בינה מלאכותית לא הולכת להשתלט על האנושות כל כך מהר, כנראה.
"מכונות יהיו מסוגלות, תוך עשרים שנה, לעשות כל עבודה שאדם יכול לעשות". על ההצהרה הזו היה אחראי מי שנחשב לאבי הבינה המלאכותית הרברט סיימון בשנת 1965. עשרים השנים חלפו כבר כמה פעמים וזה עדיין לא קרה. העתידן ריי קורצווייל הכריז פומבית שה-AI יעלה על האינטליגנציה האנושית עד 2029 וגם אילון מאסק צייץ זאת לא פעם, וכנראה שגם ב2029 זה לא יקרה.
בפוסט הזה נוריד את ההתלהבות מבינה מלאכותית לקרקע. לא כי אנחנו לא רוצים ומאמינים בטכנולוגיה אלא כי הקסם עוד לא אמין דיו בכדי שנסמוך עליו לחלוטין בחיינו. נכון להיום יש פער עצום בין שאפתנות למציאות, עם כל הכבוד לציור ייחודי שמתקבל באמצעות חיבור מילים.
יש שיטענו שהאובססיה הנוכחית לבניית מכונות "לוח ריק" שלומדות הכל מאפס, המונעות אך ורק מנתונים ולא מידע, היא בעיה שלא ניתן להקל בה. המציאות הרבה יותר מורכבת ושום ידע קיים לא משקף בצורה מושלמת עולם דינמי ומשתנה עם אפשרויות בלתי מוגבלות.
AI – חוזרים להתחלה
גארי מרקוס הוא יזם בכל העולם הזה של "למידת מכונה" וארנסט דייוויס הוא פרופסור למדעי המחשב באוניברסיטת ניו יורק. אנשים שעשו כמה דברים בחייהם. בספרם Rebooting AI הם סוקרים את ההתקדמות האדירה שנעשתה בפיתוח הבינה המלאכותית, אך מדגישים את המכשולים העמוקים להעברת היכולות של מכונות AI מבינה "צרה" לאינטליגנציה כללית. אם קיווית או חששת שמכונות AI יחליפו ואולי ביום מין הימים ישתלטו על האנושות, הספר יפחית מהפחדים ויצנן מהתקוות.
מרקוס ודיוויס עוקבים אחר ההתקדמות של מה שהם מכנים בינה מלאכותית "צרה", שיכולה לתכנת מכונה לחזות כל מהלך אפשרי במשחק Go, מכיוון שממדי הלוח והכללים קבועים. בהקשר זה, המכונה יכולה אפילו "ללמוד" על ידי ניסוי וטעייה. בחיים האמיתיים, לעומת זאת, הכל פתוח ומשתנה. ויש להם קטלוג שלם של סיבות מבניות ואחרות להערכה הספקנית שלהם.
רק בגלל שמכונת AI יכולה לזהות הברה או קול לא אומר שהיא חכמה. "להוציא מהצלחה בהיבט אחד של קוגניציה להצלחה בכל ההיבטים זה להיכנע לאשליית הקידמה". יש לא מעט סרטונים ביוטיוב על תמונות של חפצים שזוהו בטעות על ידי מערכות למידה עמוקה כדברים אחרים לגמרי. צב שזוהה כרובה, כדור בייסבול מכוסה קצף לאספרסו, ובננה עם מדבקה שזוהתה כטוסטר. לא משולשים.
אין ספק שדברים עשויים להשתנות בעתיד. בכדי לשפר בינה מלאכותית, חייבם לפרוץ את מחסום השכל הישר בשילוב עם אינטליגנציה כללית. מערכות שמסוגלות לייצג את מסגרות הליבה של ידע כגון זמן, מרחב, סיבתיות ואינטראקציה בין אובייקטים פיזיים לבני אדם. רשימת התנאים המוקדמים נמשכת ונמשכת.
מטרילים בינה מלאכותית
לבני אדם יש נטייה להתעלל במחשבים וב-AI, להטריל, לבדוק גבולות, לבקש דברים לא הגיוניים רק בכדי להרגיש נעלה. אולי משהו שמגיע מהתת מודע על זה שבינה מלאכותית הולכת להחליף אותנו.
רשימת הבעיות החברתיות שהולידו מחשבים היא ארוכה, הן כוללות את ההשלכות הפיזיות, הנפשיות והמוסריות של היצמדות לטלפון סלולרי מסביב לשעון, הנדסת תודעה על ידי פייק ניוז וגם בדיקות זיהוי פנים בשדה התעופה שקוראות פנים לא נכון ומפלות לרעה לא לבנים. או ככה מספרים.
ההישגים של AI בעיבוד ויצירת שפה מטעים לעתים קרובות. רשתות עצביות עמוקות הן מכונות סטטיסטיות ענקיות , פונקציות מתמטיות מסיביות שיכולות למצוא מתאמים מורכבים ומסובכים בין קבוצות גדולות של נתונים. זה הופך אותם ליעילים ביותר במשימות סיווג. אבל הרבה מהדברים שאנחנו עושים כשחושבים על שפה אינם קשורים לקורלציות וסטטיסטיקה.
השלם מורכב יותר מסך חלקיו
"אלזה ניסתה להשיג את דודתה בטלפון, אבל היא לא ענתה" תסכימו איתי שלא צריך להיות גאון כדי להניח שאלזה ניסתה ליצור קשר עם דודתה באמצעות הטלפון. הנחה שטובי האלגוריתמים הבינה המלאכותית יתקשו להסיק. למה בעצם? כי חסר מה שבלשנים מכנים קומפוזיציות, דרך לבנות את המשמעות של משפט כולל ומורכב ממשמעות חלקיו.
כשזה מגיע להבנת משמעויות נסתרות ומרומזות, דברים שלא ניתן ללמד באמצעות מספר עצום של דוגמאות, למידה עמוקה מתחילה להישבר ולספק התנהגות מוזרה. זה נכון במיוחד לגבי שפה, לרובנו זה ברור מאליו אבל שפה היא אחת התפקודים המורכבים ביותר של המוח.
נכון לעכשיו, רוב חוקרי הבינה המלאכותית משתקנים ומשפרים את שגיאות המודלים על ידי הגדלת מערכי נתונים ומשאבי מחשוב להתגברות על הבעיה. התקווה שלהם היא שעם יותר נתונים, הבינה המלאכותית תוכל בסופו של דבר לענות על כל מקרה ותכלול אפשרויות 'קצה' רבות יותר. האם סטטיסטיקה היא תחליף להבנת העולם האמיתי והמורכב? עדיין לא כנראה. ובעולם שלא מפסיק להתפתח ולהשתנות, אולי אף פעם לא יהיו מספיק נתונים לאיסוף.
אחת הבעיות הבסיסיות ביותר עם בינה מלאכותית הנוכחית היא שהיא מתמקדת בעיקר בפתרון בעיות באמצעות רשתות עצביות גדולות יותר, מחשבים גדולים יותר ומערכי נתונים גדולים יותר. הרבה מתמטיקה וחישובים ומעט מדי מודלים קוגניטיביים.
