1960 년대에 인공 지능을 연구하는 과학자와 엔지니어의 초기 과신에 대한 이유가 있습니까?

방금 AI & Data Mining 수업과 책을 시작했습니다. AI 응용 프로그래밍, AI 의 역사에 대한 개요로 시작합니다. 첫 장은 1940 년대부터 현재까지 AI의 역사를 다루고 있습니다. 하나의 특정 진술이 나에게 튀어 나왔다.

[60 년대] 인공 지능 엔지니어가 과잉 약속하고 미달 게재 한 ...

과신의 이유는 무엇입니까? 수학적 예측 모델이 돌파구를 돌파했음을 보여 주 었는지, 또는 점점 더 많은 하드웨어 기능을 활용할 수 있었기 때문입니까?

내 개인적인 의견은 그것이 hubris 때문 이었다는 것 입니다. 60 년대와 70 년대에 MIT, 스탠포드 등의 홀을 걸어 다니는 거대한 자아가 있었는데, 그들은 단지이 문제를 깨뜨렸다는 것을 알았습니다 . 권리.

당시에는 그 우주에 속해 있지 않았지만 80 년대 중반에서 후반에는 유사성 검색을하고있었습니다. 우리의 연구는 처음에 60 년대 코넬 (Cornell)의 Gerard Salton이 수행 한 연구를 기반으로 했으며, 가중 속성 벡터를 사용하여 문서와 쿼리를 나타 냈습니다. 실제로 유용한 접근 방법 이었지만 신경망이 화염에 빠졌을 때 (적어도 번식 을 발견 할 때까지 ) Salton의 연구는 신경망과의 유사성 때문에 말 그대로 포함되었다. 그는 다른 일을하려고했지만 몇 년이 지나서 다른 사람들과 함께 뭉쳤다.

누군가가 Current Brick Wall ™에 대한 해결책을 제시 할 때마다 매우 흥분하여 AI를 해결 된 문제로 선언합니다. 그렇지 않습니다. 그 벽돌 벽 뒤에 또 다른 것이 있기 때문 입니다. 이 사이클은 AI뿐만 아니라 계속해서 반복되었습니다. 나는 확고하게 모든 미래의 컴퓨터 과학자와 엔지니어가되어야한다고 생각 해야 로켓처럼 가서 다음 큰 것 ™의 수에 대한 특별한 강조와 함께, 컴퓨팅의 역사에서 한 학기 동안 수업을 위해 ... 그리고 매우 만든 계곡 바닥에 큰 분화구.

부록 : 나는 노동절 주말을 오랜 친구와 보냈고 우리는 이것에 대해 조금 이야기했습니다. 의미, 의미, 사용 방법 등을 파악하는 맥락은 해결해야 할 가장 큰 장애물로 떠 올랐습니다. 그리고 더 오래 볼수록 장애물이 커집니다. 인간은 "이전에 일어난 일"의 광대 한 상점에 ​​대해 "일어났던 일"을 놀랍고 거의 즉각적인 부분 패턴으로 일치시킨 다음 과거의 지식을 현재 상황과 결합하여 이해 하는 맥락 을 만들 수 있습니다. 행동으로 이어질 수 있습니다. 예를 들어, 우리는 Waldo Grade를 낮추면서 "우리가 무시할 수있는 것"에 대한 강력한 필터로 사용할 수 있습니다. 60 MPH에서 4 차선이 나란히 있고 3 피트 또는 4 피트 (또는 그 이하)로 분리되어 있습니다.

의 스펙트럼에 stuff > data > information > knowledge > understanding > judgement우리는 여전히 정보 / 지식의 단계를 얻기 위해 긴장하고, 심지어 그 고도 제한으로 제한됩니다 담론의 영역 .

간단히 말해서, 그들은 특히 조합 폭발이 우려되는 곳에서 문제의 규모를 과소 평가했다. 많은 인공 지능 솔루션은 "장난감"샘플에 적합하지만 사람 수준의 문제까지 확장 할 때 실패합니다.

틀림없이, 그들은 또한 단순히 경험이 없었습니다. 필드로서의 AI는 (상대적으로) 실제 응용의 관점에서 발명 된 것이므로 이론에 적용한 경험이 아무도 없습니다.

몇 가지 이유를 생각할 수 있습니다.

AI는 50 년대 후반과 60 년대 초반에 완구 된 일부 장난감 문제로 인해 빠른 성공을 거두어 달성 한 것을 과대 평가했습니다. ELIZA와 SHRDLU는 비교적 간단한 프로그램 임에도 불구하고 사람들을 놀라게했습니다. 불행히도, 그 프로그램을 멋지게 만든 것의 많은 부분은 정말 참신한 일이었습니다. 오늘날 ELIZA와의 대화에 깊은 감명을받는 사람은 없었지만 당시 사람들은 그것이 거의 기적적이라고 생각했습니다.

또한 문제가 해결되거나 최소한 다루기 쉬워 질수록 사람들은 더 이상 AI로 생각하지 않습니다. 코드 최적화는 AI 문제였습니다. 통계 학습은 인공 지능을 통해 자신의 전문 분야로 발전했으며이를 통해 음성을 인식했습니다. 데이터 마이닝이 주류가됨에 따라 AI와의 연결이 느슨해집니다. 시간이 지남에 따라 AI는 성공을 잊고 다루기 힘들고 불용성 문제에 갇혀 결국 플럽처럼 보입니다.

60 년대의 사람들은 자신의 인간 경험을 사용하여 문제를 "어려운 문제"와 "쉬운 문제"로 나누었다 고 생각합니다. 체스 승리, 논리 수수께끼 풀기, 수학 방정식 풀기 등은 인간에게는 어려운 것 같습니다. 두뇌가 의식적인 노력없이 모든 작업을 수행하기 때문에 자연 언어를 이해하거나 이미지에서 대상의 윤곽을 찾는 것과 같은 일이 쉬워 보입니다. 우리가 그 일을 어떻게하는지 설명하려고 할 때, "영어 문장은 항상 주제가 단순한 용어 나 구가 될 수있는 구조의 주제 술어-개체를가집니다"또는 "나는 가장자리를 찾아서 객체 경계에 연결합니다. " 오늘날 우리는 일이 그렇게 간단하지는 않다는 것을 알고 있습니다. 모든 단순하고 단순하지 않은 모든 솔루션이 시도되어 왔기 때문입니다.

게다가이 오류는 60 년대에 시작되지 않았습니다. 이러한 "어려운 문제"(휴리스틱, 게임 이론, 의사 결정 이론, 수학, 논리 등)를 해결하는 방법에 대한 수세기에 걸친 연구가 있었지만, 아무도 확신하지 못했습니다. 1950 년대 이전에 자연어가 어떻게 파싱 될 수 있는지 연구하기 위해 귀찮았습니다.

그리고 오늘날에도 사람들은 정기적으로 스택 오버플로에 대한 질문을 찾을 수 있습니다. 여기서 사람들은 영어 문장을 구문 분석하고 이미지에서 사람의 나이를 추정하고 이미지가 "작업하기에 안전한지"또는 두 이미지가 동일한 것을 나타내는 지 판단하는 방법을 묻습니다. . 나는 이런 질문을하는 사람들이 너무 많은 허위 나 오만을 겪고 있다고 생각하지 않는다. 이러한 문제는 너무 단순 해 보인다. 문제 를 해결하기위한 간단한 알고리즘 이 없다고 믿을 수 없다.

인공 지능은 오랜 실망을 안겨 왔지만 많은 비평가들이 종종 "1960 년대 엔지니어들이 과도하게 약속하고 미달했다"는 말과 같이 어떤 일이 일어 났는지 지나치게 단순화했다고 생각합니다.

60 년대에 AI는 상대적으로 소수의 연구자들의 영역이었으며 (실제로는 공학이라고 불릴만큼 충분히 개발되지 않았 음), 대부분 대학에서, 그 중 소수만이 프로그래머가되었습니다.

1950 년대에 컴퓨터의 갑작스런 가용성은 자동화, 특히 자연어의 기계 번역, 체스 게임 및 이와 유사한 문제에 대한 자동화에 대한 큰 기대를 불러 일으켰습니다. 그 당시의 성공에 대한 실제 예측을 찾을 수 있지만, 누군가가 그 문제 중 하나를 심층적으로 다루기 전에 약속이 필연적으로 나왔습니다. (또는 그들은 사무엘 이 체커와 많은 성공을 거둔 후 좋은 체스 게임을 구현할 수있을 것으로 기대하는 것과 같이 한 성공이 다른 성공을 보장한다고 잘못 가정했습니다 .)

또한 "그들", "느낌", "생각"등의 주장에주의해야합니다. 회고 적 의견 (이와 같은)은 쉽게 버릴 수있는 반면, "전문가"(실제로 문제를 해결하려고 시도한 사람들)에 의한 실제 예측에 대한 증거는 문서화하기가 훨씬 더 어려울 수 있습니다.

프로그래밍이 적용되는 특정 분야에 관계없이 과잉 약속 및 전달 취소는 항상 소프트웨어 개발의 증상이었습니다. AI의 가장 큰 어려움은 사소한 문제가 대부분의 엔지니어의 능력을 넘어서는 것입니다. 예를 들어 Charles E. Grant의 답변 은 ELIZA와 SHRDLU를 "상대적으로 단순"으로 분류 하지만 ELIZA (대부분의 1 학년 학생들은 어려움없이 구현할 수 있음)에만 해당됩니다. 반면에 SHRDLU는 크고 복잡한 프로그램으로 대부분의 프로그래머가 구현하기가 매우 어렵습니다. 실제로 두 대학생 팀이 소스 코드를 완전히 다시 실행할 수 없었 습니다.그리고 40 년이 지난 지금도 SHRDLU와 비슷한 능력을 찾기가 어렵습니다.

인공 지능은 아마도 컴퓨터를 적용 할 수있는 가장 이해하기 어렵고 다루기 힘든 문제 중 하나 일 것이므로 전반적으로 인공 지능의 발전은 일반적으로 그 과정에 필적한다고 말하고 싶습니다. 여전히 높은 기대치 가 있으며 60 년대 이후로 하드웨어 속도와 용량이 엄청나게 증가했지만 AI에 대한 엔지니어의 능력과 이해가 그다지 개선되지 않는다고해서 튜링 테스트 통과와 같은 성배는 여전히 아마 먼 길을 떠나고, 과잉 약속과 미달 게재는 아마도 한동안 계속 될 것입니다.

그 이유는 오만이라고 생각합니다. 제가 AI를 다루는 60 년대의 엔지니어 였다면, 나는 꽤 거만했을 것입니다.

나는 위대한 일을 이루기 위해서는 위대한 일을해야한다고 생각합니다. 따라서 한계를 초과하지 않는 한 과도한 약속은 반드시 나쁜 것은 아닙니다. 오늘날의 과학자는 내가 믿지 못할 것으로 예상되는 것들을 약속하고 있지만, 그 목표를 달성하지 못하면 그 결과가 무엇인지 놓칠 것입니다.

어디로 가는지 모르면 어딘가에 도착하기가 매우 어려울 수 있습니다.

지능이 무엇이고 어떻게 작동하는지에 대한 합리적인 설명이 있다면, 효과적으로 모방 할 수있을 것입니다. 튜링 테스트는 흥미롭고 유용하지만 실제 지능을 모델링하는 데 도움이되지 않을 수 있습니다. 우리 모두가 아는 바와 같이, 지능의 "모델"은 진정한 지능에도 충분하지 않을 수 있습니다.

글쎄, 나는 지금 OWL에서 일어나고있는 것과 거의 같은 것이라고 말할 것입니다. 둘러보고 평행선을 그려보십시오.

종이에 좋은 소리, 장난감 문제에 잘 작동하는 것 같고 대부분의 실제 데이터에서는 엄청나게 복잡합니다.

주어진 좋은 답변 외에도 두 가지 관찰 사항이 있습니다.

오늘의 일부 인용문은 많은 연구원들이 더 빠른 컴퓨터가 설계되면 사소한 솔루션을 확장 할 수 있다고 생각한 것으로 보입니다. 어떤 종류의 학습 시스템의 경우 이것은 매우 사실이지만 OP가 말하는 것은 실제로 규모가 나아지지 않았다고 생각합니다.

당시 연구원들은 인간의 마음의 복잡성에 대한 추정치가 매우 낮았습니다 (Touring test와 같은 아이디어, 사람들이 뇌의 적은 양만 사용한다는 아이디어에 중점을 둡니다). 간단한 동물 수준의 AI는 상황이 확대됨에 따라 일부 수단으로 달성되었지만 인간 수준의 AI 로의 점프는 예상보다 훨씬 큽니다. 이로 인해 일부 연구자들은 이러한 차이를 메우기위한 시도로 아기 시스템과 다른 성장 / 진화 기반 시뮬레이션을 배우려고 시도했습니다.

한 가지 이유는 우리가 1960 년대에 ELSEWHERE를 가지고 있었기 때문입니다. 우리는 방금 우주로 발사했고 곧 달에 사람을 착륙시킬 것입니다. 우리는 소아마비와 다른 주요 질병에 대한 치료법을 발견했습니다.

그러나 "인공 지능"은 우리가 당면한 "엔지니어링"문제와 다른 동물이었습니다. 그것은 "기계적"문제 라기보다는 "추론"이었습니다.

요컨대 AI (1960 년대)는 "아직 시간이 오지 않은"아이디어였다. 이후 수십 년 동안 다른 문제처럼 접근하기까지 더 많은 개발이 필요했습니다.

또 다른 이유는 컴퓨터를 습득하고 컴퓨터 프로그램을 작성하는 것이 우리에게 작은 통제 괴물에게 전능 한 느낌을 줄 수 있기 때문입니다. 실제로 닫힌 우주이지만 작은 우주를 만듭니다.

이것은 철학적 / 인식 론적 교육의 부족과 "지능은 ...."과 같은 간단한 설명에 대한 순진한 신뢰를 더해 허비로 이어질 수 있습니다.