Wie hilft uns die KI-Revolution, die grundlegendsten Fragen der Philosophie zu beantworten? (Teil 2)

Wer bin Ich? Wozu wurde ich geboren? Die KI-Revolution aus der Sicht des Technologieexperten Kaifu-Lee, Teil 2, wird Ihnen dabei helfen, weiterhin Antworten auf diese beiden ewigen menschlichen Fragen zu finden. Wie hat sich die KI nach dem Scheitern der ersten beiden Wellen bisher weiterentwickelt und durchgesetzt? Hat die KI heute genug Macht, um die Welt zu erobern, wie manche prognostizieren?

• Wie hilft uns die KI-Revolution, die grundlegendsten Fragen der Philosophie zu beantworten? (Teil 1)

Zusammenfassung von Teil 1: Mechanismen der ersten beiden Wellen künstlicher Intelligenz in der Welt: Systeme basierend auf Denkregeln (erste Welle), statistischen Modellen und maschinellem Lernen (zweite Welle)

TEIL 2: Die dritte KI-Welle und eine Neubewertung der wahren Fähigkeiten von KI heute.

Die dritte Welle der KI – eine hardwaregestützte Explosion

Während der ersten Welle hatte ich (Autor Kai-fu Lee) das Glück, den Informatiker und Psychologen Roger Schank kennenzulernen. Tatsächlich war einer seiner Studenten während meiner Masterzeit mein Betreuer. Die oben genannten Experimente haben mich zu der Annahme geführt, dass Expertensysteme nicht skalierbar sind und dass unser Gehirn möglicherweise nicht so funktioniert, wie wir es uns vorgestellt haben. Mir wurde klar, dass wir zur Vereinfachung unseres Entscheidungsprozesses „Wenn, dann, sonst“ als eine Sprache verwendeten, die Menschen verstehen, aber unser Gehirn ist komplex. viel komplizierter als das.

Während der zweiten Welle, während meiner Dissertation und meines Doktoratsstudiums, las ich Judea Pearls Arbeit über Bayesianische Netzwerke. Ich wurde stark von führenden Wissenschaftlern bei IBM beeinflusst, darunter Dr. Fred Jelinek, Peter Brown und Bob Mercer. Sie haben maßgeblich dazu beigetragen, statistische Methoden nicht nur in der Sprache, sondern auch in der maschinellen Übersetzung zum Mainstream zu machen (in den 80er und 90er Jahren des 20. Jahrhunderts). Ich schulde ihnen viel Dankbarkeit. Wir stecken immer noch fest, aber das liegt nicht daran, dass die Technologie falsch ist. Die Wahrheit ist, dass statistische Methoden völlig korrekt sind.

In den späten 80ern, als ich an der Carnegie Mellon an Hidden-Markov-Modellen arbeitete, arbeitete Geoff Hinton an neuronalen Netzen, die er „zeitverzögerte neuronale Netze“ nannte. Es wird angenommen, dass es sich um die erste Version der komplexen neuronalen Netze handelt, die heute allgemein als Deep Learning bekannt sind und heute eine vorherrschende Technologie sind.

Aber warum hat die Welle des neuronalen und statistischen maschinellen Lernens nicht begonnen? Im Nachhinein betrachtet hatte diese Welle nichts mit Technologie zu tun, der Großteil der Technologie war bereits erfunden. Das Problem ist nur, dass wir nicht genügend Trainingsdaten haben. Unser Gehirn funktioniert völlig anders als Deep-Learning-Maschinen. Um Deep-Learning-Maschinen anzukurbeln, müssen wir ihnen auf allen Ebenen mehr Trainingsdaten liefern als Menschen. Menschen können Hunderte von Gesichtern sehen, bevor sie beginnen, Menschen zu erkennen, aber Deep-Learning-Neuronale Netze wollen Milliarden von Gesichtern sehen, um die Erkennung beherrschen zu können.

Natürlich werden sie besser sein als Menschen, sobald sie es beherrschen. Das war vorhergesagt. Doch damals verfügten wir einfach nicht über genügend Trainingsdaten und nicht über genügend Rechenleistung, um diese entdeckten Technologien auf den neuesten Stand zu bringen. Google beginnt zu erkennen, dass für die Suche viele Maschinen parallel laufen müssen. Dann erkannten Jeff Dean (der Informatiker, der die KI-Abteilung von Google leitet) und andere Leute bei Google, dass man mit diesen parallelen Maschinen viel mehr tun konnte als nur suchen. Sie können darauf eine KI aufbauen. Um KI aufzubauen, braucht man spezielle Chips, die darauf spezialisiert sind, es gut zu machen. Dann kamen die GPUs von Nvidia und Google baute seine eigenen TPUs. Das ist ein aufregender Fortschritt. Es ist einfach so passiert, dass Google die Suche übernahm, und die Suche brauchte Server, und sie bekamen Jeff Dean. Dies hat zu massiv parallelen GPU- oder TPU-basierten Lernarchitekturen geführt, die aus vielen Daten aus einem einzigen Bereich lernen können (GPUs sind Prozessoren, die aus Tausenden kleinerer, leistungsstärkerer Kerne bestehen, die viele Aufgaben gleichzeitig verarbeiten können, im Vergleich zu einem herkömmliche CPU mit nur wenigen Kernen, optimiert für kontinuierliche sequentielle Verarbeitung).

(Foto: Anand Tech)

Auf der Grundlage der oben erwähnten massiv parallelen Architekturen für maschinelles Lernen haben sich neue Technologien entwickelt, und diese Architekturen laufen auf neuen GPUs und Beschleunigern. Immer mehr Menschen sind in der Lage, Geräten beizubringen, Gesichter, Stimmen und Bilder zu erkennen und KI für die Suche und Vorhersage einzusetzen. Es stehen immer mehr Internetdaten zur Verfügung. Amazon nutzte diese Daten, um vorherzusagen, was Kunden kaufen wollten. Google verwendet Daten, um vorherzusagen, auf welche Anzeigen Sie wahrscheinlich klicken und für welche Sie wahrscheinlich bezahlen werden. Auch Microsoft nutzt es. In China haben wir Tencent und Alibaba. Viele Anwendungen wurden auf der Grundlage riesiger Mengen an Internetdaten entwickelt.

Zur gleichen Zeit, als die Technologie Fortschritte machte, waren Geoff Hinton, Yann LeCun und Yoshua Bengio drei Personen, die weiterhin an neuronalen Netzen arbeiteten, obwohl diese Anfang der 2000er Jahre nicht mehr zum Mainstream gehörten. In den 80er Jahren war diese Arbeit neu, und bahnbrechende Statistiken haben gezeigt, dass diese Netzwerke nicht skalierbar sind. Also gaben Förderagenturen sie auf, Konferenzen akzeptierten keine Forschung zu ihnen mehr, aber diese drei Forscher hielten mit ein wenig Geld weiter, um bessere Algorithmen zu verfeinern und zu entwickeln. Und dann erschienen weitere Daten. Ein Durchbruch gelang mit der Entwicklung neuer Algorithmen, die früher als „komplexe neuronale Netze“ bezeichnet wurden und heute als „Deep Learning“ bekannt sind.

Die von den drei oben genannten Professoren abgeleiteten Technologien begannen sich in der KI-Branche zu verbreiten. Von führenden Unternehmen entwickelte Spracherkennungssysteme übertreffen die menschlichen Fähigkeiten, und das Gleiche gilt für Gesichtserkennungs- und Bilderkennungsunternehmen. Es gibt Hinweise auf E-Commerce, die Anwendung der Benutzer-/Sprecheridentifikation auf Internetdaten, höhere Prognosen für Amazon, die ihnen mehr Geld einbringen; bessere Vorhersagen für Facebook hinsichtlich der Rangfolge von Newsfeeds; Bessere Suchergebnisse von Google. Ende der 2000er Jahre wurden tiefe neuronale Netze bei Google immer beliebter und erlebten in den letzten sieben oder acht Jahren fast überall eine explosionsartige Verbreitung. Es entstanden mehr Strukturen, intelligentere Systeme wurden entwickelt. Das Ereignis, das die Welt in Aufregung versetzte, war natürlich, dass AlphaGo Go-Meister Lee aus Korea und Meister Ke aus China mit immer größerem Vorsprung besiegte. Und vor Kurzem legt eine neue Studie nahe, dass AlphaGo ohne menschliches Wissen von Grund auf trainiert werden kann.

All diese Durchbrüche haben der Welt gezeigt, dass KI derzeit Realität ist. Wir hatten etwas in der zweiten Welle, die neuronalen Netze und statistischen Methoden stimmten, wir hatten einfach nicht genug Daten, nicht genug Rechenleistung und nicht genug Fortschritt. Der damalige Technologie-Stack reichte nicht aus, um das zu erreichen. Aber jetzt haben wir es geschafft.

Kann KI die Menschheit dominieren?

KI ist überall auf dem Vormarsch. Es entstanden viele neue Denkschulen. Es gibt eine Gruppe von Menschen, die beginnen, über unsere ursprüngliche Frage nachzudenken: Wer sind wir und warum existieren wir? Diese Leute argumentierten, dass wir superintelligente Maschinen haben werden, die in unseren Kopf eingesetzt werden können und zu menschlichen Augmentationen werden, weil die KI sich in den letzten zwei oder drei Jahren so schnell verbessern konnte, wenn wir sie in anderen Bereichen nutzen. oder sie werden böse sein und über die Menschheit herrschen.

Ich möchte diese Art des Denkens einfach verbieten. Das ist einfach nicht korrekt. Unabhängig davon, wie fortschrittlich die KI heute ist oder wie sehr sie erscheint, da sie außergewöhnliche Dinge leistet, wie etwa das Besiegen von Menschen in Schachspielen, Spracherkennung, Gesichtserkennung, selbstfahrende Fahrzeuge, Industrieroboter, wird die KI immer noch auf folgende Weise eingeschränkt sein: Heutzutage KI (die wir schwache KI nennen) ist ein Gerät, das auf der Grundlage vieler Daten über einen Bereich optimiert und lernt, etwas extrem gut zu machen. Es handelt sich um einen vertikalen Einzelaufgabenroboter, der jedoch nur eines tun kann. Vieles kann man ihm nicht beibringen. Viele Bereiche kann man ihm nicht beibringen. Man kann ihm nicht beibringen, gesunden Menschenverstand zu haben (gesunder Menschenverstand, allgemeines Wissen, Erfahrung, Verhalten, bei dem die meisten von uns der Meinung sind, dass es richtig oder falsch ist). Man kann ihm keine Emotionen verleihen. Es hat kein Selbstbewusstsein, also keine Wünsche, noch nicht einmal ein Verständnis dafür, wie man einen Menschen liebt oder beherrscht.

Das ganze negative Gerede ist albern. Das ist zu viel Fantasie. Wir sehen, dass KI in schnell wachsenden Bereichen in neue Anwendungen einfließt, aber es ist das schnelle Wachstum von Anwendungen, die sich in den ausgereiften Technologien befinden, über die wir verfügen. Dieses Wachstum wird enden, wenn die gesamte Technologie entwickelt ist. Dann müssen wir auf neue Durchbrüche für weitere KI-Fortschritte warten. Aber Sie können den weiteren Fortschritt nicht vorhersagen.

Wenn man sich die Geschichte der KI ansieht, gab es diese Art von Deep-Learning-Innovation nur einmal. Nur einmal seit 1957, einmal in 60 Jahren, haben wir einen Durchbruch geschafft. Man kann nicht vorhersagen, dass wir im nächsten Jahr und dann im nächsten Monat oder am Tag danach einen Durchbruch erzielen werden. Das ist zu schnell. Die Nutzung von Anwendungen erfolgt erst jetzt. Das ist großartig, aber die Idee schneller Erfindungen ist ein albernes Konzept. Meiner Meinung nach haben diejenigen, die diese Behauptungen aufstellen und sagen, dass die Einheit vor uns liegt, überhaupt keinen Bezug zur tatsächlichen industriellen Situation.

Heutzutage gibt es nur noch KI, die sich darauf konzentriert, jeweils eine Aufgabe zu erledigen, und sie ist ein großartiges Werkzeug. Es ist gut darin, Werte zu schaffen. Es wird viele menschliche Arbeitsplätze und einige andere menschliche Arbeitsplätze ersetzen. Darüber sollten wir nachdenken, nicht über eine große, leistungsstarke KI, eine Maschine, die wie ein Mensch ist und in vielen Bereichen denken kann und ähnliche Wahrnehmungen wie Menschen hat. Schließlich können wir das anhand der aktuellen Fortschritte nicht vorhersagen.

Könnte das eines Tages passieren, in hundert oder tausend Jahren? Ich denke, dass alles passieren kann. Aber vielleicht sollten wir unsere Energie heute auf die Dinge hier konzentrieren. Und was es jetzt gibt, sind optimierte Supermaschinen, die bei Aufgaben bessere Leistungen als Menschen erbringen können: Aktienauswahl, Kreditvergabe, Kundenbetreuung, Telemarketing, Arbeit am Fließband, Rechtsberatung. KI kann diese Dinge besser als Menschen. Sie übernehmen die Kontrolle über unsere Freizeit und machen sie frei, sodass wir das tun können, was wir wirklich lieben und was wir am besten können. Es ist die einmalige Chance und nicht die beängstigende Aussicht, dass Computer superintelligent werden.

Laut VnReview

Mehr sehen:

• Kostenloser Online-Kurs zu künstlicher Intelligenz (KI) von finnischen Universitäten
• 6 Schritte zum Erlernen der Programmierung mit künstlicher Intelligenz (KI).
• Online-Kurse zu künstlicher Intelligenz (KI), Zertifizierung