Intelligenza artificiale – La rivoluzione non è ancora accaduta
L’Intelligenza Artificiale (AI) è il mantra dell’era attuale. La frase è intonata da tecnologi, accademici, giornalisti e venture capitalist. Come per molte frasi che passano dai campi accademici tecnici alla circolazione generale, vi è un significativo fraintendimento che accompagna l’uso della frase. Ma questo non è il classico caso in cui il pubblico non comprende gli scienziati – qui gli scienziati sono spesso confusi quanto il pubblico. L’idea che la nostra era stia vedendo in qualche modo l’emergere di un’intelligenza in silicio che rivaleggia con la nostra, ci intrattiene tutti – incantando noi e spaventandoci in egual misura. E, sfortunatamente, ci distrae.
C’è una diversa narrativa che si può raccontare sull’era attuale. Considera la seguente storia, che riguarda gli esseri umani, i computer, i dati e le decisioni di vita o di morte, ma in cui l’attenzione è qualcosa di diverso dalle fantasie dell’intelligenza nel silicio. Quando mia moglie era incinta 14 anni fa, abbiamo avuto un’ecografia. C’era un genetista nella stanza, e lei ha indicato alcune macchie bianche attorno al cuore del feto. “Questi sono marcatori per la sindrome di Down”, ha osservato, “e il rischio è ora salito a 1 su 20.” Ci ha anche fatto sapere che potremmo sapere se il feto ha effettivamente avuto la modificazione genetica alla base della sindrome di Down tramite un’amniocentesi . Ma l’amniocentesi era rischiosa – il rischio di uccidere il feto durante la procedura era di circa 1 su 300. Essendo uno statistico, decisi di scoprire da dove provenissero questi numeri. Per farla breve, ho scoperto che un’analisi statistica era stata effettuata una decina di anni prima nel Regno Unito, dove queste macchie bianche, che riflettono l’accumulo di calcio, sono state effettivamente stabilite come un predittore della sindrome di Down. Ma ho anche notato che la macchina per l’imaging utilizzata nel nostro test aveva qualche centinaio di pixel in più per pollice quadrato rispetto alla macchina utilizzata nello studio del Regno Unito. Sono tornato per dire al genetista che credevo che i punti bianchi fossero probabilmente falsi positivi – che fossero letteralmente “rumore bianco”. Ha detto “Ah, questo spiega perché abbiamo iniziato a vedere un aumento della diagnosi di sindrome di Down qualche anno fa; è quando è arrivata la nuova macchina. ” sono stati infatti stabiliti come un predittore della sindrome di Down. Ma ho anche notato che la macchina per l’imaging utilizzata nel nostro test aveva qualche centinaio di pixel in più per pollice quadrato rispetto alla macchina utilizzata nello studio del Regno Unito. Sono tornato per dire al genetista che credevo che i punti bianchi fossero probabilmente falsi positivi – che fossero letteralmente “rumore bianco”. Ha detto “Ah, questo spiega perché abbiamo iniziato a vedere un aumento della diagnosi di sindrome di Down qualche anno fa; è quando è arrivata la nuova macchina. ” sono stati infatti stabiliti come un predittore della sindrome di Down. Ma ho anche notato che la macchina per l’imaging utilizzata nel nostro test aveva qualche centinaio di pixel in più per pollice quadrato rispetto alla macchina utilizzata nello studio del Regno Unito. Sono tornato per dire al genetista che credevo che i punti bianchi fossero probabilmente falsi positivi – che fossero letteralmente “rumore bianco”. Ha detto “Ah, questo spiega perché abbiamo iniziato a vedere un aumento della diagnosi di sindrome di Down qualche anno fa; è quando è arrivata la nuova macchina. ” questo spiega perché abbiamo iniziato a vedere un aumento della diagnosi di sindrome di Down qualche anno fa; è quando è arrivata la nuova macchina. ” questo spiega perché abbiamo iniziato a vedere un aumento della diagnosi di sindrome di Down qualche anno fa; è quando è arrivata la nuova macchina. ”
Non abbiamo fatto l’amniocentesi e una ragazza sana è nata pochi mesi dopo. Ma l’episodio mi ha turbato, soprattutto dopo un calcolo retrospettivo che mi ha convinto che molte migliaia di persone avevano ricevuto quella diagnosi quel giorno stesso in tutto il mondo, che molti di loro avevano optato per l’amniocentesi e che un certo numero di bambini era morto inutilmente. E questo è successo giorno dopo giorno fino a quando non è stato risolto. Il problema che questo episodio ha rivelato non riguardava la mia assistenza medica individuale; si trattava di un sistema medico che misurava le variabili e gli esiti in vari luoghi e tempi, conduceva analisi statistiche e utilizzava i risultati in altri luoghi e tempi. Il problema doveva essere non solo con l’analisi dei dati di per sé, ma con quello che i ricercatori di database chiamano “provenienza” – in generale, dove sono sorti i dati, quali inferenze sono state tratte dai dati e quanto sono pertinenti queste inferenze alla situazione attuale? Mentre un essere umano addestrato potrebbe essere in grado di lavorare tutto questo caso per caso, il problema era quello di progettare un sistema medico su scala planetaria che potesse farlo senza la necessità di una supervisione umana così dettagliata.
Sono anche uno scienziato informatico, e mi è venuto in mente che i principi necessari per costruire sistemi di inferenza e decisione su scala planetaria di questo tipo, fondendo l’informatica con le statistiche e tenendo conto delle utilità umane, non erano da nessuna parte essere trovato nella mia educazione E mi è venuto in mente che lo sviluppo di tali principi – che saranno necessari non solo nel campo della medicina ma anche in settori come il commercio, i trasporti e l’istruzione – erano almeno altrettanto importanti di quelli della costruzione di sistemi IA che ci possono abbagliare con le loro abilità di gioco o sensomotorio.
Sia che arriviamo o no a capire “intelligenza” in qualunque momento presto, abbiamo una sfida importante nelle nostre mani nel riunire computer e umani in modi che migliorano la vita umana. Mentre questa sfida è considerata da alcuni come sottomessa alla creazione di “intelligenza artificiale”, può anche essere vista più prosaicamente – ma senza meno riverenza – come la creazione di una nuova branca dell’ingegneria. Proprio come l’ingegneria civile e l’ingegneria chimica nei decenni passati, questa nuova disciplina mira a corralizzare il potere di alcune idee chiave, portando nuove risorse e capacità alle persone, e facendo così in modo sicuro. Mentre ingegneria civile e ingegneria chimica sono state costruite su fisica e chimica, questa nuova disciplina ingegneristica sarà costruita su idee che il secolo precedente ha dato sostanza – idee come “informazione”, “algoritmo”, “dati,
Mentre i blocchi costitutivi hanno iniziato a emergere, i principi per mettere insieme questi blocchi non sono ancora emersi, e quindi i blocchi vengono attualmente messi insieme in modi ad hoc.
Così, proprio mentre gli umani costruivano edifici e ponti prima che ci fosse l’ingegneria civile, gli umani stanno procedendo con la costruzione di sistemi di scala sociale, inferenziali e decisionali che coinvolgono le macchine, gli esseri umani e l’ambiente. Proprio come i primi edifici e ponti a volte cadevano a terra – in modi imprevisti e con tragiche conseguenze – molti dei nostri primi sistemi di inferenza e decisione su scala sociale stanno già rivelando gravi difetti concettuali.
E, sfortunatamente, non siamo molto bravi nell’anticipare quale sarà il prossimo grave difetto emergente. Quello che ci manca è una disciplina ingegneristica con i suoi principi di analisi e progettazione.
L’attuale dialogo pubblico su questi temi usa spesso “AI” come un jolly intellettuale, che rende difficile ragionare sulla portata e sulle conseguenze della tecnologia emergente. Cominciamo col considerare con più attenzione che cosa “A” è stato usato per riferirsi, sia recentemente che storicamente.
La maggior parte di ciò che viene chiamato “AI” oggi, in particolare nella sfera pubblica, è ciò che è stato chiamato “Machine Learning” (ML) negli ultimi decenni. ML è un campo algoritmico che unisce idee provenienti da statistiche, informatica e molte altre discipline (vedi sotto) per progettare algoritmi che elaborano dati, fanno previsioni e aiutano a prendere decisioni. In termini di impatto sul mondo reale, ML è la cosa reale, e non solo di recente. In effetti, che la ML diventerebbe un’enorme rilevanza industriale era già chiara all’inizio degli anni ’90, e all’inizio del secolo società lungimiranti come Amazon stavano già utilizzando la ML in tutta la loro attività, risolvendo problemi di back-end mission-critical in frodi rilevamento e previsione della catena di fornitura e creazione di servizi innovativi rivolti ai consumatori come i sistemi di raccomandazione. Dato che i set di dati e le risorse di calcolo crebbero rapidamente nei due decenni successivi, divenne chiaro che ML avrebbe presto potenziato non solo Amazon, ma essenzialmente qualsiasi società in cui le decisioni potevano essere legate a dati su larga scala. Ne emergerebbero nuovi modelli di business. La frase “Data Science” cominciò a essere usata per riferirsi a questo fenomeno, riflettendo la necessità degli esperti di algoritmi ML di collaborare con esperti di database e sistemi distribuiti per costruire sistemi ML scalabili e robusti, e riflettere il più ampio ambito sociale e ambientale del sistemi risultanti.
Questa confluenza di idee e tendenze tecnologiche è stata rinominata “AI” negli ultimi anni. Questo rebranding è degno di qualche scrutinio.
Storicamente, la frase “AI” fu coniata alla fine degli anni ’50 per riferirsi all’aspirante aspirazione di realizzare nel software e nell’hardware un’entità che possedesse l’intelligenza a livello umano. Useremo la frase “IA imitativa umana” per riferirsi a questa aspirazione, sottolineando la nozione che l’entità artificialmente intelligente dovrebbe sembrare uno di noi, se non fisicamente almeno mentalmente (qualunque cosa ciò possa significare). Questa era in gran parte un’impresa accademica. Mentre settori accademici correlati come ricerca operativa, statistica, riconoscimento di schemi, teoria dell’informazione e teoria del controllo esistevano già e spesso erano ispirati dall’intelligenza umana (e dall’intelligenza animale), questi campi erano discutibilmente incentrati su segnali e decisioni “di basso livello”. La capacità, per esempio, di uno scoiattolo di percepire la struttura tridimensionale della foresta in cui vive, e saltare tra i suoi rami, è stato fonte d’ispirazione per questi campi. “L’intelligenza artificiale” intendeva concentrarsi su qualcosa di diverso: la capacità “ad alto livello” o “cognitiva” degli esseri umani di “ragionare” e “pensare”. Sessant’anni dopo, tuttavia, il ragionamento e il pensiero di alto livello rimangono elusivi. Gli sviluppi che ora vengono chiamati “AI” sono emersi principalmente nei campi ingegneristici associati al riconoscimento di pattern di basso livello e al controllo del movimento, e nel campo delle statistiche – la disciplina si è incentrata sulla ricerca di modelli nei dati e sulla realizzazione di previsioni fondate, test di ipotesi e decisioni.
In effetti, il famoso algoritmo di “backpropagation” che fu riscoperto da David Rumelhart all’inizio degli anni ’80 e che ora viene visto come il nucleo della cosiddetta “rivoluzione AI”, nacque per la prima volta nel campo della teoria del controllo negli anni ’50. e anni ’60. Una delle sue prime applicazioni fu quella di ottimizzare le spinte delle astronavi Apollo mentre si dirigevano verso la luna.
Dagli anni ’60 sono stati compiuti molti progressi, ma non è stato possibile derivare dalla ricerca dell’IA imitativa umana. Piuttosto, come nel caso delle astronavi Apollo, queste idee sono state spesso nascoste dietro le quinte e sono state l’opera di ricercatori focalizzati su specifiche sfide ingegneristiche. Sebbene non sia visibile al pubblico, la ricerca e la costruzione di sistemi in aree come il recupero dei documenti, la classificazione dei testi, il rilevamento delle frodi, i sistemi di raccomandazione, la ricerca personalizzata, l’analisi dei social network, la pianificazione, la diagnostica e il test A / B sono stati un grande successo – questi sono i progressi che hanno aziende motorizzate come Google, Netflix, Facebook e Amazon.
Si potrebbe semplicemente accettare di riferirsi a tutto questo come “AI”, e in effetti è quello che sembra essere successo. Tale etichettatura può sorprendere i ricercatori che si occupano di ottimizzazione o statistica, che si svegliano improvvisamente definiti “ricercatori dell’IA”. Ma a parte l’etichettatura dei ricercatori, il problema più grande è che l’uso di questo singolo acronimo mal definito impedisce una chiara comprensione della gamma di questioni intellettuali e commerciali in gioco.
Gli ultimi due decenni hanno visto importanti progressi – nell’industria e nel mondo accademico – in un’aspirazione complementare all’IA umana imitativa che viene spesso definita “Intelligence Augmentation” (IA). Qui computazione e dati vengono utilizzati per creare servizi che aumentano l’intelligenza umana e la creatività. Un motore di ricerca può essere visto come un esempio di IA (aumenta la memoria umana e la conoscenza fattuale), così come la traduzione in linguaggio naturale (aumenta la capacità di un umano di comunicare). La generazione di suoni e immagini basata sul computing funge da tavolozza e stimolo della creatività per gli artisti. Mentre i servizi di questo tipo potrebbero in teoria coinvolgere il ragionamento e il pensiero di alto livello, attualmente non lo fanno, eseguono per lo più vari tipi di operazioni di corrispondenza e numeriche che catturano schemi che gli umani possono utilizzare.
Sperando che il lettore tolleri un ultimo acronimo, concepiamo ampiamente una disciplina di “Intelligent Infrastructure” (II), in cui esiste una rete di computazioni, dati ed entità fisiche che rende gli ambienti umani più favorevoli, interessanti e sicuri. Tale infrastruttura sta cominciando a fare la sua comparsa in settori come i trasporti, la medicina, il commercio e la finanza, con vaste implicazioni per singoli individui e società. Questa emergenza emerge talvolta nelle conversazioni su una “Internet delle cose”, ma in genere si tratta di un problema che riguarda il semplice problema di ottenere “cose” su Internet – non per le serie di sfide più grandi associate a queste “cose” in grado di analizzare quelle flussi di dati per scoprire fatti sul mondo,
Per esempio, tornando al mio aneddoto personale, potremmo immaginare di vivere la nostra vita in un “sistema medico su scala sociale” che istituisce flussi di dati e flussi di analisi dei dati, tra medici e dispositivi posizionati all’interno e intorno a corpi umani, quindi in grado di aiuta l’intelligenza umana a fare diagnosi e fornire assistenza. Il sistema incorporerebbe informazioni provenienti da cellule del corpo, DNA, analisi del sangue, ambiente, genetica della popolazione e la vasta letteratura scientifica su farmaci e trattamenti. Non si concentrerebbe solo su un singolo paziente e un medico, ma sulle relazioni tra tutti gli esseri umani – proprio come gli attuali test medici consentono agli esperimenti condotti su un insieme di esseri umani (o animali) di essere portati a sopportare la cura di altri umani. Aiuterebbe a mantenere le nozioni di rilevanza, provenienza e affidabilità, nel modo in cui l’attuale sistema bancario si concentra su tali sfide nel campo della finanza e dei pagamenti. E, mentre si possono prevedere molti problemi che sorgono in un tale sistema – che riguardano problemi di privacy, problemi di responsabilità, problemi di sicurezza, ecc. – questi problemi dovrebbero essere visti correttamente come sfide, non come ostacoli.
Veniamo ora a un problema critico: il lavoro sull’IA artificiale e imitativa classica è il modo migliore o il solo per concentrarsi su queste sfide più grandi? Alcune delle più recenti e recenti storie di successo di ML sono state in aree associate all’IA imitativa umana – aree come la visione artificiale, il riconoscimento vocale, il gioco e la robotica. Quindi forse dovremmo semplicemente attendere ulteriori progressi in settori come questi. Ci sono due punti da fare qui. Innanzitutto, anche se non lo si saprebbe leggendo i giornali, il successo nell’IA imitativa umana è stato in effetti limitato – siamo molto lontani dal realizzare aspirazioni di tipo umano imitativo. Sfortunatamente il brivido (e la paura) di fare progressi ancora limitati sull’IA imitativa umana dà luogo a livelli di eccessiva esuberanza e attenzione mediatica che non è presente in altre aree dell’ingegneria.
In secondo luogo, e ancora più importante, il successo in questi settori non è né sufficiente né necessario per risolvere importanti problemi IA e II. Dal punto di vista della sufficienza, considera le auto a guida autonoma. Affinché tale tecnologia possa essere realizzata, sarà necessario risolvere una serie di problemi ingegneristici che potrebbero avere poca relazione con le competenze umane (o con la mancanza di competenze umane). Il sistema di trasporto generale (un II sistema) probabilmente assomiglierà più strettamente all’attuale sistema di controllo del traffico aereo rispetto all’attuale collezione di conducenti umani disattenti, rivolti in avanti e disattenti. Sarà molto più complesso dell’attuale sistema di controllo del traffico aereo, in particolare nel suo uso di enormi quantità di dati e di modelli statistici adattativi per informare le decisioni a grana fine. Sono quelle sfide che devono essere in prima linea,
Per quanto riguarda l’argomento della necessità, a volte viene argomentato che l’aspirazione AI imitativa umana sussume le aspirazioni IA e II, perché un sistema AI umano-imitativo non solo sarebbe in grado di risolvere i problemi classici dell’IA (come incarnato, ad esempio, nel Test di Turing), ma sarebbe anche la soluzione migliore per risolvere i problemi di IA e II. Un tale argomento ha pochi precedenti storici. L’ingegneria civile si è sviluppata prevedendo la creazione di un falegname o muratore artificiale? L’ingegneria chimica dovrebbe essere strutturata in termini di creazione di un chimico artificiale? Ancora più polemicamente: se il nostro obiettivo fosse quello di costruire fabbriche chimiche, dovremmo prima aver creato un chimico artificiale che avrebbe poi elaborato come costruire una fabbrica chimica?
Un argomento correlato è che l’intelligenza umana è l’unico tipo di intelligenza che conosciamo e che dovremmo mirare a imitarla come primo passo. Ma in realtà gli umani non sono molto bravi in alcuni tipi di ragionamento: abbiamo i nostri errori, pregiudizi e limiti. Inoltre, criticamente, non ci siamo evoluti per eseguire i tipi di decisioni su larga scala che i moderni sistemi II devono affrontare, né per far fronte ai tipi di incertezza che sorgono in contesti II. Si potrebbe discutere
che un sistema di intelligenza artificiale non solo imitasse l’intelligenza umana, ma anche la “correggesse”, e sarebbe adattabile anche a problemi di dimensioni arbitrarie. Ma ora siamo nel regno della fantascienza – argomentazioni così speculative, mentre si intrattengono nel contesto della finzione, non dovrebbero essere la nostra strategia principale che va avanti di fronte ai problemi critici di IA e II che stanno iniziando ad emergere. Dobbiamo risolvere i problemi di IA e II per i loro meriti, non come un semplice corollario ad un programma di IA imitativo umano.
Non è difficile individuare le sfide algoritmiche e infrastrutturali nei sistemi II che non sono temi centrali nella ricerca di intelligenza artificiale imitativa. I sistemi II richiedono la capacità di gestire repository distribuiti di conoscenze che stanno cambiando rapidamente e che potrebbero essere globalmente incoerenti. Tali sistemi devono far fronte alle interazioni cloud-edge nel prendere decisioni tempestive e distribuite e devono affrontare fenomeni a lungo termine in cui vi sono molti dati su alcuni individui e pochi dati sulla maggior parte degli individui. Devono affrontare le difficoltà di condivisione dei dati attraverso i confini amministrativi e competitivi. Infine, e di particolare importanza, i sistemi II devono portare idee economiche come incentivi e prezzi nel campo delle infrastrutture statistiche e computazionali che collegano gli esseri umani tra loro e ai beni di valore.mercati . Ci sono domini come la musica, la letteratura e il giornalismo che gridano per l’emergere di tali mercati, dove l’analisi dei dati collega produttori e consumatori. E questo deve essere fatto nel contesto dell’evoluzione delle norme sociali, etiche e legali.
Naturalmente, anche i classici problemi di IA imitativi umani rimangono di grande interesse. Tuttavia, l’attuale focus sulla ricerca di intelligenza artificiale attraverso la raccolta di dati, l’implementazione di infrastrutture di “deep learning” e la dimostrazione di sistemi che imitano alcune competenze umane strettamente definite – con poco in termini di principi esplicativi emergenti – tende a distogliere l’attenzione dai principali problemi aperti nell’IA classica. Questi problemi includono la necessità di portare significato e ragionamento in sistemi che eseguono l’elaborazione del linguaggio naturale, la necessità di dedurre e rappresentare la causalità, la necessità di sviluppare rappresentazioni di incertezza computazionalmente tracciabili e la necessità di sviluppare sistemi che formulino e perseguano obiettivi a lungo termine . Questi sono obiettivi classici nell’IA imitativa umana, ma nell’attuale confusione sulla “rivoluzione AI,
L’IA resterà anche abbastanza essenziale, perché nel prossimo futuro i computer non saranno in grado di eguagliare gli umani nella loro capacità di ragionare in modo astratto sulle situazioni del mondo reale. Avremo bisogno di interazioni ben pensate tra umani e computer per risolvere i nostri problemi più urgenti. E vorremmo che i computer inneschino nuovi livelli di creatività umana, non sostituiscano la creatività umana (qualunque cosa ciò possa significare).
Fu John McCarthy (mentre un professore a Dartmouth, e presto a prendere una
posizione al MIT) che ha coniato il termine “AI”, apparentemente per distinguere il suo
programma di ricerca in erba da quello di Norbert Wiener (allora un professore anziano al MIT). Wiener aveva coniato “la cibernetica” per riferirsi alla sua visione dei sistemi intelligenti – una visione strettamente legata alla ricerca operativa, statistica, riconoscimento di schemi, teoria dell’informazione e teoria del controllo. McCarthy, d’altra parte, ha sottolineato i legami con la logica. In un’inversione interessante, è l’agenda intellettuale di Wiener che è arrivata a dominare nell’era attuale, sotto la bandiera della terminologia di McCarthy. (Questo stato di cose è sicuramente, tuttavia, solo temporaneo, il pendolo oscilla maggiormente nell’intelligenza artificiale rispetto
alla maggior parte dei campi).
Ma dobbiamo andare oltre le particolari prospettive storiche di McCarthy e Wiener.
Dobbiamo renderci conto che l’attuale dialogo pubblico sull’intelligenza artificiale – che si concentra su un ristretto sottosettore dell’industria e su un ristretto sottogruppo di accademici – rischia di renderci ciechi alle sfide e alle opportunità che sono presentate dalla portata completa di AI, IA e II.
Questo scopo è meno la realizzazione di sogni di fantascienza o incubi di macchine superumatiche, e altro ancora sulla necessità per gli esseri umani di comprendere e modellare la tecnologia man mano che diventa sempre più presente e influente nella loro vita quotidiana. Inoltre, in questa comprensione e formazione c’è la necessità di un insieme diversificato di voci provenienti da tutti i ceti sociali, non solo un dialogo tra i tecnologicamente sintonizzati. Concentrandosi strettamente sull’IA imitativa umana si evita che venga ascoltata una gamma di voci appropriatamente ampia.
Mentre l’industria continuerà a guidare molti sviluppi, il mondo accademico continuerà anche a svolgere un ruolo essenziale, non solo nel fornire alcune delle idee tecniche più innovative, ma anche nel portare ricercatori delle discipline computazionali e statistiche insieme a ricercatori di altre
discipline i cui contributi e le prospettive sono estremamente necessarie, in particolare
le scienze sociali, le scienze cognitive e le scienze umane.
D’altra parte, mentre le scienze umane e le scienze sono essenziali mentre andiamo avanti, non dovremmo anche fingere che stiamo parlando di qualcosa di diverso da uno sforzo ingegneristico di portata e portata senza precedenti – la società mira a costruire nuovi tipi di artefatti. Questi artefatti dovrebbero essere costruiti per funzionare come richiesto. Non vogliamo costruire sistemi che ci aiutino con trattamenti medici, opzioni di trasporto e opportunità commerciali da scoprire dopo il fatto che questi sistemi non funzionano davvero – che commettono errori che traggono il loro pedaggio in termini di vite umane e felicità. A questo proposito, come ho sottolineato, c’è ancora una disciplina ingegneristica da emergere per i campi incentrati sui dati e incentrati sull’apprendimento. Per quanto entusiasti possano sembrare questi ultimi campi, non possono ancora essere considerati come una disciplina ingegneristica.
Inoltre, dovremmo accettare il fatto che ciò a cui stiamo assistendo è la creazione di una nuova branca dell’ingegneria. Il termine “ingegneria” è spesso
invocato in senso stretto – nel mondo accademico e oltre – con sfumature di freddo, macchine senza affetto e connotazioni negative di perdita di controllo da parte degli umani. Ma una disciplina ingegneristica può essere ciò che vogliamo che sia.
Nell’era attuale, abbiamo una reale opportunità di concepire qualcosa di storicamente nuovo – una disciplina ingegneristica umana-centrica.
Resisterò a dare un nome a questa disciplina emergente, ma se l’acronimo “AI” continua ad essere usato come nomenclatura dei segnapunti andando avanti, siamo consapevoli dei limiti molto reali di questo segnaposto. Ampliamo il nostro campo di applicazione, attenuiamo il clamore e riconosciamo le gravi sfide future.
Michael I. Jordan da medium.com