Mācību mašīnas, lai mūs saprastu

Pirmo reizi Jans Lekuns radīja revolūciju mākslīgajā intelektā, tā bija nepatiesa rītausma. Tas bija 1995. gads, un gandrīz desmit gadus jaunais francūzis bija veltīts tam, ko daudzi datorzinātnieki uzskatīja par sliktu ideju: ka rupji atdarināt noteiktas smadzeņu funkcijas ir labākais veids, kā radīt viedas mašīnas. Bet LeCun bija parādījis, ka šī pieeja var radīt kaut ko pārsteidzoši gudru un noderīgu. Strādājot uzņēmumā Bell Labs, viņš izveidoja programmatūru, kas aptuveni simulēja neironus, un iemācījās lasīt ar roku rakstītu tekstu, aplūkojot daudzus dažādus piemērus. Bell Labs korporatīvais mātes uzņēmums AT&T to izmantoja, lai pārdotu pirmās iekārtas, kas spēj nolasīt čeku un rakstisko veidlapu rokrakstu. Lekunam un dažiem ticības biedriem mākslīgajiem neironu tīkliem tas iezīmēja laikmeta sākumu, kurā mašīnas varēja apgūt daudzas citas prasmes, kas iepriekš bija tikai cilvēkiem. Tā nebija.

LeCun saka, ka viss šis projekts pazuda tā lielāko panākumu dienā. Tajā pašā dienā, kad viņš svinēja banku iekārtu palaišanu, kas varēja nolasīt tūkstošiem čeku stundā, AT&T paziņoja, ka sadalās trīs uzņēmumos paredzēti dažādiem sakaru un skaitļošanas tirgiem. LeCun kļuva par pētniecības vadītāju plānākā AT&T un tika novirzīts strādāt pie citām lietām; 2002. gadā viņš pameta AT&T, drīzumā kļūstot par profesoru Ņujorkas Universitātē. Tikmēr pētnieki citur atklāja, ka viņi nevar piemērot LeCun izrāvienu citām skaitļošanas problēmām. Smadzeņu iedvesmotā pieeja AI atkal kļuva par blakus interesi.

Šis stāsts bija daļa no mūsu 2015. gada septembra numura

• Skatiet pārējo izdevuma daļu
• Abonēt

LeCun, tagad drukns 55 gadus vecs ar gatavu smaidu un uz sāniem slaucīti tumši mati, ko pieskārās pelēks, nekad nepārstāja tiekties pēc šīs īpašās intereses. Un pārsteidzoši, ka pārējā pasaule ir atnākusi apkārt. Idejas, ko viņš un daži citi radīja, saskaroties ar vairāk nekā divus gadu desmitus ilgušās apātijas un dažkārt arī tiešu noraidīšanas, dažu pēdējo gadu laikā ir radījušas pārsteidzošus rezultātus tādās jomās kā sejas un runas atpazīšana. Padziļināta mācīšanās, kā šī joma tagad ir zināma, ir kļuvusi par jaunu cīņas lauku starp Google un citiem vadošajiem tehnoloģiju uzņēmumiem, kas cenšas to izmantot patērētāju pakalpojumos. Viens no šādiem uzņēmumiem ir Facebook, kas 2013. gada decembrī nolīga LeCun no NYU un iecēla viņu par jaunu mākslīgā intelekta pētījumu grupu FAIR, kurā šobrīd ir 50 pētnieki, taču tā pieaugs līdz 100. LeCun laboratorija ir Facebook pirmais nozīmīgais ieguldījums fundamentālajās jomās. pētniecība, un tas varētu būt ļoti svarīgi uzņēmuma mēģinājumiem kļūt par vairāk nekā tikai virtuālu sociālo vietu. Tas var arī pārveidot mūsu cerības par to, ko mašīnas var darīt.

Facebook un citi uzņēmumi, tostarp Google, IBM un Microsoft, pēdējos gados ir ātri kļuvuši šajā jomā, jo padziļināta mācīšanās ir daudz labāka nekā iepriekšējās AI metodes, lai datori apgūtu prasmes, kas izaicina mašīnas, piemēram, fotoattēlu izpratne. . Šīs vairāk iedibinātās metodes prasa, lai cilvēku eksperti darbietilpīgi ieprogrammētu noteiktas spējas, piemēram, kā attēlos noteikt līnijas un stūrus. Padziļinātas apmācības programmatūra izdomā, kā iegūt datu jēgu bez šādas programmēšanas. Dažas sistēmas tagad var atpazīt attēlus vai sejas apmēram tikpat precīzi kā cilvēkiem.

Tagad LeCun tiecas uz kaut ko daudz jaudīgāku. Viņš vēlas piegādāt programmatūru ar valodu prasmēm un veselo saprātu, kas nepieciešamas pamata sarunai. Tā vietā, lai sazinātos ar iekārtām, noklikšķinot uz pogām vai ievadot rūpīgi izvēlētus meklēšanas vienumus, mēs varētu vienkārši pateikt viņiem, ko vēlamies, it kā mēs runātu ar citu personu. Viņš prognozē, ka mūsu attiecības ar digitālo pasauli pilnībā mainīsies, pateicoties inteliģentiem aģentiem, ar kuriem jūs varat sazināties. Viņš domā, ka dziļa mācīšanās var radīt programmatūru, kas izprot mūsu teikumus un var atbildēt ar atbilstošām atbildēm, precizējošiem jautājumiem vai ieteikumiem.

Aģenti, kas atbild uz faktiskiem jautājumiem vai rezervē restorānus mūsu vietā, ir viens acīmredzams, ja ne gluži pasauli mainošs, pielietojums. Ir arī viegli saprast, kā šāda programmatūra var radīt stimulējošākus videospēļu varoņus vai uzlabot mācīšanos tiešsaistē. Vēl provokatīvāk LeCun saka, ka sistēmas, kas saprot parasto valodu, varētu mūs pietiekami labi iepazīt, lai saprastu, kas mums ir labs. Viņš saka, ka tādām sistēmām kā šī ir jāspēj saprast ne tikai to, kas cilvēkus izklaidētu, bet arī to, kas viņiem ir jāredz neatkarīgi no tā, vai tas viņiem patiks. Šādi varoņdarbi nav iespējami, izmantojot meklētājprogrammu, surogātpasta filtru un virtuālo asistentu paņēmienus, kas mūsdienās cenšas mūs saprast. Viņi bieži ignorē vārdu secību un tiek galā ar tādiem statistikas trikiem kā atslēgvārdu saskaņošana un skaitīšana. Piemēram, Apple Siri mēģina jūsu teikto iekļaut nelielā skaitā kategoriju, kas aktivizē skriptu atbildes. Viņi īsti nesaprot tekstu, saka Lekuns. Tas ir pārsteidzoši, ka tas vispār darbojas. Tikmēr sistēmas, kuras, šķiet, ir apguvušas sarežģītus valodas uzdevumus, piemēram, IBM Apdraudējums! uzvarētājs Vatsons, dariet to, īpaši specializējoties noteiktā formātā. Viņš saka, ka tas ir jauki kā demonstrācija, bet ne darbs, kas patiešām varētu pārvērsties citā situācijā.

Turpretim padziļinātas apmācības programmatūra var labāk izprast valodu, kā to dara cilvēki. Pētnieki no Facebook, Google un citur izstrādā programmatūru, kas ir parādījusi progresu vārdu nozīmes izpratnē. LeCun komandai ir sistēma, kas spēj lasīt vienkāršus stāstus un atbildēt uz jautājumiem par tiem, balstoties uz tādām spējām kā loģiskā dedukcija un elementāra laika izpratne.

Tomēr, kā LeCun zina no pirmavotiem, mākslīgais intelekts ir bēdīgi slavens ar progresa uzliesmojumiem, kas veicināja prognozes par lieliem lēcieniem, bet galu galā maina ļoti maz. Programmatūras izveide, kas spēj tikt galā ar žilbinošo valodas sarežģītību, ir lielāks izaicinājums nekā apmācīt to atpazīt attēlos esošos objektus. Padziļinātās mācīšanās lietderība runas atpazīšanā un attēlu noteikšanā nav apšaubāma, taču tas joprojām ir tikai minējums, ka tā pārvaldīs valodu un radikālāk mainīs mūsu dzīvi. Mēs vēl precīzi nezinām, vai padziļināta mācīšanās ir mirklis, kas izrādīsies kaut kas daudz lielāks.

Dziļa vēsture

Padziļinātās mācīšanās saknes sniedzas tālāk nekā Lekuna laiks Bell Labs. Viņš un daži citi, kas bija šīs tehnikas pionieri, faktiski reanimēja sen mirušu ideju mākslīgajā intelektā.

Kad šī joma sākās, 1950. gados, biologi tikai sāka izstrādāt vienkāršas matemātiskas teorijas par to, kā intelekts un mācīšanās rodas no signāliem, kas iet starp smadzeņu neironiem. Galvenā ideja, kas joprojām ir aktuāla šodien, bija tāda, ka saites starp neironiem tiek stiprinātas, ja šīs šūnas bieži sazinās. Neironu aktivitātes fusillade, ko izraisa jauna pieredze, pielāgo smadzeņu savienojumus, lai tās varētu to labāk izprast otrreiz.

1956. gadā psihologs Frenks Rozenblats izmantoja šīs teorijas, lai izgudrotu veidu, kā veikt vienkāršas neironu simulācijas programmatūrā un aparatūrā. The Ņujorkas Laiks paziņoja par savu darbu ar virsrakstu Elektroniskā ‘smadzenes’ māca sevi . Rozenblata perceptrons, kā viņš nosauca savu dizainu, varētu iemācīties kārtot vienkāršus attēlus kategorijās, piemēram, trijstūrī un kvadrātā. Rozenblats parasti īstenoja savas idejas milzu mašīnas biezi sapinušies ar vadiem, bet tie noteica pamatprincipus, kas mūsdienās darbojas mākslīgajos neironu tīklos.

Padziļināta mācīšanās ir laba, lai pieņemtu diktātu un atpazītu attēlus. Bet vai tā spēj apgūt cilvēku valodu?

Vienam viņa uzbūvētajam datoram bija astoņi simulēti neironi, kas izgatavoti no motoriem un ciparnīcām, kas savienotas ar 400 gaismas detektoriem. Katrs no neironiem saņēma daļu signālu no gaismas detektoriem, apvienoja tos un, atkarībā no tā, ko tie saskaitīja, izspļāva vai nu viens vai a 0 . Šie cipari kopā veidoja uztvertā aprakstu par to, ko tas redzēja. Sākotnēji rezultāti bija atkritumi. Bet Rozenblats izmantoja metodi, ko sauc par uzraudzīto mācīšanos, lai apmācītu perceptronu, lai radītu rezultātus, kas pareizi atšķir dažādas formas. Viņš parādītu perceptronam attēlu kopā ar pareizo atbildi. Tad iekārta pielāgotu, cik lielu uzmanību katrs neirons pievērsa saviem ienākošajiem signāliem, novirzot šos svarus uz iestatījumiem, kas sniegtu pareizo atbildi. Pēc daudziem piemēriem šie uzlabojumi piešķīra datoram pietiekami daudz gudrību, lai pareizi klasificētu attēlus, kurus tas nekad agrāk nebija redzējis. Mūsdienu padziļinātie mācību tīkli izmanto sarežģītus algoritmus, un tajos ir miljoniem simulētu neironu ar miljardiem savienojumu starp tiem. Bet viņi tiek apmācīti vienādi.

Rozenblats prognozēja, ka perceptroni drīz spēs veikt varoņdarbus, piemēram, sveicināt cilvēkus vārdā, un viņa ideja kļuva par pamatu topošajam mākslīgā intelekta laukam. Darbs bija vērsts uz perceptronu izveidi ar sarežģītākiem tīkliem, kas sakārtoti vairāku mācību slāņu hierarhijā. Attēlu vai citu datu secīga nodošana cauri slāņiem ļautu perceptronam risināt sarežģītākas problēmas. Diemžēl Rosenblatt mācību algoritms nedarbojās vairākos slāņos. 1969. gadā mākslīgā intelekta pionieris Mārvins Minskis, kurš bija mācījies vidusskolā kopā ar Rozenblatu, publicēja perceptronu kritika grāmatas garumā kas vienā mirklī nogalināja interesi par neironu tīkliem. Minskis apgalvoja, ka vairāk slāņu darbība nepadarīs perceptronus pietiekami jaudīgus, lai tie būtu noderīgi. Mākslīgā intelekta pētnieki atteicās no idejas izveidot programmatūru, kas mācās. Tā vietā viņi pievērsās loģikas izmantošanai, lai izstrādātu saprāta darbības aspektus, piemēram, spējas spēlēt šahu. Neironu tīkli tika novirzīti uz datorzinātņu robežām.

Neskatoties uz to, Lekuns bija apburts, kad astoņdesmito gadu sākumā Parīzē kā inženierzinātņu students lasīja par perceptroniem. Es biju pārsteigts, ka tas darbojas, un prātoju, kāpēc cilvēki to pameta, viņš saka. Viņš pavadīja dienas pētnieciskajā bibliotēkā netālu no Versaļas, meklējot rakstus, kas publicēti pirms perceptronu izzušanas. Tad viņš atklāja, ka neliela pētnieku grupa Amerikas Savienotajās Valstīs atkal slēpti strādā pie neironu tīkliem. Viņš saka, ka šī bija ļoti pagrīdes kustība. Rakstos, kas rūpīgi tika attīrīti no tādiem vārdiem kā neirons un mācījās izvairīties no recenzentu noraidījuma, viņi strādāja pie kaut kā līdzīga Rozenblata vecajai problēmai par to, kā apmācīt neironu tīklus ar vairākiem slāņiem.

Lekuns pievienojās pagrīdei pēc tam, kad 1985. gadā satikās ar tās centrālajām figūrām, tostarp kādu dīvainu britu Džeofu Hintonu, kurš tagad strādā Google un Toronto Universitātē. Viņi uzreiz kļuva par draugiem, savstarpējiem cienītājiem un par mazas kopienas kodolu, kas atdzīvināja ideju par neironu tīklu. Viņus uzturēja pārliecība, ka dabiskajā intelektā redzamā pamata mehānisma izmantošana ir vienīgais veids, kā izveidot mākslīgo intelektu. Vienīgā metode, par kuru mēs zinājām, ka darbojas, bija smadzenes, tāpēc ilgtermiņā vajadzēja panākt, lai kaut kas līdzīgs varētu darboties, saka Hintons.

Lekuna panākumi uzņēmumā Bell Labs radās pēc tam, kad viņš, Hintons un citi pilnveidoja mācīšanās algoritmu neironu tīkliem ar vairākiem slāņiem. Tas bija pazīstams kā backpropagation, un tas izraisīja psihologu un datorzinātnieku interesi. Taču pēc tam, kad LeCun čeku nolasīšanas projekts beidzās, atpakaļpavairošana izrādījās sarežģīta, lai pielāgotos citām problēmām, un Bell Labs pētnieks gaitenī no LeCun izgudroja jaunu veidu, kā apmācīt programmatūru datu kārtošanai. Tas neietvēra simulētus neironus un tika uzskatīts par matemātiski elegantāku. Ļoti ātri tas kļuva par stūrakmeni tādiem interneta uzņēmumiem kā Google, Amazon un LinkedIn, kas to izmanto, lai apmācītu sistēmas, kas bloķē surogātpastu vai iesaka jums iegādāties lietas.

Pēc tam, kad Lekuns 2003. gadā nokļuva Ņujorkas universitātē, viņš, Hintons un trešais līdzstrādnieks, Monreālas Universitātes profesors Jošua Bendžo, izveidoja to, ko Lekuns sauc par dziļas mācīšanās sazvērestību. Lai pierādītu, ka neironu tīkli būtu noderīgi, viņi klusi izstrādāja veidus, kā padarīt tos lielākus, apmācīt tos ar lielākām datu kopām un palaist tos jaudīgākos datoros. LeCun rokraksta atpazīšanas sistēmai bija pieci neironu slāņi, bet tagad tiem varēja būt 10 vai daudz vairāk. Aptuveni 2010. gadā tas, ko tagad sauca par dziļo mācīšanos, sāka pārspēt iedibinātās metodes reālos uzdevumos, piemēram, attēlu šķirošanā. Microsoft, Google un IBM to pievienoja runas atpazīšanas sistēmām. Bet neironu tīkli joprojām bija sveši lielākajai daļai pētnieku un netika uzskatīti par plaši noderīgiem. 2012. gada sākumā LeCun uzrakstīja ugunīgu vēstuli — sākotnēji publicēts anonīmi — pēc tam, kad vadošā konference noraidīja rakstu, kurā tika apgalvots, ka tas ir uzstādījis jaunu rekordu standarta redzes uzdevumā. Viņš apsūdzēja recenzentus neizpratnē un negatīvi tendenciozitātē.

Pēc sešiem mēnešiem viss mainījās. Hintons un divi absolventi izmantoja tīklu, piemēram, LeCun izveidoto lasīšanas pārbaudēm, lai novirzītu laukumu vadošajā attēlu atpazīšanas konkursā. Pazīstams kā ImageNet liela mēroga vizuālās atpazīšanas izaicinājums, tas prasa programmatūrai identificēt 1000 objektu veidus, kas ir tik dažādi kā moskītu tīkli un mošejas. Toronto ieraksts pareizi identificēja objektu attēlā, veicot piecus minējumus aptuveni 85% gadījumu, kas ir par vairāk nekā 10 procentpunktiem labāk nekā otrā labākā sistēma. Padziļinātās apmācības programmatūras sākotnējie neironu slāņi ir optimizēti, lai atrastu vienkāršas lietas, piemēram, malas un stūrus, savukārt slāņi pēc tam meklēja secīgi sarežģītākas funkcijas, piemēram, pamata formas un galu galā suņus vai cilvēkus.

LeCun atceras, ka kopiena, kas lielākoties bija ignorējusi neironu tīklus, ienāca telpā, kur uzvarētāji iepazīstināja ar saviem rezultātiem. Viņš saka, ka tur varēja redzēt, ka daudzi kopienas vecāka gadagājuma cilvēki vienkārši pagriezās. Viņi teica: “Labi, tagad mēs to pērkam. Tas ir viss — jūs uzvarējāt.

Akadēmiķi, kas strādāja pie datorredzes, ātri atteicās no savām vecajām metodēm, un dziļa mācīšanās pēkšņi kļuva par vienu no galvenajiem mākslīgā intelekta virzieniem. Google nopirka uzņēmumu, ko dibināja Hintons un divi citi, kas bija aiz 2012. gada rezultāta, un Hintons sāka tur strādāt nepilnu darba laiku pētniecības komandā, kas pazīstama kā Google Brain. Microsoft un citi uzņēmumi izveidoja jaunus projektus, lai izpētītu dziļu mācīšanos. 2013. gada decembrī Facebook izpilddirektors Marks Cukerbergs apdullināja akadēmiķus, piedaloties lielākajā neironu tīklu pētniecības konferencē, rīkojot ballīti, kurā viņš paziņoja, ka LeCun sāk FAIR (lai gan viņš joprojām strādā NYU vienu dienu nedēļā).

Lekunam joprojām ir dalītas jūtas par 2012. gada pētījumu, kas radīja apkārtējo pasauli viņa skatījumā. Zināmā mērā tam vajadzēja iznākt no manas laboratorijas, viņš saka. Hintons piekrīt šim novērtējumam. Janam bija mazliet žēl, ka viņš nebija tas, kurš faktiski izveidoja izrāvienu sistēmu, viņš saka. LeCun grupa bija paveikusi vairāk nekā jebkurš cits, lai pierādītu metodes, kas izmantotas, lai uzvarētu ImageNet izaicinājumā. Uzvara varēja būt viņa, ja studentu absolvēšanas grafiki un citas saistības nebūtu traucējušas viņa paša grupai uzņemties ImageNet, viņš saka. LeCun medības pēc dziļas mācīšanās nākamais izrāviens tagad ir iespēja izlīdzināt rezultātu.

Lekuns uzņēmumā Bell Labs 1993. gadā ar datoru, kas varēja nolasīt čeku rokrakstu.

Valodu apguve

Facebook Ņujorkas birojs atrodas trīs minūšu gājiena attālumā no Brodvejas no LeCun biroja NYU, divos stāvos ēkā, kas 20. gadsimta sākumā celta kā universālveikals. Atvērtajā plānā strādnieki ir saspiesti daudz blīvāk nekā Facebook galvenajā mītnē Menlo parkā, Kalifornijā, taču viņus joprojām var redzēt slīdējam uz šarnīrveida skrituļdēļiem pēc iknedēļas alus tenisa apmeklējuma. Gandrīz puse no LeCun vadošo AI pētnieku komandas strādā šeit, bet pārējie strādā Facebook Kalifornijas pilsētiņā vai birojā Parīzē. Daudzi no viņiem cenšas uzlabot neironu tīklu valodas izpratni. Esmu nolīgusi visus cilvēkus, kas ar to strādā, cik vien varēju, saka Lekuns.

Neironu tīkls var iemācīties vārdus, spolējot tekstu un aprēķinot, kā katru vārdu, ar kuru tas saskaras, varēja paredzēt no vārdiem pirms vai pēc tā. To darot, programmatūra iemācās attēlot katru vārdu kā vektoru, kas norāda uz tā saistību ar citiem vārdiem — procesu, kas neprātīgi uztver jēdzienus valodā. Atšķirība starp karaļa un karalienes vektoriem ir tāda pati kā, piemēram, vīram un sievai. Papīra un kartona vektori atrodas tuvu viens otram, bet lieliem un lieliem vektori ir vēl tuvāk.

Tāda pati pieeja darbojas veseliem teikumiem (Hinton saka, ka tā ģenerē domu vektorus), un Google meklē iespēju to izmantot, lai stiprinātu savu automātiskās tulkošanas pakalpojumu. Nesenā Ķīnas universitātes un Microsoft Pekinas laboratorijas pētnieku rakstā tika izmantota vektoru tehnikas versija, lai izveidotu programmatūru, kas pārspēj dažus cilvēkus IQ testa jautājumos, kas prasa izpratni par sinonīmiem, antonīmiem un analoģijām.

LeCun grupa strādā, lai turpinātu. Valoda pati par sevi nav tik sarežģīta, viņš saka. Sarežģītākais ir dziļa valodas un pasaules izpratne, kas sniedz veselo saprātu. Tas ir tas, ko mēs patiešām esam ieinteresēti pārveidot mašīnās. LeCun nozīmē veselo saprātu, kā Aristotelis lietoja šo terminu: spēja izprast pamata fizisko realitāti. Viņš vēlas, lai dators saprastu, ka teikums, ka Jans paņēma pudeli un izgāja no istabas, nozīmē pudeli, kas viņam bija atstāta. Facebook pētnieki ir izgudrojuši padziļinātas mācīšanās sistēmu, ko sauc par atmiņas tīklu, kas parāda, kas varētu būt veselā saprāta agrīnās ierosmes.

Atmiņas tīkls ir neironu tīkls ar atmiņas banku, kas ir pieskrūvēta, lai saglabātu uzzinātos faktus, lai tie netiktu izskaloti katru reizi, kad tas uzņem jaunus datus. Facebook AI laboratorija ir izveidojusi versijas, kas var atbildēt uz vienkāršiem veselā saprāta jautājumiem par tekstu, ko viņi nekad nav redzējuši. Piemēram, kad pētnieki sniedza atmiņas tīklam ļoti vienkāršotu sižeta kopsavilkumu Gredzenu pavēlnieks , tas varētu atbildēt uz tādiem jautājumiem kā Kur atrodas gredzens? un Kur bija Frodo pirms Nolemtības kalna? Tā varēja interpretēt tekstā aprakstīto vienkāršo pasauli, neskatoties uz to, ka tā nekad nav sastapusi daudzus vārdus vai objektus, piemēram, Frodo vai gredzenu.

Programmatūra apguva savu elementāro veselo saprātu, parādot, kā atbildēt uz jautājumiem par vienkāršu tekstu, kurā varoņi dara lietas vairākās istabās, piemēram, Freds pārcēlās uz guļamistabu un Džo devās uz virtuvi. Bet LeCun vēlas pakļaut programmatūru tekstiem, kas daudz labāk spēj uztvert dzīves sarežģītību un lietas, kas virtuālajam asistentam varētu būt jādara. Viens no šo datu avotiem varētu būt virtuāls konsjeržs ar nosaukumu Moneypenny, kuru Facebook, domājams, izlaidīs. Tiek ziņots, ka palīgu darbina cilvēku operatoru komanda, kas palīdzēs cilvēkiem veikt tādas darbības kā restorānu rezervācijas. LeCun komanda varētu likt atmiņas tīklam uzraudzīt Moneypenny plecu, pirms galu galā ļaut tai mācīties, pašai mijiedarbojoties ar cilvēkiem.

Vairāki uzņēmumi ir atvēruši padziļinātas apmācības laboratorijas. Esmu nolīgusi visus cilvēkus, kas ar to strādā, cik vien varēju, saka Lekuns.

Lai izveidotu kaut ko tādu, kas var saturēt pat pamata, šauri mērķtiecīgu sarunu, joprojām prasa ievērojamu darbu. Piemēram, neironu tīkli ir parādījuši tikai ļoti vienkāršu argumentāciju, un pētnieki nav sapratuši, kā viņiem varētu iemācīt veidot plānus, saka LeCun. Taču ar tehnoloģijām līdz šim paveiktā darba rezultāti ļauj viņam pārliecināties par to, kur lietas virzās. Viņš saka, ka revolūcija ir ceļā.

Daži cilvēki ir mazāk pārliecināti. Padziļinātās apmācības programmatūra līdz šim ir parādījusi tikai visvienkāršākās iespējas, kas nepieciešamas tam, ko mēs atpazītu kā sarunu, saka Orens Etcioni , Sietlas Allena Mākslīgā intelekta institūta izpilddirektors. Viņš saka, ka joprojām nepieciešamās loģikas un plānošanas iespējas ļoti atšķiras no tām, kuras neironu tīkli ir veikuši vislabāk: pikseļu vai akustisko viļņu formu sekvences, lai izlemtu, kuru attēla kategoriju vai vārdu tie pārstāv. Viņš saka, ka dabiskās valodas izpratnes problēmas nevar samazināt tādā pašā veidā.

Gerijs Markuss , Ņujorkas universitātes psiholoģijas un neirozinātņu profesors, kurš ir pētījis, kā cilvēki mācās valodu, un nesen izveidoja mākslīgā intelekta uzņēmumu ar nosaukumu Ģeometriskais intelekts, domā, ka LeCun nenovērtē, cik grūti esošajai programmatūrai būtu uztvert valodu un veselo saprātu. Programmatūras apmācība ar lielu rūpīgi anotētu datu apjomu ir piemērota, lai tā varētu kārtot attēlus. Taču Markuss šaubās, ka tas var apgūt sarežģītākas prasmes, kas nepieciešamas valodai, kur vārdu un sarežģītu teikumu nozīmes var mainīties atkarībā no konteksta. Cilvēki atskatīsies uz dziļu mācīšanos un sacīs, ka šī ir patiešām spēcīga tehnika — šī ir pirmā reize, kad mākslīgais intelekts ir kļuvis praktisks, viņš saka. Viņi arī teiks, ka šīm lietām ir nepieciešams daudz datu, un bija domēni, kur cilvēkiem vienkārši nebija pietiekami daudz. Markuss domā, ka valoda varētu būt viena no šīm jomām. Viņš iesaka, lai programmatūra pārvaldītu sarunu, tai būtu jāmācās vairāk kā mazam bērnam, kurš to uztver bez skaidras instrukcijas.

Dziļa ticība

Facebook galvenajā mītnē Kalifornijā LeCun komandas Rietumkrasta locekļi atrodas netālu no Marka Cukerberga un Mike Schroepfer, uzņēmuma CTO. Facebook vadītāji zina, ka LeCun grupai joprojām ir neliels ceļš no tā, lai izveidotu kaut ko, ar kuru jūs varat runāt, taču Šroepfers jau domā par to, kā to izmantot. Viņa aprakstītais nākotnes Facebook izgūst un koordinē informāciju, piemēram, sulainis, ar kuru jūs sazināties, rakstot vai runājot tāpat kā ar cilvēku.

Jūs varat iesaistīties sistēmā, kas patiešām spēj saprast jēdzienus un valodu daudz augstākā līmenī, saka Šroepfers. Viņš iedomājas, ka var lūgt, lai jūs redzētu drauga mazuļa momentuzņēmumus, bet ne viņa jokus. Es domāju, ka tuvākajā laikā tā versija ir ļoti īstenojama, viņš saka. Tā kā LeCun sistēmas iegūst labākas argumentācijas un plānošanas spējas, viņš sagaida, ka saruna kļūs mazāk vienpusīga. Facebook var piedāvāt informāciju, kas, pēc tā domām, jums patiks, un jautāt, ko jūs par to domājat. Galu galā tas ir kā šis īpaši inteliģentais palīgs, kas ir pievienots visām informācijas plūsmām pasaulē, saka Šroepfers.

Nav skaidrs, cik daudz mēs gūtu labumu no viedākiem virtuālajiem palīgiem, taču, iespējams, mums nebūs ilgi jāgaida, lai to uzzinātu.

Algoritmi, kas nepieciešami šādas mijiedarbības nodrošināšanai, uzlabotu arī sistēmas, ko Facebook izmanto, lai filtrētu redzamās ziņas un reklāmas. Un tie varētu būt ļoti svarīgi Facebook ambīcijām kļūt par daudz vairāk nekā tikai vietu, kur socializēties. Tā kā Facebook, piemēram, mediju un izklaides uzņēmumu vārdā sāk mitināt rakstus un video, cilvēkiem būs nepieciešami labāki informācijas pārvaldības veidi. Virtuālie asistenti un citi LeCun darba rezultāti varētu arī palīdzēt Facebook vērienīgāk atkāpties no sākotnējā biznesa, piemēram, grupai Oculus, kas strādā, lai virtuālo realitāti pārvērstu par masu tirgus tehnoloģiju.

Nekas no tā nenotiks, ja nesenie iespaidīgie rezultāti sastapsies ar iepriekšējo lielo ideju likteni mākslīgā intelekta jomā. Uztraukuma ziedi ap neironu tīkliem ir novītuši jau divas reizes. Taču, lai gan sūdzas par to, ka citi uzņēmumi vai pētnieki pārlieku izkliedz savu darbu, tas ir viens no LeCun mīļākā izklaide , viņš saka, ka ir pietiekami daudz netiešu pierādījumu, lai stingri atbalstītu viņa paša prognozes, ka padziļināta mācīšanās sniegs iespaidīgus rezultātus. Viņš saka, ka tehnoloģija joprojām nodrošina lielāku precizitāti un jaudu visās AI jomās, kur tā ir izmantota. Ir vajadzīgas jaunas idejas par to, kā to izmantot valodas apstrādē, taču joprojām mazā joma strauji paplašinās, jo uzņēmumi un universitātes tai velta vairāk cilvēku. Tas paātrinās progresu, saka LeCun.

Joprojām nav skaidrs, vai padziļināta mācīšanās var sniegt kaut ko tādu, ko plāno Facebook sulainis. Un pat ja tas ir iespējams, ir grūti pateikt, cik daudz pasaule no tā patiešām gūtu. Bet, iespējams, mums nebūs ilgi jāgaida, lai uzzinātu. LeCun domā, ka virtuālie palīgi ar programmatūrai nepieredzētu valodu prasmi būs pieejami tikai pēc diviem līdz pieciem gadiem. Viņš sagaida, ka ikviens, kurš šaubās par dziļas mācīšanās spēju apgūt valodu, tiks pierādīts, ka kļūdās vēl ātrāk. Viņš saka, ka ir tā pati parādība, ko mēs novērojām tieši pirms 2012. gada. Lietas sāk darboties, bet cilvēki, kas dara vairāk klasiskās tehnikas, nav pārliecināti. Pēc gada vai diviem tas būs beigas.

paslēpties