Есть ли причина первоначальной самоуверенности ученых и инженеров, работающих над искусственным интеллектом в 1960-х годах?

Я только начал класс AI и Data Mining и книгу. AI Application Programming, начинается с обзора истории AI. Первая глава посвящена истории ИИ с 1940-х годов до наших дней. Одно конкретное утверждение застряло у меня:

[В 60-х годах] инженеры ИИ преувеличивали и недопоставляли ...

Какова была причина для самоуверенности? Было ли это из-за математических моделей прогнозирования, показывающих, что прорыв не за горами, или из-за постоянно растущей аппаратной способности, которой можно воспользоваться?

Мое личное мнение, что это произошло из-за гордыни . В 60-х и 70-х годах в залах Массачусетского технологического института, Стэнфорда и т. Д. Было много могучих эго, и они просто знали, что решили эту проблему. Правильно.

Хотя в те дни я не был частью этой вселенной, в середине-конце 80-х я работал с поиском сходства. Первоначально наша работа была основана на исследованиях, проведенных Джерардом Сэлтоном в Корнелле в 60-х годах, который использовал взвешенные векторы атрибутов для представления документов и запросов. На самом деле это был полезный подход, но когда нейронные сети загорелись (по крайней мере, пока они не обнаружили обратное распространение ), работа Солтона была включена в нее из-за сходства (предназначенного для каламбура) с нейронными сетями. Он пытался сделать что-то другое, но было несколько лет, когда он был смешан с остальными.

Каждый раз, когда кто-то придумывает решение для Current Brick Wall ™, он очень взволнован и объявляет ИИ решаемой проблемой. Только это не так. Потому что за этой кирпичной стеной другая. Этот цикл повторяется снова и снова и снова, и не только в ИИ. Я твердо верю , что все перспективные компьютерные ученые и инженеры должны обязательно взять семестр длиной класса в истории вычислительной техники, с особым акцентом на количестве Next Big Things ™ , которые пошли вверх , как ракеты ... а затем сделали очень большой кратер на дне долины.

Приложение: Я провел выходные Дня Труда со старым другом, и мы немного поговорили об этом. Контекст - выяснение того, что это значит, как его представлять, а затем как его использовать - стал, пожалуй, самым большим препятствием, которое необходимо устранить. И чем дольше вы смотрите на это, тем больше становится препятствие. Люди способны удивительно, почти мгновенно сопоставлять частичные паттерны «того, что происходит» с огромным запасом «того, что произошло раньше», и затем комбинировать это знание прошлого с настоящей ситуацией, чтобы создать контекст, в котором понимают может привести к действию. Например, мы можем использовать его в качестве мощного фильтра «вещей, которые мы можем / не можем игнорировать», когда мы продвигаемся по классу Уолдо на скорости 60 миль в час с движением 4 полосы в ряд и разделены только на 3 или 4 фута (или меньше!).

По спектру stuff > data > information > knowledge > understanding > judgementмы все еще стремимся добраться до ступеней информации / знаний, и даже это ограничено сильно ограниченными областями дискурса .

Проще говоря, они значительно недооценили масштаб рассматриваемой проблемы, особенно в том, что касается комбинаториального взрыва. Многие AI-решения прекрасно работают для «игрушечных» образцов, но терпят неудачу, когда они масштабируются до уровня человеческого уровня.

Возможно, они также были просто неопытны. ИИ как область (относительно) был только что изобретен с точки зрения практического применения, поэтому никто не имел значительного опыта применения теории к чему-либо.

Я могу придумать пару причин.

ИИ достиг такого быстрого успеха с некоторыми игрушечными проблемами, которые решались в конце 50-х и начале 60-х годов, поэтому они переоценили свои достижения. ELIZA и SHRDLU ошеломили людей, несмотря на то, что они были относительно простыми программами. К сожалению, большая часть того, что делало эти программы ошеломляющими, была на самом деле просто новизной. Сегодняшний разговор с ELIZA никого не впечатлил, но в то время люди думали, что это почти чудо.

Кроме того, поскольку проблемы «решаются» или, по крайней мере, становятся решаемыми, люди больше не думают о них как об ИИ. Оптимизация кода раньше была проблемой ИИ. Статистическое обучение переросло из искусственного интеллекта в его собственную специальность и приняло распознавание речи. По мере того, как интеллектуальный анализ данных становится мейнстримом, он теряет связь с ИИ. Со временем ИИ забывает о своих успехах и застревает, удерживая неразрешимые и неразрешимые проблемы, и в итоге выглядит как провал.

Я думаю, что люди в 60-х использовали свой собственный человеческий опыт, чтобы разделить проблемы на «сложные проблемы» и «простые проблемы»: такие вещи, как победа в шахматах, решение логических загадок, решение математических уравнений, кажутся нам, людям, трудными. Такие вещи, как понимание естественных языков или нахождение контуров объектов на изображении, кажутся легкими, потому что наш мозг выполняет всю работу без сознательных усилий. Когда мы пытаемся объяснить, как мы делаем эти вещи, мы придумываем простые объяснения, такие как «Английские предложения всегда имеют структуру субъект-предикат-объект, где субъект может быть простым термином или фразой ...» или «Я ищем края и соединяем их с границами объекта ". Сегодня мы знаем, что все не так просто, но только потому, что все простые (и многие не такие простые) решения были опробованы и не выполнены.

Кроме того, эта ошибка возникла не в 60-х годах: существуют веками исследования того, как решать эти «сложные проблемы» (эвристика, теория игр, теория решений, математика, логика и т. Д.), Но я не уверен, что кто-либо когда-либо надоело исследовать, как естественные языки могут быть проанализированы до 1950-х годов.

И даже сегодня вы можете регулярно находить вопросы о stackoverflow, где люди спрашивают, как они могут анализировать английские предложения, оценивать возраст человека на изображении, судить, является ли изображение «безопасным для работы» или два изображения показывают одно и то же , Я не думаю , что люди , которые задают эти вопросы , страдают от слишком много высокомерия или высокомерия: Эти проблемы просто кажется так просто, это невероятно , что не существует простого алгоритма , чтобы их решить.

У ИИ долгая история разочарований, но я думаю, что многие критики часто слишком упрощают то, что произошло, например, с вашей цитатой «инженеры 1960-х годов слишком преувеличены и недооценены».

В 60-х годах ИИ был областью относительно небольшой группы исследователей (эта область еще не была достаточно развита, чтобы назвать ее инженерной), в основном в университетах, и очень немногие из них были опытными программистами.

Внезапная доступность вычислительных машин в 1950-х годах привела к большим ожиданиям в отношении автоматизации, особенно в области машинного перевода естественного языка, игры в шахматы и подобных проблем. Вы можете найти некоторые реальные прогнозы успеха из тех дней, но обещания неизбежно пришли ДО того, как кто-нибудь решит одну из этих проблем всесторонне. (Или они ошибочно полагали, что один успех гарантировал другой, например, ожидал, что сможет реализовать хорошую игру в шахматы после того, как Самуил достиг такого большого успеха с шашками.)

Кроме того, будьте осторожны с любыми заявлениями «они сказали», «они чувствовали», «они думали» и т.д .; Ретроспективные мнения (как этот!) легко разбросать, в то время как документальные доказательства фактических предсказаний «экспертов» (тех, кто действительно пытался решить данную проблему) найти гораздо труднее.

Слишком многообещающие и непостоянные всегда были признаком разработки программного обеспечения, независимо от конкретной области, в которой применяется программирование. Основная проблема с ИИ заключается в том, что нетривиальные проблемы находятся за пределами возможностей большинства инженеров. Например, хотя ответ Чарльза Гранта относит ELIZA и SHRDLU к категории «относительно простых», я бы сказал, что это справедливо только для ELIZA (которую большинство студентов-первокурсников могут реализовать без особых затруднений). С другой стороны, SHRDLU - большая, чрезвычайно сложная программа, которую большинству программистов будет очень сложно изобретать, не говоря уже о реализации. В самом деле, две команды студентов университетов не смогли даже полностью запустить исходный коди SHRDLU-подобные способности все еще трудно найти в настоящее время, более 40 лет спустя.

Поскольку ИИ, вероятно, является одной из наименее понятных и наиболее труднопреодолимых проблем, где могут применяться компьютеры, в целом я бы сказал, что успехи в ИИ в целом были на уровне курса. Ожидания все еще высоки , а наша аппаратная скорость и возможности значительно возросли с 60-х годов, но я бы сказал, что способности инженеров и понимание искусственного интеллекта не сильно улучшаются, так что святой Грааль, такой как прохождение теста Тьюринга, по-прежнему вероятно, еще далеко, и чрезмерно многообещающие и недолговечные, вероятно, будут продолжаться еще некоторое время.

Я думаю, что причиной было высокомерие. Если бы я был инженером в 60-х годах, работая над искусственным интеллектом, я был бы довольно высокомерен.

Я думаю, что для того, чтобы совершать великие дела, вы должны стремиться к великим вещам. Так что чрезмерное обещание не обязательно плохо, если вы не превышаете лимит. Сегодня ученые обещают, что я не верю, что это возможно, но если они не достигнут этого, мы упустим то, что будет достигнуто в результате.

Может быть очень трудно добраться куда-нибудь, когда вы не знаете, куда идете.

Если бы у нас было какое-то разумное объяснение того, что такое интеллект и как он работает, возможно, мы бы попытались эффективно имитировать его. Тест Тьюринга увлекателен и полезен, но, вероятно, его недостаточно, чтобы помочь нам моделировать истинный интеллект. Насколько нам известно, «модель» интеллекта может быть недостаточной и для истинного интеллекта.

Ну, я бы сказал, что это более или менее то же самое, что происходит с OWL прямо сейчас. Оглянись вокруг и попробуй провести параллели.

Звучит хорошо на бумаге, кажется, хорошо работает с игрушечными проблемами, невероятно усложняется на большинстве реальных данных.

В дополнение к хорошим ответам, два замечания:

Некоторые цитаты дня, кажется, подразумевают, что многие исследователи думали, что тривиальные решения могут быть расширены, как только будут разработаны более быстрые компьютеры. Для некоторых систем обучения это было очень верно, но я думаю, что ОП ссылается на него, и в действительности масштаб не улучшился.

Исследователи в то время имели очень низкую оценку сложности человеческого разума (сосредоточьтесь на таких идеях, как тест Тьюринга, идея о том, что люди используют только небольшой процент своего мозга и т. Д.). ИИ на уровне простого животного был достигнут с помощью некоторых мер по мере увеличения масштабов, но скачок к ИИ на человеческом уровне оказался намного больше, чем ожидалось. Это привело к тому, что некоторые исследователи попытались изучить детские системы и другие модели, основанные на росте / эволюции, чтобы попытаться преодолеть этот разрыв.

Одной из причин был успех, который у нас был в другом месте в 1960-х годах. Мы только что отправились в космос и скоро посадим человека на Луну. Мы только что обнаружили лекарства от полиомиелита и других основных заболеваний.

Но «искусственный интеллект» отличался от «инженерных» проблем, с которыми мы тогда сталкивались. Это была «логическая», а не «механическая» проблема.

Короче говоря, ИИ (в 1960-х) был идеей, «время которой еще не пришло». В последующие десятилетия потребовалось больше развития, прежде чем он стал таким же доступным, как и другие проблемы.

Другая причина может заключаться в том, что овладение компьютером / написание компьютерных программ дает нам немного уродцам контроля чувство всемогущества - фактически, создаются маленькие вселенные, хотя и закрытые.

Это плюс отсутствие философско-эпистемологического образования и наивного доверия простым объяснениям, таким как «интеллект - не что иное, как ...», может привести к гордыне.