Да, миллионы низкооплачиваемых низкоквалифицированных рабочих мест подвергаются все большему риску. Но грядущая революция в области искусственного интеллекта также может принести много пользы.
Во вторник Белый дом опубликовал пугающий отчет об ИИ и экономике. Он начинался с утверждения, что можно ожидать, что машины будут продолжать достигать и превосходить человеческие возможности при выполнении все большего количества задач, и предупредил о массовых потерях рабочих мест.
Тем не менее, чтобы противостоять этой угрозе, правительство дает рекомендацию, которая может показаться абсурдной: мы должны увеличить инвестиции в ИИ. Риск для производительности и конкурентного преимущества США слишком высок, чтобы делать что-либо, кроме как удвоить его.
Этот подход не только имеет смысл, но и имеет смысл only. Легко - и оправданно - беспокоиться о миллионах индивидуальных карьер, которые будут переоснащены чем-то вроде беспилотных автомобилей и грузовиков, но у нас также есть пропасть потребности, которую может помочь заполнить машинное обучение. Наша медицинская система глубоко ошибочна; интеллектуальные агенты могут распространить доступную и качественную медицинскую помощь большему количеству людей в большем количестве мест. Наша образовательная инфраструктура недостаточно хорошо готовит студентов к надвигающимся экономическим потрясениям; и здесь системы искусственного интеллекта могут вмешаться, когда учителя слишком разбросаны. Мы могли бы обрести энергетическую независимость, разработав гораздо более умную инфраструктуру, как это сделала дочерняя компания Google DeepMind для энергопотребления своей материнской компании. Возможности слишком велики, чтобы их игнорировать.
Что еще более важно, мы должны мыслить не только об узких классах рабочих мест, которым угрожает опасность, потому что сегодняшние лидеры в области ИИ - в Google и других компаниях - уже закладывают основу для еще более амбициозного видения, бывшей несбыточной мечты - общего искусственного интеллекта.
Побывать на переднем крае великого захвата искусственного интеллекта - значит наблюдать, как системы машинного обучения постоянно бьют людей в узких, ограниченных областях. В этом году многие из наиболее заметных участников противостояния искусственного интеллекта и человечества вышли из Google. В марте лучший игрок в го в мире потерпел сокрушительное поражение от AlphaGo от DeepMind. Исследователи DeepMind также создали систему, которая может читать по губам видео с точностью, которая оставляет людей в пыли. Несколько недель назад компьютерные ученые Google, работающие с медицинскими исследователями, сообщили об алгоритме, который может обнаруживать диабетическую ретинопатию на изображениях глаза так же, как это может делать офтальмолог. Это первый шаг к цели, которую сейчас преследуют многие компании: помочь врачам за счет автоматизации анализа медицинских изображений.
Также этой осенью Microsoft представила систему, которая может транскрибировать человеческую речь с большей точностью, чем профессиональные стенографисты. Распознавание речи - это основа таких систем, как Cortana, Alexa и Siri, и на протяжении десятилетий ставилась цель добиться соответствия производительности человека в этой задаче. По словам главного специалиста по речи Microsoft XD Хуанга, лично для меня это почти как мечта, которая сбылась спустя 30 лет.
Но победы ИИ над людьми в 2016 году - это только начало. Новые исследования показывают, что скоро мы перейдем от этих тонких кусочков интеллекта к чему-то более богатому и сложному. Хотя до настоящего общего интеллекта еще не менее десятилетий, общество все равно увидит огромные изменения, поскольку эти системы приобретают все более расширяющийся круг владения. Вот почему Белый дом (ну, по крайней мере, пока Обама еще у власти) не уклоняется от этого. Мы находимся в процессе разработки мощной силы, которая изменит все, что мы делаем.
Игнорировать эту тенденцию - не бросаться с головой в ее понимание, формирование и мониторинг - вполне может быть самой большой ошибкой, которую может совершить страна.
Предпочтительный инструмент в вышеупомянутых примерах успешного ИИ - это глубокое обучение: метод искусственного интеллекта, который соперничал с habaneros в пылающей горячности. Его особый характер - причина того, что мы находимся на грани более широкого интеллекта.
Хотя нам удавалось обучать ИИ решать задачи на протяжении десятилетий, экспертам приходилось кропотливо вручную создавать множество индивидуальных компонентов для каждого приложения. Годы человеческой работы, необходимые для поддержки ИИ в распознавании объектов на изображении, например, были совершенно бесполезны для решения проблемы расшифровки звуков для транскрипции. Другими словами, нам приходилось предварительно пережевывать пищу нашего ИИ, снова и снова.
Урок последних четырех лет заключается в том, что это утомительное предварительное пережевывание пищи сейчас, по крайней мере, на данный момент, в значительной степени неуместно. Вместо этого, по сути, существует один алгоритм (с множеством незначительных вариантов), который может корректировать свою собственную структуру для решения проблемы непосредственно из любого массивно большого набора данных, который вы ему скармливаете. Результат - не только более эффективные системы, но и гораздо более быстрое экспериментирование. «Многие, многие проблемы, над которыми мы работали в течение долгого времени и добились очень, очень замедленного прогресса, теперь через шесть месяцев мы можем их решить», - говорит вице-президент Google и научный сотрудник Фернандо Перейра.
И все же, какими бы впечатляющими ни были человеческое распознавание речи, чтение по губам и теги изображений, не сразу очевидно, что они являются краеугольными камнями некоего великого и всемогущего интеллекта. Это как если бы ваш ребенок пришел домой с успеваемостью по предметам, которые включают английский язык, вязание каблуков носков, вышибалы и вычисление гипотенузы. Вы, вероятно, задаетесь вопросом, сможет ли этот умный ребенок провести связи между этими областями, чтобы проявить себя как критически настроенный мыслитель. Так действительно ли глубокое обучение бросает вызов истинному человеческому разуму?
«Причина, по которой мы сейчас видим чрезвычайно узкие системы, заключается в том, что они чрезвычайно полезны, - говорит Илья Суцкевер, соучредитель и директор по исследованиям OpenAI. «Хороший перевод очень полезен. Хороший скрининг на рак чрезвычайно полезен. Так вот к чему стремятся люди ".
Но он добавляет, что, хотя сегодняшние системы кажутся узкими, мы «уже начинаем видеть семена общности». Причина в том, что все лежащие в основе техники - это просто мягкие риффы на одной концепции. «Эти идеи настолько комбинируются, что это как глина. Вы смешиваете и сопоставляете их, и все они могут работать ».
Смешивая и сопоставляя узкие системы сегодняшнего дня, мы достигнем чего-то большего и широкого - и более узнаваемого как интеллектуального - завтра.
Один ранний, дразнящий пример того, как в конечном итоге может выглядеть высший интеллект, взят из исследования переводов Google. В сентябре Google объявил о значительном обновлении производительности Google Translate, используя систему, которую он назвал Google Neural Machine Translation (GNMT). Перейра из Google назвал скачок качества перевода "чем-то, чего я никогда не думал, что увижу в своей профессиональной жизни".
«Мы добивались стабильного прогресса», - добавил он. «Это не стабильный прогресс. Это радикально ».
С новым переводом, который теперь переводит язык за языком, некоторые гуглеры решили пойти еще дальше. Они задавались вопросом, смогут ли они создать единую систему перевода, которая могла бы манипулировать многими языками и потенциально отображать трансфертное обучение, что является признаком человеческого интеллекта. Трансферное обучение - это способность применять один навык, такой как игра на фортепиано, для ускорения овладения другим, например, дирижирование оркестром или изучение другого инструмента.
Нам кажется очевидным, что знание основ музыки поможет пианисту научиться играть на гавайской гитаре, но языковой перевод был сделан не так. В GNMT одна система глубокого обучения должна была поглотить миллионы переводов с немецкого на английский и научиться принимать der rote Hund и выплевывать рыжего пса. Отдельная система самостоятельно научилась переводить в обратном направлении, с английского на немецкий. То же самое и с французского на английский, с английского на французский, с корейского на японский и так далее - каждая пара языков использует свою собственную систему, построенную так, как будто процесс перевода каждый раз изобретается заново. Для поддержки перевода между 100 языками вам может потребоваться обучение почти 10 000 отдельных систем. На это уходит много времени.
Эти исследователи хотели знать, смогут ли они построить единую модель для нескольких языков, которая могла бы противостоять этим одноразовым системам. Во-первых, это могло быть более эффективно. И, возможно, возникнет что-то интересное из того, что все эти слова и языки крутятся внутри единой архитектуры.
Они начали с малого, с нейронной сети, обученной на португальском и английском, а также на английском и испанском языках. Пока все хорошо: эта единая многоязычная система почти так же хорошо справилась с современными специализированными моделями GNMT при переводе с английского на испанский или португальский. Затем они задались вопросом: может ли этот алгоритм также переводить с португальского на испанский, даже если он не видел ни одного примера перевода с португальского на испанский?
Как доложили в ноябре, результат получился достаточно хорошего качества - не ошеломляющим по своему совершенству, но и неплохим для новичка. Но когда они затем скармливали ему небольшой набор пар предложений с португальского и испанского языков, своего рода забавный букет данных, система внезапно стала такой же хорошей, как и специализированная португальско-испанская модель GNMT. . И это работало и для других пакетов языков. Как пишут в статье авторы Google, это первый раз, когда нам известно, что форма истинного трансферного обучения доказала свою эффективность в машинном переводе.
Легко упустить то, что делает это таким необычным. Эта нейронная сеть научилась новому элементарному навыку с использованием косвенной информации. Он почти не изучал перевод с португальского на испанский, но вот он, выполняя свою работу. Где-то в нутро системы авторы, казалось, видели признаки общей сущности слов, смысла.
Перейра из Google объясняет это следующим образом: «У модели есть общий слой, который нужно преобразовывать из чего угодно во что угодно. Этот общий слой представляет большую часть смысла текста, независимо от языка », - говорит он. «Это то, чего мы никогда раньше не видели».
Конечно, возможности этого алгоритма очень ограничены. Он не знает, что пингвин - это птица или что Париж находится во Франции. Но это знак того, что должно произойти: развивающийся интеллект, который может совершать когнитивные скачки на основе неполного набора примеров. Если глубокое обучение еще не победило вас в важном для вас навыке, просто подождите. Так и будет.
Обучение одной системы многим действиям - это именно то, что нужно для развития общего интеллекта, и усиление этого процесса теперь является основной задачей ускорителей искусственного интеллекта. Ранее в этом месяце OpenAI, исследовательский консорциум, придуманный Илоном Маском и Сэмом Альтманом, представил Universe, среду для обучающих систем, которые не просто решают одну задачу, но могут быстро переходить и стать экспертом в различных видах деятельности. .
Как сказал соучредитель Сусткевер: «Если вы попытаетесь заглянуть в будущее и увидеть, что именно мы подразумеваем под« интеллектом », это определенно предполагает решение не просто одной проблемы, а большого количества проблем. Но что значит для генерального агента быть хорошим, умным? Это не совсем очевидные вопросы ».
Поэтому он и его команда разработали Universe как способ помочь другим измерить общие способности агентов ИИ решать проблемы. Он включает около тысячи игр Atari, Flash-игр и задач браузера. Если бы вам пришлось ввести любой ИИ, который вы создаете, в тренировочное кольцо, которое представляет собой Вселенную, он был бы оснащен теми же инструментами, которые человек использует для управления компьютером: экраном, на котором можно наблюдать за действием, и виртуальной клавиатурой и мышью. .
Цель состоит в том, чтобы ИИ научился ориентироваться в одной среде Вселенной, такой как Wing Commander III, а затем применить этот опыт, чтобы быстро освоиться в следующей среде, которая может быть другой игрой, например как World of Goo или что-то в таком же роде, как Wolfram Mathematica. Успешный агент ИИ продемонстрировал бы некоторое трансферное обучение, со степенью гибкости и рассудительности.
Такой подход не беспрецедентен. В 2013 году DeepMind раскрыл единственный алгоритм, основанный на глубоком обучении, который самостоятельно открыл, как играть в шесть из семи игр Atari, на которых он был протестирован. В трех из этих игр - Breakout, Enduro и Pong - он превзошел опытных игроков. Universe - это своего рода увеличенная версия истории успеха DeepMind.
По мере роста Вселенной слушатели ИИ могут начать изучать бесчисленные полезные навыки работы с компьютером. В конце концов, это, по сути, портал в мир любого современного настольного жокея. Разнообразие сред Вселенной может даже позволить агентам ИИ получить некоторые обширные знания о мире, которые в противном случае было бы сложно собрать.
Это своего рода скачок от чемпиона Flash и Atari к агенту, который улучшает качество здравоохранения, но это потому, что наши интеллектуальные системы все еще используются в детских садах. В течение многих лет ИИ не заходил даже так далеко. Сейчас он на пути к первому классу, средней школе и, в конечном итоге, к ученой степени.
Да, результат неизвестен. Да, это совсем страшно. Но теперь у нас есть выбор. Мы можем попытаться закрыть это мрачное будущее, которое мы не можем полностью контролировать или предсказать, и рискуем, что технология просочится незваным образом, потенциально вызывая массовое вытеснение. Или мы можем активно пытаться вести его по пути наибольшей социальной выгоды и поощрять будущее, которое мы хотим видеть.
По этому поводу я с Белым домом. Грядет мир, основанный на глубоком обучении, и мы могли бы сразу же в него ворваться.
Художественный руководитель: Redindhi Studio
Автор иллюстрации: Laurent Hrybyk
