Por que a revolução do AI será liderada por torradeiras

Por que a revolução do AI será liderada por torradeiras


Será que os algoritmos inteligentes do futuro parecem robôs de propósito geral, adeptos de brincadeiras ociosas e lendo mapas como eles são úteis na cozinha? Ou será que nossos assistentes digitais se parecerão mais com uma sacola de aparelhos especializados - menos um único mestre de conversa do que uma cozinha cheia de eletrodomésticos?

Se um algoritmo tenta fazer muito, fica em apuros. A receita abaixo foi gerada por uma rede neural artificial, um tipo de inteligência artificial (IA) que aprende pelo exemplo. Esse algoritmo particular examinou as receitas de todos os tipos de receitas do livro 30,000, de sopas a tortas e churrasqueiras, e depois tentou criar as suas próprias. Os resultados são, digamos, pouco ortodoxos:

(Nota do Editor: Não tente estas receitas em casa, LOL)

Espalhe Arroz de Frango
queijo / ovos, saladas, queijo
2 lb hearts, semeado
1 xícara de hortelã fresca desfiada ou torta de framboesa
1 / 2 cup catrimas ralados
1 colher de sopa de óleo vegetal
Sal 1
1 pimenta
2 1 / 2 tb açucar, açucar
Combine unleaves e mexa até a mistura ficar espessa. Em seguida, adicione os ovos, o açúcar, o mel e as sementes de alcaravia e cozinhe em fogo baixo. Adicione o xarope de milho, orégano e alecrim e pimenta branca. Coloque no creme pelo calor. Cozinhe adicione o restante 1 colher de chá de fermento em pó e sal. Asse em 350F para 2 para 1 hora. Servir quente.
Rendimento: porções 6

Agora, aqui está um exemplo de uma receita gerada pelo mesmo algoritmo básico - mas em vez de dados que incluíam receitas de todos os tipos, ela só olhava para bolos. A receita não é perfeita, mas é muito, muito melhor que a anterior:

Bolo de Cenoura (Vera Ladies)
bolos, álcool
1 pkg mix de bolo amarelo
3 xícara de farinha
1 colher de chá de fermento em pó
1 1 / 2 colher de chá de bicarbonato de sódio
1 / 4 sal do teaspoon
1 teaspoon ground cinnamon
1 gengibre em pó colher de chá
1 / 2 terra dentes de colher de chá
1 colher de chá de fermento em pó
1 / 2 sal do teaspoon
1 colher de chá de baunilha
Ovo 1, temperatura ambiente
1 xícara de açúcar
1 colher de chá de baunilha
1 xícara picada pecans
Preaqueça o forno em graus 350. Unte uma forma de mola de 9.
Para fazer o bolo: Bata os ovos em alta velocidade até a cor grossa e amarela e reserve. Em uma tigela separada, bata as claras até ficarem firmes. Acelere o primeiro como a mistura na panela preparada e alise a massa. Asse no forno por cerca de 40 minutos ou até que um palito de madeira inserido no centro saia limpo. Deixe esfriar na panela por 10 minutos. Transforme-se em uma grade para esfriar completamente.
Retire o bolo da panela para esfriar completamente. Sirva quente.
HereCto Cookbook (1989) Da cozinha & Hawn na vida canadense
Rendimento: porções 16

Claro, quando você olha as instruções mais de perto, produz apenas uma gema de ovo assada. Mas ainda é uma melhoria. Quando a IA foi autorizada a se especializar, havia muito menos para acompanhar. Não tinha que tentar descobrir quando usar o chocolate e quando usar batatas, quando assar ou quando ferver. Se o primeiro algoritmo estava tentando ser uma caixa-maravilha que pudesse produzir arroz, sorvete e tortas, o segundo algoritmo estava tentando ser algo mais parecido com uma torradeira - especializado para apenas uma tarefa.

Os desenvolvedores que treinam algoritmos de aprendizado de máquina descobriram que muitas vezes faz sentido construir torradeiras ao invés de caixas-maravilha. Isso pode parecer contra-intuitivo, porque os IAs da ficção científica ocidental tendem a se assemelhar a C-3PO em Star Wars ou WALL-E no filme homônimo - exemplos de inteligência geral artificial (AGI), autômatos que podem interagir com o mundo como um humano e lidar com muitas tarefas diferentes. Mas muitas empresas são invisíveis - e com sucesso - usando aprendizado de máquina para atingir metas muito mais limitadas. Um algoritmo pode ser um chatbot que lida com uma gama limitada de perguntas básicas do cliente sobre sua conta telefônica. Outro pode fazer previsões sobre o que um cliente está ligando para discutir, exibindo essas previsões para o representante humano que atende o telefone. Estes são exemplos de artificial estreito inteligência (ANI) - restrito a funções muito estreitas. Por outro lado, o Facebook retirou recentemente o seu chatbot do 'M', que nunca conseguiu o seu objetivo de lidar com reservas de hotéis, reservar bilhetes de teatro, organizar visitas a papagaios e muito mais.

A razão pela qual temos ANI em nível de torradeira ao invés de AGI em nível de parede é que qualquer algoritmo que tente generalizar pior nas várias tarefas que enfrenta.

'esta ave é amarela com o preto na cabeça e tem um bico muito curto'

para exemploAqui está um algoritmo treinado para gerar uma imagem com base em uma legenda.

Esta é a sua tentativa de criar uma imagem a partir da frase: "esta ave é amarela com o preto na cabeça e tem um bico muito curto".

Quando foi treinado em um conjunto de dados que consistia inteiramente de aves, ele se saiu muito bem (apesar do estranho chifre de unicórnio):

Mas quando sua tarefa era gerar nada - de sinais de parada para barcos para vacas para pessoas - lutou. Aqui está sua tentativa de gerar "uma imagem de uma menina comendo uma grande fatia de pizza":

'uma imagem de uma menina comendo uma fatia grande de pizza'

Não estamos acostumados a pensar que há uma lacuna tão grande entre um algoritmo que faz uma coisa bem e um algoritmo que faz muitas coisas bem. Mas nosso atual dia algoritmos têm um poder mental muito limitado em comparação com o cérebro humano, e cada nova tarefa os espalha mais finos. Pense em um aparelho do tamanho de uma torradeira: é fácil construir em um par de slots e algumas bobinas de aquecimento para que ele possa torrar pão. Mas isso deixa pouco espaço para qualquer outra coisa. Se você tentar adicionar também a funcionalidade de fazer arroz com sorvete e fazer gelados, então você terá que abrir mão de um dos pães, pelo menos, e provavelmente não será bom em nada.

Existem truques que os programadores usam para obter mais dos algoritmos ANI. Uma delas é a aprendizagem de transferência: treinar um algoritmo para realizar uma tarefa e ela pode aprender a fazer uma tarefa diferente, mas intimamente relacionada, após o mínimo de treinamento. As pessoas usam o aprendizado de transferência para treinar algoritmos de reconhecimento de imagem, por exemplo. Um algoritmo que aprendeu a identificar animais já acumulou muitas habilidades de detecção de bordas e análise de textura, o que pode levar à tarefa de identificar frutos. Mas, se você treinar novamente o algoritmo para identificar frutas, um fenômeno chamado esquecimento catastrófico significa que não mais se lembrará de como identificar os animais.

Outro truque que os algoritmos de hoje usam é modularidade. Em vez de um único algoritmo capaz de lidar com qualquer problema, os IAs do futuro provavelmente serão uma montagem de instrumentos altamente especializados. Um algoritmo que aprendido Para jogar o videogame, a Doom, por exemplo, tinha módulos de visão, controlador e memória dedicados e separados. Os módulos interconectados também podem fornecer redundância contra falhas e um mecanismo para votar a melhor solução para um problema com base em várias abordagens diferentes. Eles também podem ser uma maneira de detectar e solucionar erros algorítmicos. Normalmente é difícil descobrir como um algoritmo individual toma suas decisões, mas se uma decisão é tomada por sub-algoritmos cooperativos, podemos pelo menos olhar para a saída de cada sub-algoritmo.

Quando imaginamos as IAs do futuro distante, talvez WALL-E e C-3PO não sejam os droides que deveríamos estar procurando. Em vez disso, podemos imaginar algo mais como um smartphone cheio de aplicativos ou um armário de cozinha cheio de gadgets. À medida que nos preparamos para um mundo de algoritmos, devemos nos certificar de que não estamos planejando pensar, caixas-maravilha de propósito geral que talvez nunca sejam construídas, mas sim de torradeiras altamente especializadas.Contador Aeon - não remova

Sobre o autor

Janelle Shane treina redes neurais para escrever humor em aiweirdness.com. Ela também é pesquisadora em óptica e mora em Boulder, no Colorado.

Este artigo foi publicado originalmente em Eternidade e foi republicado sob Creative Commons.

Livros relacionados:

{amazonWS: searchindex = Livros; palavras-chave = livros de inteligência artificial; maxresults = 3}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

siga InnerSelf on

facebook-icontwitter-iconrss-icon

Receba as últimas por e-mail

{Emailcloak = off}