アニマ・アナンドクマーカリフォルニア工科大学の教授であり、研究責任者でもあります。
「コロナウイルスの状況は、人間がAIよりもはるかに進んでいることを示しています」
人工知能革命はどのようにして始まったのでしょうか?数十年間、興味深いこのエリアでの発見。人にとっては、画面上の画像を認識することほど平凡なことはありません。しかし、AIの場合、これはすでに与えられた能力で生まれていないため、これは非常に難しい作業です。科学者たちは、機械の脳を「教える」ことで、機械が見たものを特定するという課題に直面しました。研究の早い段階で、スタンフォード大学の教授は、コンピューターが画像を分類しやすくするために画像をキャプチャし始めました。深層神経学習革命を開始したのは、ラベル付きの写真でした。
AI 開発の新たなレベルへの到達は、特定のオブジェクトを認識できるようにするための数十億のパラメーターをプログラムに組み込むことから始まりました。タスクの難しさは深いニューラルネットワークを作ることです不変の条件の下で、彼女は、例えば、姿勢、色、品種などの違いに関係なく犬を認識しました。 AIトレーニングとは、画像処理中に、フレームの複数のレイヤーが階層順に表示されることを意味します。したがって、基本的なレベルでは、線のみが互いに異なる角度で表示されます。次に、犬の顔の色など、より複雑な形状を組み合わせて構成します。形、色、その他の個々の特徴はすでに区別できます。プロセスを複数のレベルに分割することを学んだ段階であり、大きな前進となりました。
さらなる開発には、ディープニューラルネットワークだけでなく、巨大な計算能力も必要です。過去数十年にわたって私たちが見てきたのは、シングルスレッドのコンピューティング速度が 2 倍にならなくなり、コンピューターの機能の成長が鈍化しています。しかし同時に、膨大な量と複雑さの演算を同時に計算できるようになりました。現在のディープ ネットワークの開発レベルにより、その中で数十億のプロセスが同時に実行できるようになりました。そして彼らの目標はただ一つ、それは写真に何が写っているかを特定することだ。この手順は、マトリックス アニメーション処理やその他のテクノロジーを使用して実行されます。そしてもちろん、ここではすべてがビデオカードの能力に依存します。
2014年までに、ディープニューラルネットワークは人間よりも画像をよりよく認識できるようになりました。これは、今日、画像がさらに進歩したことを意味します。３つの組み合わせのおかげでこうなった要因: ラベル付きデータの機能、既存のディープ ニューラル ネットワーク アルゴリズムの柔軟性、コンピューターの膨大な機能です。機械の脳がすでにどのような高みに到達したかを示す素晴らしい例は数多くあります。たとえば、深層強化学習は、囲碁で AI が人間に勝つのに役立ちました。この選手は最高の選手の一人だったが、負けてしまった。さらに、人工知能は現在、非常にリアルな人物の写真を生成できるため、この技術はすでにチューリング テストに合格しています。どの画像が本物で、どの画像が機械によって作成されたのか、人はもはや理解できません。これらは AI の優れた成功例ですが、進歩がそれだけにとどまることはありません。
ただし、AIが期待を下回った例は数多くあります。重要な側面がある状況を考えてみましょう安全性です。ここ数十年、自動運転車に使用される技術が増加しているのを目にしてきましたが、残念なことに、その洗練度の不足が依然として事故につながっています。また、コンテンツの作成と編集に関しては、機械は人間の代わりにはなりません。そして現在のコロナウイルスの状況は、人間がAIよりもはるかに進んでいることを示しています。
ディープニューラルネットワークの人工知能と技術を開発して、私たちは将来どうしますか？現在鋭意開発中ロボット工学: たとえば、ある会社はバク転ができるロボットを持っています。しかし、彼は犬と比較することさえできません。このロボットはぎこちなく、いつも転んでしまいますが、動物は転びながら、次回は転ばずにあれやこれやの動きをする方法を学びます。しかし、ロボットにはこれができず、訓練されていません。ここで、自ら学習して問題を解決する準備ができている AI を作ることは可能なのかという疑問が生じます。
「アルゴリズムの理解は私たちの能力を超えています。」
人工知能アルゴリズムは、事前に設定された情報のコレクションであり、非常に明確なタスクです。どのようなデータを事前に決定しますか与えられたパラメータを使用する必要があるだけでなく、意思決定プロセスを実装する方法も必要です。 AI アルゴリズムの作成と維持には、大量のデータが必要です。データがますます増えているため、これは困難です。たとえば、ビデオ ストリームを認識する場合、認識されるフレームの数が非常に多くなります。人々は何百万ものビデオ、つまり画面上のオブジェクトに名前を割り当てるため、ラベル付けには問題があります。
事前設定されたパラメータについては、すべてが手動で行われるという事実に対処する必要があります。最近ではAIをだますのは簡単です。たとえば、一時停止の標識があり、その上にいくつかのブロックを置くと、人工知能はその意味を理解できなくなります。そして、ドライバーの支援なしで走行する車は、この標識を停止の呼びかけとして認識しなくなりました。私たち人間の知性はまったく異なります。おそらく私たちの考え方をコンピューターに移すことができるかもしれませんが、まだそれはできていません。指示、命令、指示に関しては、私たちは非常に単純に行動しなければなりません。私たちは、この絵に示されているものを認識するという 1 つのタスクを与えます。アルゴリズムの成功または無効を評価するためのパラメーターに関しては、ここでは非常に限られています。
現在のアルゴリズムがどれほど成功したかを理解できないことがあります。さらに、それに関連するいくつかの問題があります私たちが持っているデータは主に肌の色が白い男性に関するものであるという事実。このため、AIは肌の色が濃い女性を誤認識します。顔認識には他にもエラーがあります。この問題は、人工知能の有効性の評価が非常に限られているために発生します。膨大な量のデータが必要であり、そのすべてにラベルを付ける必要があるというパラダイムを忘れてはなりません。事前に設定されたパラメータはアルゴリズムにとって明確でなければならず、タスク自体はシンプルかつ論理的でなければなりません。
まず、データにラベルを付ける必要がないことを確認する必要があります。AI は人間の支援なしで機能しなければなりません。コンピューター自体が概念を見つけ、アイデアを形成し、特定の画像の特徴を理解しました。難しいですか？はい、とてもそうですが、人々はそれを簡単に実行します。プリセットデータに関しては、システムに「フィード」するデータが何であるかを示すために、非常に明確な画像を作成する必要があります。そしてここでは人間の脳から多くのことを学ぶことができます。そして最後に、アルゴリズムに与えるタスクです。 AI はより適応性が高くなければなりません。現在、システムは毎回ゼロからトレーニングされていますが、適応して変化し、さまざまなタスクを実行できるようにする必要があります。そこで私たちは現在、人工知能を柔軟にするためのトレーニングを行っています。
私たちの目の前に猫がいることをどうやって理解しますか？
たとえそれがぼやけた画像であっても、私たちが猫を認識するのは、私たちの脳がさらなる分析のためにぼやけた画像に一定の鮮明さを与えようと常に試みているからです。多くの理論があり、最も有名なものの1つ私たちはいくつかのオブジェクトを見るだけでなく、同時に脳はそれが何であるかについてのオプションを選択すると言います。ディープニューラルネットワークも同じです。猫がどのように見えるべきかに関する事前のデータがあります。そして、私たちはこの写真を猫がどのように見えるかという考えと一致させようとしています。画像識別の一貫性を確保するには、開発中にこれを理解することが重要です。
人工ネットワークによるオブジェクトの識別の安定性をどのように達成できるでしょうか?これは自然に発生します再現性。外部の写真を撮ってそれを見ると、信号は脳に送られます。トップダウンのフィードバックもあります。猫はどのように見えるかに関する情報を使用して、脳は特定の知覚を形成します。 AIによって実装されたこれらの複雑なプロセスを私たちの脳でどのように作ることができますか？ニューラルネットワークを「養う」「猫」の概念に適した分類子と、これらの画像の優れたジェネレーターを組み合わせる必要があります。同時に、概念の分類とニューラルネットワークのトレーニングが行われます。標準ニューラルネットワークのフィードバックが取得されます。そしてこのつながりは、生成的なフィードバックを受け取る機会を提供します。つまり、着信信号を処理しようとすると、人が画像にマークを付けようとします。そして、私たちが見るものに基づいて知覚を生成しようとすると、フィードバックがあります。これら2つのプロセスは相互に接続する必要があります。
標準のニューラルネットワークは、通常、あいまいな画像を認識できませんが、フィードバックメカニズムのおかげで、このモデルでは画像がより鮮明になり、認識できます。このような計画がその効果を証明していることがわかります。そのため、コンピューター ビジョンを作成するときに人間の見方からインスピレーションを受けることができます。すでに開発されたモデルに基づいて、高性能のより高度なアルゴリズムを作成できます。しかし、AI プロセスを大規模に処理できる効率的なインフラストラクチャも必要です。私たちはアルゴリズムを個別に扱うことはありません。いくつかのデータを取得し、それを視覚化する必要がありますが、これは非常に複雑なプロセスです。したがって、膨大な量の情報を処理できる強力なプロセッサが必要です。さらに、医療を含むさまざまなアプリケーションに特定のフレームワーク (CLARA) を使用します。現在、新型コロナウイルス感染症のパンデミックを考慮して、機械学習モデルを大規模にトレーニングする必要があります。この目的は、ウイルスのワクチンと治療法を開発することです。 CLARA ツールは体積構造やさまざまなアルゴリズムを操作でき、基本的にそれらの作業のコーディネーターとして機能します。
AIのもう1つの学習機会は、実際のデータではなく刺激データを使用することです。私たちはさまざまなロボットを取り揃えています。私たちのキッチンのシェフたち。このような機械は、引き出しを開けたり閉めたり、物体を取り出したり、何かを混ぜたり泡立てたりすることができます。人間にとっては簡単なこれらの操作は、ロボットにとっては非常に困難です。これを行うようにロボットを訓練するのは困難だからです。しかし、シミュレーションプロセスの助けを借りて、存在しないプログラムされたボックスを開けることができるようになります。こうしてロボットは同様の操作を学習します。プログラムを使用すると、これを並行して大規模に実行できるため、データが課す制限を克服できます。しかし、このようなトレーニング システムは、マシンをシミュレーションの世界から現実の世界に導き、AI と連携するためのまったく新しいエキサイティングな可能性を開く、非常に複雑なアルゴリズムを開発する必要があることを意味します。人工知能が実際のデータでトレーニングされるときに、これらのモデルにシミュレーションを追加できるプログラムがあります。これは、当社が優れたインフラストラクチャを備えており、非常に複雑な問題に対処できることを示すもう 1 つの例です。新しいアルゴリズムとモデルを作成し、以前よりもはるかに速くテストできるようになりました。
AIの未来は包括的であり、さまざまな領域で具体化される必要があります。これにより、高度に適応性のある、絶えず学習するツールが実現します。これを行うには、今、アプローチを再考する必要があります。深い学習。自主学習が成功の鍵となるため、教師なし学習プログラムをシステムに組み込む方法を見つける必要があります。畳み込みニューラル ネットワークについて言えば、フィードバック システムによりネットワークがより安定します。そしてこれは、次世代 AI のための実際の基盤を構築するための第一歩です。
また見なさい：
トレジャーハンターがスコットランドで3,000年前の宝物を発見
ペルセウス座流星群-2020：それを見る場所、見る場所、写真を撮る方法
宇宙の3Dマップを見てください：20年間編集されており、すでに科学者を驚かせています