인공지능의 똑똑함

인공 지능은 얼마나 똑똑합니까?

생각하고 , 배우고 , 추론 하는 기계를 말합니다 . 학문 자체의 이름 인 인공 지능은 우리 인간의 추론 모드와 알고리즘의 행동을 비교하는 데 실질적으로 감히 감히 다가옵니다. 라고 옥스포드 박사 과정 후보 인 David Watson 은 최근에 발표 한 논문 The Rhetoric and Reality of Anthropomorphism in Artificial Intelligence에서 썼습니다 . AI에 대해 논의 할 때 의인화 된 비유로 돌아 가려는 유혹에도 불구하고 나는 결론을 내립니다.그러한 수사학은 기껏해야 오해의 소지가 있고 최악의 경우 완전히 위험합니다. 알고리즘을 인간화하려는 충동은 신흥 기술이 제기하는 윤리적 과제를 적절하게 개념화하는 데 장애물입니다. 지능 이란 무엇을 의미 합니까? 1994 년 월스트리트 저널 은 지능과 관련된 분야에서 52 명의 주요 학술 연구자들의 합의를 반영한 정의 를 발표 했습니다 .“지성은 무엇보다도 추론, 계획, 문제 해결, 사고 능력을 포함하는 매우 일반적인 정신 능력입니다. 추상적으로 복잡한 아이디어를 이해하고 빠르게 배우고 경험을 통해 배웁니다. 그것은 단순히 책을 배우는 것, 좁은 학문적 기술 또는 시험을 보는 현명한 것이 아닙니다. 오히려 그것은 우리 주변을 이해하는 더 넓고 깊은 능력을 반영합니다. 즉, 사물을 '잡기', '이해하기'또는 무엇을해야할지 '구상'하는 것입니다.” 이것은 일반적인 지능에 대한 아주 좋은 정의입니다 . IQ 테스트에서 오랫동안 측정되어 왔으며, 가까운 미래에는 인간 만이 가지고있는 지능입니다. 반면 , 특정 환경에서 잘 정의 된 특정 목표를 효과적으로 처리 할 수있는 능력 인 전문 지능 은 많은 인간 작업의 일부인 작업 지향 지능의 일종입니다. 지난 몇 년 동안 점점 더 스마트 해지는 우리의 기계는 이러한 다양한 특수 지능형 작업을 처리하는 데 상당히 능숙 해졌습니다. AI 기술은 시각, 음성 인식, 언어 번역, 다양한 형태의 암 의 조기 발견 및 진단 , 그리고 한때 인간의 독점 영역으로 간주되었던 기타 기능 에서 인간 수준의 성능에 접근하거나이를 능가하고 있습니다. 기계 학습 은 AI의 최근 성과에서 중심적인 역할을했습니다. 기계 학습은 고도로 연결된 신경 세포의 대규모 클러스터로 구성된 생물학적 뇌가 문제를 해결 하는 방법을 학습하는 방식을 느슨하게 모델링 한 데이터에서 기계를 학습하는 방법 인 신경망 에 대한 수십 년의 오래된 연구에서 성장했습니다 . AI 신경망의 각 노드는 다른 많은 노드에 연결되며, 링크는 시스템 훈련에 사용되는 데이터를 기반으로 통계적으로 강화되거나 약화 될 수 있습니다. 가장 최근의 AI 발전은 딥 러닝을 기반으로했습니다. 알고리즘은 매우 큰 훈련 데이터 세트와 다 계층 심층 신경망을 사용하여 패턴을 분류하는 강력한 통계 기술이며, 여기서 각 연속 계층은 이전 계층의 출력을 입력으로 사용합니다. 신경망 이라는 용어조차도 의사 결정을 내리는 뇌와 같은 기계의 이미지를 불러옵니다. 라고 Watson은 말합니다. 인간의 뇌의 해부학에서 영감을하면서 그러나, 그는 깊은 신경망이 있으며, 기록 취성 , 비효율적 및 근시 성능이 실제 인간의 뇌에 비해 때. 심층 신경망 정의 취성 . DNN은 훈련 입력에 약간의 섭동으로 속기 쉽습니다. 이 기사는 훈련 이미지에 소량의 노이즈를 추가 한 후 딥 러닝 알고리즘이 속여 팬더를 긴팔 원숭이로 잘못 분류하고 얼룩말을 말로, 바나나를 토스터로, 기타 어리석은 조합으로 잘못 분류 한 여러 예를 인용합니다. 우리는 그러한 사소한 변화에 훨씬 더 탄력적이기 때문에 인간은 훈련 이미지에 대한 약간의 섭동에 속지 않았을 것입니다. 생물학적 신경망과 인공 신경망의 이러한 주요 차이점은 임상 의학 및 자율 주행 차량과 같은 중요한 영역에서 DNN의 적용 가능성에 중대한 도전을 제기합니다. 무능한. 심층 신경망은 데이터가 부족하고 비효율적이므로 사람이 즉시 분명하게 발견 할 수있는 구별을 학습하려면 엄청난 양의 학습 예제가 필요합니다. 인간 수준의 지능에는 데이터 및 딥 러닝 알고리즘을 뛰어 넘는 능력이 필요합니다. 인간은 일상 적인 상식 지식을 포함하여 자신이 인식하는 세계의 모델을 구축 한 다음 이러한 모델을 사용하여 자신의 행동과 결정을 설명 할 수 있습니다.3 개월 된 아기는 지금까지 구축 된 어떤 AI 애플리케이션보다 주변 세계에 대한 실질적인 이해를 가지고 있습니다. AI 애플리케이션은 분석하는 데이터의 패턴에서 학습하기 전에 빈 슬레이트로 시작하는 반면, 아기는 수백만 년의 진화를 통해 얻은 유전 적 헤드 스타트와 데이터 및 패턴보다 훨씬 더 많은 것을 배울 수있는 뇌 구조로 시작합니다. "인간은 몇 번의 시도로 추상적 인 관계를 배울 수 있습니다." NYU 교수 인 Gary Marcus 는 최근 기사 에서 썼습니다 . "현재 딥 러닝은 명시 적, 언어 적 정의를 통해 추상화를 학습하는 메커니즘이 부족하며 수천, 수백만 또는 수십억 개의 학습 예제가있을 때 가장 잘 작동합니다." 명시 적 정의를 통해 학습 할 때“수백, 수천 또는 수백만 개의 학습 예제에 의존하지 않고 대수와 유사한 변수 간의 추상적 인 관계를 나타내는 능력에 의존합니다. 인간은 명시 적 정의와 더 암시적인 수단을 통해 이러한 추상화를 배울 수 있습니다. 실제로 7 개월 된 유아도 그렇게 할 수 있으며, 라벨이없는 소수의 예에서 학습 된 추상 언어와 유사한 규칙을 단 2 분 만에 얻을 수 있습니다.” 근시 딥 러닝은 인간의인지와 비교할 때 이상하게 근시적인 것으로 입증되었습니다. 많은 개별 나무를 볼 수 있지만 전체 숲을 이해하는 데 어려움이 있습니다. 예를 들어 이미지 분류에서 딥 러닝 알고리즘은 분석중인 이미지의 중간 계층에서 공통 기능을 찾는 반면 이러한 기능 간의 상호 관계를 파악하지 못합니다. 따라서 인간은 개의 모양과 특징을 가질 수있는 구름이 진짜 개가 아니라는 것을 본능적으로 말할 수 있지만, 딥 러닝 알고리즘은 무언가 처럼 보이는 것과 실제로 는 것을 구별하는 데 어려움을 겪 습니다. 이러한 단절은 생물학적 두뇌에 비해 인공 신경망에는 실제 세계를 탐색하는 데 필수적인 중요한 구성 요소가 부족함을 시사합니다. 새로운 추론 모드 이러한 알고리즘이 인간의 지능을 재현 한다고 말하는 것은 실수입니다 . 대신 어떤면에서는 우리를 능가하고 다른면에서는 부족한 몇 가지 새로운 추론 모드를 도입합니다.라고 Watson은 말합니다. "그러나 우리가 이러한 은유와 비유를 너무 문자 그대로 받아들이 기 시작하면 문제가 발생합니다."특히 형사 사법, 신용 점수 및 군사 작전과 같은 영역에서 "관련된 사람들의 삶에 중대한 영향을 미치는 중대한 결정을 포함"하는 영역에서 문제가 발생합니다.