Moravec-paradoxon, avagy miért nem mennek nekünk a könnyű dolgok?

1. Moravec-paradoxon: A nehéz feladatok könnyűek, az egyszerűek nehezek
2. A neurális hálózatoktól a Perceptronig
3. A felismerés és a mozgás kihívásai a valós világban
4. Számítási teljesítmény és az MI valósága

Moravec-paradoxon: A nehéz feladatok könnyűek, az egyszerűek nehezek

Miközben a mesterséges intelligencia fejlesztése a múlt század hatvanas éveiben tovább haladt, az osztrák származású matematikus és futurista, Hans Moravec egy különös dologra figyelt fel:

Míg minden kisgyerek könnyedén meg tudja állapítani, „melyik tárgy van távolabb", vagyis melyik objektum helyezkedik el egy másik mögött, a mesterséges intelligencia területén a jelenetanalízis önálló tudományággá nőtte ki magát.

Logikus következtetés volt, hogy ennek valahogy a számítógépek architektúrája és a biológiai idegrendszerek felépítése közötti alapvető különbségekkel kell összefüggnie. A számítógépek mesterségesen jöttek létre, szimbólumokkal operáló absztrakt architektúraként, míg az idegrendszerek a környezettel való kölcsönhatásban fejlődtek ki.

A neurális hálózatoktól a Perceptronig

Már 1951-ben Marvin Minsky és Dean Edmonds számítástudósok az Air Force Office of Scientific Research támogatásával mesterséges neurális hálózatokon alapuló gép létrehozásán dolgoztak – ez volt a SNARC (Stochastic Neural Analog Reinforcement Calculator). A gép azon a mesterséges neuronokról szóló cikken alapult, amelyet 1943-ban publikált Warren McCulloch és Walter Pitts, és amely meghatározó hatást gyakorolt a mesterséges intelligencia fejlődésére (és többek között arra is, ahogyan ma az AI-modelleket tanítják). A Minsky és Edmonds által megépített gépnek mindössze 40 neuronja volt, mégis ez lett az alapja a mesterséges neurális hálózatoknak úgy, ahogy ma ismerjük őket.

1958-ban megszületett a Perceptron koncepció, egy neurális hálózatokon alapuló képfelismerő rendszer. Ezt Frank Rosenblatt hozta létre, először szoftverként az IBM 701 számítógépekhez a Cornell Aeronautical Laboratory-ban. Az innovatív projektet a United States Office of Naval Research támogatta ösztöndíjjal, amely később egy hardveres megoldás létrehozását is lehetővé tette, amelyet Mark I Perceptronnak neveztek el. A kutatás célja egy olyan eszköz volt, amely lehetővé tenné az irányított rakéták számára, hogy „lássák és felismerjék a célt", és mint ilyen, áttörést jelentett, még ha később korlátozottnak is bizonyult.

A valós világban történő felismerés és mozgás kihívásai

A látás és a jelenetfelismerés problémáival foglalkozott többek között Hans Moravec is, aki nagyon gyorsan felismerte, mekkora szakadék tátong a biológiai szem és a kutatók által megalkotni kívánt mesterséges szem összetettsége között. Moravec rámutatott, hogy míg az 1976-ban elérhető legerősebb számítógép, a Cray-1 teljesítménye mindössze 80-130 MIPS volt, addig pusztán a retina szimulálásához legalább 1000 MIPS-re lett volna szükség. (Becslése optimista volt, később kiderült, hogy a retina számítási teljesítménye inkább egymillió MIPS-hez áll közel.)

Számítási teljesítmény és az AI valósága

Moravec rámutatott, hogy a mesterséges intelligencia csak olyan területeken ér el sikereket, ahol a feladatok erősen absztraktak és logikai összefüggéseikkel dolgoznak, miközben a valós világból származó adatok feldolgozásánál teljesen csődöt mond, mivel a valódi képek elemzése sokszorosan nagyobb adatmennyiség feldolgozását igényli, ráadásul jóval gyorsabban.

Arra is felhívta a figyelmet, hogy alapvetően figyelmen kívül hagyták az ontogenetikus pszichológia kérdéseit, vagyis azt, hogy valójában mit is tanul meg a gyermek élete első éveiben. Bár a kisgyerekek a felnőttek szemszögéből látszólag nagyon primitíven viselkednek, valójában a lehető legösszetettebb feladatok megoldását tanulják: a látást és felismerést, a mozgások tervezését és koordinálását, a hangfelismerést és a beszédképességet. A neurológusok tudták, hogy a gyermeki agy fejlődése ebben az időszakban rendkívül intenzív, de csak Moravec hívta fel a figyelmet arra, hogy a tanulásnak ezt a részét a mesterséges intelligencia addig teljesen figyelmen kívül hagyta.

A korlátozott számítási kapacitással rendelkező számítógépek képesek voltak magas szintű absztrakt logikai következtetések végrehajtására, de a valós világ problémáinak megoldásához messze nem voltak elegendőek. Moravec pedig rámutatott, hogy a számítási teljesítménynek még sokszorosára kell növekednie ahhoz, hogy a számítógépek ezekben a kritikus képességekben felvehessék a versenyt az emberi aggyal.

A cikk a mesterséges intelligencia fejlesztésének paradoxonával foglalkozik, amelyet először Hans Moravec figyelt meg: az összetett matematikai problémák megoldásának képessége szemben az olyan alapvető feladatokban való kudarcokkal, mint a látás vagy a mozgás. Feltárja a számítógépek és a biológiai idegrendszerek közötti alapvető különbségeket, rámutat a neurális hálózatok történetére és Moravec kritikájára, miszerint a korabeli számítógépek számítási teljesítménye nem volt elegendő az érzékszervi funkciók szimulálásához. A szöveg hangsúlyozza, hogy az absztrakt feladatokban elért sikerek nem tükrözték az AI valós világbeli képességeit, ami szükségessé tette az AI-fejlesztési megközelítések újragondolását.