Стремление человечества создать машины, которые могут думать, как мы, может быть реализовано в течение наших жизней благодаря криптовалюте.

Общий искусственный интеллект

Цель создания мыслящих машин не нова. Об этом теоретизировали и фантазировали почти столько же, сколько люди были способны приписывать разум неживому. От монстра Франкенштейна до знаменитой «Игры в имитацию» Алана Тьюринга мы мечтали о различных сущностях, которые могут думать и рассуждать так же, как мы.

Давайте разберемся, что мы подразумеваем под «общим искусственным интеллектом», и отделим его от более банальных терминов «искусственный интеллект» и «машинное обучение». Для наших целей мы представляем общий искусственный интеллект (AGI) как машину (или сеть машин), которая способна понимать, рационализировать и действовать.

Ситуационной осведомленности

AGI должен иметь возможность принимать входные данные, не подвергая их дезинфекции и предварительной обработке, и выяснять, какую проблему он пытается решить с учетом этих входных данных. Он должен иметь ситуационную осведомленность - например, Siri отлично умеет добавлять записи в календарь, когда вы ее просите, но если бы она была действительно умной, она могла бы дать обратную связь о том, чего вы пытаетесь достичь в первое место. AGI должен понимать пользователя так, как он предпочитает общаться - простой и часто двусмысленной речью. Он должен подсказывать пользователю, что он понимает (или не понимает), о чем его просят.

Тонкость

Некоторые люди могут не согласиться с этим, но я думаю, что AGI должен обладать сильной способностью обнаруживать (и выдавать) тонкости. Это включает в себя различные формы общения, с которыми борются некоторые аутичные люди: социальные сигналы, сарказм, шутки и т. Д. Люди отлично умеют общаться невербально, и для того, чтобы ОИИ был умным, он должен соответствовать нам в этом смысле.

Идеализированные AGI

В художественной литературе, особенно в недавней, было множество впечатляющих AGI. Джарвис (или Пятница) из фильмов Железный человек - невероятный тому пример. (S) он общается с Тони Старком так гладко, как и любой человек, за исключением того, что он может использовать вычислительную мощность, с которой не может сравниться ни один человек, для решения проблем. ТАРС из фильма Интерстеллар - еще один ОИИ, который приходит на ум. Он выглядит автономным ОИИ - ему не нужно какое-либо сетевое соединение для выполнения любых задач. Конечно, не будем забывать об OG AGI - HAL 9000 из 2001: A Space Odyssey. HAL 9000 не только понимал и интерпретировал команды, но и действовал таким образом, который несовместим с тем, что хотел экипаж. HAL 9000 взял дело в свои руки - возможно, не лучший сценарий для AGI, но все же стоит упомянуть.

Оценка функции - это не мышление

Поклонники моего блога Мелкие мысли о глубоком обучении, несомненно, прочитали мое объяснение Почему глубокие нейронные сети на самом деле не думают. Но мы на мгновение остановимся на этом подробнее. Современные системы машинного обучения, в частности нейронные сети, прекрасно справляются с оценкой функций - в основном они придумывают уравнение с учетом различных значений входных и выходных данных. Это НЕ мышление. Давайте проанализируем, что нужно сделать, чтобы иметь ОИИ в нашей жизни, и как мы можем этого достичь.

Беспрецедентный интерес

Возможно, ИИ, каким мы его знаем, родился в 1950-х годах в Дартмутском колледже. С тех пор и примерно до 1974 года был шквал исследовательской деятельности, в ходе которой появлялись всевозможные идеи, включая знаменитую ELIZA, которая была машиной, которая могла разговаривать так убедительно, что людей часто обманывали, заставляя думать, что они общаются с человеком. Финансирование было достаточным, и идеи поощрялись.

Затем все это иссякло в первую «зиму искусственного интеллекта», примерно с 1974 по 1980 год. Многие из обещанных идей так и не были реализованы, и поэтому финансирование было существенно сокращено. Экспертные системы и тому подобное процветали в течение короткого периода с 1980 по 1987 год, но затем финансовые рынки остановились, что еще больше истощило инвестиционный капитал для работы, связанной с ИИ.

Примерно в 1993 году все начало возвращаться. DeepBlue обыграл человека в шахматах. Вехи достигаются. Затем, примерно в 2011 году, началось глубокое обучение. Ватсон стал чем-то особенным. Трудно точно определить, что именно тогда вызвало такой огромный интерес к глубокому обучению, но одна из теорий заключалась в использовании выпрямленной линейной единицы (ReLU).

Вычислительная мощность

Закон Мура в основном гласит, что количество транзисторов в плотной интегральной схеме удваивается примерно каждые 2 года. Это имело глубокий эффект увеличения вычислительной мощности, доступной простым смертным. В системе шаттла Apollo 11 компьютер управления Apollo имел приблизительно 64 Кбайт памяти и имел тактовую частоту 0,043 МГц. Для сравнения, iPhone X имеет 3 ГБ памяти и процессор с тактовой частотой 2,39 ГГц. Машинное обучение требует больших вычислительных мощностей, и если мы удваиваем эту способность каждые 2 года, можно представить себе мир, в котором все более сложные модели обучаются на все более крупных наборах данных.

Повсеместность устройств приводит к большему количеству данных

В мире есть миллиарды смартфонов, и большинство из них работают под управлением Android от Google или iOS от Apple. Добавьте к этому устройства Amazon, совместимые с Alexa, и множество других так называемых «умных» устройств, и тогда данные, которые собираются и обрабатываются, становятся практически безмерными. Эти устройства отслеживают не только голосовые и информационные данные, но также местоположение, биометрию, предпочтения и так далее. Если глубокое обучение чему-то нас научило, так это то, что данные являются ключевыми. По мере того, как все больше и больше устройств собирают все больше (и интимную) информацию о нас и мире, машины смогут делать то, что у них получается лучше всего - просеивать, казалось бы, бесконечную гору данных, чтобы находить закономерности и делать прогнозы.

Связь с другими AGI

В настоящее время много исследований ИИ проводится на общих наборах данных (MNIST, ImageNet и т. Д.), Но разными командами. Они совершают прорывы и изобретают новые парадигмы, но механизм передачи этих идей, как правило, представляет собой комбинацию исследовательских работ и исходного кода. Следующим шагом может стать общение ОИИ друг с другом. Предварительно обученные модели - хороший первый шаг к этому, но как только AGI начнут общаться друг с другом и обмениваться моделями / весами, я думаю, мы увидим взрыв возможностей. Он по-прежнему будет очень «сфокусирован на задаче» - идентифицировать пешехода, классифицировать предложение и т. Д. - но скорость увеличения сложности существенно возрастет.

В 2016 году исследователи Google Brain натравили 3 агента ИИ друг на друга, пытаясь заставить их общаться новыми способами, БЕЗ объяснения того, как общаться. Целью этого исследования было выяснить, могут ли агенты ИИ научиться безопасно общаться, в то время как другие агенты ИИ пытаются взломать зашифрованные сообщения. Коммуникация станет важнейшим компонентом развития AGI.

Последствия для криптовалюты

Хотя Биткойн определенно изменил мир, некоторые другие события могут иметь далеко идущие последствия для AGI. Сейчас существует множество криптовалют, но я сосредоточусь на Биткойне, поскольку он произвел самый большой сдвиг парадигмы. Многие модели, используемые в протоколе Биткойн, могут быть расширены для достижения нашей цели по созданию AGI.

Безопасный обмен сообщениями

Одна из проблем, которую решила модель Биткойн, - это старая проблема, известная как проблема византийских генералов. В принципе, как одна сторона может достоверно узнать, что полученная информация пришла от доверенной стороны и не была перехвачена. Как только ИИ (и, в конечном итоге, ИИ) начинают автономно общаться и обновлять друг друга о том, что они узнали, как они могут узнать, что источник является законным и заслуживающим доверия? Криптографические принципы, используемые в протоколе Биткойн, дают нам возможность задуматься об этом, особенно о структуре данных блокчейна.

Распределенный (и возможный) консенсус

Если два агента нейронной сети утверждают, что они научились определять значение кошачьего мяуканья одновременно, как другие агенты могут узнать, чему доверять? Неужели они впервые услышали об этом? Тот, который прошел какое-то испытание? Если нет центрального арбитра, консенсус становится нетривиальной проблемой для решения. Здесь Биткойн снова показывает нам, как доказательство работы может помочь в урегулировании споров, когда никакой центральный орган этого не сделает. В мире биткойнов, если есть 2 конкурирующих цепочки, то та, у которой больше всего блоков, объявляется победителем всеми узлами, которые о них узнают.

Точно так же можно представить себе ситуацию, в которой AGI общаются друг с другом в одноранговой сети и разрешают споры автономно. Фактический механизм консенсуса, скорее всего, будет отличаться от доказательства работы.

Взрывная вычислительная мощность

Как упоминалось ранее, вычислительная мощность продолжает стабильно удваиваться. Для майнинга биткойнов было разработано специальное оборудование, которое постоянно выполняет одну задачу - вычисляет хэш. Тысячи этих машин (называемых майнерами) разрабатываются и продаются людям, надеющимся заработать немного биткойнов. По состоянию на 19 января 2019 года вычислительный потенциал сети биткойнов составляет 80 зеттафлопс, что невероятно велико. Это означает, что сеть вычисляет 80 * 10²⁴ операций с плавающей запятой в секунду. Мы видели, как AI (и AGI) любят возможности обработки, и теперь мы видим, что при правильном стимуле можно иметь узкоспециализированное оборудование, обладающее невероятными вычислительными возможностями. Большая часть математики при работе с нейронными сетями является специализированной, и с развитием специализированного оборудования для работы с этими сетями мы все ближе приближаемся к цели создания общего искусственного интеллекта.

AGI завтрашнего дня

ИИ завтрашнего дня, вероятно, не будет очень похож на ИИ сегодняшнего дня. Я предполагаю, что они будут взаимосвязаны и постоянно учатся. Текущие ИИ завершают обучение, как только они достигают определенных целей (проверка или точность тестирования и т. Д.), Но УИИ будут жаждать узнать больше. Вместо того, чтобы специализироваться на выполнении одной задачи по-настоящему хорошо, они научатся выполнять множество разных задач и постоянно приспосабливаются. Парадигмы, заимствованные из мира криптовалюты, быстро ускорят работу этих систем, и из-за сложного эффекта процента, вычислительной мощности и данных я думаю, что скоро мы приветствуем нашего первого агента общего искусственного интеллекта.

Чтобы узнать больше о глубоком обучении, посетите мою публикацию Шамун Сиддики Мелкие мысли о глубоком обучении.