In che modo la rivoluzione dell’intelligenza artificiale ci aiuta a rispondere alle domande fondamentali della filosofia? (Parte 2)

Chi sono? Per cosa sono nato? La rivoluzione dell'intelligenza artificiale attraverso gli occhi dell'esperto di tecnologia Kaifu-Lee, parte 2 ti aiuterà a continuare a scoprire le risposte a queste due eterne domande umane. Dopo il fallimento delle prime due ondate, in che modo l’intelligenza artificiale ha continuato a svilupparsi e a decollare finora? L’intelligenza artificiale oggi ha abbastanza potere per conquistare il mondo come alcuni prevedono?

• In che modo la rivoluzione dell’intelligenza artificiale ci aiuta a rispondere alle domande fondamentali della filosofia? (Parte 1)

Riepilogo della parte 1: meccanismi delle prime due ondate di intelligenza artificiale nel mondo: sistemi basati su regole di pensiero (prima ondata), modelli statistici e machine learning (seconda ondata)

PARTE 2: La terza ondata di Al e rivalutazione delle reali capacità dell'Al oggi.

La terza ondata di intelligenza artificiale: un'esplosione alimentata dall'hardware

Durante la prima ondata, io (l'autore Kai-Fu Lee) ho avuto la fortuna di conoscere l'informatico e psicologo Roger Schank. Infatti, uno dei suoi studenti è stato il mio supervisore durante gli anni del mio master. Gli esperimenti di cui sopra mi hanno portato a credere che i sistemi esperti non siano scalabili e che il nostro cervello potrebbe non funzionare come pensavamo. Mi sono reso conto che, per semplificare il nostro processo decisionale, abbiamo usato "se, allora, altrimenti" come linguaggio comprensibile agli esseri umani, ma il nostro cervello è complesso, molto più complicato di così.

Durante la seconda ondata, durante la mia tesi e gli studi di dottorato, ho letto il lavoro di Judea Pearl sulle reti bayesiane. Sono stato fortemente influenzato dai principali scienziati dell'IBM, tra cui il dottor Fred Jelinek, Peter Brown e Bob Mercer. Hanno lasciato il segno nel trasformare i metodi statistici in mainstream, non solo nel parlato ma anche nella traduzione automatica (negli anni ’80 e ’90 del XX secolo). Devo loro molta gratitudine. Siamo ancora bloccati, ma non è perché la tecnologia è sbagliata. La verità è che i metodi statistici sono completamente accurati.

Alla fine degli anni '80, mentre lavoravo sui modelli di Markov nascosti alla Carnegie Mellon, Geoff Hinton stava lavorando su reti neurali che chiamò "reti neurali ritardate". Si ritiene che sia la prima versione delle complesse reti neurali che ora sono popolarmente conosciute come deep learning, una tecnologia oggi dominante.

Ma perché l’ondata dell’apprendimento automatico neurale e statistico non è decollata? In retrospettiva, questa ondata non aveva nulla a che fare con la tecnologia, la maggior parte della tecnologia era già stata inventata. Il problema è solo che non disponiamo di dati sufficienti sull'addestramento. Il nostro cervello funziona in modo completamente diverso dalle macchine per il deep learning. Per avviare le macchine per il deep learning, dobbiamo fornire loro più dati di addestramento a ogni livello rispetto agli umani. Gli esseri umani possono vedere centinaia di volti prima di iniziare a riconoscere le persone, ma le reti neurali con apprendimento profondo vogliono vedere miliardi di volti per diventare abili nel riconoscimento.

Naturalmente, una volta diventati abili, saranno migliori degli umani. Questo era stato predetto. Ma all’epoca semplicemente non disponevamo di dati di addestramento sufficienti, né di potenza di calcolo sufficiente per portare all’avanguardia queste tecnologie scoperte. Google sta iniziando a rendersi conto che per effettuare ricerche sono necessarie molte macchine che funzionino in parallelo. Poi Jeff Dean (l'informatico che dirige la divisione AI di Google) e altre persone di Google hanno capito che, una volta avute quelle macchine parallele, si poteva fare molto di più che cercare. Puoi costruire l'intelligenza artificiale sopra di essi. Per costruire l’intelligenza artificiale, hai bisogno di chip speciali specializzati nel farlo bene. Poi sono arrivate le GPU di Nvidia e Google ha costruito i propri TPU. Questo è un progresso entusiasmante. È successo che Google ha scelto la ricerca e la ricerca dei server necessari e ha trovato Jeff Dean. Ciò ha portato ad architetture di apprendimento basate su GPU o TPU estremamente parallele che possono apprendere da molti dati da una singola area (le GPU sono processori composti da migliaia di core più piccoli e con prestazioni più elevate in grado di elaborare e gestire molte attività contemporaneamente, rispetto a un CPU convenzionale con solo pochi core ottimizzati per l'elaborazione sequenziale continua).

(Foto: Anand Tech)

Le nuove tecnologie si sono evolute sulla base delle architetture di machine learning massivamente parallele menzionate sopra e queste architetture funzionano su nuove GPU e acceleratori. Sempre più persone sono in grado di addestrare i dispositivi a riconoscere volti, riconoscere voci, riconoscere immagini e applicare l’intelligenza artificiale alla ricerca e alla previsione. Sono sempre più disponibili dati Internet. Amazon ha utilizzato questi dati per prevedere cosa i clienti volevano acquistare. Google utilizza i dati per prevedere su quali annunci è probabile che farai clic e per i quali è probabile che pagherai. Anche Microsoft lo usa. In Cina abbiamo Tencent e Alibaba. Molte applicazioni sono nate basandosi su enormi quantità di dati Internet.

Nello stesso periodo in cui la tecnologia progrediva, Geoff Hinton, Yann LeCun e Yoshua Bengio erano tre persone che continuavano a lavorare sulle reti neurali, sebbene non fossero più mainstream all'inizio degli anni 2000. Negli anni '80, quel lavoro è nuovo, e statistiche rivoluzionarie hanno dimostrato che queste reti non sono scalabili. Quindi le agenzie di finanziamento li hanno abbandonati, le conferenze hanno smesso di accettare la ricerca su di essi, ma questi tre ricercatori hanno continuato con un piccolo finanziamento per perfezionare e sviluppare algoritmi migliori. E poi sono apparsi altri dati. Una svolta è arrivata con la creazione di nuovi algoritmi, un tempo chiamati “reti neurali complesse”, e oggi conosciuti come “deep learning”.

L’insieme delle tecnologie derivate dai tre professori di cui sopra ha cominciato a proliferare nel settore dell’IA. I sistemi di riconoscimento vocale progettati da aziende leader stanno conquistando le capacità umane, e la stessa cosa sta accadendo con le aziende di riconoscimento facciale e di riconoscimento delle immagini. Ci sono prove del commercio elettronico, dell’identificazione dell’utente/altoparlante applicata ai dati di Internet, delle previsioni più elevate per Amazon, che dà loro più soldi; previsioni migliori per Facebook sul modo in cui vengono classificati i feed di notizie; Risultati di ricerca migliori da Google. Verso la fine degli anni 2000, le reti neurali profonde iniziarono a diventare popolari in Google, ed esplosero quasi ovunque negli ultimi 7 o 8 anni. Sono nate più strutture, sono stati sviluppati sistemi più intelligenti. Naturalmente, l'evento che ha infiammato il mondo è stato che AlphaGo ha sconfitto il maestro di Go Lee dalla Corea e il maestro Ke dalla Cina con margini sempre crescenti. E più recentemente, un nuovo studio suggerisce che AlphaGo può essere addestrato da zero senza la conoscenza umana.

Tutte queste scoperte hanno fatto sapere al mondo che l’intelligenza artificiale è una realtà in questo momento. Avevamo qualcosa nella seconda ondata, le reti neurali e i metodi statistici erano corretti, semplicemente non avevamo abbastanza dati, non abbastanza potenza di calcolo e non abbastanza progresso nello stack tecnologico in quel momento per far sì che ciò accadesse. Ma ora ce l'abbiamo fatta.

L’intelligenza artificiale può dominare l’umanità?

L’intelligenza artificiale sta decollando ovunque. Sono emerse molte nuove scuole di pensiero. C’è un gruppo di persone che sta iniziando a riflettere sulla nostra domanda iniziale: chi siamo e perché esistiamo? Queste persone pensavano che, poiché l'intelligenza artificiale è stata in grado di migliorarsi così rapidamente negli ultimi due o tre anni, se la sfruttiamo in altre aree, avremo macchine super-intelligenti che possono essere inserite nelle nostre teste e diventare potenziamenti umani, oppure saranno malvagi e domineranno sull'umanità.

Voglio solo bandire questo tipo di pensiero. Solo che non è esatto. Non importa quanto sia avanzata oggi l’intelligenza artificiale o se appaia tanto quanto l’intelligenza artificiale sta facendo cose straordinarie come sconfiggere gli umani nelle partite a scacchi, nel riconoscimento vocale, nel riconoscimento facciale, nei veicoli a guida autonoma, nei robot industriali, l’intelligenza artificiale sarà ancora limitata nei seguenti modi: L'intelligenza artificiale (che chiamiamo IA debole) è un dispositivo che ottimizza sulla base di molti dati su un campo che impara a fare qualcosa estremamente bene. È un robot verticale con compito singolo, ma può fare solo una cosa. Non puoi insegnargli molte cose. Non puoi insegnargli molte aree. Non puoi insegnargli ad avere buon senso (buon senso, conoscenza comune, esperienza, comportamento che la maggior parte di noi concorda sia giusto o sbagliato). Non puoi dargli emozioni. Non ha autocoscienza, quindi non ha desideri, e nemmeno la comprensione di come amare o dominare un essere umano.

Tutto quel parlare negativo è sciocco. E' troppa immaginazione. Stiamo vedendo l'intelligenza artificiale entrare in nuove applicazioni in aree in rapida crescita, ma è la rapida crescita delle applicazioni che si trovano nelle tecnologie mature di cui disponiamo. Questa crescita finirà quando tutta la tecnologia sarà sviluppata. Quindi dovremo attendere nuove scoperte per ulteriori progressi dell’IA. Ma non è possibile prevedere ulteriori progressi.

Se si guarda alla storia dell’intelligenza artificiale, questo tipo di innovazione del deep learning è avvenuta solo una volta. Solo una volta dal 1957, una volta in 60 anni, abbiamo avuto una svolta. Non si può andare avanti e prevedere che avremo una svolta l'anno prossimo, e poi il mese successivo o il giorno dopo ancora. E' troppo veloce. L'utilizzo delle applicazioni avviene solo ora. È fantastico, ma l'idea delle invenzioni rapide è un concetto sciocco. A mio parere, coloro che fanno queste affermazioni e coloro che affermano che l’unità è davanti a noi sono completamente lontani dalla realtà industriale.

Oggi c'è solo l'intelligenza artificiale che si concentra sul fare una cosa alla volta ed è un ottimo strumento. È bravo a creare valore. Sostituirà molti lavori umani e alcuni altri lavori umani. Questo è ciò a cui dovremmo pensare, non una grande e potente intelligenza artificiale, una macchina che è come un essere umano e può pensare in molti campi e ha percezioni comuni come quelle umane. Dopotutto, non possiamo prevederlo sulla base dei progressi attuali.

Potrebbe accadere un giorno, tra cento o mille anni? Penso che tutto possa succedere. Ma forse dovremmo concentrare le nostre energie sulle cose qui, oggi. E ora ci sono supermacchine ottimizzate che possono fare meglio degli esseri umani nei lavori: selezione dei titoli, concessione di prestiti, assistenza clienti, telemarketing, lavoro sulla linea di produzione, supporto legale. L’intelligenza artificiale può fare queste cose meglio degli umani. Stanno prendendo il sopravvento e liberando il nostro tempo libero, permettendoci di fare ciò che amiamo veramente e ciò che sappiamo fare meglio. È l'opportunità di una vita, non la spaventosa prospettiva che i computer diventino super intelligenti.

Secondo VnReview

Vedi altro:

• Corso online gratuito di intelligenza artificiale (AI) presso le università finlandesi
• 6 passaggi per iniziare ad apprendere la programmazione dell'intelligenza artificiale (AI).
• Corsi online su intelligenza artificiale (AI), certificazione