Trzy pytania związane z nową sztuczną inteligencją Baidu

Sztuczna inteligencja kieruje się odległym celem, aby oprogramowanie odpowiadało ludziom w ważnych zadaniach. Po obejrzeniu wyników z nowej dziedziny zwanej głębokim uczeniem, która polega na przetwarzaniu dużych ilości danych przy użyciu symulowanych sieci milionów połączonych ze sobą neuronów, niektórzy eksperci uwierzyli, że ten cel nie jest wcale tak odległy (patrz Deep Learning i Facebook Creates). Oprogramowanie, które dopasowuje się do twarzy prawie tak dobrze, jak Ty).

W zeszłym tygodniu Baidu, największa chińska firma zajmująca się wyszukiwarką internetową, dołączyła do amerykańskich gigantów technologicznych stawiających na głębokie uczenie, otwierając nowe laboratorium w Dolinie Krzemowej poświęcone temu podejściu (patrz chiński gigant wyszukiwania Baidu Hires Man Behind the „Google Brain”). Adam Coates, który prowadzi badania w nowym laboratorium, rozmawiał z Przegląd technologii MIT Tom Simonite o tym, jak głębokie uczenie może zbliżyć oprogramowanie do ludzkiej wydajności w przypadku niektórych zadań.

Eksperyment Google Brain, w którym duża sieć neuronowa nauczyła się rozpoznawać koty i inne obiekty po prostu oglądając zdjęcia z YouTube, jest często uważany za kluczowy dowód mocy głębokiego uczenia (zobacz Oprogramowanie samouków ). Co sprawia, że ​​ten projekt jest tak ważny?

Rzeczą, która jest fajna w wyniku Google, jest to, że nikt nie musi mu powiedzieć, czym jest obiekt. Mamy tak wiele dowodów z neuronauki, że jest to kluczowy sposób na poznanie tego, jak działa świat. Ale jest to również imperatyw inżynieryjny. Nie mogę zaprogramować w komputerze wystarczającej liczby reguł, aby mógł zrozumieć świat; teraz możemy spróbować, aby sami nauczyli się zasad.

System Google nie spełniał wymagań ludzkich, w najlepszym przypadku wykrywając ludzkie twarze tylko w 81 procentach przypadków. Bardziej ugruntowane podejście do nadzorowanego uczenia się, w którym oprogramowanie otrzymuje ręcznie oznaczone dane do nauki, może działać lepiej. Czy wiemy, jak ulepszyć systemy nienadzorowane lub samouków?

Jak sprawić, by opłacało się to na pożądanym przez nas poziomie – [osiągnięcie] wydajności na poziomie ludzkim – jest bardzo trudne.

Jeśli dasz mi wiele przykładów tego, co chcesz przewidzieć, mogę wyszkolić oprogramowanie, aby zrobić to dobrze. Wyzwanie polega na tym, jak odnieść sukces, gdy nie masz wielu przykładów. Istoty ludzkie nie muszą widzieć miliona kotów, aby zrozumieć, kim jest. Możemy użyć kombinacji uczenia nadzorowanego i nienadzorowanego. Zrozumienie, jak połączyć te dwa pomysły, będzie miało kluczowe znaczenie.

W Stanford — zainspirowanym eksperymentem Google Brain — opracowałeś jeszcze większą sieć neuronową. Czy większe mózgi automatycznie staną się mądrzejsze?

Biorąc pod uwagę skalę wyzwania, na które patrzymy — wydajność na poziomie człowieka — jest bardzo jasne, że dla małej sieci neuronowej nie ma nadziei. Najnowocześniejsze mają setki milionów połączeń. Możesz wiele z tym zrobić; na przykład rozpoznać wiele obiektów.

[Ale] nie wydaje się to być tak proste, jak po prostu zwiększenie sieci neuronowej. Wynik Google Brain został zbudowany na ogromnym systemie rozproszonym z wieloma rdzeniami procesora (16 000). Odkryliśmy, że jeśli połączymy razem wiele procesorów graficznych [specjalistycznych procesorów graficznych], możemy stworzyć znacznie większą sieć neuronową — 10 miliardów węzłów, z 16 maszynami zamiast 1000.

Wykorzystaliśmy ten sam test porównawczy [obrazy z filmów z YouTube], co zespół Google. Ale chociaż moglibyśmy trenować znacznie większą sieć neuronową, niekoniecznie otrzymaliśmy lepszy wykrywacz kotów. W tej chwili możemy uruchomić sieci neuronowe, które są większe, niż wiemy, z czym mamy do czynienia.

[W laboratorium Baidu] chcemy zbudować platformę do przeprowadzania wystarczająco dużych eksperymentów, aby przetestować wszystkie odmiany algorytmów, które mogą uniwersalnie poprawić wydajność.

ukryć