Придуман тип такого специфического интеллекта, который работает не как человек

0
232

— Cкажите, вот у меня складывается такое впечатление, что искусственным интеллектом называют интеллект, который будет похож на человека и вот всячески стараются смоделировать именно вот такие когнитивные способности человека, как он это делает. А вот нейронные сети, гены и т.д., а что, интеллект – это непосредственно связано с нашим телом. Потому что, чем взрослее тело, тем больше интеллект. Или мы просто не знаем, что такое другой интеллект и не можем его смоделировать, а он, глядишь, появится?

Интервью Ивана Оселедец, доцента Сколковского института науки и технологий на finopolis 2018, сообщает интернет-портал Искусственный интеллект вокруг (ai360.com.ua)

— На самом деле, откуда ученые берут вдохновение, это понятно, от человека с природой и т.д. И исходные нейронные сети – это очень упрощенные модели человеческого мозга. Правда о том, как работает человеческий мозг, мы до сих пор не знаем. Есть, например, Пенроуз, такой известный математик, он говорил, что мозг работает как микроскопическая квантовая система. Ну, ерунды он говорить не может, т.е. мы не знаем, как работает человеческий мозг, но мы пытаемся свои представления о том, как он работает перенести в компьютер. Получилась нейронная сеть, получились алгоритмы, как мы уже говорили, которые в 60-х — 80-х годах уже работали и сейчас откуда-то взялся хайп. И, на самом деле, наверное, довольно полезно для тех, кто не в курсе, объяснить, почему хайп вот этого вот искусственного интеллекта возник.

На самом деле этот хайп возник на основе вполне определенной технологии, технологии глубинного машинного обучения. Началось это в 2006 году, причем все алгоритмы уже были. И корифеи глубинного машинного обучения, тот же самый Ян Лекун, Джефри Хинтон, они все были, они все писали те же самые статьи, но такой истерии, такого внимания не было.

Что же случилось? Случилась простая вещь, началось, действительно с конкурса, по тому, как отличить кошку от собаки. Тогда алгоритмы машинного обучения очень плохо это делали, делали с точностью где-то 60 процентов. И в это были вложены достаточно большие деньги. Как тогда люди шутили, что нам нужно миллион долларов и пять аспирантов, и мы сможем отличить кошку от собаки. Это с точки зрения вложений в технологии, куда надо вкладывать. Иногда надо вложить миллион долларов в совершенно бессмысленную фундаментальную идею, из которой потом вырастут бизнесы, корпорации и т.д.

От 60-ти процентов через 8 лет перешли к 99 процентам. Почему это произошло?

Были придуманы новые алгоритмы? Вначале – нет. Но, на самом деле, появилось следующее: первое – появились открытые данные, дата-центры. Наиболее известные, наверное, это имедж нет, порядка 10 миллионов аннотированных изображений, которые люди аккуратно собирали в обучающую выборку. И оказалось, что те алгоритмы, которые были уже известны, работали в среднем не очень хорошо, но нормально. Оказывается, что чем больше данных им даешь, тем лучше они обучаются. Вот это было удивительное наблюдение, которое до сих пор никакого адекватного теоретического описания не имеет. Это первое.

Второе, что появилось дешевое железо, те самые видеокарты, которые нам можно, оказалось, использовать не для того, чтобы играть в компьютерные игры, я для того, чтобы обучать эти самые нейронные сети.

Вот такие два инфраструктурных фактора привели к существенному росту точности, существенному росту числа людей, которые этими вопросами занимаются и, на самом деле, вот тут возникла такая система исследователей, которые работают над одной задачей. Пусть вначале это были кошки и собаки, но вот образовалась такая экосистема людей. Обычно в науке каждая научная группа решает свой маленький научный вопрос и вот 20 лет решает. А тут порядка четырехсот – пятисот научных групп стали решать одну задачу. И оказалось, что по дороге придумалась куча разных методов, скорость распространения результатов стала совершенно космической для научной области, т.е. статья, которая выходит в ноябре 2016 года к марту 2017 года все знают этот метод, все его используют, внедрили во все свои пакеты, на нее тысячи ссылок. Никогда такого не было. Т.е. возникла экосистема и люди уже стали вот о такой простой модельной задаче думать, так, а где бы эти методы применить еще. От изображений перешли к голосу, перешли к обработке естественного языка.

Если говорить о искусственном интеллекте, то, наверное, самый известный, это когда компьютер играл в Го и это такая технология, которая имеет вполне определенное название. На мой взгляд это наиболее перспективная технология и близкая с точки зрения искусственного интеллекта в том смысле, что у вас будет агент, некоторые компьютерные программы, которые способны принимать решения, зарабатывать деньги или делать скоринг. Это технология обучения креплением, совершенно замечательная вещь. Никто на самом деле не знает, как ее точно готовить. В каждом случае требуется 5-6-10 талантливых людей, чтобы создать на ее основе работающий алгоритм. Google DeepMind продвинулся дальше всех. Но, на самом деле, вот эту область с точки зрения развития именно искусственного интеллекта, она наиболее перспективна.

И, возвращаясь к первому вопросу, похоже на человека или нет. Я летом был на конференции CVPR и там делал доклад профессор из МIТ, который занимается анализом мозга. Они провели очень такое интересное исследование. Они взяли некие сигналы из человеческого мозга, некоторых зон, и сравнили их с выходом таких т.н. стандартных глубоких нейронных сетей, например Алекс-нэт. И оказалось, что эти сигналы очень похожи для похожих задач. Т.е. человеческий мозг похоже работает на нейронную сеть, которую мы обучили по данным.

И если мы берем уже более новые нейронные сети, 2016-2017 года, уже не похоже. Наверное, мы придумали что-то, чего в человеческом мозге, по крайней мере, напрямую не видно. Можно сказать, что придуман тип такого, специфического интеллекта, который работает по-другому, не как человек.

Источник: finopolis.ru