Apakah ada alasan untuk terlalu percaya diri awal para ilmuwan dan insinyur yang bekerja pada kecerdasan buatan pada 1960-an?


21

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?


4
Masalah keangkuhan bersifat universal. Baca 'Tertipu oleh Keacakan' untuk detail lebih lanjut. en.wikipedia.org/wiki/Fooled_by_Randomness
Job

1
Jika perpustakaan Anda memiliki salinannya, makalah Doug Lenat, "Mengapa AM dan EURISKO tampaknya berfungsi". Kecerdasan Buatan 23 (3): hlm. 269–294. mungkin layak dibaca. (AM dan EURISKO adalah program Doug Lenat sendiri). Namun, ini baik setelah tahun 60an. Secara pribadi saya pikir itu karena beberapa proyek awal sangat sukses, jadi sepertinya banyak masalah akan larut menggunakan beberapa teknik sederhana. Sayangnya, ini tidak terbukti demikian.
MZB

7
Masalah lebih sulit dari yang diharapkan. Jauh lebih sulit.

8
@ Thorbjørn Saya tidak tahu mengapa, tapi saya bisa membayangkan bahwa dituliskan di pinggir buku catatan seorang ilmuwan insinyur sebelum dia meninggalkan kantor dan mencapai titik kritis, kehilangan kewarasan.
Thomas Owens

3
Ini tidak layak dimasukkan dalam jawaban, tetapi Anda juga harus melihat konteks sosial saat itu. Dunia barat, terutama AS, telah melalui Perang Dunia II dan telah mengembangkan banyak teknologi yang memecahkan banyak masalah sulit. Ada perasaan umum bahwa kita dapat mengatasi masalah yang kita pikirkan. Menyebutnya kesombongan atau keangkuhan mungkin sedikit berlebihan; Saya akan lebih memilih sesuatu seperti optimisme yang tidak terkendali.
Blrfl

Jawaban:


30

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 > judgementkita masih berusaha untuk mendapatkan langkah-langkah informasi / pengetahuan, dan bahkan itu terbatas pada domain wacana yang sangat terbatas .


1
AI seperti pegunungan. Kita berada di suatu tempat di kaki bukit dan kita dapat melihat puncak yang ingin kita panjat, tetapi kita tidak tahu apa yang ada di atas bukit berikutnya atau berapa banyak lagi bukit yang harus kita panjat untuk mencapai tujuan kita.
CdMnky

1
IMO, itu tidak dapat terjadi tanpa pengenalan pola yang sangat umum dan sangat umum. Hanya membaca tentang banyak hal yang mereka coba anggap sebagai sesuatu yang naif atau mungkin terlalu berotak kiri, yang menurut saya didominasi pemrograman secara umum setidaknya ketika saya menyadarinya di tahun 80-an.
Erik Reppen

17

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.


Saya tidak tahu banyak tentang ini, tetapi saya selalu berpikir bahwa banyak fitur Google didasarkan pada AI. Atau apakah pemahaman saya yang buruk tentang ini?
user10326

@ user10326: Ya. Tapi saya tidak melihat apa yang harus dilakukan dengan masalah yang dihadapi - Google tidak ada selama 30 tahun setelah periode tersebut.
DeadMG

Ok, tapi yang saya katakan adalah bahwa mereka (Google) telah menggunakan AI secara praktis, kan? Maksud saya mungkin bukan apa yang mereka "bayangkan" saat itu, tetapi masih bisa fitur Google ditawarkan menggunakan non- Bahasa AI?
user10326

4
@ user10326, Seperti yang saya pahami, Google menggunakan sistem tebakan yang sangat canggih. Pada dasarnya, ini menganalisis gunung aktivitas pengguna dan upaya untuk mengekstrapolasi pola. Visi asli AI adalah untuk menciptakan pikiran digital sejati yang bekerja seperti otak manusia. Faktanya, kegagalan untuk bahkan menyetujui apa yang merupakan AI adalah salah satu kejatuhan lapangan.
jiggy

@ user10326: Masih gagal memahami relevansi.
DeadMG

15

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.


5
Poin bagus tentang "jika bukan sihir lagi (3), itu bukan AI lagi".
Piskvor

Tetapi bukankah pembelajaran statistik dan penambangan data AI pada prinsipnya?
user10326

@ user10326, tentu sebagian besar referensi masih mengklasifikasikan Machine Learning sebagai cabang AI, tapi saya mendapat kesan bahwa banyak orang yang bekerja di ML akan mengerutkan dahi Anda jika Anda memberi tahu mereka bahwa mereka bekerja di AI. Saya pikir mereka akan memberi tahu Anda bahwa secara pragmatis, ML adalah cabang statistik, dan tidak memberikan wawasan khusus tentang kecerdasan, buatan, atau sebaliknya.
Charles E. Grant

12

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.


3
Saya percaya ini adalah jawaban yang benar daripada teori keangkuhan, yang tampaknya sangat didukung di situs ini. Hal-hal yang kami pikir sangat sulit bagi manusia ternyata relatif mudah untuk mesin, di sisi lain hal-hal yang sangat sederhana bagi manusia sangat sulit untuk mesin.
AlexC

11

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.


Re: Turing Test: Saya membaca tentang program asisten pengajar Georgia Tech yang kebanyakan siswa tidak tahu adalah "AI". Mereka mungkin tidak mencari itu, tetapi tentu saja tidak melompat ke arah mereka. Saya pikir percakapan umum akan menjadi masalah yang diselesaikan segera. Saya menyaksikan seseorang bermain dengan Google Echo baru (apa pun namanya) baru-baru ini. Menyedihkan, tapi berapa lama itu akan tetap seperti itu, dengan jutaan monyet memberinya sampel percakapan?

5

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.


4

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.


3
+1 untuk kalimat pertama.
Mason Wheeler

Mungkin kita tidak cukup pintar untuk dapat memahami kecerdasan, atau bahkan model dari itu. Tapi kita bisa membangun model payah, lalu membuatnya bekerja sendiri ...

2

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.


Apa itu OWL? Ostwestfalen-Lippe?
sleske


2

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.


Otak sederhana (serangga, ikan, reptil) dapat menangani perilaku dengan baik, tetapi menangani penalaran adalah masalah yang berbeda. Jadi saya berpikir bahwa AI akan segera dapat berbicara tentang domain masalah, tetapi tidak memiliki sesuatu yang berarti untuk berkontribusi atau dapat memecahkan masalah baru. Daerah yang menarik adalah di mana otak kecil (burung) dapat melakukan hal-hal rumit seperti menanggapi masukan percakapan dan menciptakan hal-hal yang lucu untuk dilakukan (Parrot yang menirukan suara bel pintu untuk menonton orang-orang pergi menjawab pintu, lalu mengeluarkan suara tertawa).

1

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.


0

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.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.