートではないかもしれません。たとえば、データセットに猫の写真が含まれていない場合、ニューラルネットワークは猫と犬の違いを認識せず、人々の実際の写真にそれを公開したときにすべての猫を犬としてタグ付けすることがあります。.

機械学習とは?

機械学習は、音声認識を含むあらゆる種類のタスクに使用されます。 Google、Alexa、Siriなどの音声アシスタントは、人間の音声を理解するように機械学習技術を訓練しているため、人間の音声を理解するのが得意です。彼らは膨大な量の人間のスピーチサンプルを訓練し、どの音がどの単語に対応するのかを理解することがどんどん良くなっています.

自動運転車は、コンピュータを訓練して道路上の物体とそれらに正しく反応する方法を識別するための機械学習技術を使用します。 Googleフォトはライブアルバムのように、機械学習を使用して写真内の人物や動物を自動的に識別する機能が満載です。.

AlphabetのDeepMindは、複雑なボードゲームGoを実行し、世界で最高の人間を打ち負かすことができるコンピュータプログラムAlphaGoを作成するために機械学習を使用しました。機械学習は、チェスからDOTA 2まで、他のゲームを楽しむのに適したコンピューターを作成するためにも使用されてきました。.

機械学習は最新のiPhoneのFace IDにも使われています。あなたのiPhoneはあなたの顔を識別することを学ぶニューラルネットワークを構築します、そしてAppleはこれと他の機械学習タスクのためにすべてのナンバークランチを実行する専用の「ニューラルエンジン」チップを含みます.

機械学習は、クレジットカード詐欺の識別からショッピングWebサイトでのパーソナライズされた商品の推奨まで、他のさまざまなことに使用できます。.

しかし、機械学習で作られたニューラルネットワークは本当に何も理解していません。彼らは彼らが訓練された狭いタスクを達成することができる有益なプログラムです、そしてそれはそれです.

画像のクレジット：Phonlamai Photo / Shutterstock.com、Tatiana Shepeleva / Shutterstock.com、Sundry Photography / Shutterstock.com.