Akankah algoritme cerdas masa depan tampak seperti robot tujuan umum, sebagai mahir dalam olok-olok dan membaca peta saat mereka berguna di dapur? Ataukah asisten digital kami lebih terlihat seperti kantong khusus gadget - kurang satu masterchef cerewet daripada dapur yang penuh peralatan?

Jika suatu algoritma mencoba untuk melakukan terlalu banyak, ia mendapat masalah. Resep di bawah ini dihasilkan oleh jaringan syaraf tiruan, sejenis kecerdasan buatan (AI) yang belajar melalui contoh. Algoritma khusus ini meneliti resep resep memasak 30,000 dari segala jenis, mulai dari sup hingga pai hingga barbecue, dan kemudian mencoba untuk membuatnya sendiri. Hasilnya, haruskah kita katakan, agak tidak ortodoks:

(Catatan Editor: Jangan coba resep ini di rumah, LOL)

Sebarkan Nasi Ayam

keju / telur, salad, keju

2 lb hati, buang bijinya
1 cup diparut mint segar atau pai raspberry
1 / 2 cup catrimas, parutan
1 sendok makan minyak sayur
Garam 1
1 lada
2 1 / 2 gula tb, gula

Gabungkan unleaves, dan aduk sampai campurannya kental. Kemudian tambahkan telur, gula, madu, dan biji jintan, dan masak dengan api kecil. Tambahkan sirup jagung, oregano, dan rosemary dan lada putih. Masukkan krim dengan panas. Masak tambahkan sisa 1 sendok teh bubuk dan garam. Panggang di 350F untuk 2 hingga 1 jam. Sajikan panas.

Yield: porsi 6

Sekarang, inilah contoh resep yang dihasilkan oleh algoritme dasar yang sama - tetapi alih-alih data yang menyertakan berbagai macam resep, itu hanya melihat kue. Resepnya tidak sempurna, tetapi jauh lebih baik dari yang sebelumnya:

Kue Wortel (Vera Ladies)

kue, alkohol

1 pkg campuran kue kuning
3 cangkir tepung
1 sendok teh baking powder
1 1 / 2 sendok teh baking soda
1 / 4 sendok teh garam
1 teaspoon ground cinnamon
1 sdt bubuk jahe
Sendok teh cengkeh 1 / 2
1 sendok teh baking powder
1 / 2 sendok teh garam
1 sendok teh vanili
Telur 1, suhu kamar
1 cangkir gula
1 sendok teh vanili
1 cup pecan cincang

Panaskan oven ke 350 derajat. Olesi panci springform 9-inci.

Untuk membuat kue: Kocok telur dengan kecepatan tinggi sampai tebal dan warnanya kuning dan sisihkan. Dalam mangkuk terpisah, kocok putih telur hingga kaku. Percepat yang pertama seperti campuran ke dalam panci yang disiapkan dan keluarkan adonan. Panggang dalam oven selama sekitar 40 menit atau sampai tusuk gigi kayu dimasukkan ke tengah keluar bersih. Dinginkan dalam panci selama 10 menit. Balik ke rak kawat untuk mendinginkan sepenuhnya.

Hapus kue dari panci hingga benar-benar dingin. Sajikan hangat.

HereCto Cookbook (1989) Dari Kitchen & Hawn di Canadian Living

Yield: porsi 16

Tentu, ketika Anda melihat instruksi lebih dekat, hanya menghasilkan satu kuning telur yang dipanggang. Tapi ini masih merupakan perbaikan. Ketika AI diizinkan untuk mengkhususkan diri, ada jauh lebih sedikit untuk melacak. Tidak harus mencoba untuk mencari tahu kapan menggunakan cokelat dan kapan menggunakan kentang, kapan harus memanggang, atau kapan harus mendidih. Jika algoritme pertama mencoba menjadi kotak ajaib yang bisa menghasilkan beras, es krim, dan pai, algoritme kedua mencoba menjadi sesuatu yang lebih mirip pemanggang - khusus untuk satu tugas saja.

Pengembang yang melatih algoritme pembelajaran mesin telah menemukan bahwa sering kali masuk akal untuk membuat toaster daripada kotak heran. Itu mungkin tampak berlawanan dengan intuisi, karena AI dari fiksi ilmiah Barat cenderung menyerupai C-3PO di star Wars atau WALL-E dalam film eponymous - contoh kecerdasan umum buatan (AGI), automata yang dapat berinteraksi dengan dunia seperti manusia, dan menangani banyak tugas yang berbeda. Tetapi banyak perusahaan yang tidak terlihat - dan berhasil - menggunakan pembelajaran mesin untuk mencapai tujuan yang jauh lebih terbatas. Satu algoritme mungkin berupa chatbot yang menangani sejumlah terbatas pertanyaan pelanggan dasar tentang tagihan telepon mereka. Yang lain mungkin membuat prediksi tentang apa yang disebut oleh pelanggan untuk didiskusikan, menampilkan prediksi ini untuk perwakilan manusia yang menjawab telepon. Ini adalah contoh buatan sempit intelijen (ANI) - terbatas pada fungsi yang sangat sempit. Di sisi lain, Facebook baru saja menghentikan chatbot 'M', yang tidak pernah berhasil dalam tujuannya menangani pemesanan hotel, memesan tiket teater, mengatur kunjungan burung beo, dan banyak lagi.

Alasan kita memiliki ANI tingkat pemanggang daripada WALL-E-level AGI adalah bahwa setiap algoritma yang mencoba untuk menyamaratakan mendapat lebih buruk di berbagai tugas yang dihadapinya.

Untuk contoh, inilah algoritma yang dilatih untuk menghasilkan gambar berdasarkan keterangan.

Ini adalah usahanya untuk membuat gambar dari kalimat: 'burung ini berwarna kuning dengan hitam di kepalanya dan memiliki paruh yang sangat pendek'.

Ketika dilatih pada dataset yang seluruhnya terdiri dari burung, itu cukup baik (meskipun tanduk unicorn aneh):

Tetapi ketika tugasnya adalah untuk menghasilkan apa saja - Dari tanda-tanda berhenti ke perahu untuk sapi kepada orang-orang - itu berjuang. Berikut ini adalah upaya untuk menghasilkan 'gambar seorang gadis makan sepotong besar pizza':

Kami tidak terbiasa berpikir ada kesenjangan besar antara algoritma yang melakukan satu hal dengan baik, dan algoritma yang melakukan banyak hal dengan baik. Tapi hari ini kami algoritma memiliki kekuatan mental yang sangat terbatas dibandingkan dengan otak manusia, dan setiap tugas baru menyebar lebih tipis. Bayangkan alat pemanggang roti: mudah untuk membangun beberapa slot dan beberapa koil pemanas sehingga dapat memanggang roti. Tapi itu menyisakan sedikit ruang untuk hal lain. Jika Anda mencoba juga menambahkan fungsi pengukus nasi dan es krim, maka Anda harus melepaskan salah satu slot roti setidaknya, dan mungkin tidak akan bagus dalam hal apa pun.

Ada trik yang digunakan programmer untuk mendapatkan lebih banyak dari algoritma ANI. Salah satunya adalah transfer pembelajaran: melatih suatu algoritma untuk melakukan satu tugas, dan dapat belajar untuk melakukan tugas yang berbeda tetapi terkait erat setelah pelatihan ulang minimal. Orang menggunakan transfer belajar untuk melatih algoritma pengenalan gambar, misalnya. Algoritma yang telah belajar mengidentifikasi hewan telah mengumpulkan banyak keterampilan deteksi tepi dan analisis tekstur, yang dapat berpindah ke tugas mengidentifikasi buah. Tapi, jika Anda melatih algoritme untuk mengidentifikasi buah, sebuah fenomena disebut melupakan bencana berarti itu tidak akan lagi mengingat bagaimana mengidentifikasi binatang.

Trik lain yang digunakan algoritma saat ini adalah modularitas. Alih-alih algoritma tunggal yang dapat menangani masalah apa pun, AI dari masa depan cenderung menjadi kumpulan instrumen yang sangat khusus. Suatu algoritma itu belajar untuk memainkan video game Doom, misalnya, memiliki modul penglihatan, pengontrol, dan memori terpisah yang berdedikasi. Interkoneksi modul juga dapat memberikan redundansi terhadap kegagalan, dan mekanisme untuk memilih solusi terbaik untuk masalah berdasarkan berbagai pendekatan yang berbeda. Mereka juga bisa menjadi cara untuk mendeteksi dan memecahkan masalah kesalahan algoritmik. Biasanya sulit untuk mencari tahu bagaimana algoritma individu membuat keputusannya, tetapi jika keputusan dibuat dengan menggabung sub-algoritma, setidaknya kita dapat melihat setiap output sub-algoritma.

Ketika kita membayangkan AI dari masa depan yang jauh, mungkin WALL-E dan C-3PO bukanlah droid yang seharusnya kita cari. Sebagai gantinya, kita mungkin membayangkan sesuatu yang lebih seperti smartphone yang penuh dengan aplikasi, atau lemari dapur yang penuh dengan gadget. Saat kami mempersiapkan dunia algoritme, kami harus memastikan bahwa kami tidak merencanakan untuk berpikir, kotak-kotak tujuan umum yang mungkin tidak pernah dibuat, tetapi untuk pemandu yang sangat khusus.

Tentang Penulis

Janelle Shane melatih jaringan syaraf untuk menulis humor di aiweirdness.com. Dia juga seorang ilmuwan penelitian di bidang optik, dan tinggal di Boulder, Colorado.

Artikel ini awalnya diterbitkan pada beribu-ribu tahun dan telah dipublikasikan ulang di bawah Creative Commons.

Buku terkait:

at Pasar InnerSelf dan Amazon