Phương pháp tiếp cận hệ thống Tiết lộ đầy đủ: Tôi có lịch sử với AI, đã từng quan tâm đến nó vào những năm 1980 (bạn có nhớ hệ thống chuyên gia không?) và sau đó đã tránh được mùa đông AI vào cuối những năm 1980 một cách an toàn bằng cách chuyển sang xác minh chính thức trước khi cuối cùng chuyển sang kết nối mạng với tư cách là chuyên gia của tôi 1988.

Và cũng giống như đồng nghiệp Tiếp cận Hệ thống của tôi, Larry Peterson, có những cuốn sách kinh điển như sổ tay Pascal trên giá sách của anh ấy, tôi vẫn còn một vài cuốn sách về AI từ những năm 80, đặc biệt là cuốn của PH Winston. Trí tuệ nhân tạo (1984). Đọc qua cuốn sách đó quả là một điều thú vị, theo nghĩa là phần lớn nội dung có vẻ như đã được viết ngày hôm qua. Ví dụ: lời nói đầu bắt đầu theo cách này:

Tôi cũng tò mò muốn xem một số ví dụ năm 1984 về “những gì máy tính có thể làm được”. Một ví dụ là việc giải các bài toán tính toán cực kỳ khó – đáng chú ý vì số học chính xác dường như vượt quá khả năng của các hệ thống dựa trên LLM ngày nay.

Nếu phép tính đã có thể giải được bằng máy tính vào năm 1984, trong khi số học cơ bản cản trở các hệ thống mà chúng ta coi là công nghệ tiên tiến ngày nay, thì có lẽ mức độ tiến bộ của AI trong 40 năm qua không quá lớn như lần đầu tiên nó xuất hiện. (Điều đó nói lên rằng, thậm chí còn có hơn các hệ thống xử lý phép tính ngày nay, chúng không dựa trên LLM và không rõ liệu có ai gọi chúng là AI hay không.)

Một lý do khiến tôi chọn cuốn Winston cũ của mình là để xem anh ấy nói gì về định nghĩa về AI, bởi vì đó cũng là một chủ đề gây tranh cãi. Lần đầu tiên anh ấy đảm nhận điều này không đáng khích lệ lắm:

Được rồi, điều đó khá vòng vo, vì bạn cần phải xác định trí thông minh bằng cách nào đó, như Winston thừa nhận. Nhưng sau đó anh ấy tiếp tục nêu hai mục tiêu của AI:

1. Để làm cho máy tính trở nên hữu ích hơn
2. Để hiểu các nguyên tắc tạo nên trí thông minh.

Nói cách khác, thật khó để định nghĩa trí thông minh, nhưng có lẽ việc nghiên cứu về AI sẽ giúp chúng ta hiểu rõ hơn về nó là gì. Tôi có thể đi xa hơn khi nói rằng chúng ta vẫn đang tranh luận về điều gì tạo nên trí thông minh 40 năm sau. Mục tiêu đầu tiên có vẻ đáng khen ngợi nhưng rõ ràng áp dụng được cho rất nhiều công nghệ không phải AI.

Cuộc tranh luận về ý nghĩa của “AI” tiếp tục diễn ra trong ngành. Tôi đã gặp rất nhiều lời phàn nàn rằng chúng ta sẽ không cần thuật ngữ Trí tuệ nhân tạo tổng hợp, hay còn gọi là AGI, nếu thuật ngữ AI không bị ô nhiễm đến mức bởi những người tiếp thị các mô hình thống kê như AI. Tôi thực sự không mua cái này. Theo như tôi có thể nói, AI luôn bao quát nhiều loại kỹ thuật điện toán, hầu hết trong số đó sẽ không đánh lừa được bất kỳ ai nghĩ rằng máy tính đang thể hiện mức độ thông minh của con người.

Khi tôi bắt đầu tái tham gia vào lĩnh vực AI khoảng 1988 năm trước, mạng lưới thần kinh – thứ mà một số đồng nghiệp của tôi đã sử dụng vào năm XNUMX trước khi chúng không còn được ưa chuộng – đã có sự trở lại đáng kinh ngạc, đến mức nhận dạng hình ảnh bằng kỹ thuật sâu. mạng lưới thần kinh đã có vượt qua tốc độ và độ chính xác của con người mặc dù có một số cảnh báo. Sự trỗi dậy của AI đã dẫn đến một mức độ lo lắng nhất định trong số các đồng nghiệp kỹ thuật của tôi tại VMware, những người cảm thấy rằng một sự thay đổi công nghệ quan trọng đang diễn ra mà (a) hầu hết chúng tôi không hiểu (b) ông chủ của chúng tôi không được định vị để tận dụng lợi thế của .

Khi tôi lao vào nhiệm vụ tìm hiểu cách thức hoạt động của mạng lưới thần kinh (với hỗ trợ lớn từ Rodney Brooks) Tôi nhận ra rằng ngôn ngữ chúng ta sử dụng để nói về hệ thống AI có tác động đáng kể đến cách chúng ta nghĩ về chúng. Ví dụ: vào năm 2017, chúng ta đã nghe rất nhiều về “học sâu” và “mạng lưới thần kinh sâu” và việc sử dụng từ “sâu” có một ý nghĩa kép thú vị. Nếu tôi nói rằng tôi đang có “suy nghĩ sâu sắc”, bạn có thể tưởng tượng rằng tôi đang nghĩ về ý nghĩa của cuộc sống hoặc điều gì đó có sức nặng tương đương, và “học sâu” dường như cũng ám chỉ điều gì đó tương tự.

Nhưng trên thực tế, “deep” trong “deep learning” là ám chỉ độ sâu, được đo bằng số lớp, của mạng lưới thần kinh hỗ trợ việc học. Vì vậy, nó không “sâu” theo nghĩa có ý nghĩa, mà chỉ sâu giống như một bể bơi có phần cuối sâu - nơi có nhiều nước hơn trong đó. Ý nghĩa kép này góp phần tạo ra ảo tưởng rằng mạng lưới thần kinh đang “suy nghĩ”.

Một sự nhầm lẫn tương tự cũng áp dụng cho việc “học tập”, đây là lĩnh vực mà Brooks rất hữu ích: Mạng lưới thần kinh sâu (DNN) sẽ thực hiện nhiệm vụ tốt hơn khi tiếp xúc với nhiều dữ liệu đào tạo hơn, vì vậy theo nghĩa đó, nó “học” từ kinh nghiệm, nhưng cách nó học không giống cách con người học mọi thứ.

Để làm ví dụ về cách DNN học, hãy xem xét AlphaGo, hệ thống chơi trò chơi sử dụng mạng lưới thần kinh để đánh bại các đại kiện tướng của con người. Theo các nhà phát triển hệ thống, trong khi con người có thể dễ dàng xử lý sự thay đổi kích thước bảng (thường là lưới 19 × 19), một thay đổi nhỏ sẽ khiến AlphaGo bất lực cho đến khi nó có thời gian huấn luyện dữ liệu mới từ bảng đã thay đổi kích thước.

Đối với tôi, điều này minh họa rõ ràng việc “học tập” của DNN về cơ bản không giống như việc học của con người như thế nào, ngay cả khi chúng ta sử dụng cùng một từ. Mạng lưới thần kinh không thể khái quát hóa từ những gì nó đã “học được”. Và để đưa ra quan điểm này, AlphaGo gần đây đã đánh bại bởi một đối thủ là con người, người liên tục sử dụng một phong cách chơi không có trong dữ liệu huấn luyện. Việc không có khả năng xử lý các tình huống mới dường như là một đặc điểm nổi bật của hệ thống AI.

Vấn đề ngôn ngữ

Ngôn ngữ được sử dụng để mô tả các hệ thống AI tiếp tục ảnh hưởng đến cách chúng ta nghĩ về chúng. Thật không may, với sự phản đối hợp lý đối với sự cường điệu hóa AI gần đây và một số thất bại đáng chú ý với hệ thống AI, giờ đây có thể có nhiều người tin rằng AI hoàn toàn vô giá trị cũng như có những thành viên trong phe nói rằng AI sắp đạt được trí thông minh giống con người. .

Tôi rất nghi ngờ về phe thứ hai, như đã nêu ở trên, nhưng tôi cũng nghĩ sẽ thật đáng tiếc nếu đánh mất tác động tích cực mà hệ thống AI - hoặc, nếu bạn thích, hệ thống máy học - có thể có.

Tôi hiện đang hỗ trợ một số đồng nghiệp viết sách về các ứng dụng học máy cho mạng và không có gì ngạc nhiên khi biết rằng có rất nhiều vấn đề về mạng có thể giải quyết được bằng các giải pháp dựa trên ML. Đặc biệt, dấu vết lưu lượng truy cập mạng là nguồn dữ liệu tuyệt vời và dữ liệu đào tạo là nguồn thực phẩm giúp hệ thống máy học phát triển.

Các ứng dụng từ ngăn chặn từ chối dịch vụ đến phát hiện phần mềm độc hại đến định vị địa lý đều có thể sử dụng thuật toán ML và mục tiêu của cuốn sách này là giúp những người kết nối mạng hiểu rằng ML không phải là loại bột ma thuật mà bạn rắc lên dữ liệu của mình để có được câu trả lời mà là một bộ công cụ kỹ thuật có thể được áp dụng có chọn lọc để tạo ra giải pháp cho các vấn đề thực tế. Nói cách khác, không phải là thuốc chữa bách bệnh hay giả dược được cường điệu hóa quá mức. Mục đích của cuốn sách là giúp người đọc hiểu công cụ ML nào phù hợp với các loại vấn đề mạng khác nhau.

Một câu chuyện khiến tôi chú ý cách đây không lâu là việc sử dụng AI để hỗ trợ Network Rail ở Anh quản lý thảm thực vật phát triển dọc theo các tuyến đường sắt của Anh. Công nghệ “AI” quan trọng ở đây là nhận dạng hình ảnh (để xác định các loài thực vật) – tận dụng loại công nghệ mà DNN đã cung cấp trong thập kỷ qua. Có lẽ không thú vị bằng các hệ thống AI tổng hợp đã thu hút sự chú ý của thế giới vào năm 2023, nhưng là một ứng dụng thực tế, tốt của một kỹ thuật nằm dưới chiếc ô AI.

Xu hướng của tôi ngày nay là cố gắng sử dụng thuật ngữ “học máy” thay vì AI khi thích hợp, hy vọng tránh được cả sự cường điệu và phản ứng dị ứng mà “AI” hiện nay tạo ra. Và với những lời của Patrick Winston vẫn còn mới mẻ trong tâm trí tôi, tôi có thể sẽ chuyển sang nói về việc “làm cho máy tính trở nên hữu ích”. ®

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://go.theregister.com/feed/www.theregister.com/2024/04/25/ai_usefulness/