מה קורה אם אתה משאיר אינטליגנציה מלאכותית ללא השגחה?

התוכן:

AI עצמאי

למרות שזה כבר טופס רע - להזכיר את המשחק בשנה שעברה של אלפא גו אדם בפסקה הראשונה, נתחיל עם הדוגמה הזו. הוא מעוניין בנו כי זה אולי המקרה הראשון מספיק של "למידה עצמית AI". ישנן דוגמאות רבות אחרות, אך עד היום לא עזבו את המעבדות, והן אינן ידועות כלל לציבור הרחב. בליבה של המחקר העצמי של אלפאגו היו שעות רבות של משחק משחקים עם עצמך, בתוספת המחקר של משחקים שיחק.

תחרות זו של אדם ומכונית משכה את תשומת הלב של כל הפרסומים הגדולים. אני, כמו תמיד, בלם ולא היה לי זמן לרכבת זו תזכורת מדהימה של העיתונות המודרנית. אבל "העימות של המאה" מעניין לא רק את ההייפ סביב (מיליון דולר בפרס כספי, הענקת דאן 9 כבוד במשחק של ללכת, פריצת דרך מדעית של השנה על פי מדע) ואת טעם מובהק של בדיוני אזימוב. תמצית הפעולה בקצרה: מכונת המשחק AlphaGo שלטה וזכתה 4 מתוך 5 התאמות במשחק האוריינטלי המסורתי של ללכת. היא לא זכתה באיזושהי שחקנית מדורגת ראשונה, אבל בקוריאנית גו-מקצועי 9 לי לי סדול (מקום שני בדירוג הבינלאומי). מומחים אומרים שהמקרה הזה לא נראה כמו קרב שחמט של מחשב וגארי קספארוב, כי ב -1997 הוכשר המחשב בפיקוח של שחקני שחמט, שכתבו בעצמם אסטרטגיות ואימנו אותו. כדי להכשיר את נגן השחקן AlphaGo, נעשה שימוש בשיטת כוח הזרוע (המכשיר צפה במדגם של מאות אלפי מפלגות), בדומה למודלים מדעיים עובדים, הידועים בעיקר בשם GAN (רשתות אדוורריות גנריות). הם בעלי עניין מיוחד, כי נציגי צוות AlphaGo יש להתמודד עם אלה רשתות עצביות תחרותי. אנו נשקול אותם במאמר זה.

גישה כזו להכשרת הבינה המלאכותית אינה עוד חדשות - רשתות מתחרות גנריות או רק גנים הופיעו לראשונה בשנת 2014 בעזרתו של איאן גודפלו. GANs לעבוד פשוט מאוד - כמו צרור של עורך דין, שוטר רע רע או סופר מבקר. רשת אחת (מפלה, D) מסווגת, מסמנת נתונים נכנסים כוזבים או נכונים. רשת מתחרה (גנרטור, G) בוחנת את הערכות המפלה ויכולה ליצור נתונים חדשים המבוססים על אומדנים אלה. רשתות עצביות אלה מלמדות זו את זו. בנוסף, המעניין ביותר, GANs צריך דוגמאות קטנות מאוד של מידע האימון - זה לוקח רק כמה מאות תמונות ושלושה או ארבעה סיבובים של חזרות על גנרטור להתחיל לייצר גרסאות משלה של התמונות המקוריות (לפני תהליך הלמידה של רשתות עצביות נדרש שעות רבות מיליוני דוגמאות).

אחד המעניינים ביותר במודלים של GAN של AI היה פייסבוק, אשר אפילו מיהר לפרסם פוסט על זה. למה פייסבוק? מכיוון שהיא השחקנית הציבורית ביותר בשוק ההיי-טק - הן של גוגל והן של אמזון, ומיקרוסופט קונה מאסיבית צוותים וסטארט-אפים בתחום הבינה המלאכותית כדי לפתח את ההתפתחויות שלהם. אבל הם קצת מאחורי פייסבוק, אשר יש מדגם אימון ענק עבור אימון AI על תמונות (ראיית מחשב היא אחת השיטות הפופולריות ביותר AI אימון) וצוות FAIR מעולה (פייסבוק בינה מלאכותית קבוצת המחקר).

תקציר: הרשת המפלה לומדת להבחין בין תמונות אמיתיות לבין תמונות שנוצרו על ידי המחשב, והרשת מחוללת את הרשת כדי ליצור תמונות ריאליסטיות שאינן ניתנות להבחנה מהמקור. במירוץ זה אימון, שתי רשתות יש שוויון (?) סיכויי הצלחה. מה יקרה כשיסיימו את ההכשרה?

מגמה

בשנים האחרונות, הלמידה הממוחשבת חווה רק תור זהב - העוצמה המוגברת של מחשבים, גישה מיידית למערכי נתונים גדולים הופכת את האזור למקום חם מאוד. כיום, AI היא מכונית פורד בתחילת המאה הקודמת או לוויינים בחלל בשנות ה -60 - פרץ כללי, תחזיות מסחרר והבנה חלשה של מה לעשות עם כל העושר הזה. להלן דוגמאות לטכנולוגיות החדישות ביותר בתחום AI.

One-shot למידה היא הכשרה של רשתות עצביות על כמות קטנה של נתונים, באופן אידיאלי עם דוגמה אחת מדגם קטן לאימון. יותר ויותר חברות סטארט-אפ עובדות על למידה מהירה של AI.

אז, אלגוריתם המשחק DeepStack לא לחזור על גורלו של Alpha Go, אבל בא קרוב מאוד אימון מוצלח בדגימות קטנות. בסוף שנת 2016, ערכה דיפסטאק סדרה של משחקי פוקר טקסס עם 11 שחקנים מארגון הפוקר הבינלאומי. האלגוריתם לקח 3000 שילובים עם כל שחקן כדי להראות תוצאות הגון - בטוח (ממוצע 396 נקודות) ניצחונות מעל עשרה שחקנים וניצחון קרוב על האחד עשר (70 נקודות, דיוק סטטיסטי). האלגוריתם לא נלמד רק בתהליך המשחקים, אלא השתמש בשיטה של ​​פתרון מחדש (הסתגלות לכל שחקן חדש וכל שילוב חדש של קלפים). DeepStack הוא תוצאה של שיתוף עמוק של רשתות עצביות רקורסיבית ו- GAN.

פרויקט הרשת העצבית Microsoft ResNet משמש לזיהוי תמונות. אם אתה ללכוד את העבודה של רשת עצבית בעת מיון וזיהוי תמונות, אתה מקבל את התמונות האלה:

נקודת מבט פרספקטיבית על מדע וצילום משפטיים, הזדקנות פנים עם GANs - זוג מחולל מפלה לאחר אימון על 5,000 תמונות של פרצופים אנושיים בגילאים שונים יכול לשחזר, לחזות שינויים של אנשים עם הגיל. אם הגנרטור משחזר אדם מבוגר, המפלה קובעת עד כמה התוצאה תואמת את המקור.

סוחרי גולדמן זאקס החליפו חלק מהסוחרים שלהם באלגוריתמים. המקום של 600 סוחרים רגילים הוא עכשיו כבוש על ידי 200 מפתחים ומהנדסים התומכים באלגוריתמים המסחר. זה קשור עם גדול (146 נקודות) תוכנית ניהול בנקאי עבור אוטומציה פשוטה פעולות התיווך. סוחרים בעלי נסיון רב ואנשי מכירות מנוסים לא יושפעו מכך.

למרות שבקרנות גידור מסוימות (Sentient Technologies inc., Numerai, קרן אמה גידור), אלגוריתם סוחר מבוסס AI כבר עושה את כל העבודה של ניתוח תוצאות חיזוי. בדרך כלל, מומחים ב- AI אינם נלהבים לעבוד עבור תאגידים פיננסיים, אבל היתרונות של קבוצות נתונים גדולים והזדמנויות לאימון AI עולים על הספקנות ועל חוסר הרצון לעבוד עבור Molochs קפיטליסטי. שנת 2016 הייתה שנת הלידה של מספר קרנות גידור בו זמנית, בה נסחרת בינה מלאכותית.

התאום הסיני "גוגל" באידו גם לא ישן. רוב ההתפתחויות הסיניות בתחום AI, הלמידה מכונה מופצים ללא תשלום וכל אחד יכול לבדוק וללמוד אותם. בחודש ינואר 2017, במעבדה מציאות מלאכותית נפתח בבייג'ינג, שם אנדרו Eun רוצה להתיידד עם המציאות הווירטואלית ואת העבודה של מנועי החיפוש.

פיתוח מבטיח נוסף של באידו הוא רפואי בלונדינית מלודי, אשר מסוגל לערוך סקר החולה העיקרי ומאיים להחליף את מחלקת הרישום כולו במרפאות.

דמוקרטיזציה של AI - כיום, החוקרים צריכים כמויות גדולות של מידע וכוח מחשוב, אז עכשיו רק חברות גדולות ומכוני מחקר תחרותיים בתחום AI. ברגע מודלים AI מופיעים כי הם מסוגלים ללמוד על כמויות קטנות של מידע, זה יהיה עוד יותר מעניין, כי אפילו יותר אנשים יוכלו להכשיר ולחקור AI. אולי יהיו רשתות חברתיות (כבר) שבו אנשים יוכלו לחלוק התקדמות באימונים סוכני AI שלהם.

ההפצה תקבל מנגנונים לזיהוי אוטומטי של חדשות, תמונות וסרטונים מזויפים. הפיתוח של IBR (תמונה מבוססת טיוח), טכנולוגיה המאפשרת ציור מסגרות חדשות המבוססות על הקיים (משהו דומה לשיטות כבר מיושם inbetweening או אינטרפולציה תנועה), פשוט דורש את המראה של מנתח מזויף כזה.

עוד שלום מסין אחווה הוא פיתוח של פנים + פנים הכרה, אשר מאפשר לך לשלם עם הפנים שלך (קשה לספור כמה שכבות יש במשחק הזה). בדיקה של פיתוח מבוסס על מערכת תשלום נייד Alipay: עכשיו אתה יכול לבצע תשלומים על ידי מתן רק את הפנים שלך.

בתחום של זיהוי דיבור ורבייה, מספר מקרים הם בעלי עניין: Adobe Voco (קול המרה) מצגת "פוטושופ עבור קול" - בקשה Adobe Audition כי מתפעל את המדגם המקורי של הדיבור האנושי, מוסיף מילים חדשות ומשמעויות ההודעה המקורית. עכשיו, ventriloquizing לוקח משמעויות חדשות.

דוגמה טובה כיצד חוקר עצמאי יכול ללמד שפות AI הוא:

התוכנית מלמדת אנגלית:

התוכנית מלמדת יפנית:

ומה יקרה אם תעזוב את ה- AI ללא השגחה? הוא עצמו ילמד בלי לעצור ויהיה יותר ויותר מושלם, למשל, במוסיקה:

אלגוריתמי mashup או מלאכותי Stravinsky

במקום מסקנות: כאשר אני שומע כי צעירים עם תואר שני במנהל עסקים עושים AI startups, היד שלי מושיט את העכבר. אם ניקח בחשבון כמה תוכנה חופשית ומחשבים חזקים זמינים לאנשים רגילים היום, אז האופנה ב- AI לא צריך להיות מפתיע. למרות HYIP סביב בינה מלאכותית ולמידה מכונה, תחזיות מדהים וטריקים ילדותיים כמו רוקט AI, למרות כל ההתקדמות בתחום זה, AI בקושי יכול להיקרא אינטליגנציה בהגדרה המדויקת של מילה זו ("אנשים, אנשים בכל מקום" - כל עבודה על פיתוח ותמיכה בינה מלאכותית מתבצע כעת על ידי אנשים, AI לא יכול אפילו שם עצמו, זה רק אומר מה המדענים השקיעו בו). רוב השירותים הפועלים על בסיס של בינה מלאכותית נתמכים עדיין על ידי מפתחים, אנחנו יכולים רק לדבר על חלק קטן מאוד של אוטומציה של מכונות חכמות. עד כה, האינטליגנציה המלאכותית חוזרת על עצמה ומשחזרת מידע חינוכי או עבודה - כן, היא מדהימה עם כוח מחשוב ומהירות למידה, אבל זה בערך העניין. זה מוקדם מדי לדבר על משהו דומה לפעילות אנושית גבוהה יותר. "כן, ולא בהכרח, "היה אומר לארי ניבן.

עדכון 02.23.17: פייסבוק שוחרר פרויקט הנביא, כלי חיזוי עסקי אוטומטי. הנביא משתמש במודלים אנליטיים של רגרסיה לא-פרמטרית לחיזוי.

מבוסס על פודקאסט עם איאן Goodfellow ריצ'רד Mallah.

* "יש מוחות שחושבים אחרת". חוק ניבן ה -15 *. - "יש מוחות שחושבים בדיוק כמוך, רק בדרך אחרת". 15 חוק ניבן.

צפה בסרטון: J. Krishnamurti - Brockwood Park 1976 - Discussion 7 - Life is sacred (נוֹבֶמבֶּר 2019).

Loading...

עזוב את ההערה שלך