Teknologier, der efterligner naturen, ændrer vores liv, fra kunstig intelligens til selvhelbredende beton. Hvordan vil disse innovationer forme vores fremtid?
Det er ingen overdrivelse at sige, at den menneskelige civilisations bekvemmeligheder rundt om i verden er gjort mulige af fremskridt inden for ingeniørvidenskab, men nogle af disse tekniske fremskridt blev gjort mulige ved at efterligne naturen. Den måde, flyvemaskiner bruger lift til at flyve på, efterligner den måde, fugle flyver på, og den måde, ubåde bruger lydbølger til at udforske havbunden på, ligner den måde, flagermus bruger ultralyd for at undgå forhindringer. Eksempler på denne naturlige mimik kan findes overalt omkring os. For eksempel efterligner rengøringsrobotter myrernes kollektive adfærd for at rense rum effektivt, og selvhelbredende beton blev udviklet til at efterligne helingsprocessen af menneskelig hud. Faktisk er de metoder, som organismer har valgt for at overleve, dem, der har konvergeret over hundreder af millioner af års evolution til den mest optimale måde at gøre det på, så det er en meget effektiv måde for ingeniører at låne ideer fra dem. Inden for computere er der et område, der efterligner nogle af de samme egenskaber ved livet: kunstig intelligens, som efterligner menneskelig intelligens.
Faktisk går studiet af kunstig intelligens i traditionel forstand tilbage til computerens fødsel. Efter Aniaks fødsel i 1947 førte den hurtige udvikling af computerteknologi dataloger til at forestille sig en rosenrød fremtid for kunstig intelligens og forudsagde, at tænkende maskiner inden for 10 til 20 år ville være i stand til at hjælpe mennesker. Men i modsætning til deres håb, da forskere forsøgte at løse problemer såsom behandling af naturligt sprog (sprog, der bruges af mennesker til at kommunikere, såsom koreansk og engelsk) og objektgenkendelse ved hjælp af computere, indså de, at det er næsten umuligt at give computere de grundlæggende et barns selvstændige tænkeevner. Stillet over for disse begrænsninger forblev feltet for kunstig intelligens stagnerende uden større fremskridt indtil 90'erne, hvor det begyndte at udvikle sig igen, og det har for nylig vist en række resultater. iPhones Siri og Googles sprogoversættelsessystem, som vi ofte bruger, blev muliggjort af den seneste udvikling inden for kunstig intelligens.
Så hvad er årsagen til genopblussen af AI efter en periode med stagnation? For at forstå dette er det vigtigt at erkende forskellen mellem traditionel computerteknologi og den seneste tilgang til problemer i AI. En computer er en fysisk implementering af en abstrakt maskine kaldet en Turing-maskine, som blev opfundet i 1936 af en matematiker ved navn Alan Turing. Turing-maskinen blev foreslået som en maskine, der, givet et værdiinput, fungerer i henhold til en matematisk algoritme defineret af et menneske, der definerer reglerne og processer én efter én og udsender det passende resultat. Derfor, set fra en computers perspektiv, der er en fysisk implementering af en Turing-maskine, er kunstig intelligens simpelthen behandlingen af algoritmer: Når den får et problem at løse, gennemgår computeren ikke processen med at forstå, hvad problemet er, men forsøger blot at løse det ved at udføre algoritmen ordret ved hjælp af lagrede algoritmer. Denne tilgang kaldes et regelbaseret system, og al tidlig kunstig intelligens brugte den.
Regelbaserede systemer lider dog af to afgørende problemer. Den første er, at computeren ikke har evnen til at håndtere nye typer problemer, der ikke er i algoritmen, så hver gang en ny type problem præsenteres, skal algoritmen udvides, så den kan fungere godt på den nye. type problem. Dette problem er dog ikke fatalt, fordi formålet med at udvikle et AI-system er at hjælpe med at løse visse forudbestemte problemer (sprogoversættelse, objektgenkendelse osv.), ikke at være i stand til at løse alle problemer som et menneske. Det andet problem er snarere en væsentlig svaghed ved regelbaserede systemer. Det andet problem er, at selvom et problem er meget enkelt for et menneske at løse, for at gøre det til en algoritme i form af et regelbaseret system, skal du opregne alle reglerne for problemet. Lad os f.eks. sige, at vi vil skrive en algoritme, så en computer kan se på et objekt og fortælle, om det er et æble eller ej. Først ville vi lede efter de mange funktioner, der definerer et æble (det er rødt, det er rundt, det har en top, det har en specifik smag), og derefter vil algoritmen kontrollere hver af disse funktioner i forhold til det objekt, computeren observerede, hvilket ville være meget tidsineffektivt og ikke nødvendigvis nøjagtigt.
På den anden side er tilgangen fra nuværende AI-systemer en ny måde at løse problemerne med regelbaserede systemer på: den efterligner den måde mennesker tænker og ræsonnerer med deres hjerner. Folk dømmer ikke i hverdagssituationer ved at anvende regler på alt, undtagen i særlige situationer, der kræver et logisk flow, såsom matematik. For at forstå, hvordan mennesker tænker, lad os tage et eksempel fra Jeff Hawkins' bog On Intelligence (The Thinking Brain, the Thinking Machine). Overvej den proces, hvorved vi ser en hvalp og genkender den som en hund: For det første, når vi ser en hvalp, genkender vores synsnervefibre et bestemt mønster, som affyrer bestemte hjerneceller i vores hjerne, der gemmer et abstrakt begreb om en hvalp, og vi har en tanke om en hund. Hjernecellerne, der gemmer dette begreb om en hund, vil også fyre, når vi hører en hund gø eller rører ved en hund. Dette skyldes, at de mønstre, vi tager ind gennem hørelse, lugt, syn osv., er forbundet med disse neuroner. Med andre ord er vores tankeproces baseret på, at vi har været udsat for en masse mønstre siden vi var børn og har lært de begreber, der er forbundet med disse mønstre, og når vi bliver udsat for et nyt mønster, leder vi efter det mønster, der minder mest om det mønster, vi allerede har lært, og genkender konceptet, der er forbundet med det. Denne læreproces handler ikke kun om visuelle mønstre, men også om følelsesmæssige reaktioner, opfattelser af sociale situationer og meget mere. For eksempel involverer den proces, hvorved et barn lærer følelser fra at se sine forældres ansigtsudtryk, mønstergenkendelse. AI-systemer implementeret på denne måde kan løse problemer på meget kortere tid end regelbaserede systemer, og har den fordel, at de ikke skal designe en algoritme, men kun forberede data til at træne computeren. Algoritmernes ydeevne er også meget bedre end regelbaserede systemer.
Omkring dette tidspunkt sidste år skabte et system kaldet "Watson", skabt af IBM, overskrifter, da det slog Jennings og Ritter, to af Jeopardys all-time vindere, i det populære amerikanske quizshow. "Watson" er et stort regelbaseret system, som IBM-teamet brugte år på at bygge, og som faktisk ikke forstår nogen begreber. Selvom "Watson" brugte det ineffektive regelbaserede system nævnt i teksten, var det i stand til at slå mennesker på grund af computerens våben: hurtig behandlingshastighed. Kunstig intelligens, der efterligner den menneskelige hjerne, er stadig i sin vorden, men hvordan ser fremtiden ud, når den videreudvikles og kombineres med computeres hurtige behandlingshastighed. For eksempel vil AI være i stand til at overvåge en persons helbred i realtid for at forhindre sygdom og foreslå personlige behandlinger. AI kan også revolutionere uddannelse. Det vil være i stand til at analysere elevernes læringsmønstre og give dem personlige læringsplaner for at maksimere deres læring. Måske vil vi leve i en æra, hvor vi arbejder tæt sammen med computere for at løse mere kreative og komplekse problemer.
