C'è una ragione per la fiducia eccessiva iniziale di scienziati e ingegneri che lavorano sull'intelligenza artificiale negli anni '60?

Ho appena iniziato un corso di AI e Data Mining e il libro. La programmazione delle applicazioni AI, inizia con una panoramica della storia dell'IA. Il primo capitolo tratta della storia dell'intelligenza artificiale dagli anni '40 ad oggi. Mi è venuta in mente una dichiarazione particolare:

[Negli anni '60] Ingegneri di intelligenza artificiale iperpromessi e sottoconsegnati ...

Qual è stato il motivo della fiducia eccessiva? È stato a causa di modelli matematici di previsione che mostravano una svolta dietro l'angolo, o a causa della sempre crescente capacità hardware di cui trarre vantaggio?

La mia opinione personale è che era dovuto all'arroganza . C'erano alcuni grandi ego potenti che camminavano nelle sale del MIT, Stanford, ecc. Negli anni '60 e '70 e sapevano solo di aver risolto questo problema. Destra.

Anche se non facevo parte di quell'universo a quei tempi, nella seconda metà degli anni '80 lavoravo con la ricerca della somiglianza. Il nostro lavoro inizialmente era basato sulla ricerca condotta da Gerard Salton alla Cornell negli anni '60, che utilizzava vettori di attributi ponderati per rappresentare documenti e domande. In realtà si trattava di un approccio utilizzabile, ma quando le reti neurali andarono in fiamme (almeno fino a quando non scoprirono la propagazione posteriore ), il lavoro di Salton ne fu incluso a causa di somiglianze (gioco di parole inteso) con le reti neurali. Stava cercando di fare qualcosa di diverso, ma ci sono stati diversi anni in cui è stato coinvolto nel resto.

Ogni volta che qualcuno trova una soluzione per Current Brick Wall ™, si eccitano molto e dichiarano che l'IA è un problema risolto. Solo non lo è. Perché dietro quel muro di mattoni ce n'è un altro. Questo ciclo si è ripetuto ancora e ancora e ancora e ancora, e non solo nell'intelligenza artificiale. Sono fermamente convinto che tutti i futuri scienziati e ingegneri informatici debbano essere tenuti a frequentare un semestre di storia della storia dell'informatica, con particolare enfasi sul numero di Next Big Things ™ che è salito come razzi ... e poi ha fatto molto grande cratere nel fondovalle.

Addendum: ho trascorso il weekend della festa dei lavoratori con un vecchio amico e ne abbiamo parlato un po '. Il contesto - capire cosa significa, come rappresentarlo e quindi come utilizzarlo - è emerso come forse il più grande ostacolo da eliminare. E più a lungo lo guardi, più grande diventa un ostacolo. Gli esseri umani sono in grado di abbinare in modo quasi istantaneo lo schema parziale di "ciò che sta accadendo" contro un vasto archivio di "ciò che è accaduto prima" e quindi combinare quella conoscenza del passato con la situazione attuale per creare un contesto in cui la comprensione può portare all'azione. Ad esempio, possiamo usarlo come un potente filtro di "cose ​​che possiamo / non possiamo ignorare" mentre scendiamo dal Waldo Grade a 60 km / h con traffico 4 corsie al passo e separato da solo 3 o 4 piedi (o meno!).

Sullo spettro di stuff > data > information > knowledge > understanding > judgementnoi stiamo ancora tendendo ad arrivare alle fasi di informazione / conoscenza, e anche questo è limitato a domini di discorso fortemente vincolati .

Molto semplicemente, hanno sottovalutato in modo massiccio la portata del problema attuale, specialmente per quanto riguarda l'esplosione combinatoria. Molte soluzioni di intelligenza artificiale funzionano bene per i campioni "giocattolo", ma falliscono duramente quando si adattano ai problemi a livello umano.

Probabilmente, erano anche semplicemente inesperti. L'intelligenza artificiale come campo era stata (relativamente) appena inventata in termini di applicazioni pratiche, quindi nessuno aveva esperienza significativa nell'applicazione della teoria a nulla.

Mi vengono in mente un paio di ragioni.

L'intelligenza artificiale ha avuto un successo così rapido con alcuni dei problemi del giocattolo affrontati alla fine degli anni '50 e all'inizio degli anni '60, che hanno sopravvalutato ciò che avevano realizzato. ELIZA e SHRDLU hanno sbalordito la gente nonostante fossero programmi relativamente semplici. Sfortunatamente, gran parte di ciò che ha reso sbalorditivi questi programmi è stata solo una novità. Nessuno è rimasto molto colpito da una conversazione con ELIZA oggi, ma all'epoca la gente pensava fosse quasi miracolosa.

Inoltre, poiché i problemi vengono "risolti" o almeno diventano trattabili, la gente non li considera più come AI. L'ottimizzazione del codice era un problema di intelligenza artificiale. L'apprendimento statistico è nato dall'intelligenza artificiale nella sua specialità e ha portato con sé il riconoscimento vocale. Man mano che il data mining diventa mainstream, perderà la sua associazione con l'IA. Nel tempo l'IA dimentica i suoi successi e si blocca aggrappandosi ai problemi intrattabili e insolubili, e finisce per sembrare un flop.

Penso che le persone negli anni '60 abbiano usato la propria esperienza umana per dividere i problemi in "problemi difficili" e "problemi facili": cose come vincere gli scacchi, risolvere enigmi logici, risolvere equazioni matematiche sembrano difficili per noi umani. Cose come comprendere i linguaggi naturali o trovare i contorni degli oggetti in un'immagine sembrano facili, perché il nostro cervello fa tutto il lavoro senza sforzo cosciente. Quando proviamo a spiegare come facciamo queste cose, arriviamo a semplici spiegazioni come "Le frasi inglesi hanno sempre la struttura soggetto-predicato-oggetto in cui soggetto può essere un semplice termine o una frase ...", o "Io sono cercare i bordi e collegarli ai confini degli oggetti ". Oggi sappiamo che le cose non sono così semplici, ma solo perché tutte le soluzioni semplici (e molte non così semplici) sono state provate e non

Inoltre, questo errore non è iniziato negli anni '60: ci sono secoli di ricerche su come risolvere quei "problemi difficili" (euristica, teoria dei giochi, teoria delle decisioni, matematica, logica, ecc.) Ma non sono sicuro che nessuno abbia mai preoccupato di ricercare come i linguaggi naturali potrebbero essere analizzati prima degli anni '50.

E anche oggi, puoi trovare regolarmente domande su StackOverflow, dove le persone chiedono come possono analizzare le frasi inglesi, stimare l'età di una persona in un'immagine, giudicare se un'immagine è "sicura per il lavoro" o se due immagini mostrano la stessa cosa . Non credo che le persone che pongono queste domande soffrano di troppa arroganza o arroganza: questi problemi sembrano così semplici, è incredibile che non ci sia un semplice algoritmo per risolverli.

L'intelligenza artificiale ha una lunga storia di delusioni, ma penso che molti critici spesso semplifichino eccessivamente ciò che è accaduto, ad esempio con la tua citazione "Gli ingegneri degli anni '60 erano troppo promessi e sottodimensionati".

Negli anni '60, l'IA era il dominio di una manciata relativa di ricercatori (il campo non era ancora sufficientemente sviluppato per chiamarlo ingegneria), soprattutto nelle università, e pochissimi di loro erano programmatori esperti.

L'improvvisa disponibilità di macchine informatiche negli anni '50 aveva portato a grandi aspettative per l'automazione, in particolare nella traduzione automatica del linguaggio naturale, nel gioco degli scacchi e problemi simili. Potresti trovare alcune effettive previsioni di successo di quei giorni, ma le promesse inevitabilmente arrivarono PRIMA che qualcuno affrontasse uno di quei problemi in profondità. (Oppure, presumevano erroneamente che un successo ne garantisse un altro, come aspettarsi di essere in grado di implementare un buon gioco di scacchi dopo che Samuel ebbe così tanto successo con le pedine.)

Inoltre, diffidare di qualsiasi affermazione di "hanno detto", "hanno sentito", "hanno pensato", ecc .; le opinioni retrospettive (come questa!) sono facili da lanciare, mentre le prove documentate di previsioni reali da parte di "esperti" (coloro che hanno effettivamente cercato di risolvere un determinato problema) possono essere molto più difficili da trovare.

Sovrapromissione e mancata consegna è sempre stato un sintomo dello sviluppo del software, indipendentemente dal campo specifico in cui viene applicata la programmazione. Una grande difficoltà con l'IA è che problemi non banali vanno oltre le capacità della maggior parte degli ingegneri. Ad esempio, anche se la risposta di Charles E. Grant classifica ELIZA e SHRDLU come "relativamente semplici", direi che è vero solo per ELIZA (che la maggior parte degli studenti di programmazione del primo anno potrebbe probabilmente implementare senza troppe difficoltà). D'altra parte, SHRDLU è un programma ampio ed estremamente sofisticato che la maggior parte dei programmatori avrebbe un momento molto difficile da inventare, per non parlare dell'implementazione. In effetti, due team di studenti universitari non sono nemmeno riusciti a far funzionare nuovamente il codice sorgentee abilità simili a SHRDLU sono ancora difficili da trovare al giorno d'oggi, oltre 40 anni dopo.

Poiché l'IA è probabilmente uno dei problemi meno compresi e più intrattabili in cui i computer possono essere applicati, nel complesso direi che i progressi nell'IA sono stati generalmente alla pari per il corso. Ci sono ancora grandi aspettative , e la nostra velocità e capacità hardware sono aumentate enormemente dagli anni '60, ma direi che le capacità degli ingegneri e la comprensione dell'IA non stanno migliorando così tanto, quindi un Santo Graal come il superamento del test di Turing è ancora probabilmente molto lontano, e la promozione eccessiva e la sottopubblicazione continueranno probabilmente per qualche tempo.

Penso che la ragione sia stata l'arroganza. Se fossi stato un ingegnere negli anni '60 lavorando sull'intelligenza artificiale, sarei stato piuttosto arrogante.

Penso che per realizzare grandi cose, devi raggiungere grandi cose. Quindi il superpromesso non è necessariamente una cosa negativa se non si supera il limite. Oggi gli scienziati stanno promettendo cose che non credo possano essere possibili, ma se non lo raggiungono, perderemo ciò che sarà realizzato di conseguenza.

Può essere molto difficile arrivare da qualche parte quando non sai dove stai andando.

Se avessimo una spiegazione ragionevole di cosa sia l'intelligenza e come funzioni, forse avremmo la possibilità di imitarla efficacemente. Il test di Turing è affascinante e utile, ma probabilmente non è sufficiente per aiutarci a modellare la vera intelligenza. Per quanto ne sappiamo, un "modello" di intelligenza potrebbe non essere sufficiente per la vera intelligenza.

Bene, direi che è più o meno la stessa cosa che sta succedendo con OWL in questo momento. Guardati intorno e prova a tracciare parallelismi.

Suona bene sulla carta, sembra funzionare bene sui problemi dei giocattoli, diventa incredibilmente complicato sulla maggior parte dei dati reali.

Oltre alle buone risposte fornite, due osservazioni:

Alcune citazioni del giorno sembrano implicare che molti dei ricercatori stessero pensando che le soluzioni banali potessero essere ridimensionate una volta progettati i computer più veloci. Per alcuni tipi di sistemi di apprendimento questo era molto vero, ma per il tipo di cose che penso che l'OP si riferisca ad esso in realtà non è migliorato su larga scala.

I ricercatori all'epoca avevano una stima molto bassa della complessità della mente umana (concentrarsi su idee come il test di Turing, l'idea che le persone usino solo una piccola percentuale del loro cervello, ecc.). L'intelligenza artificiale a livello di un semplice animale è stata raggiunta da alcune misure man mano che le cose si ingrandivano, ma il salto a un livello umano L'intelligenza artificiale era molto più grande del previsto. Ciò ha portato alcuni ricercatori a provare ad apprendere i sistemi del bambino e altre simulazioni basate sulla crescita / evoluzione nel tentativo di colmare tale divario.

Uno dei motivi è stato il successo che stavamo ottenendo ALTROVE negli anni '60. Avevamo appena lanciato nello spazio e presto sarebbe atterrato un uomo sulla luna. Avevamo appena scoperto cure per la poliomielite e altre importanti malattie.

Ma "l'intelligenza artificiale" era un animale diverso dai problemi di "ingegneria" che abbiamo affrontato allora. Era un problema "di ragionamento" piuttosto che "meccanico".

In breve, AI (negli anni '60) era un'idea "il cui tempo non era ancora arrivato". Ci volle più sviluppo, nei decenni successivi, prima che diventasse accessibile come gli altri problemi.

Un altro motivo potrebbe essere che la padronanza di un computer / la scrittura di programmi per computer ci dà pochi maniaci del controllo, una sensazione di onnipotenza - in effetti, si creano piccoli universi, anche se chiusi.

Questo, più la mancanza di educazione filosofica / epistemologica e la fiducia ingenua in spiegazioni semplici come "L'intelligenza non è altro che ...." può portare ad arroganza.