Napredak u AI
2. decembra 1942. godine, tim naučnika na čelu sa Enricom Fermijem vratio se sa ručka i gledao kako je čovječanstvo stvorilo prvu samoodrživu nuklearnu reakciju unutar gomile cigle i drveta ispod fudbalskog polja na Univerzitetu u Čikagu. Poznato iz historije kao Chicago Pile-1, slavilo se u tišini s jednom bočicom Chianti, jer oni koji su tamo bili shvatili su tačno šta to znači za čovječanstvo, bez potrebe za rječima.
Sada se dogodilo nešto novo što je, opet, tiho promijenilo svijet zauvijek. Poput šaputane riječi na stranom jeziku, bilo je tiho u tome što ste možda čuli, ali njegovo puno značenje možda nije bilo shvaćeno. Međutim, bitno je da razumijemo ovaj novi jezik i ono što nam sve više govori jer su posljedice usmjerene na promjenu svega što zvuči kao zdravo za gotovo o načinu na koji djeluje naša globalizirana ekonomija i načinu na koji mi kao ljudi postojimo u njemu.
Jezik je nova klasa strojnog učenja poznata kao duboko učenje, a šaputa se o tome kako ga je računalo upotrijebilo da bi naizgled niotkuda pobijedilo tri puta europski prvaka Fan Hui u Go igrici, ne jednom nego pet puta za redom bez poraza. Mnogi koji su pročitali ovu vijest, smatraju da je impresivna.
Što se zapravo dogodilo kada su se suočili? Lee je izgubio sve osim jedne od svih pet igara. AI (vještačka inteligencija) je sada bolji igrač od bilo kojeg čovjeka i dobila je „božanski” čin devet dana. Drugim riječima, njezina razina igre graniči s Bogom. Igricu Go službeno je zakucao stroj, kao što je igricu Jeopardy prije njega Watsona i šah prije Deep Blue.
Dakle, što je Go? Vrlo jednostavno, razmislite o Go kao Super Ultra Mega šah. To još uvijek zvuči kao mali uspjeh, još jedan pero u kapici strojeva dok se i dalje pokazuju superiornijim u zabavnim igrama koje igramo, ali to nije mali uspjeh, a ono što se događa nije igra.
AlphaGoova povijesna pobjeda jasan je znak da smo otišli s linearnog razvoja na parabolični. Napredak u tehnologiji sada je tako vidljivo eksponencijalan u prirodi da možemo očekivati da će mnogo više prekretnica prijeći mnogo prije nego što bi inače očekivali. Taj eksponencijalni napredak, osobito u oblicima umjetne inteligencije, ograničeni su na specifične zadatke, potpuno smo nespremni dok god inzistiramo na zapošljavanju kao našem primarnom izvoru prihoda.
To bi moglo zvučati kao pretjerivanje, stoga pogledajmo kako se u zadnjih nekoliko decenija povećao broj umnih kognitivnih poslova (gornja kriva na grafikonu), a stagnirao ili smanjio broj rutinskih fizičkih poslova koje su preuzele mašine (donje tri linije):
Proučite gornji graf. Nemojte biti prevareni da mislite o tome da će se razgovor o automatizaciji rada biti u budućnosti. Već je ovde. Računarska tehnologija već obavlja poslove i od 1990. godine.
Rutinski rad
Svi se radovi mogu podijeliti u četiri vrste: rutinske i ne-rutinske, kognitivne i ručne. Rutinski rad je ista stvar tijekom dana, a ne-rutinski rad varira. Unutar ove dvije vrste je posao koji zahtijeva uglavnom naš mozak (kognitivni) i rad koji zahtijeva uglavnom naše tijelo. (ručni rad). Gdje su sve četiri vrste vidjele rast, rutinski posao je stagnirao od 1990. godine. To se dogodilo jer je rutinski rad najlakši za tehnologiju da ga obavlja. Pravila mogu biti napisana za posao koji se ne mijenja, a taj rad mogu bolje obavljati strojevi.
Uznemirujuće, upravo je rutinski rad nekada formirao temelj američke srednje klase. To je rutinski ručni rad koji je Henry Ford razvio tako da je plaćao ljude plaćama srednje klase, a rutinski kognitivni rad je nekad napunio američke uredske prostore. Ti su poslovi sada sve nedostupniji, ostavljajući samo dvije vrste poslova: slabo plaćeni poslovi koji zahtijevaju jako malo misli i dobro plaćeni poslovi koji zahtijevaju puno misli.
Ako sada možemo zamisliti našu ekonomiju kao avion s četiri motora, koji i dalje može letjeti na samo dva, sve dok obojica dobro rade, možemo izbjeći pad. Ali što će se dogoditi kada naša dva preostala motora prestanu da rade? To su napredna područja robotike i AI-ja koja predstavljaju ona konačna dva motora, jer po prvi put uspješno poučavamo strojeve da sami uče.
Neuronske mreže
Naš mozak funkcionira kao divovska mreža međusobno povezanih stanica. Neke od tih veza su kratke, a neke su dugačke. Neke ćelije su međusobno povezane, a neke su povezane s mnogima. Električni signali zatim prolaze kroz ove veze, po različitim stopama, a potom neuronske ispade se događaju zauzvrat. Sve je poput pada domina, ali daleko brže, veće i složenije. Rezultat je nevjerojatan, a ono što znamo o tome kako radimo počeli smo primjenjivati na način rada strojeva.
Jedna od tih aplikacija je stvaranje dubokih neuronskih mreža – sličnim virtualnim mozgovima. Oni pružaju put za strojno učenje koje je napravilo nevjerojatne skokove za koje se mislilo da su nedostižni i možda i nemogući. Kako? To je zbog očitog rasta sposobnosti naših računala i širenja našeg znanja u neuroznanosti, ali i rasta skupljanja kolektivnih podataka, aka velikih podataka.
Veliki podaci
Veliki podaci nisu samo bezveze riječi. To su informacije, a kada je riječ o informacijama, sve ih više i više stvaramo svaki dan. Zapravo stvaramo toliko da je izvješće SINTEF iz 2013. godine procijenilo da je 90% svih informacija na svijetu nastalo u protekle dvije godine. Ova nevjerojatna brzina stvaranja podataka čak se dvostruko udvostručuje svake 1,5 godine zahvaljujući internetu, gdje smo 2015. svake minute voljeli 4,2 milijuna stvari na Facebooku, prenijeli 300 sati videozapisa na YouTube i poslali 350.000 tweetova. Sve što radimo je da generiramo podatke kao nikada prije, a puno podataka upravo je ono što strojevi trebaju kako bi naučili učiti. Zašto?
Zamislite programiranje računala da prepozna stolicu. Trebali biste unijeti tonu uputa, a rezultat bi i dalje bio program koji otkriva stolice koje nisu, i ne otkriva stolice koje jesu. Pa kako smo naučili otkriti stolice? Naši roditelji su pokazali na stolicu i rekli: “stolica”. Onda smo mislili da smo imali cijelu stolicu koja je sve shvatila, pa smo ukazali na stol i rekli “stolac”, a to su bili kada su nam roditelji rekli da je riječ o “stolu”. “Ovo se zove učenje ojačanja. Etiketa “stolica” povezuje se sa svakom stolicom koju vidimo, tako da su određeni neuronski putovi ponderirani, a drugi ne. Kako bi “stolica” zapalila u našem mozgu, ono što vidimo mora biti dovoljno blizu našim susretima s prethodnim stolicama. U suštini, naši su životi veliki podaci filtrirani kroz mozak.
Duboko učenje
Moć dubokog učenja je da je to način korištenja masivnih količina podataka da bi strojevi mogli raditi slično kao što mi radimo bez davanja izričitih uputa. Umjesto da opisujete “stolac” u računalo, samo ga priključujemo na internet i hranimo ga milijunima slika stolica. Može tada imati opću ideju o “stolici”. Sljedeće ga testiramo s još više slika. Gdje je pogrešno, to ispravljamo, što dodatno poboljšava otkrivanje “stolice”. Ponavljanje ovog procesa rezultira računalom koje zna što je stolica kad ga vidi, u najvećoj mjeri, koliko god može. Važna razlika je u tome što za razliku od nas može sortirati milijune slika u roku od nekoliko sekundi.
Ova kombinacija dubokog učenja i velikih podataka rezultirala je zapanjujućim postignućima samo u proteklih godinu dana. Osim nevjerojatnog ostvarenja AlphaGo, Google DeepMind AI naučio je kako čitati i razumjeti stotine hiljada zabilježenih novinskih članaka. DeepMind je također naučio igrati desetke Atari 2600 video igara bolje od ljudi, samo gledanjem zaslona i rezultata i ponovnim igranjem igara. AI pod nazivođ Žirafa se naučio kako igrati šah na sličan način, pomoću skupa podataka od 175 milijuna šahovskih pozicija i postigao međunarodni statusa Master razine za samo 72 minuta igre protiv samog sebe. U 2015. godini, AI je prošao vizualni Turingov test kako učiti na način kojim mu je pokazan omražen lik u izmišljenoj abecedi, a zatim je odmah reproducirao pismo na način koji se u potpunosti ne razlikuje od čovjeka s obzirom na isti zadatak. To su sve glavne prekretnice u AI.
Međutim, unatoč svim tim prekretnicama, kada se pitalo za procjenu kada će računalo pobijediti istaknutog igrača igrice Go , odgovor čak i samo nekoliko mjeseci prije objave od strane Googlea za AlphaGo pobjedu, bio je od strane stručnjaka u biti, „Možda za još deset godina.”
Takva zbunjujuća složenost onemogućuje bilo kakav pristup s velikim silama kako bi skenirali svaki mogući potez kako bi odredili sljedeći najbolji potez. Ali duboke neuronske mreže kruže oko te barijere na isti način na koji naši vlastiti umovi uče, proučavajući procjenu onoga što se osjeća kao najbolji potez. To činimo kroz promatranje i praksu, kao i AlphaGo, analizom milijuna profesionalnih igara i igranjem na milijune puta. Dakle, odgovor na to kada bi igra Go padala na strojeve nije bila ni blizu deset godina. Ispravan odgovor je glasio: “U svakom trenutku.”
Automatizacija nerutinskih poslova
U bilo koje vrijeme sada. To je nova reakcija u 21. stoljeću za sva pitanja koja ukazuju na to da nova računala mogu raditi bolje od ljudi, a mi moramo pokušati da se adaptiramo.
Moramo prepoznati što znači da eksponencijalna tehnološka promjena ulazi na tržište rada za nerutinske poslove po prvi put. Strojevi koji mogu naučiti raditi skoro sve što ljudi rade. Nitko nikada ne može biti jedinstveno siguran. Od hamburgera do zdravstvene skrbi, strojevi se mogu kreirati tako da uspješno obavljaju takve zadatke bez potrebe ili manje potrebe za ljudima, i po nižim troškovima od ljudi.
Amelia je samo jedan AI koji je trenutno beta trenutačno testiran u tvrtkama. Izradio ga je IPsoft tijekom proteklih 16 godina, naučila je kako obavljati posao zaposlenika pozivnih centara. Može naučiti u sekundama što traje mjesecima, a ona to može učiniti na 20 jezika. Budući da je u stanju naučiti, s vremenom može učiniti više. U jednoj tvrtki koja ju je stavila na posao, u prvom tjednu je uspješno riješila jedan od svakih deset poziva, a do kraja drugog mjeseca mogla je riješiti šest od deset poziva. Zbog toga je procijenjeno da može staviti 250 milijuna ljudi izvan posla, širom svijeta.
Viv je AI koji uskoro dolazi od kreatora Siri koji će biti naš osobni asistent. On će obavljati poslove na internetu za nas. Pri tome sve to za nas, vidjet ćemo daleko manje oglasa, a to znači napad na cijelu reklamnu industriju – industrija na kojoj je cijeli internet izgrađen.
Svijet s Amelijom i Vivođ – i bezbroj drugih AI kolega na mreži brzo – u kombinaciji s robotima poput Boston Dynamics’ nove generacije Atlas, je svijet u kojem strojevi mogu učiniti sve četiri vrste radnih mjesta, a to znači ozbiljne društvene promjene. Ako stroj može raditi posao umjesto čovjeka, treba li se bilo koji čovjek prisiliti na obavljanje tog posla? Ako strojevi rade sve veći postotak naših radnih mjesta za nas, a ne plaća se da ih mi vršimo, kamo da ide sav taj novac? Je li čak moguće da mnogi poslovi koje stvorimo ne moraju postojati uopće, i to samo zbog prihoda koji pružaju? To su pitanja koja trebamo početi tražiti jako brzo.
Odvajanje prihoda od posla
Srećom, ljudi počinju postavljati ova pitanja, a postoji i odgovor koji stvara zamah. Ideja je da strojevi rade za nas, ali se osposobljamo pronaći oblike preostalih djela koje mi, kao ljudska bića, smatramo najvrednijim, jednostavno pružajući svima mjesečnu plaću neovisno o radu. Ove plaće će biti odobrene svim građanima bez uvjeta kao univerzalni osnovni dohodak. Usvajanjem UBI, osim imunizacije protiv negativnih učinaka automatizacije, također bi se smanjili rizici inherentni poduzetništvu i veličine birokracije potrebne za povećanje prihoda. Upravo zbog tih razloga, ona ima prekograničnu podršku i još je u ranoj fazi moguće primjene u zemljama poput Švicarske, Finske, Nizozemske i Kanade.
Budućnost je mjesto ubrzavanih promjena. Čini se mudro nastaviti gledati na budućnost kao da je prošlost, gdje su se nove vrste poslova uvijek pojavljivala. WEF je započeo 2016. godine s procjenom da će se do 2020 javiti 2 milijuna novih radnih mjesta uz eliminaciju 7 milijuna. To je neto gubitak, a ne neto dobit od 5 milijuna radnih mjesta. U često citiranom članku, studija s Oxforda procjenjuje automatizaciju oko polovice svih postojećih radnih mjesta do 2033. U međuvremenu samostalna vozila, opet zahvaljujući strojnom učenju, imaju sposobnost drastično da utječu na sve zemlje – posebno automatizacijom vožnje kamionima – uklanjanjem milijuna radnih mjesta u kratkom roku.
Koja je velika lekcija da naučimo, u stoljeću kada strojevi mogu da uče?
Poslovi su za strojeve, a život je za ljude.
Izvor: www.futurism.com
