Google wykorzystuje technologię wirtualnego mózgu

Tego lata Google wyznaczyło nowy punkt zwrotny w dziedzinie sztucznej inteligencji dzięki oprogramowaniu, które nauczyło się rozpoznawać koty, ludzi i inne rzeczy po prostu oglądając filmy na YouTube (patrz Oprogramowanie samouczące). Ta technologia, wzorowana na działaniu komórek mózgowych, jest obecnie wykorzystywana do usprawniania produktów Google, a rozpoznawanie mowy jest pierwszą usługą, na której czerpie korzyści.

Ideał platoński: Ten złożony obraz przedstawia idealny bodziec, który sieć neuronowa Google rozpoznaje jako pysk kota.

Oprogramowanie do nauki Google opiera się na symulowaniu grup połączonych komórek mózgowych, które komunikują się i wpływają na siebie nawzajem. Kiedy taka sieć neuronowa, jak to się nazywa, jest wystawiona na dane, relacje między różnymi neuronami mogą się zmienić. To powoduje, że sieć rozwija zdolność reagowania w określony sposób na przychodzące dane określonego rodzaju — i mówi się, że sieć się czegoś nauczyła.

Sieci neuronowe są używane od dziesięcioleci w obszarach, w których stosuje się uczenie maszynowe, takich jak oprogramowanie do gry w szachy lub wykrywanie twarzy. Inżynierowie Google znaleźli sposoby na zwiększenie mocy obliczeniowej tego podejścia, niż było to możliwe wcześniej, tworząc sieci neuronowe, które mogą uczyć się bez pomocy człowieka i są wystarczająco solidne, aby można je było wykorzystywać komercyjnie, a nie tylko jako demonstracje badawcze.

Sieci neuronowe firmy same decydują, na które cechy danych należy zwrócić uwagę i jakie wzorce mają znaczenie, zamiast zmuszać ludzi do decydowania, że, powiedzmy, kolory i poszczególne kształty są interesujące dla oprogramowania próbującego zidentyfikować obiekty.

Google używa teraz tych sieci neuronowych do dokładniejszego rozpoznawania mowy, technologii, która jest coraz ważniejsza dla systemu operacyjnego Google na smartfony, Androida, a także w wyszukiwarce, którą udostępnia dla urządzeń Apple (zobacz odpowiedź Google na Siri Thinks Ahead). Uzyskaliśmy od 20 do 25 procent poprawy w zakresie błędnych słów, mówi Vincent Vanhoucke , lidera działań Google w zakresie rozpoznawania mowy. Oznacza to, że o wiele więcej osób będzie miało doskonałe wrażenia bez błędów. Sieć neuronowa działa jak dotąd tylko w amerykańskim angielskim, a Vanhoucke twierdzi, że podobne ulepszenia powinny być możliwe, gdy zostanie wprowadzona dla innych dialektów i języków.

Dzięki nowemu oprogramowaniu do nauki inne produkty Google prawdopodobnie z czasem ulegną poprawie. Na przykład narzędzia wyszukiwania obrazów firmy mogą lepiej zrozumieć, co znajduje się na zdjęciu, bez polegania na otaczającym tekście. A samojezdne samochody Google (patrz Spójrz, bez rąk ) i komputer mobilny wbudowany w parę okularów (patrz You Will Want Google’s Goggles ) mogą skorzystać na oprogramowaniu, które lepiej potrafi zrozumieć więcej rzeczywistych danych.

Nowa technologia trafiła na pierwsze strony gazet w czerwcu tego roku, kiedy inżynierowie Google opublikowali wyniki eksperymentu, w którym w symulowane komórki mózgowe wrzucono 10 milionów obrazów pobranych z filmów z YouTube, korzystając z 16 000 procesorów na tysiącu komputerów przez 10 dni bez przerwy.

Średnie cechy: Ten złożony obraz stanowi idealny bodziec dla oprogramowania Google do wykrywania ludzkiej twarzy na zdjęciu.

Większość ludzi trzyma swój model w jednej maszynie, ale chcieliśmy poeksperymentować z bardzo dużymi sieciami neuronowymi, mówi Jeff Dean , inżynier pomagający prowadzić badania w Google. Jeśli skalujesz zarówno rozmiar modelu, jak i ilość danych, z którymi go trenujesz, możesz nauczyć się dokładniejszych rozróżnień lub bardziej złożonych funkcji.

Sieci neuronowe, które powstają w wyniku tego procesu, są bardziej elastyczne. Modele te mogą zazwyczaj mieć o wiele więcej kontekstu, mówi Dean, podając przykład ze świata rozpoznawania mowy. Jeśli na przykład system Google'a pomyślał, że usłyszał, jak ktoś mówi, że zjem liczi, ale ostatnie słowo było lekko przytłumione, może to potwierdzić jego przeczucie oparte na wcześniejszych doświadczeniach z frazami, ponieważ liczi jest owocem i jest używane w w tym samym kontekście co jabłko lub pomarańcza.

Dean mówi, że jego zespół testuje również modele, które jednocześnie rozumieją zarówno obrazy, jak i tekst. Dajesz mu „morświn”, a to daje zdjęcia morświnów, mówi. Jeśli dasz mu zdjęcie morświna, otrzymasz słowo „morświn”.

Następnym krokiem może być nauczenie tego samego modelu również dźwięków słów. Możliwość powiązania różnych form takich danych może prowadzić do rozpoznawania mowy, które gromadzi dodatkowe wskazówki na przykład z wideo, i może zwiększyć możliwości autonomicznych samochodów Google, pomagając im zrozumieć otoczenie dzięki połączeniu wielu strumieni danych zbierają, od skanów laserowych pobliskich przeszkód po informacje z silnika samochodu.

Prace Google nad tworzeniem sieci neuronowych przybliżają nas o mały krok do jednego z ostatecznych celów sztucznej inteligencji — stworzenia oprogramowania, które może dopasować się do inteligencji zwierząt, a może nawet ludzi, mówi Yoshua Bengio , profesor na Uniwersytecie w Montrealu, który pracuje nad podobnymi technikami uczenia maszynowego. To jest droga do stworzenia bardziej ogólnej sztucznej inteligencji — nie ma mowy, aby otrzymać inteligentną maszynę, jeśli nie może przyjąć dużej ilości wiedzy o świecie, mówi.

W rzeczywistości działanie sieci neuronowych Google działa w sposób podobny do tego, co neuronaukowcy wiedzą o korze wzrokowej ssaków, części mózgu przetwarzającej informacje wizualne, mówi Bengio. Okazuje się, że sieci uczenia się cech używane [przez Google] są podobne do metod używanych przez mózg, który jest w stanie odkryć istniejące obiekty.

Szybko jednak dodaje, że nawet sieci neuronowe Google są znacznie mniejsze niż mózg i nie są w stanie wykonywać wielu rzeczy niezbędnych do inteligencji, takich jak wnioskowanie na podstawie informacji zebranych ze świata zewnętrznego.

Dean stara się również nie sugerować, że ograniczone inteligencje, które buduje, są bliskie dopasowania jakiegokolwiek biologicznego mózgu. Nie może się jednak oprzeć uwadze, że jeśli wybierzesz odpowiedni konkurs, sieci neuronowe Google pokonują ludzi.

W niektórych zadaniach wizualnych widzimy lepsze wyniki niż ludzkie, mówi, podając przykład etykietowania, gdzie numery domów pojawiają się na zdjęciach zrobionych przez samochód Google Street View, pracę, która była kiedyś wykorzystywana przez wielu ludzi.

Zaczynają używać sieci neuronowych, aby decydować, czy łatka [na obrazie] jest numerem domu, czy nie, mówi Dean, i okazują się, że działają lepiej niż ludzie. To małe zwycięstwo, ale takie, które pokazuje, jak daleko za tymi w twojej głowie znajdują się sztuczne sieci neuronowe. Prawdopodobnie nie jest to zbyt ekscytujące, a komputer nigdy się nie męczy, mówi Dean. Aby się nudzić, potrzebna jest prawdziwa inteligencja.

ukryć