Czy ten człowiek może uczynić sztuczną inteligencję bardziej ludzką?

Jak każdy dumny ojciec, Gary Marcus z radością opowiada o najnowszych osiągnięciach swojego dwuletniego syna. Co bardziej niezwykłe, wierzy, że sposób, w jaki jego maluch się uczy i powody, mogą być kluczem do uczynienia maszyn znacznie bardziej inteligentnymi.

Siedząc w sali konferencyjnej tętniącego życiem inkubatora startupów na Manhattanie, Marcus, 45-letni profesor psychologii na Uniwersytecie Nowojorskim i założyciel nowej firmy o nazwie Geometric Intelligence, opisuje przykład pomysłowości swojego chłopca. Z tylnego siedzenia jego syn zobaczył tabliczkę z liczbą 11, a ponieważ wiedział, że inne dwucyfrowe liczby mają nazwy takie jak trzydzieści trzy i siedemdziesiąt siedem, zapytał ojca, czy liczba na tablicy jest sto jeden.

Ta historia była częścią naszego wydania ze stycznia 2016 r.

• Zobacz resztę numeru
• Subskrybuj

Wywnioskował, że istnieje zasada określająca sposób łączenia liczb, wyjaśnia z uśmiechem Marcus. Teraz przesadnie to uogólnił i popełnił błąd, ale był to bardzo wyrafinowany błąd.

Marcus ma zupełnie inną perspektywę niż wielu informatyków i matematyków, którzy obecnie stoją na czele sztucznej inteligencji. Spędził dziesięciolecia badając sposób, w jaki działa ludzki umysł i jak dzieci uczą się nowych umiejętności, takich jak język i muzykalność. To doprowadziło go do przekonania, że ​​jeśli naukowcy chcą stworzyć naprawdę wyrafinowaną sztuczną inteligencję – coś, co łatwo uczy się o świecie – muszą czerpać wskazówki ze sposobu, w jaki małe dzieci przyswajają nowe koncepcje i uogólniają. I to jest jedna z wielkich inspiracji dla jego nowej firmy, którą prowadzi podczas rocznego urlopu na Uniwersytecie Nowojorskim. Dzięki radykalnemu podejściu do uczenia maszynowego inteligencja geometryczna ma na celu stworzenie algorytmów do wykorzystania w sztucznej inteligencji, która może uczyć się na nowe i lepsze sposoby.

Czy głębokie uczenie się opiera się na zbyt prostym modelu? Marcus uważa, że ​​informatycy tracą ogromną szansę, ignorując wiele subtelności ludzkiego umysłu.

Obecnie prawie wszyscy, którzy próbują skomercjalizować sztuczną inteligencję, od Google po Baidu, koncentrują się na algorytmach, które z grubsza modelują sposób, w jaki neurony i synapsy w mózgu zmieniają się, gdy są wystawione na nowe informacje i doświadczenia. Podejście to, znane jako głębokie uczenie, przyniosło w ostatnich latach pewne zdumiewające wyniki, zwłaszcza że więcej danych i mocniejszy sprzęt komputerowy pozwoliły na zwiększenie skali podstawowych obliczeń. Metody głębokiego uczenia się dorównywały — a nawet przewyższały — ludzką dokładność w rozpoznawaniu twarzy na obrazach lub identyfikowaniu wypowiadanych słów w nagraniach dźwiękowych. Google, Facebook i inne duże firmy stosują to podejście do niemal każdego zadania, w którym przydatne jest dostrzeżenie wzorca w ogromnych ilościach danych, takich jak poprawianie wyników wyszukiwania lub uczenie komputerów, jak prowadzić rozmowę (zob. Zrozum nas ).

Ale czy głębokie uczenie się opiera się na modelu mózgu, który jest zbyt prosty? Inteligencja geometryczna — a właściwie sam Marcus — obstawia, że ​​informatycy tracą ogromną szansę, ignorując wiele subtelności w działaniu ludzkiego umysłu. W swoich pismach, wystąpieniach publicznych i komentarzach do prasy Marcus może być surowym krytykiem entuzjazmu dla głębokiego uczenia się. Ale pomimo swojego czasami szorstkiego podejścia, oferuje cenną kontrperspektywę. Wskazuje między innymi, że systemy te trzeba karmić wieloma tysiącami przykładów, aby się czegoś nauczyć. Naukowcy, którzy próbują opracować maszyny zdolne do naturalnej konwersacji z ludźmi, robią to, udostępniając swoim systemom niezliczone zapisy poprzednich rozmów. Może to równie dobrze wytworzyć coś zdolnego do prostej rozmowy, ale kognitywistyka sugeruje, że nie jest to sposób, w jaki ludzki umysł przyswaja język.

Z kolei zdolność dwulatka do uczenia się przez ekstrapolację i uogólnianie – choć niedoskonale – jest znacznie bardziej wyrafinowana. Najwyraźniej mózg jest w stanie nie tylko rozpoznawać wzorce w dużych ilościach danych: ma sposób na pozyskiwanie głębszych abstrakcji ze stosunkowo niewielkiej ilości danych. Ważnym osiągnięciem byłoby nadanie maszynom nawet podstawowej zdolności do szybkiego uczenia się takich abstrakcji. Samojezdny samochód może nie musieć pokonywać milionów mil, aby nauczyć się radzić sobie w nowych warunkach drogowych. Albo robot mógłby zidentyfikować i pobrać butelkę pigułek, którą pokazano tylko raz lub dwa razy. Innymi słowy, te maszyny myślałyby i działały trochę bardziej tak, jak my.

Z lekko rozczochranymi włosami i kilkudniowym zarostem, Marcus wydaje się dobrze pasować do swojej nowej roli przedsiębiorcy. W przestrzeni jego firmy garstka programistów pracuje na drogich stacjach roboczych z potężnymi procesorami graficznymi. W pewnym momencie, kiedy Marcus chce zilustrować kwestię dotyczącą tego, jak działa mózg, sięga po coś, co uważa za marker do tablicy. Okazuje się, że to zagubiona strzałka z pistoletu Nerf.

Podekscytowany Marcus mówi szybko, ma szybkie poczucie humoru i złośliwy uśmiech. Odmawia dokładnego wyjaśnienia, nad jakimi produktami i aplikacjami pracuje jego firma, obawiając się, że duża firma, taka jak Google, może zyskać przewagę dzięki poznaniu kluczowych spostrzeżeń. Twierdzi jednak, że firma opracowała algorytmy, które mogą uczyć się na podstawie stosunkowo niewielkich ilości danych, a nawet ekstrapolować i uogólniać, w zgrubny sposób, na podstawie dostarczanych informacji. Marcus mówi, że jego zespół przetestował te algorytmy przy użyciu zadań, w których wyróżnia się podejście do uczenia głębokiego, i w kilku przypadkach okazały się one znacznie lepsze. Wiemy coś o tym, jakie powinny być właściwości mózgu – wyjaśnia. I próbujemy w pewnym sensie dokonać inżynierii wstecznej na podstawie tych właściwości.

Chłopak zastanawia się

Marcus, który urodził się w Baltimore, zafascynował się umysłem w szkole średniej po przeczytaniu Ja umysłu , zbiór esejów o świadomości pod redakcją kognitywisty Douglasa Hofstadtera i filozofa Daniela Dennetta, a także metaforyczna książka Hofstadtera o umysłach i maszynach, Gödel, Escher, Bach . Mniej więcej w tym samym czasie napisał program komputerowy przeznaczony do tłumaczenia łaciny na angielski. Trudność zadania uświadomiła mu, że odtworzenie inteligencji w maszynach z pewnością wymaga znacznie większego zrozumienia zjawisk zachodzących w ludzkim umyśle.

Program Marcusa z łaciny na angielski nie był szczególnie praktyczny, ale pomógł przekonać Hampshire College, by pozwolił mu rozpocząć studia licencjackie kilka lat wcześniej. Zachęcamy uczniów małej szkoły sztuk wyzwolonych w Amherst w stanie Massachusetts do opracowywania własnych programów studiów. Marek poświęcił się studiowaniu zagadki ludzkiego poznania.

Połowa lat 80. była interesującym okresem dla dziedziny sztucznej inteligencji. Stawał się dzielony między tych, którzy chcieli produkować inteligentne maszyny, kopiując podstawową biologię mózgu, a tych, którzy dążyli do naśladowania wyższych funkcji poznawczych za pomocą konwencjonalnych komputerów i oprogramowania. Wczesne prace nad sztuczną inteligencją opierały się na tym drugim podejściu, przy użyciu języków programowania zbudowanych do obsługi logiki i reprezentacji symbolicznej. Klasycznym przykładem są ptaki. Fakt, że ptaki potrafią latać, można zakodować jako jedną cząstkę wiedzy. Następnie, gdyby komputerowi powiedziano, że szpak to ptak, wywnioskowałby, że szpaki muszą umieć latać. Uruchomiono kilka dużych projektów, których celem było zakodowanie ludzkiej wiedzy w ogromnych bazach danych, w nadziei, że w końcu pojawi się jakaś złożona inteligencja.

Ale chociaż poczyniono pewne postępy, podejście okazało się coraz bardziej złożone i nieporęczne. Reguły często mają wyjątki; nie wszystkie ptaki potrafią latać. I podczas gdy pingwiny są całkowicie przywiązane do ziemi, ptak w klatce i ptak ze złamanym skrzydłem nie mogą latać z bardzo różnych powodów. Zakodowanie wszystkich wyjątków od takich reguł okazało się niemożliwie skomplikowane. Wydaje się, że ludzie szybko uczą się takich wyjątków, ale komputery wzdrygnęły się. (Oczywiście wyjątki, w tym jedenaście zamiast jedenastu, mogą być mylące również dla ludzi.)

Gary Marcus

Mniej więcej w czasie, gdy Marcus przygotowywał się do wstąpienia do Hampshire College, grupa psychologów wymyśliła podejście, które groziło wywróceniem sztucznej inteligencji do góry nogami. W latach czterdziestych Donald Hebb przedstawił teorię o tym, jak nerwy w mózgu mogą nauczyć się rozpoznawać sygnały wejściowe. Pokazał, w jaki sposób powtarzające się odpalanie neuronów może wzmocnić ich wzajemne połączenia, zwiększając w ten sposób prawdopodobieństwo, że wszystkie odpalą ponownie po podaniu tego samego sygnału wejściowego. Niektórzy badacze budowali komputery o podobnej konstrukcji. Jednak możliwości tych tak zwanych sieci neuronowych były ograniczone do 1986 r., kiedy grupa badaczy odkryła sposoby na zwiększenie ich zdolności uczenia się. Badacze ci wykazali również, w jaki sposób sieci neuronowe mogą być wykorzystywane do robienia różnych rzeczy, od rozpoznawania wzorców w danych wizualnych po uczenie się czasu przeszłego angielskich czasowników. Wyszkol te sieci na wystarczającej liczbie przykładów i tworzą one połączenia potrzebne do wykonywania takich zadań.

Nazywając swoje podejście koneksjonizmem, naukowcy argumentowali, że wystarczająco duże sieci neuronowe mogą odtworzyć inteligencję. Chociaż ich pomysły nie przejęły natychmiastowej roli, ostatecznie doprowadziły do ​​dzisiejszej ery głębokiego uczenia się.

Gdy koneksjonizm nabierał rozpędu, Marcus decydował, gdzie zrobić swoje studia magisterskie, i wziął udział w wykładzie znanego kognitywisty Stevena Pinkera, ówczesnego profesora na MIT. Pinker mówił o tym, jak dzieci uczą się i używają czasowników, i argumentował, w przeciwieństwie do czystej perspektywy koneksjonistycznej, że nie wydają się przyswajać czasu przeszłego czasowników wyłącznie poprzez zapamiętywanie przykładów i uogólnianie na podobne. Pinker wykazał, że dzieci szybko wykrywają reguły języka, a następnie generalizują. On i inni uważają zasadniczo, że ewolucja ukształtowała sieci neuronowe znajdujące się w ludzkim mózgu, aby zapewnić narzędzia niezbędne do bardziej wyrafinowanej inteligencji.

System głębokiego uczenia można wytrenować w rozpoznawaniu określonych gatunków ptaków, ale wymagałby milionów przykładowych obrazów i nie wiedziałby nic o tym, dlaczego ptak nie jest w stanie latać.

Marcus dołączył do laboratorium Pinkera na MIT w wieku 19 lat, a Pinker pamięta go jako przedwcześnie rozwiniętego studenta. Przydzieliłem mu projekt analizujący prostą hipotezę tak-nie na małym zbiorze danych z nagranej mowy trójki dzieci, powiedział w e-mailu. Kilka dni później dokonał wyczerpującej analizy mowy 25 dzieci, która przetestowała pół tuzina hipotez i stała się podstawą dużej monografii badawczej.

Jako doktorant Marcus zebrał dalsze dowody na poparcie pomysłów Pinkera na temat uczenia się i dodał własne spostrzeżenia. Był pionierem komputerowej analizy dużych ilości danych z badań kognitywnych, badając tysiące nagrań mowy dzieci, aby znaleźć przypadki, w których popełniały błędy, takie jak zepsuty i poszedł zamiast zepsuć się i odejść. To wydawało się potwierdzać, że dzieci rozumieją zasady gramatyki, a następnie stosują je do nowych słów, jednocześnie ucząc się na pamięć wyjątków od tych zasad.

Na podstawie tych badań Marcus zaczął kwestionować koneksjonistyczne przekonanie, że inteligencja zasadniczo wyłoni się z większych sieci neuronowych i zaczął koncentrować się na ograniczeniach i dziwactwach głębokiego uczenia się. Można by wyszkolić system głębokiego uczenia się, aby rozpoznawał określone gatunki ptaków na obrazach lub klipach wideo i odróżniał te, które potrafią latać, i te, które nie potrafią. Ale musiałby zobaczyć miliony przykładowych obrazów, aby to zrobić, i nie wiedziałby nic o tym, dlaczego ptak nie jest w stanie latać.

W rzeczywistości praca Marcusa z dziećmi doprowadziła go do ważnego wniosku. W książce z 2001 roku zatytułowanej Umysł algebraiczny twierdził, że rozwijający się ludzki umysł uczy się zarówno na przykładach, jak i poprzez generowanie reguł na podstawie tego, czego się nauczył. Innymi słowy, mózg używa czegoś w rodzaju systemu głębokiego uczenia się do niektórych zadań, ale przechowuje również i manipuluje regułami dotyczącymi tego, jak działa świat, tak aby mógł wyciągnąć przydatne wnioski z zaledwie kilku doświadczeń.

Nie oznacza to, że inteligencja geometryczna próbuje naśladować sposób, w jaki rzeczy dzieją się w mózgu. W idealnym świecie wiedzielibyśmy, jak robią to dzieci, mówi Marcus. Wiedzielibyśmy, jakie obwody mózgowe są zaangażowane, jakie obliczenia wykonują. Ale neuronauka pozostaje tajemnicą. Raczej daje do zrozumienia, że ​​firma wykorzystuje zbiór technik, w tym kompatybilnych z głębokim uczeniem, aby spróbować odtworzyć ludzkie uczenie się.

Zdrowy rozsądek

Praca w Inteligencji Geometrycznej jest z pewnością znacząca, ponieważ łączenie nowych pomysłów z kognitywistyki i neuronauki będzie bez wątpienia ważne dla przyszłości sztucznej inteligencji. Mimo to po spotkaniu z Marcusem czułem się trochę jak maluch próbujący zrozumieć jakieś nieznane cyfry. Jak to wszystko się połączy? Potrzebowałem jednego ze współpracowników Marcusa, aby pokazał mi kolejny element układanki tego, co rozwija firma.

Zoubin Ghahramani, profesor inżynierii informacji na Uniwersytecie Cambridge w Wielkiej Brytanii, jest współzałożycielem Inteligencji Geometrycznej. Ghahramani dorastał w Związku Radzieckim i Iranie, zanim przeniósł się do Hiszpanii i Stanów Zjednoczonych i chociaż jest dokładnie w tym samym wieku co Marcus, rok później przybył do MIT. Ale ponieważ para dzieliła urodziny, w końcu urządzili imprezy i spotkali się razem.

Ghahramani koncentruje się na wykorzystaniu prawdopodobieństwa, aby uczynić maszyny mądrzejszymi. Stojąca za tym matematyka jest skomplikowana, ale powód jest prosty: prawdopodobieństwo zapewnia sposób radzenia sobie z niepewnością lub niepełnymi informacjami. Po raz kolejny mogą to zilustrować ptaki nieloty. System oparty na prawdopodobieństwie może przypisać wysokie prawdopodobieństwo koncepcji, że ptak jest zdolny do lotu. Wtedy, gdy dowie się, że struś jest ptakiem, założy, że najprawdopodobniej potrafi latać. Ale inne informacje, takie jak fakt, że dorosły struś zwykle waży ponad 200 funtów, mogą zmienić to założenie, zmniejszając prawdopodobieństwo, że struś może latać do prawie zera. To elastyczne podejście może nasycić maszyny czymś przypominającym prymitywną formę zdrowego rozsądku, cechę, która jest fundamentalnie ważna dla ludzkiej inteligencji.

Przemawiając przez Skype ze swojego biura w Cambridge w Anglii, Ghahramani sugeruje jedną konkretną aplikację, którą on i Marcus mają na oku: trenowanie robotów do obsługi złożonych środowisk. W badaniach nad robotyką posiadanie doświadczenia jest kosztowne, mówi. Jeśli chcesz, aby robot nauczył się chodzić lub autonomiczny pojazd do nauki jazdy, nie możesz przedstawić mu zestawu danych zawierającego milion przykładów przewracania się i łamania lub wypadków — to po prostu nie Praca.

Biorąc pod uwagę, że algorytmy probabilistyczne i inne technologie stosowane w Geometric Intelligence byłyby kompatybilne z głębokim uczeniem, możliwe jest, że w końcu firmy takie jak Google czy Facebook przejmą firmę i dodadzą ją do swojego ogólnego portfolio AI. I pomimo krytyki Marcusa na temat koneksjonizmu i gorączki głębokiego uczenia się, mam przeczucie, że byłby całkiem zadowolony z takiego wyniku.

Nawet jeśli tak się stanie, ważne będzie, jeśli Marcus pokaże, że najbardziej cudowny system uczenia się, jaki znamy — ludzki umysł — jest kluczem do przyszłości sztucznej inteligencji. Marek podaje mi kolejny przykład sprytności swojego syna. Moja żona zapytała go: „Który z twoich zwierzęcych przyjaciół przyjdzie dzisiaj do szkoły?” — mówi Marcus. A on mówi: „Duży króliczek, bo Niedźwiedź i Dziobak jedzą”. Potem moja żona wraca do swojego pokoju i oczywiście te zabawki „jedzą” na krześle.

Marcus dziwi się, że jego dwulatek potrafi wnioskować o regułach dotyczących ludzkiego zachowania — zdając sobie sprawę, że albo idziesz do szkoły, albo robisz coś innego — i konstruuje zupełnie nowe zdanie w oparciu o rosnące zrozumienie sposobu, w jaki działa język. Po chwili i uśmiechu dodaje: Cóż, pokazujesz mi system sztucznej inteligencji, który to potrafi.

ukryć