AI: รูปแบบไม่ได้อยู่ในข้อมูล แต่อยู่ในเครื่อง

ไม่รูปแบบที่คอมพิวเตอร์สร้างขึ้นไม่ใช่คุณสมบัติโดยธรรมชาติของข้อมูล แต่เป็นคุณสมบัติที่เกิดขึ้นใหม่ของโครงสร้างของโปรแกรมเอง

โครงข่ายประสาทเทียมจะแปลงอินพุตวงกลมทางด้านซ้ายเป็นเอาต์พุตทางด้านขวา สิ่งที่เกิดขึ้นคือการเปลี่ยนแปลงของน้ําหนัก ศูนย์กลาง ซึ่งเรามักสับสนกับรูปแบบในข้อมูลเอง 

เป็นเรื่องปกติของปัญญาประดิษฐ์ที่จะบอกว่าแมชชีนเลิร์นนิงซึ่งขึ้นอยู่กับข้อมูลจํานวนมหาศาลทําหน้าที่โดยการค้นหารูปแบบในข้อมูล 

ในความเป็นจริงวลี "การค้นหารูปแบบในข้อมูล" เป็นวลีหลักของสิ่งต่างๆ เช่น การทําเหมืองข้อมูลและการค้นพบความรู้มาหลายปีแล้ว และสันนิษฐานว่าแมชชีนเลิร์นนิงและโดยเฉพาะอย่างยิ่งตัวแปรการเรียนรู้เชิงลึก เป็นเพียงการสานต่อประเพณีการค้นหารูปแบบดังกล่าว

โปรแกรม AI ส่งผลให้เกิดรูปแบบ แต่เช่นเดียวกับ "ความผิด Brutus ที่รัก ไม่ได้อยู่ที่ดวงดาวของเรา แต่อยู่ที่ตัวเราเอง" ความจริงของรูปแบบเหล่านั้นไม่ใช่บางอย่างในข้อมูล แต่เป็นสิ่งที่โปรแกรม AI สร้างขึ้นจากข้อมูล

โมเดลแมชชีนเลิร์นนิงเกือบทั้งหมดทํางานผ่านกฎการเรียนรู้ที่เปลี่ยนสิ่งที่เรียกว่าน้ําหนักหรือที่เรียกว่าพารามิเตอร์ของโปรแกรมเนื่องจากโปรแกรมได้รับตัวอย่างข้อมูลและอาจเป็นป้ายกํากับที่แนบมากับข้อมูลนั้น เป็นค่าของน้ําหนักที่นับเป็น "การรู้" หรือ "ความเข้าใจ"

รูปแบบที่พบเป็นรูปแบบของการเปลี่ยนแปลงของน้ําหนัก น้ําหนักกําลังจําลองว่าเซลล์ประสาทจริงเชื่อว่า "ไฟไหม้" ได้อย่างไร ซึ่งเป็นหลักการที่สร้างขึ้นโดยนักจิตวิทยา Donald O. Hebb ซึ่งกลายเป็นที่รู้จักในชื่อการเรียนรู้ของ Hebbian แนวคิดที่ว่า "เซลล์ประสาทที่ยิงเข้าด้วยกัน

รูปแบบของการเปลี่ยนแปลงน้ําหนักที่เป็นแบบจําลองสําหรับการเรียนรู้และความเข้าใจในการเรียนรู้ของเครื่อง ซึ่งเป็นสิ่งที่ผู้ก่อตั้งการเรียนรู้เชิงลึกเน้นย้ํา ดังที่แสดงออกเมื่อเกือบสี่สิบปีที่แล้ว ในตําราพื้นฐานของการเรียนรู้เชิงลึกฉบับหนึ่ง Parallel Distributed Processing, Volume I, James McClelland, David Rumelhart และ Geoffrey Hinton เขียนว่า

สิ่งที่เก็บไว้คือความแข็งแกร่งในการเชื่อมต่อระหว่างหน่วยที่อนุญาตให้สร้างรูปแบบเหล่านี้ได้ [... ] หากความรู้เป็นจุดแข็งของการเชื่อมต่อการเรียนรู้จะต้องเป็นเรื่องของการค้นหาจุดแข็งของการเชื่อมต่อที่เหมาะสมเพื่อให้รูปแบบการเปิดใช้งานที่เหมาะสมเกิดขึ้นภายใต้สถานการณ์ ที่เหมาะสม

McClelland, Rumelhart และ Hinton กําลังเขียนสําหรับผู้ชมที่ได้รับการคัดเลือก นักจิตวิทยาความรู้ความเข้าใจ และนักวิทยาศาสตร์คอมพิวเตอร์ และพวกเขากําลังเขียนในยุคที่แตกต่างไปจากเดิมมาก ซึ่งเป็นยุคที่ผู้คนไม่ได้ตั้งสมมติฐานง่ายๆ ว่าสิ่งที่คอมพิวเตอร์ทําเป็นตัวแทนของ "ความรู้" พวกเขากําลังทํางานในช่วงเวลาที่โปรแกรม AI ไม่สามารถทําอะไรได้มากนัก และพวกเขาส่วนใหญ่เกี่ยวข้องกับวิธีการสร้างการคํานวณ — การคํานวณใด ๆ — จากการจัดเรียงทรานซิสเตอร์ ที่ค่อนข้างจํากัด

จากนั้นเริ่มต้นด้วยการเพิ่มขึ้นของชิป GPU ที่ทรงพลังเมื่อสิบหกปีที่แล้วคอมพิวเตอร์ก็เริ่มสร้างพฤติกรรมที่น่าสนใจโดยปิดท้ายด้วยประสิทธิภาพ ImageNet ที่สําคัญของงานของ Hinton กับนักศึกษาระดับบัณฑิตศึกษาของเขาในปี 2012 ซึ่งถือเป็นการมาถึง ของการเรียนรู้เชิงลึก

อันเป็นผลมาจากความสําเร็จของคอมพิวเตอร์ใหม่จิตใจที่เป็นที่นิยมจึงเริ่มสร้างตํานานทุกประเภทเกี่ยวกับ AI และการเรียนรู้เชิงลึก มีพาดหัวข่าวที่แย่มากที่เปรียบเทคโนโลยีกับประสิทธิภาพเหนือมนุษย์

แนวคิดเกี่ยวกับ AI ในปัจจุบันได้บดบังสิ่งที่ McClelland, Rumelhart และ Hinton มุ่งเน้น กล่าวคือ เครื่องจักร และวิธีที่มัน "สร้าง" รูปแบบตามที่พวกเขากล่าวไว้ พวกเขาคุ้นเคยกับกลไกของตุ้มน้ําหนักที่สร้างรูปแบบเพื่อตอบสนองต่อสิ่งที่เป็นเพียงข้อมูล ในอินพุต

เหตุใดทั้งหมดจึงมีความสําคัญ หากเครื่องจักรเป็นผู้สร้างรูปแบบข้อสรุปที่ผู้คนได้ลงมาเกี่ยวกับ AI อาจจะผิดเป็นส่วนใหญ่ คนส่วนใหญ่คิดว่าโปรแกรมคอมพิวเตอร์กําลังรับรู้รูปแบบในโลก ซึ่งอาจนําไปสู่การเลื่อนการตัดสินไปยังเครื่อง หากมันให้ผลลัพธ์ ความคิดก็ดําเนินไป คอมพิวเตอร์จะต้องเห็นสิ่งที่มนุษย์ไม่เห็น 

ยกเว้นว่าเครื่องจักรที่สร้างรูปแบบไม่ได้เห็นอะไรอย่างชัดเจน มันกําลังสร้างรูปแบบ นั่นหมายความว่าสิ่งที่ "เห็น" หรือ "รู้จัก" ไม่เหมือนกับความรู้สึกในชีวิตประจําวันที่มนุษย์พูดถึงตัวเองว่ารู้สิ่งต่าง ๆ

แทนที่จะเริ่มต้นจากคําถามที่มีมานุษยวิทยาเป็นศูนย์กลาง ทางที่ดีควรเริ่มจากคําถามที่แม่นยํายิ่งขึ้นโปรแกรมนี้แสดงถึงอะไรในการเชื่อมต่อของน้ําหนัก

คําตอบสําหรับคําถามนั้นมีหลายรูปแบบ ขึ้นอยู่กับงาน

พิจารณาคอมพิวเตอร์วิทัศน์ โครงข่ายประสาทเทียมแบบ convolutional ซึ่งเป็นรากฐานของโปรแกรมแมชชีนเลิร์นนิงสําหรับการจดจําภาพและการรับรู้ภาพอื่นๆ ประกอบด้วยชุดของน้ําหนักที่วัดค่าพิกเซลในภาพดิจิทัล 

ตารางพิกเซลเป็นการกําหนดระบบพิกัด 2 มิติในโลกแห่งความเป็นจริงอยู่แล้ว ด้วยนามธรรมที่เป็นมิตรกับ เครื่องจักรของกริดพิกัดงานการนําเสนอของโครงข่ายประสาทเทียมจะเดือดลงไปในการจับคู่ความแข็งแกร่งของคอลเลกชันพิกเซลกับป้ายกํากับที่กําหนดไว้ เช่น "นก" หรือ "บลูเจย์" 

ในฉากที่มีนกหรือโดยเฉพาะนกเจย์สีน้ําเงิน อาจเกิดขึ้นหลายสิ่งหลายอย่าง รวมถึงเมฆ แสงแดด และผู้สัญจรไปมา แต่ฉากทั้งหมดไม่ใช่เรื่อง สิ่งที่สําคัญสําหรับโปรแกรมคือการรวบรวมพิกเซลที่มีแนวโน้มมากที่สุดที่จะสร้างป้ายกํากับที่เหมาะสม กล่าวอีกนัยหนึ่งรูปแบบนี้เป็นการลดการโฟกัสและการเลือกที่มีอยู่ในการเปิดใช้งานการเชื่อมต่อโครง ข่ายประสาทเทียม

คุณอาจพูดได้ว่าโปรแกรมประเภทนี้ไม่ได้ "มองเห็น" หรือ "รับรู้" มากเท่าที่มันกรอง 

เช่นเดียวกับในเกมที่ AI เชี่ยวชาญหมากรุกและ โป๊กเกอร์ ในเกมหมากรุก "ข้อมูลเต็มรูปแบบ" ซึ่งเชี่ยวชาญโดยโปรแกรม AlphaZero ของ DeepMind งานแมชชีนเลิร์นนิงจะเน้นการสร้างคะแนนความน่าจะเป็นในแต่ละช่วงเวลาว่าการเคลื่อนไหวครั้งต่อไปที่เป็นไปได้จะนําไปสู่การชนะ แพ้ หรือเสมอในที่สุด 

เนื่องจากจํานวนการกําหนดค่ากระดานเกมในอนาคตที่เป็นไปได้ไม่สามารถคํานวณได้แม้กระทั่งคอมพิวเตอร์ที่เร็วที่สุดน้ําหนักของคอมพิวเตอร์จึงลดการค้นหาการเคลื่อนไหวโดยทําสิ่งที่คุณอาจเรียกว่าการสรุป โปรแกรมจะสรุปความเป็นไปได้ที่จะประสบความสําเร็จหากใครจะดําเนินการหลาย ๆ ครั้งในทิศทางที่กําหนดจากนั้นเปรียบเทียบบทสรุปนั้นกับบทสรุปของการเคลื่อนไหวที่เป็นไปได้ที่จะดําเนินการในทิศทาง อื่น

ในขณะที่สถานะของกระดานในช่วงเวลาใดก็ตาม — ตําแหน่งของชิ้นส่วน และชิ้นส่วนที่เหลืออยู่ — อาจ "มีความหมาย" บางอย่างสําหรับปรมาจารย์หมากรุกที่เป็นมนุษย์ แต่ก็ไม่ชัดเจนว่าคําว่า "หมายถึง" มีความหมายใด ๆ สําหรับ AlphaZero ของ DeepMind สําหรับงานสรุป ดังกล่าว

งานสรุปที่คล้ายกันนี้ทําได้สําหรับโปรแกรม Pluribus ที่ในปี 2019 พิชิตรูปแบบโป๊กเกอร์ที่ยากที่สุด เกมนั้นซับซ้อนยิ่งขึ้นตรงที่มีข้อมูลที่ซ่อนอยู่ ไพ่คว่ําหน้าของผู้เล่น และองค์ประกอบ "สุ่ม" เพิ่มเติมของการบลัฟ แต่การเป็นตัวแทนเป็นบทสรุปของความเป็นไปได้ในแต่ละเทิร์น 

แม้แต่ในโปรแกรมที่จัดการกับภาษามนุษย์สิ่งที่อยู่ในน้ําหนักก็แตกต่างจากที่ผู้สังเกตการณ์ทั่วไปอาจคิด GPT-3 ซึ่งเป็นโปรแกรมภาษาชั้นนําจาก OpenAI สามารถสร้างผลลัพธ์ที่เหมือนมนุษย์ได้อย่างน่าทึ่งในประโยคและย่อหน้า 

โปรแกรม "รู้" ภาษาหรือไม่? น้ําหนักของมันแสดงถึงความเป็นไปได้ที่แต่ละคําและแม้แต่สตริงข้อความทั้งหมดจะพบตามลําดับกับคําและสตริง อื่น ๆ

คุณสามารถเรียกฟังก์ชันของโครงข่ายประสาทเทียมนั้นว่าบทสรุปที่คล้ายกับ AlphaGo หรือ Pluribus เนื่องจากปัญหาค่อนข้างเหมือนหมากรุกหรือโป๊กเกอร์ แต่สถานะที่เป็นไปได้ที่จะแสดงเป็นการเชื่อมต่อในโครงข่ายประสาทเทียมนั้นไม่เพียง แต่กว้างใหญ่ แต่ยังไม่มีที่สิ้นสุดเนื่องจากความสามารถในการ ประกอบภาษาที่ไม่มีที่สิ้นสุด

ในทางกลับกันเนื่องจากผลลัพธ์ของโปรแกรมภาษาเช่น GPT-3 ซึ่งเป็นประโยคเป็นคําตอบที่คลุมเครือมากกว่าคะแนนที่ไม่ต่อเนื่อง "คําตอบที่ถูกต้อง" จึงค่อนข้างเรียกร้องน้อยกว่าการชนะแพ้หรือเสมอของหมากรุกหรือโป๊กเกอร์ คุณยังสามารถเรียกฟังก์ชันนี้ของ GPT-3 และโปรแกรมที่คล้ายกันว่า "การจัดทําดัชนี" หรือ "สินค้าคงคลัง" ของสิ่งต่าง ๆ ในน้ําหนัก 

มนุษย์มีสินค้าคงคลังหรือดัชนีภาษาที่คล้ายคลึงกันหรือไม่? ดูเหมือนว่าจะไม่มีข้อบ่งชี้ใด ๆ ในประสาทวิทยาศาสตร์ ในทํานองเดียวกัน ในสํานวน "บอกนักเต้นจากการเต้นรํา" GPT-3 มองเห็นความสําคัญหลายระดับในวลีหรือความสัมพันธ์หรือไม่? ไม่ชัดเจนว่าคําถามดังกล่าวมีความหมายในบริบทของโปรแกรมคอมพิวเตอร์หรือไม่ 

ในแต่ละกรณีเหล่านี้ เช่น กระดานหมากรุก ไพ่ สตริงคํา ข้อมูลคือสิ่งที่เป็น: พื้นผิวที่ออกแบบมาซึ่งแบ่งออกในรูปแบบต่างๆ ชุดผลิตภัณฑ์กระดาษพลาสติกสี่เหลี่ยมผืนผ้า การรวมกลุ่มของเสียงหรือรูปร่าง ไม่ว่าสิ่งประดิษฐ์ดังกล่าวจะ "หมายถึง" สิ่งใดโดยรวมกับคอมพิวเตอร์ก็ตาม เป็นเพียงวิธีที่จะบอกว่าคอมพิวเตอร์ได้รับการปรับแต่งเพื่อตอบสนองเพื่อจุดประสงค์

สิ่งที่ข้อมูลดังกล่าวแจ้งในเครื่อง เช่น ตัวกรอง การสรุป ดัชนี สินค้าคงคลัง หรือวิธีใดก็ตามที่คุณต้องการระบุลักษณะการเป็นตัวแทนเหล่านั้น — ไม่เคยเป็นสิ่งนั้นในตัวเอง พวกเขาเป็นสิ่งประดิษฐ์ 

แต่คุณอาจพูดได้ว่าผู้คนเห็นเกล็ดหิมะและเห็นความแตกต่างของพวกเขาและยังจัดทํารายการความแตกต่างเหล่านั้นหากพวกเขามีใจ จริงอยู่ที่กิจกรรมของมนุษย์พยายามค้นหารูปแบบด้วยวิธีการต่างๆ มาโดยตลอด การสังเกตโดยตรงเป็นหนึ่งในวิธีที่ง่ายที่สุด และในแง่หนึ่ง สิ่งที่กําลังทําในโครงข่ายประสาทเทียมเป็นส่วนขยายของสิ่งนั้น 

คุณสามารถพูดได้ว่าโครงข่ายประสาทเทียมเผยให้เห็นสิ่งที่เป็นความจริงเสมอในกิจกรรมของมนุษย์มานานนับพันปีว่าการพูดถึงรูปแบบเป็นสิ่งที่กําหนดไว้กับโลกมากกว่าสิ่งที่อยู่ในโลก ในโลกเกล็ดหิมะมีรูปร่าง แต่รูปแบบนั้นเป็นเพียงรูปแบบสําหรับบุคคลที่รวบรวมและจัดทําดัชนีและจัดหมวดหมู่ มันเป็นการก่อสร้างกล่าวอีกนัยหนึ่ง

กิจกรรมในการสร้างรูปแบบจะเพิ่มขึ้นอย่างมากเมื่อมีการปลดปล่อยโปรแกรมจํานวนมากขึ้นเรื่อย ๆ บนข้อมูลของโลก และน้ําหนักของโปรแกรมจะถูกปรับให้สร้างการเชื่อมต่อที่เราหวังว่าจะสร้างการเป็นตัวแทนที่เป็นประโยชน์ การนําเสนอดังกล่าวอาจมีประโยชน์อย่างไม่น่าเชื่อ สักวันหนึ่งพวกเขาอาจรักษามะเร็งให้หายขาด อย่างไรก็ตาม เป็นประโยชน์ที่จะจําไว้ว่ารูปแบบที่พวกเขาเปิดเผยไม่ได้อยู่ในโลก แต่อยู่ในสายตาของผู้รับรู้