ในปี 1956 ระหว่างการเดินทางไปลอนดอนเป็นเวลาหนึ่งปีและในวัย 20 ต้นๆ นักคณิตศาสตร์และนักชีววิทยาเชิงทฤษฎี Jack D. Cowan ไปเยี่ยมวิลเฟรด เทย์เลอร์และคนแปลกหน้าคนใหม่ของเขา “เครื่องเรียนรู้- เมื่อมาถึงเขาก็รู้สึกงุนงงกับ "ธนาคารเครื่องมืออันใหญ่โต" ที่เผชิญหน้ากับเขา โคแวนทำได้แค่ยืนดู "เครื่องจักรกำลังทำสิ่งนั้น" เท่านั้น สิ่งที่ดูเหมือนว่าจะทำคือการใช้ "แผนหน่วยความจำแบบเชื่อมโยง" ซึ่งดูเหมือนว่าจะสามารถเรียนรู้วิธีค้นหาการเชื่อมต่อและดึงข้อมูลได้
มันอาจดูเหมือนบล็อกวงจรขนาดใหญ่ที่บัดกรีเข้าด้วยกันด้วยมือในสายไฟและกล่องจำนวนมาก แต่สิ่งที่ Cowan ได้เห็นคือรูปแบบอะนาล็อกในยุคแรก ๆ ของโครงข่ายประสาทเทียม ซึ่งเป็นบรรพบุรุษของปัญญาประดิษฐ์ที่ล้ำหน้าที่สุดในปัจจุบัน รวมถึง พูดคุยกันมาก ChatGPT ด้วยความสามารถในการสร้างเนื้อหาที่เป็นลายลักษณ์อักษรเพื่อตอบสนองคำสั่งเกือบทุกชนิด เทคโนโลยีพื้นฐานของ ChatGPT คือโครงข่ายประสาทเทียม
ขณะที่โคแวนและเทย์เลอร์ยืนดูการทำงานของเครื่องจักร พวกเขาไม่รู้เลยจริงๆ ว่างานนี้จัดการอย่างไร คำตอบสำหรับสมองกลลึกลับของเทย์เลอร์สามารถพบได้ที่ไหนสักแห่งใน "เซลล์ประสาทแอนะล็อก" ของมัน ในการเชื่อมโยงที่สร้างขึ้นโดยหน่วยความจำของเครื่อง และที่สำคัญที่สุด คือความจริงที่ว่าการทำงานแบบอัตโนมัติของมันไม่สามารถอธิบายได้ครบถ้วนจริงๆ อาจต้องใช้เวลาหลายทศวรรษกว่าที่ระบบเหล่านี้จะพบจุดประสงค์และเพื่อปลดล็อคพลังนั้น
คำว่าโครงข่ายประสาทเทียมประกอบด้วยระบบต่างๆ มากมาย แต่ยังเป็นศูนย์กลาง ตามที่ IBM“โครงข่ายประสาทเทียมเหล่านี้ – หรือที่รู้จักกันในชื่อโครงข่ายประสาทเทียม (ANN) หรือโครงข่ายประสาทเทียม (SNN) – เป็นส่วนย่อยของการเรียนรู้ของเครื่องและเป็นหัวใจสำคัญของอัลกอริธึมการเรียนรู้เชิงลึก” สิ่งสำคัญที่สุดคือคำนี้รวมถึงรูปแบบและ "โครงสร้างได้รับแรงบันดาลใจจากสมองของมนุษย์ โดยเลียนแบบวิธีที่เซลล์ประสาทชีวภาพส่งสัญญาณถึงกัน"
อาจมีข้อสงสัยเกี่ยวกับคุณค่าของมันในระยะเริ่มแรก แต่เมื่อหลายปีผ่านไป แฟชั่นของ AI ได้เปลี่ยนไปสู่โครงข่ายประสาทเทียมอย่างมั่นคง ปัจจุบันพวกเขามักเข้าใจว่าเป็นอนาคตของ AI สิ่งเหล่านี้มีผลกระทบอย่างมากต่อเราและความหมายของการเป็นมนุษย์ เราเคยได้ยิน สะท้อนถึงข้อกังวลเหล่านี้เมื่อเร็ว ๆ นี้ พร้อมเรียกร้องให้หยุดการพัฒนา AI ใหม่เป็นเวลาหกเดือนเพื่อให้มั่นใจในผลที่ตามมา
มันจะเป็นความผิดพลาดอย่างแน่นอนที่จะละทิ้งโครงข่ายประสาทเทียมเนื่องจากเป็นเพียงอุปกรณ์ใหม่ที่สวยงามและสะดุดตาเท่านั้น สิ่งเหล่านี้ได้ก่อตั้งขึ้นมาอย่างดีแล้วในชีวิตของเรา บางส่วนมีประสิทธิภาพในทางปฏิบัติ ย้อนกลับไปในปี 1989 ทีมงานที่นำโดย Yann LeCun ที่ AT&T Bell Laboratories ใช้เทคนิคการแพร่กระจายกลับเพื่อฝึกอบรมระบบ จดจำรหัสไปรษณีย์ที่เขียนด้วยลายมือ. เมื่อเร็ว ๆ นี้ ประกาศโดยไมโครซอฟต์ การค้นหา Bing จะขับเคลื่อนโดย AI ทำให้เป็น "ผู้ประสานงานสำหรับเว็บ" ของคุณ แสดงให้เห็นว่าสิ่งที่เราค้นพบและวิธีที่เราเข้าใจสิ่งเหล่านี้จะเป็นผลิตภัณฑ์ของระบบอัตโนมัติประเภทนี้มากขึ้นเรื่อยๆ
การนำข้อมูลจำนวนมหาศาลมาค้นหารูปแบบสามารถฝึก AI ให้ทำสิ่งต่างๆ เช่น การจดจำภาพด้วยความเร็วได้เช่นเดียวกัน ส่งผลให้พวกมันถูกรวมเข้ากับ การจดจำใบหน้าเช่น ความสามารถในการระบุรูปแบบนี้ได้นำไปสู่การใช้งานอื่นๆ อีกมากมาย เช่น ทำนายตลาดหุ้น.
โครงข่ายประสาทเทียมกำลังเปลี่ยนแปลงวิธีที่เราตีความและสื่อสารเช่นกัน พัฒนาโดยมีชื่อที่น่าสนใจว่า ทีม Google Brain, Google Translate เป็นอีกหนึ่งแอปพลิเคชั่นที่โดดเด่นของโครงข่ายประสาทเทียม
คุณคงไม่อยากเล่นหมากรุกหรือโชกิด้วย ความเข้าใจในกฎและการเรียกคืนกลยุทธ์และการเคลื่อนไหวที่บันทึกไว้ทั้งหมดหมายความว่าพวกเขาเก่งในเกมเป็นพิเศษ (แม้ว่า ChatGPT ดูเหมือนจะ ต่อสู้กับ Wordle- ระบบที่สร้างปัญหาให้กับผู้เล่น Go ของมนุษย์ (Go เป็นเกมกระดานกลยุทธ์ที่มีเล่ห์เหลี่ยมฉาวโฉ่) และปรมาจารย์ด้านหมากรุก ทำจากโครงข่ายประสาทเทียม.
แต่การเข้าถึงของพวกเขาไปไกลกว่ากรณีเหล่านี้และยังคงขยายต่อไป การค้นหาสิทธิบัตรจำกัดเฉพาะการกล่าวถึงวลี "โครงข่ายประสาทเทียม" เท่านั้น ให้ผลลัพธ์ 135,828 รายการ ด้วยการขยายตัวอย่างรวดเร็วและต่อเนื่องนี้ โอกาสที่เราจะอธิบายอิทธิพลของ AI ได้อย่างเต็มที่อาจน้อยลงเรื่อยๆ นี่คือคำถามที่ฉันได้ตรวจสอบในการวิจัยของฉัน และหนังสือเล่มใหม่ของฉันเกี่ยวกับการคิดอัลกอริทึม.
ชั้นลึกลับของ 'ความไม่รู้'
เมื่อมองย้อนกลับไปที่ประวัติความเป็นมาของโครงข่ายประสาทเทียมบอกเราถึงบางสิ่งที่สำคัญเกี่ยวกับการตัดสินใจอัตโนมัติที่กำหนดปัจจุบันของเราหรือที่อาจมีผลกระทบอย่างลึกซึ้งมากขึ้นในอนาคต การปรากฏตัวของพวกเขายังบอกเราด้วยว่าเรามีแนวโน้มที่จะเข้าใจการตัดสินใจและผลกระทบของ AI น้อยลงเมื่อเวลาผ่านไป ระบบเหล่านี้ไม่ใช่แค่กล่องดำ แต่ไม่ได้เป็นเพียงส่วนเล็กๆ ของระบบที่ซ่อนอยู่ซึ่งไม่สามารถมองเห็นหรือเข้าใจได้
มันเป็นสิ่งที่แตกต่าง มีรากฐานมาจากจุดมุ่งหมายและการออกแบบระบบเหล่านี้เอง มีการแสวงหาสิ่งที่อธิบายไม่ได้มายาวนาน ยิ่งทึบแสง ระบบก็ยิ่งมีความสมจริงและล้ำหน้ามากขึ้นเท่านั้น มันไม่ได้เป็นเพียงเกี่ยวกับระบบที่ซับซ้อนมากขึ้นหรือการควบคุมทรัพย์สินทางปัญญาที่จำกัดการเข้าถึง (แม้ว่าจะเป็นส่วนหนึ่งของมันก็ตาม) แทนที่จะพูดว่าหลักพื้นฐานที่ขับเคลื่อนพวกเขามีความสนใจเป็นพิเศษและฝังอยู่ใน "ความไม่รู้" ความลึกลับนั้นถูกเข้ารหัสไว้ในรูปแบบและวาทกรรมของโครงข่ายประสาทเทียมด้วยซ้ำ พวกมันมาพร้อมกับเลเยอร์ที่ซ้อนกันลึก - ดังนั้นวลีการเรียนรู้อย่างลึกซึ้ง - และภายในส่วนลึกเหล่านั้นยังมี "เลเยอร์ที่ซ่อนอยู่" ที่ฟังดูลึกลับยิ่งกว่านั้นอีก ความลึกลับของระบบเหล่านี้อยู่ลึกลงไปใต้พื้นผิว
มีโอกาสที่ดีที่ยิ่งผลกระทบที่ปัญญาประดิษฐ์มีต่อชีวิตของเรามากเท่าไร เราก็จะไม่เข้าใจว่าทำไมหรือทำไมเท่านั้น ปัจจุบันมีแรงผลักดันอย่างมากสำหรับ AI ที่สามารถอธิบายได้ เราต้องการทราบว่ามันทำงานอย่างไร และมาถึงการตัดสินใจและผลลัพธ์อย่างไร สหภาพยุโรปมีความกังวลอย่างมากถึง "ความเสี่ยงที่ยอมรับไม่ได้" และแม้แต่แอปพลิเคชันที่ "อันตราย" ที่กำลังก้าวหน้าอยู่ในปัจจุบัน พระราชบัญญัติ AI ใหม่ มีวัตถุประสงค์เพื่อกำหนด "มาตรฐานสากล" สำหรับ "การพัฒนาปัญญาประดิษฐ์ที่ปลอดภัย เชื่อถือได้ และมีจริยธรรม"
กฎหมายใหม่เหล่านั้นจะขึ้นอยู่กับความจำเป็นในการอธิบาย เรียกร้องสิ่งนั้น “สำหรับระบบ AI ที่มีความเสี่ยงสูง ข้อกำหนดของข้อมูลคุณภาพสูง เอกสารและการตรวจสอบย้อนกลับ ความโปร่งใส การควบคุมดูแลโดยมนุษย์ ความแม่นยำและความคงทน ถือเป็นสิ่งสำคัญอย่างยิ่งในการลดความเสี่ยงต่อสิทธิขั้นพื้นฐานและความปลอดภัยที่เกิดจาก AI” นี่ไม่ใช่แค่เรื่องต่างๆ เช่น รถยนต์ที่ขับเคลื่อนด้วยตนเอง (แม้ว่าระบบที่รับประกันความปลอดภัยจะจัดอยู่ในหมวดหมู่ AI ที่มีความเสี่ยงสูงของสหภาพยุโรป) แต่ก็เป็นกังวลว่าระบบจะเกิดขึ้นในอนาคตซึ่งจะมีผลกระทบต่อสิทธิมนุษยชน
นี่เป็นส่วนหนึ่งของการเรียกร้องในวงกว้างเพื่อความโปร่งใสใน AI เพื่อให้สามารถตรวจสอบ ตรวจสอบ และประเมินผลได้ อีกตัวอย่างหนึ่งก็คือของราชสมาคม การบรรยายสรุปนโยบายเกี่ยวกับ AI ที่อธิบายได้ โดยชี้ให้เห็นว่า "การถกเถียงเรื่องนโยบายทั่วโลกเห็นเรียกร้องให้มีการอธิบายรูปแบบ AI มากขึ้น ซึ่งเป็นส่วนหนึ่งของความพยายามในการฝังหลักการทางจริยธรรมในการออกแบบและการใช้งานระบบที่เปิดใช้งาน AI"
แต่เรื่องราวของโครงข่ายประสาทเทียมบอกเราว่าเรามีแนวโน้มที่จะห่างไกลจากวัตถุประสงค์นั้นในอนาคต มากกว่าที่จะเข้าใกล้เป้าหมายนั้นมากขึ้น
แรงบันดาลใจจากสมองของมนุษย์
โครงข่ายประสาทเทียมเหล่านี้อาจเป็นระบบที่ซับซ้อน แต่ก็มีหลักการสำคัญบางประการ โดยได้รับแรงบันดาลใจจากสมองของมนุษย์ พวกเขาพยายามคัดลอกหรือจำลองรูปแบบทางชีววิทยาและความคิดของมนุษย์ ในแง่ของโครงสร้างและการออกแบบมีดังนี้ ไอบีเอ็มยังอธิบายด้วยประกอบด้วย "เลเยอร์โหนดซึ่งประกอบด้วยเลเยอร์อินพุต เลเยอร์ที่ซ่อนอยู่อย่างน้อยหนึ่งเลเยอร์ และเลเยอร์เอาท์พุต" ภายในนี้ “แต่ละโหนดหรือเซลล์ประสาทเทียมเชื่อมต่อถึงกัน” เนื่องจากพวกเขาต้องการข้อมูลเข้าและข้อมูลเพื่อสร้างผลลัพธ์ พวกเขา "อาศัยข้อมูลการฝึกอบรมเพื่อเรียนรู้และปรับปรุงความแม่นยำเมื่อเวลาผ่านไป" รายละเอียดทางเทคนิคเหล่านี้มีความสำคัญ แต่ความปรารถนาที่จะสร้างแบบจำลองระบบเหล่านี้เกี่ยวกับความซับซ้อนของสมองมนุษย์ก็เช่นกัน
การเข้าใจถึงความทะเยอทะยานที่อยู่เบื้องหลังระบบเหล่านี้มีความสำคัญอย่างยิ่งในการทำความเข้าใจว่ารายละเอียดทางเทคนิคเหล่านี้มีความหมายอย่างไรในทางปฏิบัติ ใน สัมภาษณ์ 1993นักวิทยาศาสตร์โครงข่ายประสาทเทียม Teuvo Kohonen สรุปว่าระบบ "การจัดระเบียบตัวเอง" "คือความฝันของฉัน" ซึ่งปฏิบัติการ "บางอย่างเหมือนกับที่ระบบประสาทของเรากำลังทำโดยสัญชาตญาณ" ตามตัวอย่าง โคโฮเนนวาดภาพว่าระบบ “การจัดการตัวเอง” ซึ่งเป็นระบบที่ตรวจสอบและจัดการตัวเอง “สามารถใช้เป็นแผงตรวจสอบสำหรับเครื่องจักรใดๆ … ในเครื่องบิน เครื่องบินเจ็ททุกลำ หรือทุกสถานีพลังงานนิวเคลียร์ หรือทุกๆ รถ". เขาคิดว่าสิ่งนี้จะหมายความว่าในอนาคต "คุณจะเห็นได้ทันทีว่าระบบอยู่ในสภาวะใด"
วัตถุประสงค์โดยรวมคือการมีระบบที่สามารถปรับตัวให้เข้ากับสภาพแวดล้อมได้ มันจะทำงานได้ทันทีและเป็นอิสระ โดยทำงานในรูปแบบของระบบประสาท นั่นคือความฝันที่จะมีระบบที่สามารถจัดการตัวเองได้โดยไม่ต้องมีการแทรกแซงของมนุษย์มากนัก ความซับซ้อนและความไม่รู้ของสมอง ระบบประสาท และโลกแห่งความจริงจะมาแจ้งการพัฒนาและการออกแบบโครงข่ายประสาทเทียมในไม่ช้า
'มีอะไรคาวเกี่ยวกับเรื่องนี้'
แต่เมื่อย้อนกลับไปในปี 1956 และเครื่องจักรการเรียนรู้ที่แปลกประหลาดนั้น Taylor ได้ใช้แนวทางปฏิบัติจริงเมื่อสร้างมันขึ้นมา ซึ่งดึงดูดความสนใจของ Cowan ได้ทันที เห็นได้ชัดว่าเขาเหงื่อออกมากกับการประกอบชิ้นส่วนต่างๆ เทย์เลอร์, โคแวนสังเกตเห็น ในระหว่างการสัมภาษณ์ในส่วนของตัวเขาเองในเรื่องของระบบเหล่านี้ "ไม่ได้ทำมันตามทฤษฎี และเขาไม่ได้ทำมันบนคอมพิวเตอร์" ในทางกลับกัน เมื่อมีเครื่องมืออยู่ในมือ เขา "สร้างฮาร์ดแวร์ขึ้นมาจริงๆ" มันเป็นสิ่งที่เป็นวัตถุ เป็นการผสมผสานระหว่างส่วนต่างๆ หรือแม้แต่อุปกรณ์บางอย่าง และ "ทั้งหมดเสร็จสิ้นด้วยวงจรอนาล็อก" โดยที่ Taylor, Cowan ตั้งข้อสังเกต "ใช้เวลาหลายปีในการสร้างและเล่นกับมัน" กรณีของการลองผิดลองถูก
เป็นที่เข้าใจได้ว่า Cowan ต้องการทำความเข้าใจกับสิ่งที่เขาเห็น เขาพยายามให้เทย์เลอร์อธิบายเครื่องจักรการเรียนรู้นี้ให้เขาฟัง คำชี้แจงไม่ได้มา โคแวนไม่สามารถให้เทย์เลอร์บรรยายให้เขาฟังว่าสิ่งนี้ทำงานอย่างไร เซลล์ประสาทแบบอะนาล็อกยังคงเป็นปริศนา โคแวนคิดว่าปัญหาที่น่าประหลาดใจกว่านั้นก็คือเทย์เลอร์ “ไม่เข้าใจตัวเองจริงๆ ว่ากำลังเกิดอะไรขึ้น” นี่ไม่ใช่แค่การพังทลายชั่วขณะในการสื่อสารระหว่างนักวิทยาศาสตร์สองคนที่มีความเชี่ยวชาญต่างกันเท่านั้น แต่ยังเป็นมากกว่านั้นอีกด้วย
ใน สัมภาษณ์ในช่วงกลางทศวรรษ 1990เมื่อนึกถึงเครื่องจักรของ Taylor Cowan เปิดเผยว่า "จนถึงทุกวันนี้ในเอกสารที่ตีพิมพ์ คุณยังไม่ค่อยเข้าใจวิธีการทำงานของมัน" ข้อสรุปนี้เป็นการชี้นำว่าสิ่งที่ไม่รู้นั้นฝังลึกอยู่ในโครงข่ายประสาทเทียมอย่างไร ระบบประสาทเหล่านี้ไม่สามารถอธิบายได้แม้กระทั่งจากขั้นตอนพื้นฐานและการพัฒนาย้อนหลังไปเกือบเจ็ดทศวรรษ
ความลึกลับนี้ยังคงมีอยู่จนถึงทุกวันนี้และจะพบได้ในรูปแบบที่ก้าวหน้าของ AI การทำงานที่ไม่อาจหยั่งรู้ได้ของการเชื่อมโยงที่ทำโดยเครื่องจักรของเทย์เลอร์ทำให้โคแวนสงสัยว่ามี "สิ่งที่คาวเกี่ยวกับมัน" หรือไม่
รากที่ยาวและพันกัน
โคแวนย้อนถึงการมาเยือนสั้นๆ ของเขากับเทย์เลอร์เมื่อถูกถามเกี่ยวกับการต้อนรับงานของเขาเองในอีกหลายปีต่อมา ในช่วงทศวรรษ 1960 ผู้คน Cowan สะท้อนว่า "ช้านิดหน่อยที่จะเห็นจุดของโครงข่ายประสาทเทียมแบบอะนาล็อก" แม้ว่าโคแวนจะเล่าว่างานของเทย์เลอร์ในคริสต์ทศวรรษ 1950 เกี่ยวกับ "หน่วยความจำเชื่อมโยง" ซึ่งมีพื้นฐานมาจาก "เซลล์ประสาทแอนะล็อก" ผู้เชี่ยวชาญด้านระบบประสาทที่ได้รับรางวัลโนเบล ลีออน เอ็น. คูเปอร์ กล่าวสรุป การพัฒนาเกี่ยวกับการประยุกต์ใช้แบบจำลองสมองในทศวรรษ 1960 ได้รับการยกย่องว่าเป็น "ความลึกลับอันล้ำลึก" เนื่องจากความไม่แน่นอนนี้ จึงยังคงมีความกังขาเกี่ยวกับสิ่งที่โครงข่ายประสาทเทียมอาจบรรลุผลสำเร็จ แต่สิ่งต่างๆ ก็เริ่มเปลี่ยนแปลงอย่างช้าๆ
เมื่อประมาณ 30 ปีที่แล้ว นักประสาทวิทยา วอลเตอร์ เจ. ฟรีแมน ผู้ซึ่งรู้สึกประหลาดใจกับ “โดดเด่น” แอปพลิเคชันต่างๆ ที่พบสำหรับโครงข่ายประสาทเทียมได้แสดงความคิดเห็นเกี่ยวกับข้อเท็จจริงที่ว่าเขาไม่ได้มองว่าแอปพลิเคชันเหล่านั้นเป็น “เครื่องจักรชนิดใหม่โดยพื้นฐาน” มันเป็นการเผาไหม้ที่ช้าโดยเทคโนโลยีมาก่อนแล้วจึงพบการใช้งานในภายหลัง ต้องใช้เวลา แท้จริงแล้ว เพื่อค้นหารากฐานของเทคโนโลยีโครงข่ายประสาทเทียม เราอาจย้อนกลับไปได้ไกลกว่าการที่โคแวนไปเยี่ยมชมเครื่องจักรลึกลับของเทย์เลอร์
เจมส์ แอนเดอร์สัน นักวิทยาศาสตร์โครงข่ายประสาทเทียม และนักข่าววิทยาศาสตร์ เอ็ดเวิร์ด โรเซนเฟลด์ ได้ระบุไว้ พื้นหลังของโครงข่ายประสาทเทียมย้อนกลับไปในทศวรรษที่ 1940 และความพยายามในช่วงแรก ๆ ดังที่พวกเขาอธิบายไว้ว่า “เข้าใจระบบประสาทของมนุษย์และสร้างระบบเทียมที่ทำหน้าที่เหมือนที่เราทำ อย่างน้อยก็เพียงเล็กน้อย” ดังนั้น ในช่วงทศวรรษปี 1940 ความลึกลับของระบบประสาทของมนุษย์ ก็กลายเป็นความลึกลับของการคิดเชิงคำนวณและปัญญาประดิษฐ์ด้วย
สรุปเรื่องยาวนี้ นักเขียนวิทยาการคอมพิวเตอร์ Larry Hardesty ได้ชี้ให้เห็น การเรียนรู้เชิงลึกในรูปแบบของโครงข่ายประสาทเทียม “มีเข้าและออกจากแฟชั่นมานานกว่า 70 ปี” โดยเฉพาะอย่างยิ่งเขากล่าวเสริมว่า "โครงข่ายประสาทเทียมเหล่านี้ถูกเสนอครั้งแรกในปี พ.ศ. 1944 โดย Warren McCulloch และ Walter Pitts นักวิจัยจากมหาวิทยาลัยชิคาโกสองคนซึ่งย้ายไปที่ MIT ในปี พ.ศ. 1952 ในฐานะสมาชิกผู้ก่อตั้งแผนกวิทยาศาสตร์การรู้คิดแผนกแรก"
ที่อื่น ๆ 1943 บางครั้งเป็นวันที่กำหนดให้เป็นปีแรกของเทคโนโลยี ไม่ว่าจะด้วยวิธีใด บัญชีประมาณ 70 ปีแนะนำว่าโครงข่ายประสาทเทียมได้ย้ายเข้าและออกจากสมัยนิยม ซึ่งมักถูกละเลย แต่บางครั้งก็เข้ายึดครองและย้ายไปสู่แอปพลิเคชันและการอภิปรายกระแสหลักมากขึ้น ความไม่แน่นอนยังคงมีอยู่ นักพัฒนาในยุคแรกๆ เหล่านี้มักกล่าวถึงความสำคัญของการวิจัยของตนว่าถูกมองข้าม จนกระทั่งพบจุดประสงค์ของมันบ่อยครั้งหลายปีหรือบางครั้งหลายทศวรรษต่อมา
นับตั้งแต่ทศวรรษ 1960 ไปจนถึงปลายทศวรรษ 1970 เราพบเรื่องราวเพิ่มเติมเกี่ยวกับคุณสมบัติที่ไม่รู้จักของระบบเหล่านี้ แม้ว่าหลังจากสามทศวรรษที่ผ่านมา โครงข่ายประสาทเทียมก็ยังต้องค้นพบจุดมุ่งหมาย David Rumelhart ซึ่งมีพื้นฐานด้านจิตวิทยาและเป็นผู้ร่วมเขียนหนังสือชุดหนึ่งที่ตีพิมพ์ในปี 1986 ซึ่งต่อมาได้ดึงความสนใจกลับมาที่โครงข่ายประสาทเทียมอีกครั้ง พบว่าตัวเองกำลังร่วมมือกันในการพัฒนาโครงข่ายประสาทเทียม กับเพื่อนร่วมงานของเขา Jay McClelland.
นอกจากจะเป็นเพื่อนร่วมงานแล้ว พวกเขายังได้พบกันเมื่อเร็วๆ นี้ในการประชุมที่รัฐมินนิโซตา ซึ่งการพูดคุยของ Rumelhart เกี่ยวกับ "ความเข้าใจเรื่องราว" กระตุ้นให้เกิดการพูดคุยกันในหมู่ผู้ร่วมประชุม
หลังจากการประชุมครั้งนั้น McClelland กลับมาพร้อมกับความคิดเกี่ยวกับวิธีพัฒนาโครงข่ายประสาทเทียมที่อาจรวมโมเดลเข้าด้วยกันเพื่อให้มีการโต้ตอบมากขึ้น สิ่งสำคัญที่นี่คือ ความทรงจำของรูเมลฮาร์ต ของ “ชั่วโมง ชั่วโมง และชั่วโมงแห่งการซ่อมแซมคอมพิวเตอร์”
เรานั่งลงและทำทั้งหมดนี้ด้วยคอมพิวเตอร์ และสร้างแบบจำลองคอมพิวเตอร์เหล่านี้ และเราแค่ไม่เข้าใจพวกมัน เราไม่เข้าใจว่าทำไมพวกเขาถึงทำงาน ทำไมพวกเขาไม่ทำงาน หรืออะไรที่สำคัญเกี่ยวกับพวกเขา
เช่นเดียวกับ Taylor Rumelhart พบว่าตัวเองกำลังแก้ไขระบบนี้ พวกเขาสร้างโครงข่ายประสาทเทียมที่ใช้งานได้เช่นกัน และที่สำคัญ พวกเขายังไม่แน่ใจว่ามันทำงานอย่างไรหรือทำไม ดูเหมือนกำลังเรียนรู้จากข้อมูลและค้นหาการเชื่อมโยงกัน
เลียนแบบสมองทีละชั้น
คุณอาจสังเกตเห็นแล้วว่าเมื่อพูดถึงต้นกำเนิดของโครงข่ายประสาทเทียม รูปภาพของสมองและความซับซ้อนที่เกิดขึ้นนั้นอยู่ไม่ไกล สมองของมนุษย์ทำหน้าที่เป็นแม่แบบสำหรับระบบเหล่านี้ โดยเฉพาะอย่างยิ่งในช่วงแรกๆ สมองซึ่งยังคงเป็นหนึ่งในสิ่งที่ยังไม่ทราบแน่ชัด ได้กลายเป็นแบบจำลองสำหรับการทำงานของโครงข่ายประสาทเทียม
ดังนั้นระบบทดลองใหม่เหล่านี้จึงถูกจำลองขึ้นจากสิ่งที่การทำงานของตัวมันเองยังไม่ทราบแน่ชัด คาร์เวอร์ มี้ด วิศวกรด้านประสาทคอมพิวเตอร์ ได้พูดออกมาอย่างเปิดเผย ของแนวคิดเรื่อง "ภูเขาน้ำแข็งแห่งความรู้ความเข้าใจ" ที่เขาพบว่าน่าสนใจเป็นพิเศษ มันเป็นเพียงส่วนปลายของภูเขาน้ำแข็งแห่งจิตสำนึกที่เราตระหนักรู้และมองเห็นได้ ขนาดและรูปแบบของส่วนที่เหลือยังไม่ทราบใต้พื้นผิว
ใน 1998, เจมส์แอนเดอร์สันซึ่งเคยทำงานเกี่ยวกับโครงข่ายประสาทเทียมมาระยะหนึ่งแล้ว ตั้งข้อสังเกตว่าเมื่อพูดถึงการวิจัยเกี่ยวกับสมอง “การค้นพบครั้งสำคัญของเราดูเหมือนจะเป็นการรับรู้ว่าเราไม่รู้จริงๆ ว่าเกิดอะไรขึ้น”
ในบัญชีโดยละเอียดใน Financial Times ในปี 2018Richard Waters นักข่าวด้านเทคโนโลยีตั้งข้อสังเกตว่าโครงข่ายประสาทเทียม "ถูกสร้างขึ้นตามทฤษฎีเกี่ยวกับวิธีการทำงานของสมองมนุษย์ โดยส่งข้อมูลผ่านชั้นของเซลล์ประสาทเทียมจนกระทั่งรูปแบบที่สามารถระบุตัวตนได้ปรากฏขึ้น" สิ่งนี้ทำให้เกิดปัญหาน็อคออน Waters เสนอว่า “ต่างจากวงจรลอจิกที่ใช้ในโปรแกรมซอฟต์แวร์แบบดั้งเดิม ไม่มีวิธีติดตามกระบวนการนี้เพื่อระบุได้อย่างแน่ชัดว่าเหตุใดคอมพิวเตอร์จึงได้รับคำตอบเฉพาะ” ข้อสรุปของ Waters คือผลลัพธ์เหล่านี้ไม่สามารถคลี่คลายได้ การประยุกต์ใช้สมองประเภทนี้โดยนำข้อมูลหลายชั้นมาประยุกต์ใช้ ส่งผลให้ไม่สามารถย้อนคำตอบกลับไปได้ทันที การมีหลายชั้นเป็นส่วนที่ดีของเหตุผลนี้
ยากที่สุด ยังสังเกตเห็นว่าระบบเหล่านี้ "จำลองแบบหลวม ๆ บนสมองของมนุษย์" สิ่งนี้นำมาซึ่งความกระตือรือร้นที่จะสร้างความซับซ้อนในการประมวลผลมากขึ้นเพื่อพยายามจับคู่กับสมอง ผลลัพธ์ของจุดมุ่งหมายนี้คือโครงข่ายประสาทเทียมที่ "ประกอบด้วยโหนดประมวลผลอย่างง่ายนับพันหรือหลายล้านโหนดที่เชื่อมต่อกันอย่างหนาแน่น" ข้อมูลเคลื่อนที่ผ่านโหนดเหล่านี้ในทิศทางเดียวเท่านั้น Hardesty สังเกตว่า "โหนดแต่ละโหนดอาจเชื่อมต่อกับหลายโหนดในชั้นที่อยู่ด้านล่าง ซึ่งเป็นจุดที่รับข้อมูล และหลายโหนดในเลเยอร์ด้านบนซึ่งเป็นจุดที่ส่งข้อมูลไป"
แบบจำลองของสมองมนุษย์เป็นส่วนหนึ่งของวิธีคิดและออกแบบโครงข่ายประสาทเทียมเหล่านี้ตั้งแต่เริ่มแรก สิ่งนี้น่าสนใจอย่างยิ่งเมื่อเราพิจารณาว่าสมองยังคงเป็นปริศนาในยุคนั้น (และยังคงเป็นอยู่ในหลาย ๆ ด้าน)
'การปรับตัวคือเกมทั้งหมด'
นักวิทยาศาสตร์อย่างมี้ดและโคโฮเนนต้องการสร้างระบบที่สามารถปรับให้เข้ากับโลกที่ระบบค้นพบได้อย่างแท้จริง มันจะตอบสนองต่อเงื่อนไขของมัน มี้ดชัดเจนว่าคุณค่าของโครงข่ายประสาทเทียมคือสามารถอำนวยความสะดวกในการปรับตัวประเภทนี้ได้ ในขณะนั้นและเมื่อนึกถึงความทะเยอทะยานนี้ มี้ดเพิ่ม การผลิตการปรับตัว “คือเกมทั้งหมด” เขาคิดว่าจำเป็นต้องมีการปรับตัวนี้ "เพราะธรรมชาติของโลกแห่งความเป็นจริง" ซึ่งเขาสรุปว่า "แปรผันเกินกว่าจะทำอะไรที่แน่นอนได้"
ปัญหานี้จำเป็นต้องได้รับการพิจารณาโดยเฉพาะอย่างยิ่งเมื่อเขาคิดว่านี่คือสิ่งที่ “ระบบประสาทคิดออกเมื่อนานมาแล้ว” นักนวัตกรรมเหล่านี้ไม่เพียงแต่ทำงานกับภาพลักษณ์ของสมองและสิ่งไม่รู้เท่านั้น แต่ยังรวมเอาสิ่งนี้เข้ากับวิสัยทัศน์ของ "โลกแห่งความเป็นจริง" และความไม่แน่นอน สิ่งไม่รู้ และความแปรปรวนที่เกิดขึ้น มี้ดคิดว่าระบบต่างๆ จำเป็นต้องสามารถตอบสนองและปรับให้เข้ากับสถานการณ์ได้ ไม่มี คำแนะนำ.
ในช่วงเวลาเดียวกันในทศวรรษ 1990 Stephen Grossberg ผู้เชี่ยวชาญด้านระบบความรู้ความเข้าใจที่ทำงานในด้านคณิตศาสตร์ จิตวิทยา และวิศวกรรมชีวการแพทย์ ยังแย้งว่า การปรับตัวจะเป็นก้าวสำคัญในระยะยาว ขณะที่เขาทำงานเกี่ยวกับการสร้างแบบจำลองโครงข่ายประสาทเทียม กรอสเบิร์กคิดกับตัวเองว่า "เกี่ยวกับวิธีการวัดและควบคุมระบบทางชีวภาพได้รับการออกแบบให้ปรับตัวได้อย่างรวดเร็วและเสถียรแบบเรียลไทม์กับโลกที่ผันผวนอย่างรวดเร็ว" ดังที่เราเห็นก่อนหน้านี้กับ "ความฝัน" ของ Kohonen เกี่ยวกับระบบ "การจัดระเบียบด้วยตนเอง" แนวคิดเกี่ยวกับ "โลกแห่งความเป็นจริง" กลายเป็นบริบทที่การตอบสนองและการปรับตัวถูกเขียนลงในระบบเหล่านี้ การทำความเข้าใจและจินตนาการในโลกแห่งความเป็นจริงนั้นส่งผลต่อวิธีที่ระบบเหล่านี้ได้รับการออกแบบเพื่อปรับตัวอย่างไม่ต้องสงสัย
ชั้นที่ซ่อนอยู่
เมื่อเลเยอร์ต่างๆ เพิ่มมากขึ้น การเรียนรู้เชิงลึกก็เพิ่มความลึกใหม่ลงไป โครงข่ายประสาทเทียมได้รับการฝึกฝนโดยใช้ข้อมูลการฝึกอบรมที่ ฮาร์เดสตีอธิบาย, “ถูกป้อนไปที่ชั้นล่างสุด – ชั้นอินพุต – และมันจะผ่านชั้นถัดมา คูณและบวกเข้าด้วยกันด้วยวิธีที่ซับซ้อน จนกระทั่งในที่สุดก็มาถึงและเปลี่ยนรูปแบบอย่างรุนแรงที่เลเยอร์เอาท์พุต” ยิ่งมีเลเยอร์มาก การเปลี่ยนแปลงก็จะยิ่งมากขึ้น และระยะห่างจากอินพุตไปยังเอาต์พุตก็จะยิ่งมากขึ้น ตัวอย่างเช่น การพัฒนาหน่วยประมวลผลกราฟิก (GPU) ในเกม Hardesty กล่าวเสริมว่า “ทำให้เครือข่ายหนึ่งเลเยอร์ในทศวรรษ 1960 และเครือข่ายสองถึงสามเลเยอร์ในทศวรรษ 1980 เติบโตเป็นสิบ 15 หรือแม้แต่ 50 - เครือข่ายเลเยอร์ของวันนี้”
โครงข่ายประสาทเทียมมีความลึกมากขึ้น แท้จริงแล้วการเพิ่มเลเยอร์นี้ตามที่ Hardesty กล่าว นั่นคือ "สิ่งที่ 'ลึก' ใน 'การเรียนรู้เชิงลึก' หมายถึง” เขาเสนอประเด็นนี้เพราะ “ในปัจจุบัน การเรียนรู้เชิงลึกมีหน้าที่รับผิดชอบต่อระบบที่มีประสิทธิภาพดีที่สุดในการวิจัยปัญญาประดิษฐ์เกือบทุกด้าน”
แต่ความลึกลับยังคงลึกซึ้งยิ่งขึ้น เมื่อชั้นของโครงข่ายประสาทเทียมซ้อนกันมากขึ้น ความซับซ้อนก็เพิ่มมากขึ้น นอกจากนี้ยังนำไปสู่การเติบโตของสิ่งที่เรียกว่า "ชั้นที่ซ่อนอยู่" ภายในส่วนลึกเหล่านี้ การอภิปรายเกี่ยวกับจำนวนเลเยอร์ที่ซ่อนอยู่ที่เหมาะสมที่สุดในโครงข่ายประสาทเทียมกำลังดำเนินอยู่ นักทฤษฎีสื่อ เบียทริซ ฟาซี เขียนไว้ “เนื่องจากวิธีการทำงานของโครงข่ายประสาทเทียมระดับลึก โดยอาศัยชั้นประสาทที่ซ่อนอยู่ซึ่งประกบอยู่ระหว่างชั้นแรกของเซลล์ประสาท (ชั้นอินพุต) และชั้นสุดท้าย (ชั้นเอาท์พุต) เทคนิคการเรียนรู้เชิงลึกจึงมักจะคลุมเครือหรืออ่านไม่ออกแม้กระทั่งใน โปรแกรมเมอร์ที่ตั้งค่าไว้ตั้งแต่แรก”
เมื่อเลเยอร์เพิ่มขึ้น (รวมถึงเลเยอร์ที่ซ่อนอยู่เหล่านั้นด้วย) เลเยอร์เหล่านั้นก็จะอธิบายได้น้อยลง - แม้ว่าจะเป็นอีกครั้งที่ผู้สร้างเลเยอร์เหล่านั้นก็ตาม แคเธอรีน เฮย์ลส์ นักคิดสื่อหน้าใหม่ที่โดดเด่นและสหวิทยาการกล่าวในประเด็นที่คล้ายกัน ยังตั้งข้อสังเกต มีข้อจำกัดอยู่ที่ "เราสามารถรู้เกี่ยวกับระบบได้มากเพียงใด ผลลัพธ์ที่เกี่ยวข้องกับ 'เลเยอร์ที่ซ่อนอยู่' ในโครงข่ายประสาทเทียมและอัลกอริธึมการเรียนรู้เชิงลึก"
ไล่ตามสิ่งที่อธิบายไม่ได้
เมื่อนำมารวมกัน การพัฒนาอันยาวนานเหล่านี้เป็นส่วนหนึ่งของสิ่งที่นักสังคมวิทยาด้านเทคโนโลยี ไทน่า บูเชอร์ เรียกว่า “ปัญหาที่ไม่รู้” Harry Collins ขยายการวิจัยที่ทรงอิทธิพลของเขาเกี่ยวกับความรู้ทางวิทยาศาสตร์ไปสู่สาขา AI ได้ชี้ให้เห็นว่า วัตถุประสงค์ของโครงข่ายประสาทเทียมคือมนุษย์อาจสร้างขึ้นได้ อย่างน้อยในตอนแรก แต่ "เมื่อเขียนโปรแกรมแล้วก็จะใช้ชีวิตของมันเองเหมือนเดิม หากไม่มีความพยายามอย่างมาก วิธีการทำงานของโปรแกรมก็ยังคงเป็นปริศนาได้” สิ่งนี้สะท้อนถึงความฝันที่มีมายาวนานเกี่ยวกับระบบการจัดการตนเอง
ฉันขอเสริมว่าสิ่งที่ไม่รู้และบางทีแม้กระทั่งสิ่งที่ไม่รู้ได้ถูกติดตามในฐานะส่วนพื้นฐานของระบบเหล่านี้ตั้งแต่ระยะแรกสุด มีโอกาสที่ดีที่ยิ่งผลกระทบที่ปัญญาประดิษฐ์มีต่อชีวิตของเรามากเท่าไร เราก็จะไม่เข้าใจว่าทำไมหรือทำไมเท่านั้น
แต่นั่นไม่เหมาะกับหลายๆ คนในปัจจุบัน เราต้องการทราบว่า AI ทำงานอย่างไร และ AI ส่งผลต่อการตัดสินใจและผลลัพธ์ที่ส่งผลกระทบต่อเราอย่างไร เนื่องจากการพัฒนาใน AI ยังคงกำหนดรูปแบบความรู้และความเข้าใจในโลกของเรา สิ่งที่เราค้นพบ วิธีปฏิบัติต่อเรา วิธีการเรียนรู้ บริโภค และโต้ตอบ แรงกระตุ้นในการทำความเข้าใจนี้จะเพิ่มมากขึ้น เมื่อพูดถึง AI ที่อธิบายได้และโปร่งใส เรื่องราวของโครงข่ายประสาทเทียมบอกเราว่าเรามีแนวโน้มที่จะออกห่างจากวัตถุประสงค์นั้นในอนาคต มากกว่าที่จะเข้าใกล้เป้าหมายนั้นมากขึ้น
เดวิด เบียร์ศาสตราจารย์ด้านสังคมวิทยา มหาวิทยาลัยยอ
บทความนี้ตีพิมพ์ซ้ำจาก สนทนา ภายใต้ใบอนุญาตครีเอทีฟคอมมอนส์ อ่าน บทความต้นฉบับ.
