Kunstig intelligens vil gøre dig klogere

Fremtiden vil ikke blive skabt af hverken mennesker eller maskiner alene - men af ​​begge, arbejde sammen. Teknologier, der er modelleret til, hvordan menneskelige hjerner fungerer, øger allerede folks evner, og bliver kun mere indflydelsesrig, efterhånden som samfundet vænner sig til disse stadig mere dygtige maskiner.

Teknologioptimister har forestillet sig en verden med stigende menneskelig produktivitet og livskvalitet, da kunstige intelligenssystemer overtager livets slid og administration, gavner alle. Pessimister, på den anden side, har advaret om, at disse fremskridt kan koste store omkostninger ved tabte job og forstyrrede liv. Og frygtindgydere er bekymrede for, at AI i sidste ende kan gøre mennesker forældede.

Imidlertid, folk er ikke særlig gode til at forestille sig fremtiden. Hverken utopi eller dommedag er sandsynligt. I min nye bog, "Deep Learning Revolution, "Mit mål var at forklare fortiden, nutid og fremtid for dette hurtigt voksende område inden for videnskab og teknologi. Min konklusion er, at AI vil gøre dig klogere, men på måder, der vil overraske dig.

Genkende mønstre

Dyb læring er den del af AI, der har gjort størst fremskridt med at løse komplekse problemer som at identificere objekter i billeder, genkende tale fra flere højttalere og behandle tekst, som folk taler eller skriver det. Deep learning har også vist sig nyttig til at identificere mønstre i de stadig større datasæt, der genereres fra sensorer, medicinsk udstyr og videnskabelige instrumenter.

Målet med denne tilgang er at finde måder, hvorpå en computer kan repræsentere verdens kompleksitet og generalisere fra tidligere erfaringer - selvom det, der sker derefter, ikke ligefrem er det samme som det, der skete før. Ligesom en person kan identificere, at et bestemt dyr, hun aldrig har set før, faktisk er en kat, deep learning-algoritmer kan identificere aspekter af det, der kan kaldes "kat-ness" og udtrække disse attributter fra nye billeder af katte.

Metoderne til dyb læring er baseret på de samme principper, der driver den menneskelige hjerne. For eksempel, hjernen håndterer masser af data af forskellig art i mange behandlingsenheder på samme tid. Neuroner har mange forbindelser til hinanden, og disse links styrkes eller svækkes afhængigt af, hvor meget de bruges, etablering af associationer mellem sensoriske input og konceptuelle output.

Det mest succesrige deep learning -netværk er baseret på 1960'ernes forskning i arkitekturen i den visuelle cortex, en del af hjernen, som vi bruger til at se, og læringsalgoritmer, der blev opfundet i 1980'erne. Dengang, computere var endnu ikke hurtige nok til at løse virkelige problemer. Nu, selvom, de er.

Ud over, læringsnetværk er blevet lagt oven på hinanden, skabe web af forbindelser, der mere ligner hierarkiet af lag, der findes i visuel cortex. Dette er en del af en konvergens, der finder sted mellem kunstig og biologisk intelligens.

Dyb læring i det virkelige liv

Dyb læring øger allerede menneskelige evner. Hvis du bruger Google -tjenester til at søge på internettet, eller bruge dens apps til at oversætte fra et sprog til et andet eller omdanne tale til tekst, teknologien har gjort dig klogere, eller mere effektivt. For nylig på en rejse til Kina, en ven talte engelsk i sin Android -telefon, som oversatte det til talt kinesisk for en taxachauffør - ligesom den universelle oversætter på "Star Trek".

Disse og mange andre systemer er allerede i gang, hjælpe dig i dit daglige liv, selvom du ikke er opmærksom på dem. For eksempel, dyb læring begynder at overtage læsningen af ​​røntgenbilleder og fotografier af hudlæsioner til kræftregistrering. Din lokale læge vil snart kunne opdage problemer, der i dag kun er tydelige for de bedste eksperter.

Selv når du ved, at der er en maskine involveret, du forstår muligvis ikke kompleksiteten af, hvad de rent faktisk laver:Bag Amazons Alexa er et væld af dybe læringsnetværk, der genkender din anmodning, gennemgå data for at besvare dine spørgsmål og tage handlinger på dine vegne.

Fremme af læring

Dyb læring har været yderst effektiv til at løse mønstergenkendelsesproblemer, men for at gå ud over dette kræver andre hjernesystemer. Når et dyr belønnes for en handling, det er mere tilbøjeligt til at tage lignende handlinger i fremtiden. Dopaminneuroner i hjernens basale ganglier rapporterer forskellen mellem forventede og modtagne belønninger, kaldet belønningsforudsigelsesfejl, som bruges til at ændre styrkerne i forbindelser i hjernen, der forudsiger fremtidige belønninger.

Kobling af denne tilgang, kaldet forstærkningslæring, med dyb læring kan give computere magt til at identificere uventede muligheder. Ved at genkende et mønster og derefter reagere på det på en måde, der giver belønninger, maskiner kan nærme sig adfærd i retning af det, man kan kalde menneskelig kreativitet. Denne koblede tilgang er, hvordan DeepMind udviklede et program kaldet AlphaGo, som i 2016 besejrede stormester Lee Sedol og året efter slog verdensmesteren Go, Ke Jie.

Spil er ikke så rodet som den virkelige verden, som er fyldt med skiftende usikkerheder. Massimo Vergassola ved University of California, San Diego, og jeg har for nylig brugt forstærkningslæring til at lære et svævefly i marken at svæve som en fugl i turbulente termiske. Sensorer kan knyttes til faktiske fugle for at teste, om de bruger de samme signaler og reagerer på samme måde.

På trods af disse succeser, forskere forstår endnu ikke helt, hvordan dyb læring løser disse problemer. Selvfølgelig, vi ved heller ikke, hvordan hjernen løser dem.

Mens hjernens indre virke kan forblive undvigende, det er kun et spørgsmål om tid, før forskere udvikler en teori om dyb læring. Forskellen er, at når man studerer computere, forskere har adgang til enhver forbindelse og aktivitetsmønster i netværket. Fremskridtet er hurtigt, with research papers appearing daily on arXiv. Surprising advances are eagerly anticipated this December at the Neural Information Processing Systems conference in Montreal, which sold out 8, 000 tickets in 11 minutes, leaving 9, 000 hopeful registrants on the waiting list.

There is a long way to go before computers achieve general human intelligence. The largest deep learning network today has only the power of a piece of human neural cortex the size of a rice grain. And we don't yet know how the brain dynamically organizes interactions between larger brain areas.

Nature already has that level of integration, creating large-scale brain systems capable of operating all aspects of the human body while pondering deep questions and completing complex tasks. Ultimativt, autonomous systems may become as complex, joining the myriad living creatures on our planet.

Denne artikel er genudgivet fra The Conversation under en Creative Commons -licens. Læs den originale artikel.