Was wir 2022 über KI und Deep Learning gelernt haben

Sehen Sie sich hier alle On-Demand-Sitzungen des Smart Security Summit an.

Jetzt ist ein guter Zeitpunkt, um die Auswirkungen der Fortschritte in der künstlichen Intelligenz (KI) zu diskutieren. 2022 hat einige aufregende Fortschritte im Bereich Deep Learning gebracht, insbesondere bei generativen Modellen. Mit zunehmenden Fähigkeiten von Deep-Learning-Modellen wächst jedoch auch die Verwirrung, die sie umgibt.

Auf der einen Seite zeigen fortschrittliche Modelle wie ChatGPT und DALL-E faszinierende Ergebnisse und fühlen sich an wie Denken und Argumentieren. Andererseits machen sie oft Fehler, die beweisen, dass ihnen einige der grundlegenden Elemente der menschlichen Intelligenz fehlen.

Die wissenschaftliche Gemeinschaft ist uneins darüber, was mit diesen Fortschritten geschehen soll. An einem Ende des Spektrums sind einige Wissenschaftler so weit gegangen zu sagen, dass ausgeklügelte Muster sensibel sind und der Persönlichkeit zugeschrieben werden sollten. Andere haben vorgeschlagen, dass aktuelle Deep-Learning-Ansätze zu künstlicher allgemeiner Intelligenz (AIG) führen werden. In der Zwischenzeit haben einige Wissenschaftler die Fehler aktueller Modelle untersucht und weisen darauf hin, dass selbst die fortschrittlichsten Deep-Learning-Systeme zwar nützlich sind, aber unter der gleichen Art von Fehlern leiden wie frühere Modelle.

In diesem Zusammenhang fand am Freitag die Online-AGI #3-Debatte statt, moderiert von Montreal AI-Präsident Vincent Boucher und AI-Forscher Gary Marcus. Die Konferenz, die Vorträge von Wissenschaftlern mit unterschiedlichem Hintergrund umfasste, diskutierte Lehren aus der Kognitions- und Neurowissenschaft, den Weg zum gesunden Menschenverstand in der KI und schlug Architekturen vor, die helfen können, die nächste KI-Stufe zu überbrücken.

Smart Security Summit auf Abruf

Erfahren Sie mehr über die wesentliche Rolle von KI und ML in der Cybersicherheit und branchenspezifische Fallstudien. Sehen Sie sich noch heute die On-Demand-Sitzungen an.

"Deep-Learning-Ansätze können in vielen Bereichen nützliche Werkzeuge liefern", sagte der Linguist und Kognitionswissenschaftler Noam Chomsky. Einige dieser Apps, wie die automatische Transkription und die automatische Textvervollständigung, sind zu Tools geworden, auf die wir uns täglich verlassen.

"Aber abgesehen von der Nützlichkeit, was lernen wir aus diesen Ansätzen über Kognition, Denken, insbesondere Sprache?" sagte Chomsky. „[Deep Learning]-Systeme unterscheiden nicht zwischen möglichen und unmöglichen Sprachen. Je mehr Systeme verbessert werden, desto tiefer wird das Versagen. Sie werden mit unmöglichen Sprachen und anderen Systemen noch besser abschneiden."

Dieser Fehler ist in Systemen wie ChatGPT offensichtlich, die Text erzeugen können, der grammatikalisch korrekt und konsistent, aber logisch und sachlich fehlerhaft ist. Die Moderatoren der Konferenz lieferten viele Beispiele für solche Fehler, wie große Sprachmodelle, die Sätze nicht nach Länge sortieren können, schwerwiegende Fehler bei einfachen logischen Problemen machen und falsche und widersprüchliche Aussagen machen. /p>

Laut Chomsky werden aktuelle Ansätze zur Weiterentwicklung von Deep-Learning-Systemen, die auf dem Hinzufügen von Trainingsdaten, der Erstellung größerer Modelle und der Verwendung von "intelligenter Programmierung" beruhen, nicht nur die Fehler dieser Systeme verschlimmern.

"Kurz gesagt, sie sagen uns nichts über Sprache und Denken, über Kognition im Allgemeinen oder darüber, was es bedeutet, ein Mensch zu sein, oder irgendeine andere Phantasie in der zeitgenössischen Diskussion", sagte Chomsky.

Marcus sagte, dass ein Jahrzehnt nach der Deep-Learning-Revolution von 2012 enorme Fortschritte erzielt wurden, „aber einige Herausforderungen bestehen bleiben“.

Er präsentierte vier Schlüsselasps...