क्या भविष्य के बुद्धिमान एल्गोरिदम सामान्य उद्देश्य वाले रोबोटों की तरह दिखेंगे, जो कि निष्क्रिय बटर और रीडिंग मैप्स पर उपयुक्त हैं क्योंकि वे रसोई में काम कर रहे हैं? या क्या हमारे डिजिटल सहायक विशेष गैजेट्स के एक हथियार-बैग की तरह दिखेंगे - उपकरणों से भरे रसोईघर की तुलना में कम एक सिंगल चतुर मास्टरचेफ?

यदि एक एल्गोरिदम बहुत अधिक करने की कोशिश करता है, तो यह परेशानी में पड़ता है। नीचे दिया गया नुस्खा एक कृत्रिम तंत्रिका नेटवर्क, एक प्रकार का कृत्रिम बुद्धि (एआई) द्वारा उत्पन्न किया गया था जो उदाहरण के द्वारा सीखता है। इस विशेष एल्गोरिदम ने सूप से पाई तक बारबेक्यू तक, सभी प्रकार के 30,000 कुकबुक व्यंजनों के बारे में जांच की, और फिर अपने आप के साथ आने की कोशिश की। नतीजे हैं, क्या हम कुछ हद तक अपरंपरागत कहेंगे:

(संपादक का ध्यान दें: इन व्यंजनों को घर पर न करें, एलओएल)

चिकन चावल फैलाओ

पनीर / अंडे, सलाद, पनीर

2 एलबी दिल, बीजित
1 कप ताजा टकसाल या रास्पबेरी पाई कटा हुआ
1 / 2 कप catrimas, grated
1 चम्मच वनस्पति तेल
1 नमक
1 काली मिर्च
2 1 / 2 टीबी चीनी, चीनी

Unleaves गठबंधन, और मिश्रण मोटा होने तक हलचल। फिर अंडे, चीनी, शहद, और कैरेवे के बीज जोड़ें, और कम गर्मी पर पकाएं। मकई सिरप, अयस्क, और दौनी और सफेद काली मिर्च जोड़ें। गर्मी से क्रीम में रखो। कुक शेष 1 चम्मच बेकिंग पाउडर और नमक जोड़ें। 350 से 2 घंटे के लिए 1F पर सेंकना। गर्म - गर्म परोसें।

यील्ड: 6 सर्विंग्स

अब, यहां एक ही मूल एल्गोरिदम द्वारा उत्पन्न नुस्खा का एक उदाहरण दिया गया है - लेकिन डेटा के बजाय जिसमें सभी प्रकार के व्यंजन शामिल थे, यह केवल केक पर ही देखा गया था। नुस्खा सही नहीं है, लेकिन यह पिछले एक की तुलना में काफी बेहतर है:

गाजर का केक (वेरा देवियों ")

केक, शराब

1 पीकेजी पीले केक मिश्रण
3 कप आटा
1 चम्मच बेकिंग पाउडर
1 1 / 2 चम्मच बेकिंग सोडा
/ 1 4 चम्मच नमक
1 teaspoon ground cinnamon
1 चम्मच भूमि अदरक
/ 1 2 चम्मच भूमि लौंग
1 चम्मच बेकिंग पाउडर
/ 1 2 चम्मच नमक
1 चम्मच वेनिला
1 अंडा, कमरे का तापमान
1 कप चीनी
1 चम्मच वेनिला
1 कप कटे हुए पेकान

350 डिग्री के लिए पहले से गरम ओवन। एक 9- इंच springform पैन Grease।

केक बनाने के लिए: मोटी और पीले रंग के रंग तक उच्च गति पर अंडे मारो और अलग-अलग सेट करें। एक अलग कटोरे में, कठोर तक अंडे का सफेद हराया। पहले तैयार पैन में मिश्रण की तरह गति करें और बल्लेबाज को सुचारू बनाएं। लगभग 40 मिनट के लिए ओवन में सेंकना या केंद्र में डाली गई लकड़ी के टूथपिक तक साफ हो जाता है। 10 मिनट के लिए पैन में कूल करें। पूरी तरह से ठंडा करने के लिए एक तार रैक पर बाहर बारी।

पूरी तरह से ठंडा करने के लिए पैन से केक निकालें। गर्म परोसें।

हियर कैटोबुक (1989) किचन एंड हवन इन कैनेडियन लिविंग से

यील्ड: 16 सर्विंग्स

निश्चित रूप से, जब आप निर्देशों को अधिक बारीकी से देखते हैं, तो यह केवल एक ही बेक्ड अंडे की जर्दी पैदा करता है। लेकिन यह अभी भी एक सुधार है। जब एआई को विशेषज्ञता देने की इजाजत थी, तो ट्रैक रखने के लिए बस बहुत कम था। चॉकलेट का उपयोग कब करें और आलू का उपयोग कब करें, कब सेंकना है, या कब उबाल लें। यदि पहला एल्गोरिदम एक आश्चर्यजनक बॉक्स बनने की कोशिश कर रहा था जो चावल, आइसक्रीम और पाई का उत्पादन कर सकता था, तो दूसरा एल्गोरिदम एक टोस्टर की तरह कुछ और करने की कोशिश कर रहा था - केवल एक कार्य के लिए विशिष्ट।

मशीन-लर्निंग एल्गोरिदम को प्रशिक्षित करने वाले डेवलपर्स ने पाया है कि यह अक्सर आश्चर्य-बक्से के बजाय टोस्टर्स बनाने के लिए समझ में आता है। यह counterintuitive प्रतीत हो सकता है, क्योंकि पश्चिमी विज्ञान कथाओं की एआई सी-3PO जैसा दिखता है स्टार वार्स या नामांकित फिल्म में वाल-ई - कृत्रिम सामान्य खुफिया (एजीआई) के उदाहरण, ऑटोमाटा जो मानव की तरह दुनिया के साथ बातचीत कर सकते हैं, और कई अलग-अलग कार्यों को संभाल सकते हैं। लेकिन कई कंपनियां अदृश्य रूप से - और सफलतापूर्वक - अधिक सीमित लक्ष्यों को प्राप्त करने के लिए मशीन सीखने का उपयोग कर रही हैं। एक एल्गोरिदम एक चैटबॉट हो सकता है जो अपने फोन बिल के बारे में मूल ग्राहक प्रश्नों की सीमित सीमा को संभाला जा सकता है। कोई अन्य भविष्यवाणी कर सकता है कि ग्राहक किस बारे में चर्चा करने के लिए बुला रहा है, जो मानव प्रतिनिधि के लिए इन भविष्यवाणियों को प्रदर्शित करता है जो फोन का जवाब देते हैं। ये कृत्रिम उदाहरण हैं संकीर्ण खुफिया (एएनआई) - बहुत संकीर्ण कार्यों तक ही सीमित है। दूसरी तरफ, फेसबुक ने हाल ही में अपने 'एम' चैटबॉट सेवानिवृत्त किया, जो होटल आरक्षणों को संभालने, थियेटर टिकटों की बुकिंग, तोते की यात्रा की व्यवस्था आदि के अपने लक्ष्य में कभी सफल नहीं हुआ।

वॉल-ई-स्तरीय एजीआई के बजाय हमारे पास टोस्टर-स्तर एएनआई का कारण यह है कि कोई भी एल्गोरिदम जो सामान्यीकृत करने का प्रयास करता है बदतर विभिन्न कार्यों पर यह सामना करता है।

के लिए उदाहरण, यहां कैप्शन के आधार पर एक तस्वीर उत्पन्न करने के लिए प्रशिक्षित एक एल्गोरिदम है।

यह वाक्यांश से एक तस्वीर बनाने का प्रयास है: 'यह पक्षी अपने सिर पर काले रंग का पीला है और इसकी बहुत छोटी चोंच है'।

जब इसे एक डेटासेट पर प्रशिक्षित किया गया था जिसमें पूरी तरह से पक्षियों को शामिल किया गया था, तो यह बहुत अच्छा रहा (अजीब गेंडा सींग के बावजूद):

लेकिन जब इसका काम उत्पन्न करना था कुछ भी - स्टॉप संकेतों से नौकाओं तक गायों तक नाव - यह संघर्ष कर रहा था। पिज्जा का एक बड़ा टुकड़ा खाने वाली लड़की की एक छवि 'उत्पन्न करने का प्रयास यहां दिया गया है:

हमें यह सोचने के लिए उपयोग नहीं किया जाता है कि एल्गोरिदम के बीच इतना बड़ा अंतर है जो एक चीज अच्छी तरह से करता है, और एक एल्गोरिदम जो बहुत सी चीजों को अच्छी तरह से करता है। लेकिन हमारे वर्तमान दिन एल्गोरिदम मानव मस्तिष्क की तुलना में बहुत सीमित मानसिक शक्ति है, और प्रत्येक नया कार्य उन्हें पतला फैलाता है। टोस्टर आकार के उपकरण के बारे में सोचें: कुछ स्लॉट्स और कुछ हीटिंग कॉइल्स में बनाना आसान है ताकि यह रोटी को टोस्ट कर सके। लेकिन यह किसी और चीज के लिए थोड़ा कमरा छोड़ देता है। यदि आप चावल-स्टीमिंग और आइस क्रीम बनाने की कार्यक्षमता भी जोड़ने की कोशिश करते हैं, तो आपको कम से कम एक रोटी स्लॉट छोड़ना होगा, और शायद यह किसी भी चीज़ पर अच्छा नहीं होगा।

ऐसे ट्रिक्स हैं जो प्रोग्रामर एएनआई एल्गोरिदम से अधिक प्राप्त करने के लिए उपयोग करते हैं। एक स्थानांतरण सीखना है: एक कार्य करने के लिए एक एल्गोरिदम को प्रशिक्षित करें, और यह न्यूनतम प्रतिरक्षा के बाद एक अलग लेकिन बारीकी से संबंधित कार्य करना सीख सकता है। उदाहरण के लिए, छवि-पहचान एल्गोरिदम को प्रशिक्षित करने के लिए लोग स्थानांतरण सीखने का उपयोग करते हैं। जानवरों की पहचान करने के लिए सीखने वाले एक एल्गोरिदम ने पहले ही किनारे का पता लगाने और बनावट-विश्लेषण कौशल के रास्ते में बहुत कुछ हासिल किया है, जो इसे फल की पहचान करने के कार्य में स्थानांतरित कर सकता है। लेकिन, यदि आप फलों की पहचान करने के लिए एल्गोरिदम को रोकते हैं, तो एक घटना कहा जाता है विनाशकारी भूलना इसका मतलब है कि यह अब जानवरों की पहचान कैसे याद रखेगा।

एक और चाल है कि आज के एल्गोरिदम का उपयोग है प्रतिरूपकता। किसी भी समस्या को संभालने वाले एक एल्गोरिदम की बजाय, भविष्य की एआई अत्यधिक विशिष्ट उपकरणों की असेंबली होने की संभावना है। एक एल्गोरिदम कि सीखा वीडियो गेम डूम खेलने के लिए, उदाहरण के लिए, अलग, समर्पित दृष्टि, नियंत्रक, और मेमोरी मॉड्यूल था। इंटरकनेक्टेड मॉड्यूल विफलता के खिलाफ अनावश्यकता और कई अलग-अलग दृष्टिकोणों के आधार पर किसी समस्या के सर्वोत्तम समाधान पर मतदान के लिए एक तंत्र भी प्रदान कर सकता है। वे एल्गोरिदमिक गलतियों का पता लगाने और समस्या निवारण का एक तरीका भी हो सकते हैं। यह पता लगाना आम तौर पर मुश्किल है कि कैसे एक व्यक्तिगत एल्गोरिदम अपने निर्णय लेता है, लेकिन यदि उप-एल्गोरिदम को सहयोग करके निर्णय लिया जाता है, तो हम कम से कम प्रत्येक उप-एल्गोरिदम के आउटपुट को देख सकते हैं।

जब हम दूर के भविष्य के एआई की कल्पना करते हैं, तो शायद वाल-ई और सी-एक्सएनएनएक्सपीओ उन ड्रॉड्स नहीं हैं जिन्हें हमें ढूंढना चाहिए। इसके बजाए, हम कुछ ऐप से भरा स्मार्टफोन, या गैजेट से भरे रसोईघर अलमारी की तरह कुछ और चित्रित कर सकते हैं। जैसे-जैसे हम एल्गोरिदम की दुनिया के लिए तैयार होते हैं, हमें यह सुनिश्चित करना चाहिए कि हम सोचने की योजना नहीं बना रहे हैं, सामान्य उद्देश्य वाले आश्चर्य-बक्से जो कभी नहीं बनाए जा सकते हैं, बल्कि इसके बजाय अत्यधिक विशिष्ट टोस्टर्स के लिए।

के बारे में लेखक

जेनेल शेन ने aiweirdness.com पर विनोद लिखने के लिए तंत्रिका नेटवर्क को प्रशिक्षित किया। वह प्रकाशिकी में एक शोध वैज्ञानिक भी है, और बोल्डर, कोलोराडो में रहती है।

यह आलेख मूल रूप में प्रकाशित किया गया था कल्प और क्रिएटिव कॉमन्स के तहत पुन: प्रकाशित किया गया है।

संबंधित पुस्तकें:

at इनरसेल्फ मार्केट और अमेज़न