Miesiąc: lipiec 2023

https://aie24.pl/

Sztuczna inteligencja wpływa na wszystkie aspekty naszego życia — sposób, w jaki żyjemy, bawimy się, pracujemy i komunikujemy się — oraz na wszystkie branże i funkcje biznesowe. Chociaż może się to wydawać nową technologią, sztuczna inteligencja ma długą historię, o czym świadczy film wideo Stanford Human-Centered Artificial Intelligence (HAI) „AI at Stanford 1962–2022”. Ta historia pokazuje, jak sztuczna inteligencja (od wczesnych programów do gry w szachy, muzyki generowanej komputerowo, wczesnych aplikacji robotycznych, medycznych systemów eksperckich, a nawet pierwszego autonomicznego samochodu) zawsze odgrywała kluczową rolę w tworzeniu innowacyjnych produktów, usług i doświadczeń. Przejdźmy teraz do ilustrujących przykładów roli, jaką sztuczna inteligencja odgrywa w ulepszaniu ośmiu wytycznych dotyczących innowacji przedstawionych w poprzedniej sekcji.

1. Sztuczna inteligencja do kwestionowania status quo i modeli mentalnych Twojej branży lub branży docelowej

Kwestionowanie status quo i dominujących modeli mentalnych w branży może być trudnym przedsięwzięciem. Machiavelli zauważył to ponad 600 lat temu, stwierdzając, że:

Nie ma nic trudniejszego do wzięcia w swoje ręce, bardziej niebezpiecznego do prowadzenia lub bardziej niepewnego w jego powodzeniu niż przewodzenie we wprowadzaniu nowego porządku rzeczy. Ponieważ innowator ma za wrogów wszystkich tych, którzy dobrze sobie radzili w starych warunkach, i letnich obrońców w tych, którzy mogą dobrze sobie radzić w nowych.

Podczas gdy nagrody dla odważnych przełomowych innowatorów mogą być znaczące, czego dowodem są wiodące firmy w nowej gospodarce, wiele starszych firm ma tendencję do utrzymywania status quo. Sztuczną inteligencję i uczenie maszynowe można wykorzystać do automatyzacji procesu tworzenia i analizowania scenariuszy, umożliwiając menedżerom szybkie badanie szerokiego zakresu możliwości. Algorytmy można trenować na danych historycznych i wykorzystywać do generowania modeli predykcyjnych, które pomagają menedżerom zrozumieć prawdopodobieństwo wystąpienia różnych wyników w oparciu o różne założenia. Może to być szczególnie przydatne w branżach o wysokim poziomie niepewności, takich jak sektor technologiczny lub finansowy. Na przykład Goldman Sachs wykorzystuje uczenie maszynowe do budowania modeli predykcyjnych, które wpływają na decyzje inwestycyjne i strategie zarządzania ryzykiem . Netflix, Uber i Spotify to przykłady firm, które wykorzystały sztuczną inteligencję do zmiany mentalnego modelu swoich branż i stworzenia nowych. Netflix, firma zajmująca się mediami strumieniowymi, wykorzystała sztuczną inteligencję do zrewolucjonizowania tradycyjnego przemysłu telewizyjnego i filmowego, zmieniając mentalny model konsumpcji i dystrybucji treści. Jednym z przykładów, w jaki sposób Netflix włączył sztuczną inteligencję, jest system rekomendacji, który wykorzystuje algorytmy uczenia maszynowego do personalizacji treści sugerowanych każdemu użytkownikowi. Doprowadziło to do zmiany sposobu konsumpcji telewizji i filmów, ponieważ widzowie mają teraz dostęp do ogromnej biblioteki treści i nie są już ograniczeni do programów, które są zaplanowane przez tradycyjne sieci kablowe i nadawcze. Netflix wykorzystał również sztuczną inteligencję do produkcji własnych oryginalnych treści i analizy danych w celu określenia typów programów i filmów, które mogą być popularne wśród odbiorców, i dużo zainwestował w tworzenie własnych treści, które mieszczą się w tych parametrach. Doprowadziło to do powstania nowej branży, ponieważ inne firmy poszły w ich ślady i zaczęły tworzyć własne oryginalne treści. W przypadku Ubera firma wykorzystała sztuczną inteligencję w postaci algorytmów uczenia maszynowego, aby zoptymalizować usługę przywoływania przejazdów. Na przykład algorytmy Ubera mogą przewidywać popyt na przejazdy w czasie rzeczywistym i odpowiednio dostosowywać ceny, a także dopasowywać pasażerów do najbliższego dostępnego kierowcy. Wdrożenie sztucznej inteligencji w firmie Uber spowodowało znaczną zmianę nie tylko możliwości dostępnych dla kierowców korzystających z platformy, ale także wygody, jakiej doświadczają pasażerowie. Co więcej, miało to znaczący wpływ na styl życia tych, którzy zdecydowali się korzystać z Ubera jako alternatywy dla posiadania prywatnego pojazdu. Co więcej, warto zauważyć, że Uber dokonał także przełomowej zmiany w branży taksówkarskiej, prowadząc do stopniowego pojawiania się konkurowania o usługi oparte na aplikacjach. Doprowadziło to do powstania nowej branży, w której osoby fizyczne mogą zarabiać pieniądze, świadcząc usługi, takie jak przywoływanie lub dostawa na elastycznej zasadzie na żądanie. Podobnie Spotify wykorzystał sztuczną inteligencję do zmiany sposobu, w jaki muzyka jest konsumowana i dystrybuowana. Algorytm rekomendacji firmy wykorzystuje uczenie maszynowe do personalizacji muzyki sugerowanej każdemu użytkownikowi. Ponadto Spotify wykorzystał sztuczną inteligencję do tworzenia nowej muzyki za pomocą funkcji „odkrywania artystów”, która wykorzystuje uczenie maszynowe do identyfikowania wschodzących artystów. Doprowadziło to do zmiany sposobu odkrywania i konsumowania muzyki, a także stworzyło nowe możliwości dla niezależnych artystów. Spotify wykorzystuje również dane dotyczące nawyków słuchania, aby personalizować swoje reklamy i sponsoring. Podsumowując, między innymi Netflix, Uber i Spotify wykorzystały sztuczną inteligencję do zmiany mentalnego modelu swoich branż i stworzyły nowe możliwości dla osób prywatnych i firm poprzez korzystanie z usług na żądanie, spersonalizowanych rekomendacji i produkcji oryginalnych treści.

https://aie24.pl/

Innowacje mają kluczowe znaczenie dla firm, organizacji non-profit, a nawet rządów, aby mogły wykorzystywać zmieniające się trendy biznesowe, wyprzedzać konkurencję i zaspokajać zmieniające się potrzeby swoich klientów i interesariuszy. Jednak innowacje mogą być wyzwaniem dla wielu organizacji. Oto osiem wskazówek dotyczących wspierania innowacji w organizacji:

1 Zakwestionuj status quo i modele mentalne swojej branży lub branży docelowej. Istnieje wiele podejść do kwestionowania własnych modeli mentalnych, ale wciąż zbyt wiele starszych firm akceptuje status quo. I to pomimo znanego faktu, że przełomowe innowacje, które zmieniają nasze życie, takie jak Google, Uber, Apple, Amazon i inne, wymagają zmiany mentalnych modeli ich branż i prowadzą do ogromnych korzyści.

2 Współpracuj z obecnymi i przyszłymi klientami, aby zrozumieć ich obecne i przyszłe potrzeby i cele.

3 Generuj innowacyjne rozwiązania w ramach alternatywnych scenariuszy, które odzwierciedlają przyszłe potrzeby i cele klientów. Może to obejmować innowacyjne rozwiązania oparte na postępach w nauce i technologii; wyniki analizy pojawiania się nowych strategii konkurencyjnych od obecnych i nowych konkurentów; zmieniające się trendy społeczne; zmieniające się globalne trendy geograficzne, polityczne, gospodarcze i regulacyjne; zmiana modelu biznesowego z orientacji na akcjonariuszy na interesariuszy; i współzależności tych trendów.

4 Wyznacz cele dla inicjatyw innowacyjnych, które obejmują wszystkie obszary tworzenia wartości. Obejmują one odkrywanie nowych produktów, usług i doświadczeń; pozycjonowanie dla segmentów docelowych; rozwój dystrybucji i promocji omnichannel; badanie modeli biznesowych i przychodowych; i skupienie ich wszystkich na dążeniu do krótko- i długoterminowych celów i wizji Twoich i interesariuszy.

5 Rozszerz zakres swojej innowacji, aby objąć całą architekturę organizacyjną. Powinno to obejmować procesy, zdolności, strukturę, technologię, narzędzia kreatywności, mierniki wydajności, zachęty, infrastrukturę i wszystko, co jest wymagane do skoordynowania wszystkich wewnętrznych i zewnętrznych zdolności w zakresie tworzenia i dostarczania wartości przez wszystkie punkty styku wszystkim interesariuszom.

6 Zmobilizuj i zorganizuj portfolio innowatorów. Zaprojektuj i wdróż strategię innowacyjną, która wykorzystuje zrównoważone i sprawne portfolio zespołów wewnętrznych, otwarte innowacje, fuzje i przejęcia oraz sojusze strategiczne, zespoły ds. innowacji klientów oraz sieci wszystkich zaangażowanych osób.

7 Zapewnij efektywną orkiestrację całego procesu innowacyjnego. Kieruj wysiłkami innowacyjnymi jako „oświecony dyrygent orkiestry”, który inspiruje i umożliwia członkom zespołu realizację wspólnych celów w ramach spójnej orkiestry dążącej do perfekcji.

8 Przyjmij ciągłe eksperymentowanie. Stwórz zwinną, innowacyjną organizację, która koncentruje się na ciągłych iteracjach i eksperymentach. Organizacja, która nie akceptuje starego przekonania, że trzeba wybierać między szybkością, jakością a kosztami. Prawdziwa innowacja pozwala na osiągnięcie wszystkich trzech cech – jakości, szybkości i kosztów.

https://aie24.pl/

Creativity, the spark that lights the fl ame of progress,

The source of all that’s new and bold and bright,

A wellspring of ideas that never seem to cease,

A force that drives us forward, ever into the night.

Without creativity, we’d be stuck in stasis.

Trapped in a world of sameness and of routine,

But with its power, we can break free from the static

And forge a path to greatness, as we’ve never before seen.

So let us embrace our creative spirit,

And let our minds run free and wild,

For in the realm of imagination,

We can achieve things that once seems only a child’s.

So let us nurture and cultivate

Our creativity, and let it guide us,

To a future that is bright and full of hope,

A world where anything is possible, if only we choose.

Ten sonet został napisany przez ChatGPT w odpowiedzi na pytanie: „czy możesz napisać sonet o znaczeniu kreatywności?” Treść jest dokładna i ilustruje jedną z wielu możliwości sztucznej inteligencji (AI). Jednak to, co pominięto w odpowiedzi generowanej przez sztuczną inteligencję, to rosnąca rola sztucznej inteligencji w zwiększaniu kreatywności, a tym samym w stymulowaniu i ułatwianiu innowacji. Sztuczna inteligencja sama w sobie była nieustanną muzą rozwoju ludzkości dzięki włączeniu jej do jednej z najpotężniejszych umiejętności ludzkości – opowiadania historii. Postacie takie jak Pan Spock ze Star Trek (lata 60.) i Commander Data (restart z lat 90.), a także dowcipny samochód Kit z serii Knight Rider (lata 80.) Kultura popularna. Cud i potencjał przyszłości opartej na sztucznej inteligencji znalazły nawet odzwierciedlenie w stworzeniu EPCOT, parku rozrywki „Społeczność jutra”, stworzonego przez amerykańskiego animatora i twórcę wyobraźni Walta Disneya. Tworzenie AI i aplikacji AI wymaga ogromnej kreatywności i kompetencji technicznych. Ale kiedy narzędzia sztucznej inteligencji już istnieją, mogą znacznie zwiększyć możliwości tworzenia kreatywnych produktów, rozwiązań usługowych i angażujących doświadczeń. Jednak dopiero niedawno zbadano rolę sztucznej inteligencji w kreatywności i innowacjach i obecnie uważa się ją za ważny i szybko rozwijający się sektor. Innowacja to nie tylko tworzenie czegoś „nowego”, ale także czegoś, co jest przydatne i ma rynek. Pozwala na rozwój nowych produktów, usług i doświadczeń, które mogą poprawić życie ludzi i pomóc rozwiązać ważne problemy społeczne i gospodarcze. Postęp może również prowadzić do wzrostu innowacyjności poprzez tworzenie nowych możliwości i lepszego ogólnego środowiska dla pojawiania się nowych pomysłów . Sztuczna inteligencja może zatem działać jako potężny silnik, który nie tylko inspiruje innowacje, ale także je umożliwia i przyspiesza. Ta sekcja ma na celu podkreślenie różnych ról, jakie systemy sztucznej inteligencji mogą odgrywać w zwiększaniu kreatywności i innowacyjności jednostek, organizacji i społeczeństwa. W tym celu przedstawiamy najpierw osiem zaakceptowanych wytycznych dotyczących wspierania innowacji. Pozostała część rozdziału koncentruje się na określeniu roli, jaką sztuczna inteligencja może odgrywać w ulepszaniu i przyspieszaniu każdej z wytycznych.

https://aie24.pl/

Nie wszyscy płyniemy na tej samej łodzi, ale wszyscy żyjemy w tym samym Oceanie Danych.

„To, co wiemy, to kropla, to, czego nie wiemy, to ocean.

~Izaak Newton

Historia kryjąca się za tymi dwoma obrazami

Mamy dostęp do coraz większej wiedzy, a mimo to stajemy się coraz bardziej „źli myślicielami”. Cała dostępna wiedza powinna uczynić nas mądrzejszymi, ale jest odwrotnie. Mamy tendencję do myślenia w sposób fundamentalistyczny i zbyt często zapominamy o tym, co jest ważne. Kilka osób siedzi na motorówce i luksusowych jachtach i daje nam kierunek i prędkość. Z drugiej strony większość z nas stara się nadążyć i jest narażona na niebezpieczeństwo utonięcia w informacjach lub oślepnięcia od nich. Postęp technologiczny jest nie do powstrzymania, ale aspekty etyczne, psychologiczne i socjologiczne są zbyt krótkie i są postrzegane głównie jako irytujące dodatki. Szybciej, wyżej i dalej, aż pewnego dnia docieramy do -Wyspy Świadomości- i uświadamiamy sobie, że po drodze byliśmy zbyt ograniczeni, egocentryczni i dogmatyczni. Chodzi o przyszłe pokolenia i przyrodę. Musimy zrobić wszystko, co w naszej mocy, aby zostawić im świat, w którym warto żyć. Po krótkiej historii „Wiem, że nic nie wiem”: Kiedy nauczyciel Platona, Sokrates, mieszkał w Atenach, jego przyjaciel z dzieciństwa, Chairephon, udał się do Delf, aby zapytać Wyrocznię, kto mógłby być najmądrzejszym człowiekiem w Atenach. Wyrocznia zadzwoniła do Sokratesa, a kiedy o tym usłyszał, był zszokowany, zdumiony, bo nie uważał się za najmądrzejszego. Ale Bogu Wyroczni nie wolno było kłamać, więc Sokrates chciał dowiedzieć się, co Wyrocznia mogła mieć na myśli, mówiąc. Sokrates odszukał w Atenach tych ludzi, którzy wyglądali na wielkich nauczycieli i dlatego uważano ich za mądrych. Chciał się od nich uczyć i tym samym pokazać, że nie może być najmądrzejszy, bo wie mniej niż osoby, do których się zwraca. Ale raz po raz musiał się przekonać, że mądrzy ateńscy nauczyciele poczuli się niepewnie, gdy szczegółowo je przesłuchiwano, i w końcu musiał przyznać, że widział, jak ich wiedza znika z powodu pragnienia wiedzy Sokratesa. Zrozumiałe, że ta procedura nie wzbudziła u niego sympatii; został skazany na śmierć przez otrucie w wieku ponad 70 lat. Przyjął wyrok i pożegnał się z przyjaciółmi słowami: „Teraz czas iść, ja umieram, a ty żyjesz. Ale kto z nas idzie do lepszego interesu, jest ukryty przed wszystkimi oprócz Boga”. Ale wróćmy do powiedzenia Wyroczni. Podczas wielu dyskusji z rzekomo mądrymi ludźmi Sokrates doszedł do wniosku, że ani on, ani inni nie byli naprawdę mądrzy. Mógł teraz zinterpretować Wyrocznię, mówiąc: „Więc wydaje mi się, że jestem mądrzejszy od niego w ten sposób, ponieważ czego nie wiem, tego też nie wiem”. “Wiem, że nic nie wiem!” W tej skróconej formie przekazywane jest powiedzenie Sokratesa. Celem kwestionowania sokratejskiego jest mądrość, wgląd w granice wiedzy. Sama wiedza nie wydaje się niezbędna. Ale każdy, kto chce doświadczyć granic edukacji, nie może uniknąć zawodu wiedzy. W ten pośredni sposób wiedza również wchodzi w grę, ale jako produkt uboczny. Każdy, kto tak jak Sokrates chce osiągnąć mądrość, akceptując niemożność poznania, również zwiększy swoją wiedzę. Ten, kto dąży bezpośrednio do zrozumienia, nie osiągnie dzięki niemu mądrości. Uwaga: Goethe w swoim dramacie przedstawił te dwie podstawowe postawy poprzez Heinricha Fausta i jego Famulusa Wagnera. Podczas gdy Faust – całkowicie w sensie sokratejskim – woła rozpaczliwie: „I zobacz, że nic nie możemy wiedzieć, to prawie pali mi serce”, Wagner trzeźwo mówi: „Wiem dużo, ale chcę wiedzieć wszystko”.

Myślę, więc wiem, że nic nie wiem.

https://aie24.pl/

W społeczności sztucznej inteligencji nadal istnieje wiele nieporozumień w tej kwestii. W tym artykule chcę przedstawić mój pogląd na związek między duplikacją a symulacją, ponieważ bardzo ważna jest tutaj jasność. Filozof John Searle przywiązywał do tego wielką wagę, wyjaśniając, że symulacja nie jest duplikatem. Maszyna nie może powielać ludzkiej myśli, ale w najlepszym wypadku ją symulować. Co do tego, że symulacja i duplikacja to dwie pary butów, w pełni się z nim zgadzam. Załóżmy, że mamy przed sobą dwa rodzaje obiektów, powiedzmy, Audi A4 (ani nie jest to mój ulubiony samochód, ani nim nie jeżdżę) oraz drugi przedmiot, który ktoś twierdzi, że jest „duplikatem” lub „modelem” Audi A4 . Co to dokładnie oznacza? Co to jest model A4? Oznacza dokładnie to, co rozumie przez to dziesięciolatek, który interesuje się modelami samochodów. Mianowicie istnieje bezpośrednia zgodność między bodźcami zewnętrznymi, stanami wewnętrznymi i zachowaniem A4 a wejściami, stanami wewnętrznymi i wyjściami modelu. Korespondencja niekoniecznie musi być stuprocentowa. Zatem niektóre zewnętrzne bodźce, stany i zachowania Modelu A4 mogą nie być obecne w modelu. Jeden ludzki mózg nie jest taki sam jak inny. Jeśli, na przykład, pojedziesz do Ingolstadt (siedziba Audi) i spojrzysz na model A4 w tunelu aerodynamicznym, zobaczysz, że siedzenia, nawigacja itp. brakuje innych szczegółów wyposażenia, które składają się na wiele stanów wewnętrznych „prawdziwego” Audi A4 – z prostego powodu, że są one nieistotne dla celu modelu, tj. testowania właściwości aerodynamicznych właściwego samochodu. Niemniej jednak zewnętrzne bodźce, stany i zachowania modelu są bezpośrednio związane z podzbiorem danych wejściowych, stanów i działań rzeczywistego silnika. Taka zgodność skutkuje modelową relacją między prawdziwą A4 a obiektem w tunelu aerodynamicznym. Zauważ, że model jest prostszy niż rzeczywisty obiekt, który replikuje mniej stanów. Ta właściwość jest charakterystyczna dla nazw modeli: Modele są zawsze prostsze niż ich oryginały. A co z symulacją? Weźmy drukarkę marki X, której instrukcja obsługi zapewnia mnie, że potrafię imitować, czyli symulować, inny typ drukarki, np. HP Laserjet Plus. Co to znaczy, gdy ludzie mówią, że moja maszyna X może symulować inne urządzenie? Oznacza to, że dane wejściowe i stany maszyny HP mogą być zakodowane w stanach mojej maszyny, a te same stany mojej maszyny mogą być następnie dekodowane na prawidłowe dane wyjściowe, które mogłaby uzyskać prawdziwa drukarka HP . Ważne jest to, że moja maszyna musi być czymś więcej skomplikowanym niż HP w pewnym sensie, jeśli taki słownik tworzony jest przez szyfrowanie i deszyfrowanie. Mówiąc dokładniej: Aby zaszyfrować dane wejściowe i stany HP w stanach mojego symulatora; moja maszyna musi mieć więcej stanów niż drukarka HP, jeśli uznasz oba urządzenia za maszyny abstrakcyjne. Dlatego symulator (moja drukarka) musi być bardziej skomplikowany niż symulowany obiekt (drukarka HP). Ogólnie rzecz biorąc, symulacja jest zawsze bardziej skomplikowana niż system, który symuluje. Te krótkie, być może nawet pospolite i przypadkowe wyjaśnienia dotyczące modeli i symulacji można przełożyć na dokładne terminy matematyczne. Pod warunkiem oczywiście, że istnieją kryteria, które można w zasadzie zweryfikować. Możemy go użyć do odróżnienia programu, który symuluje ludzkie procesy myślowe w modelu, od innego, który je tylko symuluje. W tym kontekście ekscytujące jest to, że symulacja mózgu z konieczności wymaga systemu, który ma więcej stanów niż sam mózg. Ten fakt słusznie budzi wiele wątpliwości, czy mózg jako całość może być kiedykolwiek symulowany. Mózg, ze swoimi około 100 miliardami neuronów, ma co najmniej 2 do potęgi 10 do potęgi 11 możliwych stanów – liczbę, która pod każdym względem zasługuje na najwyższy szacunek, ponieważ znacznie przekracza nawet liczbę protonów we wszechświecie znanym nam (10 do potęgi 79) przez współczynnik w przybliżeniu dwa do potęgi 100 miliardów. Nawet ta liczba jest tak duża, że trudno ją wyrazić słowami. Nie mówiąc już o jego pomyśle. Można więc śmiało założyć, że w perspektywie średnio- i długoterminowej symulacji ludzkiego mózgu nie będzie (podobny cel ma projekt Human Brain, finansowany przez UE). Modele mózgowe to zupełnie inna sprawa i dobrze, że „silna sztuczna inteligencja człowieka” potrzebuje modeli, a nie symulacji. W sumie mam wrażenie, że debata o maszynach myślących to walka filozofów, a nie informatyka i programisty. Moje przeczucie mówi mi, że w ciągu najbliższych dziesięciu do piętnastu lat będziemy mieć w domu prawdziwą maszynę. Opiera się głównie na fakcie, że opracujemy nowe koncepcje w związku z nowym sprzętem, takim jak obliczenia neuromorficzne, w przetwarzaniu informacji (żeby wymienić tylko jedną z nadchodzących innowacji w przetwarzaniu informacji). Czy można to zatem nazwać „silną sztuczną inteligencją, człowiekiem”? To kolejne interesujące pytanie, na które trzeba będzie odpowiedzieć w odpowiednim czasie. Według jakich kryteriów, standardów? Te pytania będą musieli ustalić filozofowie, psychologowie, antropolodzy. Jednak ze swojej strony mogę zakończyć tę krótką wycieczkę stwierdzeniem, które jest jednoznaczne i definitywne: niezależnie od wyniku sprawy „silnej sztucznej inteligencji, człowieku”, wynik radykalnie zmieni nasz obraz siebie i nasze spojrzenie na naszą pozycję w kosmicznym porządku.

https://aie24.pl/

Według nieoficjalnego konsensusu narodziny sztucznej inteligencji jako niezależnego projektu badawczego można datować na lato 1956 roku, kiedy to Johnowi McCarthy’emu z Dartmouth College, gdzie należał do wydziału matematyki, udało się przekonać Fundację Rockefellera do sfinansowania dochodzenie „Badanie ma być prowadzone w oparciu o przypuszczenie, że każdy aspekt uczenia się lub jakakolwiek inna cecha inteligencji może być w zasadzie tak dokładnie opisana, że można zmusić maszynę do jej symulacji”. Oprócz McCarthy’ego (który do 2000 roku był profesorem na Uniwersytecie Stanforda i jest odpowiedzialny za stworzenie terminu „sztuczna inteligencja”), w warsztatach historycznych w Dartmouth wzięło udział kilku innych uczestników: Marvin Minsky (były profesor Uniwersytetu Stanforda) , Claude Shannon (wynalazca teorii informacji); Herbert Simon (laureat Nagrody Nobla w dziedzinie ekonomii); Arthur Samuel (twórca pierwszego szachowego programu komputerowego na poziomie mistrza świata); ponadto pół tuzina ekspertów z nauki i przemysłu, którzy marzyli o tym, żeby udało się wyprodukować maszynę do radzenia sobie z ludzkimi zadaniami, które według wcześniejszej opinii wymagają inteligencji. Manifest z Dartmouth (napisany u zarania ery sztucznej inteligencji) jest zarówno irytujący, jak i niejasny. Nie jest jasne, czy uczestnicy konferencji wierzyli, że pewnego dnia maszyny będą myśleć lub zachowywać się tak, jakby potrafiły to sobie wyobrazić. Obie możliwe interpretacje dopuszczają słowo „symulować”. Pisemne i ustne sprawozdania ze spotkania potwierdzają oba stanowiska. Niektórzy uczestnicy byli zainteresowani badaniami sieci sztucznych neuronów, które, jak mieli nadzieję, mogłyby w pewnym sensie odtworzyć biologiczne neurony mózgu. Podczas gdy inni byli bardziej zainteresowani produkcją programów, które powinny zachowywać się inteligentnie, niezależnie od tego, czy zasady leżące u podstaw planów mają jakiekolwiek podobieństwo do funkcjonowania ludzkiego mózgu. Ta przepaść między paradygmatami

Myślenie = sposób, w jaki robi to mózg,

&

Myślenie = wyniki wytwarzane przez mózg.

Społeczność AI dzieli się na tzw. silne i słabe szkoły AI. Aby lepiej zrozumieć, czy maszyny potrafią myśleć, warto nieco rozróżnić dychotomię „silny” i „słaby” i porównać ją ze schematem zaproponowanym przez filozofa Keitha Gundersona. Rozróżnia następujące odmiany AI:

1. Słaba sztuczna inteligencja, zadanie, brak symulacji: komputer może wykonywać zadania, które wcześniej wymagały inteligencji, ale inteligencja nie jest wymagana od

maszyna, której stany nie mają nic wspólnego z ludzkim lub innym poznaniem.

2. Słaba sztuczna inteligencja, symulacja, inny niż człowiek: komputer może symulować procesy poznawcze w mózgu innym niż człowiek, ale stany maszyny mogą, ale nie muszą, być powiązane z tymi w mózgu innym niż człowiek.
3. Słaba sztuczna inteligencja, symulacja, człowiek: komputer może symulować procesy poznawcze człowieka, ale nie ma szczególnej korelacji między stanami komputera a stanami poznawczymi mózgu
4. Silna sztuczna inteligencja, inna niż człowiek: stany poznawcze występujące w maszynach nie są funkcjonalnie identyczne z tymi w mózgu i dlatego nie można ich wykorzystać do odtworzenia ludzkich procesów myślowych.
5. Silna sztuczna inteligencja, człowiek: stany poznawcze maszyn są funkcjonalne (chociaż nie fizyczne z natury) identyczne z tymi, które znajdują się w ludzkim mózgu.

Musimy wyjaśnić różnicę między funkcjonalnie identycznymi i fizycznie identycznymi parami stanów. Najłatwiejszym sposobem odróżnienia jest wyobrażenie sobie, że mamy do czynienia ze zgodnością między stanami poznawczymi C1, C2, C3 i trzema stanami maszyny, M1, M2 i M3. Te stany nie są fizycznie identyczne, ponieważ stany maszyny są jedynie wzorami liczb 0 i 1 na a

krzemu, podczas gdy stany poznawcze są sprzężone ze stężeniami chemicznymi i wzorcami elektrycznymi w mózgu. Jednak sekwencje dwustanowe byłyby funkcjonalnie równoważne, gdybyśmy na przykład stwierdzili, że wzorzec maszynowy M1->M3->M2 odpowiada wzorcowi poznawczemu C2->C3->C1 za każdym razem. W tym przypadku moglibyśmy powiedzieć, że stany M3 i C3 są funkcjonalnie identyczne, ponieważ odgrywają tę samą rolę funkcjonalną w odpowiednich sekwencjach; tj. są one zawsze stanem średnim serii trzyczęściowej. Jeśli chodzi o prawdziwe myślenie maszynowe, pierwsza kategoria w powyższym przeglądzie jest jedyną ważną: silna sztuczna inteligencja, człowiek. Chociaż z pewnością technicznie atrakcyjne i opłacalne ekonomicznie, wszystko inne pozbawione jest jakiejkolwiek prawdziwej pokusy intelektualnej lub filozoficznej, przynajmniej jeśli chodzi o kwestię maszyn myślących. Może to niektórych zaskoczyć, biorąc pod uwagę ogromny szum, jaki ostatnio organizują media (i różni samoobsługowi przedstawiciele AI Guild). Chwalą cuda tak zwanych systemów eksperckich

opracowane w laboratoriach sztucznej inteligencji w Massachusetts, Londynie i Tokio, entuzjastycznie opisują roboty i programy czekające za rogiem, aby spełnić wszystkie nasze życzenia (lub odebrać nam pracę) i domagają się wyrzucania większej ilości pieniędzy przez okno. Nie wspominając już o spekulacjach kapitalistów/przedsiębiorców i ich sojuszników z komputerami, którzy szaleją wszędzie, próbując wykorzystać łatwowierność ludzi w sposobie myślenia maszyn. Ta opłakana sytuacja może prześledzić wstecz do kilku programów, które wykazują pewien postęp w ostatniej i intelektualnie niezbyt produktywnej kategorii: słaba sztuczna inteligencja, porzucenie, brak symulacji. Postęp w tej dziedzinie tyle mówi o myśleniu, co mechanizm lotu ptaków o rozwoju samolotu. Więc od teraz, kiedy mówimy o stanach poznawczych w maszynach, odnosimy się do typów reguł opisanych w naszej pierwszej kategorii: silna AI, człowiek. Oczywiście nikt jeszcze nie przedstawił niepodważalnego argumentu, że stany wewnętrzne odpowiednio zaprogramowanego komputera cyfrowego są funkcjonalnie tożsame z regułami świadomości, gdy pożądliwie przyglądają się luksusowemu samochodowi, badają pozornie niekończące się menu w chińskiej restauracji , sprawdzić stan konta, pobawić się fugą Bacha lub oddać się jednej z niezliczonych innych czynności, które w pewnym sensie nazywamy myśleniem. W krótkim okresie sztuczna inteligencja będzie nadal zdominowana przez punkt 2. Najnowszym przykładem jest zwycięstwo systemu eksperckiego nad jednym z najlepszych graczy w Go na świecie. (Weźmy pod uwagę niewiarygodnie wysoką liczbę 2,08 x 10 do potęgi 170 różnych pozycji na planszy Go 19×19. Dla porównania, szachy mają „tylko” 10 do potęgi 43 różnych pozycji. Liczba atomów we wszechświecie jest około 10 do potęgi 80!). Kolejne lata (3-10) będą mocno zdominowane przez punkty 3 i 4. Zajdzie to tak daleko, że nie zawsze możemy z całą pewnością stwierdzić, czy mamy do czynienia z prawdziwą świadomością, czy też jest to tylko genialna symulacja rozgrywająca się tuż przed z nas. Reszty dokona postępujący rozwój robotyki. Sztuczna inteligencja osadzona w quasi-ludzkim ciele niewątpliwie wpłynie na nas bardziej niż tekst wyświetlany na ekranie czy mowa ze smartfona.

https://aie24.pl/

Sztuczna inteligencja: Próba zdefiniowania i rozróżnienia

Rozwój sztucznej inteligencji można postrzegać jako ostatnią falę automatyzacji od czasu uprzemysłowienia. Podczas gdy pod koniec XIX i na początku XX wieku automatyzacja koncentrowała się głównie na zastąpieniu fizycznej pracy człowieka maszynami, sztuczna inteligencja jest próbą odtworzenia podobnych do ludzkich struktur percepcji i podejmowania decyzji (aby umożliwić maszynom wykonywanie określonych czynności ( poznawczych) równie dobrze, a nawet lepiej niż człowiek). Do dziś nie istnieje jednoznaczna definicja terminu sztuczna inteligencja. AI można zdefiniować w następujący sposób:

„Projektowanie i budowa inteligentnych agentów, którzy otrzymują percepty z otoczenia i podejmują działania, które wpływają na to środowisko”.(Russell i Norvig 1995)

Rozróżnia się silną i słabą sztuczną inteligencję. Słaba sztuczna inteligencja (AI) ma na celu rozwiązywanie konkretnych, jasno zdefiniowanych problemów aplikacyjnych. Odbywa się to w oparciu o metody matematyczne (algorytmy) specjalnie opracowane i zoptymalizowane pod kątem indywidualnych wymagań. Słaba sztuczna inteligencja ma za zadanie wspierać ludzi w określonej czynności. Są to systemy oparte na regułach, które są zaprojektowane przede wszystkim do wykonywania jasno określonych zadań bez zrozumienia rozwiązywania problemów. Ta forma sztucznej inteligencji jest już używana w wielu obszarach, takich jak charakter i  rozpoznawanie wizerunku, indywidualna kontrola reklam, systemy eksperckie oparte na wiedzy czy systemy nawigacyjne. W przeciwieństwie do tego silna sztuczna inteligencja (znana również jako superinteligencja lub silna AI lub AGI (Artificial General Intelligence)) charakteryzuje się tym, że posiada takie same zdolności intelektualne jak ludzie, a nawet je przewyższa. Silna sztuczna inteligencja nie działa już tylko reaktywnie, ale także inteligentnie i elastycznie z własnej inicjatywy. Oprócz innych zdolności poznawczych sztuczna inteligencja powinna mieć możliwość uogólniania i abstrahowania. Do tej pory nie udało się jeszcze opracować tak silnej sztucznej inteligencji. Nie jest też jasne, czy kiedykolwiek uda się osiągnąć ten cel. Najstarszą powszechnie stosowaną definicją sztucznej inteligencji jest tzw. test Turinga. Zgodnie z tym testem sztuczną inteligencję można przypisać maszynie, jeśli osoba prowadząca rozmowę nie jest w stanie określić, czy druga osoba jest człowiekiem, istotą lub maszyną. Systemy sztucznej inteligencji różnią się również pod względem złożoności i możliwości. Proste systemy AI bazują na stałych kodach, na podstawie których często potrafią bardzo szybko i w nieskończoność rozwiązywać zadania. Przykładem tego jest oprogramowanie szachowe Deep Blue firmy IBM. Deep Blue był pierwszym programem komputerowym, który mógł pokonać aktualnego mistrza świata w szachach. Ten prosty typ sztucznej inteligencji jest ograniczony do obszarów o jasno określonych zasadach i rozwiązaniach wizualnych. Kolejnym poziomem systemów AI jest tzw. uczenie maszynowe. Opiera się na fakcie, że AI uczy się na podstawie dostępnych danych i wykorzystuje je do podejmowania decyzji. System może optymalizować i dostosowywać swoje algorytmy na podstawie doświadczenia. Na przykład dzięki uczeniu maszynowemu program komputerowy Watson był w stanie pokonać ludzkich uczestników teleturnieju Jeopardy (więcej informacji). Wyzwanie z Jeopardy! polega na tym, że odpowiedzi na najczęściej niejednoznacznie sformułowane pytania należy znaleźć w ciągu pięciu sekund. Watson wykorzystał kilka rodzajów uczenia maszynowego, takich jak analiza składni oparta na regułach, bazy wiedzy i regresja logistyczna, aby zinterpretować język naturalny, ocenić źródła danych, wygenerować jak najwięcej odpowiedzi, a następnie użyć metod statystycznych, aby wybrać najbardziej prawdopodobną. Inne znaczące osiągnięcia w tej dziedzinie to AlphaGo i DeepStack. Najbardziej obiecującą dyscypliną uczenia maszynowego są sztuczne sieci neuronowe, zwane też głębokim uczeniem. Obejmuje to analizę i ocenę ogromnych ilości danych, wyciąganie logicznych wniosków i wybieranie rozwiązań. Systemy oparte na Deep Learning mogą uczyć się na podstawie doświadczenia i rozumieć skomplikowane konteksty na świecie. Na przykład badacze raka z Uniwersytetu Kalifornijskiego zbudowali innowacyjny mikroskop do automatycznego wykrywania komórek nowotworowych, który dostarcza wielowymiarowych danych, które można wykorzystać aby wyszkolić aplikację do głębokiego uczenia, aby precyzyjnie identyfikować komórki nowotworowe.

https://aie24.pl/

Istnieją dwa sposoby uczynienia Miasta Inteligentniejszym.

1. Zwiększenie zdrowego rozsądku mieszkańców miast (więcej bezpłatnych książek, edukacji, wydarzeń kulturalnych itp.)
2. Gromadzenie danych za pomocą czujników Internetu rzeczy (IoT) w celu efektywnego zarządzania zasobami i zasobami. Jedno i drugie powinno być energicznie ścigane.

Główną troską influencera powinno być po pierwsze inspirowanie społeczności, a po drugie przekazywanie złożonych faktów i technologii w prosty sposób, aby pokazać ich sensowne zastosowanie. Reszta jest znikoma.

Prawdopodobnie najbardziej obiecujący przypadek użycia AI:

Walka z naturalną głupotą za pomocą sztucznej inteligencji

Tylko wtedy, gdy masz odpowiednie ziarna, możesz zrobić dobrą kawę. To samo dotyczy uczenia maszynowego. Bez wystarczających lub właściwych danych Twój model zazwyczaj będzie dawał rozczarowujące wyniki. Reszta to mniej lub bardziej rzemiosło.

P: Jaka jest główna różnica między systemem głębokiego uczenia się a ludzkim mózgiem?

O: Większość ludzkich mózgów przestała się uczyć.

Coraz więcej wskazuje na to, że żyjemy w symulacji, a Wszechświat jest gigantycznym Holodekiem. Jeśli tak, to rozwój Superinteligencji jest tylko kwestią czasu.

Myślę, że Nobliści i Zespoły Przyszłości będą mieli ze sobą coś wspólnego. Będą mieli dogłębną wiedzę Data Science.

Powinniśmy uwolnić się od ciasnego gorsetu przyczynowości i poczuć się bardziej komfortowo z prawdopodobieństwem i niepewnością, ponieważ takie będą wymagania przyszłości.

https://aie24.pl/

Sztuczna inteligencja zawiera dwa pojęcia, których tak naprawdę nie można zmierzyć, a już na pewno nie zdefiniować.

Autonomiczna jazda

Osiągnięcie poziomu 53 w autonomicznej jeździe w dającej się przewidzieć przyszłości to czysta utopia, bez względu na to, co Tesla i spółka chcą ci powiedzieć. Oczekiwania i lekkomyślne pościgi mogą zaprowadzić AI w przepaść, jeśli nie w mroźną zimę. Sztuczna inteligencja jest nadal systemem eksperckim, a otwarty świat strefą zakazaną, o ile nie rozwiązaliśmy w wystarczającym stopniu problemu optymalizacji i kontroli AI

Celem technologii nigdy nie powinno być zastąpienie nas lub degradacja. Jej głównym celem powinno być otwieranie nowych drzwi wglądu, aby lepiej zrozumieć wszechświat i podnieść jakość życia na wyższy poziom. Wszystko inne jest tylko środkiem do celu.

Sztuczna inteligencja jest seksowna; Świat staje się coraz bardziej sprawny. Coraz więcej wyszkolonych modelek trafia do najróżniejszych dziedzin naszego życia.

Może powinniśmy traktować zdezorientowane grupy, stowarzyszenia i organizacje na Ziemi za pomocą algorytmu Gradient Boosting, ponieważ Gradient Boosting łączy słabych „uczniów” w jednego silnego ucznia w iteracyjny sposób.

Niektórzy martwią się, że pewnego dnia sztuczna inteligencja zdominuje nas i zniewoli. Debata wydaje się hipokryzją. Bezlitosna eksploatacja i zanieczyszczenie naszej planety, wojny, terroryzm, ucisk, praca dzieci, bieda… najlepszy z możliwych światów? Zapytaj GW Leibniza.

Boję się dnia, w którym ludzie będą tylko kolejnym węzłem obok wszystkich innych urządzeń w pełni połączonym świecie: bez własnej opinii, bez krytycznych pytań, a każda myśl i działanie przemyślane w najdrobniejszych szczegółach.

Test Turinga to tylko symulacja ludzkiego myślenia z określonymi ograniczeniami. Nie więcej nie mniej. Nie mówi nic o inteligencji.