W jaki sposób rewolucja AI pomaga nam odpowiedzieć na najbardziej fundamentalne pytania filozofii? (Część 2)

Kim jestem? Po co się urodziłem? Rewolucja AI oczami eksperta technologicznego Kaifu-Lee, część 2 pomoże Ci w dalszym odkrywaniu odpowiedzi na te dwa odwieczne ludzkie pytania. W jaki sposób sztuczna inteligencja nadal się rozwija i osiąga sukces po niepowodzeniu dwóch pierwszych fal? Czy sztuczna inteligencja ma dziś wystarczającą moc, aby przejąć władzę nad światem, jak przewidują niektóre prognozy?

• W jaki sposób rewolucja AI pomaga nam odpowiedzieć na najbardziej fundamentalne pytania filozofii? (Część 1)

Podsumowanie części 1: Mechanizmy pierwszych dwóch fal sztucznej inteligencji na świecie: systemy oparte na regułach myślenia (pierwsza fala), modele statystyczne i uczenie maszynowe (druga fala)

CZĘŚĆ 2: Trzecia fala Al i ponowna ocena prawdziwych możliwości Al dzisiaj.

Trzecia fala AI – eksplozja napędzana sprzętem

Podczas pierwszej fali ja (autor Kai-fu Lee) miałem szczęście poznać informatyka i psychologa Rogera Schanka. Faktycznie, jeden z jego uczniów był moim przełożonym podczas studiów magisterskich. Powyższe eksperymenty utwierdziły mnie w przekonaniu, że systemy ekspertowe nie są skalowalne i że nasze mózgi mogą nie działać tak, jak byśmy sobie tego życzyli. Zdałem sobie sprawę, że aby uprościć nasz proces decyzyjny, używamy „jeśli, to, inaczej” jako języka zrozumiałego dla ludzi, ale nasze mózgi są złożone, znacznie bardziej skomplikowane.

Podczas drugiej fali, w czasie mojej pracy dyplomowej i studiów doktoranckich, zapoznałem się z pracą Judei Pearl na temat sieci Bayesa. Duży wpływ wywarli na mnie czołowi naukowcy z IBM, w tym dr Fred Jelinek, Peter Brown i Bob Mercer. Zasłużyli na włączenie metod statystycznych do głównego nurtu, nie tylko w mowie, ale także w tłumaczeniu maszynowym (w latach 80. i 90. XX wieku). Jestem im winien wiele wdzięczności. Nadal utknęliśmy, ale nie dlatego, że technologia jest zła. Prawda jest taka, że ​​metody statystyczne są całkowicie dokładne.

Pod koniec lat 80., kiedy pracowałem nad ukrytymi modelami Markowa w Carnegie Mellon, Geoff Hinton pracował nad sieciami neuronowymi, które nazwał „opóźnionymi w czasie sieciami neuronowymi”. Uważa się, że jest to pierwsza wersja złożonych sieci neuronowych, obecnie powszechnie znanych jako głębokie uczenie się, które jest obecnie dominującą technologią.

Ale dlaczego fala neuronowego i statystycznego uczenia maszynowego nie nadeszła? Z perspektywy czasu ta fala nie miała nic wspólnego z technologią, większość technologii została już wynaleziona. Problem polega na tym, że nie mamy wystarczających danych szkoleniowych. Nasze mózgi działają w zupełnie inny sposób niż maszyny do głębokiego uczenia się. Aby uruchomić maszyny do głębokiego uczenia się, musimy dostarczyć im więcej danych szkoleniowych na każdym poziomie niż ludzie. Ludzie potrafią zobaczyć setki twarzy, zanim zaczną je rozpoznawać, ale sieci neuronowe korzystające z głębokiego uczenia się chcą widzieć miliardy twarzy, aby nabrać biegłości w rozpoznawaniu.

Oczywiście, gdy nabiorą biegłości, będą lepsi od ludzi. To zostało przepowiedziane. Jednak w tamtym czasie po prostu nie mieliśmy wystarczającej ilości danych szkoleniowych ani wystarczającej mocy obliczeniowej, aby wprowadzić odkryte technologie w najnowocześniejsze rozwiązania. Google zaczyna zdawać sobie sprawę, że do wyszukiwania potrzeba wielu komputerów pracujących równolegle. Następnie Jeff Dean (informatyk kierujący działem sztucznej inteligencji w Google) i inni ludzie w Google dostrzegli, że mając równoległe maszyny, można zrobić o wiele więcej niż tylko wyszukiwanie. Można na nich zbudować sztuczną inteligencję. Aby zbudować sztuczną inteligencję, potrzebujesz specjalnych chipów, które specjalizują się w robieniu tego dobrze. Potem pojawiły się procesory graficzne Nvidii, a Google zbudował własne TPU. To ekscytujący postęp. Tak się złożyło, że Google przejął wyszukiwarkę i wyszukał potrzebne serwery i znalazł Jeffa Deana. Doprowadziło to do powstania masowo równoległych architektur uczenia się opartych na procesorach graficznych lub TPU, które mogą uczyć się na podstawie wielu danych z jednego obszaru (procesory graficzne to procesory składające się z tysięcy mniejszych rdzeni o wyższej wydajności, które mogą przetwarzać wiele zadań jednocześnie w porównaniu do procesora konwencjonalny procesor z zaledwie kilkoma rdzeniami zoptymalizowanymi pod kątem ciągłego przetwarzania sekwencyjnego).

(Zdjęcie: Anand Tech)

Nowe technologie ewoluowały w oparciu o wspomniane powyżej masowo równoległe architektury uczenia maszynowego, a architektury te działają na nowych procesorach graficznych i akceleratorach. Coraz więcej osób jest w stanie wytrenować urządzenia w zakresie rozpoznawania twarzy, głosów, rozpoznawania obrazów i stosowania sztucznej inteligencji do wyszukiwania i przewidywania. Dostępnych jest coraz więcej danych internetowych. Amazon wykorzystał te dane do przewidywania, co klienci chcą kupić. Google wykorzystuje dane, aby przewidzieć, które reklamy prawdopodobnie klikniesz i za które zapłacisz. Microsoft również z niego korzysta. W Chinach mamy Tencent i Alibaba. Wiele aplikacji powstało w oparciu o ogromne ilości danych internetowych.

W tym samym czasie, gdy technologia rozwijała się, Geoff Hinton, Yann LeCun i Yoshua Bengio to trzej ludzie, którzy nadal pracowali nad sieciami neuronowymi, chociaż nie były one już głównym nurtem na początku XXI w. W latach 80. ta praca jest nowa, a przełomowe statystyki pokazały, że sieci te nie są skalowalne. Dlatego agencje finansujące je porzuciły, konferencje przestały akceptować badania nad nimi, ale ci trzej badacze kontynuowali je dzięki niewielkim funduszom na udoskonalanie i opracowywanie lepszych algorytmów. A potem pojawiło się więcej danych. Przełom nastąpił wraz ze stworzeniem nowych algorytmów, nazywanych niegdyś „złożonymi sieciami neuronowymi”, a dziś znanych jako „głębokie uczenie się”.

Zestaw technologii wywodzących się od trzech powyższych profesorów zaczął się rozprzestrzeniać w branży AI. Systemy rozpoznawania głosu zaprojektowane przez wiodące firmy przekonują możliwości człowieka i to samo dzieje się z firmami zajmującymi się rozpoznawaniem twarzy i rozpoznawaniem obrazu. Istnieją dowody na handel elektroniczny, identyfikację użytkownika/mówcy w danych internetowych, wyższe prognozy dla Amazona, co zapewni mu więcej pieniędzy; lepsze przewidywania dla Facebooka dotyczące rankingu kanałów informacyjnych; Lepsze wyniki wyszukiwania w Google. Pod koniec XXI wieku głębokie sieci neuronowe zaczęły zyskiwać na popularności w Google, a w ciągu ostatnich 7–8 lat eksplodowały niemal wszędzie. Powstało więcej konstrukcji, opracowano bardziej inteligentne systemy. Oczywiście wydarzeniem, które rozpaliło świat, było pokonanie przez AlphaGo mistrza Go Lee z Korei i mistrza Ke z Chin ze stale rosnącą przewagą. Niedawno nowe badanie sugeruje, że AlphaGo można trenować od zera bez wiedzy człowieka.

Wszystkie te przełomy uświadomiły światu, że sztuczna inteligencja jest obecnie rzeczywistością. Mieliśmy coś w drugiej fali, sieci neuronowe i metody statystyczne były prawidłowe, po prostu nie mieliśmy wystarczającej ilości danych, niewystarczającej mocy obliczeniowej i niewystarczającego postępu. stos technologii w tamtym czasie, aby to osiągnąć. Ale teraz tego dokonaliśmy.

Czy sztuczna inteligencja może zdominować ludzkość?

Sztuczna inteligencja rozwija się wszędzie. Pojawiło się wiele nowych szkół myślenia. Istnieje grupa ludzi, która zaczyna zastanawiać się nad naszym pierwotnym pytaniem: kim jesteśmy i dlaczego istniejemy? Osoby te argumentowały, że skoro sztuczna inteligencja mogła się tak szybko udoskonalić w ciągu ostatnich dwóch lub trzech lat, jeśli wykorzystamy ją w innych obszarach, będziemy mieli superinteligentne maszyny, które można włożyć do naszych głów i stać się ulepszeniami człowieka, albo będą źli i będą rządzić ludzkością.

Chcę po prostu zakazać takiego myślenia. Tylko, że to nie jest dokładne. Bez względu na to, jak zaawansowana jest dziś sztuczna inteligencja lub jak wygląda na to, że sztuczna inteligencja dokonuje niezwykłych rzeczy, takich jak pokonywanie ludzi w partiach szachowych, rozpoznawanie głosu, rozpoznawanie twarzy, pojazdy autonomiczne, roboty przemysłowe, sztuczna inteligencja nadal będzie ograniczona w następujący sposób: Dzisiejsze Sztuczna inteligencja (którą nazywamy słabą sztuczną inteligencją) to urządzenie, które optymalizuje się w oparciu o wiele danych o dziedzinie, która uczy się robić coś wyjątkowo dobrze. To pionowy robot jednozadaniowy, ale potrafi tylko jedną rzecz. Wielu rzeczy nie można go nauczyć. Nie da się go nauczyć wielu dziedzin. Nie da się go nauczyć zdrowego rozsądku (zdrowego rozsądku, powszechnej wiedzy, doświadczenia, zachowań, co do których większość z nas uzna, że ​​są dobre lub złe). Nie możesz dać temu emocji. Nie ma samoświadomości, więc nie ma pragnień, ani nawet zrozumienia, jak kochać lub dominować nad istotą ludzką.

Całe to negatywne mówienie jest głupie. To za dużo wyobraźni. Widzimy, jak sztuczna inteligencja pojawia się w nowych zastosowaniach w szybko rozwijających się obszarach, ale jest to szybki rozwój aplikacji opartych na dojrzałych technologiach, którymi dysponujemy. Wzrost ten zakończy się, gdy cała technologia zostanie opracowana. W takim razie musimy poczekać na nowe przełomy w celu dalszego rozwoju sztucznej inteligencji. Nie można jednak przewidzieć dalszego postępu.

Jeśli spojrzeć na historię sztucznej inteligencji, tego rodzaju innowacje w zakresie głębokiego uczenia się miały miejsce tylko raz. Tylko raz od 1957 r., raz na 60 lat, nastąpił przełom. Nie można z góry przewidywać, że przełom nastąpi w przyszłym roku, a potem w następnym miesiącu lub pojutrze. To za szybko. Korzystanie z aplikacji dopiero teraz ma miejsce. To świetnie, ale pomysł szybkich wynalazków to głupi pomysł. Moim zdaniem ci, którzy wysuwają takie twierdzenia i ci, którzy twierdzą, że jedność jest przed nami, zupełnie nie mają kontaktu z rzeczywistą sytuacją w przemyśle.

Obecnie istnieje tylko sztuczna inteligencja, która koncentruje się na robieniu jednej rzeczy na raz, i jest to świetne narzędzie. Jest dobry w tworzeniu wartości. Zastąpi wiele ludzkich zawodów i niektóre inne ludzkie zawody. Właśnie o tym powinniśmy myśleć, a nie o dużej, potężnej sztucznej inteligencji, maszynie, która jest jak człowiek, potrafi myśleć w wielu dziedzinach i ma takie same poglądy jak ludzie. Przecież nie możemy tego przewidzieć na podstawie obecnego postępu.

Czy coś takiego mogłoby się wydarzyć pewnego dnia, za sto lub tysiąc lat? Myślę, że wszystko może się zdarzyć. Ale może powinniśmy skupić naszą energię na rzeczach tu i teraz. A to, co tu jest teraz, to zoptymalizowane supermaszyny, które radzą sobie lepiej niż ludzie w pracy: kompletacja zapasów, udzielanie pożyczek, obsługa klienta, telemarketing, praca na liniach produkcyjnych, pomoc prawna. Sztuczna inteligencja może robić te rzeczy lepiej niż ludzie. Zajmują i uwalniają nasz czas wolny, pozwalając nam robić to, co naprawdę kochamy i co potrafimy najlepiej. To szansa na całe życie, a nie straszna perspektywa, że ​​komputery staną się superinteligentne.

Według VnReview

Zobacz więcej:

• Bezpłatny kurs online dotyczący sztucznej inteligencji (AI) prowadzony przez fińskie uniwersytety
• 6 kroków, aby rozpocząć naukę programowania sztucznej inteligencji (AI).
• Kursy online dotyczące sztucznej inteligencji (AI), certyfikacja