GANfather: cilvēks, kurš mašīnām ir piešķīris iztēles dāvanu

Christie There Klok

Kādu nakti 2014. gadā Īans Gudfelovs devās dzert, lai svinētu kopā ar doktorantūras biedru, kurš tikko bija beidzis studijas. Les 3 Brasseurs (The Three Brewers), kas ir iecienīta Monreālas dzirdināšanas vieta, daži draugi lūdza viņa palīdzību sarežģītā projektā, pie kura viņi strādāja: datoru, kas varētu pats izveidot fotoattēlus.

Pētnieki jau izmantoja neironu tīklus, algoritmus, kas brīvi modelēti cilvēka smadzeņu neironu tīklā, kā ģeneratīvus modeļus, lai radītu ticamus jaunus savus datus. Taču rezultāti bieži nebija īpaši labi: datorizētas sejas attēli mēdza būt izplūduši vai tajos bija kļūdas, piemēram, trūkst ausis. Gudfellova draugu piedāvātais plāns bija izmantot fotoattēlu veidojošo elementu sarežģītu statistisko analīzi, lai palīdzētu mašīnām pašām izdomāt attēlus. Tas būtu prasījis milzīgu skaitu skaitļu sagraušanas, un Gudfelovs viņiem teica, ka tas vienkārši nedarbosies.

Šis stāsts bija daļa no mūsu 2018. gada marta numura

• Skatiet pārējo izdevuma daļu
• Abonēt

Bet, domājot par problēmu pie sava alus, viņam radās ideja. Kā būtu, ja jūs novietotu divus neironu tīklus viens pret otru? Viņa draugi bija skeptiski noskaņoti, tāpēc, nonācis mājās, kur draudzene jau gulēja ciešā miegā, nolēma pamēģināt. Gudfelovs iekodēja agrā stundā un pēc tam pārbaudīja savu programmatūru. Tas strādāja pirmo reizi.

To, ko viņš tajā vakarā izgudroja, tagad sauc par GAN jeb ģeneratīvo pretinieku tīklu. Šī tehnika ir izraisījusi milzīgu sajūsmu mašīnmācības jomā un pārvērtusi tās radītāju par AI slavenību.

Christie There Klok

Dažu pēdējo gadu laikā AI pētnieki ir panākuši iespaidīgu progresu, izmantojot paņēmienu, ko sauc par dziļo mācīšanos. Nodrošiniet padziļinātas apmācības sistēmu ar pietiekami daudz attēlu, un tā iemācās, teiksim, atpazīt gājēju, kurš gatavojas šķērsot ceļu. Šī pieeja ir padarījusi iespējamas tādas lietas kā pašbraucošas automašīnas un sarunu tehnoloģija, kas nodrošina Alexa, Siri un citus virtuālos palīgus.

Bet, lai gan padziļināti apmācīti AI var iemācīties atpazīt lietas, viņiem nav izdevies tās radīt. GAN mērķis ir dot mašīnām kaut ko līdzīgu iztēlei.

Nākotnē datori daudz labāk varēs baudīt neapstrādātus datus un izstrādāt to, kas no tiem jāmācās.

To darot, viņi ne tikai ļautu zīmēt skaistus attēlus vai komponēt mūziku; tas padarītu viņus mazāk atkarīgus no cilvēkiem, lai sniegtu viņiem norādījumus par pasauli un tās darbību. Mūsdienās mākslīgā intelekta programmētājiem bieži vien mašīnai ir jāpasaka, kas tieši ir ietverts apmācību datos, kas tiek ievadīti — kurā no miljona bildēm ir redzams, ka gājējs šķērso ceļu, un kurā nav. Tas ir ne tikai dārgi un darbietilpīgi; tas ierobežo to, cik labi sistēma tiek galā ar pat nelielām novirzēm no tā, par ko tā tika apmācīta. Nākotnē datori daudz labāk varēs baudīt neapstrādātus datus un bez brīdinājuma izstrādāt to, kas no tiem jāmācās.

Tas iezīmēs lielu lēcienu uz priekšu tajā, ko AI dēvē par nekontrolētu mācīšanos. Automašīna, kas brauc ar pašbraucēju, varētu iemācīties uzzināt daudz dažādu ceļa apstākļu, neizejot no garāžas. Robots var paredzēt šķēršļus, ar kuriem tas varētu saskarties aizņemtā noliktavā, bez nepieciešamības to apvest.

Tas iezīmēs lielu lēcienu uz priekšu tajā, ko AI dēvē par nekontrolētu mācīšanos.

Mūsu spēja iztēloties un pārdomāt dažādus scenārijus ir daļa no tā, kas padara mūs par cilvēkiem. Un, kad nākamie tehnoloģiju vēsturnieki atskatās pagātnē, viņi, visticamāk, uzskatīs, ka GAN ir liels solis ceļā uz tādu mašīnu radīšanu, kurām ir līdzīga cilvēka apziņa. Jans Lekuns, Facebook galvenais AI zinātnieks, ir nosaucis GAN par stilīgāko ideju dziļās mācībās pēdējo 20 gadu laikā. Cits mākslīgā intelekta spīdeklis Endrjū Ngs, bijušais Ķīnas Baidu galvenais zinātnieks, saka, ka GAN ir nozīmīgs un būtisks sasniegums, kas ir iedvesmojis augošu globālu pētnieku kopienu.

GANfather, II daļa: AI cīņas klubs

Gudfelovs tagad ir Google Brain komandas pētnieks uzņēmuma galvenajā mītnē Mauntinvjū, Kalifornijā. Kad es viņu nesen tur satiku, viņš joprojām šķita pārsteigts par savu superzvaigznes statusu, nosaucot to par nedaudz sirreālu. Varbūt ne mazāk pārsteidzoši ir tas, ka pēc atklājuma viņš lielu daļu sava laika pavada, strādājot pret tiem, kas vēlas to izmantot ļauniem nolūkiem.

GAN burvība slēpjas abu neironu tīklu sāncensībā. Tas atdarina šurpu turpu starp attēlu viltotāju un mākslas detektīvu, kuri atkārtoti cenšas viens otru apmānīt. Abi tīkli ir apmācīti, izmantojot vienu un to pašu datu kopu. Pirmais, kas pazīstams kā ģenerators, ir uzdots radīt mākslīgus rezultātus, piemēram, fotoattēlus vai rokrakstu, kas ir pēc iespējas reālistiskāki. Otrais, kas pazīstams kā diskriminators, salīdzina tos ar oriģinālās datu kopas oriģinālajiem attēliem un mēģina noteikt, kuri ir īsti un kuri viltoti. Pamatojoties uz šiem rezultātiem, ģenerators pielāgo savus parametrus jaunu attēlu izveidei. Un tā tas turpinās, līdz diskriminētājs vairs nevar pateikt, kas ir īsts un kas ir viltus.

GAN, kas apmācīts uz īstu slavenību fotogrāfijām, nāca klajā ar savu iedomātu zvaigžņu kopu. Vairumā gadījumu viltojumi izskatījās diezgan reālistiski. Nvidia

Vienā plaši izskanējušā piemērā pagājušajā gadā Nvidia, mikroshēmu uzņēmuma, kas ir ieguldījis lielus ieguldījumus AI, pētnieki apmācīja GAN ģenerēt iedomātu slavenību attēlus, pētot reālas. Ne visas tā radītās viltus zvaigznes bija ideālas, taču dažas bija iespaidīgi reālistiskas. Atšķirībā no citām mašīnmācības pieejām, kurām nepieciešami desmitiem tūkstošu apmācības attēlu, GAN var kļūt kvalificēti ar dažiem simtiem.

Saistīts stāsts

Saistīts stāsts

Šis iztēles spēks joprojām ir ierobežots. Tiklīdz tas ir apmācīts daudzās suņu fotogrāfijās, GAN var ģenerēt pārliecinošu viltotu suņa attēlu, kuram ir, piemēram, atšķirīgs plankumu modelis; bet tas nevar iedomāties pilnīgi jaunu dzīvnieku. Arī sākotnējo treniņu datu kvalitātei ir liela ietekme uz rezultātiem. Vienā spilgtā piemērā GAN sāka ražot kaķu attēlus ar attēlos integrētiem nejaušiem burtiem. Tā kā apmācības datos bija kaķu mēmes no interneta, iekārta bija iemācījusies, ka vārdi ir daļa no tā, ko nozīmē būt kaķim.

Var būt sarežģīti panākt, lai GANS labi darbotos. Ja ir kļūmes, rezultāti var būt dīvaini. Alekss Radfords

GAN ir arī temperamentīgi, saka Pedro Domingoss, Vašingtonas universitātes mašīnmācības pētnieks. Ja diskriminatoru ir pārāk viegli apmānīt, ģeneratora izvade neizskatīsies reālistiska. Divu duelēšanas neironu tīklu kalibrēšana var būt sarežģīta, un tas izskaidro, kāpēc GAN dažreiz izspļauj dīvainas lietas, piemēram, dzīvniekus ar divām galvām.

Tomēr izaicinājumi nav atturējuši pētniekus. Kopš Goodfellow un daži citi publicēja pirmo pētījumu par viņa atklājumu, 2014. gadā ir uzrakstīti simtiem ar GAN saistītu rakstu. Viens šīs tehnoloģijas cienītājs pat ir izveidojis tīmekļa lapu ar nosaukumu GAN zoo, kas veltīta dažādu izstrādāto tehnikas versiju izsekošanai.

Acīmredzamākā tūlītējā izmantošana ir jomās, kurās ir daudz attēlu, piemēram, videospēles un mode: kā, piemēram, varētu izskatīties spēles varonis, skrienot pa lietu? Taču, raugoties uz priekšu, Gudfellovs domā, ka GAN veicinās ievērojamākus panākumus. Viņš saka, ka ir daudz zinātnes un inženierzinātņu jomu, kurās mums kaut kas ir jāoptimizē, minot tādus piemērus kā zāles, kurām jābūt efektīvākām, vai akumulatoriem, kuriem jākļūst efektīvākiem. Tas būs nākamais lielais vilnis.

Augstas enerģijas fizikā zinātnieki izmanto jaudīgus datorus, lai modelētu simtiem subatomisku daļiņu iespējamo mijiedarbību tādās mašīnās kā lielais hadronu paātrinātājs CERN Šveicē. Šīs simulācijas ir lēnas un prasa milzīgu skaitļošanas jaudu. Jēlas universitātes un Lorensa Bērklija Nacionālās laboratorijas pētnieki ir izstrādājuši GAN, kas pēc esošo simulācijas datu apmācības iemācās ģenerēt diezgan precīzas prognozes par to, kā konkrēta daļiņa uzvedīsies, un dara to daudz ātrāk.

Goodfellow radīto var izmantot, lai iztēlotu visdažādākās lietas, tostarp jaunus interjera dizainus. Īens Gudfelovs

Medicīniskā pētniecība ir vēl viena daudzsološa joma. Bažas par privātumu nozīmē, ka pētnieki dažkārt nevar iegūt pietiekami daudz reālu pacientu datu, lai, teiksim, analizētu, kāpēc zāles nedarbojās. GAN var palīdzēt atrisināt šo problēmu, ģenerējot viltotus ierakstus, kas ir gandrīz tikpat labi kā patiesie, saka Keisija Grīna no Pensilvānijas universitātes. Šos datus varētu koplietot plašāk, palīdzot virzīt pētniecību, kamēr īstie ieraksti ir stingri aizsargāti.

GANfather, III daļa: Slikti biedri

Tomēr ir arī tumšākā puse. Mašīna, kas paredzēta reālistisku viltojumu radīšanai, ir ideāls ierocis viltus ziņu izplatītājiem, kuri vēlas ietekmēt visu, sākot no akciju cenām un beidzot ar vēlēšanām. AI rīki jau tiek izmantoti, lai uz pornozvaigžņu ķermeņiem ievietotu citu cilvēku seju attēlus un liktu politiķu mutē vārdus. GAN neradīja šo problēmu, taču tie to pasliktinās.

Hanijs Farids, kurš Dartmutas koledžā studē digitālo tiesu ekspertīzi, strādā pie labākiem veidiem, kā pamanīt viltotus video, piemēram, atklāt nelielas izmaiņas seju krāsā, ko izraisa ieelpošana un izelpošana, kuras GAN ir grūti precīzi atdarināt. Bet viņš brīdina, ka GAN pēc kārtas pielāgosies. Mēs būtībā esam vājā pozīcijā, saka Farids.

Šī kaķa un peles spēle tiks spēlēta arī kiberdrošības jomā. Pētnieki jau uzsver melnās kastes uzbrukumu risku, kuros GAN tiek izmantoti, lai noskaidrotu mašīnmācības modeļus, ar kuriem daudzas drošības programmas atklāj ļaunprātīgu programmatūru. Uzzinājis, kā darbojas aizsarga algoritms, uzbrucējs var no tā izvairīties un ievietot negodīgu kodu. To pašu pieeju varētu izmantot arī, lai izvairītos no surogātpasta filtriem un citiem aizsardzības līdzekļiem.

Ir daudz zinātnes un inženierzinātņu jomu, kurās mums kaut kas ir jāoptimizē. Tas būs nākamais lielais vilnis.

Gudfelovs labi apzinās briesmas. Tagad, vadot Google komandu, kuras mērķis ir padarīt mašīnmācīšanos drošāku, viņš brīdina, ka mākslīgā intelekta kopienai ir jāmācās no iepriekšējo inovāciju viļņu mācība, kurā tehnologi uzskatīja, ka drošība un privātums ir pēcpārdomāts. Līdz brīdim, kad viņi pamodās no riskiem, sliktajiem puišiem bija ievērojams pārsvars. Skaidrs, ka mēs jau esam ārpus sākuma, viņš saka, bet cerams, ka mēs spēsim panākt ievērojamu progresu drošībā, pirms esam pārāk tālu.

Tomēr viņš nedomā, ka viltošanai būs tīri tehnoloģisks risinājums. Tā vietā, pēc viņa domām, mums būs jāpaļaujas uz sabiedriskajiem, piemēram, jāmāca bērniem kritiska domāšana, liekot viņiem apgūt runas un debašu nodarbības. Viņš saka, ka runā un debatēs jūs konkurējat ar citu studentu, un jūs domājat par to, kā izveidot maldinošus apgalvojumus vai pareizi izteikt apgalvojumus, kas ir ļoti pārliecinoši. Viņam var būt taisnība, taču viņa secinājums, ka tehnoloģija nevar atrisināt viltus ziņu problēmu, nav tāds, ko daudzi vēlētos dzirdēt.

paslēpties