¿Qué preguntas son fáciles de resolver para los seres humanos, pero “difíciles” para las computadoras, incluso para entradas grandes?

Los humanos son mucho mejores para resolver problemas que involucran entender o predecir el comportamiento humano en circunstancias que aún no se han experimentado.

Heurísticas son atajos cognitivos que permiten a los humanos comprender y predecir con precisión las motivaciones o comportamientos de los demás, en base a las señales sociales y nuestras propias experiencias.

Las heurísticas nos permiten contextualizar situaciones con miles de variables independientes de forma casi instantánea.

Como ejemplo, la mayoría de los humanos podrían discernir rápida y fácilmente entre un cliente furioso que gritaba en el lobby de un banco, un ladrón que sostenía el banco y una película de un banco, filmando cualquiera de las dos situaciones anteriores.

También sabríamos lo que sucedería después en cada una de las tres situaciones, incluso si nunca las hubiéramos experimentado:

  • cliente gritando = gerente o escolta de seguridad.
  • ladrón = alarma silenciosa y clientes caen al suelo,
  • escena de la película = el director llama al corte.

tl; dr, entendiendo y prediciendo el comportamiento de otros humanos.

Estoy de acuerdo con Ish en el hecho de que los procesos que hemos aprendido en virtud de la Evolución los hacen mejor los humanos.
Principalmente porque, los humanos procesan los datos (muchos de ellos) en forma paralela en forma algorítmica, y pueden no encontrar la solución óptima pero encontrar una buena solución rápidamente. Muchos procesos que caen dentro de la percepción visual son difíciles para las computadoras, si no imposibles.

Si esto parece vago, permítame compartir un problema completo de NP en la Teoría de Gráficos para encontrar si un gráfico tiene un Ciclo Hamiltoniano ( http://en.wikipedia.org/wiki/Ham …).
Por supuesto, hay condiciones especiales que pueden eliminar algunos gráficos y determinar que no tienen estos ciclos.
Pero, de lo contrario, es más fácil para (algunos) humanos averiguar si una gráfica tiene un ciclo hamiltoniano, mientras que una computadora debe recurrir a la fuerza bruta [T ~ O (n!), N es no. de vértices], u otros métodos que no son mejores que ser exponenciales en n.

Los problemas de NP-duro aún son difíciles de tratar para los humanos, estamos en el mismo barco que las computadoras (y el universo mismo si quieres ser metafísico) para tales algoritmos polinomiales no deterministas.

Supongo que las preguntas que piden respuestas creativas que se basan en el significado semántico y requieren un gran corpus de conocimientos y experiencias contextuales previamente aprendidas serían donde las computadoras se quedan cortas en este momento. Esto es lo que Marvin Minsky llama conocimiento de sentido común. Doug Lenat y su equipo han intentado crear una base de conocimientos de este tipo durante décadas con el proyecto CYC, pero al igual que otros sistemas expertos, creo que es un enfoque sin salida. Algunos tipos de conocimiento de sentido común, como las ontologías y los hechos / procedimientos acordados, pueden encajar en un sistema computacional mediante fuerza bruta, e incluso ser lo suficientemente sólidos como para generar inferencias nuevas de la combinación combinatoria de datos ingresados, pero sin metafóricas. / conceptualización analógica (ver el trabajo de Hofstadter), la verdadera creatividad seguirá estando en la provincia de los humanos.

Una última nota: algunas cosas que consideramos conocimiento de sentido común están completamente basadas en la experiencia subjetiva de las emociones y otros temas. Afirmó en su pregunta que estaba preocupado solo por las respuestas objetivas, por lo que es posible que esto no se aplique, pero se podría argumentar que las respuestas que consideramos objetivas solo son experiencias subjetivas acordadas por la mayoría. En estos casos, se necesitaría una máquina consciente con experiencias subjetivas similares a la nuestra para responder apropiadamente a tales preguntas.

Algunos ejemplos concretos de diferentes dominios:

Lingüística
– Extraer el significado semántico de una oración. El problema se vuelve mucho más difícil cuando las oraciones son cínicas y ambiguas y carecen de contexto. Por lo general, entender el contexto es intuitivo para los humanos.
– Resumen de texto, un tema muy de moda en la PNL. Capturar la esencia de un papel / libro y resumir es difícil para las computadoras.

Visión
Comprensión de la profundidad de la imagen a partir de una sola imagen. Ser capaz de extraer información en 3D de una sola imagen es trivial para los humanos pero mucho más difícil para las computadoras.
– Segmentación de una escena.
– Extraer semántica de una imagen. Mientras que algunos algoritmos de visión de computadora ya pueden etiquetar algunos objetos en la escena, por lo general, la cantidad de objetos posibles es limitada y hay muchas restricciones que la imagen debe cumplir.
– Simetría en una imagen.

Sentido
Uno de los temas más interesantes de la robótica es encontrar una forma para que los robots puedan percibir los comentarios. Por ejemplo, cuando un médico está haciendo una cirugía, usa tijeras y puede sentir cuando las tijeras tocan el hilo que está a punto de cortar, por lo que sabe cuánta presión debe poner sobre las tijeras para cortar el hilo. Cuando el cirujano hace un nudo, mientras estira el hilo, puede sentir realmente cuando el nudo es lo suficientemente fuerte. Una tarea muy no trivial para una computadora.

Cualquier cosa utilizada como CAPTCHAs: por ejemplo, dada la imagen de un conjunto ordenado de caracteres que están distorsionados, genera los caracteres en orden.

http://en.wikipedia.org/wiki/CAP

Para los CAPTCHA simples, las computadoras se han puesto al día, pero los humanos aún los golpean de manera confiable mientras que las computadoras no lo hacen.

La prueba es objetiva ya que diferentes humanos que no se comunican estarían de acuerdo con la respuesta correcta.

Scott Aaronson ha expresado la opinión de que nada en el universo, ni el plegamiento de proteínas, ni el cerebro humano, puede resolver “a escala” los problemas duros de NP de manera correcta y eficiente, y que esto puede ser un hecho físico sobre el universo.

http://www.scottaaronson.com/pap

Si esto es cierto, entonces significa que todos los problemas en los que parece que (exponencialmente) superan a las computadoras están bien definidos algorítmicamente (es decir, no “objetivo” en el sentido del OP), o bien no necesariamente Obtener la solución óptima.

Problemas que implicarían procesos de pensamiento empático, una de nuestras capacidades más altas y una que muchos animales comparten:

  • ¿Cómo te sentirías si un amigo cercano muriera?
  • ¿Cómo crees que reaccionará cuando ella te diga “Te amo”?
  • ¿Qué quiere decir Hamlet cuando dice “ser o no ser”?
  • ¿Está triste o enojada?

Este tipo de respuestas también son difíciles para los humanos porque involucran emoción, interpretación, especulación y empatía. Las preguntas también involucran sentidos múltiples que son complicados y, a veces, imposibles de interpretar. Y otro sentido misterioso, el olfato. Un objeto fácil de detectar para nosotros sería difícil para una computadora, como una naranja.
¿A qué huele eso?
o, gusto.
¿A qué sabe esto?

Este es un problema que es fácil para un humano pero difícil para XGBoost. Predecir qué formas faltan. XGBoost no puede alcanzar una precisión superior al 50%, y se desempeña peor con más datos de entrenamiento. Obtengo resultados similares con las redes neuronales.

La combinación de patrones tridimensionales naturales del cerebro humano y las habilidades de razonamiento patial son mejores que las de computadora.
Mira la experiencia “Foldit”. Los seres humanos son mucho más eficientes que las computadoras para resolver los pliegues de proteínas.

La visión por computadora (hacer que una computadora encuentre objetos en una imagen sigue siendo un gran desafío) y las percepciones de la máquina (echa un vistazo a los subtítulos automáticos en youtube, ¡Que chupan!)