اگر شما به مدیر عاملان اعتقاد دارید ، یک ماشین کاملاً خودمختار تنها چند ماه با آن فاصله دارد. در سال 2015 ، الون مسک تسلا کاملاً خودمختار را تا سال 2018 پیش بینی کرد؛ گوگل نیز چنین کرد. سیستم سطح 4 دلفی و MobileEye در حال حاضر برای سال 2019 ترسیم شده است ، در همان سال Nutonomy قصد دارد هزاران تاکسی بدون راننده را در خیابان های سنگاپور مستقر کند. جنرال موتورز در سال 2019 یک اتومبیل کاملاً خودمختار را به بازار عرضه خواهد کرد ، بدون اینکه فرمان یا توانایی مداخله رانندگان داشته باشد. شرط واقعی در پشت این پیش بینی ها وجود دارد ، شرط هایی با این فرض که این نرم افزار بتواند از اعتیاد به اعتیاد به مواد مخدره بگیرد.
از نظر چهره ، استقلال کامل از همیشه به نظر می رسد. Waymo در حال حاضر مشغول آزمایش اتومبیل در جاده های محدود اما عمومی در آریزونا است. تسلا و تعداد زیادی از تقلیدگران دیگر در حال حاضر به صورت محدودی از Autopilot را به فروش می رسانند ، و بر روی رانندگان حساب می کنند تا در صورت اتفاق غیر منتظره مداخله کنند. چند تصادف وجود دارد ، برخی کشنده است ، اما تا زمانی که سیستم ها در حال پیشرفت باشند ، منطق پیش می رود ، ما نمی توانیم از این که اصلاً مداخله نخواهیم کرد فاصله داشته باشیم.
اما رؤیای یک اتومبیل کاملاً خودمختار ممکن است فراتر از آنچه تصور می کنیم باشد. نگرانی های فزاینده ای بین کارشناسان هوش مصنوعی وجود دارد که ممکن است سالها باشد ، اگر نه چند دهه ، قبل از اینکه سیستم های خود رانندگی با اطمینان بتوانند از تصادفات دوری کنند. همانطور که سیستم های خودآموز با هرج و مرج دنیای واقعی دست و پنجه نرم می کنند ، کارشناسانی مانند گری مار از NYU در تلاشند برای یک حساب مجدد دردناک در انتظارات ، اصلاحاتی را انجام دهند که اصطلاحاً "AI زمستان" می نامد. این تاخیر می تواند عواقب فاجعه آمیزی برای شرکتهای بانکی با فناوری خودران داشته باشد و استقلال کامل را برای کلیه نسل از دسترس خارج کند.
قیمت راهبند
به راحتی می توان فهمید که چرا شرکت های خودروسازی نسبت به خودمختاری خوش بین هستند. در طی ده سال گذشته ، یادگیری عمیق - روشی که از الگوریتم های یادگیری ماشین لایه بندی شده برای استخراج اطلاعات ساختار یافته از مجموعه داده های عظیم استفاده می کند - پیشرفت تقریباً غیرقابل تصوری در هوش مصنوعی و صنعت فناوری داشته است. این برنامه از جستجوی گوگل ، فید فیس بوک خبر ، الگوریتم های گفتگو به گفتار به متن ، و سیستم های بازی سازی قهرمان استفاده می کند. در خارج از اینترنت ، ما از یادگیری عمیق برای شناسایی زمین لرزه ، پیش بینی بیماری قلبی و رفتار مشکوک پرچم در یک دوربین ، به همراه نوآوری های بی شماری دیگر استفاده می کنیم که در غیر این صورت غیرممکن بود.
اما یادگیری عمیق برای کار صحیح به داده های آموزشی فراوانی نیاز دارد ، تقریباً در هر سناریویی که الگوریتم با آن روبرو می شوید. به عنوان مثال ، سیستم هایی مانند Google تصاویر در شناسایی حیوانات بسیار عالی هستند تا زمانی که داده های آموزشی دارند و به آنها نشان می دهند که هر حیوان چگونه به نظر می رسد. مار این نوع کار را با عنوان "درون یابی" توصیف می کند ، و با بررسی همه تصاویر با عنوان "ocelot" تصمیم می گیرد و تصمیم می گیرد که آیا این تصویر جدید متعلق به این گروه است یا خیر.
مهندسان می توانند در مکانی که داده ها از چه طریق تهیه می شوند و نحوه ساخت آن خلاقیت پیدا می کنند ، اما محدودیت سختی را برای دسترسی به یک الگوریتم معین فراهم می کنند. همان الگوریتم نمی تواند یک حلقه را تشخیص دهد ، مگر اینکه هزاران تصویر از یک حلقه دیده شود - حتی اگر در خانه ها و جاگوارها تصاویر دیده شده باشد ، و می داند که حلقه های چشمی در جایی هستند. این فرایند ، "عمومی سازی" ، مجموعه مهارتهای متفاوتی را می طلبد.
درباره این سایت