211service.com
Mākslīgā intelekta trūkstošā saite
2012. gadā pasaule uzzināja par pārsteidzošu pētniecības projektu Google slepenajā X laboratorijā. Trīs miljonu neironu milzīgā simulācija iemācījās atpazīt kaķus un cilvēkus attēlos bez cilvēka palīdzības, tikai skatoties no YouTube uzņemtos attēlus.
Projekta dalībnieki uzņēmuma meklēšanas nodaļā nodibināja jaunu pētniecības grupu, kas pazīstama kā Google Brain. Viņi un pētnieki citur drīz pasaulei pierādīja, ka mākslīgie neironu tīkli, gadu desmitiem vecs izgudrojums, var saprast attēlus un runu ar nepieredzētu precizitāti (skatiet Google Puts Its Virtual Brain to Work). Dziļās mācīšanās panākumi, kā arī šī tehnika ir zināma, mudināja Google un citus lielus ieguldījumus mākslīgajā intelektā, un daži eksperti pat ir likuši apgalvot, ka mums vajadzētu sagatavoties programmatūrai, kas ir gudrāka par cilvēkiem (skatiet sadaļu Kas būs nepieciešams, lai izveidotu tikumīgu AI?).
Tomēr Google kaķu detektors dažos veidos bija strupceļš. Nesenie dziļās mācīšanās panākumi ir balstīti uz programmatūru, kurai nepieciešama cilvēka palīdzība, lai mācītos — kaut kas ierobežo mākslīgā intelekta iespējas.
Google eksperimentā tika izmantota pieeja, kas pazīstama kā neuzraudzīta mācīšanās, kurā programmatūrai tiek ievadīti neapstrādāti dati, un tai pašai ir jāizdomā lietas bez cilvēka palīdzības. Bet, lai gan tas iemācījās atpazīt kaķus, sejas un citus objektus, tas nebija pietiekami precīzs, lai būtu noderīgs. Padziļinātās mācīšanās un uz tās balstīto produktu izpētes uzplaukums balstās uz uzraudzītu mācīšanos, kur programmatūra tiek nodrošināta ar datiem, ko marķējuši cilvēki, piemēram, attēli, kas marķēti ar tajos attēloto objektu nosaukumiem (skatiet sadaļu Mācību mašīnas, lai mūs saprastu).
Tas ir izrādījies neticami efektīvs daudzu problēmu risināšanai, piemēram, objektu identificēšanai attēlos, surogātpasta e-pasta filtrēšanai un pat īsu atbilžu ieteikšanai uz jūsu ziņojumiem, funkcija, ko Google ieviesa pagājušajā gadā . Taču, lai programmatūra turpinātu labāk izprast pasauli, iespējams, ir nepieciešama mācīšanās bez uzraudzības, saka Džefs Dīns, kurš šodien vada Google Brain grupu un arī strādāja pie kaķu detektora projekta Google X iekšienē.
Esmu diezgan pārliecināts, ka mums tas ir vajadzīgs, saka Dīns. Uzraudzīta mācīšanās darbojas tik labi, ja jums ir pareizā datu kopa, taču galu galā neuzraudzīta mācīšanās būs patiešām svarīga sastāvdaļa patiešām inteliģentu sistēmu izveidē — ja paskatās uz to, kā cilvēki mācās, tā notiek gandrīz pilnīgi bez uzraudzības.
Viens piemērs tam ir veids, kā mēs mācāmies kā zīdaiņi, veidojot pieaugušo intelekta pamatus. Piemēram, mēs noskaidrojam, ka objekti joprojām pastāv, kamēr tie nav redzami, un nokrīt, ja tie netiek atbalstīti, un mēs šīs lietas apgūstam, vienkārši vērojot pasauli, bez skaidriem norādījumiem. Šāds veselais saprāts ir vajadzīgs, ja roboti vēlas pārvietoties pa pasauli tikpat labi kā dzīvnieki. Tas arī ir pamatā šķietami abstraktākiem uzdevumiem, piemēram, valodas izpratnei.
Lai īstenotu lielākas ambīcijas mākslīgā intelekta jomā, ir ļoti svarīgi noskaidrot, kā programmatūra var paveikt to, kas ir tik viegli pieejams cilvēku mazuļiem, saka Jans Lekuns, Facebook Mākslīgā intelekta pētniecības grupas direktors. Mēs visi zinām, ka bez uzraudzības mācīšanās ir labākā atbilde, viņš saka. Nepārraudzītas mācīšanās risināšana mūs pārvedīs uz nākamo līmeni.
Lai gan viņiem vēl nav šīs galīgās atbildes, pētnieki no tādiem uzņēmumiem kā Facebook un Google, kā arī akadēmiskajās aprindās eksperimentē ar ierobežotām nekontrolētas mācīšanās formām.
Viena pētījuma virziena mērķis ir izveidot mākslīgus neironu tīklus, kas uzņem video un attēlus un pēc tam ģenerē jaunus attēlus, izmantojot zināšanas, ko viņi ir ieguvuši par pasauli, norādot, ka viņi ir izveidojuši iekšēju priekšstatu par tās darbību. Precīzas pasaules prognozes ir svarīga cilvēka intelekta pamatīpašība.
“Optimālā” cilvēka seja, saskaņā ar trīs miljonu simulētu neironu tīklu, ko Google ievadīja attēlus no YouTube.
Facebook pētnieki ir izveidojuši programmatūru ar nosaukumu EyeScream kas var ģenerēt atpazīstamus attēlus pēc uzvednēm, piemēram, baznīcas vai lidmašīnas, un viņi strādā pie programmatūras izveides, kas paredz, kas notiks videoklipā. Google DeepMind meitasuzņēmuma pētnieki ir izveidojuši programmatūru kas aplūko fotoattēlu ar aptumšotu daļu un mēģina tās aizpildīt ar reālistisku attēlu.
DeepMind testē arī alternatīvu pilnīgi bez uzraudzības mācībām, ko sauc par pastiprināšanas apmācību, kurā programmatūra tiek apmācīta, saņemot automātiskas atsauksmes par tās veiktspēju, piemēram, no datorspēles punktu sistēmas (skatiet Google Intelligence Designer). Un pētnieki, kas neizmanto padziļinātu mācīšanos, ir parādījuši programmatūru, kas var iemācīties atpazīt ar roku rakstītu rakstzīmi, pamatojoties uz vienu piemēru (skatiet sadaļu Šis AI algoritms apgūst uzdevumus tikpat ātri kā mēs ).
Tomēr neviens no šiem pētījumiem līdz šim nav atklājis ceļu, kas, šķiet, garantēti novedīs pie neuzraudzītas mācīšanās cilvēka līmenī vai programmatūras, kas var uzzināt sarežģītas lietas par reālo pasauli, vienkārši piedzīvojot vai eksperimentējot ar to. Šķiet, ka šobrīd mums trūkst galvenās idejas, saka Ādams Koutss, Ķīnas meklētājprogrammas direktors. Baidu Silīcija ielejas AI laboratorija .
Uzraudzītai apmācībai joprojām ir daudz ko piedāvāt, kamēr turpinās meklēšana, saka Koutss: interneta uzņēmumiem ir piekļuve daudziem datiem par lietām, ko cilvēki dara un kas viņiem rūp, izejmateriāliem, ko var izmantot, lai izveidotu tādas lietas kā balss saskarnes un personīgie asistenti. spējīgāki nekā tie, kas mums ir šodien. Viņš saka, ka tuvākajā laikā jūs varat daudz darīt ar marķētiem datiem. Lielie uzņēmumi tērē miljonus, lai panāktu, ka darbuzņēmēji marķē datus, ko ievadīt to mašīnmācības sistēmās.
LeCun no Facebook uzskata, ka pētnieki nebūs spiesti mūžīgi iztikt ar marķētiem datiem. Taču viņš atsakās uzminēt, cik ilgi cilvēka intelekta dzinējs paliks programmatūrai neaizsniedzams. Mēs zināmā mērā zinām sastāvdaļas; mēs vienkārši nezinām recepti, viņš saka. Tas var aizņemt kādu laiku.