AI oplossen

Het doel van kunstmatige intelligentie (althans volgens de oprichters van het veld) is om computers te maken waarvan de intelligentie gelijk is aan of die van mensen overtreft. Het bereiken van dit doel is het bekende AI-probleem. Voor sommigen is AI het manifeste lot van de informatica. Voor anderen is het een mislukking: het AI-probleem is duidelijk nog lang niet opgelost. Waarom? Voor het grootste deel is het antwoord eenvoudig: niemand probeert het echt op te lossen. Dit kan als een verrassing komen voor mensen buiten het veld. Wat hebben al die AI-onderzoekers al die jaren gedaan? De realiteit is dat ze de grootse ambities van AI grotendeels hebben opgegeven en in plaats daarvan werken aan steeds gespecialiseerdere deelproblemen: niet alleen machine learning of het begrijpen van natuurlijke taal, maar problemen binnen die gebieden, zoals het classificeren van objecten of het ontleden van zinnen.

Ik denk dat deze verdeel en heers-aanpak niet zal werken. Bij AI staat de beste oplossing voor een geïsoleerd probleem vaak de oplossing van het grotere probleem in de weg. Om echte vooruitgang te boeken, moeten we aan end-to-end problemen werken - op zichzelf staande taken, zoals het lezen van tekst en het beantwoorden van vragen, die een aantal subtaken met zich meebrengen (zie Intelligent Software Assistant ). Tot nu toe was het niet echt mogelijk om dit te doen, omdat de benodigde rekenkracht niet beschikbaar was. Maar binnen een decennium of zo zullen computers de rekenkracht van het menselijk brein overtreffen. (Hoewel computers uiterst efficiënt zijn in specifieke taken, zoals rekenen, lopen de menselijke hersenen nog steeds voor in het aantal bewerkingen dat ze per seconde kunnen uitvoeren. Wanneer dit wordt toegepast op dingen waar mensen goed in zijn, zoals zicht en taalbegrip, computers verliezen.)

Dit verhaal maakte deel uit van ons nummer van maart 2009

• Zie de rest van het nummer
• Abonneren

Rekenkracht is echter niet het hele antwoord. Eerdere pogingen om end-to-end AI-problemen op te lossen zijn op twee manieren mislukt. Sommigen simplificeerden de problemen zodanig dat de oplossingen niet overgingen naar de echte wereld. Anderen liepen tegen een muur van technische complexiteit aan: te veel dingen om in elkaar te zetten, te veel interacties tussen hen, te veel bugs.

Om het beter te doen, hebben we een nieuwe wiskundige taal nodig voor kunstmatige intelligentie. Voorbeelden uit andere gebieden van wetenschap en technologie laten zien hoe krachtig dit kan zijn: mechanica, bijvoorbeeld, profiteerde van calculus; wisselstroom van complexe getallen; en digitale circuits van Booleaanse logica. Tegenwoordig lijken deze dingen een tweede natuur voor hun beoefenaars, maar in die tijd waren ze verre van vanzelfsprekend. De sleutel is het vinden van de juiste taal om problemen te formuleren en op te lossen.

Wat zou de taal van AI moeten zijn? We hebben op zijn minst een taal nodig die logica en waarschijnlijkheid combineert. Logica kan de complexiteit van de echte wereld aan - bijvoorbeeld grote aantallen objecten die op elkaar inwerken, of meerdere soorten objecten - maar niet de onzekerheid ervan. Probabilistische grafische modellen zijn naar voren gekomen als een algemene taal voor het omgaan met onzekerheid, maar ze kunnen de complexiteit van de echte wereld niet aan.

Het afgelopen decennium is er echte vooruitgang in deze richting geboekt, maar dit zijn nog maar de eerste dagen. Het is onwaarschijnlijk dat we de taal van AI zullen vinden totdat we meer ervaring hebben met end-to-end AI-problemen. Maar dit is hoe we AI uiteindelijk gaan oplossen: door de wisselwerking tussen het aanpakken van echte problemen en het uitvinden van een taal die ze eenvoudiger maakt.

Pedro Domingos is universitair hoofddocent informatica en techniek aan de Universiteit van Washington in Seattle.

zich verstoppen