Kunstig intelligens (AI)
Kunstig intelligens (AI) Thomas Bolander, Lektor ved DTU Informatik UNF Aalborg, 30. november 2010 Thomas Bolander, UNF Aalborg, E10 – s. 1/39 Kunstig intelligens i film De fleste mennesker har et eller andet forhold til kunstig intelligens, især i kraft af de mange science fiction-film hvori robotter og kunstig intelligens spiller en central rolle: • Rumrejsen ˚ ar 2001, Star Wars, A.I.–Kunstig Intelligens, WALL-E, I Robot, ... Det karakteristiske ved disse science fiction-film er dog at de trods alt stadig er science fiction... Thomas Bolander, UNF Aalborg, E10 – s. 2/39 Kunstig intelligens i hverdagen Det mest avancerede kunstige intelligens vi umiddelbart kan f˚ a øje p˚ ai vores nære omgivelser er s˚ adan noget som støvsugerrobotter og græssl˚ amaskinerobotter. Et naturligt spørgsm˚ al er: Vil vi nogensinde komme til at se robotter som er lige s˚ a intelligente som i science fiction-filmene? Thomas Bolander, UNF Aalborg, E10 – s. 3/39 Fremtiden for kunstig intelligens Vi er endnu meget langt fra robotter som er lige s˚ a intelligente som i science fiction-filmene. Om vi overhovedet f˚ ar dem kan kun tiden vise. Men ´et er jeg ganske sikker p˚ a: Kunstig intelligens kommer helt sikkert til at spille en stor rolle i fremtiden, og vil helt sikkert ændre vores hverdag og m˚ ade at leve livet p˚ a i mindst lige s˚ a høj grad som computeren og internettet allerede har gjort det. tidlig computer tidlig internet tidlig robot Thomas Bolander, UNF Aalborg, E10 – s. 4/39 Hvad betyder “kunstig intelligens”? Lad os p˚ a selve begrebet “kunstig intelligens”. Det best˚ ar af to ord: • Kunstig. Bruges i samme betydning som “kunstige negle”, “kunstige ben”, “kunstigt hjerte”: noget menneskeskabt som ligner eller deler funktion med noget som findes i naturen. • Intelligens. Refererer til at det er den menneskelige hjerne vi forsøger at “efterligne”. S˚ a kunstig intelligens handler i en vis forstand om at lave “kunstige hjerner”, eller i hvert fald maskiner som kan nogle af de ting vi normalt forbinder med den menneskelige hjerne. Kunstig intelligens er s˚ aledes ret ambitiøst, for der er ingen tvivl om at den menneskelige hjerne er noget af det meste komplekse, der overhovedet findes i naturen! Thomas Bolander, UNF Aalborg, E10 – s. 5/39 Hvad betyder “kunstig intelligens”? Vi har ovenfor antydet betydningen af “kunstig intelligens”, men ikke givet en præcis definition. Det er um˚ adeligt vanskeligt at give en s˚ adan definition. John McCarthy, den kunstige intelligens’ fader, forsøger selv at definere kunstig intelligens p˚ a følgende m˚ ade: “Artificial intelligence is the the science and engineering of making intelligent machines, especially intelligent computer programs.” John McCarthy, 2006 Det er en fin definition, men den efterlader jo spørgsm˚ alet om hvad s˚ a “intelligens” egentlig er for noget. Thomas Bolander, UNF Aalborg, E10 – s. 6/39 Hvad er intelligens? Intelligens er et meget vanskeligt begreb. 52 amerikanske psykologer underskrev i 1994 en (forsøgsvis) definition som starter s˚ adan her: “Intelligence is a very general mental capability that, among other things, involves the ability to reason, plan, solve problems, think abstractly, comprehend complex ideas, learn quickly and learn from experience.” Intelligens (og dermed ogs˚ a kunstig intelligens) har alts˚ a med følgende egenskaber at gøre: • Ræssonering. • Planlægning. • Løsning af problemer. • Abstrakt tænkning. • Forst˚ aelse af komplekse ideer. • At lære hurtigt. • At lære af erfaring. Thomas Bolander, UNF Aalborg, E10 – s. 7/39 Kunstig intelligens eller ej? Betragt igen karakteriseringen af intelligens: evnen til at ræssonere, planlægge, løse problemer, tænke abstrakt, forst˚ a komplekse ideer, lære hurtigt og lære af erfaring. Har vore dages kunstig intelligens-systemer disse egenskaber? Hvis ikke, vil de s˚ a nogensinde f˚ a dem? Det er svært at give et kort svar p˚ a, da alle ovenst˚ aende egenskaber kan fortolkes p˚ a forskellig vis og gradbøjes. For at komme nærmere p˚ a et svar og en forst˚ aelse af hvad kunstig intelligens egentlig er og ikke er, har vi brug for at introducere nogle nye begreber og kigge lidt nærmere p˚ a den kunstige intelligens’ historie... Thomas Bolander, UNF Aalborg, E10 – s. 8/39 Turing-testen Alan Turing (ham som brød tyskernes Enigma-kode under anden verdenskrig) fandt i 1950 p˚ a den s˚ akaldte Turing-test, en test til at tjekke om en maskine “kan tænke”. I en Turing-test er en menneskelig dommer i skriftlig dialog med henholdsvis et andet menneske og en maskine (en computer). Hvis dommeren ikke kan gætte hvem der er hvem, har maskinen best˚ aet testen (det forudsættes at b˚ ade mennesket og maskinen forsøger at virke menneskelige). Alan Turing, 1954 Thomas Bolander, UNF Aalborg, E10 – s. 9/39 Loebner-prisen Hvert ˚ ar konkurrerer chatbots (konversations-computersystemer) mod hinanden om Loebner-prisen. Prisen g˚ ar til den chatbot som klarer en Turing-test bedst muligt. Vinderen f˚ ar 2.000$. Hvis maskinen klarer Turing-testen fuldstændigt f˚ ar vinderen 25.000$. De 25.000$ er endnu aldrig blevet udbetalt. Chatbotten Jabberwacky har vundet flere gange indenfor de senere ˚ ar. P˚ a følgende slide er en dialog jeg har haft med den... Thomas Bolander, UNF Aalborg, E10 – s. 10/39 Jabberwacky: Have you read any books lately? Thomas: Yes. Jabberwacky: What books have you read? Thomas: “I am a strange loop”. Jabberwacky: Yes you are. Thomas: Is that supposed to be funny? Jabberwacky: Yes. Thomas: OK, accepted, it was kind of funny. Jabberwacky: No. Who are you trying to convince? Thomas: You. Jabberwacky: Tell me something funny. Thomas: The best joke I know is in Danish. Jabberwacky: That’s a poem I guess, tell me another. Thomas: Why don’t you tell me one? Jabberwacky: I don’t know any. Thomas: How can you not know any jokes? Jabberwacky: No, not that, what about star wars? Thomas: I don’t like star wars. Jabberwacky: Why don’t you like star wars? Thomas: I find it boring. Jabberwacky: How very British of me. I’m sorry. Are you going out tonight? Thomas: No, I’m preparing a talk for tomorrow. Jabberwacky: Preparing to become what? Thomas Bolander, UNF Aalborg, E10 – s. 11/39 Chatbots I Danmark har en række kommuner, SAS og IKEA investeret i chatbots fra firmaet Artificial Solutions. Flere kommuner har dog allerede droppet deres chatbots igen. Disse chatbots kan besvare simple og ofte forekommende spørgsm˚ al, men kommer hurtigt p˚ a glatis. De forst˚ ar ikke spørgsm˚ alene, men leder efter ord i spørgsm˚ alene som matcher ord i en database, hvor databasen s˚ a ogs˚ a indeholder tilhørende svar. De fungerer dog relativt godt p˚ a meget afgrænsede domæner. Men de kan langt fra best˚ a en Turing-test (ingengang en særlig IKEA-variant) og de lever heller ikke op til de tidligere nævnte betingelser for ‘intelligens’ (ræssonering, planlægning, osv.) Thomas Bolander, UNF Aalborg, E10 – s. 12/39 Turing-testens relevans Det er vist rimeligt at konkludere at kunstig intelligens—i hvert fald hvad ang˚ ar den som kan best˚ a Turing-testen—stadig er lys˚ ar ude i horisten. Relevansen af Turing-testen kan dog ogs˚ a diskuteres: M˚ alet med forskning i flyveteknik er jo heller ikke at lave maskiner som kan flyve præcist som duer, s˚ aledes at selv duerne ikke kan kende forskel! For at bringe analogien videre: Udviklingen af luftfart tog ogs˚ a først rigtig fart da man stoppede med at forsøge at bygge flyvende maskiner, som præcist kopierede fugles vingebevægelser, og i stedet begyndte at studere den bagvedliggende fysik og aerodynamik. Thomas Bolander, UNF Aalborg, E10 – s. 13/39 Mennesket som inspiration Af luftfarts-analogien kan vi konkludere at kunstig intelligens’ succes ikke nødvendigvis er betinget af at vi kan lave robotter som opfører sig nøjagtig ligesom mennesker. Med andre ord: • Kunstig intelligens handler ikke nødvendigvis om at kopiere den menneskelige hjerne. • Det handler om at lade sig inspirere af den menneskelige hjerne, og via den vej lave maskiner og systemer som kan handle intelligent og rationelt, hvad end de nu er tæt p˚ a eller længere fra at ligne kloner af mennesker. Man kan ogs˚ a spørge: ønsker vi overhovedet menneskelignende kunstig intelligens? Thomas Bolander, UNF Aalborg, E10 – s. 14/39 Lidt historie: Den tidlige optimisme Den kunstige intelligens’ historie g˚ ar tilbage til de tidlige 1950’ere, kun meget kort efter de første computere kom til verden. I begyndelsen var forventningerne til kunstig intelligens ekstremt høje. Kompleksiteten af den menneskelige intelligens blev stærkt undervurderet, og de fleste forventede at maskiner med menneskelignende intelligens var lige om hjørnet: “It is not my aim to surprise or shock you—but the simplest way I can summerize is to say that there are now in the world machines that think, that learn and that create. Moreover, their ability to do these things is going to increase rapidly until—in a visible future—the range of problems they can handle will be coextensive with the range to which the human mind has been applied” (Herbert Simon, 1957). Denne ‘visible future’ trækker øjensynligt ud... Thomas Bolander, UNF Aalborg, E10 – s. 15/39 Landvindinger i 50’erne og 60’erne Den grænseløse optimisme i 50’erne og 60’erne skyldtes ogs˚ a at man faktisk den gang p˚ a meget kort tid fik lavet kunstig intelligens-systemer som kunne løse et væld af problemer som p˚ a den tid blev opfattet at kræve “rigtig” intelligens: 1. Skak-spillende computere som kunne sl˚ a dygtige amatører. 2. Computere som kunne bevise geometriske sætninger bedre end de fleste matematikstuderende. 3. Computere som kunne løse geometriske analogi-problemer i stil med IQ-tests. 4. Computere som kunne løse problemregningsopgaver p˚ a folkeskole-niveau. 5. Det første “elektroniske menneske”, robotten Shakey. Thomas Bolander, UNF Aalborg, E10 – s. 16/39 Landvindinger i 50’erne og 60’erne Betragt igen listen over landvindinger i 50’erne og 60’erne: 1. Skak-spillende computere som kunne sl˚ a dygtige amatører; 2. Computere som kunne bevise geometriske sætninger bedre end de fleste matematikstuderende; 3. Computere som kunne løse geometriske analogi-problemer i stil med IQ-tests; 4. Computere som kunne løse problemregningsopgaver p˚ a folkeskole-niveau; 5. Det første “elektroniske menneske”, robotten Shakey. Bemærk at vi her allerede til en vis grad godt kan tale om maskiner som ræssonerer (alle), planlægger (1 og 5), tænker abstrakt (2, 3 og 4), lærer hurtigt og lærer af erfaring (5). Vi vil dog næppe tilskrive disse systemer nogen forst˚ aelse af komplekse ideer, selvom det kan diskuteres, da forst˚ aelse i sig selv er et meget vanskeligt begreb (ikke operationelt). Thomas Bolander, UNF Aalborg, E10 – s. 17/39 Den kunstige intelligens’ storhed og fald De store successer i 50’erne og 60’erne satte ambitionsniveauet endnu højere op, og der blev investeret enorme summer i forskning i kunstig intelligens. Der skulle dog vise sig at være tale om en “AI-boble”. Et af de ambitiøse projekter i USA var maskin-oversættelse af russiske videnskabelige tekster til engelsk i kølvandet p˚ a russernes opsendelse af Sputnik. Systemerne var dog blot simple syntaks-transformatorer hvilket blandt andet gav anledning til følgende underholdende oversættelse fra engelsk via russisk tilbage til engelsk: Original: “The spirit is willing but the flesh is weak”. Oversættelse: “The vodka is good but the meat is rotten”. Thomas Bolander, UNF Aalborg, E10 – s. 18/39 Den kunstige intelligens’ storhed og fald I slutningen af 60’erne begyndte udviklingen af AI at g˚ a meget langsommere, og man blev klar over at reelt tænkende maskiner m˚ aske alligevel ikke var lige rundt om hjørnet—og at s˚ adanne maskiner potentielt m˚ aske slet ikke eksisterede. Skuffelsen var stor, og interessen i at støtte forskning i kunstig intelligens gik pludselig stærkt ned ad bakke. I 1973 besluttede den britiske regering at sløjfe al forskning i kunstig intelligens p˚ a basis af en rapport som konkluderede at: “in no part of the field have discoveries made so far produced the major impact that was then promised.” S˚ a kan man s˚ a lade være med at love for meget! Problemet er naturligvis at man havde sat forventningerne alt for højt, og dermed kun kunne ende med at blive skuffet. Afstanden fra en skakcomputer til en HAL 9000 (Rumrejsen ˚ ar 2001) blev kraftigt undervurderet. Thomas Bolander, UNF Aalborg, E10 – s. 19/39 Urealistiske forventninger De urealistisk høje forventninger skyldes formodentlig ogs˚ a at vi s˚ a let risikerer at identificere kunstig intelligens-systemer med mennesker, og dermed helt automatisk forventer at de har intellektuelle evner p˚ a niveau med vores egne. Thomas Bolander, UNF Aalborg, E10 – s. 20/39 Urealistiske forventninger: hospitalsrobotter Frustrerede brugere af hospitalsrobotter i USA: • “TUG was a hospital worker, and its colleagues expected it to have some social smarts, the absence of which led to frustration—for example, when it always spoke in the same way in both quiet and busy situations.” • “I’m on the phone! If you say ’TUG has arrived’ one more time I’m going to kick you in your camera.” • “It doesn’t have the manners we teach our children. I find it insulting that I stand out of the way for patients... but it just barrels right on.” TUG hospitalsrobot Thomas Bolander, UNF Aalborg, E10 – s. 21/39 Urealistiske forventninger Problemerne med de “ubehøvlede” hospitalsrobotter kan løses—og vil blive løst. Hvad der er mere interessant er at vi automatisk har højere forventninger til kunstig intelligens og robotter end til computere i almindelighed. Eksempel. Vi er vant til at computere af og til “crasher” eller opfører sig anderledes end vi beder dem om, og vi ved at det skyldes fejl i computerens software. Men hvis man spurgte folk hvad problemet er ved at udstyre en robot med et v˚ aben, ville de fleste tænke “hvad hvis robotten bliver ond?” i stedet for “hvad hvis der er fejl i robottens software som gør at den pludselig ved en fejl skyder vildt omkring sig?” Thomas Bolander, UNF Aalborg, E10 – s. 22/39 Nyt liv til den kunstige intelligens Efter den kunstige intelligens’ lange vinter gennem 70’erne og det meste af 80’erne, f˚ ar den i slutningen af 80’erne nyt liv igen. Men belært af erfaringen holder de flest sig nu til at “tage hvad man kan f˚ a” fremfor at have urealistiske forventninger. Det resulterer i en række nye successer for den kunstige intelligens indenfor begrænsede domæner: • USA’s forsvar bruger et planlægningssystem til at h˚ andtere logistikken i forbindelse med Golf-krigen i 1991, resulterende i en besparelse større end den samlede mængde af penge benyttet til forskning i kunstig intelligens i perioden 1950-1991. • I 1994 kører en førerløs bil over 1000 km i tæt trafik i Frankrig. • I 1997 sl˚ ar IBM’s skakcomputer Deep Blue verdensmesteren Gary Kasparov. • I 2001 vinder en computer en konkurrence i aktiehandel. Thomas Bolander, UNF Aalborg, E10 – s. 23/39 Deep Blue Deep Blues succes skyldtes ikke at den havde en mere menneskelignende intelligens end tidligere skak-computere. Tværtimod benyttede den essentielt samme strategi som de allerførste skak-computere fra slutningen af 50’erne: at slavisk regne s˚ a mange træk frem som muligt og vælge det træk som maksimerer en simpel forudprogrammeret matematisk funktion (en heuristisk evalueringsfunktion). Thomas Bolander, UNF Aalborg, E10 – s. 24/39 Deep Blue Deep Blue fik s˚ aledes ikke sin styrke i kraft af en dybere forst˚ aelse af spillet, men udelukkende i kraft af en super-computer der kunne foretage langt flere beregninger end tidligere: • Deep Blue havde over 500 special-designede skak-processorer som kørte i parallel. • Deep Blue kunne udregne ca. 150 millioner træk i sekundet. Spørgsm˚ alet er om man kan opfatte en skakcomputer som blot slavisk regner en masse træk ud og maksimerer en matematisk funktion som ‘intelligent’ ? For mange er det lidt skuffende fordi det forekommer langt mere ‘kunstigt’ end ‘intelligent’. Men bemærk: Før skak-computernes tid opfattede alle skak som noget der virkelig krævede “ægte intelligens” (ræssonering, abstrakt tænkning, begrebsliggørelse, generalisering, læring af erfaring). I en vis forstand “snyder” computeren og erstatter disse ting med r˚ a beregningskraft. Thomas Bolander, UNF Aalborg, E10 – s. 25/39 Kasparov om Deep Blue Gary Kasparov har selv for nyligt kommenteret p˚ a Deep Blue og dens “intelligens”: “The AI crowd, too, was pleased with the result and the attention, but dismayed by the fact that Deep Blue was hardly what their predecessors had imagined decades earlier when they dreamed of creating a machine to defeat the world chess champion. Instead of a computer that thought and played chess like a human, with human creativity and intuition, they got one that played like a machine, systematically evaluating 200 million possible moves on the chess board per second and winning with brute number-crunching force.” (Gary Kasparov, The Huffington Post, 2010) “Deep Blue was only intelligent the way your programmable alarm clock is intelligent. (Not that losing to a $10 million alarm clock made me feel any better).” Thomas Bolander, UNF Aalborg, E10 – s. 26/39 Skuffelsen Skuffelsen over de simple principper der ligger til grund for Deep Blue og andre kunstig intelligens-systemer svarer lidt til skuffelsen man kan have over nedenst˚ aende mus: opgaven bliver løst, men bare ikke p˚ a den m˚ ade som vi havde forventet og h˚ abet. Thomas Bolander, UNF Aalborg, E10 – s. 27/39 Mere om skak-computere Mennesker er langt d˚ arligere og langsommere til systematisk at regne igennem alle mulige træksekvenser i skak end en computer er. Derfor er mennesker tvunget ud i at benytte andre metoder end brute force i skak. Det er her de højere kognitive evner kommer i spil: abstrakt tænkning, generalisering m.m. Det betyder ogs˚ a at hvis menneske + computer spiller mod computer + computer er førstnævnte stadig langt overlegen. Fremtidens skak-computere vil givetvis i langt højere grad forsøge at modellere disse højere kognitive evner, for at skabe endnu stærkere systemer. Sagen er blot at udviklingen indenfor r˚ a computerkraft er g˚ aet væsentligt hurtigere end udviklingen indenfor forst˚ aelse og implementation af højere kognitive evner. Vi kæmper stadig for at forst˚ a hvordan abstrakt tænkning og generalisering fungerer i mennesker, og inden da kan vi ikke implementere s˚ adanne evner i en computer. Thomas Bolander, UNF Aalborg, E10 – s. 28/39 Sokoban Skak kan løses udelukkende med brute force og r˚ a regnekraft, men det gælder ikke alle spil. I spillet Sokoban er det endnu ikke lykkedes at lave et computer-program som kan klare de mere komplekse baner og spille op mod menneskelige spillere. Problemet er at udstyre computeren med geometrisk intelligens og hierarkisk tænkning. Thomas Bolander, UNF Aalborg, E10 – s. 29/39 Intelligens eller ej? Selvom de computere der kan lave logistik, spille skak, køre i bil og handle med aktier (og tjene p˚ a det!) nok ikke er hvad vi i dag vil kalde “tænkende maskiner”, er det dog computere som løser problemer vi tidligere opfattede som krævende “ægte intelligens”. S˚ a forskningen i kunstig intelligens rykker hele tiden ved vores grænse for hvad vi opfatter som krævende “ægte intelligens”: I takt med at computere erobrer flere og flere af menneskets enemærker m˚ a vi revurdere vores opfattelse af hvilke problemer der kræver egentlig intelligens. I hvert fald s˚ alænge disse computere benytter metoder der primært handler om brute force og r˚ a beregningskraft. Thomas Bolander, UNF Aalborg, E10 – s. 30/39 Intelligens eller ej? Intelligens handler mere om den m˚ ade hvorp˚ a vi som mennesker udfører ræssonering end det som vi faktisk er i stand til at opn˚ a med denne ræssonering (jvf. f.eks. skak-computere versus skak-spillende mennesker). Menneskets intelligens er fleksibel og dynamisk p˚ a en m˚ ade som ingen computer (endnu) er. Vores evne til at være selvbevidste, selvobserverende og nærmest transcendere os selv er stadig et stort mysterium, og noget som ingen computer i dag er blot tilnærmelsesvis i nærheden af. Der har været en evigt igangværende diskussion siden den kunstige intelligens begyndelse om hvorvidt det overhovedet kan lade sig gøre at lave menneskelignende intelligens p˚ a en computer. Der er mange argumenter for og imod, men endnu ingen overbevisende konklusion. Thomas Bolander, UNF Aalborg, E10 – s. 31/39 Det symbolske paradigme Selvom man ikke nødvendigvis tror p˚ a eksistensen af menneskelignende kunstig intelligens er det stadig den menneskelige hjernes processer som er inspirationen bag de fleste landvindinger indenfor faget. Der er to hovedparadigmer indenfor kunstig intelligens, det symbolske paradigme og det sub-symbolske paradigme. • Det symbolske paradigme. Her forsøger man direkte at simulere det højeste niveau af kognitive processer i hjernen, det vil sige bevidst, sprogligt forankret, ræssonering. Kunstig intelligens-systemerne udstyres med et “kunstsprog” (et formelt sprog) som de benytter til at repræsentere viden om verden og til at ræssonere omkring verden. Metoderne er primært baseret p˚ a formel logik, et omr˚ ade som oprindeligt blev udviklet i begyndelsen af det 20. ˚ arhundrede med henblik p˚ a at forst˚ a og sikre matematikkens grundlag. Thomas Bolander, UNF Aalborg, E10 – s. 32/39 Det subsymbolske paradigme • Det sub-symbolske paradigme. Her forsøger man modsat at simulere de lavere niveauer af processor i hjernen: de biologiske processer. Det gøres f.eks. med (kunstige) neurale netværk og evolutionære algoritmer. Systemerne indenfor de to paradigmer har forskellige styrker og svagheder: • Det symbolske paradigme er godt til at lægge planer i komplekse domæner. • Det sub-symbolske paradigme er godt til mønstergenkendelse og oplæring af rutine-opgaver. I det symbolske paradigme har man meget kontrol over sit system, kan matematisk bevise egenskaber ved det m.m. I det subsymbolske paradigme m˚ a man i langt højere grad bygge p˚ a empiri. Thomas Bolander, UNF Aalborg, E10 – s. 33/39 Symbolsk versus subsymbolsk Ofte konstrueres systemer som kombinerer de to paradigmer i f.eks. robot-køretøjer som b˚ ade skal planlægge ruter og rækkefølger af handlinger (symbolsk) og skal kunne navigere ved hjælp af robotsyn (sub-symbolsk). Mars Exploration Rover Thomas Bolander, UNF Aalborg, E10 – s. 34/39 Kunstig intelligens i dag Kunstig intelligens-metoder benyttes i dag blandt andet til: • Mønstergenkendelse i f.eks. ansigtskendelse, genkendelse af smil i digitalkameraer, musik-genkendelse og spam-filtre. • Computerstyrede karakterer i computerspil (non-player characters). • Autonome robotter s˚ asom robot-græssl˚ amaskiner og -støvsugere, Mars Exploration Rover og førerløse biler. • Søgemaskiner som f.eks. Google. • Ekspertsystemer s˚ asom computer-systemer til at foretage medicinsk diagnosticering. • Computere der spiller komplekse brætspil s˚ asom skak. • Chat-robotter og computerprogrammer til maskin-oversættelse (automatisk oversættelse fra ´et sprog til et andet). Thomas Bolander, UNF Aalborg, E10 – s. 35/39 Kunstig intelligens i fremtiden De mest succesfulde kunstig intelligens-systemer i dag har ikke kognitive evner p˚ a et særligt højt niveau, men klarer sig ved at erstatte disse med en enorm beregningskraft. Næste skridt er at forsøge at implementere højere kognitive evner i computere og robotter, men dette kræver tid og t˚ almodighed, da den menneskelige hjernes evne til at gøre disse ting stadig i det store og hele er et mysterium. Thomas Bolander, UNF Aalborg, E10 – s. 36/39 Kunstig intelligens i fremtiden Konkret har vi f.eks. brug for hospitals-robotter med en bedre “situationsfornemmelse”. Her er det afgørende at robotterne ikke kun modellerer hospitalsgange og kasser med medicin, men ogs˚ a andre robotter og mennesker. Det kræver en s˚ akaldt “theory of mind”. Der arbejdes i dag p˚ a at lave computer-systemer som har en s˚ adan, bl.a. p˚ a DTU. Thomas Bolander, UNF Aalborg, E10 – s. 37/39 Kunstig intelligens i fremtiden S˚ a hvad kan vi egentlig helt præcist forvente os at se indenfor kunstig intelligens i fremtiden? Følgende er de mest oplagte: • Mere fritid: Flere service-robotter i vores omgivelser, som kan hjælpe med de daglige gørem˚ al p˚ a mere fleksibel og intelligent vis end nutiden støvsugerrobotter. • Mere automation: førerløse biler, flere robotter i industrien, flere hospitalsrobotter, osv. • Mere underholdning: bedre og mere “realistiske” computer-styrede medspillere og modspillere i computer-spil. • Bedre udnyttelse af ressourcer: intelligent energi-forbrug, intelligente hjem. Bemærk dog at ingen af disse behøver at kræve menneskelignende intelligens, og det stadig er uklart om vi alle ender med at have vores personlige R2-D2. Thomas Bolander, UNF Aalborg, E10 – s. 38/39 Konklusion For at opsummere: 1. Kunstig intelligens er væsentligt vanskeligere og mere tidskrævende at udvikle end fagets fædre oprindeligt forestillede sig. 2. Der er dog alligevel en række afgørende succeshistorier allerede, s˚ a der er ingen grund til at opgive h˚ abet. Det er lidt som at st˚ a i 1800-tallet og snakke om at sende mennesker til m˚ anen med rumraket. Der var ikke i 1800-tallet noget som tydede p˚ a det skulle være fysisk umuligt, men p˚ a den anden side manglede der en hel del teori og teknologi inden det kunne realiseres. P˚ a samme m˚ ade er der ikke noget som tyder p˚ a det skulle være umuligt at lave meget stærke kunstig intelligens-systemer med høje kognitive evner, men der mangler stadig noget teori og teknologi før vi n˚ ar dertil. Og s˚ a skal vi ikke forvente at disse kunstig intelligens-systemer nødvendigvis kommer til at ligne præcise kopier af mennesker, lige s˚ a lidt som moderne flyvemaskiner er præcise kopier af fugle. Thomas Bolander, UNF Aalborg, E10 – s. 39/39
© Copyright 2024