Sentient AI ບໍ່ເທົ່າກັບ AI ອັດສະລິຍະ

ສະຫນັບສະຫນຸນ

ທ່ານອາດຈະໄດ້ຍິນກ່ຽວກັບ LaMDA ຂອງ Google ແລະການສົນທະນາໄວຣັສກ່ຽວກັບວ່າ AI ສາມາດກາຍເປັນຄວາມຮູ້ສຶກໄດ້ບໍ. ທີມງານຢູ່ Tau ໂຕ້ຖຽງວ່າບາງທີ, ຄວາມຮູ້ສຶກຂອງ AI ແມ່ນພຽງແຕ່ສ່ວນນ້ອຍໆຂອງສະຕິປັນຍາຂອງມັນ. ແທນທີ່ຈະ, ສະຕິປັນຍາທີ່ແທ້ຈິງຂອງ AI ຈະອີງໃສ່ຄວາມສາມາດຂອງຕົນໃນການເຂົ້າໃຈຄວາມຕ້ອງການຂອງຄົນຢ່າງມີເຫດຜົນແລະຕອບສະຫນອງໃຫ້ເຂົາເຈົ້າອັດຕະໂນມັດ.

Tau ເປັນເວທີທຳອິດທີ່ສາມາດເອົາຄວາມຄິດ, ຄຳແນະນຳ, ຄວາມຮູ້ຈາກຜູ້ໃຊ້ ແລະອັບເດດຊອບແວຂອງຕົນເອງໄດ້ແບບສົດໆ ໂດຍໃຫ້ຜູ້ໃຊ້ຂຽນເປັນພາສາທີ່ທັງເຄື່ອງຈັກ ແລະຄົນສາມາດອ່ານ ແລະເຂົ້າໃຈໄດ້. ເຄືອ​ຂ່າຍ​ສັງ​ຄົມ​ກະ​ແຈກ​ກະ​ຈາຍ​ຂອງ Tau ແລະ​ຮູບ​ແບບ​ການ​ເງິນ​ຂອງ​ຕົນ​, ສະກຸນເງິນ Agoras, ແມ່ນຂັບເຄື່ອນໂດຍ AI ທີ່ທີມງານເອີ້ນວ່າປັນຍາປະດິດທີ່ສະຫຼາດແທ້ໆ - AI Logical. Logical AI ມີຄວາມແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍຈາກການຮຽນຮູ້ເຄື່ອງຈັກ, ແລະ, ອີງຕາມຜູ້ກໍ່ຕັ້ງ Tau ຂອງ Tau, Ohad Asor, ກໍາລັງຢູ່ໃນຈຸດທີ່ຈະກາຍເປັນຄື້ນໃຫຍ່ຕໍ່ໄປໃນໂລກຂອງເຕັກໂນໂລຢີ.

ໃນ Tau, Logical AI ຈະຊ່ວຍໃຫ້ທ່ານສາມາດເຂົ້າຮ່ວມການສົນທະນາກ່ຽວກັບຂະຫນາດຂອງຫລາຍພັນລ້ານຄົນແລະທັນທີທັນໃດເຫັນຄວາມຕັ້ງໃຈລວມຂອງຄວາມຄິດທີ່ແບ່ງປັນຜ່ານເຄືອຂ່າຍ. ນີ້ຈະບັນລຸໄດ້ໂດຍການໃຫ້ຄົນໃຊ້ພາສາທໍາມະຊາດຄວບຄຸມ (CNLs) ທີ່ທັງມະນຸດແລະເຄື່ອງຈັກສາມາດເຂົ້າໃຈໄດ້. ທຸກໆຄວາມຄິດ ແລະຄວາມຮູ້ທຸກອັນ, ບໍ່ວ່າຈະຊັດເຈນ ຫຼື ຊັດເຈນ, ຈະຖືກຮັບຮູ້ໂດຍອັດຕະໂນມັດ ແລະລົງທະບຽນເປັນ Worldview ຂອງທ່ານ, ເຊິ່ງຈະເຮັດໜ້າທີ່ເປັນໂປຣໄຟລ໌ຂອງທ່ານໃນ Tau ແລະຈະເປັນເຈົ້າຂອງທັງໝົດຂອງທ່ານ. ການມີແນວຄວາມຄິດ ແລະຄວາມຮູ້ຂອງເຈົ້າຈັດເປັນແບບພິເສດຈະໝາຍຄວາມວ່າເຈົ້າຈະສາມາດບໍ່ພຽງແຕ່ຄົ້ນພົບວິທີແກ້ໄຂທີ່ໂດດເດັ່ນ, ແຕ່ຍັງສ້າງລາຍໄດ້ຈາກຄວາມຮູ້ຂອງເຈົ້າດ້ວຍວິທີທີ່ບໍ່ຫຍຸ້ງຍາກ ແລະ ກົງໄປກົງມາທີ່ບໍ່ເຄີຍເປັນໄປໄດ້ມາກ່ອນ.

ພຽງແຕ່ໂດຍການໃສ່ຄວາມຄິດຂອງທ່ານໃນ Tau, ຄວາມຮູ້ຂອງເຈົ້າຈະກາຍເປັນຊັບສິນດິຈິຕອນທີ່ເຈົ້າເປັນເຈົ້າຂອງໂດຍອັດຕະໂນມັດ. ເຈົ້າຈະສາມາດຂາຍຄວາມຮູ້ຂອງເຈົ້າໃຫ້ຜູ້ຊື້ຄົນອື່ນ, ຫຼືໃຊ້ມັນເພື່ອສ້າງລາຍຮັບໂດຍການເຊົ່າຊິ້ນສ່ວນສະເພາະຂອງມັນໃຫ້ກັບຜູ້ຈອງຂອງເຈົ້າ, ດັ່ງທີ່ Tau ຈະເຂົ້າໃຈວ່າເຖິງແມ່ນວ່າຄວາມຮູ້ຂອງເຈົ້າສາມາດເປັນສ່ວນຫນຶ່ງຂອງການແກ້ໄຂບັນຫາຂອງໃຜຜູ້ຫນຶ່ງ. Tau ຈະເນັ້ນຫນັກເຖິງການປະສົມປະສານຂອງຄວາມຮູ້ຂອງຜູ້ໃຊ້ຫຼາຍແລະສະເຫນີມັນເປັນການແກ້ໄຂບັນຫາທີ່ສໍາຄັນແລະສະລັບສັບຊ້ອນ, ດັ່ງນັ້ນການຮັບປະກັນວ່າຄວາມຮູ້ທີ່ຈໍາເປັນກົງກັບຂໍ້ກໍານົດສະເພາະ 100%.

ບໍ່ມີວິທີແກ້ໄຂເຫຼົ່ານີ້ຈະເປັນໄປໄດ້ກັບ AI ປະເພດອື່ນ, ຍົກເວັ້ນຫນຶ່ງໂດຍອີງໃສ່ເຫດຜົນ. ນີ້ແມ່ນຍ້ອນວ່າ, ເວົ້າງ່າຍໆ, Logical AI ແມ່ນທັງຫມົດກ່ຽວກັບຄໍາສັບແລະປະໂຫຍກ. ໃນຫຼັກຂອງມັນ, ມັນແມ່ນກ່ຽວກັບຄວາມສາມາດໃນການສະແດງຄໍາຖະແຫຼງການຈາກຄໍາຖະແຫຼງອື່ນໆ, ໃນຮູບແບບຂອງສິ່ງທີ່ເອີ້ນວ່າເຫດຜົນການຫັກລົບ. ສໍາລັບຕົວຢ່າງ, ຈາກສາມຄໍາຖະແຫຼງການ:

• ປາຣີແມ່ນຢູ່ໃນປະເທດຝຣັ່ງ.
• ປະເທດຝຣັ່ງແມ່ນຢູ່ໃນເອີຣົບ.
• ຖ້າ x ຢູ່ໃນ y, ແລະ y ຢູ່ໃນ z, ຫຼັງຈາກນັ້ນ x ຢູ່ໃນ z. ນີ້, ສໍາລັບທັງຫມົດ x, y, z.

ພວກເຮົາສາມາດ infer ຄໍາຖະແຫຼງການ

ພາກສະຫນາມຂອງ Logic ຄະນິດສາດສອນວ່າເກືອບທຸກຄໍາຖາມທີ່ມີເຫດຜົນສາມາດລົງມາໃນຮູບແບບຂອງການຫັກນີ້. ຕົວຢ່າງ, ຊຸດຂອງຄໍາຖະແຫຼງທີ່ກົງກັນຂ້າມ, ຖ້າແລະພຽງແຕ່ຖ້າພວກເຮົາສາມາດຫັກອອກຈາກມັນທັງຄໍາຖະແຫຼງແລະການປະຕິເສດຂອງມັນ.

Logical AI ແມ່ນກົນໄກຂອງການສົມເຫດສົມຜົນຢ່າງມີເຫດຜົນ: ການຊອກຫາຄວາມຂັດແຍ້ງ, ການກໍານົດວ່າການສະຫຼຸບແມ່ນມາຈາກການສົມມຸດຕິຖານ, ແລະອື່ນໆ. ດັ່ງນັ້ນ, ມັນແມ່ນກ່ຽວກັບຄວາມສາມາດໃນການໃຫ້ເຄື່ອງຈັກເຂົ້າໃຈສິ່ງທີ່ພວກເຮົາຕ້ອງການບອກພວກເຂົາ, ນອກເຫນືອຈາກພຽງແຕ່ຄໍາແນະນໍາຂອງເຄື່ອງຈັກ.

ໃນຂະນະດຽວກັນ, ການຮຽນຮູ້ເຄື່ອງຈັກ, ເຊິ່ງເປັນຮູບແບບທີ່ກວ້າງຂວາງທີ່ສຸດຂອງ AI ໃນປະຈຸບັນ, ແມ່ນກ່ຽວກັບການລວມເອົາຕົວຢ່າງ. ດັ່ງນັ້ນ, ຖ້າພວກເຮົາສື່ສານຕົວຢ່າງຂ້າງເທິງຂອງຝຣັ່ງແລະປາຣີໃນຄົນອັບເດດ: ຂອງການຮຽນຮູ້ເຄື່ອງຈັກ, ພວກເຮົາຕ້ອງສະຫນອງ algorithm ດ້ວຍຕົວຢ່າງຈໍານວນຫຼາຍຂອງຮູບແບບ "x ຢູ່ໃນ y", ແລະຫຼັງຈາກນັ້ນຫວັງວ່າ algorithm ຈະສະຫຼຸບວ່າປາຣີ. ຢູ່ໃນເອີຣົບ.

ຮູບແບບການສື່ສານດັ່ງກ່າວບໍ່ສົມຄວນທີ່ຈະຖືກເອີ້ນວ່າສະຫລາດ, ເພາະວ່າບາງສິ່ງບາງຢ່າງຈະສະຫລາດໄດ້ແນວໃດຖ້າມັນບໍ່ສາມາດສະຫຼຸບໄດ້ວ່າປາຣີແມ່ນຢູ່ໃນເອີຣົບ, ແລະຕ້ອງເບິ່ງຕົວຢ່າງຈໍານວນຫລາຍເພື່ອ "ເຂົ້າໃຈ" ວ່າ, ເຖິງແມ່ນວ່າ. ບໍ່ໄດ້ຮັບປະກັນ? ໂດຍທົ່ວໄປແລ້ວຈາກຕົວຢ່າງແມ່ນມີລັກສະນະທີ່ເປັນໄປໄດ້. ພວກເຮົາສາມາດຄາດເດົາໄດ້ແນວໃດກ່ຽວກັບຕົວຢ່າງທີ່ບໍ່ເຫັນ? ມັນເປັນເລື່ອງແປກທີ່ບາງຄັ້ງການຮຽນຮູ້ເຄື່ອງຈັກສາມາດຖືກຕ້ອງແລະບໍ່ແມ່ນແບບສຸ່ມຢ່າງສົມບູນ, ແລະຕົວຈິງແລ້ວ Machine Learning ສົມຄວນຖືກເອີ້ນວ່າເປັນສິ່ງມະຫັດສະຈັນທາງຄະນິດສາດ. ຫຼັງຈາກທີ່ທັງຫມົດ, ຄົນເຮົາສາມາດເວົ້າບາງສິ່ງບາງຢ່າງທີ່ມີຄວາມເປັນໄປໄດ້ສູງ, ເຖິງແມ່ນວ່າປະມານທີ່ຖືກຕ້ອງ, ພາຍໃຕ້ຄວາມຮູ້ທີ່ບໍ່ມີສູນເກີນບາງຕົວຢ່າງ?

ເປັນເລື່ອງແປກທີ່, ການຮຽນຮູ້ເຄື່ອງຈັກສາມາດເຮັດໄດ້. ແລະນັ້ນແມ່ນສິ່ງທີ່ Machine Learning ແມ່ນກ່ຽວກັບຂໍ້ດີ ແລະຂໍ້ເສຍທັງໝົດຂອງມັນ. ກໍລະນີຂອງການນໍາໃຊ້ແມ່ນໃນເວລາທີ່ພວກເຮົາມີຄວາມຮູ້ຫນ້ອຍທີ່ຈະບໍ່ມີກ່ຽວກັບລະບົບ, ແລະສິ່ງທີ່ພວກເຮົາສາມາດເຮັດໄດ້ແມ່ນເອົາຕົວຢ່າງແລະພະຍາຍາມໂດຍທົ່ວໄປໃຫ້ເຂົາເຈົ້າ.

ໃນທາງກົງກັນຂ້າມ AI ທີ່ມີເຫດຜົນແມ່ນກ່ຽວກັບຄວາມຮູ້ຢ່າງເຕັມທີ່ແລະຄວາມສົມບູນ, ບໍ່ວ່າຈະເປັນຢ່າງຊັດເຈນຫຼື implicitly. ມັນຍັງກ່ຽວກັບວິທີການສື່ສານທີ່ມີປະສິດທິພາບຫຼາຍ, ການສື່ສານໂດຍກົງ, "ພຽງແຕ່ເວົ້າສິ່ງ", ແທນທີ່ຈະອອກແຮງງານຫຼາຍກວ່າການໃຫ້ຕົວຢ່າງຫຼາຍຢ່າງ.

ນອກຈາກນັ້ນ, ມັນເກີດຂື້ນວ່າການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນບໍ່ສາມາດປະຕິບັດການສົມເຫດສົມຜົນຢ່າງມີເຫດຜົນ, ເຊັ່ນ: ການກວດສອບຄວາມຂັດແຍ້ງ. ນີ້ແມ່ນການພິສູດທາງຄະນິດສາດໂດຍໃຊ້ການໂຕ້ຖຽງທາງທິດສະດີທີ່ສັບສົນ. ສະນັ້ນມັນບໍ່ແປກໃຈທີ່ Machine Learning ປະສົບຜົນສຳເລັດໃນສາຂາທີ່ບໍ່ໄດ້ເວົ້າແບບທຳມະຊາດເທົ່ານັ້ນ, ໃນຂະນະທີ່ໃນຂະແໜງການປຸງແຕ່ງພາສາທຳມະຊາດ, ມັນມີຄວາມສາມາດຈຳກັດຫຼາຍເທົ່ານັ້ນ.

ຢ່າງໃດກໍຕາມ, ວິທີການອື່ນໆປະມານແມ່ນຖືກຕ້ອງຢ່າງສົມບູນ: ບໍ່ພຽງແຕ່ເຫດຜົນສາມາດເຮັດການຮຽນຮູ້ເຄື່ອງຈັກ, ແຕ່ມັນເຮັດແລ້ວ. ສູດການຄິດໄລ່ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໄດ້ຖືກສະແດງອອກແລ້ວໃນຮູບແບບທີ່ມີເຫດຜົນ (ກົງກັນຂ້າມກັບຕົວຢ່າງ) ແລະໄດ້ຖືກປະຕິບັດແລ້ວເປັນໂຄງການຄອມພິວເຕີເຊິ່ງໃຊ້ຮູບແບບທີ່ເປັນເຫດຜົນຫຼາຍ, ຄືຄໍາແນະນໍາຂອງເຄື່ອງຈັກ.

ການກວມເອົາ Logical AI ດັ່ງນັ້ນຈຶ່ງກວມເອົາ Machine Learning ເຊັ່ນກັນ, ແຕ່ທາງອື່ນບໍ່ສາມາດບັນລຸໄດ້. ວິທີການເວົ້າອີກຢ່າງຫນຶ່ງແມ່ນດັ່ງຕໍ່ໄປນີ້: ການຮຽນຮູ້ເຄື່ອງຈັກໃນທີ່ສຸດກວມເອົາສິ່ງທີ່ເອີ້ນວ່າ Inductive ແລະ Abductive Reasoning (ເຊິ່ງປະມານປະມານເທົ່າກັບສິ່ງທີ່ເອີ້ນວ່າ. ການຮຽນຮູ້ແບບຄວບຄຸມ ແລະບໍ່ມີການຄວບຄຸມ), ແລະດັ່ງນັ້ນ, ມັນມີທ່າແຮງຫຼາຍ, ຢ່າງໃດກໍຕາມ, ຍັງຄົງຢູ່ໃນຮູບແບບທີ່ຈໍາກັດພຽງແຕ່ຕົວຢ່າງ, ແລະຕໍ່ໄປ, ເຕັກໂນໂລຢີໃນປະຈຸບັນຈັດການກັບຂໍ້ມູນຂອງຕົວເລກທໍາມະຊາດເທົ່ານັ້ນ, ຫຼືຂໍ້ມູນທີ່ສາມາດປ່ຽນເປັນແບບນັ້ນ. ໃນທາງກົງກັນຂ້າມ AI ທີ່ມີເຫດຜົນ, ສາມາດກວມເອົາການອ້າງເຫດຜົນການຫັກລົບ, ການໃຫ້ເຫດຜົນແບບຍັບຍັ້ງ, ແລະການໃຫ້ເຫດຜົນແບບຜິດຫວັງ, ພ້ອມກັນທັງໃນດ້ານຄຸນນະພາບ ແລະ ຂໍ້ມູນປະລິມານ.

ເຫຼົ່ານີ້ແມ່ນເຫດຜົນຕົ້ນຕໍວ່າເປັນຫຍັງ Tau ໄດ້ເລືອກ Logical AI ເປັນຮູບແບບສຸດທ້າຍຂອງ AI, ໂດຍໃຫ້ເຫດຜົນວ່າ Machine Learning ເປັນພຽງຈຸດສຳຄັນໃນປະຫວັດສາດຂອງ AI ເທົ່ານັ້ນ. ວິທີແກ້ໄຂຂອງ Tau ຈະປັບປຸງຫຼາຍດ້ານຂອງແບນວິດຂອງມະນຸດ, ຈາກການສົນທະນາ - ຂະຫນາດ, ການສ້າງລາຍໄດ້ຄວາມຮູ້, ສັນຍາສະຫມາດແລະການປົກຄອງແບບກະຈາຍ. ທັງ​ຫມົດ​ນີ້​ແມ່ນ​ຍ້ອນ​ວ່າ​ຄວາມ​ສາ​ມາດ​ຂອງ​ເຫດ​ຜົນ​ເພື່ອ​ຂົວ​ຊ່ອງ​ຫວ່າງ​ລະ​ຫວ່າງ​ມະ​ນຸດ​ແລະ​ເຄື່ອງ​ຈັກ​.

ຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບ Tau ແລະທີມງານທີ່ຢູ່ເບື້ອງຫຼັງ ທີ່ນີ້

ເຂົ້າຮ່ວມຊຸມຊົນ Tau ການຂະຫຍາຍຕົວໃນ ໂທລະເລກ

ນີ້ແມ່ນໂພສທີ່ໄດ້ຮັບການສະ ໜັບ ສະ ໜູນ. ຮຽນຮູ້ວິທີທີ່ຈະເຂົ້າເຖິງຜູ້ຊົມຂອງພວກເຮົາ ທີ່ນີ້. ອ່ານປະຕິເສດດ້ານລຸ່ມ.

Bitcoin.com ສື່

Bitcoin.com ແມ່ນແຫຼ່ງອັນດັບຕົ້ນສໍາລັບທຸກສິ່ງທຸກຢ່າງທີ່ກ່ຽວຂ້ອງກັບ crypto.
ຕິດຕໍ່ [email protected] ເພື່ອສົນທະນາກ່ຽວກັບການປະກາດຂ່າວ, ປະກາດສະປອນເຊີ, ພອດແຄສ ແລະທາງເລືອກອື່ນໆ.

ເຄດິດຮູບພາບ: Shutterstock, Pixabay, Wiki Commons