За 80 лет развития в области искусственного интеллекта (ИИ) мы можем извлечь много ценных уроков. Этот период стал свидетелем колебаний финансовых вложений, разнообразия методов исследований и разработок, а также изменения общественного настроения от любопытства до тревоги и затем до восторга.
История ИИ восходит к декабрю 1943 года, когда нейрофизиологи Маккаллок и логики Питц опубликовали прорывную статью о математической логике. Они предложили идеализированную и упрощенную модель нейронной сети, описывающую, как эти сети выполняют простые логические операции, передавая или не передавая импульсы. Хотя гипотезы этой статьи позже не смогли пройти эмпирическую проверку, она стала источником вдохновения для современного глубокого обучения.
В процессе развития ИИ нам необходимо быть осторожными, чтобы не путать инженерию и науку, не смешивать науку и предположения, а также не принимать научные статьи, полные математических символов и формул, за нечто иное. Более того, мы должны сопротивляться соблазну иллюзии о том, что "человечество может создать машину, идентичную ему самому". Эта упрямая и повсеместная гордость на протяжении последних 80 лет была катализатором технологических пузырей и периодических увлечений ИИ.
Концепция универсального ИИ(AGI), то есть быстрое появление машин с человеческим или даже сверхчеловеческим интеллектом, всегда была热门话题 в области ИИ. Тем не менее, исторически прогнозы о скором достижении AGI неоднократно оказывались ошибочными. С 1957 года, когда Герберт Симон заявил, что "в мире уже существуют машины, которые умеют мыслить, учиться и создавать", до 1970 года, когда Марвин Минский предсказал, что "в течение трех-восьми лет появятся машины с интеллектом обычного человека", и до недавнего времени, когда OpenAI заявила, что сверхинтеллектуальный ИИ может появиться в этом десятилетии, все эти прогнозы отражают чрезмерный оптимизм относительно возможностей ИИ.
Мы должны осторожно относиться к тем новым технологиям, которые кажутся революционными, и тщательно рассмотреть, действительно ли они имеют принципиальные отличия от прежних предположений о машинном интеллекте. Как говорит эксперт в области глубокого обучения Ян Лекун, нам все еще не хватает некоторых ключевых элементов для создания машин, способных эффективно учиться, как люди и животные.
"Первая ошибка" в истории развития ИИ заслуживает нашего внимания. Эта ошибка предполагает, что если компьютер может выполнить задачу, которую изначально считали невыполнимой, даже если он выполняет ее очень плохо, то с дальнейшим развитием технологий он в конечном итоге сможет выполнить эту задачу идеально. Однако реальность часто подтверждает, что расстояние от невозможности сделать что-то до плохого выполнения задачи обычно намного короче, чем от плохого выполнения до отличного.
На разных этапах развития ИИ аппаратное обеспечение, программное обеспечение и сбор данных играли важную роль. Экспертные системы, ставшие популярными с середины 1960-х годов, переключили внимание на получение и программирование знаний о реальном мире. Однако к началу 1990-х годов этот бум ИИ в конечном итоге рухнул, выявив огромные проблемы в получении и поддержании знаний. Это напоминает нам о том, что первоначальный успех и широкое принятие не гарантируют долговечности "новой отрасли", пузырь в конечном итоге лопнет.
Дебаты о методах разработки ИИ существуют долгое время, в основном они разворачиваются между основанным на правилах символическим ИИ и статистическим соединительным подходом. В последние годы акцент разработки ИИ сместился из академической среды в частный сектор, но вся область по-прежнему склонна следовать единому исследовательскому направлению. Это напоминает нам, что не следует возлагать все надежды на единственный метод разработки ИИ.
Смотря в будущее, как такие аппаратные гиганты, как Nvidia, так и стартапы, сосредоточенные на AGI, должны извлечь уроки из истории развития ИИ. Быть бдительными, развиваться в разных направлениях и избегать陷入陷阱 единственной технологической стратегии — все это ключевые моменты для обеспечения долгосрочного успеха в области ИИ.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
16 Лайков
Награда
16
4
Поделиться
комментарий
0/400
LiquidationWatcher
· 14ч назад
та же старая атмосфера технологического пузыря... нужно оставаться трезвым сейчас
80 лет развития ИИ: откровение от восторга к рациональности
Путь и уроки 80-летнего развития ИИ
За 80 лет развития в области искусственного интеллекта (ИИ) мы можем извлечь много ценных уроков. Этот период стал свидетелем колебаний финансовых вложений, разнообразия методов исследований и разработок, а также изменения общественного настроения от любопытства до тревоги и затем до восторга.
История ИИ восходит к декабрю 1943 года, когда нейрофизиологи Маккаллок и логики Питц опубликовали прорывную статью о математической логике. Они предложили идеализированную и упрощенную модель нейронной сети, описывающую, как эти сети выполняют простые логические операции, передавая или не передавая импульсы. Хотя гипотезы этой статьи позже не смогли пройти эмпирическую проверку, она стала источником вдохновения для современного глубокого обучения.
В процессе развития ИИ нам необходимо быть осторожными, чтобы не путать инженерию и науку, не смешивать науку и предположения, а также не принимать научные статьи, полные математических символов и формул, за нечто иное. Более того, мы должны сопротивляться соблазну иллюзии о том, что "человечество может создать машину, идентичную ему самому". Эта упрямая и повсеместная гордость на протяжении последних 80 лет была катализатором технологических пузырей и периодических увлечений ИИ.
Концепция универсального ИИ(AGI), то есть быстрое появление машин с человеческим или даже сверхчеловеческим интеллектом, всегда была热门话题 в области ИИ. Тем не менее, исторически прогнозы о скором достижении AGI неоднократно оказывались ошибочными. С 1957 года, когда Герберт Симон заявил, что "в мире уже существуют машины, которые умеют мыслить, учиться и создавать", до 1970 года, когда Марвин Минский предсказал, что "в течение трех-восьми лет появятся машины с интеллектом обычного человека", и до недавнего времени, когда OpenAI заявила, что сверхинтеллектуальный ИИ может появиться в этом десятилетии, все эти прогнозы отражают чрезмерный оптимизм относительно возможностей ИИ.
Мы должны осторожно относиться к тем новым технологиям, которые кажутся революционными, и тщательно рассмотреть, действительно ли они имеют принципиальные отличия от прежних предположений о машинном интеллекте. Как говорит эксперт в области глубокого обучения Ян Лекун, нам все еще не хватает некоторых ключевых элементов для создания машин, способных эффективно учиться, как люди и животные.
"Первая ошибка" в истории развития ИИ заслуживает нашего внимания. Эта ошибка предполагает, что если компьютер может выполнить задачу, которую изначально считали невыполнимой, даже если он выполняет ее очень плохо, то с дальнейшим развитием технологий он в конечном итоге сможет выполнить эту задачу идеально. Однако реальность часто подтверждает, что расстояние от невозможности сделать что-то до плохого выполнения задачи обычно намного короче, чем от плохого выполнения до отличного.
На разных этапах развития ИИ аппаратное обеспечение, программное обеспечение и сбор данных играли важную роль. Экспертные системы, ставшие популярными с середины 1960-х годов, переключили внимание на получение и программирование знаний о реальном мире. Однако к началу 1990-х годов этот бум ИИ в конечном итоге рухнул, выявив огромные проблемы в получении и поддержании знаний. Это напоминает нам о том, что первоначальный успех и широкое принятие не гарантируют долговечности "новой отрасли", пузырь в конечном итоге лопнет.
Дебаты о методах разработки ИИ существуют долгое время, в основном они разворачиваются между основанным на правилах символическим ИИ и статистическим соединительным подходом. В последние годы акцент разработки ИИ сместился из академической среды в частный сектор, но вся область по-прежнему склонна следовать единому исследовательскому направлению. Это напоминает нам, что не следует возлагать все надежды на единственный метод разработки ИИ.
Смотря в будущее, как такие аппаратные гиганты, как Nvidia, так и стартапы, сосредоточенные на AGI, должны извлечь уроки из истории развития ИИ. Быть бдительными, развиваться в разных направлениях и избегать陷入陷阱 единственной технологической стратегии — все это ключевые моменты для обеспечения долгосрочного успеха в области ИИ.