Как революция искусственного интеллекта помогает нам ответить на самые фундаментальные вопросы философии? (Часть 2)

Кто я? Для чего я был рожден? Революция искусственного интеллекта глазами эксперта по технологиям Кайфу-Ли, часть 2, поможет вам продолжить поиск ответов на эти два вечных человеческих вопроса. Как ИИ продолжает развиваться и развиваться после провала первых двух волн? Обладает ли сегодня искусственный интеллект достаточной силой, чтобы захватить мир, как прогнозируют некоторые?

• Как революция искусственного интеллекта помогает нам ответить на самые фундаментальные вопросы философии? (Часть 1)

Краткое содержание части 1: механизмы первых двух волн искусственного интеллекта в мире: системы, основанные на правилах мышления (первая волна), статистических моделях и машинном обучении (вторая волна)

ЧАСТЬ 2: Третья волна ИИ и переоценка истинных возможностей ИИ сегодня.

Третья волна ИИ — аппаратный взрыв

Во время первой волны мне (писателю Кай-фу Ли) посчастливилось познакомиться с ученым-компьютерщиком и психологом Роджером Шанком. Фактически, один из его студентов был моим научным руководителем в годы моей магистратуры. Вышеупомянутые эксперименты привели меня к убеждению, что экспертные системы не масштабируемы и что наш мозг может работать не так, как мы думали. Я понял, что, чтобы упростить процесс принятия решений, мы использовали «если, то, еще» как язык, понятный людям, но наш мозг устроен гораздо сложнее.

Во время второй волны, во время работы над диссертацией и докторской диссертацией, я читал работу Джуди Перл о байесовских сетях. На меня большое влияние оказали ведущие ученые IBM, в том числе доктор Фред Джелинек, Питер Браун и Боб Мерсер. Они добились успеха в превращении статистических методов в мейнстрим не только в речи, но и в машинном переводе (в 80-х и 90-х годах ХХ века). Я им очень благодарен. Мы все еще застряли, но это не потому, что технология неправильная. Правда в том, что статистические методы абсолютно точны.

В конце 80-х, когда я работал над скрытыми моделями Маркова в Карнеги-Меллоне, Джефф Хинтон работал над нейронными сетями, которые он назвал «нейронными сетями с задержкой во времени». Считается, что это первая версия сложных нейронных сетей, которые сейчас широко известны как глубокое обучение, доминирующая сегодня технология.

Но почему до сих пор не началась волна нейронного и статистического машинного обучения? Оглядываясь назад, можно сказать, что эта волна не имела ничего общего с технологиями: большая часть технологий уже была изобретена. Проблема только в том, что нам не хватает обучающих данных. Наш мозг работает совершенно иначе, чем машины глубокого обучения. Чтобы запустить машины глубокого обучения, нам нужно предоставить им больше обучающих данных на каждом уровне, чем людям. Люди могут видеть сотни лиц, прежде чем начнут узнавать людей, но нейронные сети глубокого обучения хотят видеть миллиарды лиц, чтобы научиться распознавать.

Конечно, как только они станут опытными, они станут лучше людей. Это было предсказано. Но в то время у нас просто не было ни достаточного количества обучающих данных, ни достаточной вычислительной мощности, чтобы вывести эти открытые технологии на передний план. Google начинает понимать, что для поиска необходимо множество машин, которые будут работать параллельно. Затем Джефф Дин (ученый-компьютерщик, возглавляющий подразделение искусственного интеллекта Google) и другие люди в Google увидели, что, имея эти параллельные машины, вы можете делать гораздо больше, чем просто поиск. Вы можете построить на их основе ИИ. Чтобы создать ИИ, вам нужны специальные чипы, которые специализируются на том, чтобы делать это хорошо. Затем появились графические процессоры Nvidia, а Google создала свои собственные TPU. Это захватывающий прогресс. Так уж получилось, что Google взял на себя поиск, а поиску нужны были серверы, и им достался Джефф Дин. Это привело к созданию архитектур обучения на базе массово-параллельных графических процессоров или TPU, которые могут учиться на большом количестве данных из одной области (графические процессоры — это процессоры, состоящие из тысяч меньших, более высокопроизводительных ядер, которые могут обрабатывать множество задач одновременно, по сравнению с обычным процессором). обычный ЦП всего с несколькими ядрами, оптимизированными для непрерывной последовательной обработки).

(Фото: Ананд Тек)

Новые технологии развивались на основе упомянутых выше архитектур машинного обучения с массовым параллелизмом, и эти архитектуры работают на новых графических процессорах и ускорителях. Все больше и больше людей могут обучать устройства распознавать лица, голоса, изображения и применять искусственный интеллект для поиска и прогнозирования. Данных в Интернете становится все больше и больше. Amazon использовал эти данные, чтобы предсказать, что клиенты захотят купить. Google использует данные, чтобы предсказать, на какие объявления вы, скорее всего, нажмете и за что заплатите. Microsoft также использует его. В Китае у нас есть Tencent и Alibaba. Многие приложения были созданы на основе огромных объемов данных Интернета.

В то же время, когда технология развивалась, Джефф Хинтон, Ян Лекун и Йошуа Бенджио были тремя людьми, которые продолжали работать над нейронными сетями, хотя в начале 2000-х они уже не были основным направлением. и революционная статистика показала, что эти сети не масштабируются. Поэтому финансирующие агентства отказались от них, конференции перестали принимать исследования по ним, но эти три исследователя продолжали работу, выделяя небольшое финансирование для усовершенствования и разработки более совершенных алгоритмов. А потом появилось больше данных. Прорыв произошел с созданием новых алгоритмов, которые когда-то назывались «сложными нейронными сетями», а сегодня известны как «глубокое обучение».

Набор технологий, полученных от трех вышеупомянутых профессоров, начал распространяться в индустрии искусственного интеллекта. Системы распознавания голоса, разработанные ведущими компаниями, побеждают человеческие возможности, и то же самое происходит с компаниями, занимающимися распознаванием лиц и изображений. Есть свидетельства того, что электронная коммерция, идентификация пользователя/говорящего применяются к интернет-данным, более высокие прогнозы для Amazon, что принесет им больше денег; более точные прогнозы для Facebook относительно ранжирования новостных лент; Лучшие результаты поиска от Google. К концу 2000-х глубокие нейронные сети начали становиться популярными в Google и за последние 7–8 лет получили широкое распространение практически повсюду. Родилось больше структур, были разработаны более интеллектуальные системы. Конечно, событием, которое зажгло мир, стала победа AlphaGo над мастером го Ли из Кореи и мастером Ке из Китая с постоянно растущим преимуществом. А совсем недавно новое исследование показало, что AlphaGo можно обучать с нуля без ведома человека.

Все эти прорывы позволили миру осознать, что ИИ в настоящее время стал реальностью. У нас было что-то во второй волне, нейронные сети и статистические методы были правильными, но нам просто не хватало данных, недостаточной вычислительной мощности и недостаточного прогресса, технологического стека того времени, чтобы это произошло. Но теперь мы сделали это.

Сможет ли ИИ доминировать над человечеством?

ИИ развивается повсюду. Появилось множество новых школ мысли. Есть группа людей, которые начинают задумываться над нашим первоначальным вопросом: кто мы и почему существуем? Эти люди рассудили, что, поскольку ИИ смог так быстро совершенствоваться за последние два или три года, если мы воспользуемся этим в других областях, у нас будут сверхразумные машины, которые можно будет встроить в наши головы и стать дополнениями к человеку. или они будут злыми и будут править человечеством.

Я просто хочу запретить такое мышление. Просто это не точно. Независимо от того, насколько развит ИИ сегодня или насколько он выглядит, насколько ИИ делает необычные вещи, такие как победы над людьми в шахматных играх, распознавание голоса, распознавание лиц, беспилотные транспортные средства, промышленные роботы, ИИ все равно будет ограничен в следующих отношениях: ИИ (который мы называем слабым ИИ) — это устройство, которое оптимизируется на основе большого количества данных о области и очень хорошо учится что-то делать. Это вертикальный однозадачный робот, но он может делать только одну вещь. Вы не можете научить его многим вещам. Вы не можете научить этому во многих областях. Вы не можете научить его иметь здравый смысл (здравый смысл, общие знания, опыт, поведение, правильность или неправильность которого большинство из нас согласны). Вы не можете дать ему эмоции. У него нет самосознания, поэтому у него нет ни желаний, ни даже понимания того, как любить человека или доминировать над ним.

Все эти негативные разговоры глупы. Это слишком много воображения. Мы видим, как ИИ внедряется в новые приложения в быстрорастущих областях, но это быстрый рост приложений, основанных на имеющихся у нас зрелых технологиях. Этот рост закончится, когда будут разработаны все технологии. Тогда нам придется ждать новых прорывов для дальнейшего развития ИИ. Но вы не можете предсказать дальнейший прогресс.

Если вы посмотрите на историю искусственного интеллекта, такой тип инноваций в глубоком обучении произошел только один раз. Только один раз с 1957 года, один раз за 60 лет, мы совершили прорыв. Вы не можете пойти дальше и предсказать, что нас ждет прорыв в следующем году, а затем в следующем месяце или на следующий день. Это слишком быстро. Использование приложений происходит только сейчас. Это здорово, но идея быстрых изобретений — глупая концепция. По моему мнению, те, кто делает эти заявления и те, кто говорит, что единство впереди нас, совершенно оторваны от реальной ситуации в промышленности.

Сегодня существует только ИИ, который фокусируется на выполнении одной задачи за раз, и это отличный инструмент. Это хорошо для создания ценности. Он заменит многие человеческие рабочие места и некоторые другие человеческие рабочие места. Вот о чем нам следует думать, а не о большом, мощном ИИ, машине, которая похожа на человека и может думать во многих областях и имеет общее восприятие, как у людей. В конце концов, мы не можем предсказать это, основываясь на текущем прогрессе.

Может ли это случиться когда-нибудь, через сто или тысячу лет? Я думаю, что всякое может случиться. Но, возможно, нам следует сосредоточить нашу энергию на вещах здесь, сегодня. И то, что здесь сейчас, — это оптимизированные супермашины, которые могут выполнять работу лучше, чем люди: сбор акций, выдача кредитов, поддержка клиентов, телемаркетинг, работа на производственных линиях, юридическая поддержка. ИИ может делать эти вещи лучше, чем люди. Они занимают и высвобождают наше свободное время, позволяя нам заниматься тем, что мы действительно любим и делаем лучше всего. Это возможность всей жизни, а не пугающая перспектива того, что компьютеры станут суперумными.

По данным VnReview

Узнать больше:

• Бесплатный онлайн-курс по искусственному интеллекту (ИИ) от финских университетов
• 6 шагов, чтобы начать изучать программирование искусственного интеллекта (ИИ)
• Онлайн-курсы по искусственному интеллекту (ИИ), сертификация