Die Fragestellung formulieren
Hamming beginnt mit einer Falle. 'Können Maschinen denken?' klingt wie eine einfache Ja-oder-Nein-Frage. Er argumentiert, dass sie drei getrennte Probleme versteckt: Was zählt als Maschine, was als Denken und ob die Frage überhaupt eine sinnvolle Antwort zulässt.
Er verbrachte ein Jahr damit, die kleinstmögliche Programme zu identifizieren, die er für denkend halten würde. Nach einem Jahr des Scheiterns kam er zu dem Schluss, dass er die falsche Frage gestellt hatte. Vielleicht ist Denken keine ja-nein- Eigenschaft. Vielleicht gibt es verschiedene Grade.
Sein Umformulierungsversuch: Stelle anstelle von 'Können Maschinen denken?' die Frage: 'Inwiefern können Maschinen die intellektuellen Belastungen des Lebens lindern?' Diese Frage zeigt direkt auf die Nützlichkeit ab, anstelle der Metaphysik.
Die Gefahr der Gewissheit
Hamming warnt vor den beruflichen Risiken beider Extrempositionen. Glaube, Maschinen könnten nicht denken: Sie werden sie unterbewerten und zurückbleiben. Glaube, Maschinen könnten offensichtlich denken: Sie werden sie überschätzen und Systeme bauen, die in unerwarteter Weise versagen.
Keine dieser Überzeugungen ist sicher. Sie müssen Ihre eigene betrachtete Position entwickeln.
Der Turing-Test
Alan Turing, 1950, schlug einen verhaltensbasierten Test vor: Wenn eine Person an einem Teletypewriter eine Maschine von einem Menschen nicht unterscheiden kann, 'denkt' sie – definitionsgemäß.
Hamming schätzt die Kreativität des Ansatzes. Turing vermeidet die unantwortbare philosophische Frage nach dem inneren Erleben und ersetzt sie durch ein beobachtbares Verhalten. Das ist eine gute wissenschaftliche Intuition.
Aber Hamming hat eine strukturelle Einwände: Tüings Test verletzt die standardisierte wissenschaftliche Methode. Wissenschaft beginnt mit den einfachsten Problemen, nicht mit den schwersten. Tüings Test ist, wie Hamming sagt, schwer vor einfach. Er bewertet volle konversatorische Intelligenz, bevor wir einfaches Lernen oder Regelbefolgung verstehen.
Was nicht in Worte gefasst werden kann
Hamming zentrale Behauptung über die Grenzen von Maschinenintelligenz: Nicht alle menschlichen Kenntnisse können in Regeln oder Anweisungen übersetzt werden. Einige Kenntnisse widerstehen der Formalisierung - nicht because of fehlendem Einsatz oder Intelligenz, sondern weil Verbalisierung nicht der richtige Medium ist.
Experten systeme in den 1980er Jahren versuchten, Expertise als Regelbasen zu erfassen: WENN Symptom-A UND Symptom-B DANN Diagnose-C. Sie funktionierten in engen, gut definierten Domänen. Sie scheiterten an den Grenzen dieser Domänen, wo genau die stillen Kenntnisse von erfahrenen Praktikern am wichtigsten sind.
Die Chemikerinstinkt, ob eine Reaktion fortschreitet, der erfahrene Schweißer, der das richtige Bogenabstand spürt, der Arzt, der das Gefühl hat, wenn Gewebe falsch aussieht - das sind keine einfachen Regeln, die darauf warten, veröffentlicht zu werden. Hamming argumentiert, dass einige möglicherweise uncodierbar sein können.
Warum dies für die Automatisierung wichtig ist
Regelbasierte Systeme funktionieren sehr gut im Zentrum gut definierter Domänen. Sie scheitern an der Grenze. Erfahrene Praktiker leben an der Grenze. Diese Asymmetrie bestimmt, was Automatisierung ersetzen kann und was nicht.
Identifizierung stiller Kenntnisse
Michael Polanyis Ausdruck für dies: 'Wir wissen mehr, als wir erzählen können.' Er verwendete das Beispiel der Gesichtserkennung - die meisten Menschen erkennen Tausende von Gesichtern sofort, aber sie können die Regeln nicht beschreiben, die sie verwenden.
Hamming verbindet dies mit Expertensystemen: Der tiefer liegende Problem ist nicht, dass wir die Regeln noch nicht geschrieben haben; es ist vielmehr, dass für einige Domänen kein vollständiges Regelset existiert.
4x4x4 Tic-Tac-Toe
Hamming verwendet das 4x4x4 dreidimensionale Kreuzworträtsel als sein Beispiel mit Anwendung. Das Brett hat 64 Felder und 76 Gewinnlinien. Das zweidimensionale Kreuzworträtsel hat eine bekannte Ausweichstrategie; es zeigt keine interessante Intelligenz. Die 4x4x4-Version ist schwierig genug, um echte Heuristiken zu erfordern.
Die Struktur des Programms
Schritt 1: Auflisten der legalen Züge.
Schritt 2: bevorzugen Sie 'heisse Flecken' - Ecken und Zentren haben mehr Gewinnlinien durch sie als Kanten- oder Gesichtszentrum-Felder. Verwenden Sie die Kugel-Dualität von Zentrum-Ecken: Es existiert eine Inversion der Kugel, die Ecken in Zentren und Zentren in Ecken überträgt, während alle 76 Linien erhalten bleiben.
Schritt 3: spielen Sie zufällig unter etwa gleichwertigen Zügen. Deterministische Spiele lassen einen geduldigen Gegner die Strategie erkennen und Ausbeutemöglichkeiten finden. Zufälligkeit verhindert systematische Ausbeutung.
Schritt 4: Anwenden von sequenziellen Regeln in Prioritätenordnung.
Die sequenziellen Regeln in Prioritätenordnung: (1) gewinnen, wenn ein gewinnender Zug vorhanden ist; (2) verhindern Sie, dass der Gegner einen gewinnenden Zug ausführt; (3) greifen Sie ein Dornen-Situation auf, wenn verfügbar; (4) verhindern Sie, dass der Gegner ein Dornen-Situation nutzt; (5) machen Sie zwingende Züge; (6) fallen Sie zurück auf Heuristik.
Achten Sie auf die Struktur: Deterministische Regeln decken die klar definierten Situationen ab. Heuristik handhabt alles andere. Die Linie zwischen ihnen ist genau dort, wo implizites Wissen beginnt.
Samuels Schachspiel-Programm
Arthur Samuel von IBM schrieb ein Schachspiel-Programm, das für seinen Sieg über einen Staatsmeister bekannt wurde. Was machte es bemerkenswert: Es verwendete einen Lernalgorithmus. Samuel parameterisierte die Bewertungsfunktion (Gewichtung der Spielkontrolle, Königs-Vorteil, Mobilität, Stück-Festschraubung usw.) und ließ zwei Kopien des Programms miteinander spielen, aber mit leicht unterschiedlichen Parametereinstellungen. Die besser abschneidende Version überlebte.
Dies ist eine Parameter-Suche, nicht eine Regel-Entdeckung - aber es stellt ein Lernen in einem bedeutenden Sinne dar. Das Programm verbesserte sich ohne, dass der Programmierer besser Regeln explizit schrieb.
Hamming fragt: hat Samuels Programm Originalität gezeigt, wenn es überraschende Züge machte? Sie können nicht beweisen, dass es das getan hat, aber Sie können auch nicht beweisen, dass Sie Originalität in einem Sinne haben, der das Schachspiel-Programm ausschließt.
Experten-Systeme & ihre Grenzen
Experten-Systeme der 70er-80er Jahre repräsentierten den systematischsten Versuch, berufliches Wissen als maschinenausführbare Regeln zu formalisieren. Die Diagnose von Krankheiten, geologische Kartierung, Finanzanalyse, Schaltplanentwicklung - jeder Bereich zog sein eigenes regelbasiertes System an.
Die Leistung in gut definierten Unterproblemen war oft beeindruckend. Aber die Systeme hatten ein gemeinsames Versagen: sie funktionierten, bis das Problem außerhalb der Regelauswahl lag, dann schlugen sie völlig zusammen. Experten degradieren sanft; Regel-Systeme stürzen ab.
Die Ursache, die Hamming identifiziert: die Menschen, die Expertensysteme bauten, hatten keine systematische Möglichkeit zu wissen, was fehlt. Die Experten konnten ihre Regeln artikulieren - aber Experten verwenden ihr uncodifiziertes Urteil, um zu entscheiden, welche Regeln in einer gegebenen Situation gelten. Dieses Meta-Urteil kam nie in das System.
Die richtige Frage für Ihre Karriere
Die praktisch nützliche Frage ist nicht 'können Maschinen denken?' Es ist: für jede Aufgabe in Ihrem Bereich lebt die kritische Schwierigkeit am regelgedeckten Zentrum oder am Rand, an dem Urteil und taktisches Wissen operieren? Automatisierung hält die letztere zuverlässig. Es hat Schwierigkeiten mit dem Letzteren. Ihre Karrierestrategie folgt aus dem Wissen um den Unterschied.