ద వి మెషిన్: కెన్ కంప్యూటర్లు కుక్, వ్రాసి మా బెటర్ దాన్ పెయింట్?

Man v Machine: Can Computers Cook, Write and Paint Better Than Us?

కృత్రిమ మేధస్సు ఇప్పుడు ఒక ఆట గెలుచుకోవాలనే, మీ ముఖం గుర్తించడానికి, మీ పార్కింగ్ టికెట్ వ్యతిరేకంగా అప్పీల్. కానీ అది stuff చేయవచ్చు మానవులు గమ్మత్తైన కనుగొనేందుకు?


Guardian.co.uk ద్వారా ఆధారితంపేరుతో ఈ వ్యాసం “ద వి యంత్రం: కంప్యూటర్లు ఉడికించాలి చేయవచ్చు, వ్రాసి మాకు కంటే మెరుగైన పేయింట్?” లియో Benedictus రాసిన, శనివారం గార్డియన్ 4 జూన్ కోసం 2016 08.00 UTC

ఒక వీడియో, నా కోసం, మారిన ప్రతిదీ. ఇది పాత అటారీ ఆట నుండి ఫుటేజ్ వార్తలు విరిగిపొవటం, మీరు ఒక తెడ్డు ఎడమ మరియు కుడి స్క్రీన్ దిగువన స్లయిడ్ పేరు ఒక, వాటిని ఒక బంతి బౌన్స్ ద్వారా ఇటుకలు నాశనం ప్రయత్నిస్తున్న. మీరు ఆట ఆటగాడి గురించి చదవడానికి ఉండవచ్చు: అభివృద్ధి ఒక అల్గోరిథం DeepMind, దీని AlphaGo కార్యక్రమం బ్రిటిష్ కృత్రిమ మేధస్సు సంస్థ అప్పటి క్రీడాకారులు వెళ్ళండి గొప్ప ఒకటి ఓడించింది, లీ Sedol, ఈ సంవత్సరం.

బహుశా మీరు ఒక కంప్యూటర్ కంప్యూటర్ గేమ్స్ వద్ద మంచి ఉండాలి ఆశించే? ఒకసారి వారు ఏమి తెలుసు, వారు ఖచ్చితంగా ఏ మానవ కంటే నిలకడగా వేగంగా మరియు మరింత దీన్ని. DeepMind యొక్క బ్రేక్అవుట్ ఆటగాడు ఏమీ తెలుసు, అయితే. ఇది ఆట పనిచేస్తుంది సూచనలతో ప్రోగ్రామ్ లేదు జరిగినది; అది కూడా నియంత్రణలు ఉపయోగించడానికి ఎలా చెప్పలేదు. అది కలిగి అన్ని సాధ్యమైనంత అనేక పాయింట్లు గా పొందడానికి ప్రయత్నించండి తెర మరియు ఆదేశం చిత్రం.

వాచ్ వీడియో. మొదట, తెడ్డు ఉపేక్ష లోకి బంతిని డ్రాప్ అనుమతిస్తుంది, ఏ మంచి తెలుసుకోవడం. చివరికి, కేవలం గురించి mucking, అది తిరిగి బంతిని పడేస్తాడు, ఒక ఇటుక నాశనం ఒక పాయింట్ అందుతుంది, కాబట్టి అది ఈ గుర్తించి దానిని మరింత తరచుగా చేస్తుంది. రెండు గంటల అభ్యాసం తరువాత, లేదా గురించి 300 ఆటలు, ఇది తీవ్రంగా మంచి మారింది, మీరు లేదా నేను ఎప్పుడూ ఉంటుంది కంటే మెరుగైన. అప్పుడు, గురించి తరువాత 600 ఆటలు, థింగ్స్ స్పూకీ పొందండి. అల్గోరిథం అదే స్పాట్ గురి మొదలవుతుంది, పదే పదే, వెనుక ఇటుకలు ద్వారా బురో కు గాను అంతరిక్షంలోకి. ఒకసారి అక్కడ, ఏ బ్రేక్అవుట్ ఆటగాడు తెలుసుకోవచ్చు, బంతిని కాసేపు చుట్టూ బౌన్స్ ఉంటుంది, ఉచిత పాయింట్లు సేకరించడం. ఇది కంప్యూటర్ దాని స్వంత న ముందుకు వచ్చారు ఒక మంచి వ్యూహం.

"మా పరిశోధకులు చూసినపుడు ఈ, నిజానికి వాటిని నిర్ఘాంతపోయాడు,"DeepMind సీఈవో, దేమిస్ Hassabis, పారిస్ లో ఒక సాంకేతిక సదస్సు ప్రేక్షకుల చెప్పారు. నువ్వు చేయగలవు తన ప్రదర్శన చూడటానికి, చాలా, యంత్రం దాని బొరియలు వ్యూహం సంఖ్యలు ఉన్నప్పుడు మరియు నవ్వు మరియు ప్రశంసలను వినడానికి. కంప్యూటర్ తెలివితేటలు మారింది, మాకు వంటి ఒక బిట్.

"కృత్రిమ మేధస్సు" దేని గురించి పురాతన మరియు అన్ని కంప్యూటింగ్ యొక్క Buzz పదం చాలా హైప్. ఆలోచన మొదటి పెద్దగా చర్చనీయాంశం కావడంతో అలాన్ ట్యూరింగ్ లో కంప్యూటింగ్ మెషినరీ ఇంటెలిజెన్స్, ది 1950 కాగితం దీనిలో అతను అని తరువాత పిలవబడింది ఏమి ప్రతిపాదించిన ట్యూరింగ్ పరీక్ష: ఒక యంత్రం మాటలు ద్వారా మీరు ఒప్పించేందుకు ఉంటే అది మానవ అని, అది నిజంగా ఆలోచిస్తే నిరూపించింది ఏ మానవ పీల్చకలిగిన చేస్తున్న. కానీ పదం AI సాధారణంగా వరకు వాడబడలేదు 1955, ఎప్పుడు అమెరికన్ గణిత శాస్త్రజ్ఞుడు జాన్ మక్ కార్తి నిపుణులకు సమావేశంలో ప్రతిపాదిత. ఈ క్రింది సంవత్సరం జరిగింది, మరియు అప్పటి నుండి రంగంలో సుమారు ఉన్మాదం మరియు నిరాశ రెండు దశాబ్దాల చక్రం అమలు చేసింది. (ఫ్యాషన్ బయటకు దాని అక్షరములు వివరించడానికి - పరిశోధకులు కూడా ఒక కొత్త పదం కలిగి - "AI వింటర్". 1970 మరియు 1990 విరుచుకుపడ్డారు.)

నేడు ఒక కొత్త వెర్రి ఉంది, ఇతరుల నుండి విభిన్నంగా కనిపిస్తుంది: మీ జేబులో సరిపోయే. ఫోన్ వరల్డ్ చెస్ ఛాంపియన్ కొట్టడానికి, రేడియోలో పాటలు మరియు మీ పిల్లల చిత్రాలు గుర్తించి, మరియు మరొక భాష లోకి మీ వాయిస్ అనువదించడానికి. NAO రోబోట్ తో ఇక్కడ పటంలో Yotam Ottolenghi రెండు కాళ్లపై నడిచే చేయవచ్చు, మాట్లాడటం, ఒక బంతి మరియు కూడా డ్యాన్స్ కనుగొనేందుకు. (ఇది ఒక రోబోట్ వార్తలు, అయితే, AI లేదు: అది ఒక మెనూ రూపకల్పన కాదు.)

లో AI అభివృద్ధి గురించి విన్న, మీరు ఉత్తేజిత అని మీరు చెప్పడం ఒక నిపుణుడు అవసరం లేదు, లేదా భయపడ్డాను. మీరు కేవలం భావన పొందుటకు మొదలు: నిఘా ఇక్కడ ఉంది. స్పష్టంగా Google అనుభూతి వచ్చింది, చాలా, అది ఒక పుకారు $ 650m కోసం DeepMind కొనుగోలు ఎందుకంటే. లో 2013, Facebook దాని స్వంత ప్రాజెక్ట్ ప్రారంభించింది, సైట్ ముఖ మరియు సహజ భాష గుర్తింపు అభివృద్ధి ప్రణాళికలు తో. డెవలపర్లు ఇప్పటికే మేధో chatbots మీద పని మొదలుపెట్టింది, ఫేస్బుక్ వినియోగదారులు దాని మెసెంజర్ సేవ ఉపయోగించి పిలువు చెయ్యగలరు ఇది.

ఇప్పటివరకు, కంప్యూటర్లు అన్ని వద్ద "తెలివైన" లేవు, లేదా కేవలం కొద్దిపాటి తేడాతో కాబట్టి. వారు మాకు సమ్మోహనం ఆ సులభం పనులు మంచి పరిష్కరించగలుగుతున్నాము, వంటి గణితం, కానీ మేము మంజూరు కోసం తీసుకోవాలని ఆ చెడు, తీవ్రంగా హార్డ్ పరిణమించవచ్చు ఇది. వాకింగ్ యొక్క చట్టం ఏదో ఆధునిక రోబోట్లను పిల్లలు వంటి తెలుసుకోవడానికి మరియు ఇప్పటికీ కష్టాలను ఉంది; ప్రాథమిక పనిచేయుచు పనులు సుదూర కలలు ఉంటాయి. "ఒక ఉదాహరణ మీరు లేదా నేను వేరొకరి యొక్క వంటగది లో టీ ఒక కప్పు తయారు చేసే సులభంగా ఉంది,"చెప్పారు ప్రొఫెసర్ అలాన్ విన్ఫీల్డ్, ఇంగ్లాండ్ వెస్ట్ విశ్వవిద్యాలయంలో ఒక roboticist. "ఉన్నాయి ఆ ఈ పని చేయడు భూమిపై ఒక రోబోట్ కాదు."

మానవుడి చాలా కష్టం ఎందుకు అర్థం, మీరు ఛాయాచిత్రాలను నుండి వ్యక్తులను గుర్తించడానికి ఒక కంప్యూటర్ ను ఎలా అనుకుంటున్నాను. AI మరియు లేకుండా, మీరు మొదటి అది మిమ్మల్ని మీరు ఎలా ఉన్నాయి, కంప్యూటర్ ప్రోగ్రామ్ క్రమంలో. మీరు సేకరించిన మరియు అన్ని నమూనాలను గురించి ఆలోచించడం కలిగి, రంగులు మరియు ముఖాల ఆకారాలు, మరియు ఎలా వారు కాంతి మరియు వివిధ కోణాల్లో మార్చడానికి - మరియు మీరు మరియు ఏమి విశిష్టమైనది ఏమి ఉంటుంది కేవలం లెన్స్ బురద ఉంది. AI తో, మీరు వివరించేందుకు లేదు: మీరు కేవలం ఒక కంప్యూటర్ నిజమైన డేటా యొక్క పర్వత ఇవ్వాలని మరియు అది తెలుసుకోవడానికి వీలు. ఎలా మీరు అభ్యాసం సాఫ్ట్వేర్ రూపొందించడానికి ఒక రహస్య విషయం ఉంది, కొన్ని ఇస్తారు కంప్యూటర్ శాస్త్రవేత్తలు ప్రావిన్స్, కానీ అది స్పష్టమవుతుంది వారు మెదడు యెుక్క ఆకృతుల పై ఆధారపడడం డేటా ప్రాసెసింగ్ నిర్మాణాలు కనిపెట్టటం ఒక విజేత పొందారు. (ఈ "లోతైన నేర్చుకోవడం" అంటారు.) నిజమైన డేటా పర్వతాలు కొరకు, బాగా, ఆ ఏమి Google వార్తలు, ఫేస్బుక్, అమెజాన్, ఉబెర్ మిగతా చుట్టూ పడి జరిగే.

ఈ పరిస్తితిలో, మేము ఇంకా ఉత్తమ అవ్ట్ చేస్తుంది AI ఉపయోగిస్తుంది తెలియదు. జోష్ Newlan, ఒక కాలిఫోర్నియా coder లో షాంఘై పని, అంతులేని సమావేశం కాల్స్ వింటూ విసుగు కాకముందు, కాబట్టి తనకు వినడానికి కొన్ని సాఫ్ట్వేర్ అంతర్నిర్మిత. ఇప్పుడు, చేసినప్పుడు Newlan యొక్క పేరు ప్రస్తావించబడింది, తన కంప్యూటర్ తక్షణమే అతని గత అర్ధ నిమిషం యొక్క ట్రాన్స్క్రిప్ట్ పంపుతుంది, నిలబడుతుంది 15 సెకన్లు, అప్పుడు అతనితో ఒక రికార్డింగ్ పోషిస్తుంది, "క్షమించండి, నేను గత ఏడాది గ్రహించడం లేదు నా మైక్రోఫోన్ మూగ ఉంది. ", జోష్ Browder, ఒక బ్రిటీష్ యువకుడు, నిర్మించిన పార్కింగ్ టిక్కెట్లు వ్యతిరేకంగా విజ్ఞప్తుల ఉచిత కృత్రిమ న్యాయవాది; అతను విదేశీ న్యాయ వ్యవస్థల ద్వారా శరణార్థులు మార్గనిర్దేశం మరొక నిర్మించడానికి ప్రణాళికలు. అవకాశాలను ఉన్నాయి ... బాగా, బహుశా ఒక అల్గోరిథం అవకాశాలను పరిగణించవచ్చు.

కాబట్టి యంత్రం మనస్సులలో ఒక రోజు మా సొంత ప్రీతిని ఉంటుంది? నేను మాట్లాడలేదు పరిశోధకులు జాగ్రత్తగా, మరియు వారి యంత్రాలు చేయలేను ఏ నొక్కి నొప్పులు పడుతుంది. కానీ నేను పరీక్షకు AI చాలు నిర్ణయించుకుంది: అది ఒక భోజనం అలాగే Ottolenghi ప్లాన్ చేస్తుంది? ఇది నా చిత్రపటాన్ని చిత్రించడానికి చేయవచ్చు? సాంకేతికత ఇంకా కృత్రిమంగా తెలివైనవాడు - లేదా అది తెలివైన ఉండాలి ప్రారంభమైనదని, నిజమైన కోసం?

వంట పరీక్ష

Well, నేను భయంకరమైన కాదు అని చెబుతాను. మానవులు నన్ను దారుణంగా పనిచేసింది. సత్యం పేరు IBM యొక్క చెఫ్ వాట్సన్ ఈ డిష్ ఇచ్చే ఉన్నప్పటికీ ("చికెన్ లివర్ రుచికరమైన సాస్") అది అర్హురాలని వంటి గురించి ఆకలి పుట్టించే ఉంది.

వాట్సన్ వంటమనిషి ప్రదర్శనగా, అండ్ గార్డియన్ వీకెండ్ యొక్క సొంత చెఫ్ కాలమిస్ట్ Yotam Ottolenghi వరకు, నేను వాటిని చాలా ఒక పనిని చేసింది. నేను ప్రతి ఇతర సమీపంలో ఎక్కడా చెందిన అనిపించింది నాలుగు పదార్ధాలను ఆధారంగా ఒక డిష్ అడిగారు: చికెన్ livers, గ్రీక్ పెరుగు, ముదురు ఆకుపచ్చ రంగు మరియు tequila. వారు ఇష్టపడ్డారు వేరే ఏ జోడించడానికి కాలేదు, కానీ ఆ నాలుగు పూర్తి డిష్ లో వచ్చింది, ఇది నేను ఉడికించాలి మరియు తినడానికి. చెఫ్ వాట్సన్ వెనుకాడడు, తక్షణమే నాకు రెండు పాస్తా సాస్ ఇవ్వడం. Ottolenghi మరింత circumspect ఉంది. "నేను సవాలు వచ్చినపుడు నేను భావించాను, 'ఈ పని ఉండదని,' "అతను నాకు చెబుతుంది.

నేను అదే ఆలోచన. లేదా కనీసం నేను వారి పదార్థాలు ఉన్నప్పటికీ సరే అని నిర్వహించేది రెండు వంటలలో తినడం ముగుస్తుంది భావించాను, కాకుండా ఎందుకంటే వాటి యొక్క కంటే. నిజానికి - మరియు మీరు నాకు ఒక క్రీప్ ఆలోచించండి ఉంటాం, కానీ అలా ఏమి - Ottolenghi యొక్క వంటకం ఒక ప్రకటన చేశారు: కాలేయం మరియు ఉల్లిపాయ మరియు ఒక tequila తగ్గింపు, ఒక ఆపిల్ వడ్డిస్తారు, ముల్లంగి, బీట్రూటు మరియు షికోరి slaw, ఒక ముదురు ఆకుపచ్చ రంగు మరియు పెరుగు డ్రెస్సింగ్ తో. డిష్ కాగితంపై చిన్న అర్ధవంతం ఉండవచ్చు, కానీ నేను ప్రతి మూలకం చెందిన plateful భావన devoured. (మరియు vinaigrette బదులుగా పెరుగు, ముదురు ఆకుపచ్చ రంగు ఆవాలు చిక్కగా: తీవ్రంగా, దీనిని ఒకసారి ప్రయత్నించండి.) Ottolenghi రెసిపీ publishable కేవలం కెప్టన్ చిన్నది నాకు చెబుతుంది.

విషయం, డిష్ పరచడానికి మరియు అతని జట్టు మూడు రోజులు తీసుకుంది. ఇవి రుచి మరియు రుచులు చర్చించడానికి సాధించారు, అల్లికలు, రంగులు, ఉష్ణోగ్రతలు, ఒక విధంగా ఆ వాట్సన్ కాదు - భవిష్యత్తులో ఒక ఫీడ్బ్యాక్ మెకానిజం జోడించడం గురించి "చర్చలు" జరిగాయి, వాట్సన్ యొక్క ప్రధాన ఇంజనీర్ చెఫ్, ఫ్లోరియన్ పైనెల్, నాకు చెబుతుంది. "ఒక వంటకం ఒక క్లిష్టమైన విషయం,"Ottolenghi చెప్పారు. "నాకు కూడా ఒక కంప్యూటర్ చేరుకోవచ్చని ఎలా అర్థం కోసం ఇది కష్టం."

Yotam Ottolenghi మరియు చెఫ్ వాట్సన్ వంటకాలు
Yotam Ottolenghi మరియు చెఫ్ వాట్సన్ వంటకాలు ఫోటో: గార్డియన్ కోసం జే బ్రూక్స్

వాట్సన్ మొదటి IBM నిర్మించారు టెలివిజన్ gameshow జియోపార్డీ గెలుచుకున్న! లో 2011. కొన్ని మార్గాల్లో ఇది ఒక తప్పుదారి సవాలుగా పరిణమించింది, ఒక కంప్యూటర్ కోసం ఒక క్విజ్ కఠినమైన భాగం ప్రశ్నలు అర్థం ఎందుకంటే, సమాధానాలు తెలియక; మానవులకు, దాని చుట్టూ ఇతర మార్గం. కానీ వాట్సన్ గెలిచింది, దాని టెక్నాలజీని చోట్ల అన్వయించటం ప్రారంభమైంది, ఒక చెఫ్ గా సహా, కొత్త వంటకాలు ఉత్పత్తి ఆధారంగా 10,000 నుండి తీసిన నిజ ఉదాహరణలు బాన్ యాపెటిట్ మేగజైన్.

మొదటి సాఫ్ట్వేర్ "ఆహారముగా" ఈ వంటకాలను కలిగి, వాట్సన్ జట్టు చెప్పినట్టూ. గణన యొక్క ఒక చాలా పదార్ధాలలో ఏమి అర్థం వెళ్ళే, ఎలా వారు తయారు, వారు వండుతారు ఎంతకాలం, క్రమంలో కొత్త వంటకాలు వాటిని ఎలా ఉపయోగించాలో వివరించేందుకు చేయగలరు. (ప్రక్రియను ఇప్పటికీ తప్పుదోవ వెళ్ళే. ఇప్పుడు కూడా చెఫ్ వాట్సన్ "నత్త" అనే పదార్ధం సిఫార్సు, ఇది సహాయకంగా వివరిస్తుంది "ఆరవ పూర్తి పొడవు తలచు ద్వారా ఆల్బమ్".)

పెద్ద సమస్య యంత్రం రుచి యొక్క భావాన్ని ప్రయత్నిస్తున్నప్పుడు. కంప్యూటర్కు ఒక నవల కలయిక సృష్టించడానికి "ఇది సులభం తగినంత,"పైనెల్ చెప్పారు, "కానీ అది ఎలా ఒక విశ్లేషించవచ్చు?అప్పుడు వాడుకలో లో సమ్మేళనాలు ఉందని పదార్థాలు మిళితం మరియు - వేల ఉన్నాయి, వీటిలో - "వాట్సన్ నిర్దిష్ట రుచి కాంపౌండ్స్ కలయికగా ప్రతి పదార్ధం పరిగణలోకి బోధించాడు. (ఈ సూత్రం, ఆహార జత, బాగా మానవులు మధ్య స్థాపించబడింది.) చివరిగా, సాఫ్ట్వేర్ ఒక మానవ కుక్ తెలుస్తుంది ఆ దశల వారీ సూచనలను ఉత్పత్తి. దృష్టి ఆచరణాత్మక భోజనం ప్రణాళిక కాకుండా ఆశ్చర్యకరమైన ఉంది. "చెఫ్ వాట్సన్ మీరు ప్రేరేపితులై నిజంగా ఉంది,"పైనెల్ వివరిస్తుంది. ప్రతి రెసిపీ "మీ సొంత సృజనాత్మకత మరియు తీర్పు ఉపయోగించండి" రిమైండర్ తో వస్తుంది.

నేను అవసరం. మొదటి అడుగు "తాగడానికి ఫ్లాట్ ఆకు పార్స్లీ" ఉంది, ఇది కేవలం ఒక మంచి ఆలోచన కాదు. నేను తయారు చేస్తున్నాను, సమర్థవంతంగా, నెమ్మదిగా వండిన కారంగా ఉండే పంది మరియు గొడ్డుమాంసం రాగు, అన్ని నా నాలుగు పదార్థాలు సహా, ఇంకా వాట్సన్ అసాధారణ కూడా దోసకాయగా మరియు "మసాలా పొడి, తో సీజన్" నాకు చెప్పడం ఉంచుతుంది, నేను సూత్రం చేయడానికి తిరస్కరించే. చివర్లో, నేను దొడ్డి కు దగ్గరలోని ఒక రుచి తో ఒక గొప్ప సాస్ కలిగి, కానీ uneatable కాదు. నేను వాసబి లేదా tequila రుచి కాదు, నేను గురించి ఆనందంగా ఉన్నాను ఇది.

NAO రోబోట్ తో Yotam Ottolenghi
NAO రోబోట్ తో Yotam Ottolenghi హెబెరు ప్రాధమిక పాఠశాల సౌజన్యంతో ఇచ్చింది, లండన్. ఫోటో: జే బ్రూక్స్. స్టైలింగ్: లీ Flude

వాట్సన్ తెలివైన మరియు పని కఠినమైన ఉంది, కానీ నేను ఈ ఆహార మేధావుల కోసం సరదాగా ఒక బిట్ కంటే ఎక్కువ అని చెప్పడానికి సిద్ధంగా ఉన్నాను, Ottolenghi నాకు ఆపి. "నేను మాంసం ఒక బిట్ తో livers నెమ్మదిగా వంట ఆలోచన గొప్ప భావిస్తున్నాను," అతను చెప్తున్నాడు. "ఇది రుచి ముమ్మరం. అంతా కలిసి వస్తాయి. నేను ఈ వంటకం తో మళ్ళీ ప్రారంభించడానికి కలిగి ఉంటే, స్పష్టంగా పెరుగు సరిపోకపోతే - కానీ నేను అక్కడ నారింజ చర్మం వదిలిపెట్టేశాడు, సుగంధ కొన్ని. నేను చాలా చెడ్డ రెసిపీ వార్తలు భావించడం లేదు. ఇది పనిచేస్తుంది. "

తీర్పు వాట్సన్ పదార్ధాలను weirdness దాక్కున్నాడు, కానీ Ottolenghi వాటిని పాడటానికి చేస్తుంది.

రచన పరీక్ష

చిన్న ఉంచండి వర్డ్స్మిత్ IBM మరియు Google యొక్క ఫియర్సమ్ యంత్రాలు పక్కన, మరియు అది ఒక జేబు పరిమాణ కాలిక్యులేటర్ వలె కంప్యుటేషన్ ఆధునిక కనిపిస్తుంది. ఇంకా వాట్సన్ దాని శిష్యరికం ద్వారా ఫంబుల్లు అయితే, వర్డ్స్మిత్ పని వద్ద ఇప్పటికే. మీరు అసోసియేటెడ్ ప్రెస్ నుండి స్టాక్ మార్కెట్ నివేదికలు చదివి ఉంటే, లేదా యాహూ క్రీడలు జర్నలిజం, వారు థింక్ ఒక వ్యక్తి ద్వారా వ్రాయబడ్డాయి ఉంటుంది మంచి అవకాశం ఉంది.

వర్డ్స్మిత్ ఒక కృత్రిమ రచయిత. ఆటోమేటెడ్ ఇన్సైట్స్ అని ఉత్తర కరోలినాలోని ఒక కంపెనీ అభివృద్ధి, అది ఒక డేటాసెట్ నుండి అత్యంత ఆసక్తికరమైన అంశాలను plucks వ్యాసానికి ఏర్పరచుకునే వాటిని ఉపయోగిస్తుంది (లేదా ఇమెయిల్, లేదా ఉత్పత్తి జాబితా). అది నిజంగా వార్తలను అంతటా వచ్చినప్పుడు, అది మరింత భావావేశ భాషను ఉపయోగించే. ఇది దాని పని చదవదగ్గ చేయడానికి డిక్షన్ మరియు వాక్యనిర్మాణం మారుతుంది. కూడా ఒక వికృతమైన రోబోట్ చెఫ్ దాని ఉపయోగాలు కలిగి, కానీ మానవ పాఠకులకు రాయడం నునుపైన ఉండాలి. వంటి వాయిస్-గుర్తింపు పరికరం వరకు కట్టిపడేశాయి అమెజాన్ యొక్క ఎకో, వర్డ్స్మిత్ కూడా ఒక మాట్లాడే మానవ ప్రశ్నకు ప్రతిస్పందించలేదు - ఒకటిగా యొక్క పెట్టుబడులు పనితీరు గురించి, say – with a thoughtfully spoken answer, announcing what’s interesting first, and leaving out what isn’t interesting at all. If you didn’t know the trick, you’d think Hal 9000 had arrived.

The trick is this: Wordsmith does the part of writing that people don’t realise is easy. Locky Stewart from Automated Insights gives me a tutorial. You write into Wordsmith a sentence such as, “New ABC figures show that the New York Inquirer’s circulation rose 3% in April.” Then you play around. ది 3% has come from your data, so you select the word “rose” and write a rule, known as a “branch”, which will change the word “rose” to the phrase “shot up” if the percentage is more than 5%. Then you branch “rose” to become “fell” if the percentage is negative. If the percentage is -5% or lower, “rose” becomes “plummeted”.

Then you feed it synonyms. So “plummeted” can also be “fell sharply by”. “The Inquirer’s circulation” can be “circulation at the Inquirer”. “Shot up” can be “soared” and so on. Then you add more sentences, perhaps about online traffic, or about which days’ print copies sold best, or about comparisons year-on-year. Then you get clever. You tell Wordsmith to put the sentences with the most newsworthy information first, defined perhaps as those that feature the greatest percentage changes. Maybe you add a branch to say that a result is “the best/worst performance among the quality titles”. Hell, you can even teach it some old Fleet Street tricks, so that if circulation plummets the piece begins “Editor Charles Kane is facing fierce criticism as”, but if circulation has “shot up” this becomes “Charles Kane has silenced critics with news that”. Insert “more” or “again” or “continues” if you get the same thing two months in a row.

“The artificial intelligence is actually the human intelligence that is building the network of logic,” Stewart says, “the same network you would use when writing a story. It could have been developed 10 లేదా 15 సంవత్సరాల క్రితం, in code, but to make it work at this scale has only been possible lately.” Clearly it takes longer to prepare an article on Wordsmith than to write one conventionally, but once you’ve done so, the computer can publish a fresh newspaper circulation story every month, on every newspaper, within seconds of receiving the information. It can publish millions of stories in minutes – or publish only some of them, if the data doesn’t reach a given threshold of newsworthiness. Thus it becomes an automated editor, చాలా, with adjustable tastes in thoroughness, frequency and hysteria.

For Wordsmith’s task, I suggest football: it’s a field that produces a lot of data and has a readership that wants personalised articles. Guardian football writer Jacob Steinberg volunteers to take on the computer, and I provide a table of facts from the recent Premier League: last season’s league position and this season’s position at Christmas and at the end, goals scored and conceded, top scorer’s name and total, value of summer transfers and a quote from the manager.

Working solely from this data, computer and human must each write a review of the season for a given club. Steinberg chooses Leicester City on the basis that its numbers should contain a story that anyone would see. Wordsmith doesn’t need to choose. It will do all 20.

And in fact both computer and human quickly produce quite similar work:

Leicester City footballer Jamie Vardy

Both Steinberg and Wordsmith deliver dramatic first sentences. Perhaps keen to sound authentic, Automated Insights use some clever tricks to put feeling into the latter’s article, astutely guessing that Leicester were “hoping to finish in the top 10 after a 14th place finish last season”. I look through Wordsmith’s other articles and Southampton, having finished seventh last season, have “eyes on a European spot”, while Manchester City “began the season dreaming of a league title after finishing second”.

Conversely, Steinberg digs more meaningfully into the numbers, showing that Jamie Vardy not only scored 24 గోల్స్, but that this was a higher percentage of his team’s goals than was managed by all but two other players. Knowing how Wordsmith works, కోర్సు, one could easily set it up to do the same. In fact looking through it, Steinberg’s entire article could have been created by a skilled Wordsmith programmer – with the exception of one line. “It’s a magical season,” he quotes the Leicester manager as saying, before adding, “justifiably so, given that a summer expenditure of £26.7m on transfers made them the eighth lowest spenders”. That “justifiably so” shows a writer who actually understands what he is writing.

తీర్పు Steinberg is a much better writer, unless you want 20 data-heavy articles in 10 నిమిషాలు.

The painting test

A laptop wants me to smile. “It’s in a good mood," Simon Colton చెప్పారు. He knows because he’s the scientist who programmed it. We are in the Science Museum in London, where the Painting Fool, as it is called, is giving a public demonstration. It’s important that I don’t show my teeth, Colton says, because something about the light makes them look green to the Painting Fool.

From my toothless smile the laptop creates a “conception” of what it would like to paint, based on its mood. The mood comes from a “sentiment analysis” of recent Guardian articles, as it happens (on average reading the Guardian is a downer, స్పష్టంగా, apart from the stuff about gardening). Yesterday the Fool was in such a bad mood that it sent someone away unpainted; today it is feeling “positive”.

Next the Fool attempts to paint with a simulated brush and a simulated hand (actually, an image of Colton’s hand) on the screen behind me. It learned to reflect its mood from the work of Dan Ventura, another computer scientist, at Brigham Young University in Utah, who trained a neural network to recognise the emotional attributes of images by sitting thousands of people in front of tens of thousands of paintings and asking them to tag each one with whatever adjectives came to mind. The Fool now knows that bright colours reflect a good mood, and “pencils with tight hatching” create a picture that is “cold”. When it is done, it prints out a page with a typed self-critique. “Overall, this is quite a bright portrait,” it says. “That’s OK, but my style has lowered the level of bright here. So I’m a bit annoyed about that.”

Here along with us, intrigued but too busy at her easel to watch, ఉంది Sarah Jane Moon, an artist who exhibits with the Royal Society of Portrait Painters. She doesn’t want to see my teeth, గాని. “We paint from life,"ఆమె చెప్పారు, “and you can’t hold a smile for sitting upon sitting. That’s why all the traditional portraits show quite relaxed features.”

The Painting Fool is a special machine, and even slightly famous, but I can’t deny that Moon is almost all of why I’m excited to be here. The feeling of being painted by a real person, having them look at you and think about you, is exciting and flattering. Sentiment analysis and training data, మరోవైపు, don’t add up to anything whose view of me I care about, and the finished portraits do not change my mind. Moon’s is a lovely, real thing, which feels straight away like one person seen by another. The Fool’s three efforts have qualities I like, but mostly they look like photographs that have gone through some kind of software filter. Colton insists the Fool is here “to learn to be better” but I look and think: so what?

Painting of Leo Benedictus by Sarah Jane Moon
Leo Benedictus as seen by Sarah Jane Moon…
Painting of Leo Benedictus by the Painting Fool computer
…and as imagined by the Painting Fool laptop. ఫోటో: Murray Ballard

Then I think some more. For one thing, it turns out that art is more mechanical than I’d realised. “I try to look at Leo as an abstract set of shapes, రూపాలు, రంగులు, tones,” Moon tells Colton, “to get away from the fact that that’s a nose. Because when you start to do that, you get caught up in what you అనుకుంటున్నాను looks like a nose.”

“What the software does is break it down into colour regions,” Colton says.

"అవును, ఖచ్చితంగా,” Moon agrees. “I think that’s what the best painters do. It’s transcribing.” Afterwards she tells me she felt a kind of “kinship” with the software as they worked side by side.

మరింత ముఖ్యంగా, I realise that what matters isn’t how the machine paints; it’s how I see. Moon I understand, నేను అనుకుంటున్నాను. She’s a person and I know how that feels, so I care about her picture. But what does it feel like to be the Painting Fool? Is that what its portraits are trying to tell me?

తీర్పు Moon’s painting is far richer; the Fool is still learning and has centuries of practice to go.

The translation test

Google Translate was the first piece of proper science fiction to come true, మరియు it’s already a decade old. In many ways it typifies where AI has got to. Useful, ఖచ్చితంగా; impressive, without question; but still clunky as hell, despite big improvements.

If you haven’t used it, it works like this: enter text or web links in any of 103 supported languages and you get a rough translation seconds later in any of the others. The app on your phone will transcribe what you say and then speak it back, translated (32 languages supported); it can replace the text of a foreign language sign or menu wherever you point the camera. No explanation is needed of how cool that is (and it’s free).

Globally, half a billion people use Google Translate each month, mostly those who don’t speak English (which is 80% of people) but who want to understand the internet (which is 50% ఇంగ్లీష్). “Most of our growth, and actually most of our traffic, comes from developing or emerging markets such as Brazil, ఇండోనేషియా, భారతదేశం, థాయిలాండ్,” says Barak Turovsky, head of product management and user experience at Google Translate. It’s surprisingly popular for dating, చాలా, he adds. “Things like ‘I love you’ and ‘You have beautiful eyes’, that’s very prevalent.”

The software has always used a form of statistical machine learning: scouring the internet for already translated text – UN declarations, EU documents – and mapping the likelihood of certain words and phrases corresponding to one another. The more data it gathers, the better it gets, but the improvement levelled off a couple of years ago. త్వరలో, Turovsky says, they will deploy new deep learning algorithms, which will produce much more fluent translations.

అయినాకాని, there are limits, and some seem fundamental when you talk to a human translator and realise how subtle their work is. Ros Schwartz మరియు Anne de Freyman volunteer for this task. Both are professional French/English translators, and I need two because, in order to judge how good the translation is without being fluent in both languages, we need to translate twice – once out of English into French, once back again. Google Translate keeps no memory of the original and can do the same thing.

I choose a short passage of distinctive but not especially wild or ambiguous prose from the beginning of Herzog by Saul Bellow. Translators normally require context, so I tell Schwartz and De Freyman that it comes from a famous mid-century American novel.

Within a few days, Schwartz and De Freyman return a very smooth facsimile of the original text. Here and there some nuances have not survived, but the passage remains a pleasure to read, and the main meanings come across exactly.

Google Translate takes only a few seconds, and the result is both impressive and inadequate, weirdly good in places, in others weirdly bad – turning “he” into “it” and concocting the idea that Herzog is in love. Miraculously, it keeps “cracked” as a description of the hero. French has no word that combines the sense of “broken” and “mad” that cracked coveys in English, so De Freyman makes it “cinglé”, which comes back from Schwartz as “crazy”.

“Google Translate would look at statistical probability and say, what does ‘cracked’ mean?” Turovsky explains. “And statistically, it will try to decide whether it means ‘cracked’ or ‘crazy’ or whatever. ఆ, for a machine, is a non-trivial task.” Nor is it simple for a human, even though we find it easy. You’d have to ask whether Bellow could have meant that Herzog was “cracked” as in physically fractured. Then you’d have to assume not, because human bodies don’t generally do that. So you’d wonder what he did mean and assume instead, if you were not already familiar with the usage, that he must mean “crazy”, because you understand the rest of what you’ve read. But to do all this, wouldn’t Google Translate have to be pretty much conscious, I ask? Turovsky laughs. “I don’t think I’m qualified to answer that question.”

తీర్పు Some bullseyes and howlers from Google Translate, while Schwartz and De Freyman are fluent and exact.

guardian.co.uk © గార్డియన్ న్యూస్ & మీడియా లిమెటెడ్ 2010

సంబంధిత వ్యాసాలు