Saya baru saja memulai kelas AI & Data Mining, dan buku itu. Pemrograman Aplikasi AI, dimulai dengan ikhtisar sejarah AI. Bab pertama membahas sejarah AI dari tahun 1940-an hingga saat ini. Satu pernyataan khusus mencuat pada saya:
[Pada tahun 60an] Insinyur AI terlalu banyak berjanji dan kurang ...
Apa alasan dari terlalu percaya diri? Apakah karena model prediksi matematis yang menunjukkan bahwa terobosan sudah dekat, atau karena kemampuan perangkat keras yang terus meningkat untuk memanfaatkan?
Jawaban:
Pendapat pribadi saya adalah karena keangkuhan . Ada beberapa ego besar perkasa berjalan di aula MIT, Stanford, dll. Di tahun 60-an dan 70-an dan mereka hanya tahu bahwa mereka telah memecahkan masalah ini. Kanan.
Meskipun saya bukan bagian dari alam semesta pada masa itu, pada pertengahan hingga akhir 80-an saya bekerja dengan pencarian kesamaan. Pekerjaan kami awalnya didasarkan pada penelitian yang dilakukan oleh Gerard Salton di Cornell pada tahun 60-an, yang menggunakan vektor atribut tertimbang untuk mewakili dokumen dan pertanyaan. Ini sebenarnya adalah pendekatan yang bisa digunakan, tetapi ketika jaring saraf terbakar (setidaknya sampai mereka menemukan propagasi kembali ), karya Salton dimasukkan dengan itu karena kesamaan (pun intended) dengan jaring saraf. Dia mencoba melakukan sesuatu yang berbeda, tetapi ada beberapa tahun di mana dia disatukan dengan yang lain.
Setiap kali seseorang menemukan solusi untuk Current Brick Wall ™, mereka menjadi sangat bersemangat dan menyatakan AI sebagai masalah yang dipecahkan. Hanya saja tidak. Karena di balik itu dinding bata adalah satu sama lain. Siklus ini telah berulang, berulang, dan lagi, dan tidak hanya di AI. Saya sangat yakin bahwa semua calon ilmuwan dan insinyur komputer harus diminta untuk mengambil kelas selama satu semester di History of Computing, dengan penekanan khusus pada jumlah Next Big Things ™ yang naik seperti roket ... dan kemudian membuat yang sangat kawah besar di lantai lembah.
Tambahan: Saya menghabiskan akhir pekan Hari Buruh dengan seorang teman lama dan kami berbicara sedikit tentang ini. Konteks - mencari tahu apa artinya itu, bagaimana merepresentasikannya, dan kemudian bagaimana menggunakannya - muncul sebagai satu-satunya rintangan terbesar yang harus diselesaikan. Dan semakin lama Anda melihatnya, semakin besar rintangan yang terjadi. Manusia mampu melakukan pencocokan pola-parsial yang menakjubkan, hampir-sesaat, dari "apa yang terjadi" terhadap sejumlah besar "apa yang telah terjadi sebelumnya," dan kemudian menggabungkan pengetahuan masa lalu dengan situasi saat ini untuk menciptakan konteks di mana pemahaman dapat menyebabkan aksi. Sebagai contoh, kita dapat menggunakannya sebagai filter yang kuat dari "hal-hal yang kita bisa / tidak bisa abaikan" ketika kita menuruni Waldo Grade pada 60 MPH dengan lalu lintas 4 jalur mengikuti dan dipisahkan oleh hanya 3 atau 4 kaki (atau kurang!).
Pada spektrum
stuff > data > information > knowledge > understanding > judgement
kita masih berusaha untuk mendapatkan langkah-langkah informasi / pengetahuan, dan bahkan itu terbatas pada domain wacana yang sangat terbatas .sumber
Sederhananya, mereka secara besar-besaran meremehkan skala masalah yang dihadapi, terutama yang berkaitan dengan ledakan kombinatinatorial. Banyak solusi AI bekerja dengan baik untuk sampel "mainan", tetapi gagal keras ketika mereka meningkatkan masalah tingkat manusia.
Boleh dibilang, mereka juga tidak berpengalaman. AI sebagai sebuah bidang (relatif) baru saja ditemukan dalam hal aplikasi praktis, jadi tidak ada yang punya pengalaman signifikan dalam menerapkan teori pada apa pun.
sumber
Saya dapat memikirkan beberapa alasan.
AI mengalami kesuksesan yang begitu cepat dengan beberapa masalah mainan ditangani pada akhir 50-an dan awal 60-an, bahwa mereka melebih-lebihkan apa yang telah mereka capai. ELIZA dan SHRDLU mengejutkan orang-orang meskipun programnya relatif sederhana. Sayangnya, sebagian besar dari apa yang membuat program-program itu menakjubkan benar-benar baru. Tidak ada yang sangat terkesan dengan percakapan dengan ELIZA hari ini, tetapi pada saat itu orang mengira itu hampir ajaib.
Juga, karena masalah "dipecahkan" atau setidaknya menjadi dapat ditelusuri, orang tidak lama menganggapnya sebagai AI. Optimasi kode dulu merupakan masalah AI. Pembelajaran statistik berkembang dari AI ke dalam kekhususannya sendiri, dan mengambil pengakuan bicara dengannya. Saat data mining menjadi arus utama maka akan kehilangan hubungannya dengan AI. Seiring waktu AI melupakan keberhasilannya dan terjebak berpegang pada masalah yang tak terselesaikan dan sulit diselesaikan, dan akhirnya tampak seperti kegagalan.
sumber
Saya pikir orang-orang di tahun 60-an menggunakan pengalaman manusia mereka sendiri untuk membagi masalah menjadi "masalah sulit" dan "masalah mudah": Hal-hal seperti memenangkan catur, memecahkan teka-teki logis, memecahkan persamaan matematika tampaknya sulit bagi kita manusia. Hal-hal seperti memahami bahasa alami atau menemukan garis-garis besar objek dalam gambar tampak mudah, karena otak kita melakukan semua pekerjaan tanpa usaha yang disadari. Ketika kami mencoba menjelaskan bagaimana kami melakukan hal-hal itu, kami memberikan penjelasan sederhana seperti "Kalimat bahasa Inggris selalu memiliki struktur subjek-predikat-objek di mana subjek dapat berupa istilah atau frasa sederhana ...", atau "Saya mencari tepi dan menghubungkannya ke batas objek ". Saat ini kita tahu segalanya tidak sesederhana itu, tetapi hanya karena semua solusi yang sederhana (dan banyak yang tidak begitu sederhana) telah dicoba dan tidak
Selain itu, kekeliruan ini tidak dimulai pada 60-an: Ada berabad-abad penelitian tentang bagaimana menyelesaikan "masalah sulit" itu (heuristik, teori permainan, teori keputusan, matematika, logika, dll.) Tetapi saya, tidak yakin ada orang yang pernah repot-repot untuk meneliti bagaimana bahasa alami mungkin diurai sebelum tahun 1950-an.
Dan bahkan hari ini, Anda dapat secara teratur menemukan pertanyaan tentang stackoverflow, di mana orang-orang bertanya bagaimana mereka dapat menguraikan kalimat bahasa Inggris, memperkirakan usia seseorang dalam suatu gambar, menilai apakah suatu gambar "aman untuk bekerja" atau jika dua gambar menunjukkan hal yang sama . Saya tidak berpikir orang-orang yang mengajukan pertanyaan ini menderita terlalu banyak keangkuhan atau kesombongan: Masalah-masalah ini hanya tampak begitu sederhana, itu sulit dipercaya bahwa ada adalah tidak ada algoritma sederhana untuk menyelesaikannya.
sumber
AI memiliki sejarah panjang kekecewaan, tetapi saya pikir banyak kritik sering terlalu menyederhanakan apa yang terjadi, seperti dengan kutipan Anda, "Insinyur tahun 1960-an terlalu banyak dipromosi dan kurang terkirim".
Pada 60-an, AI adalah domain dari segelintir peneliti (bidang ini belum benar-benar cukup dikembangkan untuk menyebutnya rekayasa), kebanyakan di universitas, dan sangat sedikit dari mereka adalah programmer yang cakap.
Ketersediaan mesin komputasi yang tiba-tiba pada tahun 1950-an telah menyebabkan harapan besar untuk otomatisasi, terutama dalam terjemahan mesin dari bahasa alami, bermain catur, dan masalah serupa. Anda mungkin menemukan beberapa prediksi sukses yang sebenarnya dari masa itu, tetapi janji-janji itu pasti datang SEBELUM ada orang yang menangani salah satu masalah itu secara mendalam. (Atau, mereka salah mengira satu kesuksesan menjamin yang lain, seperti berharap untuk dapat menerapkan permainan catur yang baik setelah Samuel sukses dengan catur).
Juga, waspadalah terhadap klaim "mereka berkata", "mereka merasa", "mereka pikir", dll .; pendapat retrospektif (seperti ini!) mudah untuk dilontarkan, sementara bukti terdokumentasi tentang prediksi aktual oleh "para ahli" (mereka yang benar-benar mencoba memecahkan masalah yang diberikan) bisa jauh lebih sulit ditemukan.
Overpromising dan undelivering selalu menjadi gejala pengembangan perangkat lunak, terlepas dari bidang spesifik di mana pemrograman diterapkan. Kesulitan utama dengan AI adalah bahwa masalah non-sepele berada di luar kemampuan sebagian besar insinyur. Sebagai contoh, walaupun jawaban Charles E. Grant mengkategorikan ELIZA dan SHRDLU sebagai "relatif sederhana", saya akan mengatakan itu hanya berlaku untuk ELIZA (yang sebagian besar siswa pemrograman tahun pertama mungkin dapat diimplementasikan tanpa banyak kesulitan). Di sisi lain, SHRDLU adalah program besar, sangat canggih yang kebanyakan programmer akan mengalami kesulitan menciptakan, mari kita implementasikan. Memang, dua tim mahasiswa bahkan tidak bisa menjalankan kode sumber sepenuhnya, dan kemampuan seperti SHRDLU masih sulit ditemukan saat ini, lebih dari 40 tahun kemudian.
Karena AI mungkin adalah salah satu masalah yang paling tidak dipahami dan paling sulit di mana komputer dapat diterapkan, secara keseluruhan saya akan mengatakan kemajuan dalam AI umumnya setara dengan kursus. Masih ada harapan yang tinggi , dan kecepatan dan kapasitas perangkat keras kami telah meningkat pesat sejak tahun 60-an, tetapi saya akan mengatakan bahwa kemampuan dan pemahaman para insinyur tentang AI tidak meningkat banyak, sehingga cawan suci seperti lulus tes Turing masih mungkin jauh, dan overpromising dan underdelivering mungkin akan berlanjut untuk beberapa waktu.
sumber
Saya pikir alasannya adalah kesombongan. Seandainya saya seorang Insinyur di tahun 60-an yang bekerja pada AI, saya sendiri akan cukup sombong.
Saya pikir untuk mencapai hal-hal besar, Anda harus meraih hal-hal besar. Jadi overpromising tidak selalu merupakan hal yang buruk asalkan Anda tidak melebihi batas. Ilmuwan masa kini menjanjikan hal-hal yang saya yakin tidak akan mungkin terjadi, tetapi jika mereka tidak meraihnya, kita akan kehilangan apa yang akan dicapai sebagai hasilnya.
sumber
Sangat sulit untuk mencapai suatu tempat ketika Anda tidak tahu ke mana Anda akan pergi.
Jika kita memiliki semacam penjelasan yang masuk akal tentang apa kecerdasan itu dan bagaimana cara kerjanya, mungkin kita bisa mencoba menirunya secara efektif. Tes Turing menarik dan bermanfaat, tetapi mungkin tidak cukup untuk membantu kita menjadi model kecerdasan sejati. Sejauh yang kita ketahui, "model" kecerdasan mungkin tidak cukup untuk kecerdasan sejati juga.
sumber
Yah, saya akan mengatakan itu kurang lebih sama dengan yang terjadi pada OWL sekarang. Lihatlah ke sekeliling, dan cobalah menggambar paralel.
Kedengarannya bagus di atas kertas, tampaknya bekerja dengan baik pada masalah mainan, menjadi sangat rumit pada sebagian besar data nyata.
sumber
Selain jawaban baik yang diberikan, dua pengamatan:
Beberapa kutipan hari ini tampaknya menyiratkan bahwa banyak dari para peneliti berpikir bahwa solusi sepele dapat ditingkatkan begitu komputer lebih cepat dirancang. Untuk beberapa jenis sistem pembelajaran, ini sangat benar, tetapi untuk jenis hal yang saya pikir OP maksudkan itu benar-benar tidak menjadi lebih baik dalam skala.
Para peneliti pada saat itu memiliki perkiraan yang sangat rendah dari kompleksitas pikiran manusia (fokus pada ide-ide seperti tes Turing, gagasan bahwa orang hanya menggunakan sebagian kecil dari otak mereka, dll). AI pada tingkat binatang yang sederhana telah dicapai dengan beberapa langkah ketika berbagai hal ditingkatkan, tetapi lompatan ke tingkat manusia AI jauh lebih besar dari yang diharapkan. Hal ini membuat beberapa peneliti mencoba mempelajari sistem bayi dan simulasi berbasis pertumbuhan / evolusi lainnya sebagai upaya untuk menjembatani kesenjangan tersebut.
sumber
Salah satu alasannya adalah kesuksesan yang kami alami di tempat lain di tahun 1960-an. Kami baru saja diluncurkan ke luar angkasa, dan akan segera mendaratkan manusia di bulan. Kami baru saja menemukan obat untuk polio, dan penyakit utama lainnya.
Tetapi "kecerdasan buatan" adalah hewan yang berbeda dari masalah "rekayasa" yang kami hadapi saat itu. Itu adalah "alasan", bukan masalah "mekanis".
Singkatnya, AI (pada 1960-an) adalah sebuah gagasan "yang waktunya belum tiba." Butuh lebih banyak pengembangan, dalam beberapa dekade berikutnya, sebelum menjadi dapat diakses seperti masalah lainnya.
sumber
Alasan lain mungkin bahwa menguasai komputer / menulis program komputer memberi kita sedikit kontrol aneh perasaan mahakuasa - pada kenyataannya, orang menciptakan sedikit alam semesta, meskipun yang tertutup.
Ini ditambah kurangnya pendidikan filosofis / epistemologis dan kepercayaan naif dalam penjelasan sederhana seperti "Kecerdasan tidak lain adalah ...." dapat menyebabkan keangkuhan.
sumber