Je! Algorithms ya busara ya siku zijazo itaonekana kama roboti za kusudi la jumla, kama hodari wa kupuuza na kusoma ramani kwani zinafaa jikoni? Au wasaidizi wetu wa dijiti wataonekana zaidi kama mkoba wa vifaa maalum - chini ya bwana mkuu wa gumzo kuliko jikoni iliyojaa vifaa?

Ikiwa algorithm inajaribu kufanya sana, inapata shida. Kichocheo hapa chini kilitengenezwa na mtandao bandia wa neva, aina ya akili bandia (AI) ambayo hujifunza kwa mfano. Algorithm hii ilichunguza takriban mapishi ya kitabu cha kupikia 30,000 ya kila aina, kutoka kwa supu hadi pai hadi barbecues, na kisha ikajaribu kupata yake mwenyewe. Matokeo ni, je! Tutasema, kwa kiasi fulani isiyo ya kawaida:

(Ujumbe wa Mhariri: Usijaribu mapishi haya nyumbani, LOL)

Kueneza Mchele wa Kuku

jibini / mayai, saladi, jibini

2 lb mioyo, iliyopandwa
Kikombe 1 kilichokatwa siagi safi au pai ya raspberry
Kikombe cha kikapu cha 1/2, iliyokunwa
Kijiko 1 mafuta ya mboga
1 chumvi
1 pilipili
2 1/2 tb sukari, sukari

Unganisha majani, na koroga mpaka mchanganyiko uwe mzito. Kisha ongeza mayai, sukari, asali, na mbegu za caraway, na upike kwenye moto mdogo. Ongeza syrup ya mahindi, oregano, na rosemary na pilipili nyeupe. Weka kwenye cream na joto. Kupika ongeza kijiko 1 cha unga cha kuoka na chumvi. Oka kwa 350F kwa saa 2 hadi 1. Kutumikia moto.

Mazao: 6 resheni

Sasa, hapa kuna mfano wa kichocheo kilichotengenezwa na hesabu sawa ya msingi - lakini badala ya data iliyojumuisha mapishi ya kila aina, ilitazama mikate tu. Kichocheo sio kamili, lakini ni bora zaidi, kuliko ile ya awali:

Keki ya karoti (Vera Ladies ”)

keki, pombe

Mchanganyiko 1 wa keki ya manjano
3 kikombe cha unga
Kijiko cha 1 cha unga wa kuoka
Kijiko 1 1/2 cha kuoka soda
1 / 4 kijiko chumvi
1 teaspoon ground cinnamon
Kijiko 1 tangawizi ya ardhini
1/2 kijiko karafuu ya ardhi
Kijiko cha 1 cha unga wa kuoka
1 / 2 kijiko chumvi
Kijiko 1 cha vanilla
Yai 1, joto la kawaida
1 kikombe cha sukari
Kijiko 1 cha vanilla
Kikombe 1 cha pecans zilizokatwa

Preheat oven hadi digrii 350. Paka mafuta sufuria ya chemchemi ya inchi 9.

Kutengeneza keki: Piga mayai kwa kasi kubwa hadi nene na rangi ya manjano na uweke kando. Katika bakuli tofauti, piga wazungu wa yai hadi ngumu. Harakisha ya kwanza kama mchanganyiko kwenye sufuria iliyoandaliwa na laini laini. Oka katika oveni kwa muda wa dakika 40 au mpaka dawa ya meno iliyoingizwa katikati itatoka safi. Baridi kwenye sufuria kwa dakika 10. Pinduka kwenye waya ili kupoa kabisa.

Ondoa keki kutoka kwenye sufuria ili kupoa kabisa. Kutumikia joto.

HereCto Cookbook (1989) Kutoka Jikoni na Hawn katika Maisha ya Canada

Mazao: 16 resheni

Kwa kweli, unapoangalia maagizo kwa karibu zaidi, hutoa yai moja tu ya yai iliyooka. Lakini bado ni uboreshaji. Wakati AI iliruhusiwa kubobea, kulikuwa na mengi kidogo tu ya kufuatilia. Haikuwa lazima kujaribu kujua wakati wa kutumia chokoleti na wakati wa kutumia viazi, wakati wa kuoka, au wakati wa kuchemsha. Ikiwa algorithm ya kwanza ilikuwa ikijaribu kuwa sanduku la kushangaza ambalo linaweza kutoa mchele, barafu na mikate, hesabu ya pili ilikuwa ikijaribu kuwa kitu kama kibaniko - maalum kwa kazi moja tu.

Waendelezaji ambao hufundisha algorithms ya ujifunzaji wa mashine wamegundua kuwa mara nyingi ni busara kujenga toasters badala ya sanduku za ajabu. Hiyo inaweza kuonekana kuwa ya ujinga, kwa sababu AI za uwongo za sayansi ya Magharibi huwa zinafanana na C-3PO in Star Wars au WALL-E katika filamu isiyojulikana - mifano ya ujasusi wa jumla wa bandia (AGI), automata ambayo inaweza kuingiliana na ulimwengu kama mwanadamu, na kushughulikia majukumu mengi tofauti. Lakini kampuni nyingi hazionekani - na kwa mafanikio - zinatumia ujifunzaji wa mashine kufikia malengo machache zaidi. Algorithm moja inaweza kuwa mazungumzo ya kushughulikia anuwai ya maswali ya kimsingi ya wateja juu ya bili yao ya simu. Mwingine anaweza kutoa utabiri juu ya kile mteja anapiga simu kujadili, akionyesha utabiri huu kwa mwakilishi wa kibinadamu anayejibu simu. Hii ni mifano ya bandia nyembamba akili (ANI) - imezuiliwa kwa kazi nyembamba sana. Kwa upande mwingine, Facebook hivi karibuni ilistaafu mazungumzo yake ya 'M', ambayo hayakufanikiwa katika lengo lake la kushughulikia kutoridhishwa kwa hoteli, kuweka tikiti za ukumbi wa michezo, kupanga ziara za kasuku, na zaidi.

Sababu tunayo ANI ya kiwango cha toaster badala ya AGI ya WALL-E-level ni kwamba algorithm yoyote ambayo inajaribu kuongeza hupata mbaya katika majukumu anuwai ambayo inakabiliana nayo.

kwa mfano, hapa kuna algorithm iliyofunzwa kutoa picha kulingana na maelezo mafupi.

Hili ni jaribio lake la kuunda picha kutoka kwa kifungu: 'ndege huyu ni wa manjano na mweusi kichwani na ana mdomo mfupi sana'.

Ilipofundishwa kwenye hifadhidata ambayo ilikuwa na ndege kabisa, ilifanya vizuri (bila kujali pembe ya nyati ya ajabu):

Lakini wakati kazi yake ilikuwa kuzalisha kitu chochote - kutoka kwa ishara za kusimama hadi boti hadi ng'ombe hadi watu - ilijitahidi. Hapa kuna jaribio lake la kutengeneza "picha ya msichana akila kipande kikubwa cha pizza":

Tumezoea kufikiria kuna pengo kubwa kati ya algorithm ambayo hufanya jambo moja vizuri, na algorithm ambayo hufanya vitu vingi vizuri. Lakini siku zetu za leo algorithms kuwa na nguvu ndogo sana ya akili ikilinganishwa na ubongo wa mwanadamu, na kila kazi mpya inawaeneza wakondefu. Fikiria kifaa cha ukubwa wa kibaniko: ni rahisi kujenga katika nafasi kadhaa na visima kadhaa vya kupokanzwa ili iweze mkate wa toast. Lakini hiyo inaacha nafasi ndogo kwa kitu kingine chochote. Ikiwa utajaribu kuongeza utendaji wa kutengeneza mchele na utengenezaji wa barafu, basi itabidi uachane na moja ya nafasi za mkate angalau, na labda haitakuwa nzuri kwa chochote.

Kuna ujanja ambao waandaaji programu hutumia kupata zaidi kutoka kwa algorithms za ANI. Moja ni kuhamisha ujifunzaji: fundisha algorithm kufanya kazi moja, na inaweza kujifunza kufanya kazi tofauti lakini inayohusiana sana baada ya mafunzo kidogo. Watu hutumia ujifunzaji wa kuhamisha kufundisha algorithms za utambuzi wa picha, kwa mfano. Algorithm ambayo imejifunza kutambua wanyama tayari imekusanya mengi katika njia ya kugundua-makali na ustadi wa kuchambua usindikaji, ambayo inaweza kuhamia kwa jukumu la kutambua matunda. Lakini, ikiwa utajifunza tena hesabu ya kutambua matunda, jambo linaloitwa kusahau maafa inamaanisha kuwa haitakumbuka tena jinsi ya kutambua wanyama.

Ujanja mwingine ambao matumizi ya leo ni moduli. Badala ya algorithm moja ambayo inaweza kushughulikia shida yoyote, AI za baadaye zinaweza kuwa mkutano wa vyombo maalum sana. Algorithm ambayo kujifunza kucheza mchezo wa video adhabu, kwa mfano, ilikuwa na maono tofauti, kujitolea, mtawala, na moduli za kumbukumbu. Moduli zilizounganishwa pia zinaweza kutoa upungufu wa kazi dhidi ya kutofaulu, na utaratibu wa kupiga kura kwa suluhisho bora ya shida kulingana na njia anuwai tofauti. Wanaweza pia kuwa njia ya kugundua na kusuluhisha makosa ya algorithmic. Kwa kawaida ni ngumu kugundua jinsi algorithm ya kibinafsi inafanya maamuzi yake, lakini ikiwa uamuzi unafanywa kwa kushirikiana na algorithms ndogo, tunaweza angalau kuangalia pato la kila algorithm ndogo.

Tunapofikiria AI za siku za usoni, labda WALL-E na C-3PO sio droids ambazo tunapaswa kutafuta. Badala yake, tunaweza kufikiria kitu kama smartphone iliyojaa programu, au kabati la jikoni lililojazwa na vifaa. Tunapojitayarisha kwa ulimwengu wa algorithms, tunapaswa kuhakikisha kuwa hatupangi kufikiria, masanduku ya ajabu ya kusudi ambayo hayawezi kujengwa kamwe, lakini badala ya toasters maalum.

Kuhusu Mwandishi

Janelle Shane hufundisha mitandao ya neva kuandika ucheshi kwenye aiweirdness.com. Yeye pia ni mwanasayansi wa utafiti katika macho, na anaishi Boulder, Colorado.

Makala hii ilichapishwa awali Aeon na imechapishwa tena chini ya Creative Commons.

Vitabu kuhusiana:

at InnerSelf Market na Amazon