Люди плюс машини перевершать можливості будь-якого елемента поодинці. metamorworks / Shutterstock.com

Майбутнє створюватимуть не люди, ані машини, а обоє, працюючи разом. Технології, створені за зразком того, як працює мозок людини, вже збільшують здібності людей, і вони стануть більш впливовими лише у міру звикання суспільства до цих все більш здібних машин.

Технологічні оптимісти задумали світ, що зростає продуктивність і якість життя людини оскільки системи штучного інтелекту переймають життєві труднощі та адміністрування, на користь усім. Песимісти, з іншого боку, попереджали, що ці досягнення можуть бути досягнуті великі витрати на втрату роботи та порушення життя. І страхарі переживають, що ШІ може врешті-решт зробити людей застарілими.

Однак люди не дуже добре уявляють майбутнє. Ні утопія, ні кінець світу не вірогідні. У моїй новій книзі “Революція глибокого навчання, ”Моєю метою було пояснити минуле, сьогодення та майбутнє цієї швидко зростаючої галузі науки та техніки. Я прийшов до висновку, що ШІ зробить вас розумнішими, але такими способами, які вас здивують.

Розпізнавання закономірностей

Поглиблене навчання - це частина ШІ, яка досягла найбільших успіхів у вирішення складних задач як ідентифікація об’єктів на зображеннях, розпізнавання мови з кількох динаміків та обробка тексту так, як люди говорять або пишуть його. Поглиблене навчання також виявилося корисним для виявлення закономірностей у дедалі більших наборах даних, які генеруються датчики, медичні вироби та наукові прилади.

Метою цього підходу є пошук способів, як комп’ютер може представляти складність світу та узагальнювати його з попереднього досвіду - навіть якщо те, що відбувається далі, не точно збігається з тим, що було раніше. Подібно до того, як людина може визначити, що конкретна тварина, якої вона ніколи раніше не бачила, насправді є котом, Алгоритми глибокого навчання можуть визначити аспекти того, що можна назвати «котячістю», і витягніть ці атрибути з нових образів котів.

Системи глибокого навчання можуть сказати, хто з них кішка. Gelpi / Shutterstock.com

Методи глибокого навчання засновані на ті самі принципи, що живлять людський мозок. Наприклад, мозок одночасно обробляє безліч різних даних у багатьох одиницях обробки. Нейрони мають багато зв’язків між собою, і ці зв’язки зміцнюються або слабшають залежно від того, наскільки вони використовуються, встановлення асоціацій між сенсорними входами та концептуальними результатами.

Команда найуспішніша мережа глибокого навчання ґрунтується на дослідженнях архітектури зорової кори, 1960-х років, частини мозку, яку ми звикли бачити, та алгоритмах навчання, винайдених у 1980-х. Тоді комп’ютери ще не були досить швидкими, щоб вирішувати реальні проблеми. Однак зараз вони є.

Крім того, навчальні мережі накладаються одна на одну, створюючи тісніші мережі нагадує ієрархію шарів, що знаходяться в зоровій корі. Це частина a збіжність що відбувається між штучний та біологічний інтелект.

Чотиришарова нейронна мережа приймає вхід зліва, передає вихід першого шару наступному шару, наступному та наступному - перед тим, як доставити вихід. Sin314 / Shutterstock.com

Глибоке навчання в реальному житті

Поглиблене навчання вже додає людських можливостей. Якщо ви використовуєте служби Google для пошуку в Інтернеті або використовуєте його програми для перекладу з однієї мови на іншу або перетворення мови в текст, технологія зробила вас розумнішими або ефективнішими. Нещодавно під час поїздки до Китаю, друг розмовляв англійською мовою на своєму телефоні Android, що перекладало його на розмовну китайську для таксиста - так само, як універсальний перекладач на “Зоряний шлях».

Тест реального пристрою перекладу в реальному часі.

{youtube}Nu-nlQqFCKg{/youtube}

Ці та багато інших систем вже працюють, допомагаючи вам у повсякденному житті, навіть якщо ви про них не знаєте. Наприклад, глибоке навчання починає захоплювати читання рентгенівських знімків та фотографій уражень шкіри для виявлення раку. Невдовзі ваш місцевий лікар зможе виявити проблеми, які сьогодні очевидні лише для найкращих фахівців.

Навіть коли ви знаєте, що тут задіяна машина, ви, можливо, не розумієте складності того, що вони насправді роблять: за Alexa Amazon лежить рядок мережі глибокого навчання, які розпізнають ваш запит, перегляньте дані, щоб відповісти на ваші запитання та вжити заходів від вашого імені.

Випереджаюче навчання

Поглиблене навчання було дуже ефективним у вирішенні проблем розпізнавання образів, але щоб вийти за межі цього, потрібні інші системи мозку. Коли тварина винагороджується за вчинок, це так частіше вчинити подібних дій у майбутньому. Нейрони дофаміну в базальних гангліях мозку повідомляють про різницю між очікуваною та отриманою винагородою, називається помилкою передбачення винагороди, який використовується для зміни міцності зв’язків у мозку, які передбачають майбутні винагороди.

Поєднання цього підходу, який називається підкріпленням, із глибоким навчанням може надати комп’ютерам силу виявляти несподівані можливості. Розпізнаючи шаблон, а потім реагуючи на нього таким чином, що приносить винагороду, машини можуть наближатись до поведінки, подібної до того, що можна назвати людською творчістю. Цей поєднаний підхід - це те, як DeepMind розробив a програма під назвою AlphaGo, що в 2016 переможений гросмейстер Лі Седол і наступного року перемогти чемпіона світу Go, Ке Цзе.

Ігри не такі безладні, як реальний світ, наповнений мінливою невизначеністю. Массімо Вергассола в Каліфорнійському університеті, Сан-Дієго, і я нещодавно використовував навчання підкріплення, щоб навчити планера в полі як ширяти, як птах, у турбулентних термах. Датчики можуть бути прикріплені до справжніх птахів, щоб перевірити, чи використовують вони однакові сигнали та реагують однаково.

Незважаючи на ці успіхи, дослідники ще не до кінця розуміють, наскільки глибоке навчання вирішує ці проблеми. Звичайно, ми також не знаємо, як мозок їх вирішує.

Хоча внутрішня робота мозку може залишатися незрозумілою, це лише питання часу, коли дослідники розроблять теорію глибокого навчання. Різниця полягає в тому, що під час вивчення комп’ютерів дослідники мають доступ до будь-якого зв’язку та режиму діяльності в мережі. Темпи прогресу стрімкі, щоденно з’являються наукові праці ArXiv. У грудні цього року з нетерпінням очікуються дивовижні зрушення Конференція з нейронних систем обробки інформації в Монреалі, який розпродано 8,000 квитків за 11 хвилин, залишивши 9,000 надійних реєстрантів у списку очікування.

До того, як комп’ютери досягнуть загального людського інтелекту, потрібно пройти довгий шлях. Найбільша мережа глибокого навчання на сьогодні має лише потужність шматочка нервової кори людини розмір рисового зерна. І ми ще не знаємо, як мозок динамічно організовує взаємодію між більшими ділянками мозку.

Природа вже має такий рівень інтеграції, створюючи широкомасштабні системи мозку, здатні управляти всіма аспектами людського тіла, одночасно обмірковуючи глибокі питання та виконуючи складні завдання. Зрештою, автономні системи можуть стати настільки ж складними, що приєднаються до безлічі живих істот на нашій планеті.

про автора

Терренс Сейновскі, професор Френсіса Крика, директор Лабораторії обчислювальної нейробіології Інституту біологічних досліджень Салка та заслужений професор нейробіології, Університету Каліфорнії в Сан-Дієго

Ця стаття перевидана з Бесіда за ліцензією Creative Commons. Читати оригінал статті.

Суміжні книги

at InnerSelf Market і Amazon