«У меня сейчас нет времени подключаться к насосу знаний. Итак, я просто возьму банку сегодня. И еще этот средний кофе, пожалуйста. Спасибо!"
Этот диалог — научная фантастика даже через двадцать лет после того, как Нео научился боевым искусствам за несколько минут через трубку, подключенную к его мозгу. Были достигнуты огромные успехи в области искусственного интеллекта, машинного обучения, нейронауки, интерфейсов мозг-компьютер и смежных областях, но нам предстоит пройти долгий путь.
Загружайте знания с одной машины и легко подключайтесь к другой машине, человеку или кошке. Это цель.
Эта концепция предполагает, конечно, что многие теоретические и практические вопросы были решены. И да — были достигнуты разумные успехи в представлении, передаче, хранении и применении знаний в рамках узких определений предметной области. Поиски общего интеллекта продолжаются, и в какой-то момент инженерам придется остановиться и подумать о длине, широте, высоте и весе знания.
Как мы можем измерить знание по существу, а не с точки зрения того, насколько эффективно оно применяется?
Жесткий инжиниринг должен будет предполагать, что знания имеют жесткие границы — то есть либо знания есть на этом компоненте, либо его нет. Нет серых границ, где часть знаний о компоненте как бы исчезает по краям, а затем восстанавливается, когда этот компонент подключается к системе, которая имеет полное знание об этих исчезающих краях.
Другими словами, даже несмотря на то, что в реальном мире «сила» знания варьируется в зависимости от степени, нам необходимо сделать некоторые упрощающие предположения о том, что знание бинарно — оно либо есть, либо его нет. Тем не менее, это интересная область, требующая дополнительного анализа и исследований.
Как описать «степень» знания, если знание не может быть просто бинарным?
Кроме того, существуют «степени» знаний, определенные по некоторым качественным параметрам. Какие параметры можно использовать для измерения знаний? Есть такие вещи, как надежность или надежность; и затем есть различные степени специализации, которые могут быть применены. Одна общая вещь, которую следует учитывать, заключается в том, что большинство знаний основано на контексте. Соответствуют ли знания цели?
Что такое единица измерения знаний? Являются ли они ближе к мерам власти или мерам размера? Или есть просто какая-то шкала пригодности на логарифмической нормальной шкале, которая просто измеряет соответствие цели?
Кроме того, существует система организации знаний, онтологии и таксономии. Существуют ли прямоугольные и круглые блоки знаний? Красное, синее или зеленое знание? Такие реальные способы идентификации знаний гораздо привлекательнее, чем бестолковая система идентификаторов с цифрами и алфавитами. Но, учитывая обширность знаний, весьма вероятно, что системы идентификации будут опираться на какие-то осмысленные коды. Просто нужно признать, что системы кодирования обязательно будут бинарными и с трудом приспосабливаются к степеням знаний.
Нам нужно искать другие концепции по всему миру, не очень детерминированные, но вероятностные по своей природе. Ирония в том, что реальный мир на самом деле полностью вероятностный, но чтобы понять его, нам нужно в итоге сделал кучу упрощающих предположений — попал в детерминированную модель. Но сейчас самое время расширить границы и начать включать истинную хаотичную природу реального мира в наши операционные модели.
Мы не можем совершать сделки с товарами, которые невозможно измерить и, следовательно, нельзя оценить последовательно. Знания не могут быть упакованы как товар. Пока что.
По мере того как экономика знаний начинает создавать все больше и больше объектов с искусственным интеллектом, в качестве топлива для этих новых интеллектуальных машин потребуются товарные блоки знаний или «потоки» знаний.
