Vai šis cilvēks var padarīt AI cilvēcīgāku?

Kā jebkurš lepns tēvs, Gerijs Markuss ir pārāk priecīgs, lai runātu par sava divus gadus vecā dēla jaunākajiem sasniegumiem. Vēl neparastāk viņš uzskata, ka veids, kā viņa mazulis mācās un iemesli, var būt galvenais, lai mašīnas padarītu daudz viedākas.

Sēžot rosīga Manhetenas starta inkubatora sēžu zālē, Markuss, 45 gadus vecs Ņujorkas universitātes psiholoģijas profesors un jauna uzņēmuma Ģeometriskā izlūkošana dibinātājs, apraksta sava zēna atjautības piemēru. No automašīnas aizmugurējā sēdekļa viņa dēls bija redzējis zīmi, kurā bija redzams skaitlis 11, un, tā kā viņš zināja, ka citiem divciparu skaitļiem ir nosaukumi, piemēram, trīsdesmit trīs un septiņdesmit septiņi, viņš jautāja tēvam, vai uz zīmes ir norādīts numurs. viendesmit viens.

Šis stāsts bija daļa no mūsu 2016. gada janvāra numura

• Skatiet pārējo izdevuma daļu
• Abonēt

Viņš bija secinājis, ka ir noteikums par to, kā jūs saliekat savus skaitļus, Markuss smaidot skaidro. Tagad viņš to bija pārāk vispārinājis un pieļāva kļūdu, taču tā bija ļoti sarežģīta kļūda.

Markusam ir ļoti atšķirīga perspektīva no daudziem datorzinātniekiem un matemātiķiem, kas šobrīd ir mākslīgā intelekta priekšgalā. Viņš ir pavadījis gadu desmitus, pētot, kā darbojas cilvēka prāts un kā bērni apgūst jaunas prasmes, piemēram, valodu un muzikalitāti. Tas viņam licis domāt, ka, ja pētnieki vēlas izveidot patiesi izsmalcinātu mākslīgo intelektu — kaut ko tādu, kas viegli apgūst pasauli, — viņiem ir jāņem vērā veids, kā bērni apgūst jaunas koncepcijas un vispārina. Un tas ir viens no lielākajiem iedvesmas avotiem viņa jaunajam uzņēmumam, kuru viņš vada, atrodoties gada atvaļinājumā no NYU. Izmantojot savu radikālo pieeju mašīnmācībai, ģeometriskā intelekta mērķis ir izveidot algoritmus lietošanai AI, kas var mācīties jaunos un labākos veidos.

Vai dziļās mācīšanās pamatā ir pārāk vienkāršs modelis? Markuss domā, ka datorzinātnieki palaiž garām milzīgu iespēju, ignorējot daudzas cilvēka prāta smalkumus.

Mūsdienās gandrīz visi citi, kas mēģina komercializēt mākslīgo intelektu, no Google līdz Baidu, koncentrējas uz algoritmiem, kas aptuveni modelē veidu, kā smadzeņu neironi un sinapses mainās, kad tie tiek pakļauti jaunai informācijai un pieredzei. Šī pieeja, kas pazīstama kā dziļa mācīšanās, pēdējos gados ir devusi pārsteidzošus rezultātus, jo īpaši tāpēc, ka vairāk datu un jaudīgāka datoru aparatūra ir ļāvusi pamatā esošajiem aprēķiniem paplašināties. Padziļinātās mācīšanās metodes ir salīdzinājušas vai pat pārspējušas cilvēka precizitāti, atpazīstot attēlos sejas vai identificējot runātos vārdus audio ierakstos. Google, Facebook un citi lielie uzņēmumi izmanto šo pieeju gandrīz jebkuram uzdevumam, kurā ir lietderīgi pamanīt modeli milzīgos datu apjomos, piemēram, meklēšanas rezultātu precizēšanai vai datora mācīšanai, kā uzturēt sarunu (skatiet sadaļu Mācīšanas mašīnas, lai Saprotiet mūs).

Bet vai dziļās mācīšanās pamatā ir pārāk vienkāršs smadzeņu modelis? Ģeometriskā inteliģence — patiesi, Markuss pats — liek derības, ka datorzinātnieki palaiž garām milzīgu iespēju, ignorējot daudzas cilvēka prāta darbības smalkumus. Savos rakstos, publiskās uzstāšanās un komentāros presei Markuss var būt skarbs kritiķis entuziasmam pēc dziļas mācīšanās. Taču, neskatoties uz reizēm abrazīvo pieeju, viņš piedāvā vērtīgu pretsparu. Cita starpā viņš norāda, ka šīs sistēmas ir jābaro ar daudziem tūkstošiem piemēru, lai kaut ko iemācītos. Pētnieki, kuri cenšas izstrādāt iekārtas, kas spēj dabiski sarunāties ar cilvēkiem, to dara, sniedzot savām sistēmām neskaitāmus iepriekšējo sarunu atšifrējumus. Tas varētu radīt kaut ko vienkāršu sarunu, bet kognitīvā zinātne liecina, ka tas nav veids, kā cilvēka prāts iegūst valodu.

Turpretim divus gadus veca bērna spēja mācīties, ekstrapolējot un vispārinot, kaut arī nepilnīgi, ir daudz sarežģītāka. Skaidrs, ka smadzenes spēj vairāk nekā tikai atpazīt modeļus lielos datu apjomos: tām ir veids, kā iegūt dziļākas abstrakcijas no salīdzinoši maziem datiem. Svarīgs sasniegums būtu dot mašīnām pat pamata spēju ātri apgūt šādas abstrakcijas. Pašbraucošai automašīnai, iespējams, nav jānobrauc miljoniem jūdžu, lai uzzinātu, kā tikt galā ar jauniem ceļa apstākļiem. Vai arī robots varētu identificēt un atnest tablešu pudeli, tas ir parādīts tikai vienu vai divas reizes. Citiem vārdiem sakot, šīs mašīnas domātu un rīkotos mazliet vairāk tā, kā mēs to darām.

Ar nedaudz izspūrušiem matiem un pāris dienu rugājiem, Markuss šķiet labi piemērots savai jaunajai uzņēmēja lomai. Viņa uzņēmuma telpā saujiņa programmētāju strādā dārgās datoru darbstacijās, kurās darbojas jaudīgi grafikas procesori. Vienā brīdī, kad Markuss vēlas ilustrēt kādu punktu par smadzeņu darbību, viņš sniedzas pēc, viņaprāt, tāfeles marķiera. Izrādās, ka tā ir nevietā ievietota šautra no Nerf lielgabala.

Markuss ātri runā, kad ir satraukts, un viņam ir ātra humora izjūta un ļauns smīns. Viņš atsakās paskaidrot, tieši pie kādiem produktiem un lietojumprogrammām strādā viņa uzņēmums, jo baidās, ka tāds liels uzņēmums kā Google varētu iegūt priekšrocības, apgūstot būtiskās atziņas. Bet viņš saka, ka tas ir izstrādājis algoritmus, kas var mācīties no salīdzinoši neliela datu apjoma un var pat ekstrapolēt un vispārināt, neapstrādātā veidā, no informācijas, ko tie ievada. Markuss saka, ka viņa komanda ir pārbaudījusi šos algoritmus, izmantojot uzdevumus, kuros padziļinātas mācīšanās pieejas ir izcilas, un vairākos gadījumos tie ir izrādījušies ievērojami labāki. Mēs zinām kaut ko par to, kādām vajadzētu būt smadzeņu īpašībām, viņš skaidro. Un mēs zināmā mērā cenšamies mainīt šos īpašumus.

Zēns brīnās

Markuss, kurš dzimis Baltimorā, vidusskolā pēc lasīšanas aizrāvās ar prātu Prāts I , eseju krājums par apziņu, ko rediģējis kognitīvais zinātnieks Duglass Hofstadters un filozofs Daniels Denets, kā arī Hofstadtera metaforiskā grāmata par prātiem un mašīnām, Gēdels, Ešers, Bahs . Aptuveni tajā pašā laikā viņš uzrakstīja datorprogrammu, kas paredzēta latīņu valodas tulkošanai angļu valodā. Uzdevuma sarežģītība lika viņam saprast, ka intelekta atjaunošanai mašīnās noteikti būs nepieciešama daudz lielāka izpratne par parādībām, kas darbojas cilvēka prātā.

Markusa programma no latīņu valodas uz angļu valodu nebija īpaši praktiska, taču tā palīdzēja pārliecināt Hempšīras koledžu ļaut viņam dažus gadus agrāk uzsākt bakalaura grādu. Studenti mazajā brīvās mākslas skolā Amherstā, Masačūsetsā, tiek mudināti izstrādāt savas grāda programmas. Markuss nodevās cilvēka izziņas mīklas izpētei.

Astoņdesmito gadu vidus bija interesants laiks AI jomā. Tas kļuva sadalīts starp tiem, kuri centās ražot viedas mašīnas, kopējot smadzeņu bioloģiju, un tiem, kuru mērķis bija atdarināt augstākas kognitīvās funkcijas, izmantojot parastos datorus un programmatūru. Agrīnais darbs AI balstījās uz pēdējo pieeju, izmantojot programmēšanas valodas, kas izstrādātas, lai apstrādātu loģiku un simbolisku attēlojumu. Putni ir klasisks piemērs. To, ka putni spēj lidot, varētu iekodēt kā vienu zināšanu daļu. Tad, ja datoram pateiktu, ka strazds ir putns, tas secinātu, ka strazdiem ir jāspēj lidot. Tika uzsākti vairāki lieli projekti, kuru mērķis bija iekodēt cilvēku zināšanas plašās datubāzēs, cerot, ka galu galā varētu parādīties kāda veida sarežģīta inteliģence.

Taču, lai gan tika panākts zināms progress, pieeja izrādījās arvien sarežģītāka un smagnējāka. Noteikumos bieži ir izņēmumi; ne visi putni var lidot. Un, lai gan pingvīni ir pilnībā piesaistīti zemei, putns būrī un putns ar salauztu spārnu nevar lidot ļoti atšķirīgu iemeslu dēļ. Izrādījās neiespējami sarežģīti iekodēt visus šādu noteikumu izņēmumus. Šķiet, ka cilvēki ātri iemācās šādus izņēmumus, taču datori satricināja. (Protams, izņēmumi, tostarp vienpadsmit, nevis viendesmit viens, var būt mulsinoši arī cilvēkiem.)

Gerijs Markuss

Aptuveni tajā laikā, kad Markuss gatavojās stāties Hempšīras koledžā, psihologu grupa nāca klajā ar pieeju, kas draudēja mākslīgo intelektu apgriezt kājām gaisā. Jau pagājušā gadsimta četrdesmitajos gados Donalds Hebs bija iepazīstinājis ar teoriju par to, kā smadzeņu nervi varētu iemācīties atpazīt ievadi. Viņš parādīja, kā atkārtota neironu izšaušana var stiprināt to savienojumus savā starpā, tādējādi palielinot iespējamību, ka tie visi atkal izšausēsies, ja tiem tiks ievadīta viena un tā pati ievade. Daži pētnieki izveidoja datorus ar līdzīgu dizainu. Taču šo tā saukto neironu tīklu spējas bija ierobežotas līdz 1986. gadam, kad pētnieku grupa atklāja veidus, kā palielināt savu mācīšanās jaudu. Šie pētnieki arī parādīja, kā neironu tīklus var izmantot dažādu darbību veikšanai, sākot no vizuālo datu modeļu atpazīšanas līdz angļu valodas darbības vārdu pagātnes laika apguvei. Apmāciet šos tīklus, izmantojot pietiekami daudz piemēru, un tie veido savienojumus, kas nepieciešami šādu uzdevumu veikšanai.

Savu pieeju saucot par konnekcionismu, pētnieki apgalvoja, ka pietiekami lieli neironu tīkli varētu atjaunot intelektu. Lai gan viņu idejas nepārņēma uzreiz, tās galu galā noveda pie mūsdienu dziļas mācīšanās laikmeta.

Gluži brīdī, kad konnekcionisms sāka augt, Markuss lēma, kur turpināt studijas, un apmeklēja slavenā kognitīvā zinātnieka Stīvena Pinkera, tolaik MIT profesora, lekciju. Pinkers runāja par to, kā bērni mācās un lieto darbības vārdus, un pretēji tīri konnekcionisma perspektīvai apgalvoja, ka viņi, šķiet, neiegūst darbības vārdu pagātnes laiku, tikai iegaumējot piemērus un vispārinot līdzīgus piemērus. Pinker pierādīja, ka bērni ātri atklāj valodas noteikumus un pēc tam vispārina. Viņš un citi uzskata, ka būtībā evolūcija ir veidojusi neironu tīklus, kas atrodami cilvēka smadzenēs, lai nodrošinātu instrumentus, kas nepieciešami sarežģītākam intelektam.

Padziļinātas apmācības sistēmu var apmācīt atpazīt noteiktas putnu sugas, taču tai būtu nepieciešami miljoniem attēlu paraugu, un tā neko nezinātu par to, kāpēc putns nespēj lidot.

Markuss pievienojās Pinker laboratorijai MIT 19 gadu vecumā, un Pinker atceras viņu kā priekšlaicīgu studentu. Es viņam uzticēju projektu, kurā tika analizēta vienkārša jā-nē hipotēze par nelielu datu kopu no trīs bērnu ierakstītās runas, viņš teica e-pastā. Dažas dienas vēlāk viņš veica izsmeļošu 25 bērnu runas analīzi, kas pārbaudīja pusduci hipotēžu un kļuva par pamatu lielai pētnieciskai monogrāfijai.

Būdams maģistrants, Markuss savāca papildu pierādījumus, lai atbalstītu Pinkera idejas par mācīšanos, un pievienoja savus ieskatus. Viņš bija pionieris liela apjoma kognitīvo pētījumu datu datorizētā analīzē, pētot tūkstošiem bērnu runas ierakstu, lai atrastu gadījumus, kad viņi pieļāva kļūdas, piemēram, saplīsa un aizgāja, nevis sabojāja un aizgāja. Šķiet, ka tas apstiprināja, ka bērni saprot gramatikas noteikumus un pēc tam piemēro tos jauniem vārdiem, vienlaikus mācoties šo noteikumu izņēmumus.

Pamatojoties uz šo pētījumu, Markuss sāka apšaubīt konnekcionistu pārliecību, ka intelekts būtībā radīsies no lielākiem neironu tīkliem, un viņš sāka koncentrēties uz dziļās mācīšanās ierobežojumiem un dīvainībām. Padziļinātas apmācības sistēmu varētu apmācīt, lai attēlos vai videoklipos atpazītu noteiktas putnu sugas un atšķirtu putnu sugas, kas var lidot, un putnu sugas, kas nevar lidot. Bet, lai to izdarītu, tam būtu jāredz miljoniem attēlu paraugu, un tas neko nezinātu par to, kāpēc putns nespēj lidot.

Markusa darbs ar bērniem patiesībā noveda viņu pie svarīga secinājuma. 2001. gada grāmatā ar nosaukumu Algebriskais prāts , viņš apgalvoja, ka cilvēka prāts, kas attīstās, mācās gan no piemēriem, gan ģenerējot noteikumus no tā, ko tas ir iemācījies. Citiem vārdiem sakot, smadzenes noteiktu uzdevumu veikšanai izmanto kaut ko līdzīgu dziļas mācīšanās sistēmai, taču tās arī glabā un manipulē ar noteikumiem par to, kā pasaule darbojas, lai varētu izdarīt noderīgus secinājumus tikai no dažām pieredzēm.

Tas precīzi nenozīmē, ka ģeometriskais intelekts mēģina atdarināt to, kā lietas notiek smadzenēs. Ideālā pasaulē mēs zinātu, kā bērni to dara, saka Markuss. Mēs zinātu, kādas smadzeņu ķēdes ir iesaistītas, kādus aprēķinus tās veic. Bet neirozinātne joprojām ir noslēpums. Drīzāk viņš dod mājienu, ka uzņēmums izmanto dažādus paņēmienus, tostarp tādus, kas ir saderīgi ar dziļu mācīšanos, lai mēģinātu no jauna radīt cilvēka mācīšanos.

Veselais saprāts

Ģeometriskā intelekta darbs noteikti ir nozīmīgs, jo jaunu ideju apvienošana no kognitīvās zinātnes un neirozinātnes neapšaubāmi būs svarīga mākslīgā intelekta nākotnei. Tomēr pēc tikšanās ar Markusu es jutos kā mazs bērns, kurš mēģina izprast dažus nepazīstamus ciparus. Kā tas viss sanāks kopā? Man vajadzēja, lai kāds no Markusa līdzstrādniekiem parādītu vēl vienu daļu no uzņēmuma attīstības.

Zoubins Ghahramani, Kembridžas universitātes informācijas inženierijas profesors Apvienotajā Karalistē, ir ģeometriskā intelekta līdzdibinātājs. Gahramani uzauga Padomju Savienībā un Irānā, pirms pārcēlās uz Spāniju un ASV, un, lai gan viņš ir tieši tādā pašā vecumā kā Markuss, viņš ieradās MIT gadu vēlāk. Bet, tā kā pārim bija kopīga dzimšanas diena, viņi kopā sarīkoja ballītes un socializējās.

Ghahramani koncentrējas uz varbūtības izmantošanu, lai padarītu mašīnas gudrākas. Matemātika ir sarežģīta, bet iemesls ir vienkāršs: varbūtība nodrošina veidu, kā tikt galā ar nenoteiktību vai nepilnīgu informāciju. Lidojošie putni var atkal palīdzēt to ilustrēt. Uz varbūtību balstīta sistēma var piešķirt lielu varbūtību priekšstatam, ka putns spēj lidot. Tad, uzzinot, ka strauss ir putns, tas pieņems, ka tas, visticamāk, var lidot. Taču cita informācija, piemēram, fakts, ka pieaugušais strauss parasti sver vairāk nekā 200 mārciņas, varētu mainīt šo pieņēmumu, samazinot varbūtību, ka strauss var lidot līdz nullei. Šī elastīgā pieeja var piesātināt mašīnas ar kaut ko līdzīgu veselajam saprātam, īpašībai, kas ir būtiski svarīga cilvēka intelektam.

Runājot ar Skype starpniecību no sava biroja Kembridžā, Anglijā, Ghahramani ierosina vienu konkrētu lietojumprogrammu, ko viņš un Markuss pievērš uzmanību: apmācīt robotus, lai tie darbotos sarežģītās vidēs. Viņš saka, ka robotikas pētījumos pieredze ir dārga. Ja vēlaties, lai robots iemācītos staigāt, vai autonoms transportlīdzeklis, lai iemācītos braukt, jūs nevarat uzrādīt tam datu kopu, kurā ir miljons piemēru, kā tas apgāžas un salūzt vai cietis negadījumā — tas vienkārši nav. strādāt.

Ņemot vērā to, ka varbūtības algoritmi un citas ģeometriskās izlūkošanas tehnoloģijas būtu saderīgas ar dziļu mācīšanos, iespējams, ka galu galā tādi uzņēmumi kā Google vai Facebook iegūs uzņēmumu un pievienos to savam vispārējam AI portfelim. Un, neskatoties uz Markusa kritiku par konnekcionismu un dziļās mācīšanās drudzi, man ir nojausma, ka viņš būtu diezgan apmierināts ar šādu iznākumu.

Pat ja tas notiks, tas būs nozīmīgi, ja Markuss spēs parādīt, ka brīnumainākā mums zināmā mācību sistēma — cilvēka prāts — ir mākslīgā intelekta nākotnes atslēga. Markuss man sniedz vēl vienu sava dēla gudrības piemēru. Mana sieva viņam jautāja: 'Kurš no taviem dzīvnieku draugiem šodien nāks uz skolu?' Markuss saka. Un viņš saka: 'Lielais zaķis, jo lācis un pīļknābis ēd.' Tad mana sieva atgriežas viņa istabā un, protams, šīs rotaļlietas atrodas uz krēsla 'ēd'.

Markuss brīnās, ka viņa divgadnieks var spriest par noteikumiem, kas attiecas uz cilvēka uzvedību, saprotot, ka jūs vai nu ejat uz skolu, vai darāt kaut ko citu, un izveidot pilnīgi jaunu teikumu, pamatojoties uz viņa pieaugošo izpratni par valodas darbību. Pēc pauzes un smaida viņš piebilst: Nu, jūs parādiet man AI sistēmu, kas to spēj.

paslēpties