Anima Anandkumar— Profesor w Kalifornijskim Instytucie Technologii i dyrektor ds. badań w
„Sytuacja z koronawirusem pokazuje, że ludzie znacznie wyprzedzają AI”
Jak rozpoczęła się rewolucja w zakresie sztucznej inteligencji?Ciekawe od kilkudziesięciu latodkrycia w tej dziedzinie. Dla człowieka nie ma nic bardziej przyziemnego niż rozpoznawanie obrazów na ekranie. Ale dla sztucznej inteligencji jest to niezwykle trudne zadanie, ponieważ nie rodzi się z nadanymi do tego już zdolnościami. Naukowcy stanęli przed zadaniem „nauczenia” mózgu maszyny rozpoznawania tego, co widzi. Na początku badań profesor ze Stanford zaczął robić zdjęcia, aby ułatwić komputerowi ich klasyfikację. Zostały oznaczone jako obrazy, które rozpoczęły rewolucję głębokiego uczenia się neuronów.
Osiągnięcie nowego poziomu rozwoju AI rozpoczęło się od włączenia do programu miliardów parametrów, które pozwolą mu rozpoznać konkretny obiekt.Trudność zadania polega na stworzeniu głębokiej sieci neuronowejw warunkach niezmienności rozpoznała na przykład psa niezależnie od różnicy postawy, umaszczenia, rasy i tak dalej. Trening AI oznacza, że podczas przetwarzania obrazu wiele warstw kadru jest przeglądanych w porządku hierarchicznym. Tak więc na poziomie podstawowym tylko linie są widoczne pod różnymi kątami względem siebie. Następnie łączą się i tworzą bardziej złożone kształty, na przykład kolorową twarz psa. Kształt, kolor i inne indywidualne cechy są już rozpoznawalne. To był etap, na którym nauczyliśmy się dzielić proces na części, na poziomy, co stało się ogromnym krokiem naprzód.
Dalszy rozwój wymaga nie tylko głębokich sieci neuronowych, ale także ogromnej mocy obliczeniowej.W ciągu ostatnich dziesięcioleci widzieliśmyspowolnienie wzrostu możliwości naszych komputerów, przy czym prędkość obliczeń jednowątkowych nie jest już podwojona. Ale jednocześnie możemy teraz jednocześnie obliczać operacje o ogromnej objętości i złożoności. Obecny poziom rozwoju głębokich sieci doprowadził do tego, że obecnie mogą w nich zachodzić miliardy procesów jednocześnie. A ich cel jest tylko jeden: ustalić, co jest pokazane na zdjęciu. Procedura ta realizowana jest z wykorzystaniem procesów animacji matrycowej i innych technologii. I tutaj oczywiście wszystko zależy od mocy kart graficznych.
Do 2014 r. Głębokie sieci neuronowe były w stanie rozpoznawać obrazy lepiej niż ludzie, co oznacza, że dziś stały się jeszcze bardziej zaawansowane.Stało się to dzięki połączeniu trzechczynniki: możliwości oznakowanych danych, elastyczność istniejących algorytmów głębokich sieci neuronowych i ogromne możliwości komputerów. Istnieje wiele wspaniałych przykładów tego, jakie wyżyny osiągnął już mózg maszyny, na przykład głębokie uczenie się przez wzmacnianie pomogło sztucznej inteligencji pokonać człowieka w grze Go. Ten zawodnik był jednym z najlepszych, ale przegrał. Ponadto sztuczna inteligencja jest teraz w stanie generować zdjęcia ludzi tak realistyczne, że technologia ta przeszła już test Turinga. Człowiek nie jest już w stanie zrozumieć, który obraz jest prawdziwy, a który stworzyła maszyna. To świetne przykłady sukcesu sztucznej inteligencji, ale postęp z pewnością się na tym nie zakończy.
Istnieje jednak wiele przykładów, w których sztuczna inteligencja nie spełniła oczekiwań.Powiedzmy, że mamy do czynienia z kluczowym aspektemjest bezpieczeństwo. Od kilkudziesięciu lat obserwujemy rozwój technologii stosowanych w samochodach autonomicznych, ale niestety ich brak zaawansowania w dalszym ciągu prowadzi do wypadków. Ponadto maszyna nie może zastąpić człowieka, jeśli chodzi o tworzenie i edytowanie treści. Obecna sytuacja związana z koronawirusem pokazuje, że ludzie znacznie wyprzedzają sztuczną inteligencję.
Co będziemy robić w przyszłości, rozwijając sztuczną inteligencję i technologie głębokich sieci neuronowych?Obecnie aktywnie się rozwijarobotyka: na przykład jedna firma ma robota, który potrafi wykonywać salta w tył. Ale nie można go nawet porównać do psa. Ten robot jest niezręczny, ciągle upada, ale zwierzę spadając, uczy się, jak następnym razem wykonać ten lub inny ruch, nie spadając. Ale robot nie jest do tego zdolny, nie jest przeszkolony. Rodzi się pytanie, czy możliwe jest stworzenie sztucznej inteligencji, która będzie gotowa do samodzielnego uczenia się i rozwiązywania problemów?
„Zrozumienie algorytmów przekracza nasze możliwości”.
Algorytm sztucznej inteligencji to zbiór wcześniej określonych informacji i bardzo czytelne zadanie.Ustalamy jakie dane i wstępnienależy zastosować podane parametry i sposób realizacji procesu decyzyjnego. Tworzenie i utrzymywanie algorytmu AI wymaga ogromnych ilości danych. Jest to o tyle trudne, że danych jest coraz więcej, np. podczas rozpoznawania strumienia wideo liczba rozpoznawanych klatek jest bardzo duża. Etykietowanie jest problematyczne, ponieważ ludzie przypisują nazwy milionom filmów, a tym samym obiektom na ekranie.
Jeśli chodzi o wstępnie ustawione parametry, to znowu musisz uporać się z tym, że wszystko odbywa się ręcznie.W dzisiejszych czasach łatwo oszukać sztuczną inteligencję.Przykładowo, jeśli mamy znak stopu i postawimy na nim kilka bloków, to sztuczna inteligencja nie będzie już rozumieć jego znaczenia. A samochód poruszający się bez pomocy kierowcy nie rozpoznaje już tego znaku jako wezwania do zatrzymania się. Nasza ludzka inteligencja jest zupełnie inna. Być może uda nam się przenieść nasz sposób myślenia do komputera, ale jeszcze nie udało nam się tego zrobić. Jeśli chodzi o wskazówki, rozkazy i instrukcje, musimy postępować bardzo prosto: dajemy jedno zadanie - rozpoznać to, co jest pokazane na tym obrazku. Jeśli chodzi o parametry oceny powodzenia lub nieskuteczności algorytmu, tutaj jesteśmy bardzo ograniczeni.
Czasami nie możemy zrozumieć, jak skuteczny jest obecny algorytm, ponieważ jest poza naszym zrozumieniem.Ponadto istnieje kilka problemów z tym związanychfakt, że dane, którymi dysponujemy, dotyczą głównie mężczyzn o jasnej karnacji. Z tego powodu sztuczna inteligencja błędnie identyfikuje kobiety o ciemnej karnacji. Istnieją inne błędy w rozpoznawaniu twarzy. Problem pojawia się dlatego, że ocena skuteczności sztucznej inteligencji jest niezwykle ograniczona. Nie wolno nam zapominać o paradygmacie, który mówi, że potrzebujemy ogromnych ilości danych i to wszystko musi być oznakowane. Zadane parametry muszą być jasne dla algorytmu, a samo zadanie musi być proste i logiczne.
Po pierwsze, musisz upewnić się, że nie musisz oznaczać danych.Sztuczna inteligencja musi działać bez pomocy człowiekakomputer sam znajdował koncepcje, tworzył pomysły i rozumiał cechy konkretnego obrazu. Czy to jest trudne? Tak, bardzo dużo, ale ludzie to robią i to z łatwością. Jeśli chodzi o wstępnie ustawione dane, tutaj musimy stworzyć bardzo wyraźne obrazy, pokazać, jakie dane z danych „wprowadzamy” do systemu. I tutaj możesz się wiele nauczyć od ludzkiego mózgu. I na koniec zadania jakie stawiamy algorytmowi. Sztuczna inteligencja musi być bardziej adaptacyjna, bo teraz za każdym razem szkolimy nasz system od podstaw, ale musimy to zrobić tak, aby mógł się adaptować i zmieniać, wykonywać inne zadania. Dlatego teraz szkolimy się, jak uelastycznić sztuczną inteligencję.
Jak zrozumieć, że przed nami jest kot?
Rozpoznajemy kota, nawet jeśli jest to niewyraźny obraz, ponieważ nasz mózg nieustannie stara się nadać rozmazanemu obrazowi pewną ostrość w celu dalszej analizy.Istnieje wiele teorii i jedna z najbardziej znanychmówi, że nie tylko patrzymy na jakiś obiekt, ale jednocześnie mózg wybiera opcje tego, czym może być. Głębokie sieci neuronowe robią to samo. Mamy dane a priori o tym, jak kot powinien wyglądać. I staramy się dopasować ten obraz do wyobrażenia o tym, jak wyglądają koty. Ważne jest, aby zrozumieć to podczas opracowywania, aby zapewnić spójność identyfikacji obrazu.
Jak osiągnąć stabilność w identyfikacji obiektów przez sztuczne sieci?Dzieje się to naturalnie z powodupowtarzalność. Bierzemy jakiś zewnętrzny obraz i patrzymy na niego, a sygnał trafia do mózgu. Istnieje również informacja zwrotna odgórna. Korzystając z informacji o tym, jak wygląda kot, mózg tworzy pewną percepcję. Jak sprawić, by te najbardziej złożone procesy w naszym mózgu były realizowane przez sztuczną inteligencję? Konieczne jest połączenie dobrego klasyfikatora dla pojęcia „kota”, który będzie „zasilał” sieć neuronową, z doskonałym generatorem tych obrazów. Jednocześnie nastąpi klasyfikacja koncepcji i uczenie sieci neuronowej. Uzyskane zostaną informacje zwrotne dla standardowych sieci neuronowych. Połączenie to zapewni możliwość uzyskania generatywnej informacji zwrotnej. Innymi słowy, próbując przetworzyć przychodzący sygnał, osoba próbuje oznaczyć obraz. A potem pojawia się informacja zwrotna, kiedy próbujemy wygenerować percepcję na podstawie tego, co widzimy. Te dwa procesy muszą być ze sobą połączone.
Standardowa sieć neuronowa z reguły nie jest w stanie rozpoznać rozmytych obrazów, ale nasz model dzięki mechanizmowi sprzężenia zwrotnego sprawia, że obrazy są wyraźniejsze i wtedy będzie można je rozpoznać.Widzimy, że taki schemat się sprawdziłskuteczność, dzięki czemu podczas tworzenia wizji komputerowej możemy inspirować się tym, jak ludzie widzą. Na podstawie już opracowanych modeli można tworzyć bardziej zaawansowane algorytmy, które będą charakteryzowały się dużą wydajnością. Potrzebujemy jednak również wydajnej infrastruktury, która poradzi sobie z procesami sztucznej inteligencji na dużą skalę. Nie pracujemy z algorytmami indywidualnie. Bierzesz dane i musisz je zwizualizować, co jest bardzo złożonym procesem. Dlatego potrzebujesz wydajnego procesora, który jest w stanie przetworzyć imponującą ilość informacji. Ponadto używamy określonych frameworków (CLARA) do różnych zastosowań, w tym w medycynie. Obecnie, biorąc pod uwagę pandemię Covid-19, istnieje potrzeba szkolenia modeli uczenia maszynowego na dużą skalę. Celem tego jest opracowanie szczepionek i leków na wirusa. Narzędzie CLARA może pracować ze strukturami trójwymiarowymi i różnymi algorytmami, w zasadzie będąc koordynatorem ich pracy.
Inną okazją do szkolenia w zakresie sztucznej inteligencji jest wykorzystanie danych stymulowanych, a nie rzeczywistych.Mamy całą gamę robotów, które mogą stać sięszefowie kuchni w naszych kuchniach. Maszyny takie potrafią otwierać i zamykać szufladę, podnosić przedmiot, wymieszać lub ubić coś. Te operacje, które są proste dla ludzi, są bardzo trudne dla robotów, ponieważ wyszkolenie ich w tym zakresie jest problematyczne. Ale za pomocą procesów symulacyjnych będziemy mogli otworzyć nieistniejące, zaprogramowane skrzynki. I w ten sposób robot uczy się podobnych operacji. Programy pozwalają nam to robić równolegle i na dużą skalę, co pozwala pokonać ograniczenia, jakie nakładają na nas dane. Ale taki system szkolenia oznacza, że trzeba opracować bardzo złożone algorytmy, które przeniosą maszynę ze świata symulacji do świata rzeczywistego, otwierając zupełnie nowe, ekscytujące perspektywy pracy z AI. Istnieje program, który pozwala na dodanie symulacji do tych modeli, gdy sztuczna inteligencja jest szkolona na rzeczywistych danych. To kolejny przykład na to, że mamy dobrą infrastrukturę i potrafimy pracować nad bardzo złożonymi problemami. Możliwe stało się tworzenie nowych algorytmów i modeli oraz testowanie ich znacznie szybciej niż dotychczas.
Przyszłość sztucznej inteligencji musi być wszechstronna i ucieleśniona w różnych obszarach, abyśmy mieli wysoce adaptacyjne, stale uczące się narzędzie.Aby to zrobić, musimy teraz ponownie przemyśleć podejście dogłęboka nauka. Samodzielne uczenie się jest kluczem do sukcesu, dlatego musimy znaleźć sposoby na wbudowanie programów uczenia się bez nadzoru w systemy. A jeśli mówimy o splotowych sieciach neuronowych, system sprzężenia zwrotnego czyni je bardziej stabilnymi. A to pierwszy krok w kierunku stworzenia realnej bazy dla kolejnej generacji AI.
Zobacz także:
Poszukiwacz skarbów znajduje skarb sprzed 3000 lat w Szkocji
Deszcz meteorytów Perseidów - 2020: Gdzie go zobaczyć, gdzie patrzeć i jak zrobić zdjęcie
Spójrz na trójwymiarową mapę Wszechświata: była tworzona przez 20 lat i już zaskoczyła naukowców