Postawmy tezę, że sztuczna inteligencja jest frazesem, który nie powinien mieć miejsca. Przecież inteligencja oznacza między innymi zdolność do przewidywania, wyciągania wniosków czy zdolność pojmowania oraz wykorzystywania posiadanej wiedzy w nowych sytuacjach. Sztuczna inteligencja nie ma większości cech inteligencji ludzkiej.

Zwróćmy uwagę, że uczenie maszynowe ma miejsce w obecności bardzo dużej ilości danych. Dane treningowe muszą zostać wcześniej w odpowiedni sposób przygotowane, opisane i spisane. Dalej na podstawie tych danych dokonuje się fakt uczenia, ale uczenia z brakiem doświadczenia i intuicji. Powstałe modele matematyczne tak jak już wspomniałem posiadają ograniczoną elastyczność. Pierwszy model neuronu sieci neuronowej został opisany już w latach czterdziestych. Wzorując się na biologicznej komórce neuronowej, można stworzyć schemat działania neuronu sztucznej inteligencji.

Wzór neuronu:

Neuron składa się z wielu sygnałów wejściowych, które są sumowane w bloku sumującym i poddawane funkcji aktywacji. Sieć neuronowa składa się z neuronów połączonych w sposób określony przez architekturę. Najprostszą formą sieci jest pojedynczy neuron, który może poradzić sobie z klasyfikacją danych do dwóch liniowo separowanych klas. Jednak, do rozwiązywania bardziej złożonych problemów potrzebna jest większa sieć z wieloma warstwami neuronów. Każda warstwa ma ten sam wektor danych wejściowych, ale indywidualne wagi dla każdego neuronu. Warstwy w sieci neuronowej zwykle obejmują warstwę wejściową, warstwy wewnętrzne z jedną lub wieloma warstwami ukrytymi, oraz warstwę wyjściową, która odpowiada ilości klas rozpoznawanych w zadaniu. Neurony należące do jednej warstwy nie są ze sobą połączone.

Model sieci neuronowej:

Sposób uczenia jest jedno stronny, ale bywa rekurencyjny co oznacza, że sygnał wyjściowy jest jeszcze raz przepuszczany przez procesy uczące. Proces uczenia u człowieka jest inny. Człowiek posiada intuicję co oznacza nic innego jak przeczucie przyszłości, zdolność przewidywania czy instynkt.  Uczucia, które zdefiniowaliśmy narzucają się jako przekonanie, którego nie można czasami w pełni uzasadnić. Bywają one niepoprzedzone świadomym rozumowaniem, a nawet to rozumowanie zaprzeczają. Warto wspomnieć, że człowiek jest zdolny do zrozumienia kontekstu i analizowania różnych aspektów sytuacji. Może uwzględniać emocje, otoczenie i inne czynniki ciężkie do zdefiniowania w procesie nauki. Kolejną znaczną różnicą, jest interdyscyplinarność uczenia człowieka. Nie jest niczym niezwykłym spotkać na swojej drodze człowieka, który zna się na wielu dziedzinach. Łatwo jest spotkać fizyka, który zna się na sieciach neuronowych.  Kolejnym ważnym aspektem jest proces rozumienia kontekstu sytuacji – Homo sapiens jest zdolny do zrozumienia kontekstu i analizowania różnych aspektów sytuacji. Może uwzględniać emocje, otoczenie i inne czynniki w procesie nauki.

Porównajmy człowieka i sztuczną inteligencję w nauce siadania na krześle.

Nauka siadania na krześle to proces, który u człowieka wykracza poza prostą mechaniczną czynność. To także przykład zdolności człowieka do abstrakcyjnego myślenia, generalizacji i adaptacji do różnych sytuacji. Kiedy człowiek uczy się siadać na jednym krześle, nie tylko zdobywa umiejętność fizycznego ustabilizowania się na nim, ale również nabywa umiejętność przystosowania się do różnych kształtów, wielkości i konstrukcji krzeseł. Jest to możliwe dzięki zdolności do identyfikowania ogólnych wzorców i zasad, które można zastosować do różnych przypadków.

W przypadku sieci neuronowej, proces ten jest znacznie bardziej skomplikowany. Sieć musi przechodzić przez etap treningu, w którym prezentowane są jej ogromne ilości danych dotyczących siadania na różnych typach krzeseł. W tym procesie sieć musi analizować dane, identyfikować wzorce i tworzyć odpowiednie reprezentacje w swoich wagach neuronów. Dopiero wtedy jest w stanie w miarę skutecznie naśladować ludzką umiejętność siadania na różnych krzesłach.

Istotne jest również to, że sieci neuronowe są ograniczone do tego, do czego zostały wytrenowane. Kiedy zmienimy model krzesła Ai może mieć znaczne trudności w odpowiednim zrozumieniu, jak na nim usiąść. To stanowi wyraźną różnicę w porównaniu z ludzkim mózgiem, który ma zdolność do szybkiego przystosowania się do nowych sytuacji na podstawie ogólnych zasad i wzorców. Po przeprowadzeniu procesu uczenia, sieć neuronowa będzie próbować siadać na danym krześle zgodnie z nauczonym wzorcem. Może to obejmować różne podejścia, takie jak siadanie przodem, pod krzesłem lub obok niego.

Podsumowując, analiza procesu nauki siadania na krześle podkreśla imponującą różnicę między zdolnościami człowieka a możliwościami sieci neuronowych. Wyuczając maszynę jedynie do tego jednego czynu, uwydatniamy, że człowiek to istota wyjątkowo wszechstronna i wielodyscyplinarna. Nasze zdolności obejmują nie tylko umiejętności fizyczne, ale również intelektualne, społeczne i emocjonalne. Ludzki mózg posiada zdolność do abstrakcyjnego myślenia, generalizacji oraz szybkiego przystosowania się do różnych sytuacji – aspekty te stanowią kluczowe elementy naszej inteligencji. W przeciwieństwie do tego, sieć neuronowa, choć potężne narzędzie, jest ograniczona do specyficznych zastosowań do jakich została wytrenowana. W ten sposób uznajemy, że człowiek jest prawdziwym mistrzem wielu dziedzin, ukazując kompleksowość i niezwykłość naszej natury.

W ostatnich latach, sztuczne sieci neuronowe stały się niekwestionowanymi gwiazdami w dziedzinie uczenia maszynowego. Ich zdolność do uczenia się i rozwiązywania skomplikowanych problemów uczyniła je niezastąpionymi narzędziami w różnych dziedzinach, od przetwarzania obrazu po przetwarzanie języka naturalnego. Jednak to tylko wierzchołek góry lodowej. Jednym z najbardziej imponujących zastosowań sztucznych sieci neuronowych jest ich zdolność do klasyfikacji danych. W szczególności, w przypadku danych o wysokiej złożoności i wielowymiarowości, ludzka zdolność do precyzyjnej segregacji i rozpoznawania wzorców często osiąga swoje granice. To tutaj sztuczne sieci neuronowe wyróżniają się, wykazując niezwykłą skuteczność i precyzję, co pozwala na rozwiązanie nawet najbardziej skomplikowanych problemów.

Jednak, mimo ogromnych osiągnięć w dziedzinie sztucznych sieci neuronowych, warto pamiętać, że są one narzędziami wysoko wyspecjalizowanymi. Każda sieć jest zaprojektowana i wyuczona do konkretnego zadania, co oznacza, że nie są one tak elastyczne i uniwersalne jak ludzki mózg. Człowiek, jako istota wielodyscyplinarna, ma zdolność do przystosowywania się do różnorodnych sytuacji, szybkiego uczenia się nowych umiejętności i generalizacji wiedzy. To, co dla nas jest oczywiste i proste, dla sztucznych sieci neuronowych może być wyzwaniem.

W podsumowaniu powinniśmy powiedzieć, że sztuczna inteligencja ma znaczne różnice w odniesieniu do ludzkiej inteligencji. Ai nie jest narzędziem do wszystkiego – właśnie wręcz przeciwnie – jest narzędziem do bardzo wyselekcjonowanych i konkretnych zadań. Sztuczna inteligencja nie wyciąga wniosków, nie ma zdolności pojmowania oraz wykorzystywania posiadanej wiedzy w nowych sytuacjach. Sztuczna inteligencja nie ma większości cech inteligencji ludzkiej więc zmieńmy nazewnictwo na Uczenie Maszynowe!

 

Grafiki dodane są z mojej pracy magisterskiej.

Zapraszam do dyskusji Janek 😉