มีเหตุผลสำหรับความมั่นใจครั้งแรกของนักวิทยาศาสตร์และวิศวกรที่ทำงานด้านปัญญาประดิษฐ์ในปี 1960 หรือไม่?

ฉันเพิ่งเริ่มเรียน AI & Data Mining และหนังสือ การเขียนโปรแกรมประยุกต์ AIเริ่มต้นด้วยภาพรวมของประวัติของ AI บทแรกเกี่ยวข้องกับประวัติความเป็นมาของ AI ตั้งแต่ปี 1940 ถึงปัจจุบัน มีคำสั่งหนึ่งโผล่ออกมาที่ฉัน:

[ในยุค 60] วิศวกร AI overpromised และส่งไม่ครบ ...

อะไรคือเหตุผลของความมั่นใจ มันเป็นเพราะแบบจำลองการทำนายทางคณิตศาสตร์แสดงให้เห็นว่ามีความก้าวหน้าอยู่รอบมุมหรือเนื่องจากความสามารถของฮาร์ดแวร์ที่เพิ่มขึ้นเรื่อย ๆ เพื่อใช้ประโยชน์จาก?

ความเห็นส่วนตัวของฉันคือว่ามันเป็นเพราะความโอหัง มีอีโอกตัวโตที่ยิ่งใหญ่เดินไปที่ห้องโถงของ MIT สแตนฟอร์ด ฯลฯ กลับมาในยุค 60 และ 70 และพวกเขาเพิ่งรู้ว่าพวกเขาได้แก้ปัญหานี้แล้ว ขวา.

แม้ว่าฉันจะไม่ได้เป็นส่วนหนึ่งของเอกภพในสมัยนั้น แต่ในช่วงกลางถึงปลายยุค 80 ฉันได้ทำงานกับการค้นหาความเหมือนกัน งานของเราเริ่มต้นจากการวิจัยโดยGerard Saltonที่ Cornell ในยุค 60 ซึ่งใช้เวกเตอร์คุณลักษณะถ่วงน้ำหนักเพื่อแสดงเอกสารและแบบสอบถาม จริง ๆ แล้วมันเป็นวิธีที่ใช้ประโยชน์ได้ แต่เมื่ออวนประสาทลงไปในเปลวไฟ (อย่างน้อยก็จนกว่าพวกเขาจะค้นพบการขยายพันธุ์กลับ ) งานของ Salton รวมอยู่ด้วยเพราะความคล้ายคลึงกัน (ปุนตั้งใจ) กับอวนประสาท เขาพยายามทำสิ่งที่แตกต่างออกไป แต่มีอยู่หลายปีที่เขาถูกจับด้วยส่วนที่เหลือ

ทุกครั้งที่มีคนหาวิธีแก้ปัญหาสำหรับกำแพงอิฐปัจจุบันพวกเขารู้สึกตื่นเต้นมากและประกาศว่า AI เป็นปัญหาที่แก้ไขแล้ว เพียง แต่มันไม่ใช่ เพราะอยู่เบื้องหลังที่ผนังอิฐเป็นอีกสิ่งหนึ่ง วัฏจักรนี้ซ้ำแล้วซ้ำอีกซ้ำแล้วซ้ำอีกไม่ใช่เฉพาะใน AI ฉันเชื่อมั่นอย่างยิ่งว่านักวิทยาศาสตร์คอมพิวเตอร์และวิศวกรที่คาดหวังทุกคนควรจะต้องเข้าชั้นเรียนภาคเรียนที่ยาวนานในประวัติศาสตร์การคำนวณโดยเน้นเป็นพิเศษเกี่ยวกับจำนวน Next Big Things ™ที่ขึ้นมาเหมือนจรวด ... แล้วจึงสร้าง ปล่องภูเขาไฟขนาดใหญ่ในพื้นหุบเขา

ภาคผนวก:ฉันใช้เวลาวันหยุดสุดสัปดาห์วันแรงงานกับเพื่อนเก่าและเราคุยกันเรื่องนี้เล็กน้อย บริบท - การค้นหาสิ่งที่หมายถึงวิธีการเป็นตัวแทนและวิธีการใช้งาน - กลายเป็นอุปสรรค์ที่ใหญ่ที่สุดเดียวที่จะถูกล้างออก และยิ่งคุณมองมันนานเท่าไหร่ มนุษย์มีความสามารถในการจับคู่รูปแบบบางส่วนใกล้กับ "สิ่งที่เกิดขึ้น" ที่น่าอัศจรรย์ใกล้กับ "สิ่งที่เคยเกิดขึ้นมาก่อน" แล้วรวมความรู้ในอดีตกับสถานการณ์ปัจจุบันเพื่อสร้างบริบทที่เข้าใจ สามารถนำไปสู่การปฏิบัติ ตัวอย่างเช่นเราสามารถใช้มันเป็นตัวกรองที่ทรงพลังของ "สิ่งที่เราสามารถ / ไม่สามารถเพิกเฉย" ในขณะที่เราหวุดหวิดระดับวัลโด ที่ 60 ไมล์ต่อชั่วโมงพร้อมการจราจร 4 เลนไปข้างหน้าและแยกห่างกันเพียง 3 หรือ 4 ฟุต (หรือน้อยกว่า!)

บนคลื่นความถี่ของstuff > data > information > knowledge > understanding > judgementเราจะยังคงรัดที่จะได้รับขั้นตอนข้อมูล / ความรู้และแม้กระทั่งการที่จะถูก จำกัด ข้อ จำกัด สูงโดเมนของวาทกรรม

ค่อนข้างง่ายพวกเขาประเมินขนาดของปัญหาที่อยู่ในระดับสูงโดยเฉพาะอย่างยิ่งเมื่อเกิดการระเบิดที่เกี่ยวข้องกับ combinatinatorial วิธีการแก้ปัญหา AI หลายอย่างทำงานได้ดีสำหรับตัวอย่าง "ของเล่น" แต่ล้มเหลวอย่างหนักเมื่อปรับแก้ปัญหาระดับมนุษย์

อีกทั้งยังไม่มีประสบการณ์เลย AI ในฐานะที่เป็นสนาม (เพิ่ง) ถูกประดิษฐ์ขึ้นในแง่ของการใช้งานจริงเท่านั้นดังนั้นจึงไม่มีใครมีประสบการณ์ที่สำคัญในการประยุกต์ใช้ทฤษฎีกับสิ่งใด

ฉันคิดได้สองสามเหตุผล

AI ประสบความสำเร็จอย่างรวดเร็วเช่นนี้กับปัญหาของเล่นบางอย่างที่ถูกจับในช่วงปลายยุค 50 และต้นยุค 60 ซึ่งพวกเขาประเมินสิ่งที่พวกเขาประสบความสำเร็จมากเกินไป ELIZA และ SHRDLU ตกตะลึงคนแม้จะเป็นโปรแกรมที่ค่อนข้างง่าย น่าเสียดายที่ส่วนใหญ่ของสิ่งที่ทำให้โปรแกรมเหล่านั้นน่าทึ่งจริง ๆ เป็นเพียงความแปลกใหม่ ไม่มีใครประทับใจบทสนทนากับ ELIZA วันนี้มากนัก แต่ในเวลานั้นคนคิดว่ามันใกล้จะอัศจรรย์

นอกจากนี้เมื่อมีปัญหา "แก้ไข" หรืออย่างน้อยก็กลายเป็นง่ายต่อการเข้าใจคนไม่คิดว่าพวกเขาเป็น AI การปรับให้เหมาะสมของรหัสเคยเป็นปัญหา AI การเรียนรู้เชิงสถิตินั้นแตกต่างจาก AI เป็นพิเศษของตัวเองและทำการจดจำเสียงด้วย เมื่อการขุดข้อมูลกลายเป็นกระแสหลักมันจะสูญเสียการเชื่อมโยงกับ AI เมื่อเวลาผ่านไป AI จะลืมความสำเร็จและติดอยู่กับปัญหาที่แก้ไม่ได้และไม่ละลายน้ำและมันก็ดูเหมือนจะล้มเหลว

ฉันคิดว่าผู้คนในยุค 60 ใช้ประสบการณ์ของมนุษย์ในการแบ่งปัญหาเป็น "ปัญหาหนัก" และ "ปัญหาง่าย": สิ่งต่าง ๆ เช่นการชนะหมากรุกการแก้ปริศนาตรรกะการแก้สมการทางคณิตศาสตร์นั้นยากสำหรับมนุษย์ สิ่งต่าง ๆ เช่นการเข้าใจภาษาธรรมชาติหรือการค้นหาโครงร่างของวัตถุในภาพดูเหมือนง่ายเพราะสมองของเราทำงานทั้งหมดโดยไม่ต้องใช้ความพยายามอย่างมีสติ เมื่อเราพยายามอธิบายว่าเราทำสิ่งเหล่านั้นได้อย่างไรเราจะมีคำอธิบายง่ายๆเช่น "ประโยคภาษาอังกฤษมักจะมีโครงสร้างหัวเรื่อง - วัตถุ - วัตถุซึ่งหัวเรื่องอาจเป็นคำที่ง่ายหรือวลี ... " หรือ "ฉัน มองหาขอบและเชื่อมต่อกับขอบเขตของวัตถุ " วันนี้เรารู้ว่าสิ่งต่าง ๆ นั้นไม่ง่าย แต่มีเพียงเพราะโซลูชั่นที่เรียบง่าย (และไม่ง่ายมาก) ทั้งหมดได้รับการทดลองและทำไม่ได้ '

นอกจากนี้การเข้าใจผิดนี้ไม่ได้เริ่มต้นขึ้นในยุค 60: มีงานวิจัยหลายศตวรรษเกี่ยวกับวิธีแก้ปัญหา "ปัญหาหนัก" (heuristic, ทฤษฎีเกม, ทฤษฎีการตัดสินใจ, คณิตศาสตร์, logics และอื่น ๆ ) แต่ฉันไม่แน่ใจว่าจะมีใครเคย ใส่ใจที่จะศึกษาว่าภาษาธรรมชาติอาจจะถูกแยกวิเคราะห์ก่อนปี 1950

และแม้กระทั่งทุกวันนี้คุณสามารถค้นหาคำถามเกี่ยวกับ stackoverflow ได้เป็นประจำโดยที่ผู้คนถามว่าพวกเขาสามารถแยกประโยคภาษาอังกฤษประเมินอายุของบุคคลในภาพได้อย่างไรตัดสินว่าภาพนั้น "ปลอดภัยสำหรับการทำงาน" หรือหากภาพสองภาพแสดงสิ่งเดียวกัน . ฉันไม่คิดว่าคนที่ถามคำถามเหล่านี้ต้องประสบกับความโอหังหรือความเย่อหยิ่งมากเกินไป: ปัญหาเหล่านี้ดูเหมือนง่ายมากไม่น่าเชื่อว่าจะไม่มีอัลกอริธึมง่ายๆในการแก้ปัญหา

AI มีประวัติของความผิดหวังมานานแต่ฉันคิดว่านักวิจารณ์หลายคนมักจะทำให้สิ่งที่เกิดขึ้นง่ายเกินไปเช่นกับคำพูดของคุณ "วิศวกรในปี 1960 overpromised และ underdelivered"

ในยุค 60 AI เป็นโดเมนของญาตินักวิจัยจำนวนหนึ่ง (สาขานี้ยังไม่พัฒนาเพียงพอที่จะเรียกมันว่าวิศวกรรม) ส่วนใหญ่ที่มหาวิทยาลัยและส่วนใหญ่เป็นนักเขียนโปรแกรมที่ประสบความสำเร็จ

ความพร้อมใช้งานอย่างฉับพลันของเครื่องคอมพิวเตอร์ในปี 1950 นำไปสู่ความคาดหวังอย่างมากสำหรับระบบอัตโนมัติโดยเฉพาะอย่างยิ่งในการแปลภาษาธรรมชาติ, เล่นหมากรุกและปัญหาที่คล้ายกัน คุณอาจพบว่าการทำนายความสำเร็จที่เกิดขึ้นจริงในสมัยนั้นมี แต่สัญญาที่เกิดขึ้นอย่างหลีกเลี่ยงไม่ได้ก่อนที่จะมีใครจัดการกับปัญหาเหล่านั้นอย่างลึกซึ้ง (หรือพวกเขาสันนิษฐานว่าประสบความสำเร็จอย่างใดอย่างหนึ่งอย่างผิด ๆ รับรองเช่นคาดว่าจะสามารถนำการเล่นหมากรุกที่ดีหลังจากซามูเอลประสบความสำเร็จอย่างมากกับหมากฮอส)

นอกจากนี้ระวังการเรียกร้องใด ๆ ของ "พวกเขาพูดว่า", "พวกเขารู้สึก", "พวกเขาคิด" ฯลฯ ความคิดเห็นย้อนหลัง (เช่นนี้!) เป็นเรื่องง่ายที่จะโยนไปรอบ ๆ ในขณะที่เอกสารหลักฐานของการคาดการณ์ที่เกิดขึ้นจริงโดย "ผู้เชี่ยวชาญ" (ผู้ที่พยายามแก้ปัญหาที่กำหนดจริง) สามารถหาได้ยากมาก

overpromising และ undelivering เป็นอาการของการพัฒนาซอฟต์แวร์เสมอโดยไม่คำนึงถึงฟิลด์เฉพาะที่ใช้การเขียนโปรแกรม ปัญหาที่สำคัญของ AI คือปัญหาที่ไม่สำคัญนั้นเกินความสามารถของวิศวกรส่วนใหญ่ ตัวอย่างเช่นแม้ว่าคำตอบของ Charles E. Grant จะจัดหมวดหมู่ ELIZA และ SHRDLU ว่า "ค่อนข้างง่าย" แต่ฉันว่ามันเป็นความจริงเพียงอย่างเดียวของ ELIZA (ซึ่งนักเรียนโปรแกรมปีแรกส่วนใหญ่อาจนำไปใช้งานได้โดยไม่ยาก) ในทางตรงกันข้าม SHRDLU เป็นโปรแกรมที่มีขนาดใหญ่และซับซ้อนมากซึ่งโปรแกรมเมอร์ส่วนใหญ่จะมีเวลาในการประดิษฐ์ที่ยากลำบาก แน่นอนว่านักศึกษามหาวิทยาลัยสองทีมไม่สามารถเรียกซอร์สโค้ดได้อย่างสมบูรณ์อีกครั้งและความสามารถเหมือน SHRDLU ยังคงหาได้ยากในปัจจุบันมากกว่า 40 ปีต่อมา

เนื่องจาก AI เป็นหนึ่งในปัญหาที่เข้าใจยากและเป็นปัญหายากที่สุดที่คอมพิวเตอร์สามารถนำไปใช้ได้โดยรวมแล้วฉันจึงบอกว่าความคืบหน้าใน AI มักจะเป็นสิ่งที่เท่าเทียมกันสำหรับหลักสูตรนี้ ยังคงมีความคาดหวังสูงและความเร็วและความสามารถของฮาร์ดแวร์ของเราเพิ่มขึ้นอย่างมากตั้งแต่ยุค 60 แต่ฉันจะบอกว่าความสามารถและความเข้าใจของวิศวกรเกี่ยวกับ AI นั้นไม่ได้พัฒนาขึ้นมากนักดังนั้นจอกศักดิ์สิทธิ์เหมือนผ่านการทดสอบทัวริง อาจเป็นทางยาวและ overpromising และ underdelivering อาจดำเนินต่อบางครั้ง

ฉันคิดว่าเหตุผลก็คือความเย่อหยิ่ง ถ้าหากฉันเป็นวิศวกรในยุค 60 ที่ทำงานเกี่ยวกับ AI ฉันคงหยิ่งตัวเอง

ฉันคิดว่าเพื่อที่จะบรรลุสิ่งที่ยิ่งใหญ่คุณต้องไปถึงสิ่งที่ยิ่งใหญ่ ดังนั้นการทำ overpromising นั้นไม่จำเป็นต้องเป็นเรื่องที่แย่ตราบใดที่คุณไม่เกินขีด จำกัด นักวิทยาศาสตร์ในวันนี้มีสิ่งที่ฉันไม่เชื่อว่าจะเป็นไปได้ แต่ถ้าพวกเขาไม่สามารถเข้าถึงได้เราจะพลาดสิ่งที่จะทำให้สำเร็จ

มันอาจเป็นเรื่องยากมากที่จะหาที่ไหนสักแห่งเมื่อคุณไม่รู้ว่าคุณกำลังจะไปที่ไหน

หากเรามีคำอธิบายที่สมเหตุสมผลว่าสติปัญญาคืออะไรและทำงานอย่างไรเราอาจได้ภาพที่เลียนแบบได้อย่างมีประสิทธิภาพ การทดสอบของทัวริงนั้นน่าสนใจและมีประโยชน์ แต่อาจไม่เพียงพอที่จะช่วยเราจำลองแบบสติปัญญาที่แท้จริง สำหรับสิ่งที่เรารู้ว่า "แบบจำลอง" ของความฉลาดอาจไม่เพียงพอสำหรับความฉลาดที่แท้จริงเช่นกัน

ฉันจะบอกว่ามันเป็นสิ่งเดียวกันที่เกิดขึ้นกับนกฮูกในขณะนี้ มองไปรอบ ๆ แล้วพยายามวาดแนว

ฟังดูดีบนกระดาษดูเหมือนว่าจะทำงานได้ดีกับปัญหาของเล่นได้รับความซับซ้อนอย่างเหลือเชื่อในข้อมูลจริงมากที่สุด

นอกเหนือจากคำตอบที่ดีแล้วยังมีข้อสังเกตสองข้อ:

คำพูดบางอย่างในวันนั้นบ่งบอกว่านักวิจัยหลายคนกำลังคิดว่าการแก้ปัญหาเล็ก ๆ น้อย ๆ นั้นสามารถปรับขนาดได้เมื่อออกแบบคอมพิวเตอร์ได้เร็วขึ้น สำหรับระบบการเรียนรู้บางอย่างนี่เป็นเรื่องจริง แต่สำหรับสิ่งที่ฉันคิดว่า OP หมายถึงมันไม่ได้ดีขึ้นในระดับใด

นักวิจัยในขณะนั้นมีการประเมินความซับซ้อนของจิตใจมนุษย์ในระดับต่ำมาก (เน้นที่ความคิดเช่นการทดสอบของทัวริงความคิดที่ว่าผู้คนใช้สมองเพียงเล็กน้อยเท่านั้นเป็นต้น) AI ในระดับของสัตว์ที่เรียบง่ายได้รับการประสบความสำเร็จโดยมาตรการบางอย่างเป็นสิ่งที่ปรับขนาดขึ้น แต่การกระโดดขึ้นไปสู่ระดับมนุษย์ AI นั้นใหญ่กว่าที่คาดไว้มาก สิ่งนี้ทำให้นักวิจัยบางคนลองเรียนรู้ระบบของทารกและการจำลองตามการเติบโต / วิวัฒนาการอื่น ๆ เพื่อพยายามลดช่องว่างนั้น

เหตุผลหนึ่งคือความสำเร็จที่เรามีในที่อื่น ๆ ในทศวรรษที่ 1960 เราเพิ่งเปิดตัวสู่อวกาศและอีกไม่นานก็จะมีชายคนหนึ่งขึ้นบนดวงจันทร์ เราเพิ่งค้นพบวิธีรักษาโรคโปลิโอและโรคสำคัญอื่น ๆ

แต่ "ปัญญาประดิษฐ์" เป็นสัตว์ที่แตกต่างจากปัญหา "วิศวกรรม" ที่เราเผชิญ มันเป็น "การใช้เหตุผล" มากกว่าปัญหา "เชิงกล"

ในระยะสั้น AI (ในปี 1960) เป็นความคิด "ซึ่งยังไม่ถึงเวลา" มันใช้เวลาพัฒนามากขึ้นในทศวรรษต่อมาก่อนที่จะสามารถเข้าถึงได้เช่นเดียวกับปัญหาอื่น ๆ

อีกเหตุผลหนึ่งอาจเป็นเพราะการเรียนรู้คอมพิวเตอร์ / การเขียนโปรแกรมคอมพิวเตอร์ช่วยให้เราสามารถควบคุมความรู้สึกประหลาดของความสามารถรอบด้าน - ในความเป็นจริงเราสร้างจักรวาลเล็ก ๆ น้อย ๆ แม้ว่าจะเป็นคนปิด

สิ่งนี้บวกกับการขาดการศึกษาด้านปรัชญา / ญาณวิทยาและความเชื่อมั่นที่ไร้เดียงสาในคำอธิบายง่ายๆเช่น "Intelligence is nothing แต่ .... " สามารถนำไปสู่ความโอหัง