1950 년대에는 "인공 지능"이 인간과의 체스에서 이길 수있는 자의식과 현명한 기술로 빠르게 발전 할 것이라는 믿음이 널리 퍼져있었습니다. 다양한 사람들이 예를 들어 10 년의 기간을 제안했다 (Olazaran의 "Perceptron 논쟁의 공식 역사"또는 2001 : Space Odyssey를 보자).
체스와 같은 게임을 마스터하는 프로그램을 고안 한 결과, 프로그래밍 된 게임과 같은 게임에만 적용되는 소프트웨어 디자인이 언제 나온다는 것이 분명 해졌습니까? 인간과 유사한 일반 지능과 도메인 별 지능의 차이를 인식 한 최초의 사람은 누구입니까?
답변:
20 세기 중반에 발간 된 많은 출판물들은 AI가 빠르게 자각하고, 자각하고, 똑똑해질 것이라는 것은 그 기간 동안 널리 알려진 믿음이라는 질문자의 진술을 증명합니다.
훌륭한 성공
폰 노이만 (Von Neumann) 범용 컴퓨팅 아키텍처가 개발 된 이후 많은 작업과 전문 지식이 한때 인간 지능의 독점 영역이 된 것은 세기가 끝날 무렵 컴퓨터의 독점 영역이되었다. 이것들은 몇 가지 예일뿐입니다.
실망 (지금까지)
이러한 인상적인 성공과 달리 실패한 기대치도 똑같이 길다.
도메인 및 도메인 프리 구별
체스와 같은 게임을 마스터하는 프로그램을 고안 한 결과, 프로그래밍 된 게임과 같은 게임에만 적용되는 소프트웨어 디자인이 언제 나온다는 것이 분명 해졌습니까?
일반 대중은 사이버 네틱 체스 마스터가 다른 방식으로 사람들보다 똑똑 할 것이라고 생각했을 수도 있지만, 그러한 프로그램을 만드는 사람들은 체스 게임에서 우수성을 나타내는 소프트웨어를 개발하는 것과 하드 코딩 된 소프트웨어를 개발하는 것의 차이를 잘 알고있었습니다. 체스 게임을 배우고 초보자로부터 반복적으로 우수성을 개발합니다.
최종 목표는 항상 강력한 일반 지능이었습니다. 투자자에게 진행 상황을 쉽게 보여주기 위해보다 단기적인 달성 가능한 목표가 만들어졌습니다. 군대로부터 지속적인 연구 자금 흐름을 유지하는 유일한 방법이었습니다.
첫 번째 이정표는 머신 러닝없이 단일 게임을 마스터하는 것이 었습니다. 그런 다음 연구는 도메인 지식 구축으로 전환하여 전쟁 중에 솔루션, 적응 및 계획 형태를 실시간으로 실현할 수있었습니다. 20 세기 3 분기에 경제 지배가 군사 지배보다 더 선호됨에 따라 AI에 대한 비전은 경제 및 천연 자원 관리 영역을 포괄하도록 확장되었습니다.
이 자동화 성숙 스펙트럼을 고려하십시오.
첫 번째는 쉽습니다. 마지막은 매우 도전입니다.
이러한 자동화 성숙 단계 사이의 구별이 명백해 졌을 때와 연구 그룹이 복잡한 확률 적 기능인 그러한 구별에서 사람들이 얼마나 분명해 졌는지.
주요 공헌자
인간과 유사한 일반 지능과 도메인 특정 지능의 차이를 인식 한 최초의 사람은 누구입니까?
Norbert Wiener는 릴레이의 전자 제어 (Clade Shannon에 의해 이론적으로 조사 된)와 폐쇄 루프 제어 사이의 차이점을 깊이 이해 한 최초의 사람 일 것입니다. 그는 주로 수학 작업 인 사이버네틱스 (Cybernetics)에서 자기 교정 및 적응 시스템의 기초를 정확하게 확립했다. 존 폰 노이만 (John von Neumann)은 좋은 게임 플레이 프로그래밍과 좋은 게임 플레이를 배울 수있는 인간 능력 사이의 차이를 이해했으며 그 주제에 대해 많이 발표했습니다.
실제로 게임 재생 소프트웨어와 기계 학습의 구별에 대한 첫 인상적인 시연을 쓴 사람은 Arthur Lee Samuel이었습니다. 그는 현대 디지털 컴퓨터와 Wiener의 작업을 연결하고 처음으로 Machine Learning이라는 용어를 만들었습니다.
진정한 연구와 혁신의 왜곡 된 진술
인공 지능 좁은 지능 (ANI), 인공 일반 지능 (AGI) 및 인공 슈퍼 지능 (ASI) 카테고리 는 AI 혁명 : 블로거 Tim Urban (Hubington Post, THE BLOG )의 초 지능으로 가는 길에서 2 / 10 / 게시 2015 년 4 월 12 일에 업데이트 됨)은 여러 장소에서 AI Stack Exchange에서 참조되지만 이러한 범주 간의 차이점은 정확하게 정의되어 있지 않으며 여기에 포함 된 아이디어는 동료 검토 나 다른 연구 또는 통계에 의해 검증되지 않습니다.
이 작품은 평범한 공상 과학 소설만큼이나 추측이 아닙니다. 반복적 인 실험이나 무작위 연구에서 도출 된 합리적인 결론은 아니지만 인기를 얻을 정도로 재미있었습니다. 이 기사에 제공된 추세 그래프는 실제 데이터의 그래픽 표현이 아니라 발명 된 형태입니다.
과학 연구에 대한 많은 평신도 해석이나 공상 과학 소설 작가의 미래 사고와 마찬가지로 일부 자료는 나중에 진실이있는 것으로 밝혀 질 수 있습니다. 그러나 많은 자료가 오해와 허위 주장으로 이어집니다.
나는 누군가가 그런 대답을 줄 수 있기를 희망하지만이 질문에 대한 매우 정확한 대답이 시간의 모래에 빠져 나올 것으로 기대합니다. 한편, 여기에 흔적이 하나 있습니다. 2007 년 논문의 선집은 다음과 같은 모호로 시작됩니다.
이 편집 된 책을 만들려는 우리의 목표는 과학 연구에서 명백한 격차를 메우는 것이 었습니다. 이는 현대 연구의 필수 중요성에도 불구하고 과학 및 과학 분야에서 지적 공동체. 이 일의 본문은 전에 이름이 주어지지 않았다. 이 책에서 우리는“인공 일반 정보”(AGI)라고 명명했습니다. AGI 작업을 일반 "인공 지능"연구와 차별화하는 것은 단기적으로 일반 지능 공학에 중점을 둔다는 점입니다.
그러나 이것이 "인공 일반 지능"이라는 특정 문구의 기원이더라도, 사람들이 "일반 지능"과 "작업 특정"기술을 훨씬 더 일찍 구별하고 있다고 확신합니다.
AGI에 대한 Wikipedia 기사에는 다음과 같은 힌트가 있습니다.
그러나 1970 년대 초, 연구자들이 프로젝트의 난이도를 과소 평가했다는 것이 명백 해졌다. AI에 자금을 지원 한 대행사는 강력한 AI에 회의적인 태도를 보였으며 유용한 기술 또는 "적용된 AI"를 생산해야한다는 압력을가했습니다.
이 섹션에서는 이 책 을 해당 진술에 대한 지원으로 인용 합니다. 실제로 다음과 같은 언어가 포함됩니다.
AI 분야의 대부분의 창업자들은 인간과 기계 지능에 대한 기본 질문을 계속 추구했지만, 일부 학생들과 다른 2 세대 연구원들은 AI 문제와 실제 문제를 해결하기위한 방법을 사용하기 시작했습니다. 그들의 이니셔티브는 그들 자신의 권리뿐만 아니라 더 많은 연구 영역에 대한 자금 환경의 점진적이지만 상당한 변화를 나타 내기 때문에 중요했습니다. SAIL의 DENDRAL과 같은 전문가 시스템의 개발은 이러한 추세의 한 예일뿐입니다.
DENDRAL이 1965 년경에 시작된 것을 감안할 때 일부 주요 연구자 (또는 최소한 자금 지원자)는 1960 년대 말쯤에 "일반 지능"과 "적용된 AI"에 대한 연구의 차이점을 강하게 인식 한 것으로 보입니다. 계속 읽으면, 다른 구절들이 DARPA가 1970 년대 내내 AI 연구에보다 "적용된"접근 방식을 추진하기 시작했다는 개념을지지합니다.
따라서 명확한 답은 아니지만, "인공 일반 지능"이라는 정확한 용어를 사용하는 것이 가장 최근의 것으로 보이지만 적어도 1970 년까지 그 구별이 알려져 있고 고려되었다고 말할 수있는 것처럼 보입니다.
1973 년 영국 정부는 제임스 라이트 힐 경을 고용하여 인공 지능 상태에 대한 "일반 조사"를 의뢰했습니다. 그의 보고서는 현재 AI 연구에 대한 비난으로 AI 과학자들과 첫 AI Winter 사이에 비관적 인 물결을 일으켰다 . Lighthill의 보고서 (및 그의 보고서에 대한 현대 비판)는 여기 에서 볼 수 있지만, Lighthill의 핵심 요점을 요약하겠습니다.
제임스 라이트 힐 경은 AI를 세 가지 범주로 나누었습니다.
고급 자동화 (또는 "응용 AI")가 분명히 유용합니다. 우리는 인간 지능에 대해 더 많이 알고 싶어하기 때문에 컴퓨터 기반 CNS 연구 는 유용합니다. 인공 지능의 두 분야는 어느 정도 성공을 거두었지만 실무자들은 지나치게 낙관적이어서 그 분야에서 실망했습니다. 제임스 라이트 힐 경은이 두 분야에 대한 연구를 여전히지지하고있었습니다.
반면에 로봇 제작 ? 제임스 라이트 힐 경은이 아이디어에 매우 적대적이었을 것입니다. 아마도 다른 두 범주보다 지나치게 과장되어 가장 귀중한 생산량을 생산했기 때문일 것입니다.
그는 특히 "로봇"연구가 실패한 사례로 체스를 언급했다. 이 보고서가 출판 될 당시 체스 게임 엔진은 "영국의 카운티 클럽 선수들의 경험이 풍부한 아마추어 표준 특성"수준이었습니다. 그러나이 체스 게임 엔진은 인간이 만든 휴리스틱에 의존했습니다. 엔진은 전혀 지능적이지 않았다 ... 그들은 단지 지능적인 인간에 의해 만들어진 휴리스틱을 따르고 있었다 . 로봇이 테이블에 가져다주는 유일한 이점은 "속도, 신뢰성 및 입찰 가능성"이며, 심지어 체스 그랜드 마스터를 이길 수는 없었습니다.
오늘날 우리는 체스를 범용 문제 해결의 예로 취급하지 않을 것입니다. 우리는이 문제를 일반적인 문제 해결의 광범위한 실제 영향과는 다른 "좁은 AI"문제인 "고급 자동화"로보다 정확하게 분류 할 것입니다. 그러나 제임스 라이트 힐 경은 아마도 우리에게 동의 할 것입니다. 그는 "좁은 AI"와 "AGI"라는 용어를 사용하지 않았지만 (이들 중 어느 것도 아직 존재하지는 않았 음) 그는 다음과 같이 쓸 것입니다.
요약하면, 지난 25 년 동안 카테고리 B 내 AI 작업에 대해 본 저자가 연구 한이 증거와 나머지는 프로그래밍이 매우 가득 찬 경우 고도로 전문화 된 문제 영역에서 수행하도록 작성된 프로그램에 대해 어느 정도 격려가됩니다. 관련 영역 내에서의 인간 경험 및 인간 지능의 결과를 설명하지만, 다소 광범위한 분야에서 인간 CNS 활동의 문제 해결 측면을 모방하려는 범용 프로그램에 대해 전적으로 낙담하고 있습니다. AI 활동의 장기적인 목표 인 이러한 범용 프로그램은 그 어느 때보 다 먼 것처럼 보입니다.
James Lighthill 경은 Advanced Automation 과 컴퓨터 기반 CNS 연구 를 연결하는 유일한 방법 은 Building Roobts "bridge"범주 의 존재 라고 믿었습니다 . 그러나 그는 실제로 가치있는 것을 생산하는이 범주에 대해 매우 비관적입니다. 대신, AI 분야는 자체 구성 요소 (자동화 및 연구)로 나뉘어 야합니다. 그러면 구축 된 모든 로봇은 산업 자동화 또는 CNS 연구와 같은 서브 필드 내에서 전문화 될 수 있습니다. "일반 목적 프로그램"의 성배를 구축하는 것은 적어도 당분간은 가치가 없을 것입니다.