Эта статья была первоначально создана [AI Frontline], ID: ai-front
Автор｜Fabio Ciucci
Переводчик｜НЕР
Люди ожидали научно-фантастического ИИ, такого как HAL, с 1960-х годов, но до недавнего времени ПК и роботы были довольно глупыми. Теперь технологические гиганты и стартапы возвещают о наступлении революции в области искусственного интеллекта: беспилотные автомобили, роботы-врачи, роботы-инвесторы и многое другое. PwC считает, что к 2030 году искусственный интеллект внесет в мировую экономику 15,7 триллиона долларов. «ИИ» был модным словом 2017 года, так же как «.com» был модным словом 1999 года, и все заявляли о своем интересе к ИИ. Не ведитесь на шумиху вокруг ИИ, это пузырь или реальность? Что нового в нем сейчас по сравнению со старыми трендами ИИ?
ИИ не будет применяться легко или быстро. Самые захватывающие примеры ИИ, как правило, исходят от университетов или технологических гигантов. Любые самопровозглашенные эксперты по искусственному интеллекту, которые обещают произвести революцию в своих компаниях с помощью новейших технологий искусственного интеллекта, просто посылают неверное сообщение об искусственном интеллекте, а некоторые из них просто переделывают старые технологии, оформляя их как искусственный интеллект. Все испытали на себе новейшие технологии искусственного интеллекта, воспользовавшись услугами Google, Microsoft, Amazon. Но крупные корпорации не смогут быстро освоить «глубокое обучение» для настройки внутренних проектов. Большинству людей не хватает соответствующих числовых данных для надежного обучения ИИ. В результате ИИ не убьет все рабочие места, тем более что для обучения и тестирования каждого ИИ по-прежнему нужны люди.
ИИ теперь может «видеть глазами» и хорошо справляется с некоторыми задачами, связанными со зрением, такими как: выявление рака или других заболеваний с помощью медицинских изображений, что статистически превосходит людей-рентгенологов, офтальмологов, дерматологов и т. д., а также вождение автомобиля. и чтение по губам. ИИ может рисовать картины в любом стиле, обучаясь на образцах (таких как Пикассо или ваши картины). В свою очередь, он может заполнить недостающую информацию картиной и угадать, что такое настоящая фотография. Глядя на скриншоты веб-страниц или приложений, ИИ может писать код для создания подобных веб-страниц или приложений.
В настоящее время ИИ может «слышать ушами», не только понимать ваши слова, но и, слушая «Битлз» или вашу музыку, создавать новую музыку или имитировать голос любого, кого он слышит. Обычный человек не может сказать, была ли картина или музыкальное произведение созданы человеком или машиной, или предложение было произнесено человеком или искусственным интеллектом.
ИИ, обученные выигрывать покерные турниры, научились блефовать, справляться с потерянными картами, потенциальным мошенничеством и дезинформацией. Роботы, обученные вести переговоры, также научились обманывать, угадывая, когда вы лжете, и солгут, если потребуется. ИИ, который переводит с японского на английский или с корейского на английский, также может переводить с корейского на японский. Похоже, что ИИ-переводчик сам создал промежуточный язык, который может интерпретировать любое предложение независимо от языковых границ.
Машинное обучение (МО) — это подкатегория ИИ, которая позволяет машине учиться на собственном опыте, на примерах из реального мира, и чем больше у нее данных, тем больше она может узнать. Говорят, что если машина лучше справляется с задачей с опытом, она может учиться на этом опыте. Но большинство ИИ созданы по фиксированным правилам, они не могут учиться. С этого момента я буду использовать термин «машинное обучение» для обозначения «ИИ, который учится на данных», чтобы подчеркнуть, чем он отличается от других ИИ.
Искусственные нейронные сети — это лишь один из путей к машинному обучению, другие пути включают в себя деревья решений, машины опорных векторов и многое другое. Глубокое обучение — это искусственная нейронная сеть со многими уровнями абстракции. Если оставить в стороне раздутое слово «глубина», многие методы машинного обучения «просты». Успешное машинное обучение обычно является гибридным, то есть комбинацией многих методов, таких как дерево + глубокое обучение + другие, которые все обучаются отдельно, а затем объединяются. Каждый метод может вносить разные ошибки, поэтому, усредняя успех каждого из них, они превосходят один метод в отдельности.
Старый ИИ не «учился». Это основано на правилах, это просто "если... то...", написанное несколькими людьми. Это называется ИИ, если он решает проблему, но это не машинное обучение, потому что он не может учиться на данных. Большая часть современных ИИ и автономных систем по-прежнему представляет собой код, основанный на правилах. Машинное обучение стало понятно только с 1960-х годов, но, как и человеческий мозг, оно требует массивных вычислительных устройств для обработки огромных объемов данных. В 1980-х обучение машинного обучения на ПК занимало месяцы, а числовых данных было очень мало. Введенный вручную код на основе правил быстро решает большинство проблем, поэтому о машинном обучении забывают. Но с нашим нынешним оборудованием вы можете обучить машинное обучение за считанные минуты, мы знаем оптимальные параметры, и числовых данных больше. Затем, после 2010 года, в одной области ИИ за другой стало доминировать машинное обучение, от зрения, речи, языкового перевода до игр, машинное обучение превосходило ИИ, основанный на правилах, и часто превосходило людей.
Почему ИИ побеждал людей в шахматы в 1997 году, а в го — только в 2016 году? Потому что в 1997 году компьютеры просто просчитывали все возможности на шахматной доске 8х8, а в Го 19х19 возможностей, и компьютеру понадобился бы миллиард лет, чтобы просчитать все возможности. Это все равно, что пытаться скомбинировать все буквы случайным образом, чтобы получить всю эту статью: это невозможно. Итак, единственная известная надежда — обучить ML, но ML приближенный, а не детерминированный, машинное обучение — «случайное», его можно использовать для статистического анализа паттернов, но не для точных прогнозов.
Машинное обучение делает возможной автоматизацию, если у вас есть нужные данные для обучения машинному обучению.
В большинстве случаев машинное обучение представляет собой обучение с учителем, где примеры, используемые для обучения, помечены, а метка — это описание или метка каждого экземпляра. Сначала вам нужно вручную отделить эти фотографии кошек от фотографий собак или спам от обычной почты. Если вы неправильно пометите данные, машинное обучение окажется неверным, что очень важно. Помещение немаркированных данных в ML — это обучение без учителя, когда ML найдет полезные модели и группы данных, но его нельзя использовать в одиночку для решения многих проблем. Таким образом, некоторые ML находятся под полуконтролем.
При обнаружении аномалий вы можете выявлять необычные вещи, такие как мошенничество или кибервторжения. ML, обученный старомодному мошенничеству, пропустит эти новые. Вы можете сделать так, чтобы ML предупреждал о любых подозрительных различиях. Государственные ведомства уже используют ОД для выявления случаев уклонения от уплаты налогов.
Обучение с подкреплением уже было показано в фильме 1983 года «Военная игра», в котором компьютер избежал Третьей мировой войны, преодолев каждую сцену со скоростью света. Этот ИИ исследовал миллионы неудач и попыток и, наконец, окупился. AlphaGo была обучена таким образом, что играла со своим противником миллионы раз, чтобы приобрести навыки, превосходящие человеческие. Он делает невиданный ранее ход, и игрок-человек может даже счесть его неправильным ходом. Но позже эти выходки были признаны необыкновенным остроумием. Машинное обучение становится более креативным, чем люди, играющие в го.
«Эффект ИИ» возникает, когда люди думают, что ИИ на самом деле не умен. Людям подсознательно нужно верить в магию, и им нужно верить, что люди уникальны во вселенной. Каждый раз, когда машина превосходит человека в интеллектуальной деятельности, такой как игра в шахматы, распознавание изображений или перевод, люди всегда говорят: «Это всего лишь вычислительная мощность, а не интеллект». используется, его больше не называют «интеллектуальным». Если «интеллект» — это просто навык, которого ИИ не достигает (то есть навык, который принадлежит только мозгу), то словарь нужно обновлять каждый год, например: математика считалась интеллектуальной деятельностью до 1950-х годов, а уже нет.. Это так странно. Что касается «мощных вычислений», человеческий мозг имеет 100 триллионов нейронных связей, что намного больше, чем у любого компьютера на Земле. Машинное обучение не может выполнять «грубые вычисления», и машинному обучению потребуется миллиард лет, чтобы попробовать все соединения. Машинное обучение будет «угадывать только на основе обучения» и использует меньше вычислительной мощности, чем мозг. Следовательно, это должен быть ИИ, чтобы утверждать, что человеческий мозг недостаточно умен, чтобы утверждать, что человеческий мозг — это всего лишь мощная вычислительная мощность.
Машинное обучение — это не симулятор человеческого мозга, реальные нейроны сильно отличаются. Машинное обучение — еще один путь к истинной мощи мозга. И мозг, и машинное обучение имеют дело со статистикой (вероятностью) для аппроксимации сложных функций, и оба они дают слегка необъективные результаты, но их можно использовать. Машинное обучение и человеческий мозг дают разные результаты для одной и той же задачи, потому что они по-разному подходят к проблеме. Всем известно, что мозг легко что-то забывает и имеет много ограничений, когда дело доходит до решения определенных математических задач, но машины отлично справляются с памятью и математикой. Однако старая идея о том, что «либо машина дает точный ответ, либо машина сломана», неверна и устарела. Люди совершают много ошибок, вы не слышите, что человеческий мозг сломан, вы слышите, что человеческий мозг заставляет учиться усерднее. Итак, ML не сломан, им нужно учиться усерднее, учиться большему количеству и другим данным. Машинное обучение, обученное человеческому предубеждению, может быть расистским, сексистским, несправедливым и, что хуже всего, человеческим мозгом. Машинное обучение не должно обучаться только на данных и не должно быть предназначено только для имитации человеческой работы, поведения и мозга. Тот же ML, если его обучить в других галактиках, может имитировать инопланетные мозги, давайте думать и инопланетными разумами.
ИИ становится таким же загадочным, как люди. Идея о том, что компьютеры не могут быть изобретательными, лгать, ошибаться или вести себя как люди, исходит от старых ИИ, основанных на правилах, которые действительно предсказуемы, но это изменится с появлением машинного обучения. Как только ИИ освоит какие-то новые возможности, его назовут «недостаточно умным», и эта эра закончится.Для ИИ единственное действительно важное отличие: общий ИИ или узкий ИИ.
В отличие от других наук, вы не можете проверить, использует ли МО логические теории. Чтобы определить правильность ML, вы можете проверить результаты только на новых невидимых данных. ML — это не черный ящик, вы можете увидеть те списки «если… то…», которые он генерирует и использует, но обычно объем данных слишком велик и сложен для человека. МО — это практическая наука, которая пытается воспроизвести хаос и человеческую интуицию реального мира и не дает простых или теоретических объяснений. Это похоже на то, что у вас есть идея, которая работает, но вы не можете точно объяснить, как вы к ней пришли. Для мозга это называется вдохновением, интуицией, подсознанием, а для компьютеров — машинным обучением. Если бы вы могли получить все нейронные сигналы, необходимые человеку для принятия решения в мозгу, смогли бы вы понять, почему и как мозг принимает это решение? Возможно, но это сложно.
Каждый может интуитивно представить себе лицо другого человека, будь то реалистичное лицо или лицо в стиле Пикассо. Можно также представить звук или стиль музыки. Но никто не может описать изменение лица, голоса или музыкального стиля полным и эффективным способом. Люди могут видеть только три измерения, и даже Эйнштейн не мог сознательно решить общую математику машинного обучения в 500 измерениях. Но наш человеческий мозг решал эту 500-мерную математическую задачу интуитивно, как по волшебству. Почему это нельзя решить осознанно? Подумайте об этом, что, если бы для каждой мысли мозгу давали формулу с тысячами переменных, которые он использует? Зачем беспокоиться об этой дополнительной информации, которая сбивает нас с толку и сильно замедляет наше мышление? Ни одно человеческое существо не может сосчитать страницы математики, и мы не придумали в своей голове ничего похожего на USB-кабель.
Несовершенная автоматизация улучшает работу людей, не убивая их.
Если никто ничего не может предсказать, то и машинное обучение не может этого сделать. Многие люди используют многолетние изменения рыночных цен для обучения машинному обучению, но эти ИИ по-прежнему не могут предсказывать рыночные тенденции. ML делает прогнозы только в том случае, если прошлые факторы и тенденции остаются прежними. Но биржевые и экономические тренды меняются часто, почти случайно. ML перестает работать, когда старые данные перестают быть действительными или когда часто появляются ложные истины. Выученные задания и правила должны оставаться прежними или хотя бы редко меняться, чтобы вы могли тренироваться снова. Например, научиться водить машину, играть в покер, рисовать в определенном стиле, предсказывать заболевания на основе данных о здоровье, переводить между языками — все это может делать машинное обучение, и старые примеры еще будут в ближайшем будущем. Эффективный.
Машинное обучение может находить причинно-следственные связи в данных, но не может находить то, чего не существует. Например, в странном исследовании под названием «Автоматическая идентификация преступников с использованием изображений лиц» ML училась на фотографиях многих задержанных преступников и невиновных, и исследователи утверждали, что машинное обучение смогло поймать только один снимок. Новые «плохие парни». ", но исследователи "чувствуют", что дальнейшие исследования откажутся от обоснованности суждений, основанных на внешности. Их набор данных необъективен: некоторые невинные на вид белые воротнички даже посмеются над их действиями. Единственные связи, которые может выучить ML, — это счастливые или злые рты, типы ошейников и т. д. Улыбающиеся в белых воротничках классифицировались как невинные и честные, а те, кто в черных воротничках выглядел грустным, ассоциировались с «плохими парнями». Эти эксперты по машинному обучению пытаются судить о людях по их лицам, но они не могут судить по их одежде (социальному классу). Машинное обучение усиливает несправедливое предубеждение: у дешевого вора на улице больше шансов быть обнаруженным и наказанным, чем у коррумпированных политиков и крупных корпоративных мошенников. Это машинное обучение найдет всех воров на улице и посадит их в тюрьму, но не одного белого воротничка. Машинное обучение не жило в нашем мире, как и любой взрослый, они не знают, что за данными, даже «очевидными», например: при пожаре, чем он больше, тем больше пожарных машин отправляется. ML заметит, что чем больше пожарных находится на пожаре, тем больше повреждений он увидит на следующий день, поэтому пожарные повреждения наносят именно эти пожарные машины. Вывод: машинное обучение отправит пожарных в тюрьму за поджог, потому что корреляция составляет 95%!
(Машинное обучение не может найти корреляции в вещах, которых не существует, например: криминально настроенные лица. Но данные необъективны: в них нет улыбающихся белых воротничков! Машинное обучение изучает эти предубеждения.)
В некоторых случаях машинное обучение может предсказывать вещи, которые люди не могут. «Глубокий пациент» — это специалист по машинному обучению, обученный в больнице Маунт-Синай в Нью-Йорке на данных 700 000 пациентов, которые можно использовать для прогнозирования шизофрении без какого-либо человеческого понимания того, как ее предсказать! Это может сделать только ML, люди не могут сделать то же самое, изучая машинное обучение. Вот в чем проблема: для инвестиционного, медицинского, судебного и военного решения вы можете захотеть узнать, как ИИ пришел к такому выводу, но у вас нет возможности это узнать. У вас нет возможности узнать, почему машинное обучение отклонило ваш кредит, отправило вас в тюрьму или дало кому-то предложение о работе. Является ли ML справедливым? Есть ли в нем расовые, гендерные и другие предубеждения? Расчеты машинного обучения видны, но их трудно превратить в удобочитаемые сводки. Машинное обучение говорит как пророк: «Вы, люди, не понимаете, даже если я покажу вам математику, вы не поймете, так что верьте мне! Вы проверили мои предыдущие прогнозы, и они оказались верными!»
Люди также никогда полностью не объясняют решения, которые они принимают. Мы приводим причины, которые кажутся разумными, но часто неполными и упрощенными. Люди, которые всегда получают правильный ответ от машинного обучения, начнут придумывать ложные интерпретации только потому, что так общественности легче принять прогнозы машинного обучения. Другие будут использовать машинное обучение тайно и заявлять, что идеи, которые они придумывают, являются их собственными.
ML ограничены просто потому, что им не хватает общего интеллекта и предшествующего здравого смысла. Даже если вы объедините все специализированные ML или научите один ML делать все, он все равно не будет выполнять работу общего интеллекта. Возьмем, к примеру, понимающий язык, вы не можете говорить с Siri, Alexa или Cortana обо всем, как с реальными людьми, они просто умные помощники. В 2011 году Watson от IBM ответил быстрее, чем человек, участник Jeopardy, но он перепутал Канаду с Соединенными Штатами. Машинное обучение способно создавать полезные короткие резюме для длинных текстов, включая анализ настроений, но оно не может выполнять эту работу так же надежно, как люди. Чат-боты не могут понять слишком много вопросов. Ни один ИИ в настоящее время не делает того, что легко для человека: делает вывод, раздражен ли клиент или саркастичен, и соответствующим образом корректирует его тон. Нет общего ИИ, как в фильмах. Но мы все еще можем получить мельчайшие детали научно-фантастического ИИ, ИИ, который превосходит людей в узкой области знаний. Последние новости заключаются в том, что узкие области могут также включать творчество или вещи, которые обычно считаются способными делать только люди, такие как рисование, сочинение, создание, угадывание, обман и имитация эмоций, и все это, похоже, не требует общего ИИ. .
Никто не знает, как сделать общий ИИ. Удивительно, что у нас уже есть сверхчеловеческие профессиональные работники (узкий ИИ), но ни один Терминатор или Матрица не решатся сами нас убить. К сожалению, люди могут научить машины убивать нас мгновенно, например, террорист может научить беспилотный грузовик врезаться в тротуар. А ИИ с общим интеллектом мог бы самоликвидироваться и не стал бы выполнять приказы террористов.
Этика ИИ может быть взломана и перепрограммирована в незаконные схемы. Нынешний ИИ не является ни общим, ни научным ИИ, он всегда будет следовать человеческим инструкциям.
ИИ убьет старые рабочие места, но он также создаст новые рабочие места для тренеров по машинному обучению, немного похожих на дрессировщиков домашних животных, а не инженеров. Машинного обучения намного сложнее постоянно тренировать, чем домашнее животное, потому что у него нет общего интеллекта, он учится всему, что видит, из данных, без какого-либо скрининга и скрининга здравого смысла. Домашнее животное дважды подумает, прежде чем научиться делать плохие вещи, например, убивать своих маленьких друзей. Однако для ОД безразлично, обслуживает ли оно террориста или больницу, и не объясняет, почему оно это делает. ML не извиняется за свои ошибки и ужас, который он создал для террористов, в конце концов, это не обычный ИИ.
Практическое обучение машинному обучению. Если вы обучите ML фотографии руки, держащей предмет, он увидит руку как часть предмета и не сможет идентифицировать сам предмет. Собака умеет есть из рук человека, а этот тупой ML ест еду руками. Чтобы решить эту проблему, сначала научите его распознавать руку, затем научите его распознавать отдельный объект и, наконец, научите его держать объект и назовите его «рука, держащая объект X».
Законы об авторском праве и интеллектуальной собственности нуждаются в обновлении. Как и люди, машинное обучение может изобретать новые вещи. ML показывают две существующие вещи A и B, а затем он создает C, совершенно новую вещь. Если C достаточно отличается как от A, так и от B, и отличается от всего остального в мире, тогда C может запатентовать изобретение или произведение искусства. Так кто же создатель этой штуки? Кроме того, что, если A и B являются запатентованными или защищенными авторским правом материалами? Когда С сильно отличается, создатели А и В не могут думать, что С родился из-за существования А и В. Предположим, что обучение машинному обучению на существующих картинах, музыке, архитектуре, рисунках, химических формулах и украденных пользовательских данных, защищенных авторским правом, является незаконным, так как же определить, использует ли работа результаты, созданные с помощью машинного обучения, особенно если это не так? Не так узнаваемо как стиль Пикассо? Как узнать, использует ли он немного машинного обучения? Многие люди тайно используют машинное обучение и утверждают, что эти работы принадлежат им.
Для большинства рабочих мест в небольшой компании обучение людей обходится намного дешевле, чем обучение машинному обучению. Научить человека водить легко, но заставить машину научиться водить машину долго и трудно. Конечно, может быть, безопаснее позволить машине водить машину, чем человеку, особенно учитывая людей, которые пьяны, спят, едут, глядя в свои телефоны, игнорируют ограничения скорости или сумасшедшие по своей природе. Но такое дорогое и надежное обучение возможно только в крупных компаниях. Дешевое обучение машинному обучению ненадежно и опасно, но немногие компании имеют возможность обучать надежный ИИ. Обученный ML никогда не может быть воспроизведен, в отличие от передачи опыта одного мозга другому. Крупные провайдеры будут продавать необученные ML для многоразовых задач, таких как «ML для рентгенологов». Машинное обучение может дополнить человека-эксперта, который нужен всегда, а может заменить других «лишних» сотрудников. Вместо того, чтобы нанимать много рентгенологов, больница может нанять одного рентгенолога для наблюдения за ML. Профессия радиолога не исчезает, просто в каждой больнице становится меньше рабочих мест. Компания, обучающая ML, продаст ML нескольким больницам, вернув вложенные деньги. С каждым годом стоимость обучения машинному обучению снижается, так как все больше и больше людей узнают, как обучать машинному обучению. Но надежное обучение машинному обучению не может быть очень дешевым из-за хранения данных и тестирования. Теоретически многие задачи можно автоматизировать, но на практике только часть работы стоит затрат на обучение машинного обучения. Для слишком необычных вакансий, таких как уролог или перевод древнего затерянного языка, человеческая зарплата за такую работу в долгосрочной перспективе все же дешевле, чем обучение машинного обучения за раз, потому что на такой работе работает слишком мало людей. .
Вне исследований машинного обучения люди будут продолжать работать над общим ИИ. Тесты IQ неверны. Тесты IQ не могут предсказать успех людей в жизни, потому что это синтез множества различных интеллектов, видений, языка, логики, отношений и т. д., но результаты все еще не поддаются количественному измерению IQ. Мы думаем, что насекомые «тупее» по сравнению с человеческим IQ, но комары постоянно превосходят людей в единственной задаче «укусить и убежать». Каждый месяц ИИ побеждает людей в более узком круге задач, таком же узком, как навыки комара. К тому времени, когда наступит сингулярность, ИИ превзойдет нас, людей, во всем, что смешно. Мы сталкиваемся с множеством узких сингулярностей, когда, как только ИИ побеждает людей в чем-то, все ожидают, что те, кто надзирает за ИИ, бросят свою работу. Я всегда читаю статьи, думая о том, что люди смогут сохранить свою уникально ущербную ручную работу, но на самом деле ИИ может притворяться ущербным, и они научатся делать вручную в каждом готовом изделии общие разные недостатки. Невозможно предсказать, какую область ИИ завоюет дальше, ИИ креативен, но ему все еще не хватает общего интеллекта. Показательный пример: у комиков и политиков есть безопасная работа, и хотя им не нужны уникальные (узкие) исследования или ученые степени, они просто могут говорить о чем угодно с юмором и убеждением. Если ваша специальность — сложная, но узкая общая задача, например, рентгенолог, ML обучен заменить вас. Вам нужен общий интеллект!
-полный текст-
AI Frontline предоставляет самую последнюю и наиболее полную техническую информацию в области ИИ, первоклассные примеры отраслевой практики, сбор и сортировку отраслевых технологий, обмен галантерейными товарами, а также интерпретацию последних документов по ИИ. Добро пожаловать на наш официальный аккаунт: AI Frontline