Беглый взгляд на современные исследования показывает, что нейронные сети по-прежнему будут служить нам, а искусственного интеллекта общего назначения пока не предвидится.
Не беспокойтесь об ИИ. Взгляд на современные исследования показывает, что нейронные сети по-прежнему будут служить нам, а искусственного интеллекта общего назначения пока не видно. Таким образом, роботы и языковые помощники далеко не так умны, как хотелось бы, чтобы мы поверили. Тем не менее технологии меняют наш мир все быстрее: от Amazon Alexa, подслушивающей дома и в машине, до алгоритмов написания статей для журналов, до Messenger, меняющего способ общения внутри компании.
В фильмах искусственный интеллект часто изображается как враждебная сущность, часто как «машина для убийств». Причиной этого может быть идея создания разума и некоего «живого существа» слишком высокомерно — как смеет человечество играть роль Творца. Что произойдет, если творение каким-то образом пересилит своих создателей, как дети против родителей?
Если вы твердо верите в эту идею, нынешнее состояние ИИ вас разочарует. Алгоритмы ИИ могут обучаться только уникальным и специфическим навыкам, которые они могут выполнять механически и без эмоций — совсем не так, как человек. Так будет и в ближайшие несколько лет, поскольку ИИ будет лишь инструментом для четко определенных задач, таких как описание изображений или распознавание речи. Если алгоритм учится решать одну задачу из обучающего набора данных, он называется слабым искусственным интеллектом. Слабые ИИ будут по-прежнему оставаться в центре исследований ИИ для создания решений, которые могут помочь автоматизировать все больше и больше задач, тем самым экономя деньги для бизнеса.
Если искусственный интеллект может решить любую проблему или даже развить свою личность, как человек, его называют сильным искусственным интеллектом. Этого не произойдет еще много лет, так как в этой области ведется очень мало работ. Предположительно, нейронаука должна сначала выяснить, как работает человеческое сознание. Текущие исследования ИИ могут оказать большую помощь в этом аспекте в форме вычислительной нейронауки, небольшой ветви исследований ИИ, которая может воспроизводить процессы в мозгу. Глубокое обучение, с другой стороны, является очень грубой копией мозга. В глубоком обучении людей больше заботит вычислительная эффективность, поэтому способность процессоров и графических процессоров к ускорению играет большую роль. Нейроны всегда расположены слоями, так как их активация будет рассчитываться как матричное умножение с использованием поэлементной функции активации. Для менее чем четырех слоев это просто глубокое обучение. Сеть с более чем четырьмя слоями называется сетью глубокого обучения.
Пройдет несколько десятилетий, пока компьютеры не станут умнее людей — так называемая сингулярность. Фильмы AI обычно начинаются только после этого момента. Тем не менее, исследователи из OpenAI и Исследовательского института машинного интеллекта, финансируемого миллиардерами Кремниевой долины, уже начали думать о том, как разработать ИИ, чтобы избежать создания «Скайнета».
Медицинские данные (логика: 2 примера + 1 прогноз и проблема)
В 2017 году ИИ инструментального типа будет усилен медицинскими данными. Дочерняя компания Google по искусственному интеллекту DeepMind сотрудничает с британскими клиниками и Национальной службой здравоохранения, чтобы специально разработать сеть, обученную работе с большими наборами данных. Их можно использовать для обучения нейронных сетей, которые могут распознавать симптомы некоторых заболеваний лучше или быстрее, чем врачи-люди. DeepMind может определить, например, возрастную мышечную дегенерацию только на основе нескольких изображений глаза пациента.
Для медицинских приложений, вероятно, также будут использоваться то, что было широко разрекламировано в 2016 году: сверточные сети — остаточные сети и сети Variante Highway, которые Microsoft выиграла в конкурсе Image-Net по распознаванию изображений. Эти системы используют эффективную вычислительную математическую операцию свертки, таким образом сохраняя параметры по сравнению с полносвязными слоями. Еще одним преимуществом является то, что для повышения точности диагностики они используют огромную глубину более 100 слоев. Потому что они могут передавать активацию, копируя снизу вверх сети в начале обучения.
Если сотрудничество между исследователями ИИ и больницами увенчается успехом, данные немецких пациентов также могут быть проанализированы с помощью методов ИИ. Но эти данные трудно сохранить анонимными, чтобы никто не мог отследить их до конкретных пациентов. Эта трудность может задержать применение, но уж точно не остановит его. Как уберечь медицинские страховые компании от доступа к этим данным — одна из главных проблем в исследованиях ИИ.
Логика такая:
тематическое предложение: ИИ будут подкреплять медицинскими данными
- Google DeepMind → быстрее распознавать болезни
- Сверточные сети → большее количество слоев нейронов приводит к ?
- Сотрудничество между исследователями ИИ и больницами →
- Держите страховые компании подальше
Как видите, четыре пули выше по существу не связаны друг с другом. Вы не можете организовать эти маркеры, чтобы рассказать интегрированную историю — ИИ на медицинских данных.
Враждебные сети
В фундаментальных теоретических исследованиях противоборствующие сети станут важной тенденцией. Эта концепция обеспечивает две разные нейронные сети, которые работают друг против друга. Генератор-сеть генерирует составной вывод, такой как изображение, из абстрактных входных данных, таких как текстовое описание и некоторые случайные числа. Вторая сеть, дискриминатор, пытается отличить выходные данные генератора от реальных изображений. Фактор того, насколько хорошо дискриминатор может различать сгенерированные данные из реальных, служит обучающим сигналом для генератора.
Эта технология становится трендом, потому что в декабре 2016 года несколько сетей были представлены на конференции по системам обработки нейронной информации (NIPS), крупнейшем в мире собрании исследователей ИИ. Некоторые из этих сетей использовали эту идею для создания фотореалистичных изображений. Чтобы различать их, некоторые исследователи использовали уже обученные сети в качестве дискриминатора для распознавания изображений и таким образом обучали сети-генераторы.
Одним из преимуществ этого метода является то, что, поскольку генератор работает с относительно произвольными входными данными, его также можно обучить использовать в качестве входных данных активации любых слоев сети распознавания изображений (дискриминатора). Таким образом он создает изображения, которые могут дать нам представление о том, что дискриминатор «видит» на определенных нейронах.
Визуализации
В целом наметилась тенденция больше не воспринимать тысячи параметров нейросети как неуправляемый океан чисел или как черный ящик. Программа визуализации Google DeepDream заложила основу для этой области. Как и в упомянутых выше состязательных сетях, программа визуализации может создать полное изображение только из нескольких видимых активаций нейронов. Основываясь на сходстве этих синтетических выходных данных и входных изображений, люди могут делать поразительные выводы о функциях отдельных нейронов.
Другими словами, этот метод визуализации позволяет вам видеть то, что видит нейронная сеть в процессе распознавания изображений, но также и то, чего они не видят. Однако то, что происходит в глубинных сетях, может быть интересно и за пределами области распознавания изображений. Возможно, скоро процесс распознавания голоса станет слышимым, или распознавание текста станет для нас читаемым.
Моделирование мира
Люди могут создавать в своей памяти трехмерный образ окружающей среды и постоянно обновлять его новым восприятием. Методы ИИ, напротив, пока не конструируют свою среду таким образом. Но им нужно будет соответствовать способностям человека, чтобы можно было использовать такие приложения, как автономное вождение, поскольку автомобили также должны иметь возможность немедленно реагировать на события внутри или даже за пределами диапазона датчиков.
В настоящее время эти системы, состоящие из нескольких сетей, не обучаются вместе с параметрами, как другие существующие сети. Ожидается, что такая сеть будет учиться на основе данных о том, как реконструировать свою среду или даже весь мир самостоятельно. Будущие ИИ освоят этот навык и, таким образом, больше не будут зависеть от схемы, четко определенной нами. С архитектурой RNN «Долговременная кратковременная память» (LSTM) нейроны уже обладают кратковременной памятью. Однако, кроме структуры сети, в ней по-прежнему отсутствует механизм, позволяющий научиться моделировать мир.
Прорыв этой техники в 2017 году помог бы не только автопилоту, но и системам анализа текста, языкового перевода и синтеза речи поднять свой интеллектуальный уровень.
Обучение с подкреплением
Все предыдущие примеры представляют собой задачи классификации, в которых каждые входные обучающие данные содержат ожидаемый результат, обучение с подкреплением (RL) не может позволить себе такую роскошь, как прямая обратная связь при обучении. Если ему представится проблема, скажем, компьютерная игра, только после многих решений и опыта он поймет, был ли его выбор правильным или неправильным.
Самая большая проблема RL — длительный период, когда ему приходится принимать решения без единого обучающего сигнала в качестве награды, сродни полету вслепую. Более того, он должен сам генерировать обучающие сигналы, основываясь исключительно на своей памяти и обученной модели. Точно так же ведут себя и люди, так как мы выделяем гормоны счастья не только тогда, когда получаем награду, но и тогда, когда все идет по плану. То же самое можно сказать и об обучающих сигналах RL, когда выясняется, что предыдущие решения были плохими, он, как и человек, испытывает чувство фрустрации.
Обладая этими навыками обучения, будущий RL сможет решать сложные проблемы, такие как компьютерные игры, такие как StarCraft II. В прошлом году создатель игры, компания Blizzard, создала подходящий интерфейс для ИИ-игроков, который будет активен, если ИИ достигнет достойной производительности в корейской BattleNet (платформе онлайн-игр). Тем не менее, на это уйдут годы: сеть Google едва могла систематически отфильтровывать бессмысленные стратегии от разумных для пошагового Go. Для более сложной ситуации, такой как стратегическая игра в реальном времени, дерево решений для RL было бы почти сколь угодно большим.
Моторизованное планирование
До сих пор бесконечное множество произвольных возможностей принятия решений в движении держало нейронные сети далеко от робототехники. На конференции NIPS представителю Boston Dynamics пришлось признать, что их роботы вообще не использовали никаких методов машинного обучения. Вместо этого их продукты перемещаются только по правилам, запрограммированным людьми.
Проблема заключается в моторном планировании: робот должен уметь предсказывать будущее и думать о том, что происходит, когда он совершает движение. Для этого в нейросетях не хватает как модели, так и возможности оценки запланированного действия.
Эта проблема — крепкий орешек. По этой причине первому роботу, который будет планировать свои движения с помощью нейронной сети, потребуется несколько лет. Когда все будет готово, роботы с искусственным интеллектом смогут быстро попасть на фабрики и начать работать на производственных линиях.
Будут ли эти роботы придерживаться своих ролей машин для убийств в фильмах, будет зависеть не только от их интеллекта, но и от того, хотят ли они этого. Надеюсь, человечество лучше поймет, почему люди склонны к насилию. Ведь наше творение в итоге будет отражением нас самих — хороших и плохих.
Аналитик:Хао Панг| Локализован командой Synced Global:Сян Чен
