הפרדוקס של מורבק
הפרדוקס של מורָבֶק (באנגלית: Moravec's paradox) הוא תופעה שנצפתה בשדה הפיתוח של בינה מלאכותית ורובוטיקה, ועל פיה בניגוד להנחות מסורתיות, חשיבה דורשת מעט מאוד כוח חישוב, בעוד מיומנויות חישה ותנועה בעולם הפיזי דורשות משאבים חישוביים גדולים הרבה יותר. העיקרון נוסח על ידי הנס מורבק, מומחה לרובוטיקה ועתידן, ב-1976, ובידי רודני ברוקס, מרווין מינסקי ואחרים בשנות ה-80.
מורבק כתב ב-1988, "קל יחסית לגרום למחשבים להפגין ביצועים ברמה של מבוגרים במבחני אינטליגנציה או משחק דמקה, וקשה עד בלתי אפשרי לתת להם יכולות של ילד בן שנה בכל הנוגע לתפיסה-חושית ותנועה במרחב".[1]
באופן דומה, מינסקי הדגיש שהכישורים האנושיים הקשים ביותר להנדסה לאחור הם אלה שנמצאים בתת-מודע. "באופן כללי, אנחנו הכי פחות מודעים למה שהמוח שלנו עושה הכי טוב", כתב, והוסיף "אנחנו מודעים יותר לתהליכים פשוטים שלא עובדים טוב מאשר לתהליכים מורכבים שעובדים ללא רבב".[2]
עיקרון דומה הציג סטיבן פינקר כאשר כתב ב-1994 כי "הלקח העיקרי של שלושים וחמש שנות מחקר בינה מלאכותית הוא שהבעיות הקשות הן קלות והבעיות הקלות הן קשות".[3]
בשנות ה-20 של המאה ה-21, בהתאם לחוק מור, מחשבים הפכו למהירים פי מאות מיליונים מאשר בשנות ה-70, וכוח החישוב הנוסף מספיק כדי להתחיל לטפל בתפיסה ומיומנויות חושיות, כפי שחזה מורבק ב-1976.[4] בשנת 2017, הציג חוקר למידת מכונה מוביל, אנדרו נג, "כלל אצבע מאוד לא מושלם", לפיו "כמעט כל דבר שאדם ממוצע יכול לעשות בפחות משנייה של מחשבה, נוכל כנראה בעתיד הקרוב לבצע לו אוטומציה באמצעות בינה מלאכותית". [5] אך נכון ל-2017 אין הסכמה לגבי המשימות בהן AI נוטה להצטיין.[6]
ראו גם
[עריכת קוד מקור | עריכה]קישורים חיצוניים
[עריכת קוד מקור | עריכה]- מדוע עדיין הרובוטים לא טובים מספיק?, הרצאה של קן גולדברג, סרטון בערוץ "TED", באתר יוטיוב (אורך: 12:10) (באנגלית)
הערות שוליים
[עריכת קוד מקור | עריכה]- ^ Hans Moravec (1988), Mind Children, Harvard University Press, עמ' 15
- ^ Marvin Minsky (1986), The Society of Mind, Simon and Schuster, עמ' 29
- ^ סטיבן פינקר, אינסטינקט השפה
- ^ הנס מורבק (1976), The Role of Raw Power in Intelligence (בארכיון האינטרנט)
- ^ Will your job still exist in 10 years when the robots arrive?, South China Morning Post, 2017-06-14 (באנגלית)
- ^ Erik Brynjolfsson, Tom Mitchell, What can machine learning do? Workforce implications, Science 358, 2017-12-22, עמ' 1530–1534 doi: 10.1126/science.aap8062