211service.com
Trīs jautājumi ar cilvēku, kurš vada Baidu jaunos AI centienus
Mākslīgais intelekts ir balstīts uz tālo mērķi nodrošināt, lai programmatūra saskaņotu cilvēkus svarīgu uzdevumu veikšanā. Pēc tam, kad tika redzēti rezultāti no jaunas jomas, ko sauc par dziļo mācīšanos, kas ietver lielu datu apjomu apstrādi, izmantojot simulētus miljoniem savstarpēji savienotu neironu tīklus, daži eksperti ir nonākuši pie pārliecības, ka šis mērķis tomēr nav tik tāls (sk. Deep Learning un Facebook Creates Programmatūra, kas atbilst sejām gandrīz tikpat labi kā jūs).
Pagājušajā nedēļā Baidu, Ķīnas lielākais tīmekļa meklēšanas uzņēmums, pievienojās ASV tehnoloģiju gigantiem, kas sola lielas likmes uz padziļinātu mācīšanos, atverot jaunu Silīcija ielejas laboratoriju, kas veltīta šai pieejai (skatiet sadaļu Ķīnas meklēšanas gigants Baidu nolīgst cilvēku aiz “Google smadzenēm”). Adam Coates, kurš vada pētījumus jaunajā laboratorijā, runāja ar MIT tehnoloģiju apskats Toms Simonīts par to, kā dziļa mācīšanās var tuvināt programmatūru cilvēka veiktspējai dažos uzdevumos.
Google Brain eksperiments, kurā liels neironu tīkls iemācījās atpazīt kaķus un citus objektus, tikai skatoties fotoattēlus no YouTube, bieži tiek uzskatīts par galveno pierādījumu dziļas mācīšanās spēkam (sk. Autodidakta programmatūra ). Kas padara šo projektu tik svarīgu?
Google rezultātos ir tas, ka nevienam nav jāsaka, kas ir objekts. Mums ir tik daudz pierādījumu no neirozinātnes, ka tas ir būtisks veids, kā uzzināt, kā pasaule darbojas. Bet tā ir arī inženiertehniska nepieciešamība. Es nevaru datorā ieprogrammēt pietiekami daudz noteikumu, lai tas saprastu pasauli; tagad mēs varam mēģināt likt viņiem pašiem apgūt noteikumus.
Google sistēma atpalika no cilvēka veiktspējas, labākajā gadījumā atklājot cilvēku sejas tikai 81% gadījumu. Vairāk izstrādāta uzraudzītas mācīšanās pieeja, kurā programmatūrai tiek sniegti ar roku iezīmēti dati, no kuriem mācīties, var darboties labāk. Vai mēs zinām, kā uzlabot sistēmas bez uzraudzības vai pašmācības ceļā?
Tas, kā panākt, lai tas atmaksātos vēlamajā līmenī — [sasniegt] cilvēka līmeņa veiktspēju —, ir ļoti izaicinājums.
Ja sniedzat man daudz piemēru tam, ko vēlaties paredzēt, es varu apmācīt programmatūru, lai to izdarītu pareizi. Izaicinājums ir, kā gūt panākumus, ja jums nav daudz piemēru. Cilvēkiem nav jāredz miljons kaķu, lai saprastu, kas tas ir. Mēs varam izmantot gan uzraudzītas, gan bez uzraudzības mācības. Izšķiroša nozīme būs izpratnei par to, kā šīs divas idejas apvienot.
Stenfordā, iedvesmojoties no Google Brain eksperimenta, jūs izveidojāt vēl lielāku neironu tīklu. Vai lielākas smadzenes automātiski kļūs gudrākas?
Ņemot vērā izaicinājuma mērogu — cilvēka līmeņa veiktspēju — ir ļoti skaidrs, ka mazam neironu tīklam nav cerību. Vismodernākajām ierīcēm ir simtiem miljonu savienojumu. Ar to jūs varat paveikt daudz; atpazīt daudzus objektus, piemēram.
[Bet] šķiet, ka tas nav tik vienkārši, kā tikai padarīt neironu tīklu daudz lielāku. Google Brain rezultāts tika izveidots uz milzīgas sadalītas sistēmas ar daudziem CPU kodoliem [16 000]. Mēs atklājām, ka, apvienojot daudz GPU [specializēto grafikas procesoru], mēs varētu izveidot daudz lielāku neironu tīklu — 10 miljardus mezglu ar 16 mašīnu 1000 vietā.
Mēs izmantojām to pašu etalonu [attēli no YouTube videoklipiem], ko izmantoja Google komanda. Bet, lai gan mēs varējām apmācīt daudz lielāku neironu tīklu, mēs ne vienmēr ieguvām labāku kaķu detektoru. Šobrīd mēs varam vadīt neironu tīklus, kas ir lielāki, nekā mēs zinām, ar ko rīkoties.
[Baidu laboratorijā] mēs vēlamies izveidot sistēmu, lai veiktu pietiekami lielus eksperimentus, lai pārbaudītu visas algoritmu variācijas, kas varētu vispārēji uzlabot veiktspēju.