A White Paper On The Future of Artificial Intelligence
A White Paper On The Future of Artificial Intelligence
|||
NIM: 31170053
Nama: Vincent Lumiu
Topik: Journal International Artificial
Intellegence(PAPER No. 2)
A White Paper On The Future Of Artificial Intelligence
Abstract
Dalam buku putih ini kami membahas keadaan saat ini dari kecerdasan buatan dan
peluangnya di masa depan. Kami berpendapat bahwa menyelesaikan masalah representasi
invariant adalah kunci untuk mengatasi keterbatasan yang melekat dalam jaringan saat ini dan
untuk membuat kemajuan menuju AI yang kuat. Berdasarkan dasar pikiran ini, kami
menggambarkan strategi penelitian menuju generasi berikutnya dari algoritma pembelajaran
mesin di luar paradigm pembelajaran yang dominan saat ini. Mengikuti contoh otak biologis,
kami mengusulkan pendekatan pembelajaran tanpa pengawasan untuk memecahkan masalah
representasi invarian. Upaya penelitian interdisipliner yang terfokus di perlukan untuk
membangun teori matematika abstrak dari representasi invariant dan menerapkannya dalam
pengembangan algoritme perangkat lunak fungsional, sekaligus menerapkan dan
meningkatkan pemahaman konseptual kami tentang otak (manusia).
1. Perkenalan
Pada tahun 2012 Alex Krizhevsky, llya sutskever dan Geoffrey E. Hinton menerbitkan hasil
mereka di ImageNet LSVCR2010 kontes, tantangan visi komputer secara otomatis
mengklasifikasikan 1.2 juta gambar resolusi tinggi menjadi 1,000 kelas yang berbeda.
Penggunaan jaringan yang menghasilkan peningkatan substansial dalam tingkat kesalahan
dam menandai awal gelombang baru-baru ini dalam pembelajaran mesin dan kecerdasan
buatan. Pada tahun-tahun berikutnya, pembelajaran yang mendalam telah di terapkan pada
sejumlah besar masalah lain dan digunakan secara produktif dalam aplikasi seperti
pengenalan suara untuk asisten digital, perangkat lunak terjemahan dan kendaraan self-
driving.
Namun terlepas dari semua kisah sukses yang mengesankan ini, pembelajaran mendalam
masih dari keterbatasan yang parah. Untuk satu hal, diperlukan sejumlah data besar berlabel
untuk melatih jaringan. Dimana seorang anak manusia mungkin belajar mengenali spesies
hewan atau sekelompok objek dengan hanya melihat beberapa contoh, jaringan yang
biasanya membutuhkan puluhan ribu gambar untuk mencapai akurasi yang sama. Untuk hal
lain algoritma saat ini jelas jauh dari memahami esensi suatu entitas atau kelas dalam cara
yang dilakukan manusia. Banyak contoh menunjukkan bagaimana bahkan yang paling
modern jaringan gagal secara spektakuler dalam kasus-kasus yang tampaknya sepele bagi
manusia.
Sementara jaringan cukup modis saat ini, fondasi konseptual mereka sebenarnya agak
lama; mereka sudah dipelajari secara intensif pada tahun 1950-an dan 1960-an, diilhami oleh
anatomi otak sesuai dengan pemahaman pada waktu itu. Jaringan dalam dewasa ini pada
dasarnya sama dengan jaringan klasik kecuali untuk jumlah lapisan yang lebih tinggi. Mereka
berutang keberhasilan mereka dalam beberapa tahun terakhir sebagian besar karena
peningkatan daya komputasi dan ketersediaan sejumlah besar data pelatihan. Hipotesis
sentral kami, yang menggerakan penelitian kami, adalah bahwa keterbatasan saat ini dalam
AI hanya dapat diatasi oleh generasi baru dari algoritma. Algoritma ini akan terinspirasi oleh
ilmu saraf hari ini dan sampai batas tertentu oleh kemajuan dalam pemahaman kita tentang
otak yang belum datang. Jalur kedepan kami yang dibayangkan adalah interdisipliner di
persimpangan matematika, ilmu computer dan ilmu saraf, yang memungkinkan kami untuk
mengatasi tantangan ini dari tiga sudut berbeda:
1. Model matematika dari representasi invariant dan bagaimana mempelajarinya dengan cara
yang tidak di awasi,
2. Implementasi algoritma pembelajaran representasi tanpa pengawasan dan,
3. Inspirasi dan vadilasi algoritma kami dengan membandingkannya dengan otak biologis.
Di bagian selanjutnya, kita akan membahas kecerdasan buatan dengan focus pada kelayakan
AI kuat sebagai tujuan jangka panjang dan berbagai macam aspek pembangkitan nilai di
sepanjang jalan. Setelah itu kita akan menjelaskan peran neurosains yang dapat dimainkan
untuk menginspirasi penelitian AI. Pada bagian terakhir, kami akan membahas strategi
penelitian kami secara lebih rinci dan mengusulkan beberapa ide spesifik dan nyata tentang
dari mana harus memulai
Ai yang kuat – Juga disebut AI Umun atau Artificial General Intelligence (AGI) –
akan menjadi sistem yang sesuai dengan definisi Legg dan Hutter di atas, yaitu ia akan
mencapai tujuan dalam berbagai lingkungan. Sekali lagi sering diasumsikan bahwa dalam
melakukan hal ini agen ini setidaknya akan sesukses sebagai manusia biasa. Secara khusus,
AI Kuat seperti itu akan lulus tes turing yang terkenal dengan memperdaya mitra percakapan
manusia dalam obrolan online (dan memperhitungkan kemajuan terbaru dalam sintesis suara
tentunya juga di telepon) untuk meyakini bahwa itu sebenarnya adalah manusia lain, daripada
mesin.