211service.com
Brakujące ogniwo sztucznej inteligencji
W 2012 roku świat dowiedział się o zaskakującym projekcie badawczym w tajnym laboratorium Google X. Gigantyczna symulacja trzech milionów neuronów nauczyła się rozpoznawać koty i ludzi na zdjęciach, bez pomocy człowieka, po prostu patrząc na zdjęcia z YouTube.
Osoby stojące za projektem założyły nową grupę badawczą znaną jako Google Brain w dziale wyszukiwania firmy. Oni i badacze z innych krajów wkrótce udowodnili światu, że sztuczne sieci neuronowe, wynalazek sprzed dziesięcioleci, potrafią rozumieć obrazy i mowę z niespotykaną dotąd dokładnością (patrz Google przykłada swój wirtualny mózg do pracy). Sukces głębokiego uczenia, jak znana jest również ta technika, skłonił Google i inne firmy do znacznych inwestycji w sztuczną inteligencję, a nawet skłonił niektórych ekspertów do twierdzenia, że powinniśmy przygotować się na oprogramowanie mądrzejsze od ludzi (zobacz Co trzeba zrobić, aby zbudować cnotliwy AI?).
Jednak wykrywacz kotów Google był pod pewnymi względami ślepy zaułek. Ostatnie sukcesy uczenia głębokiego opierają się na oprogramowaniu, które wymaga pomocy człowieka w nauce — coś, co ogranicza możliwości, jakie może zajść sztuczna inteligencja.
W eksperymencie Google wykorzystano podejście znane jako nienadzorowane uczenie się, w którym oprogramowanie jest zasilane surowymi danymi i musi samodzielnie rozgryźć sprawę bez pomocy człowieka. Ale chociaż nauczył się rozpoznawać koty, twarze i inne przedmioty, nie był wystarczająco dokładny, by być użytecznym. Boom w badaniach nad głębokim uczeniem i opartymi na nim produktami opiera się na uczeniu nadzorowanym, w którym oprogramowanie jest dostarczane z danymi oznaczonymi przez ludzi — na przykład obrazami oznaczonymi nazwami obiektów, które przedstawiają (patrz: „Uczenie maszyn, aby nas zrozumieć”).
Okazało się to niezwykle skuteczne w przypadku wielu problemów, takich jak identyfikowanie obiektów na obrazach, filtrowanie spamu, a nawet sugerowanie krótkich odpowiedzi na wiadomości, funkcja wprowadzona przez Google w zeszłym roku . Ale nauka bez nadzoru jest prawdopodobnie potrzebna, jeśli oprogramowanie ma lepiej rozumieć świat, mówi Jeff Dean, który dziś kieruje grupą Google Brain, a także pracował nad projektem wykrywacza kotów w Google X.
Jestem prawie pewien, że tego potrzebujemy, mówi Dean. Uczenie nadzorowane działa tak dobrze, gdy masz odpowiedni zestaw danych, ale ostatecznie uczenie nienadzorowane będzie naprawdę ważnym elementem w budowaniu naprawdę inteligentnych systemów — jeśli przyjrzysz się, jak ludzie się uczą, prawie całkowicie nie nadzorowane.
Jednym z przykładów jest sposób, w jaki uczymy się jako niemowlęta, ustanawiając podstawy inteligencji dorosłych. Na przykład dowiadujemy się, że przedmioty nadal istnieją poza zasięgiem wzroku i spadają, jeśli nie są podparte, i uczymy się tych rzeczy po prostu obserwując świat, bez wyraźnych instrukcji. Ten rodzaj zdrowego rozsądku jest potrzebny, jeśli roboty mają poruszać się po świecie tak samo jak zwierzęta. Podkreśla również pozornie bardziej abstrakcyjne zadania, takie jak rozumienie języka.
Odkrycie, w jaki sposób oprogramowanie może zrobić to, co tak łatwo przychodzi ludzkim dzieciom, ma kluczowe znaczenie, jeśli mają zostać spełnione większe ambicje związane ze sztuczną inteligencją, mówi Yann LeCun, dyrektor Grupy Badawczej Sztucznej Inteligencji Facebooka. Wszyscy wiemy, że uczenie się bez nadzoru jest ostateczną odpowiedzią, mówi. Rozwiązanie nauki nienadzorowanej przeniesie nas na wyższy poziom.
Chociaż nie mają jeszcze tej ostatecznej odpowiedzi, naukowcy z firm takich jak Facebook i Google oraz ze środowisk akademickich eksperymentują z ograniczonymi formami uczenia się bez nadzoru.
Jeden z nurtów badań ma na celu stworzenie sztucznych sieci neuronowych, które przetwarzają wideo i obrazy, a następnie generują nowe obrazy, wykorzystując zdobytą wiedzę o świecie – co wskazuje, że utworzyły wewnętrzną reprezentację tego, jak to działa. Dokonywanie dokładnych prognoz dotyczących świata jest ważną podstawową cechą ludzkiej inteligencji.
„Optymalna” ludzka twarz, według sieci trzech milionów symulowanych neuronów, które Google dostarczył obrazami z YouTube.
Badacze Facebooka stworzyli oprogramowanie o nazwie Oko Krzyk które mogą generować rozpoznawalne obrazy po otrzymaniu podpowiedzi, takich jak kościół lub samolot, i pracują nad stworzeniem oprogramowania, które przewiduje, co wydarzy się w filmie. Badacze z filii Google DeepMind stworzyłem oprogramowanie który patrzy na zdjęcie z zaciemnionymi częściami i próbuje wypełnić je realistycznymi obrazami.
DeepMind testuje również alternatywę dla w pełni nienadzorowanego uczenia się, zwaną uczeniem ze wzmacnianiem, w której oprogramowanie jest szkolone przez otrzymywanie automatycznej informacji zwrotnej na temat jego wydajności — na przykład z systemu punktacji gry komputerowej (zobacz Google Intelligence Designer ). A badacze, którzy nie używają głębokiego uczenia, zademonstrowali oprogramowanie, które może nauczyć się rozpoznawać odręczne znaki na podstawie jednego przykładu (zobacz Algorytm AI uczy się zadań tak szybko, jak my).
Jednak żadna z tych eksploracji jak dotąd nie ujawniła ścieżki, która wydaje się gwarantować, że prowadzi do nienadzorowanego uczenia się na poziomie zbliżonym do ludzkiego, lub oprogramowania, które może nauczyć się złożonych rzeczy o prawdziwym świecie poprzez samo doświadczanie go lub eksperymentowanie z nim. W tej chwili wydaje się, że brakuje nam kluczowego pomysłu, mówi Adam Coates, dyrektor chińskiej wyszukiwarki Laboratorium AI w Dolinie Krzemowej Baidu .
Coates mówi, że nadzorowane uczenie się wciąż ma wiele do zaoferowania, mówi Coates: Firmy internetowe mają dostęp do bogactwa danych na temat tego, co ludzie robią i na czym im zależy, surowców, które można wykorzystać do tworzenia takich rzeczy, jak interfejsy głosowe i osobiści asystenci. bardziej zdolni niż te, które mamy dzisiaj. Mówi, że w najbliższym czasie wiele można zrobić z danymi oznaczonymi etykietami. Duże firmy wydają miliony na zachęcanie wykonawców do oznaczania danych, które mają być wprowadzane do ich systemów uczenia maszynowego.
LeCun z Facebooka uważa, że badacze nie będą zmuszeni trwać na danych oznaczonych etykietami w nieskończoność. Nie chce jednak zgadywać, jak długo silnik ludzkiej inteligencji pozostanie poza zasięgiem oprogramowania. W pewnym sensie znamy składniki; po prostu nie znamy przepisu, mówi. To może chwilę potrwać.