¿Por qué es difícil construir IA de autoaprendizaje?

(Hablando desde el campamento Minsky, Chomsky aquí)

Lo que los humanos tienen que otros no tienen es inteligencia simbólica . Podemos representar simbólicamente ideas abstractas y transferirlas a través de dominios. Un ejemplo clásico de esto es la comprensión de la historia: somos capaces de interpretar, manipular y comunicar historias. Podemos conectar la historia de Dawn Loggins, una niña sin hogar convertida en estudiante de Harvard, y la historia del regreso de los Medias Rojas de 2004 contra los Yankees porque ambas son historias de Cenicienta .

Esto se conoce como el problema de conexión a tierra de símbolos.

Otras cosas que los humanos hacen que las máquinas y otras especies no hacen al tomar decisiones:

  • Simulaciones: simulamos el mundo en nuestra mente para considerar nuestras opciones.
    • Si hablas con alguien que te atrae por primera vez, juegas a través de múltiples escenarios. Es posible que tenga en mente 2 o 3 escenarios diferentes. ¿Cómo llegaste a esos escenarios? ¿Cómo decides entre ellos?
  • Contextualizar: usar el contexto de la situación para ayudar al proceso de toma de decisiones.
    • Dejaste caer comida en el suelo. ¿Todavía lo recoges y lo comes o no? Contextualizas la situación considerando dónde la dejaste caer (el piso de tu habitación que pasaste la aspiradora ayer frente al piso de una cafetería pública), cómo te sientes (tomaste vitaminas más temprano hoy vs sentiste un cosquilleo en la garganta esta mañana y estás preocupado por enfermarse), qué tan buena es la comida (una fritura cuando tienes toneladas de otras papas fritas frente a tu única trufa de chocolate), cómo te percibirían los demás (¿quién te vería? ¿Cómo te juzgarían?).
  • Sentido común: esta “salsa secreta” que incluso los niños pequeños desarrollarán sin entrenamiento formal.
    • Un vaso de agua está cerca del borde de la mesa. Sabes acercarlo al centro de la mesa. Eso es prácticamente instinto. ¿Por qué? El vidrio está cerca del borde para que pueda caerse; si cae, el vidrio podría romperse y el agua se derramará; Si hay agua y vidrio en la inundación, las personas podrían salir lastimadas. ¿Cómo hiciste esas asociaciones?

Se supone que estoy editando una tesis en este momento, así que omito fuentes de brevedad (hábito terrible, lo sé). ¡Comente si desea fuentes / lecturas recomendadas!

Es difícil porque la mayoría de las personas no han hecho la investigación para definir adecuadamente el problema por sí mismas. Una vez que comprenda lo que está tratando de construir, entonces es cuestión de enfoque. Por ejemplo, el software moderno se construye, más o menos, especificando requisitos, luego diseñando un sistema que tenga elementos que aborden los requisitos y finalmente implementando, probando e implementando el sistema.

Asimismo para la IA es importante

  1. Definir los fenómenos de interés en la inteligencia humana.
  2. especificar requisitos explícitos para cada fenómeno,
  3. subsistemas de arquitecto para lograr cada uno de los requisitos,
  4. implementar un sistema total que contenga los subsistemas,
  5. probar e implementar el sistema.

Mi enfoque se puede encontrar aquí: Construyendo mentes con patrones (DRAFT).

More Interesting

Los algoritmos de ML escritos en Java funcionan bien para un conjunto de datos más pequeño. Para un conjunto de datos grande, ¿cómo podemos escalar estos algoritmos? ¿Necesitamos buscar algoritmos distribuidos / mapas distribuidos en memoria / NOSQL / archivos para leer y escribir grandes conjuntos de datos o hay alguna buena API?

¿Qué pila de tecnología usa Akinator?

¿Qué son los núcleos en aprendizaje automático y SVM y por qué los necesitamos?

¿Cuáles son algunas de las limitaciones o inconvenientes de las redes neuronales convolucionales?

¿Por qué es tan fácil el aprendizaje profundo?

¿Cuáles son las mejores herramientas para la minería de datos en Internet? ¿Qué debo usar para configurar un evento automático / alerta de tendencia?

¿Es una idea loca aprender el aprendizaje automático y el aprendizaje profundo sin ningún conocimiento avanzado de matemáticas?

¿Puedo usar el aprendizaje automático para pronosticar datos de series temporales para puntos de datos discretos dispersos?

¿De qué manera es una 'Máquina de Turing Neural Lie Access' superior a las NTM normales?

Serie temporal: ¿Existe un enfoque para la detección de anomalías que no se base en datos de entrenamiento anteriores?

¿Necesita normalización de características después de la reducción de dimensiones para la clasificación?

¿Qué tan importante es entender el cerebro para el aprendizaje profundo y viceversa?

¿Existe algún programa que pueda ajustar computacionalmente funciones armónicas esféricas en un conjunto de datos?

Entre JavaScript y la ciencia de datos, ¿qué debo hacer? Tengo que aprender a los dos desde cero.

¿Existe algún conjunto de datos disponible públicamente para la clasificación étnica / nacionalidad de los nombres humanos?