211service.com
De zeven hoofdzonden van AI-voorspellingen
Joost Swarte
We zijn omgeven door hysterie over de toekomst van kunstmatige intelligentie en robotica - hysterie over hoe krachtig ze zullen worden, hoe snel en wat ze met banen zullen doen.
Ik zag laatst een verhaal in Marktoverzicht Dat gezegd hebbende robots zullen over 10 tot 20 jaar de helft van de banen van vandaag overnemen . Het had zelfs een afbeelding om de cijfers te bewijzen.
Dit verhaal maakte deel uit van ons nummer van november 2017
- Zie de rest van het nummer
- Abonneren
De beweringen zijn belachelijk. (Ik probeer professioneel taalgebruik te behouden, maar soms…) Het verhaal lijkt bijvoorbeeld te zeggen dat we over 10 tot 20 jaar van een miljoen grond- en onderhoudspersoneel in de VS naar slechts 50.000 zullen gaan, omdat robots die banen zullen overnemen . Hoeveel robots zijn momenteel operationeel in die banen? Nul . Hoeveel realistische demonstraties zijn er geweest van robots die in deze arena werken? Nul . Soortgelijke verhalen zijn van toepassing op alle andere categorieën waar wordt gesuggereerd dat we het einde zullen zien van meer dan 90 procent van de banen waarvoor momenteel fysieke aanwezigheid op een bepaalde locatie vereist is.
Verkeerde voorspellingen leiden tot angst voor dingen die niet gaan gebeuren, of het nu gaat om de grootschalige vernietiging van banen, de Singularity of de komst van AI die andere waarden heeft dan de onze en ons zou kunnen proberen te vernietigen. We moeten deze fouten terugdringen. Maar waarom maken mensen ze? Ik zie zeven veelvoorkomende redenen.
Joost Swarte
1. Overschatten en onderschatten
Roy Amara was medeoprichter van het Institute for the Future, in Palo Alto, het intellectuele hart van Silicon Valley. Hij is vooral bekend om zijn adagium dat nu de wet van Amara wordt genoemd:
We hebben de neiging om het effect van een technologie op de korte termijn te overschatten en het effect op de lange termijn te onderschatten.
Er zit veel in deze 21 woorden. Een optimist kan het op de ene manier lezen, en een pessimist kan het op een andere manier lezen.
Een goed voorbeeld van de twee kanten van de wet van Amara is het U.S. Global Positioning System. Vanaf 1978 werd een constellatie van 24 satellieten (nu 31 inclusief reserve) in een baan om de aarde gebracht. Het doel van GPS was om nauwkeurige levering van munitie door het Amerikaanse leger mogelijk te maken. Maar het programma werd in de jaren tachtig keer op keer bijna geannuleerd. Het eerste operationele gebruik voor het beoogde doel was in 1991 tijdens Desert Storm; het duurde nog een aantal successen voordat het leger het nut ervan accepteerde.
Verkeerde voorspellingen leiden tot angst voor dingen die niet gaan gebeuren.
Tegenwoordig is GPS in wat Amara de lange termijn zou noemen, en de manieren waarop het wordt gebruikt, waren aanvankelijk onvoorstelbaar. Mijn Series 2 Apple Watch gebruikt GPS terwijl ik aan het hardlopen ben en registreert mijn locatie nauwkeurig genoeg om te zien aan welke kant van de straat ik ren. Het kleine formaat en de prijs van de ontvanger zouden voor de vroege GPS-ingenieurs onbegrijpelijk zijn geweest. De technologie synchroniseert natuurkundige experimenten over de hele wereld en speelt een intieme rol bij het synchroniseren en draaiende houden van het Amerikaanse elektriciteitsnet. Het stelt zelfs de hoogfrequente handelaren die de aandelenmarkt echt beheersen in staat om rampzalige timingfouten meestal te vermijden. Het wordt gebruikt door al onze vliegtuigen, groot en klein, om te navigeren, en het wordt gebruikt om mensen te volgen die voorwaardelijk vrij zijn uit de gevangenis. Het bepaalt welke zaadvariant in welk deel van vele velden over de hele wereld wordt geplant. Het volgt wagenparken en rapporteert over de prestaties van chauffeurs.
GPS begon met één doel, maar het kostte veel moeite om het zo goed te laten werken als oorspronkelijk werd verwacht. Nu is het in zoveel aspecten van ons leven doorgesijpeld dat we niet zomaar verloren zouden gaan als het wegging; we zouden het koud hebben, honger hebben en mogelijk dood zijn.
Een vergelijkbaar patroon zien we de afgelopen 30 jaar bij andere technologieën. Een grote belofte vooraf, teleurstelling en dan langzaam groeiend vertrouwen in resultaten die de oorspronkelijke verwachtingen overtreffen. Dit geldt voor berekeningen, genoomsequencing, zonne-energie, windenergie en zelfs het thuisbezorgen van boodschappen.
AI is keer op keer overschat, in de jaren zestig, in de jaren tachtig, en ik geloof nu weer, maar de vooruitzichten voor de lange termijn worden waarschijnlijk ook onderschat. De vraag is: Hoe lang is de lange termijn? ? De volgende zes fouten helpen verklaren waarom de tijdschaal schromelijk wordt onderschat voor de toekomst van AI.
Joost Swarte
2. Magie verbeelden
Toen ik een tiener was, was Arthur C. Clarke een van de drie grote sciencefictionschrijvers, samen met Robert Heinlein en Isaac Asimov. Maar Clarke was ook een uitvinder, een wetenschapsschrijver en een futurist. Tussen 1962 en 1973 formuleerde hij drie spreuken die bekend zijn geworden als de drie wetten van Clarke:
Als een vooraanstaande maar oudere wetenschapper zegt dat iets mogelijk is, heeft hij vrijwel zeker gelijk. Als hij zegt dat iets onmogelijk is, heeft hij het hoogstwaarschijnlijk bij het verkeerde eind.
De enige manier om de grenzen van het mogelijke te ontdekken, is door er een eindje overheen te gaan in het onmogelijke.
Elke voldoende geavanceerde technologie is niet te onderscheiden van magie.
Persoonlijk zou ik waarschijnlijk op mijn hoede moeten zijn voor de tweede zin in zijn eerste wet, omdat ik veel conservatiever ben dan sommige anderen over hoe snel AI opklimt. Maar voor nu wil ik het hebben over de derde wet van Clarke.
Stel je voor dat we een tijdmachine hadden en dat we Isaac Newton van het einde van de 17e eeuw naar vandaag zouden kunnen vervoeren en hem zouden kunnen neerzetten op een plek die hem bekend zou zijn: Trinity College Chapel aan de Universiteit van Cambridge.
Laat Newton nu een appel zien. Haal een iPhone uit je zak en zet hem aan zodat het scherm gloeit en vol pictogrammen staat, en geef hem aan hem. Newton, die onthulde hoe wit licht wordt gemaakt van componenten van verschillend gekleurd licht door zonlicht met een prisma uit elkaar te trekken en vervolgens weer in elkaar te zetten, zou ongetwijfeld verbaasd zijn dat zo'n klein object zulke levendige kleuren produceert in de duisternis van de kapel . Speel nu een film af van een Engelse country scene, en dan wat kerkmuziek die hij zou hebben gehoord. En laat hem dan een webpagina zien met de meer dan 500 pagina's van zijn persoonlijk geannoteerde kopie van zijn meesterwerk Principes , hem te leren hoe hij het knijpgebaar moet gebruiken om in te zoomen op details.
Pas op voor discussies over toekomstige technologie die magisch is.
Zou Newton kunnen beginnen uit te leggen hoe dit kleine apparaat dat allemaal deed? Hoewel hij calculus uitvond en zowel optica als zwaartekracht uitlegde, was hij nooit in staat scheikunde te scheiden van alchemie. Dus ik denk dat hij verbijsterd zou zijn en niet in staat zou zijn om zelfs maar de meest coherente schets te bedenken van wat dit apparaat was. Het zou voor hem niet anders zijn dan een belichaming van het occulte - iets dat hem zeer interesseerde. Het zou niet te onderscheiden zijn van magie. En onthoud, Newton was een heel slimme kerel.
Als iets magisch is, is het moeilijk om de beperkingen ervan te kennen. Stel dat we Newton verder laten zien hoe het apparaat het donker kan verlichten, hoe het foto's en films kan maken en geluid kan opnemen, hoe het als vergrootglas en als spiegel kan worden gebruikt. Daarna laten we hem zien hoe het kan worden gebruikt om rekenkundige berekeningen uit te voeren met ongelooflijke snelheid en tot in vele decimalen. We laten het zien door de stappen te tellen die hij heeft genomen terwijl hij het draagt, en laten hem zien dat hij het kan gebruiken om met mensen overal ter wereld te praten, onmiddellijk, vanaf daar in de kapel.
Wat zou Newton nog meer kunnen vermoeden dat het apparaat zou kunnen doen? Prisma's werken voor altijd. Zou hij veronderstellen dat de iPhone voor altijd zou blijven werken zoals hij is, zonder te begrijpen dat hij moet worden opgeladen? Bedenk dat we hem gepakt hebben uit een tijd 100 jaar voor de geboorte van Michael Faraday, dus hij had geen wetenschappelijk begrip van elektriciteit. Als de iPhone een lichtbron kan zijn zonder vuur, zou hij dan misschien ook lood in goud kunnen omzetten?
Dit is een probleem dat we allemaal hebben met ingebeelde toekomstige technologie. Als het ver genoeg verwijderd is van de technologie die we vandaag hebben en begrijpen, dan kennen we de beperkingen ervan niet. En als het niet meer te onderscheiden is van magie, is alles wat men erover zegt niet langer falsifieerbaar.
Dit is een probleem dat ik regelmatig tegenkom als ik met mensen probeer te debatteren over de vraag of we bang moeten zijn voor kunstmatige algemene intelligentie of AGI - het idee dat we autonome agenten zullen bouwen die net als wezens in de wereld opereren. Er is mij verteld dat ik niet begrijp hoe krachtig AGI zal zijn. Dat is geen argument. We hebben geen idee of het zelfs kan bestaan. Ik zou graag willen dat het bestaat - dit is altijd mijn eigen motivatie geweest om in robotica en AI te werken. Maar het hedendaagse AGI-onderzoek doet het helemaal niet goed om ofwel algemeen te zijn, ofwel een onafhankelijke entiteit met een voortbestaan te ondersteunen. Het lijkt meestal vast te zitten aan dezelfde kwesties in redenering en gezond verstand waar AI al minstens 50 jaar problemen mee heeft. Al het bewijs dat ik zie, zegt dat we nog geen echt idee hebben hoe we er een moeten bouwen. De eigenschappen zijn volledig onbekend, dus retorisch wordt het snel magisch, krachtig zonder limiet.
Niets in het universum is onbeperkt.
Pas op voor discussies over toekomstige technologie die magisch is. Een dergelijk argument kan nooit worden weerlegd. Het is een op geloof gebaseerd argument, geen wetenschappelijk argument.
Joost Swarte
3. Prestatie versus competentie
We gebruiken allemaal aanwijzingen over hoe mensen een bepaalde taak uitvoeren om in te schatten hoe goed ze een andere taak zouden kunnen uitvoeren. In een vreemde stad vragen we een vreemdeling op straat om de weg, en ze antwoordt met vertrouwen en met aanwijzingen die logisch lijken, dus we denken dat we haar ook kunnen vragen naar het lokale systeem voor betalen als je een bus wilt nemen.
Stel nu dat iemand ons vertelt dat een bepaalde foto mensen laat zien die frisbee spelen in het park. We gaan er natuurlijk vanuit dat deze persoon vragen kan beantwoorden als: Wat is de vorm van een frisbee? Hoe ver kan een persoon een frisbee gooien? Kan een persoon een frisbee eten? Hoeveel mensen spelen er ongeveer tegelijk frisbee? Kan een persoon van drie maanden frisbee spelen? Is het weer van vandaag geschikt om frisbee te spelen?
Computers die afbeeldingen kunnen labelen zoals mensen die frisbee spelen in een park, hebben geen kans om die vragen te beantwoorden. Naast het feit dat ze alleen maar meer afbeeldingen kunnen labelen en helemaal geen vragen kunnen beantwoorden, hebben ze geen idee wat een persoon is, dat parken meestal buiten zijn, dat mensen leeftijden hebben, dat weer meer is dan hoe een foto eruitziet, enzovoort.
Dit betekent niet dat deze systemen nutteloos zijn; ze zijn van grote waarde voor zoekmachines. Maar hier gaat het mis. Mensen horen dat een robot of een AI-systeem een taak heeft uitgevoerd. Vervolgens generaliseren ze van die prestatie naar een competentie die verwacht mag worden van een persoon die dezelfde taak uitvoert. En die generalisatie passen ze toe op de robot of het AI-systeem.
De robots en AI-systemen van vandaag zijn ongelooflijk beperkt in wat ze kunnen doen. Generalisaties in menselijke stijl zijn niet van toepassing.
Joost Swarte
4. Kofferwoorden
Marvin Minsky noemde woorden met verschillende betekenissen kofferwoorden. Leren is een krachtig kofferwoord; het kan verwijzen naar zoveel verschillende soorten ervaringen. Het leren gebruiken van eetstokjes is een heel andere ervaring dan het leren van de melodie van een nieuw nummer. En het leren schrijven van code is een heel andere ervaring dan het leren kennen van een stad.
Wanneer mensen horen dat machinaal leren grote vooruitgang boekt in een nieuw domein, hebben ze de neiging om als mentaal model de manier te gebruiken waarop een persoon dat nieuwe domein zou leren. Machine learning is echter erg broos en vereist veel voorbereiding door menselijke onderzoekers of ingenieurs, speciale codering, speciale sets trainingsgegevens en een aangepaste leerstructuur voor elk nieuw probleemdomein. Het huidige machinaal leren is helemaal niet het sponsachtige leren waar mensen zich mee bezighouden, waarbij ze snelle vooruitgang boeken in een nieuw domein zonder dat het chirurgisch moet worden gewijzigd of speciaal is gebouwd.
Evenzo, wanneer mensen horen dat een computer de wereldkampioen schaken (in 1997) of een van 's werelds beste Go-spelers (in 2016) kan verslaan, hebben ze de neiging te denken dat hij het spel speelt zoals een mens zou doen. Natuurlijk hadden die programma's in werkelijkheid geen idee wat een game eigenlijk was, of zelfs maar dat ze aan het spelen waren. Ze waren ook veel minder flexibel. Wanneer mensen een spel spelen, werpt een kleine verandering in de regels hen niet af. Niet zo voor AlphaGo of Deep Blue.
Kofferwoorden misleiden mensen over hoe goed machines het doen bij taken die mensen kunnen uitvoeren. Dat komt deels omdat AI-onderzoekers - en, erger nog, hun institutionele persbureaus - graag vooruitgang willen claimen in een geval van een kofferconcept. De belangrijke zin hier is een instantie. Dat detail gaat al snel verloren. Krantenkoppen verkondigen het kofferwoord en vervormen het algemene begrip van waar AI is en hoe dicht het is om meer te bereiken.
Joost Swarte
5. Exponentiëlen
Veel mensen lijden aan een ernstig geval van exponentialisme.
Iedereen heeft wel een idee over de wet van Moore, die suggereert dat computers steeds beter worden volgens een uurwerkachtig schema. Wat Gordon Moore eigenlijk zei, was dat het aantal componenten dat op een microchip zou passen elk jaar zou verdubbelen. Dat gold 50 jaar lang, hoewel de tijdconstante voor verdubbeling geleidelijk werd verlengd van een jaar tot meer dan twee jaar, en het patroon komt tot een einde.
Door het aantal componenten op een chip te verdubbelen, verdubbelen computers voortdurend in snelheid. En het heeft geleid tot geheugenchips die elke twee jaar in capaciteit verviervoudigen. Het heeft ook geleid tot digitale camera's met steeds betere resolutie en LCD-schermen met exponentieel meer pixels.
De reden waarom de wet van Moore werkte, is dat deze van toepassing was op een digitale abstractie van een waar-of-onwaar-vraag. Is er in een bepaald circuit een elektrische lading of spanning of niet? Het antwoord blijft duidelijk naarmate chipcomponenten kleiner en kleiner worden - totdat een fysieke limiet tussenbeide komt en we overgaan op componenten met zo weinig elektronen dat kwantumeffecten beginnen te domineren. Dat is waar we nu staan met onze op silicium gebaseerde chiptechnologie.
Wanneer mensen lijden aan exponentialisme, denken ze misschien dat de exponentiëlen die ze gebruiken om een argument te rechtvaardigen snel zullen doorgaan. Maar de wet van Moore en andere schijnbaar exponentiële wetten kunnen falen omdat ze in de eerste plaats niet echt exponentieel waren.
In de eerste helft van deze eeuw, toen ik MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) leidde en moest helpen geld in te zamelen voor meer dan 90 verschillende onderzoeksgroepen, probeerde ik de geheugentoename op iPods te gebruiken om sponsors te laten zien hoe dingen bleven zeer snel veranderen. Hier zijn de gegevens over hoeveel muziekopslag iemand in een iPod kreeg voor $ 400 of minder:
jaar | gigabyte |
| 2002 | 10 |
| 2003 | twintig |
| 2004 | 40 |
| 2006 | 80 |
| 2007 | 160 |
Dan zou ik een paar jaar extrapoleren en vragen wat we zouden doen met al dat geheugen in onze zakken.
Als we dit naar vandaag extrapoleren, zouden we verwachten dat een iPod van $ 400 160.000 gigabyte geheugen zou hebben. Maar de beste iPhone van vandaag (die veel meer kost dan $ 400) heeft slechts 256 gigabyte geheugen, minder dan het dubbele van de capaciteit van de iPod uit 2007. Deze specifieke exponent stortte heel plotseling in toen de hoeveelheid geheugen het punt bereikte waarop het groot genoeg was om de muziekbibliotheek en apps, foto's en video's van een redelijk persoon te bevatten. Exponentiëlen kunnen instorten wanneer een fysieke limiet wordt bereikt, of wanneer er geen economische reden meer is om ze voort te zetten.
Evenzo hebben we een plotselinge toename van de prestaties van AI-systemen gezien dankzij het succes van deep learning. Veel mensen lijken te denken dat dit betekent dat we de AI-prestaties regelmatig met gelijke veelvouden zullen blijven zien toenemen. Maar het succes van diepgaand leren was 30 jaar in de maak en het was een geïsoleerd evenement.
Dat betekent niet dat er geen meer geïsoleerde gebeurtenissen zullen zijn, waarbij werk vanuit de backwaters van AI-onderzoek plotseling een snelle toename van de prestaties van veel AI-toepassingen aanwakkert. Maar er is geen wet die zegt hoe vaak ze zullen gebeuren.
Joost Swarte
6. Hollywood-scenario's
De plot voor veel Hollywood-sciencefictionfilms is dat de wereld is zoals hij nu is, op één nieuwe wending na.
In tweehonderdjarige man , Richard Martin, gespeeld door Sam Neill, gaat zitten om te ontbijten en wordt bediend door een wandelende, pratende humanoïde robot, gespeeld door Robin Williams. Richard pakt een krant om tijdens het ontbijt te lezen. Een krant! Gedrukt op papier. Geen tabletcomputer, geen podcast afkomstig van een Amazon Echo-achtig apparaat, geen directe neurale verbinding met internet.
Het blijkt dat veel AI-onderzoekers en AI-experts, vooral die pessimisten die zich overgeven aan voorspellingen over AI die uit de hand loopt en mensen vermoordt, op dezelfde manier worden uitgedaagd tot verbeelding. Ze negeren het feit dat als we uiteindelijk zulke slimme apparaten kunnen bouwen, de wereld tegen die tijd aanzienlijk veranderd zal zijn. We zullen niet ineens verrast zijn door het bestaan van zulke superintelligenties. Ze zullen in de loop van de tijd technologisch evolueren, en onze wereld zal bevolkt worden door vele andere intelligenties, en we zullen al veel ervaring hebben. Lang voordat er kwaadaardige superintelligenties zijn die van ons af willen, zullen er wat minder intelligente, minder strijdlustige machines zijn. Voor die tijd zullen er echt knorrige machines zijn. Daarvoor best irritante machines. En voor hen arrogante, onaangename machines. We zullen onze wereld gaandeweg veranderen, waarbij we zowel de omgeving aanpassen aan nieuwe technologieën als de nieuwe technologieën zelf. Ik zeg niet dat er misschien geen uitdagingen zijn. Ik zeg dat ze niet plotseling en onverwacht zullen zijn, zoals veel mensen denken.
Joost Swarte
7. Snelheid van inzet
Nieuwe versies van software worden in sommige bedrijfstakken zeer vaak ingezet. Bijna elk uur worden nieuwe functies voor platforms zoals Facebook geïmplementeerd. Voor veel nieuwe functies is er, zolang ze de integratietest hebben doorstaan, weinig economisch nadeel als er een probleem optreedt in het veld en de versie moet worden teruggetrokken. Dit is een tempo waar ontwikkelaars van Silicon Valley en websoftware aan gewend zijn geraakt. Het werkt omdat de marginale kosten van het nieuw implementeren van code zeer, zeer dicht bij nul zijn.
Het inzetten van nieuwe hardware brengt daarentegen aanzienlijke marginale kosten met zich mee. Dat weten we uit ons eigen leven. Veel van de auto's die we vandaag kopen, die niet zelfrijdend zijn en meestal niet geschikt zijn voor software, zullen waarschijnlijk in het jaar 2040 nog op de weg zijn. Dit legt een inherente limiet op hoe snel al onze auto's zelfrijdend zullen zijn. -het rijden. Als we vandaag een nieuw huis bouwen, kunnen we verwachten dat het er meer dan 100 jaar zal zijn. Het gebouw waarin ik woon is gebouwd in 1904 en het is lang niet het oudste in mijn buurt.
Kapitaalkosten houden fysieke hardware lang in stand, zelfs als er hightech aspecten aan zitten, en zelfs als het een existentiële missie heeft.
De Amerikaanse luchtmacht vliegt nog steeds met de B-52H-variant van de B-52 bommenwerper. Deze versie werd in 1961 geïntroduceerd en is daarmee 56 jaar oud. De laatste werd gebouwd in 1962, slechts 55 jaar geleden. Momenteel wordt verwacht dat deze vliegtuigen tot minstens 2040 zullen blijven vliegen, en misschien langer - er wordt gesproken over een verlenging van hun levensduur tot 100 jaar.
Ik zie regelmatig tientallen jaren oude apparatuur in fabrieken over de hele wereld. Ik zie zelfs pc's met Windows 3.0 - een softwareversie die in 1990 werd uitgebracht. De gedachte is: als het niet kapot is, repareer het dan niet. Die pc's en hun software draaien al meer dan twee decennia dezelfde applicatie die dezelfde taak betrouwbaar uitvoert.
Bijna alle innovaties in robotica en AI doen er veel, veel langer over om echt breed ingezet te worden dan mensen in het veld en daarbuiten denken.
Het belangrijkste besturingsmechanisme in fabrieken, inclusief gloednieuwe in de VS, Europa, Japan, Korea en China, is gebaseerd op programmeerbare logische controllers of PLC's. Deze werden in 1968 geïntroduceerd ter vervanging van elektromechanische relais. De spoel is nog steeds de belangrijkste abstractie-eenheid die tegenwoordig wordt gebruikt, en PLC's worden geprogrammeerd alsof ze een netwerk van 24-volt elektromechanische relais zijn. Nog altijd. Sommige directe draden zijn vervangen door Ethernet-kabels. Maar ze maken geen deel uit van een open netwerk. In plaats daarvan zijn het individuele kabels die van punt tot punt lopen en fysiek de besturingsstroom belichamen - de volgorde waarin stappen worden uitgevoerd - in deze gloednieuwe oude automatiseringscontrollers. Als je de informatiestroom of de controlestroom in de meeste fabrieken over de hele wereld wilt veranderen, duurt het weken voordat consultants uitzoeken wat er is, nieuwe herconfiguraties ontwerpen en vervolgens teams van vakmensen om de hardware opnieuw te bedraden en opnieuw te configureren. Een van de grote fabrikanten van deze apparatuur vertelde me onlangs dat ze streven naar drie software-upgrades om de 20 jaar.
In principe kan het anders. In de praktijk is dat niet zo. Ik heb net op een banenlijst gekeken en zelfs vandaag, op deze dag, probeert Tesla Motors PLC-technici in te huren in zijn fabriek in Fremont, Californië. Ze zullen elektromagnetische relaisemulatie gebruiken bij de productie van de meest AI-verbeterde auto die er bestaat.
Veel AI-onderzoekers en -experts denken dat de wereld al digitaal is en dat de introductie van nieuwe AI-systemen onmiddellijk zal doorsijpelen naar operationele veranderingen in het veld, in de toeleveringsketen, op de fabrieksvloer, in het ontwerp van producten.
Niets is verder van de waarheid verwijderd. Bijna alle innovaties in robotica en AI doen er veel, veel langer over om echt breed ingezet te worden dan mensen in het veld en daarbuiten denken.
Rodney Brooks is voormalig directeur van het Computer Science and Artificial Intelligence Laboratory aan het MIT en oprichter van Rethink Robotics en iRobot. Dit essay is aangepast met toestemming van a na die oorspronkelijk verscheen op rodneybrooks.com.