Teks ini bukan hasil penelitian ilmiah, tetapi salah satu dari banyak pendapat mengenai perkembangan teknologi langsung kami. Dan sekaligus undangan untuk berdiskusi.Gary Marcus, seorang profesor di New York University, yakin bahwa pembelajaran mendalam memainkan peran penting dalam pengembangan AI. Tetapi dia juga percaya bahwa antusiasme yang berlebihan untuk teknik ini dapat menyebabkan kecurangannya.
Dalam bukunya,
Rebooting AI: Membangun kecerdasan buatan, kita dapat mempercayai Marcus, seorang ahli saraf dengan pelatihan yang membangun karirnya pada penelitian mutakhir AI, membahas masalah teknis dan etika. Dari sudut pandang teknologi, pembelajaran yang mendalam dapat berhasil meniru solusi tugas persepsi yang dilakukan otak kita: misalnya, pengenalan gambar atau ucapan. Tetapi untuk menyelesaikan tugas-tugas lain, seperti memahami percakapan atau menentukan hubungan sebab akibat, pembelajaran yang mendalam tidak baik. Untuk membuat mesin cerdas yang lebih canggih yang dapat menyelesaikan berbagai tugas yang lebih luas - mereka sering disebut kecerdasan buatan umum - pembelajaran yang mendalam harus dikombinasikan dengan teknik lain.
Jika sistem AI tidak benar-benar memahami tugasnya atau dunia di sekitarnya, ini dapat menyebabkan konsekuensi berbahaya. Bahkan perubahan terkecil yang tidak terduga di lingkungan sistem dapat menyebabkan perilaku yang salah. Sudah ada banyak contoh seperti itu: penentu ekspresi tidak pantas yang mudah dibodohi; sistem pencarian kerja yang selalu melakukan diskriminasi; kendaraan tak berawak yang mengalami kecelakaan dan terkadang membunuh pengemudi atau pejalan kaki. Penciptaan kecerdasan buatan umum bukan hanya masalah penelitian yang menarik, ia memiliki banyak aplikasi yang sepenuhnya praktis.
Dalam bukunya, Marcus dan rekan penulisnya Ernest Davis mengajukan advokasi jalan yang berbeda. Mereka percaya bahwa kita masih jauh dari membuat AI umum, tetapi mereka yakin bahwa cepat atau lambat akan mungkin untuk membuatnya.
Mengapa kita membutuhkan AI umum? Versi khusus telah dibuat dan membawa banyak manfaat.Benar, dan manfaatnya akan semakin besar. Tetapi ada banyak tugas yang tidak dapat diselesaikan AI khusus. Misalnya, memahami ucapan biasa, atau bantuan umum di dunia virtual, atau robot yang membantu membersihkan dan memasak. Tugas semacam itu berada di luar kemampuan AI khusus. Pertanyaan praktis lain yang menarik: apakah mungkin membuat mobil drone yang aman menggunakan AI khusus? Pengalaman menunjukkan bahwa AI seperti itu masih memiliki banyak masalah dengan perilaku dalam situasi abnormal, bahkan ketika mengemudi, yang sangat memperumit situasi.
Saya pikir kita semua ingin mendapatkan AI yang dapat membantu kita membuat penemuan besar-besaran baru di bidang kedokteran. Tidak jelas apakah teknologi saat ini cocok untuk ini, karena biologi adalah bidang yang kompleks. Seseorang harus siap membaca banyak buku. Para ilmuwan memahami hubungan sebab-akibat dalam interaksi jaringan dan molekul, dapat mengembangkan teori tentang planet dan sebagainya. Namun, dengan AI khusus, kami tidak dapat membuat mesin yang mampu melakukan penemuan seperti itu. Dan dengan AI umum, kita dapat merevolusi sains, teknologi, dan kedokteran. Menurut pendapat saya, sangat penting untuk terus bekerja pada AI umum.
Kedengarannya seperti "umum" berarti AI yang kuat?Mengatakan "umum" Maksud saya AI akan dapat merenungkan dan secara mandiri menyelesaikan masalah baru dengan cepat. Tidak seperti, katakanlah, Guo, di mana masalahnya tidak berubah selama 2000 tahun terakhir.
AI umum harus dapat membuat keputusan baik dalam bidang politik maupun kedokteran. Ini adalah analog dari kemampuan manusia; setiap orang waras dapat melakukan banyak hal. Anda mengambil siswa yang tidak berpengalaman dan setelah beberapa hari memaksa mereka untuk mengerjakan hampir semua hal, mulai dengan tugas hukum dan berakhir dengan yang medis. Hal ini disebabkan oleh fakta bahwa mereka memiliki pemahaman yang sama tentang dunia dan mampu membaca, dan karenanya dapat berkontribusi pada berbagai kegiatan yang sangat luas.
Hubungan antara kecerdasan seperti itu dengan kecerdasan yang kuat adalah bahwa kecerdasan yang tidak kuat mungkin tidak akan mampu memecahkan masalah umum. Untuk menciptakan sesuatu yang cukup andal yang dapat bekerja dengan dunia yang terus berubah, Anda mungkin perlu setidaknya lebih dekat dengan kecerdasan umum.
Tapi sekarang kita sangat jauh dari ini. AlphaGo dapat bermain dengan sempurna di papan 19x19, tetapi perlu dilatih ulang untuk bermain di papan persegi panjang. Atau ambil sistem pembelajaran dalam rata-rata: ia dapat mengenali seekor gajah jika ia menyala dengan baik dan tekstur kulitnya terlihat. Dan jika hanya siluet gajah yang terlihat, sistem mungkin tidak akan bisa mengenalinya.
Dalam buku Anda, Anda menyebutkan bahwa pembelajaran yang mendalam tidak mampu mencapai kemampuan AI umum, karena tidak mampu memahami secara mendalam.Dalam ilmu kognitif mereka berbicara tentang pembentukan berbagai model kognitif. Saya duduk di kamar hotel dan saya mengerti bahwa ada lemari, ada tempat tidur, ada TV, yang ditangguhkan luar biasa. Saya tahu semua barang ini, saya tidak hanya mengidentifikasi mereka. Saya juga mengerti bagaimana mereka saling berhubungan satu sama lain. Saya punya ide tentang fungsi dunia. Mereka tidak sempurna. Mereka mungkin salah, tetapi mereka sangat baik. Dan berdasarkan mereka, saya membuat banyak kesimpulan, yang menjadi panduan untuk tindakan sehari-hari saya.
Ekstrem lainnya adalah sesuatu seperti sistem permainan Atari yang dibuat oleh DeepMind, di mana dia ingat apa yang perlu dia lakukan ketika dia melihat piksel di tempat-tempat tertentu di layar. Jika Anda mendapatkan data yang cukup, mungkin Anda memiliki pemahaman, tetapi sebenarnya sangat dangkal. Buktinya adalah bahwa jika Anda memindahkan objek dengan tiga piksel, maka AI memainkan jauh lebih buruk. Perubahan membingungkannya. Ini kebalikan dari pemahaman yang mendalam.
Untuk mengatasi masalah ini, Anda mengusulkan untuk kembali ke AI klasik. Apa kelebihannya yang perlu kita coba gunakan?Ada beberapa keunggulan.
Pertama, AI klasik sebenarnya merupakan kerangka kerja untuk membuat model kognitif dunia, berdasarkan kesimpulan yang kemudian dapat ditarik.
Kedua, AI klasik sangat kompatibel dengan aturan. Sekarang di bidang pembelajaran mendalam ada kecenderungan aneh ketika spesialis mencoba untuk menghindari aturan. Mereka ingin melakukan segalanya pada jaringan saraf dan tidak melakukan apa pun yang tampak seperti pemrograman klasik. Tetapi ada tugas yang diselesaikan dengan tenang dengan cara ini, dan tidak ada yang memperhatikannya. Misalnya, membangun rute di Google Maps.
Sebenarnya, kita membutuhkan kedua pendekatan itu. Pembelajaran mesin memungkinkan Anda belajar dengan baik dari data, tetapi sangat membantu dalam menampilkan abstraksi yang diwakili oleh program komputer. AI klasik bekerja dengan baik dengan abstraksi, tetapi perlu diprogram sepenuhnya secara manual, dan ada terlalu banyak pengetahuan di dunia untuk memprogram semuanya. Jelas, kita perlu menggabungkan kedua pendekatan itu.
Ini terkait dengan bab di mana Anda berbicara tentang apa yang dapat kita pelajari dari pikiran manusia. Dan pertama-tama, tentang konsep berdasarkan ide yang disebutkan di atas bahwa kesadaran kita terdiri dari banyak sistem berbeda yang bekerja dengan cara yang berbeda.Saya pikir ada cara lain untuk menjelaskan ini: setiap sistem kognitif yang kita miliki, benar-benar memecahkan masalah yang berbeda. Bagian AI yang serupa harus dirancang untuk menyelesaikan berbagai masalah yang memiliki karakteristik berbeda.
Sekarang kami mencoba menggunakan beberapa teknologi all-in-one untuk memecahkan masalah yang secara radikal berbeda satu sama lain. Memahami sebuah kalimat sama sekali tidak sama dengan mengenali suatu objek. Tetapi orang-orang dalam kedua kasus mencoba menggunakan pembelajaran yang mendalam. Dari sudut pandang kognitif, ini adalah tugas yang berbeda secara kualitatif. Saya hanya kagum pada betapa kecilnya komunitas para pakar pembelajaran mendalam yang menghargai AI klasik. Mengapa menunggu peluru perak muncul? Itu tidak mungkin tercapai, dan pencarian yang sia-sia tidak memungkinkan untuk memahami kompleksitas tugas menciptakan AI.
Anda juga menyebutkan bahwa sistem AI diperlukan untuk memahami hubungan sebab-akibat. Apakah Anda berpikir bahwa pembelajaran mendalam, AI klasik, atau sesuatu yang sama sekali baru akan membantu kami dalam hal ini?Ini adalah area lain di mana pembelajaran yang mendalam tidak terlalu cocok. Ini tidak menjelaskan penyebab beberapa peristiwa, tetapi menghitung probabilitas suatu peristiwa dalam kondisi tertentu.
Apa yang kita bicarakan Anda melihat skenario tertentu, dan Anda mengerti mengapa ini terjadi dan apa yang bisa terjadi jika beberapa keadaan berubah. Saya dapat melihat dudukan di mana TV berada, dan bayangkan jika saya memotong salah satu kakinya, dudukan akan terbalik dan TV akan jatuh. Ini adalah hubungan kausal.
AI klasik memberi kita beberapa alat untuk ini. Dia dapat membayangkan, misalnya, apa dukungan itu dan apa yang jatuh. Tetapi saya tidak akan memuji. Masalahnya adalah bahwa AI klasik sebagian besar tergantung pada kelengkapan informasi tentang apa yang terjadi, tetapi saya menyimpulkan hanya dengan melihat stand. Entah bagaimana saya bisa menggeneralisasi, bayangkan bagian-bagian dudukan yang tidak terlihat oleh saya. Kami belum memiliki alat untuk mengimplementasikan properti ini.
Anda juga mengatakan bahwa orang memiliki pengetahuan bawaan. Bagaimana ini bisa diimplementasikan dalam AI?Pada saat kelahiran, otak kita sudah merupakan sistem yang dipikirkan dengan sangat hati-hati. Itu tidak diperbaiki, alam menciptakan draft pertama yang kasar. Dan kemudian belajar membantu kita merevisi konsep ini sepanjang hidup kita.
Draft otak yang kasar sudah memiliki kemampuan tertentu. Kambing gunung yang baru lahir dalam beberapa jam mampu secara akurat menuruni lereng gunung. Jelas, dia sudah memiliki pemahaman tentang ruang tiga dimensi, tubuhnya dan hubungan di antara mereka. Sistem yang sangat rumit.
Ini adalah sebagian alasan saya pikir kita perlu hibrida. Sulit membayangkan bagaimana Anda bisa membuat robot yang berfungsi dengan baik di dunia tanpa pengetahuan yang sama, di mana untuk memulai, bukannya mulai dari awal dan belajar dari pengalaman yang panjang dan luas.
Bagi manusia, pengetahuan bawaan kita berasal dari genom kita, yang telah berevolusi dari waktu ke waktu. Dan dengan sistem AI, kita harus pergi ke arah lain. Sebagian, ini mungkin aturan untuk membangun algoritma kami. Sebagian, ini mungkin aturan untuk membuat struktur data yang memanipulasi algoritma ini. Dan sebagian, ini mungkin pengetahuan bahwa kami akan langsung berinvestasi dalam mesin.
Menariknya, dalam buku ini Anda membawa ide kepercayaan dan penciptaan sistem kepercayaan. Mengapa Anda memilih kriteria ini?Saya percaya bahwa hari ini semua ini adalah permainan bola. Sepertinya saya bahwa kita hidup dalam momen yang aneh dalam sejarah, sebagian besar mempercayai perangkat lunak yang tidak dapat dipercaya. Saya pikir kecemasan yang melekat pada hari ini tidak akan bertahan selamanya. Dalam seratus tahun, AI akan membenarkan kepercayaan kami, dan mungkin bahkan lebih awal.
Tapi hari ini, AI berbahaya. Bukan dalam arti yang ditakutkan oleh Elon Musk, tetapi pada kenyataan bahwa sistem wawancara kerja mendiskriminasi perempuan, terlepas dari apa yang dilakukan programmer, karena alat mereka terlalu sederhana.
Saya ingin kita memiliki AI yang lebih baik. Saya tidak ingin "musim dingin kecerdasan buatan" dimulai, ketika orang-orang menyadari bahwa AI tidak bekerja dan hanya berbahaya, dan mereka tidak ingin memperbaikinya.
Di satu sisi, buku Anda benar-benar tampak sangat optimis. Anda menyarankan agar Anda dapat membangun AI yang kredibel. Kita hanya perlu melihat ke arah yang berbeda.Benar, buku ini sangat pesimistis dalam jangka pendek dan sangat optimis dalam jangka panjang. Kami percaya bahwa semua masalah yang kami jelaskan dapat diselesaikan jika kami melihat lebih luas pada jawaban yang benar. Dan kami berpikir bahwa jika ini terjadi, dunia akan menjadi lebih baik.