Anima Anandkumarir Kalifornijas Tehnoloģiju institūta profesors un pētniecības direktors
"Situācija ar koronavīrusu liecina, ka cilvēki ir tālu priekšā AI"
Kā sākās mākslīgā intelekta revolūcija?Vairākus gadu desmitus interesantiatklājumi šajā jomā. Cilvēkam nav nekā ikdienišķāka par attēlu atpazīšanu uz ekrāna. Bet AI tas ir ārkārtīgi grūts uzdevums, jo tas nav dzimis ar jau dotām spējām šim nolūkam. Zinātnieki saskārās ar uzdevumu "iemācīt" mašīnu smadzenēm identificēt redzēto. Pirmajās izpētes dienās Stenfordas profesors sāka tvert attēlus, lai datoram būtu vieglāk tos klasificēt. Tas bija apzīmēts ar attēliem, kas sāka dziļu neironu mācīšanās revolūciju.
Jauna AI attīstības līmeņa sasniegšana sākās ar miljardu parametru iekļaušanu programmā, kas ļaus atpazīt konkrētu objektu.Uzdevuma grūtības ir izveidot dziļu neironu tīklunemainības apstākļos viņa atpazina, piemēram, suni neatkarīgi no stājas, krāsas, šķirnes un tā atšķirības. AI apmācība nozīmē, ka attēlu apstrādes laikā vairāki kadra slāņi tiek skatīti hierarhiskā secībā. Tātad pamata līmenī dažādos leņķos viens pret otru ir redzamas tikai līnijas. Tad viņi apvieno un veido sarežģītākas formas, piemēram, suņa sejas krāsu. Forma, krāsa un citas individuālās īpašības jau ir atšķiramas. Tas bija posms, kad mēs iemācījāmies sadalīt procesu daļās, līmeņos, un tas kļuva par milzīgu soli uz priekšu.
Turpmākai attīstībai ir nepieciešami ne tikai dziļi neironu tīkli, bet arī milzīga skaitļošanas jauda.Pēdējo desmitgažu laikā mēs esam redzējušimūsu datoru iespēju pieauguma palēnināšanās, un viena pavediena skaitļošanas ātrums vairs nedublējas. Bet tajā pašā laikā mēs varam vienlaikus aprēķināt darbības, kurām ir milzīgs apjoms un sarežģītība. Pašreizējais dziļo tīklu attīstības līmenis ir novedis pie tā, ka tagad tajos vienlaikus var notikt miljardiem procesu. Un viņu mērķis ir tikai viens: noteikt, kas ir redzams fotogrāfijā. Šī procedūra tiek veikta, izmantojot matricas animācijas procesus un citas tehnoloģijas. Un šeit, protams, viss ir atkarīgs no video karšu jaudas.
Līdz 2014. gadam dziļi neironu tīkli spēja atpazīt attēlus labāk nekā cilvēki, kas nozīmē, ka šodien tie ir kļuvuši vēl attīstītāki.Tas notika, pateicoties trīs kombinācijaifaktori: marķētu datu iespējas, esošo dziļo neironu tīklu algoritmu elastība un datoru milzīgās iespējas. Ir daudz lielisku piemēru tam, kādus augstumus mašīnas smadzenes jau ir sasniegušas, piemēram, dziļa pastiprināšanas mācīšanās palīdzēja AI pārspēt cilvēku spēlē Go. Šis spēlētājs bija viens no labākajiem, taču viņš zaudēja. Turklāt mākslīgais intelekts tagad spēj ģenerēt tik reālistiskas cilvēku fotogrāfijas, ka šī tehnoloģija jau ir izturējusi Tjūringa testu. Cilvēks vairs nevar saprast, kurš tēls ir īsts un kuru radījusi mašīna. Šie ir lieliski AI panākumu piemēri, taču progress noteikti neapstāsies ar to.
Tomēr ir vairāki piemēri, kad AI neatbilda cerībām.Teiksim, situācija, kurā galvenais aspektsir drošība. Jau vairākus gadu desmitus mēs novērojam autonomajos automobiļos izmantoto tehnoloģiju pieaugumu, taču diemžēl to sarežģītības trūkums joprojām izraisa negadījumus. Arī mašīna nevar aizstāt cilvēku satura veidošanā un rediģēšanā. Un pašreizējā koronavīrusa situācija liecina, ka cilvēki ir tālu priekšā AI.
Ko mēs darīsim nākotnē, izstrādājot mākslīgo intelektu un dziļo neironu tīklu tehnoloģijas?Šobrīd aktīvi attīstāsrobotika: piemēram, vienā uzņēmumā ir robots, kas var veikt apgriezienus. Bet viņu pat nevar salīdzināt ar suni. Šis robots ir neveikls, nepārtraukti krīt, bet dzīvnieks, krītot, mācās, kā nākamreiz izdarīt to vai citu kustību, nekrītot. Bet robots uz to nav spējīgs, nav apmācīts. Tas rada jautājumu, vai ir iespējams izveidot AI, kas ir gatavs mācīties un patstāvīgi risināt problēmas?
"Algoritmu izpratne pārsniedz mūsu iespējas."
Mākslīgā intelekta algoritms ir iepriekš noteiktas informācijas kopums un ļoti skaidrs uzdevums.Mēs nosakām, kādi dati un provizoriskijāizmanto dotie parametri, kā arī kā īstenot lēmumu pieņemšanas procesu. AI algoritma izveidei un uzturēšanai ir nepieciešams milzīgs datu apjoms. Tas ir sarežģīti, jo ir arvien vairāk datu, piemēram, atpazīstot video straumi, atpazīto kadru skaits ir ļoti liels. Marķēšana ir problemātiska, jo cilvēki piešķir nosaukumus miljoniem videoklipu un līdz ar to arī objektiem ekrānā.
Kas attiecas uz iepriekš iestatītajiem parametriem, tad atkal jums jātiek galā ar to, ka viss tiek darīts manuāli.Mūsdienās ir viegli apmānīt AI.Piemēram, ja mums ir stop zīme un mēs uz tās novietojam vairākus blokus, tad mākslīgais intelekts vairs nesapratīs tās nozīmi. Un automašīna, kas pārvietojas bez vadītāja palīdzības, vairs neatpazīst šo zīmi kā aicinājumu apstāties. Mūsu cilvēku intelekts ir pilnīgi atšķirīgs. Varbūt mēs varam pārnest savu domāšanas veidu datorā, bet mēs to vēl neesam spējuši izdarīt. Runājot par norādēm, pavēlēm un instrukcijām, jārīkojas ļoti vienkārši: dodam vienu uzdevumu – atpazīt šajā attēlā redzamo. Kas attiecas uz algoritma veiksmes vai neefektivitātes novērtēšanas parametriem, šeit mēs esam ļoti ierobežoti.
Dažreiz mēs nevaram saprast, cik veiksmīgs ir pašreizējais algoritms, jo tas ir ārpus mūsu izpratnes.Turklāt ir vairākas problēmas, kas saistītas artas, ka mūsu rīcībā esošie dati galvenokārt ir par gaišiem vīriešiem. Šī iemesla dēļ AI nepareizi identificē tumšādas sievietes. Sejas atpazīšanā ir arī citas kļūdas. Problēma rodas tāpēc, ka mākslīgā intelekta efektivitātes novērtējums ir ārkārtīgi ierobežots. Mēs nedrīkstam aizmirst par paradigmu, kas saka, ka mums ir nepieciešams milzīgs datu apjoms, un tas viss ir jāmarķē. Iepriekš iestatītajiem parametriem ir jābūt skaidriem algoritmam, un pašam uzdevumam jābūt vienkāršam un loģiskam.
Vispirms jums jāpārliecinās, ka dati nav jāmarķē.AI jāstrādā bez cilvēka palīdzībasdators pats atrada jēdzienus, veidoja idejas un saprata konkrēta attēla iezīmes. Vai tas ir grūti? Jā, ļoti, bet cilvēki to dara, turklāt ar vieglumu. Kas attiecas uz iepriekš iestatītajiem datiem, šeit mums ir jāizveido ļoti skaidri attēli, lai parādītu, kas ir no datiem, kurus mēs “ievadām” sistēmai. Un šeit jūs varat daudz mācīties no cilvēka smadzenēm. Un visbeidzot uzdevumi, ko mēs dodam algoritmam. AI jābūt adaptīvākam, jo tagad mēs katru reizi apmācām savu sistēmu no nulles, bet mums tā ir jāveido tā, lai tā varētu pielāgoties un mainīties, veikt dažādus uzdevumus. Tāpēc tagad mēs trenējamies, lai mākslīgais intelekts būtu elastīgs.
Kā saprast, ka mums ir kaķis?
Mēs atpazīstam kaķi, pat ja tas ir izplūdis attēls, jo mūsu smadzenes nepārtraukti cenšas piešķirt neskaidrajam attēlam noteiktu asumu turpmākai analīzei.Teoriju ir daudz, un viena no slavenākajāmsaka, ka mēs ne tikai aplūkojam kādu objektu, bet tajā pašā laikā smadzenes izvēlas iespējas, kas tās var būt. Dziļi neironu tīkli rīkojas tāpat. Mums ir a priori dati par to, kā kaķim vajadzētu izskatīties. Un mēs cenšamies šo attēlu saskaņot ar domu par to, kā izskatās kaķi. Tas ir svarīgi to saprast izstrādes laikā, lai nodrošinātu attēla identifikācijas konsekvenci.
Kā mēs varam panākt stabilitāti objektu identificēšanā ar mākslīgiem tīkliem?Tas dabiski notiek sakarā aratkārtojamība. Mēs uzņemam kādu ārēju attēlu un skatāmies to, un signāls nonāk smadzenēs. Ir arī atsauksmes no augšas uz leju. Izmantojot informāciju par to, kā kaķis izskatās, smadzenes veido īpašu uztveri. Kā mēs varam panākt, ka šie sarežģītie procesi mūsu smadzenēs tiek īstenoti ar AI? Ir nepieciešams apvienot labu klasifikatoru jēdzienam "kaķis", kas "baros" neironu tīklu, ar izcilu šo attēlu ģeneratoru. Tajā pašā laikā notiks neironu tīkla jēdziena klasifikācija un apmācība. Atsauksmes tiks iegūtas par standarta neironu tīkliem. Un šī saikne sniegs iespēju saņemt ģeneratīvas atsauksmes. Citiem vārdiem sakot, mēģinot apstrādāt ienākošo signālu, cilvēks mēģina atzīmēt attēlu. Un tad ir atgriezeniskā saite, kad mēs cenšamies radīt uztveri, pamatojoties uz redzēto. Šie divi procesi ir savstarpēji jāsavieno.
Standarta neironu tīkls parasti nevar atpazīt izplūdušus attēlus, taču mūsu modelis, pateicoties atgriezeniskās saites mehānismam, padara attēlus skaidrākus un pēc tam tos var atpazīt.Mēs redzam, ka šāda shēma ir sevi pierādījusiefektivitāte, tāpēc mēs varam iedvesmoties no tā, kā cilvēki redz, veidojot datora redzi. Pamatojoties uz jau izstrādātiem modeļiem, varat izveidot progresīvākus algoritmus, kuriem būs augsta veiktspēja. Taču mums ir nepieciešama arī efektīva infrastruktūra, kas spēj apstrādāt AI procesus plašā mērogā. Mēs nestrādājam ar algoritmiem atsevišķi. Jūs paņemat dažus datus un jums tie ir jāvizualizē, kas ir ļoti sarežģīts process. Tāpēc jums ir nepieciešams jaudīgs procesors, kas spēj apstrādāt iespaidīgu informācijas apjomu. Turklāt mēs izmantojam noteiktus ietvarus (CLARA) dažādiem lietojumiem, tostarp medicīnā. Tagad, ņemot vērā COVID-19 pandēmiju, ir jāapmāca mašīnmācīšanās modeļi plašā mērogā. Tās mērķis ir izstrādāt vakcīnas un zāles pret vīrusu. CLARA rīks var strādāt ar trīsdimensiju struktūrām un dažādiem algoritmiem, būtībā ir to darba koordinators.
Vēl viena AI mācīšanās iespēja ir izmantot stimulētus datus, nevis reālus datus.Mums ir virkne robotu, par kuriem var kļūtpavāri mūsu virtuvēs. Šādas mašīnas spēj atvērt un aizvērt atvilktni, paņemt priekšmetu, kaut ko sajaukt vai saputot. Šīs darbības, kas ir vienkāršas cilvēkiem, ir ļoti sarežģītas robotiem, jo ir problemātiski tos apmācīt to darīt. Bet ar simulācijas procesu palīdzību varēsim atvērt neesošas, ieprogrammētas kastes. Un tādējādi robots apgūst līdzīgas darbības. Programmas ļauj mums to darīt paralēli un plašā mērogā, kas ļauj mums pārvarēt ierobežojumus, ko mums uzliek dati. Taču šāda apmācības sistēma nozīmē, ka ir jāizstrādā ļoti sarežģīti algoritmi, kas pārvedīs mašīnu no simulācijas pasaules uz reālo pasauli, paverot pilnīgi jaunas, aizraujošas izredzes darbam ar AI. Ir programma, kas ļauj tiem modeļiem pievienot simulāciju, kad mākslīgais intelekts tiek apmācīts uz reāliem datiem. Šis ir vēl viens piemērs tam, ka mums ir laba infrastruktūra un mēs varam strādāt pie ļoti sarežģītām problēmām. Radās iespēja izveidot jaunus algoritmus un modeļus, kā arī tos pārbaudīt daudz ātrāk, nekā tas tika darīts iepriekš.
AI nākotnei jābūt visaptverošai, un tai jābūt iemiesotai dažādās sfērās, lai mums būtu ļoti pielāgojams, pastāvīgi mācošs rīks.Lai to izdarītu, mums tagad ir jāpārdomā pieejasdziļa mācīšanās. Pašmācība ir panākumu atslēga, tāpēc mums ir jāatrod veidi, kā bez uzraudzības apmācāmās programmas izveidot sistēmās. Un, ja mēs runājam par konvolucionālajiem neironu tīkliem, atgriezeniskās saites sistēma padara tos stabilākus. Un tas ir pirmais solis ceļā uz reālas bāzes izveidi nākamās paaudzes AI.
Skatiet arī:
Dārgumu meklētājs Skotijā atrod 3000 gadus vecu dārgumu
Perseids meteoru duša - 2020: kur to redzēt, kur meklēt un kā nofotografēties
Paskatieties Visuma 3D karti: tā tika apkopota 20 gadus, un tā jau ir pārsteigusi zinātniekus