כל מה שרצית לדעת על בינה מלאכותית

בינה מלאכותית היא כָּאן. זה מוגזם, לא מובן ופגום, אבל כבר הליבה לחיינו – וזה רק ירחיב את טווח ההגעה שלו.

כוחות AI מחקר מכוניות ללא נהגכתמים אחרת סימנים בלתי נראים למחלה על תמונות רפואיות, מוצא תשובה כשאתה שואל שאלה אל אלקסה, ומאפשר לך לפתוח את הטלפון שלך עם הפנים כדי לדבר עם חברים כקקי מונפש באייפון X באמצעות אנימוג'י של אפל. אלה רק כמה דרכים שבהן AI כבר נוגע בחיינו, ויש עוד הרבה עבודה לעשות. אבל אל דאגה, אלגוריתמים סופר-חכמים לא עומדים לעשות זאת לקחת את כל העבודות אוֹ לחסל את האנושות.

הפריחה הנוכחית בכל הקשור ל-AI זרזה על ידי פריצות דרך בתחום המכונה למידת מכונה. זה כולל "אימון" של מחשבים לבצע משימות על סמך דוגמאות, במקום להסתמך על תכנות על ידי אדם. טכניקה הנקראת למידה עמוקה הפכה את הגישה הזו להרבה יותר חזקה. רק תשאלו את לי סדול, מחזיקת 18 תארים בינלאומיים במשחק המורכב של Go. הוּא קיבל קרם על ידי תוכנה בשם AlphaGo בשנת 2016.

יש הוכחות שבינה מלאכותית יכולה ליצור אותנו שמח יותר ו בריא יותר. אבל יש גם סיבה לזהירות. תקריות שבהן אלגוריתמים קלטו או הגבירו הטיות חברתיות מסביב גֶזַע אוֹ מִין להראות שעתיד משופר בינה מלאכותית לא אוטומטית יהיה טוב יותר.

ראשיתה של בינה מלאכותית

בינה מלאכותית כפי שאנו מכירים אותה התחילה כפרויקט חופשה. פרופסור דארטמות', ג'ון מקארתי, טבע את המונח בקיץ 1956, כשהזמין קבוצה קטנה לבלות כמה שבועות בהרהורים כיצד לגרום למכונות לעשות דברים כמו להשתמש בשפה.

היו לו תקוות גדולות לפריצת דרך בנסיעה לעבר מכונות ברמת האדם. "אנחנו חושבים שאפשר לעשות התקדמות משמעותית", הוא כתב עם המארגנים שלו"אם קבוצת מדענים שנבחרה בקפידה תעבוד על זה יחד במשך קיץ."

התקוות הללו לא התגשמו, ומקארתי מאוחר יותר הודה שהוא היה אופטימי מדי. אבל הסדנה עזרה לחוקרים שחולמים על מכונות חכמות להתלכד לתחום אקדמי מוכר.

עבודה מוקדמת התמקדה לעתים קרובות בפתרון בעיות מופשטות למדי במתמטיקה ולוגיקה. אבל לא עבר זמן רב עד שה-AI החלה להראות תוצאות מבטיחות במשימות אנושיות יותר. בסוף שנות ה-50 יצר ארתור סמואל תוכניות שלמדו לשחק דמקה. בשנת 1962, אחד השיג ניצחון על מאסטר במשחק. ב-1967, תוכנית בשם Dendral הראתה שהיא יכולה לשחזר את הדרך שבה כימאים פירשו נתוני ספקטרומטריית מסה על ההרכב של דגימות כימיות.

ככל שהתפתח תחום הבינה המלאכותית, כך התפתחו גם אסטרטגיות שונות לייצור מכונות חכמות יותר. כמה חוקרים ניסו לזקק ידע אנושי לקוד או להמציא כללים למשימות ספציפיות, כמו הבנת שפה. אחרים קיבלו השראה מהחשיבות של לימוד הבנת אינטליגנציה של בני אדם ובעלי חיים. הם בנו מערכות שיכולות להשתפר במשימה עם הזמן, אולי על ידי הדמיית אבולוציה או על ידי למידה מנתונים לדוגמה. התחום הגיע לאבן דרך אחרי אבן דרך כאשר מחשבים שולטים במשימות שבעבר יכלו להשלים רק על ידי אנשים.

למידה עמוקה, הדלק הרקטי של בום הבינה המלאכותית הנוכחית, היא התעוררות של אחד הרעיונות העתיקים ביותר בבינה מלאכותית. הטכניקה כוללת העברת נתונים דרך רשתות של מתמטיקה בהשראת רופף מעבודתם של תאי מוח הידועים כרשתות עצביות מלאכותיות. כאשר רשת מעבדת נתוני אימון, הקשרים בין חלקי הרשת מתאימים, ובונים יכולת לפרש נתונים עתידיים.

רשתות עצבים מלאכותיות הפכו לרעיון מבוסס בבינה מלאכותית זמן לא רב לאחר סדנת Dartmouth. Perceptron Mark 1 ממלא החדר מ-1958, למשל, למד להבחין בצורות גיאומטריות שונות וקיבל כתוב למעלה ב הניו יורק טיימס בתור "העובר של מחשב שנועד לקרוא ולהחכים". אבל רשתות עצביות נפלו מהרווחה לאחר שספר רב השפעה משנת 1969, שחיבר שותף של מרווין מינסקי מ-MIT, הציע שהן לא יכולות להיות חזקות במיוחד.

עם זאת, לא כולם השתכנעו על ידי הספקנים, וכמה חוקרים שמרו על הטכניקה בחיים במשך עשרות שנים. הם זכו להצדקה ב-2012, כאשר סדרה של ניסויים הראתה שרשתות עצביות המתדלקות בערימות גדולות של נתונים יכולות להעניק למכונות כוחות תפיסה חדשים. עיבוד כל כך הרבה נתונים היה קשה באמצעות שבבי מחשב מסורתיים, אבל מעבר ל כרטיסים גרפיים גרמו לפיצוץ בכוח העיבוד.

בתוצאה בולטת אחת, חוקרים מאוניברסיטת טורונטו פיטרו יריבים בתחרות שנתית שבה מופקדת התוכנה לסווג תמונות. באחר, חוקרים מ-IBM, מיקרוסופט וגוגל חברו ל לפרסם תוצאות הצגת למידה עמוקה יכולה גם לספק קפיצה משמעותית בדיוק של זיהוי דיבור. חברות טכנולוגיה התחילו מגייסת עובדים בטירוף כל המומחים ללמידה עמוקה שהם יכלו למצוא. עם זאת, חשוב לציין כי לתחום הבינה המלאכותית היו מספר בומים ופריצות (הידוע גם בשם "חורפי בינה מלאכותית") בעבר, ושינוי ימי נותר שוב אפשרי היום.

מצב הבינה המלאכותית היום

שיפורים בחומרת AI, צמיחה ב קורסי הכשרה בלמידת מכונהו קוד פתוח פרויקטים של למידת מכונה האיצו את התפשטות הבינה המלאכותית לתעשיות אחרות, מ ביטחון לאומי אֶל תמיכה עסקית ו תרופה.

DeepMind שבבעלות אלפבית שחררה את הבינה המלאכותית שלה במגוון בעיות: התנועה של שחקני כדורגלשחזור של טקסטים עתיקיםואפילו דרכים לשלוט היתוך גרעיני. בשנת 2020, DeepMind אמרה שה-AlphaFold AI שלה יכול לחזות את מבנה החלבונים, בעיה ארוכת שנים שהפריעה למחקר. זה היה נרחב נראה כאחת הפעמים הראשונות שאלה מדעית אמיתית נענתה עם AI. AlphaFold שימש לאחר מכן לחקר Covid-19 וכעת הוא עוזר למדענים ללמוד מחלות מוזנחות.