Berta Sándor
Buták a mai robotok?
Egy szakember szerint a mai technológiák sekélyesek, törékenyek és nagyon korlátozottak. Ennek oka, hogy nem tudnak semmit semminek az okáról és a hatásáról.
Gary Marcus mesterséges intelligencia szakértő a The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence című anyagában a technológia következő években valószínűsíthető fejlődéseit vázolta fel. A kutató többek között azt írta, hogy a mély tanulási technológiák eddig adatéhesnek, sekélyesnek és törékenynek bizonyultak, ráadásul a képességeik is nagyon korlátozottak. Mindez azt jelenti, hogy azokra a helyzetekre, amelyekre előzetesen nem készítették fel azokat, inkább nem szuverén módon reagálnak.
Jó példa volt erre a McAfee biztonsági kutatóinak közelmúltbeli tesztje, amikor egy közlekedési táblán, amely a maximális sebességet 35 mérföld/órában határozta meg, a hármas számot leragasztották egy mindössze 5 centiméter hosszú fekete ragasztószalaggal. Miközben az emberek továbbra is megfelelően értelmezték a táblát, addig a Tesla képelemzője úgy vélte, hogy a maximális sebesség nem 35, hanem 85 mérföld lehet óránként. Mindez azt eredményezte, hogy a vezetést segítő asszisztens gyorsítani kezdte a gépkocsit.
Ha egy mesterséges intelligencián alapuló szoftver kiemelkedően is teljesít egy bizonyos feladat elvégzésekor, attól még más területeken vagy más feladatok megoldásakor előfordulhat, hogy semmilyen érdemi eredményt nem tud felmutatni. Sőt, könnyen lehet, hogy még az adott feladat megértése sem megy neki. Az adott programnak minden egyes alkalommal mindent újra meg kell tanulnia. A mai mesterséges intelligenciák emellett nem ismerik az olyan fogalmakat, mint háttérokok vagy és a különböző dolgok hatásai. E probléma megoldásán dolgozik a Columbia Egyetem egyik új munkacsoportja.
Gary Marcus mesterséges intelligencia szakértő a The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence című anyagában a technológia következő években valószínűsíthető fejlődéseit vázolta fel. A kutató többek között azt írta, hogy a mély tanulási technológiák eddig adatéhesnek, sekélyesnek és törékenynek bizonyultak, ráadásul a képességeik is nagyon korlátozottak. Mindez azt jelenti, hogy azokra a helyzetekre, amelyekre előzetesen nem készítették fel azokat, inkább nem szuverén módon reagálnak.
Jó példa volt erre a McAfee biztonsági kutatóinak közelmúltbeli tesztje, amikor egy közlekedési táblán, amely a maximális sebességet 35 mérföld/órában határozta meg, a hármas számot leragasztották egy mindössze 5 centiméter hosszú fekete ragasztószalaggal. Miközben az emberek továbbra is megfelelően értelmezték a táblát, addig a Tesla képelemzője úgy vélte, hogy a maximális sebesség nem 35, hanem 85 mérföld lehet óránként. Mindez azt eredményezte, hogy a vezetést segítő asszisztens gyorsítani kezdte a gépkocsit.
Ha egy mesterséges intelligencián alapuló szoftver kiemelkedően is teljesít egy bizonyos feladat elvégzésekor, attól még más területeken vagy más feladatok megoldásakor előfordulhat, hogy semmilyen érdemi eredményt nem tud felmutatni. Sőt, könnyen lehet, hogy még az adott feladat megértése sem megy neki. Az adott programnak minden egyes alkalommal mindent újra meg kell tanulnia. A mai mesterséges intelligenciák emellett nem ismerik az olyan fogalmakat, mint háttérokok vagy és a különböző dolgok hatásai. E probléma megoldásán dolgozik a Columbia Egyetem egyik új munkacsoportja.