Mense plus masjiene sal die vermoëns van enige element alleen oorskry. metamorworks / Shutterstock.com
Die toekoms sal nie deur mense of masjiene alleen gemaak word nie - maar deur albei, saamwerk. Tegnologieë gemodelleer oor hoe menslike breinwerk alreeds mense se vermoëns vergroot, en sal net meer invloedryke word, aangesien die samelewing gewoond raak aan hierdie toenemend bekwame masjiene.
Tegnologie-optimiste het 'n wêreld met styging beoog menslike produktiwiteit en lewenskwaliteit aangesien kunsmatige intelligensiestelsels die lewensdriftigheid en administrivia van die lewe oorneem, tot voordeel van almal. Pessimiste, aan die ander kant, het gewaarsku dat hierdie voorskotte kan kom groot koste in verlore werksgeleenthede en lewensversteurings. En vreesmakers bekommer dat AI uiteindelik kan mense verouder.
Maar mense is nie baie goed om die toekoms te verbeel nie. Nie die utopie of die dag van die dood nie. In my nuwe boek, "Die Diepe Leerrevolusie, "My doel was om die verlede, hede en toekoms van hierdie vinnig groeiende gebied van wetenskap en tegnologie te verduidelik. My gevolgtrekking is dat AI jou slimmer sal maak, maar op maniere wat jou sal verras.
Erkenning van patrone
Diep leer is die deel van AI wat die meeste vordering gemaak het die oplossing van komplekse probleme soos om voorwerpe in beelde te identifiseer, spraak van verskeie sprekers te herken en teks te verwerk soos mense praat of skryf. Diep leer het ook bewys dat dit nuttig is vir die identifisering van patrone in die toenemend groot datastelle wat gegenereer word sensors, mediese toestelle en wetenskaplike instrumente.
Die doel van hierdie benadering is om maniere te vind wat 'n rekenaar die kompleksiteit van die wêreld kan voorstel en veralgemeen uit vorige ondervinding. Alhoewel die volgende dinge nie presies dieselfde is as wat voorheen gebeur het nie. Net soos 'n persoon kan identifiseer dat 'n spesifieke dier wat sy nog nooit gesien het nie, in werklikheid 'n kat is, diep leer algoritmes kan aspekte identifiseer van wat 'kat-ness' genoem kan word en daardie eienskappe uit nuwe beelde van katte kan onttrek.
Diep leerstelsels kan vertel watter van hierdie 'n kat is. Gelpi / Shutterstock.com
Die metodes vir diep leer is gebaseer op die Dieselfde beginsels wat die menslike brein dryf. Byvoorbeeld, die brein hanteer baie data van verskillende soorte in baie verwerkingseenhede op dieselfde tyd. Neurons het baie verbindings met mekaar, en die skakels versterk of verswak afhangende van hoeveel hulle gebruik word, tot stigting van assosiasies tussen sensoriese insette en konseptuele uitsette.
Die mees suksesvolle diep leer netwerk is gebaseer op 1960 se ondersoek na die argitektuur van die visuele korteks, 'n deel van die brein wat ons gebruik om te sien, en algoritmes wat in die 1980s uitgevind is, leer. Op daardie stadium was rekenaars nog nie vinnig genoeg om werklike probleme op te los nie. Maar nou is hulle.
Daarbenewens is leernetwerke bo-op mekaar gelaag, wat webwerwe van verbindings nader maak Lyk op die hiërargie van lae wat in visuele korteks voorkom. Dit is deel van a konvergensie vind plaas tussen kunsmatige en biologiese intelligensie.
'N vierlaag neurale netwerk aanvaar insette van links, slaag die uitset van die eerste laag na die volgende laag, na die volgende en die volgende - voor die lewering van uitvoer. Sin314 / Shutterstock.com
Diep leer in die werklike lewe
Diep leer voeg reeds aan menslike vermoëns toe. As jy Google-dienste gebruik om die web te soek, of sy programme gebruik om van een taal na 'n ander te vertaal of om die teks in teks te verander, het tegnologie jou slimmer of meer effektief gemaak. Onlangs op 'n reis na China, het 'n vriend Engels in sy Android-foon gepraat, wat dit na gesproke Sjinees vir 'n taxibestuurder vertaal het - net soos die universele vertaler op "Star Trek. "
'N toets van 'n werklike real-time vertaal toestel.
{youtube}Nu-nlQqFCKg{/youtube}
Hierdie en baie ander stelsels is reeds aan die werk om jou te help in jou daaglikse lewe, selfs as jy nie daarvan bewus is nie. Byvoorbeeld, diep leer begin om die lees van X-straalbeelde en foto's van velletsels vir die opsporing van kanker. Jou plaaslike dokter sal binnekort probleme ondervind wat vandag net aan die beste kundiges sigbaar is.
Selfs wanneer jy weet dat daar 'n betrokke masjien is, verstaan jy dalk nie die kompleksiteit van wat hulle eintlik doen nie. Agter Amazon se Alexa is 'n bewys van diep leernetwerke wat jou versoek herken, sif deur data om jou vrae te beantwoord en namens jou aksies te tref.
Leer bevorder
Diep leer is baie effektief vir die oplos van patroonherkenningsprobleme, maar om verder te gaan, benodig ander breinstelsels. Wanneer 'n dier beloon word vir 'n aksie, is dit meer geneig om soortgelyke aksies in die toekoms te neem. Dopamienneurone in die basale ganglia van die brein meld die verskil tussen verwagte en ontvang belonings, genoem beloningvoorspellingsfout, wat gebruik word om die sterkte van verbindings in die brein wat toekomstige belonings voorspel, te verander.
Koppeling van hierdie benadering, genoem versterkingsleer, met diep leer kan rekenaars die krag gee om onverwagte moontlikhede te identifiseer. Deur 'n patroon te herken en daarop te reageer op 'n manier wat belonings oplewer, kan masjiene gedrag benader volgens die lyne van wat menslike kreatiwiteit genoem kan word. Hierdie gekoppelde benadering is hoe DeepMind 'n ontwikkel het program genaamd AlphaGo, wat in 2016 verslaan grootmeester Lee Sedol en die volgende jaar klop die wêreld Gaan kampioen, Ke Jie.
Speletjies is nie so gemeen soos die regte wêreld nie, wat gevul is met verskuiwing onsekerhede. Massimo Vergassola by die Universiteit van Kalifornië, San Diego, en ek het onlangs gebruik om wapens te leer om 'n sweeftuig in die veld te leer hoe om soos 'n voël in turbulente terme te styg. Sensors kan aangeheg word aan werklike voëls om te toets of hulle dieselfde aanwysings gebruik en op dieselfde manier reageer.
Ten spyte van hierdie suksesse verstaan navorsers nog nie heeltemal hoe diep leer hierdie probleme oplos nie. Natuurlik weet ons nie hoe die brein hulle ook oplos nie.
Alhoewel die brein se innerlike werking ontwykend bly, is dit net 'n kwessie van tyd voordat navorsers 'n teorie van diep leer ontwikkel. Die verskil is dat navorsers toegang het tot enige verband en aktiwiteitspatroon in die netwerk wanneer hulle rekenaars studeer. Die tempo van vordering is vinnig, met navorsingsvraestelle wat daagliks verskyn arXiv. Verrassende voorskotte word gretig verwag hierdie Desember by die Neural Information Processing Systems konferensie in Montreal, wat uitverkoop 8,000 kaartjies in 11 minute, wat 9,000 hoopvolle registrante op die waglys verlaat.
Daar is 'n lang pad om te gaan voordat rekenaars algemene menslike intelligensie bereik. Die grootste diep leer netwerk vandag het net die krag van 'n stukkie menslike neurale korteks die grootte van 'n rysgraan. En ons weet nog nie hoe die brein dinamies interaksies tussen groter breinareas organiseer nie.
Die natuur het reeds daardie vlak van integrasie, wat grootskaalse breinstelsels skep wat in staat is om alle aspekte van die menslike liggaam te bedrywig terwyl jy diep vrae oorweeg en komplekse take voltooi. Uiteindelik kan outonome stelsels so kompleks word, aangesluit by die ontelbare lewende wesens op ons planeet.
Oor Die Skrywer
Terrence Sejnowski, Francis Crick Professor en Direkteur van die Computational Neurobiology Laboratory by Salk Instituut vir Biologiese Studies, en Distinguished Professor of Neurobiology, Universiteit van Kalifornië in San Diego
Hierdie artikel is gepubliseer vanaf Die gesprek onder 'n Creative Commons lisensie. Lees die oorspronklike artikel.
verwante Boeke
at InnerSelf Market en Amazon
