Dr. Erik J. Larson u Mitu o umjetnoj inteligenciji pridružuje se malom skupu glasova koji prosvjeduju da polje umjetne inteligencije slijedi put koji ne može dovesti do generalizirane inteligencije. Tvrdi da se trenutni pristup ne temelji samo na temeljnom nerazumijevanju stvaranja znanja, već aktivno zabranjuje napredak – kako u umjetnoj inteligenciji tako i u drugim disciplinama.
Larson ističe da su trenutni modeli strojnog učenja izgrađeni na principu indukcije: zaključivanje obrazaca iz specifičnih opažanja ili, općenitije, stjecanje znanja iz iskustva. To djelomično objašnjava trenutačni fokus na “velike podatke” – što je više opažanja, to je bolji model. Algoritam hranimo tisućama označenih slika mačaka, ili ga natjeramo da igra milijune partija šaha, a on korelira koji odnosi među ulaznim rezultatima rezultiraju najboljom točnošću predviđanja. Neki modeli su brži od drugih ili sofisticiraniji u prepoznavanju uzoraka, ali na dnu svi rade istu stvar: statističku generalizaciju iz opažanja.
Ovaj induktivni pristup koristan je za izgradnju alata za određene zadatke na dobro definiranim ulaznim materijalima; analiza satelitskih snimaka, preporučivanje filmova i otkrivanje kancerogenih stanica, na primjer. Ali indukcija nije sposobna za stvaranje znanja opće namjene koje je primjer ljudskog uma. Ljudi razvijaju opće teorije o svijetu, često o stvarima o kojima nismo imali izravnog iskustva.
Dok indukcija podrazumijeva da možete znati samo ono što promatrate, mnoge od naših najboljih ideja ne dolaze iz iskustva. Doista, ako jesu, nikada ne bismo mogli riješiti nove probleme ili stvoriti nove stvari. Umjesto toga, objašnjavamo unutrašnjost zvijezda, bakterija i električnih polja; stvaramo računala, gradimo gradove i mijenjamo prirodu – podvige ljudske kreativnosti i objašnjenja, a ne puku statističku korelaciju i predviđanje.
Raspravljajući o Koperniku, piše Larson – “Samo tako što je prvo ignorirao sve podatke ili ih rekonceptualizirao, Copernicus je mogao odbaciti geocentrični model i zaključiti radikalnu novu strukturu Sunčevog sustava”. (I imajte na umu da se time postavlja pitanje: Kako bi “veliki podaci” pomogli? Svi podaci odgovarali su pogrešnom modelu.)
Zapravo, većina znanosti uključuje potragu za teorijama koje objašnjavaju nezapaženo promatranje. Objašnjavamo jabuke koje padaju gravitacijskim poljima, planine s kontinentalnim zanošenjem, prijenos bolesti s klicama. U međuvremenu, trenutni sustavi umjetne inteligencije ograničeni su onim što promatraju, potpuno nesposobni teoretizirati o nepoznatom.
Dr. Erik J. Larson je računalni znanstvenik, poduzetnik i tehnolog s više od desetljeća iskustva u razvoju softvera i istraživanju i razvoju u računalnim znanostima.
Kao poduzetnik, osnivač je i suosnivač dviju tehnoloških kompanija koje financira DARPA. Larsonovi projekti usmjereni su na dizajn i razvoj softverskih sustava koji pružaju učinkovita rješenja za probleme iz stvarnog svijeta. Kao znanstvenika, njegovi interesi leže u hibridnim sustavima koji koriste reprezentaciju znanja i rasuđivanje (KR&R), zajedno s modernim pristupima usmjerenim na podatke i strojnom učenju.
Nakon što je diplomirao filozofiju i matematiku na koledžu Whitworth, Larson je magistrirao i doktorirao na Sveučilištu Texas u Austinu. Njegova disertacija bila je Označavanje primarnog semantičkog tipa u monološkom diskursu korištenjem pristupa hijerarhijske klasifikacije.