Par novih studija pokazuje da mašina može razumjeti ono što govorite bez da čuje zvuk.
Čitanje usana je veoma teško, ovisno o kontekstu i poznavanju jezika, kao što to čini na vizualnim tragovima. Ali istraživači su pokazali da se strojno učenje može koristiti za razlučivanje govora iz tihih video zapisa učinkovitije od profesionalnih čitača usana.
U jednom projektu, tim sa Odsjeka za kompjuterske nauke Univerziteta u Oksfordu razvio je novi sistem umjetne inteligencije nazvan LipNet. Kao što je Quartz naveo, njegov sistem je izgrađen na skupu podataka poznatom kao GRID, koji se sastoji od dobro osvijetljenih isječaka ljudi koji čitaju kazne od tri sekunde. Svaka rečenica se zasniva na nizu riječi koje slijede isti uzorak.
Tim je koristio taj skup podataka za obuku neuronske mreže, sličnu vrsti koja se često koristi za prepoznavanje govora. U ovom slučaju, međutim, neuronska mreža identifikuje varijacije u obliku usta tokom vremena, učeći da poveže tu informaciju sa objašnjenjem onoga što se kaže. AI ne analizira snimke u odlomcima, već razmatra cijelu stvar, omogućujući joj da stekne razumijevanje konteksta iz rečenice koja se analizira. To je važno, jer ima manje oblika usta nego zvukova koje proizvodi ljudski glas.
Kada je testiran, sistem je uspio identificirati 93,4 posto riječi ispravno. Ljudski volonteri za čitanje usana koji su tražili da obavljaju iste zadatke identifikovali su samo 52,3 posto riječi ispravno.
Ali kako izvještava New Scientist, drugi tim iz Odsjeka za inženjerske nauke u Oksfordu, koji je radio sa Google DeepMindom, ugrizao je prilično težak zadatak. Umjesto upotrebe urednog i konzistentnog skupa podataka kao što je GRID, koristi se serija od 100.000 video klipova snimljenih sa BBC televizije. Ovi videozapisi imaju mnogo širi raspon jezika, sa daleko više varijacija u osvjetljenju i položajima glave.
Koristeći sličan pristup, Oxford i DeepMind tim su uspeli da stvore AI koji je bio u stanju da identifikuje 46.8% svih riječi ispravno. To je takođe daleko bolje od ljudi, koji su zabilježili samo 12,4 posto riječi bez greške. Jasno je da postoji mnogo razloga zašto je preciznost niža, od osvjetljenja i orijentacije do veće složenosti jezika.
Razliku po strani, oba eksperimenta pokazuju da AI značajno nadmašuje ljude na čitanju usana, a nije teško ni zamisliti potencijalne aplikacije za takav softver. U budućnosti, Skype bi mogao popuniti praznine kada je pozivatelj u bučnom okruženju, recimo, ili bi osobe sa poteškoćama sa sluhom mogle zadržati svoj pametni telefon tako da „čuje“ ono što neko govori.
Najnoviji AI algoritmi istražuju evoluciju galaksija, izračunavaju funkcije kvantnih valova, otkrivaju nova hemijska jedinjenja i još mnogo toga. Postoji li nešto što naučnici rade, a da ne može biti automatizovano?
Ni jedan čovjek ili tim ljudi ne bi mogao pratiti lavinu informacija koje su proizveli mnogi današnji fizički i astronomski eksperimenti. Neki od njih svakodnevno snimaju terabajtove podataka – a bujica se samo povećava. Square Kilometar Array, radio-teleskop koji treba da se uključi sredinom 2020-ih, generisaće svake godine skoro isti promet podataka kao i cijeli internet.
Zato se mnogi naučnici okreću umjetnoj inteligenciji za pomoć. Sa minimalnim ljudskim unosom, AI sistemi kao što su vještačke neuronske mreže – kompjuterski simulirane mreže neurona koji oponašaju funkciju mozga – mogu da ore kroz planine podataka, naglašavajući anomalije i detektujući obrasce koje ljudi nikada nisu mogli da primjete.
Naravno, upotreba kompjutera za pomoć u naučnim istraživanjima seže unazad oko 75 godina, a metoda ručnog prenošenja podataka u potrazi za smislenim obrascima nastala je prije više od milenijuma. Ali neki naučnici tvrde da najnovije tehnike u mašinskom učenju i AI predstavljaju fundamentalno novi način rada u nauci. Jedan takav pristup, poznat kao generativno modeliranje, može pomoći u identifikaciji najvjerodostojnije teorije među konkurentskim objašnjenjima za podatke opservacije, zasnovane isključivo na podacima, i što je važno, bez ikakvog unaprijed programiranog znanja o tome koji fizički procesi mogu biti u radu u sistemu koji se istražuje. Zagovornici generativnog modelovanja vide ga kao dovoljno roman da bi ga se moglo smatrati potencijalnim „trećim putem“ učenja o univerzumu.
Izbrišimo sve što znamo o astrofizici. U kojoj mjeri bismo mogli ponovo otkriti to znanje, samo koristeći same podatke?
Kevin Schawinski
Tradicionalno, učili smo o prirodi kroz posmatranje. Razmislite o Johannesu Kepleru koji prelazi preko Tycho Braheovih stolova planetarnih pozicija i pokušava da razabere osnovni obrazac. (Na kraju je zaključio da se planete kreću u eliptičnim orbitama.) Nauka je takođe napredovala kroz simulaciju. Astronom bi mogao modelirati kretanje Mliječnog puta i njegove susjedne galaksije, Andromeda, i predvidjeti da će se sudariti za nekoliko milijardi godina. I posmatranje i simulacija pomažu naučnicima da stvaraju hipoteze koje se zatim mogu testirati sa daljim zapažanjima. Generativno modeliranje se razlikuje od oba ova pristupa.
“To je u osnovi treći pristup, između posmatranja i simulacije”, kaže Kevin Šavinski, astrofizičar i jedan od najinovantnijih zagovornika generativnog modeliranja, koji je do nedavno radio na Švajcarskom federalnom institutu za tehnologiju u Cirihu (ETH Zurich). “To je drugačiji način za napad na problem.”
Neki naučnici vide generativno modeliranje i druge nove tehnike jednostavno kao električni halat za obavljanje tradicionalne nauke. Ali većina se slaže da AI ima ogroman uticaj i da će njena uloga u nauci samo rasti. Brian Nord, astrofizičar iz Fermijeve nacionalne akceleratorske laboratorije, koji koristi umjetne neuronske mreže za proučavanje kosmosa, je među onima koji se boje da ne postoji ništa što ljudski naučnik ne može učiniti da ne može da bude automatizirano. “To je pomalo zastrašujuća misao”, reče on.
Otkriće generacije
Otkako je diplomirao, Schawinski je postao poznat po svojoj nauci. Dok je radio na svom doktoratu, suočio se sa zadatkom da klasifikuje hiljade galaksija na osnovu njihovog izgleda. Budući da za taj posao nije postojao lako dostupan softver, on je odlučio da ga iskoristi – i tako je rođen projekt za naučnike Galaxy Zoo. Počevši od 2007. godine, obični korisnici računara pomogli su astronomima tako što su prijavili svoje najbolje pretpostavke o tome koja galaksija pripada kategoriji u kojoj je većinsko pravilo obično vodilo do ispravnih klasifikacija. Projekat je bio uspješan, ali, kao što Schawinski napominje, AI je to sve zasjenio: “Danas, talentovani naučnik sa iskustvom u mašinskom učenju i pristupu računarstvu u oblaku mogao bi da uradi cijelu stvar za jedno popodne.”
Schawinski se 2016. godine okrenuo snažnom novom halatu generativnog modeliranja. U suštini, generativno modeliranje pita se koliko je vjerovatno, pod uvjetom X, da ćete primijetiti ishod Y. Pristup se pokazao nevjerojatno moćan i svestran. Na primjer, pretpostavimo da generativni model hranite skupom slika ljudskih lica, pri čemu je svako lice označeno s dobi osobe.
Dok se kompjuterski program češlja kroz ove “podatke o obuci”, počinje da crta vezu između starijih lica i povećanu vjerovatnoću bora. Na kraju, on može da “ostari” svako lice koje je dano – to jest, može predvideti koje fizičke promjene će određeno lice bilo koje starosti proći.
Nijedno od ovih lica nije stvarno. Lica u gornjem redu (A) i lijeva kolona (B) su konstruisana generativnom kontradiktornom mrežom (GAN) koristeći građevinske elemente pravih lica. GAN je zatim kombinovao osnovne karakteristike lica u A, uključujući njihov spol, starost i oblik lica, sa finijim osobinama lica u B, kao što su boja kose i boja očiju, da bi stvorili sva lica u ostatku rešetke.
Najpoznatiji generativni sistemi za modeliranje su „generativne kontradiktorne mreže“ (GAN). Nakon adekvatnog izlaganja podacima obuke, GAN može popraviti slike koje imaju oštećene ili nestale piksele, ili mogu učiniti oštre fotografije mutnim. Oni uče da izvuku informacije koje nedostaju putem takmičenja (otuda termin “kontradiktorni”): Jedan dio mreže, poznat kao generator, generiše lažne podatke, dok drugi dio, diskriminator, pokušava da razlikuje lažne podatke od stvarnih podataka. Kako program teče, obje polovice postaju sve bolje. Možda ste vidjeli neke od hiper-realističnih, “GAN-proizvedenih” lica koja su nedavno kružila – slike “čudno realističnih ljudi koji zapravo ne postoje”, kako je to rekao jedan naslov.
Šire gledano, generativno modeliranje uzima skupove podataka (tipično slike, ali ne uvijek) i razbija svaki od njih u skup osnovnih, apstraktnih gradivnih blokova – naučnici to nazivaju “latentnim prostorom podataka”. Algoritam manipulira elementima latentni prostor kako bi se vidjelo kako to utječe na izvorne podatke, a to pomaže u otkrivanju fizičkih procesa koji djeluju u sistemu.
Ideja o latentnom prostoru je apstraktna i teška za vizualizaciju, ali kao gruba analogija, zamislite šta bi vaš mozak mogao da uradi kada pokušate da odredite pol ljudskog lica. Možda primjetite frizuru, oblik nosa, i tako dalje, kao i obrasce koje ne možete lako staviti u riječi. Kompjuterski program na sličan način traži istaknute karakteristike među podacima: Iako nema pojma šta je brk ili kakav spol, ako je obučen u skupovima podataka u kojima su neke slike označene kao “muškarac” ili “žena”, i neki imaju oznaku “brkovi”, brzo će zaključiti vezu.
Kevin Šavinski, astrofizičar koji vodi AI kompaniju pod nazivom Modulos, tvrdi da tehnika nazvana generativno modeliranje nudi treći način učenja o univerzumu.
U radu objavljenom u decembru u astronomiji i astrofizici, Schawinski i njegovi kolege iz ETH Zuricha Dennis Turp i Ce Zhang koristili su generativno modeliranje kako bi istražili fizičke promjene koje galaksije prolaze kroz evoluciju. (Softver koji koriste, tretira latentni prostor donekle drugačije od načina na koji ga tretira generativna kontra-mreža, tako da nije tehnički GAN, iako sličan.) Njihov model je stvorio umjetne skupove podataka kao način ispitivanja hipoteza o fizičkim procesima. Oni su, na primer, pitali kako je “gašenje” formiranja zvjezda – naglo smanjenje formacije – povezano sa povećanjem gustine okoline galaksije.
Za Šawinija, ključno pitanje je koliko informacija o zvjezdanim i galaktičkim procesima može biti zadirkivano samo iz podataka. “Izbrišimo sve što znamo o astrofizici”, rekao je on. “U kojoj mjeri bismo mogli ponovno otkriti to znanje, samo koristeći same podatke?”
Prvo, slike galaksija su redukovane na njihov latentni prostor; zatim, Šawinski je mogao da podesi jedan element tog prostora na način koji je odgovarao određenoj promjeni u okolini galaksije – na primjer, gustina okoline. Tada je mogao ponovo da generiše galaksiju i vidi koje razlike su se pojavile. “Sada imam mašinu za generiranje hipoteza”, objasnio je on.
“Mogu da uzmem cijelu gomilu galaksija koje su prvobitno u okruženju niske gustine i čine ih da izgledaju kao da su u okruženju visoke gustine, ovim procesom.” Okruženja niske do visoke gustoće, postaju crvenija, a njihove zvijezde postaju centralnije koncentrirane. To odgovara postojećim opažanjima o galaksijama, rekao je Schawinski. Pitanje je zašto je to tako.
Sljedeći korak, kaže Schawinski, još nije bio automatizovan: „Moram da dođem kao čovjek i kažem:„ U redu, kakva fizika bi mogla objasniti ovaj efekat? ”„ Za proces u pitanju, postoje dva prihvatljiva objašnjenja: Možda galaksije postaju crvenije u okruženjima velike gustine jer sadrže više prašine, ili možda postaju crvenije zbog pada formacije zvjezda (drugim riječima, njihove zvijezde imaju tendenciju da budu starije). Sa generativnim modelom, obe se ideje mogu testirati: Elementi u latentnom prostoru koji se odnose na prašnjavost i stope formiranja zvjezda su promenjeni da bi se vidjelo kako to utiče na boju galaksija. “A odgovor je jasan”, rekao je Schawinski. Crvenije galaksije su “gde je formacija zvjezda pala, a ne one gde se prašina promjenila. Zato bismo trebali dati prednost tom objašnjenju.”
Pristup se odnosi na tradicionalnu simulaciju, ali s kritičkim razlikama. Simulacija je “suštinski zasnovana na pretpostavkama”, rekao je Schawinski. “Pristup je reći:” Mislim da znam koji su osnovni fizički zakoni koji dovode do svega što vidim u sistemu. “Tako da imam recept za formiranje zvjezda, imam recept za to kako se ponaša tamna materija, i tako dalje. Stavio sam sve svoje hipoteze tamo, i pustio sam da se simulacija pokrene. I onda pitam: Da li to izgleda kao stvarnost? ”Ono što je on učinio sa generativnim modeliranjem, rekao je on,“ u nekom smislu, upravo je suprotno od simulacije. Mi ne znamo ništa; ne želimo da pretpostavimo ništa. Mi želimo da nam podaci kažu šta se dešava. ”
Očigledan uspjeh generativnog modeliranja u ovakvoj studiji očigledno ne znači da su astronomi i postdiplomci postali suvišni – ali čini se da predstavlja promjenu u stepenu u kojem se učenje o astrofizičkim objektima i procesima može postići umjetnim vještinama sistema koji ima malo više u svojim elektronskim prstima od ogromnog skupa podataka. “To nije potpuno automatizovana znanost – ali ona pokazuje da smo u stanju barem djelomično izgraditi alate koji čine proces nauke automatskim”, rekao je Schawinski.
Generativno modeliranje je očigledno moćno, ali da li je to uistinu novi pristup nauci, otvoreno je za raspravu. Za Davida Hogga, kosmologa sa Univerziteta u Njujorku i Flatiron Instituta (koji, kao i Quanta, finansira Simons fondacija), tehnika je impresivna, ali u konačnici samo vrlo sofisticiran način izdvajanja uzoraka iz podataka – što su astronomi radili vjekovima. Drugim riječima, to je napredni oblik promatranja plus analiza. Hoggov sopstveni rad, kao i Schawinski, u velikoj mjeri se oslanja na AI; on koristi neuronske mreže da klasifikuje zvjezde prema njihovom spektru i da zaključi druge fizičke atribute zvjezda koristeći modele vođene podacima. Ali on vidi svoj rad, kao i Schawinski, kao istinitu nauku. “Ne mislim da je to treći put”, rekao je nedavno. „Samo mislim da mi kao zajednica postajemo mnogo sofisticiraniji o tome kako koristimo podatke. Konkretno, postajemo mnogo bolji u poređenju podataka sa podacima.
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?
Huaweiov Mate 10, najnoviji je pametni telefon koji koristi prednosti najnovije generacije umjetne inteligencije.
Slika: Huawei Mate 10
Što radi AI na mobilnim uređajima?
Ovogodišnja glavna izložba pametnih telefona promovira umjetnu inteligenciju kao značajku koja mijenja život.
AI je već neko vrijeme prisutan u mobilnim telefonima, na primjer, pomoću značajki glasovnih pomoćnika poput Siri ili Google pomoćnika.
Međutim, u prethodnoj generaciji telefona AI je bio temeljen na internetu i zahtijeva pristup internetskoj vezi.
Ono što se razlikuje od AI na mobilnim uređajima jest da će nova generacija pametnih telefona kombinirati oblak AI na ugrađene AI motore na hardveru. Ovu novost najavila su tehnološki divovi poput Googlea, Applea i Huaweija.
Što je AI u uređaju i kako funkcionira?
Od onoga što su stručnjaci obećali, izgleda kao da razlika u tome što ima smartphone od ‘umjetno inteligentnog’ telefon je razlika kućnog ljubimca od vodiča. Dok će kućni ljubimac poslušati vaše zapovijedi, vodič će ne samo odgovoriti na vaše narudžbe, već voditi put i donijeti odluke za ono što smatra najboljim za vas.
Huaweiov Mate 10, nosi vlastiti Kirin 970 procesor. Na vrhu CPU-a i GPU-a, koji su zajednički procesorima, Kirin 970 također ima jedinicu neuronske obrade (NPU).
Dok CPU i GPU mogu napraviti precizne izračune, AI jedinice, kao što je NPU, rade drugačije.
Poput ljudskog mozga, AI neće odmah napraviti složene i istodobne izračune. Ono što će učiniti, kroz rijetku obradu, prepoznaje slike, glasove i jezik i obrađuje ih poput podataka.
To znači da će telefoni poput Mate 10 moći donositi odluke i optimizirati njihovu izvedbu na temelju onoga što su naučili od upotrebe. AI u uređaju također obećava bolju integraciju sustava s hardverom kao što su kamere, mikrofoni i baterije.
To vodi putu za niz jedinstvenih značajki i poboljšanja.
Što će umjetna inteligencija na uređaju učiniti?
Na iPhoneu X, algoritmi AI nalaze se iza sustava za prepoznavanje lica Face ID, animiranih emojis Animoji i povećanih aplikacija za stvarnost.
Na Google Pixel 2, jedna od značajki AI-powered je Now Playing. Pomoću baze podataka od 100 000 pjesama tjedno ažurirano i prilagođeno lokaciji, telefon će vam odmah reći koja pjesma se reproducira u pozadini automatskim slanjem obavijesti na početnom zaslonu. Nema potrebe za pristup sličnim namjenskim aplikacijama kao što je Shazam.
Razumjevši jezik i slike, AI će također potaknuti Googleove značajke kao što su prijevod uživo i Googleov objektivi; google pretraživanje možete pokrenuti uzimajući sliku.
Na Mate 10, AI-vision kamere skeniranju okolnog okruženja za prilagodbu postavki telefona u skladu s tim, optimiziranje performansi i korisnički doživljaj.
Kad fotografirate, telefon također može identificirati objekt, osobu ili situaciju koja se fotografira. Također se primjenjuje i korekcijski filtar, što rezultira boljom kvalitetom slike. Prepoznavanje i poboljšanje slike su točni do takvog stupnja da mogu razlikovati mačku od psa.
AI motor također može kompenzirati slike niske razlučivosti. Ako je slika na vašem uređaju niže rezolucije, AI-vision motor može predvidjeti nestale piksele. To omogućuje bolji prikaz i zumiranje.
Sve tri marke također su najavile bolje performanse baterije na novoj generaciji telefona. To je dijelom zbog umjetne inteligencije u uređaju. Huawei je izjavio da će njezin AI novi telefon biti 50 puta energetski učinkovitiji.
Uređaj AI u uređaju sprema energiju na dva načina: prvo dodjeljuje snagu relevantnim funkcijama. Dakle, ako korisnik ne upotrebljava određenu značajku, telefon neće dopustiti da ga potroši kao nepotrebno. Drugo, uređaj AI u uređaju znači da AI oblak neće biti više neophodan, što štedi energiju.
Stručnjaci također očekuju da AI u uređaju otvori vrata razvoju svih vrsta inovativnih i inteligentnih mobilnih aplikacija.
“Stvarno smo uzbuđeni kada vidimo što će novi ekosustav aplikacije morati ponuditi, razvijajući nove aplikacije koje će povlastiti nove AI mogućnosti na hardveru”, rekla je Christophe Coutelle, voditeljica softverskog marketinga tvrtke Huawei.
Primjerice, aplikacija Microsoft prevoditelj testirana je i može se ubrzati do 300% s AI motorom u uređaju.
Je li umjetna inteligencija gladna za podatke?
Strojno učenje je sve što ima veliku i raznoliku količinu podataka. To čini mobilne telefone idealan uređaj za podučavanje AI motora zbog velikog i čestog unosa podataka od strane korisnika.
“Ovo vrijedi za bilo koju vrstu učenja. Želiš puno primjera i stvarno lijep raspon primjera, tako da nema nikakvih iznenađenja i vaš je sustav naučio pravi način. Jedinstvena stvar s uređajima poput telefona je da postoji mnogo primjera. Za obuku sustava to je prednost “, objasnio je profesor David Robertson sa Sveučilišta u Edinburghu.
Međutim, prevelika količina podataka također izaziva zabrinutost zbog sigurnosti i povjerljivosti.
“Postoji mnogo podataka koje upotrebljavate i isporučujete na telefonu koji je jedinstven za vas, a to vas identificira. Sustavi koji mogu obaviti inteligentnu analizu podataka mogu odrediti mnogo stvari o vama koje možda želite ili ne želite biti određeni: vaše ponašanje, vaše sklonosti, vaše zdravlje “, dodao je profesor Robertson.
S druge strane, profesor Robertson je također objasnio da novi AI motori možda manje budu gladni za podacima jer su dovoljno pametni za početak. Tehničke tvrtke tvrde da AI u uređaju omogućuje i bolju sigurnost jer će manje podataka morati dijeliti sa sustavom koji se temelji na oblaku i više će podataka ostati na uređaju.
Hoće li značajke na umjetnoj inteligenciji na mom telefonu promijeniti moj život?
Dok pitanja vezana uz podatke i privatnost stvaraju zabrinutost danas, profesor Robertson objasnio je da je AI postojao više od dvadeset godina i da, iako u mnogim slučajevima korisnik nije izravno iskusan, već se dugo koristi za optimizaciju tehnologijskih sustava.
AI nije najrevolucionarnija značajka danas, ali njegova upotreba u mobilnim uređajima može biti važna pomoć u svakodnevnom životu.
“Oduvijek je bio produljenje ljudskog ponašanja, pomaže ili pojačava ono što radite i olakšava stvari”, rekao je Robertson.
Profesor je dodao da su sposobnosti AI-ja iznimno “relevantne za korištenje mobilnih uređaja”.
Huaweijeva Christophe Coutelle vjeruje da će mnogi imati koristi od AI značajki. “AI se tiče bolje personalizacije, učinkovitosti i uštede energije, vjerujemo da je to u interesu svih.
“Ako telefon bolje razumije način na koji ga upotrebljavate, ako telefon bolje razumije vaš kontekst, vaš će telefon moći pružiti relevantnije značajke ili aplikacije. To je uistinu svrha: vaš telefon će biti inteligentniji i sposobniji predvidjeti vaše potrebe i pomoći vam obavljati vaše poslove na bolji način. “
DARPA je jedna od najzanimljivijih američkih agencija. Posvećena je financiranju “ludih” projekata – ideja koje su potpuno izvan prihvaćenih normi i paradigmi. Ne treba čuditi što je DARPA pridonijela uspostavi ranog interneta i globalnog sustava pozicioniranja (GPS), kao i drugih bizarnih koncepata poput legiranih robota, tržišta predviđanja, pa čak i samoupravnih radnih alata. Otkako je DARPA prvi put osnovana, fokusirana je na mjesečeve snimke i inovativne napore, pa ne treba čuditi da se trenutno fokusira i na AI.
Nedavno je DARPA-ov Ured za informacijske inovacije objavio novu obabijest gdje je objasnio najsuvremeniju tehničku praksu, istaknuvši svoje mogućnosti u sadašnjosti – i razmotrio što bi to moglo učiniti u budućnosti. Online časopis Matična ploča opisao je članak kao AI hype.
Tri vala AI
DARPA razlikuje tri različita vala AI, svaki s vlastitim mogućnostima i ograničenjima. Od tri, treća je očigledno najuzbudljivija, no kako bi ju ispravno razumjeli morat ćemo proći kroz prve dvije.
Prvi AI val: Ručno znanje
U prvom valu AI, stručnjaci su razvili algoritme i softver prema spoznaji koju su oni sami posjedovali i pokušali pružiti te programe s logičkim pravilima koja su bila dešifrirana i konsolidirana tijekom ljudske povijesti. Ovaj pristup je doveo do stvaranja računala za igranje šaha i softvera za optimizaciju isporuke. Većina softvera koje koristimo danas temelje se na AI takve vrste: našem operacijskom sustavu Windows, našim aplikacijama za pametne telefone, pa čak i semafori koji omogućuju ljudima da prelaze ulicu kada pritisnu gumb.
Modria je dobar primjer za način na koji ovaj AI radi. Nizozemska vlada je posljednjih godina unajmila Modriju kako bi razvila automatizirani alat koji će pomoći parovima da se razvode uz minimalno sudjelovanje odvjetnika. Modria, specijalizirana za stvaranje pametnih pravosudnih sustava, preuzela je posao i razvila automatizirani sustav koji se oslanja na poznavanju odvjetnika i stručnjaka za razvod braka.
Na modrijskoj platformi, parovima koji žele razvod braka postavljaju se niz pitanja. To bi moglo uključivati pitanja o sklonostima svakog roditelja u pogledu skrbništva nad djecom, distribucije imovine i drugih uobičajenih problema. Nakon što par odgovori na pitanja, sustavi automatski identificiraju teme o kojima se slažu ili se ne slažu i pokušavaju usmjeriti rasprave i pregovore kako bi postigli optimalni ishod za oboje.
Sustavi AI prvog vala obično se temelje na jasnim i logičkim pravilima. Sustavi ispituju najvažnije parametre u svakoj situaciji koju trebaju riješiti i donose zaključak o najprikladnijoj akciji koju treba poduzeti u svakom slučaju. Parametri za svaku vrstu situacije prepoznaju unaprijed od strane ljudskih stručnjaka. Kao rezultat toga, sustavi prvog vala teško se mogu uhvatiti u koštac s novim vrstama situacija. Oni također imaju teška vremena apstrahiranja – uzimanje znanja i uvida koji proizlaze iz određenih situacija i njihovo primjenjivanje na nove probleme.
Ukratko, sustavi prvog vala AI sposobni su implementirati jednostavna logička pravila za dobro definirane probleme, ali su nesposobni za učenje i teško se bave nesigurnostima.
Sada, neki od vas čitatelja mogu u ovom trenutku slegnuti ramenima i reći da to nije umjetna inteligencija kao što većina ljudi misli. Stvar je, naše definicije AI su evoluirale tijekom godina. Ako bih pitati osobu na ulici, prije trideset godina, je li Google Maps softver AI, ne bi oklijevao u svom odgovoru: naravno, to je AI! Google karte mogu planirati optimalni tečaj kako bi vas odveli do vašeg odredišta. Pa ipak, mnogi danas vide mogućnosti Google Karata kao elementarne i zahtijevaju od AI-a da izvede mnogo više od toga: AI bi također trebala preuzeti kontrolu nad automobilom na putu, razviti savjesnu filozofiju koja će uzeti u obzir želje putnika i dati im kafa u isto vrijeme.
Pa, ispostavilo se da čak i “primitivni” softver poput Modrijevog pravosudnog sustava i Google karata predstavljaju dobre primjere za AI. I doista, sustavi prvog vala AI se danas upotrebljavaju posvuda.
Drugi val AI: Statističko učenje
Godine 2004. DARPA je otvorio svoj prvi Grand Challenge. Petnaest autonomnih vozila nastupilo je na popunjavanju tečaja od 150 milja u pustinji Mojave. Vozila su se oslanjala na AI prvog vala – tj. Pravilo utemeljeno na pravilima – i odmah je dokazalo koliko je to stvarno ograničeno. Svaka slika snimljena fotoaparatom vozila, nakon svega, je nova vrsta situacije koju AI mora riješiti!
Nisu mogli razlikovati različite tamne oblike na slikama i nisu mogli shvatiti je li to kamen, daleki objekt ili samo oblak koji zamagljuje sunce. Kao što je rekao zamjenik programskog direktora Grand Challengea, neka vozila – “bili su prestrašeni vlastite sjene, halucinirajući prepreke kad nisu bile tamo”.
Nijedna od skupina nije uspjela dovršiti cijeli tečaj, pa čak i najuspješnije vozilo imalo je samo 1,9 milja u utrku. Bio je to potpuni i krajnji neuspjeh – upravo onakvo istraživanje koje DARPA voli financirati, u nadi da će uvid i pouke iz tih ranih eksperimenata dovesti do stvaranja sofisticiranih sustava u budućnosti.
I to je točno kako su se stvari odigrale.
Godinu dana kasnije, kada je DARPA otvorio Grand Challenge 2005, pet vozila uspješno je došlo do kraja staze. Te su se skupine oslanjale na drugi val AI: statističko učenje. Google je voditelja jedne od pobjedničkih skupina postavio za razvoj Googleovog autonomnog automobila.
U sustavima sekundarnih AI sustava, inženjere i programere ne zanima učenje preciznih i točnih pravila za sustave koji slijede. Umjesto toga, razvijaju statističke modele za određene vrste problema, a zatim “obućuju” ove modele na mnogim različitim uzorcima kako bi ih preciznije i učinkovitije istrenirali.
Statistički sustavi učenja vrlo su uspješni u razumijevanju svijeta oko njih: mogu razlikovati ljude ili različite vokale. Mogu naučiti i prilagoditi se različitim situacijama ako su ispravno osposobljeni. Međutim, za razliku od sustava prvog vala, oni su ograničeni u njihovu logičkom kapacitetu: oni se ne oslanjaju na precizna pravila, već umjesto toga idu za rješenja koja “rade dovoljno dobro, obično”.
Primjer drugog vala je koncept umjetnih neuronskih mreža. U umjetnim neuronskim mrežama, podaci prolaze kroz računalne slojeve, od kojih svaki obrađuje podatke na drugačiji način i prenosi ih na sljedeću razinu. Obučavanjem svakog od tih slojeva, kao i cjelokupne mreže, oni se mogu oblikovati u proizvodnju najtočnijih rezultata. Često, trening zahtijeva da mreža analizira desetke tisuća izvora podataka kako bi postigla i mala poboljšanja. Ali općenito govoreći, ova metoda daje bolje rezultate od onih postignutih sustavima prvog vala u određenim područjima.
Do sada su sustavi drugog vala uspjeli preplaviti ljude pri prepoznavanju lica, prepisivanju govora i identifikacijom životinja i objekata na slikama. Izrađuju velike skokove u prijevodu, a ako to nije dovoljno – počinju kontrolirati autonomne automobile i zračne dronove. Uspjeh tih sustava u takvim složenim AI stručnjacima smeta, i iz vrlo dobrog razloga: još uvijek nismo sigurni zašto oni zapravo rade.
Ahilova peta sustava drugog vala je da nitko nije siguran zašto tako dobro rade. Vidimo kako umjetne neuronske mreže uspijevaju obavljati zadatke koji im se daju, ali ne razumijemo kako to rade. Nadalje, nije jasno da postoji zapravo metodologija – neka vrsta oslanjanja na osnovna pravila – iza umjetnih neuronskih mreža. U nekim aspektima oni su doista slični našem mozgu: možemo baciti loptu u zrak i predvidjeti gdje će pasti, čak i bez izračuna Newtonove jednadžbe gibanja.
Ovo ne izgleda kao velik problem na prvi pogled. Uostalom, umjetne neuronske mreže čini se da rade “dovoljno dobro”. Microsoft se možda ne slaže s tom procjenom. Tvrtka je prošle godine objavila bot društvenim medijima, pokušavajući oponašati ljudsko pisanje i razgovarati lagano s mladima. Bot, nazvan “Tai”, trebao je replicirati govorne obrasce 19-godišnje američke ženske mladosti i razgovarati s tinejdžerima u svom jedinstvenom slangu. Microsoft je shvatio da bi mladi voljeli to – i doista jesu. Mnogi od njih počeli su se prestrašiti Tai: rekli su joj o Hitleru i njegovom velikom uspjehu, otkrivajući joj da je teroristički napad 11. rujna bio unutarnji posao i objasnio u neizvjesnim uvjetima da su imigranti zabrana velike američke nacije. I tako, nekoliko sati kasnije, Tai je počeo primjenjivati svoje novo znanje, tvrdeći uživo na Twitteru da je Hitler bio u redu i zapravo nije ništa krivo učinio.
To je bio slučaj kada su Microsoftovi inženjeri ugasili Tai. Posljednji tweet je bio da odlazi da razmišlja. Koliko znamo, još uvijek razmišlja.
Ova je epizoda izložila izazov uzročnosti koji su inženjeri AI-a trenutno suočeni. Mogli bismo predvidjeti prilično dobro kako će prvi valovi funkcionirati pod određenim uvjetima. Ali s sustavima drugog vala više ne možemo lako prepoznati kauzalnost sustava – točan način na koji se ulaz prevede u izlaz, a podaci se koriste za donošenje odluke.
Sve to ne govori da su umjetne neuronske mreže i drugi sustavi drugog vala AI beskorisni. Daleko od toga. No, jasno je da ako ne želimo da naši sustavi unutarnjih poslova budu svi uzbuđeni zbog nacističkog diktatora, neka poboljšanja su u redu. Moramo se preseliti na sljedeći i treći val AI sustava.
Treći AI val: Kontekstualna prilagodba
U trećem valu, AI sustavi će sami izgraditi modele koji će objasniti kako svijet funkcionira. Drugim riječima, oni će sami otkriti logična pravila koja oblikuju njihov proces donošenja odluka.
Evo primjera. Pretpostavimo da sustav AI drugog vala analizira donju sliku i odluči da je to krava. Kako objašnjava svoj zaključak? Vrlo jednostavno – to ne čini.
Drugi valni AI sustavi zapravo ne mogu objasniti svoje odluke – baš kao što dijete nije moglo zapisati Newtonove jednadžbe kretanja samo gledanjem kretanja lopte kroz zrak. Najviše, sustavi drugog vala mogli bi nam reći da postoji “87% šanse da ovo bude slika krave”.
Treći val AI sustavi bi trebali biti u mogućnosti dodati neke tvari do konačnog zaključka. Kada će sustav trećeg vala utvrditi istu sliku, vjerojatno će reći da tamo gdje postoji četveronožac, postoji veća vjerojatnost da je to životinja. A budući da je njezina površina bijela, s crnom, još je veća vjerojatnost da je ovo krava (ili dalmatinski pas). Budući da životinja ima i vate i kopita, to je gotovo sigurno krava. To je, pretpostavlja se , ono što bi rekao sustav trećeg vala.
Sustavi trećeg vala moći će se osloniti na nekoliko različitih statističkih modela, kako bi se postiglo potpunije razumijevanje svijeta. Oni će se moći trenirati – baš kao Alpha-Go, kada je igrala milijune igara protiv sebe, kako bi se utvrdila pravila koja bi trebala koristiti. Sustavi trećeg vala bi također mogli preuzeti podatke iz nekoliko različitih izvora kako bi došli do finog i dobro objašnjenog zaključka. Ti sustavi mogu, na primjer, izvući podatke s nekoliko naših nosivih uređaja, iz pametne kuće, iz našeg automobila i grada u kojem živimo i utvrditi naše zdravstveno stanje. Čak će se moći programirati i potencijalno razvijati apstraktno razmišljanje.
Jedini problem je što, kako kaže direktor ureda za informacijske inovacije DARPA-e, “puno je posla kako bismo mogli izgraditi te sustave”.
A to su, što se tiče DARPA, najsuvremeniji AI sustavi u prošlosti, sadašnjosti i budućnosti.
Što to sve znači DARPA-ov doista objašnjava razlike između različitih AI sustava, ali malo za ublažavanje strahova onih koji nas potiču na oprez u razvoju AI. DARPA jasno kaže da nismo ni blizu razvijanju ‘Terminator’ AI, ali to nikada nije bilo pitanje. Nitko ne pokušava tvrditi da je AI danas dovoljno sofisticiran da čini sve stvari koje bi trebalo učiniti u nekoliko desetljeća: imati vlastitu motivaciju, donositi moralne odluke i čak razviti sljedeću generaciju AI.
Ali ispunjenje trećeg vala svakako je veliki korak u tom smjeru.
Sustavi trećeg vala AI moći će dešifrirati nove modele koji će poboljšati njihovu funkciju, svi oni sami mogu biti u mogućnosti programirati nove generacije softvera. Kada shvate kontekst i posljedice svojih postupaka, moći će zamijeniti većinu radnika, a možda i sve njih. I ako im je dopušteno preoblikovanje modela kroz koje ocjenjuju svijet, onda će zapravo moći reprogramirati svoju motivaciju.
Sve gore navedeno neće se dogoditi u idućih nekoliko godina, i zasigurno se neće postići u potpunosti u narednih dvadeset godina. Kao što sam objasnio, nijedan ozbiljan AI istraživač ne tvrdi drugačije. Temeljna poruka istraživača i vizionara koji su zabrinuti za budućnost AI-a – ljudi poput Stevena Hawkinga, Nick Bostroma, Elona Muska i drugih – jest da moramo početi odmah pitati kako kontrolirati ove treće valne sustave, takve vrste koji će postati sveprisutni dvadeset godina od sada. Kada razmotrimo sposobnosti tih sustava upravljanja zračnim prostorom, ova poruka ne izgleda pretjerana.
Posljednji val
Najzanimljivija stvar za mene, koju DARPA ne objašnjava, jest ono kako će izgledati četvrti val AI sustava. Hoće li se oslanjati na točnu emulaciju ljudskog mozga? Ili možda sustavi četvrtog vala pokazuju mehanizme donošenja odluka koje još nismo u stanju razumjeti – a koji će ih razviti sustavi trećeg vala?
Ta su pitanja otvorena da razmotrimo, ispitamo i istražimo.
To je naša zadaća kao ljudskih bića, barem dok sustavi trećeg vala i to ne preuzmu.
Autonomno oružje bira i angažuje ciljeve bez ljudske intervencije. Oni mogu uključiti, na primjer, naoružane kvadrokoptere koji mogu tražiti i eliminisati ljude koji ispunjavaju određene unaprijed definirane kriterijume, ali ne uključuju krstareće rakete ili daljinski pilotirane bespilotne letjelice za koje ljudi donose sve odluke za ciljanje.
Slika: autonomni kvadrokopter
Tehnologija veštačke inteligencije (AI) je dostigla tačku u kojoj je raspoređivanje takvih sistema – praktično ako nije zakonski – izvodljivo u godinama, a ne decenijama, a udari su visoki: autonomno oružje je opisano kao treća revolucija u ratu, nakon baruta i nuklearnog oružja.
Mnogi argumenti su napravljeni za i protiv autonomnog oružja, na primer da je zamjena ljudskih vojnika mašinama dobro za smanjivanje žrtava za vlasnika, ali loše time što je smanjio prag za odlazak u borbu. Ključno pitanje za čovečanstvo danas je da li da započne globalnu trku u borbi protiv oružja ili da spreči to da počne. Ako bilo koja velika vojska napreduje sa razvojem AI oružja, globalna trka oružja je praktično neizbežna, a krajnja tačka ove tehnološke trajekture je očigledna: autonomno oružje će postati Kalašnjikov sutrašnjice. Za razliku od nuklearnog naoružanja, oni ne zahtevaju skupe ili sirove materije koje se teško nabavljaju, tako da će postati sveobuhvatne i jeftine za sve značajne vojne sile da bi se masovno proizvele. Biće samo pitanje vremena dok se ne pojave na crnom tržištu i u rukama terorista, diktatora koji žele bolje kontrolirati svoje stanovništvo, vođe koji žele da izvrše etničko čišćenje itd. Autonomno oružje je idealno za zadatke poput atentata, destabilizacije nacije, podrivanje populacija i selektivno ubijanje određene etničke grupe. Stoga verujemo da vojna trka u oružju od AI ne bi bila korisna za čovečanstvo. Postoji mnogo načina na koje AI može učiniti bojna polja sigurnijom za ljude, posebno civile, bez stvaranja novih alata za ubijanje ljudi.
Baš kao što većina hemičara i biologa nema interesovanja za izgradnju hemijskog ili biološkog oružja, većina istraživača AI nema interesovanje za izgradnju AI oružja. Zaista, hemičari i biolozi su široko podržali međunarodne sporazume koji su uspješno zabranili hemijsko i biološko oružje, baš kao što većina fizičara podržava ugovore o zabrani nuklearnog i zaslepljujućeg laserskog naoružanja.
Ukratko, smatramo da AI ima veliki potencijal da na mnogo načina koristi čovečanstvu i da cilj polja treba da bude u tome. Započinjanje vojne trke u autonomnom oružju opremljenom vještačkom inteligencijom je loša ideja, i treba ga spriječiti zabranom ofanzivnog autonomnog oružja izvan značajne ljudske kontrole.
Istraživači iz Caltecha i Univerziteta u Južnoj Kaliforniji (USC) prijavljuju prvu primjenu kvantnog računarstva na fizički problem. Koristeći kvantno-kompatibilne tehnike mašinskog učenja, razvili su metodu ekstrahiranja retkog Higgs bosonog signala iz obimnih podataka. Higgs je čestica koja je predviđena da obara elementarne čestice sa masom i otkrivena je na Large Hadron Collider-u u 2012. godini. Novi kvantni mašinski metod učenja dobro se izvodi čak i sa malim skupovima podataka, za razliku od standardnih.
Uprkos centralnoj ulozi fizike u kvantnom računarstvu, dosadašnji problem kretanja za istraživače fizike nije rešen kvantnim računarskim tehnikama. U ovom novom radu, istraživači su uspješno izvadili značajne informacije o Higgsovim česticama programiranjem kvantnog anlealera – tipa kvantnog računara koji je u mogućnosti da pokreće samo optimizacijske zadatke – da razvrsta podatke o mjerama čestica zaglavljenim greškama. Caltehova Maria Spiropulu, Shang-Yi Ch’en profesor fizike, osnovao je projekat i sarađivao sa Danielom Lidarom, pionirom metodologije kvantnog mašinskog učenja i Viterbijem profesorom za inženjering na USC-u, koji je takođe ugledni naučnik Moore u fizici sa Caltecha , Matematiku i astronomiju i inženjerstvo i primenjenu nauku.
Kvantni program traži obrasce u okviru skupa podataka da bi značajne podatke rastavio od smeća. Očekuje se da će biti koristan za probleme izvan fizike visoke energije. Detalji programa, kao i upoređivanje sa postojećim tehnikama, detaljno su opisani u radu objavljenom 19. oktobra u časopisu Nature.
Popularna tehnika računarstva za klasifikaciju podataka je metod neuronske mreže, poznat po svojoj efikasnosti u izvlačenju nejasnih šablona unutar skupa podataka. Uzorke koje identifikuju neuronske mreže teško je tumačiti, pošto proces klasifikacije ne otkriva kako su otkriveni. Tehnike koje dovode do bolje interpretacije često su pogrešne i manje efikasne.
“Neki ljudi iz fizike visoke energije napreduju sa neuronskim mrežama, ali neuronske mreže se ne mogu lako interpretirati sa fizičarem”, kaže student USC-a za studije fizike Joshua Job, koautor časopisa i gost u Caltech-u. Novi kvantni program je “jednostavan model računarskog učenja koji postiže rezultat uporediv sa komplikovanijim modelima bez gubitka robusnosti ili interpretabilnosti”, kaže Job.
Sa prethodnim tehnikama, tačnost klasifikacije zavisi od veličine i kvaliteta setova obuke, što je ručno sortiran deo skupa podataka. Ovo je problematično za istraživanje fizike visoke energije, koje se vrti oko retkih događaja zakopanih u velikoj količini podataka o šumovima. “Veliki Hadronski kolider generiše veliki broj događaja, a fizičari čestica moraju pogledati male pakete podataka kako bi shvatili koji su interesantni”, kaže Job. Novi kvantni program “je jednostavniji, uzima vrlo malo podataka o obuci i može biti čak i brži. To smo stekli uključivanjem uzbuđenih stanja”, kaže Spiropulu.
Uzbuđena stanja kvantnog sistema imaju višak energije koja doprinosi greškama u izlazu. “Iznenađujuće je da je bilo korisno koristiti uzbuđena stanja, suboptimalna rješenja”, kaže Lidar.
“Zašto je to tačno, možemo samo spekulisati, ali jedan od razloga možda je da stvarni problem koji moramo riješiti nije precizno reprezentativan na kvantnom anlealeru, zbog čega bi potonoptimalna rješenja mogla biti bliža istini”, kaže Lidar .
Modeliranje problema na način na koji kvantni analnier može razumeti pokazao se kao značajan izazov koji je uspješno rešio Spiropuluov bivši diplomirani student na Caltech-u, Alex Mott (PhD ’15), koji je sada na DeepMind-u. “Programski kvantni kompjuteri se fundamentalno razlikuju od klasičnih računarskih programa, to su kao direktni kodni bitovi, a čitav problem mora biti kodiran istovremeno, a onda se pokreće samo jednom što je programirano”, kaže Mott.
Uprkos poboljšanjima, istraživači ne tvrde da su kvantni aneleri superiorniji. Oni koji su trenutno dostupnu su jednostavno “ne dovoljno veliki da čak kodiraju fizičke probleme dovoljno teško da pokažu bilo kakvu prednost”, kaže Spiropulu.
“To je zato što upoređujemo hiljadu kubika-kvantnih bitova informacija – milijardi tranzistora”, kaže Jean-Roch Vlimant, postdoktorski naučnik iz fizike visoke energije u kompaniji Caltech. “Složenost simuliranog žarenja će u jednom trenutku eksplodirati i nadamo se da će kvantno žarenje takođe ponuditi ubrzanje”, kaže Vlimant.
Istraživači aktivno traže nove primjene nove klasifikacije kvantnih žarenja. “Uspeli smo da demonstriramo vrlo sličan rezultat u sasvim drugom domenu primjene primjenom iste metodologije na problem u računskoj biologiji”, kaže Lidar. “Postoji još jedan projekat za praćenje čestica provode koje koriste ovakve metode, a mi tražimo nove načine ispitivanja naelektrisanih čestica “, kaže Vlimant.” Rezultat ovog rada je pristup zasnovan na fizičkom nivou za mašinsko učenje koje bi moglo imati koristi od širokog spektra nauke i drugih aplikacija ” kaže Spiropulu. “Postoji puno uzbudljivih radova i otkrića na ovoj nastaloj interdisciplinarnoj areni nauke i tehnologije, zaključuje ona. Ovaj projekat je podržan od strane Ministarstva energetike Sjedinjenih Država, Kancelarije fizike visoke energije, istraživanja Tehnologija, Računarski HEP; i Fermi National Accelerator Laboratorija, kao i Nacionalna naučna fondacija. Rad je takođe podržan od AT & T Foundry Innovation Centara kroz INQNET (INtelligent Quantum NEtworks and Technologies), program za ubrzanje kvantnih tehnologija. Napisao Mark H. Kim
