在过去几年中，许多公司和人们正在投资开发人工智能。他们中的许多人都试图找到类似圣杯的东西。一个可以积累智力，让他们获得巨大利润的系统，也许可以帮助人类。
就个人而言，我认为这是一个死胡同。我们看到我们的大脑 - 一台机器 - 一个在我们看来很聪明的物体。但是我们需要实现两件事。首先，我们的大脑由高度专业化的单元组成 - 神经元组，我们大脑的一部分。第二个问题是，如果没有能力相互学习我们自己的经验，我们仍然会陷入困境。
这些事情让我得出一个理论，即如果我们要建立一个人工智能，它将是一个庞大而分布式的小型高度专业化的AI系统，它们作为一个认知超级智能一起工作。
支持这一理论的另一件事是自然本身。以蚂蚁或蜂群为例。这些小动物很简单，没有个人那么强大。但是他们一起创造了能够构建复杂结构并且表现得像智能系统的大型社区。
嗯，人类也是超级智能。我们已经能够开发工业，计算机和互联网。
专业化
专业化是智能系统的重要组成部分。我们人是专业的，我们有不同的职业，没有他们，我们将无法实现我们文明的奇迹。让我们试着想象我们每个人都必须学习一切。我打赌你意识到它不会起作用。
动物群落，特别是昆虫，也是专门的。蜜蜂有守卫，工人和女王。类似的情况适用于蚂蚁。
命令与征服
人（以及其他物种）的另一个属性是指挥和征服的能力，或者仅仅是将工作委托给其他人的能力。
这使我想到将AI系统与管理者和工人分开。
工人是系统中最低的部分。他们采取实际行动，例如进行计算，模拟，查看日历，创建约会，调用API，移动事物。它们只是执行器。
管理人员与工人相比是专业委托人。他们的作用是在更高的抽象层次上理解事物。他们把事情放在一起，并将任务委派给工人以实现目标。
此外，我们还有经理人。根据所需的抽象级别，此层次结构可以是不确定的。
有经理的工人应该像我们人一样相互学习，就像蚂蚁使用气味痕迹找到最佳路径一样。
专业AI系统的示例
我们可以拥有各种由简单到复杂的系统。从一个简单的计算器，一个可以查看您的日历到能够识别图像的神经网络的系统。
而且这些神经网络也可以是管理者和工人。您可以使用经过训练的神经网络来识别更高抽象级别的对象，例如动物，汽车，建筑物。然后它可以将识别委托给专门的网络，该网络可以识别它是哪种动物。让我们说这是一只蝴蝶。甚至可以将其委托给能够识别它是哪种蝴蝶的网络。
餐厅问题
我们来完成以下任务：
在附近的一家意大利餐厅订购两个座位，明天晚上的评级很高。
该问题的解决方案可以包括以下步骤。
- 高级经理：任务是什么？哦，在餐厅订一个座位 - 让我们把它委托给餐厅预订系统。
- 中层经理：让我们将问题分成更小的部分 - 我们需要找一家餐馆，然后订购一个座位。因此，将第一部分委托给餐厅查找系统。
- 工人：让我们使用搜索引擎或数据库找到符合要求标准的附近餐馆。
- 中层经理：好的，我们现在有一家餐馆，我们试着预约。
- 工作人员：让我们打电话给所选的餐厅并尝试预订
- 中级经理：嗯，餐厅不可用，尝试重复步骤4-6直到我们成功或我们将用尽选项。
- 好的，我们预定明天晚上7点，让我们把它作为一个解决方案。
- 高级经理：好用户，您的问题有解决方案。
实施概念
如果您了解编程，您可以将每个AI系统想象成一个单一的功能。它有描述请求的参数 - 一个问题。它有一个回报值 - 一个解决方案。
这些功能可以是工作人员 - 执行某些操作，例如返回数据或回答更大问题的一部分。而且他们也可以是经理 - 将问题的一部分委托给其他职能部门。
管理器功能可以充当信息变换器。他们将问题分成更小的部分，得到结果并将答案作为单一解决方案重新组合在一起。
学习
每个函数调用（委托）都会生成一个调用跟踪 - 一个可能的解决方案的路径。如果我们对结果不满意，我们可以评估路径并提出不同的方法。或者我们可以让系统自己尝试不同的方式。或者我们可以定义另一组函数，其目的是评估错误的位置。为了节省资源，我们可以忘记在一段时间内无用的功能。
在系统分布的情况下，我们可以构建共享的知识库。当系统的一部分找到某个问题的解决方案时，它可以让其他系统了解它，这样他们就可以使用它来构建更高的概念，而无需找到部分解决方案本身。我们通过分享我们的想法和知识来学习。
结论
就个人而言，我认为我们已经走上了分布式超智能系统的道路。世界上许多公司正在建立许多小型专业系统。两者都基于机器学习和传统编程。这些系统正在成为API经济的一部分。
什么是电脑比我们好？解决需要纯逻辑或高计算技能的问题。主要是以他们如何交换信息的速度。
也许我们还没有认识到互联网是一个超级智能系统，但它可能已经或者将来都会存在。因为看起来情报是由较小的高度专业化的单位连接在一起，表现得像一群昆虫或像人群一样。
閱讀更多 不靠譜的熊大AI 的文章
