Перевод | Базовый лагерь технологий искусственного интеллекта (rgznai100)
Участвовать | Пэн Шуо
Что такое искусственный интеллект? Почему искусственный интеллект важен? Стоит ли бояться искусственного интеллекта?Почему вдруг все говорят об искусственном интеллекте?
Вы можете прочитать в Интернете о том, как искусственный интеллект обеспечивает работу виртуальных помощников Amazon и Google, или о том, как искусственный интеллект шаг за шагом берет на себя всю работу (вероятно), но эти статьи редко объясняют, что такое искусственный интеллект (или собирается ли робот взять на себя над). В этой статье будет рассказано об искусственном интеллекте, кратком руководстве, которое будет обновляться и улучшаться по мере развития области и появления важных концепций.
Что такое искусственный интеллект?
Искусственный интеллект — это программное обеспечение или компьютерная программа с механизмом обучения. ИИ использует эти знания для принятия решений в новых ситуациях, как это делают люди. Исследователи, создавшие программное обеспечение, пытались написать код, который мог бы считывать изображения, текст, видео или аудио, заставляя ИИ чему-то учиться у него. Как только машина обучилась этому, знание может быть использовано в другом месте. Если алгоритм научится распознавать чье-то лицо, его можно будет найти на фотографиях в Facebook. В современном ИИ обучение часто называют «обучением» (подробнее об этом позже).
Люди естественным образом усваивают сложные идеи: мы можем увидеть такой объект, как яблоко, а затем идентифицировать другое яблоко. Машины очень буквальны — у компьютеров нет гибкого понятия «подобие». Цель искусственного интеллекта — заставить машины сокращать понятия, основанные исключительно на тексте. Машины могут легко определить, совпадают ли два изображения яблок или два предложения.Но ИИ предназначен для распознавания изображений одного и того же яблока под разными углами или при разном освещении; он фиксирует угол зрения, чтобы распознать яблоко.Это называется «обобщение» или формирование идей на основе сходства данных, а не только изображений или текстов, которые видит ИИ. Более общие идеи можно применить к вещам, которых ИИ раньше не видел.
«Цель ИИ — привести сложное человеческое поведение к форме, которую можно рассчитать, — сказал Алекс Рудники, профессор компьютерных наук Университета Карнеги-Меллона, — Это, в свою очередь, позволяет нам создавать системы, способные выполнять сложные виды деятельности, полезные для человека. "
Как далеко искусственный интеллект сегодня?
Исследователи ИИ все еще пытаются понять основы этой проблемы. Как научить компьютеры распознавать то, что они видят на изображениях и видео? После этого становится понятным, как идентификация - не только создание слова «яблоко», но и знание того, что яблоки - это еда, связанная с апельсинами и грушами, люди могут есть яблоки, могут готовить с яблоками и использовать их для приготовления яблочного пирога, и подключиться к истории Джонни Apple Pie, и так далее. Существует также проблема понимания языка — слова имеют несколько значений в зависимости от контекста, определения постоянно развиваются, и все говорят немного по-разному. Как компьютер понимает эту подвижную, постоянно меняющуюся языковую конструкцию?
Из-за разных сред скорость прогресса в области искусственного интеллекта также различна. Теперь мы наблюдаем невероятное увеличение способности понимать изображения и видео, область, которую индустрия называет компьютерным зрением. Но прогресс не сильно помог в понимании других искусственных интеллектов, области, известной как обработка естественного языка. Эти области развивают ограниченный интеллект, а это означает, что ИИ эффективен в обработке изображений, аудио или текста, но не может учиться одинаково на всех трех. Одной из форм агностического обучения является общий интеллект, который мы наблюдаем у людей. Многие исследователи надеются, что достижения в различных областях откроют больше общих истин о том, как мы создаем машинное обучение, что в конечном итоге приведет к единому подходу к искусственному интеллекту.
Почему искусственный интеллект важен?
Как только ИИ научится распознавать яблоко на изображении или расшифровывать фрагмент речи из аудиоклипа, его можно будет использовать в другом программном обеспечении для принятия решений, которые в противном случае потребовали бы участия человека. Его можно использовать для идентификации и пометки фотографий ваших друзей на Facebook, что вы (человек) должны были сделать вручную. Он может идентифицировать другой автомобиль или дорожный знак по обратному изображению беспилотного автомобиля или вашего автомобиля. Его можно использовать для выявления некачественной сельскохозяйственной продукции, которую следует изъять из сельскохозяйственного производства. Эти задачи, основанные исключительно на распознавании изображений, обычно выполняются пользователем или лицом, предоставляющим программное обеспечение.
Если задача экономит время пользователей, это функция, если она экономит время людей, работающих в компании, или даже полностью устраняет работу, то это огромная экономия средств. Существуют приложения, такие как обработка миллионов точек данных за минуты для анализа продаж, которые были бы невозможны без машин, что подразумевает возможность получения новой информации, которой раньше не было. Теперь эти задачи можно выполнять быстро и дешево с помощью машин в любое время и в любом месте. Это копия того, что когда-то делали люди, неоспоримая экономическая выгода для бесконечно масштабируемой дешевой рабочей силы.
Джейсон Хоун, профессор Лаборатории взаимодействия человека и компьютера Университета Карнеги-Меллона, сказал, что, хотя ИИ может воспроизводить человеческие задачи, он также может открывать новые виды труда. «Автомобили — это прямая замена лошадям, но в среднесрочной и долгосрочной перспективе они также могут найти множество других применений, таких как полуприцепы для крупномасштабных перевозок, фургоны для перевозки мебели, минивэны, автомобили с капотами», — сказал Хонг.Точно так же системы искусственного интеллекта заменят рутинные задачи в краткосрочной перспективе, но в среднесрочной и долгосрочной перспективе мы увидим такое же значительное использование, как автомобили."
Точно так же, как Готлиб Даймлер и Карл Бенц не учитывали, как автомобили изменят способ строительства городов или последствия загрязнения или ожирения, нам еще предстоит увидеть долгосрочные последствия этого нового типа рабочей силы.
Почему ИИ так популярен сейчас, а не 30 (или 60) лет назад?
Многим идеям о том, как должен обучаться искусственный интеллект, на самом деле уже более 60 лет. В 1950-х годах такие исследователи, как Фрэнк Розенблатт, Бернард Видроу и Марсиан Хофф, впервые изучили, как, по мнению биологов, работают нейроны мозга, и что они делают с математической точки зрения. Идея состоит в том, что одно основное уравнение может не решить все проблемы, но что, если мы, подобно человеческому мозгу, будем использовать множество связанных уравнений? Первоначальный пример был прост: анализировать 1 и 0 по цифровой телефонной линии и предсказывать, что произойдет дальше. (Это исследование, проведенное Видроу и Хоффом в Принстоне, до сих пор используется для уменьшения эха от телефонных соединений).
В 2006 году, через пятьдесят лет после Дартмутской конференции, стороны воссоединились в Дартмуте. Слева направо: Мур, Маккарти, Минский, Сейфрид, Соломонов.
На протяжении десятилетий многие в компьютерном сообществе считали, что эта идея никогда не решит более сложные проблемы, и сегодня она является основой для реализации искусственного интеллекта в крупных технологических компаниях, от Google и Amazon до Facebook и Microsoft. Оглядываясь назад, исследователи теперь понимают, что компьютеры еще недостаточно совершенны, чтобы моделировать миллиарды нейронов в нашем мозгу, и нам нужны огромные объемы данных для обучения этих нейронных сетей, какими мы их знаем.
Эти два фактора, вычислительная мощность и данные, начали реализовываться только в последние 10 лет. В середине 2000-х компания NVIDIA, производитель графических процессоров (GPU), заявила, что ее чипы идеально подходят для работы нейронных сетей, и начала упрощать работу ИИ на своем оборудовании. Исследователи обнаружили, что точность можно повысить, если использовать более быстрые и сложные нейронные сети.
Затем, в 2009 году, исследователь искусственного интеллекта Фей-Фей Ли выпустил базу данных под названием ImageNet, которая содержала более 3 миллионов упорядоченных изображений с добавленными к ним тегами. Она считает, что если бы у этих алгоритмов было больше примеров для поиска взаимосвязей между шаблонами, это могло бы помочь им понять более сложные идеи. Она организовала конкурс ImageNet в 2010 году, а к 2012 году исследователь Джефф Хинтон использовал миллионы изображений для обучения нейронной сети, превзойдя другие приложения с огромным отрывом, более чем на 10 процентов точности. Как и предсказывал Ли, ключевое значение имеют данные. Хинтон также накладывает нейронные сети поверх других: одна просто находит формы, другая смотрит на текстуры и так далее. Это называется глубокими нейронными сетями или глубоким обучением, и это то, что вы слышите об искусственном интеллекте сегодня в новостях.Как только технологическая индустрия увидела результаты, начался бум ИИ. Исследователи, которые десятилетиями работали над глубоким обучением, стали новыми рок-звездами технологической индустрии.По состоянию на 2015 год у Google было более 1000 проектов с использованием машинного обучения.
Стоит ли бояться искусственного интеллекта?
После просмотра такого фильма, как Терминатор, легко испугаться всемогущего злого ИИ, такого как Скайнет. В области исследований искусственного интеллекта Скайнет известен как общий сверхинтеллект или искусственный общий интеллект, программное обеспечение, которое во всех отношениях более мощное, чем человеческий мозг.
Поскольку компьютеры могут масштабироваться, это означает, что мы можем создавать более мощные и быстрые компьютеры и соединять их вместе. Страх возникает из-за того, что вычислительная мощность этих роботизированных мозгов может вырасти до непостижимого уровня, и если бы они были действительно умны до такой степени, они вышли бы из-под контроля и обошли бы любого, кто попытается их отключить. Это конец света, которого боятся чрезвычайно умные люди, такие как Илон Маск и Стивен Хокинг. Как сказал Маск, несмотря на то, что в некоторых областях у них есть интеллект, большинство основных исследователей ИИ отвергают идею вызова демонов. Хотя исследователи анализируют основы обучения, например то, как они понимают значение паттернов, а затем организуют это новое понимание в функциональное мировоззрение, в настоящее время нет доказательств того, что у компьютеров есть потребности, желания или Воля к выживанию, говорит Янн Лекун. , директор Исследовательского центра искусственного интеллекта Facebook.
«Мы становимся более агрессивными, когда нам угрожают, мы ревнивы, нам нужны ресурсы, мы предпочитаем наших близких родственников незнакомцам и так далее, и все это создано эволюцией для нашего выживания. встройте в них эти базовые модели поведения», — написал он на Quora.
Нет никаких доказательств того, что компьютеры могут рассматривать людей как угрозу, потому что такая угроза для компьютеров не определена. Возможно, люди смогут определить его и заставить машину работать с параметрами, которые функционируют как воля к жизни, которой не существует.
Эндрю Нг, один из основателей Google и бывший руководитель AI в Baidu, сказал: «Я сказал, что причина, по которой я не беспокоюсь о том, что ИИ станет злом, — это та же причина, по которой я не беспокоюсь о перенаселении Марса». почему мы боимся искусственного интеллекта: людей.
Есть свидетельства того, что ИИ чувствителен к человеческим предубеждениям на основе данных, из которых он учится. Эти предубеждения могут быть безобидными, например, идентифицировать кошек на картинках чаще, чем собак, потому что он был обучен на большем количестве изображений кошек. Но они также могут увековечивать стереотипы, например, ИИ связывает врачей с белыми мужчинами больше, чем с представителями других полов или рас. Если бы ИИ с такой предвзятостью отвечал за набор врачей, это могло бы быть несправедливо по отношению к сотрудникам, которые не являются белыми мужчинами. Расследование ProPublica показало, что алгоритм, используемый для вынесения приговора признанным виновным, был предвзятым по расовому признаку, поскольку выносил более суровые приговоры цветным людям. Данные о здравоохранении часто исключают женщин, особенно беременных женщин, что может привести к неполному функционированию системы при выдаче медицинских рекомендаций этим лицам. Поскольку эти механизмы ранее создавались людьми, а теперь, когда у нас есть более быстрая и сверхмощная машина, мы должны убедиться, что они могут принимать эти решения справедливо и последовательно в рамках нашей этики.
Нелегко определить, является ли алгоритм предвзятым, потому что глубокое обучение требует миллионов связанных вычислений, и очень сложно пройти через все эти маленькие решения, чтобы выяснить их вклад в большее решение.Таким образом, даже если мы знаем, что ИИ принял неправильное решение, мы не знаем, почему и как он это сделал, поэтому сложно создать механизм для выявления предвзятости до того, как он будет реализован.
Проблема особенно актуальна в такой области, как беспилотные автомобили. В беспилотном автомобиле каждое решение может быть вопросом жизни и смерти. Ранние исследования показали, что мы надеемся изменить сложность машин, которые мы создаем, но сейчас почти невозможно понять, почему Facebook, Google или ИИ Microsoft принимали какие-либо решения.
Глоссарий функционального ИИ:
алгоритм: набор инструкций для компьютера. Алгоритм может быть простой одношаговой программой или сложной нейронной сетью, но обычно используется для ссылки на модель.
искусственный интеллект: это общий термин. В широком смысле программное обеспечение означает имитацию или замену аспектов человеческого интеллекта. Программное обеспечение ИИ может учиться на таких данных, как изображения или текст, опыт, эволюция или изобретения других исследователей.
компьютерное зрение: исследования искусственного интеллекта исследуют область распознавания и понимания изображений и видео. Эта область варьируется от понимания того, как выглядит Apple, до того, что делает Apple, и философии, связанной с ней. Это основная технология, используемая для беспилотных автомобилей, поиска изображений в Google и автоматической пометки на Facebook.
глубокое обучение: Домен, в котором нейронная сеть наслоена для понимания сложных закономерностей и взаимосвязей в данных. Когда выходные данные одной нейронной сети становятся входными данными другой, эффективно складывая их вместе, результирующая нейронная сеть становится «глубокой».
общий интеллект: иногда называемый «сильным искусственным интеллектом», общий интеллект сможет изучать и применять разные идеи в разных задачах.
Генеративно-состязательные сети: это система, состоящая из двух нейронных сетей, одна для генерации вывода, а другая для проверки того, что качество этого вывода соответствует желаемому результату. Например, при попытке сгенерировать изображение яблока генератор сгенерирует изображение, а другой (называемый дискриминатором) заставит генератор повторить попытку, если он не сможет идентифицировать яблоко на изображении.
машинное обучение: Машинное обучение (ML), часто в сочетании с термином «искусственный интеллект», представляет собой соглашение об использовании алгоритмов для обучения на основе данных.
Модель: модель — это алгоритм машинного обучения, который строит собственное понимание темы или собственную модель мира.
обработка естественного языка: Программное обеспечение для понимания намерений и отношений идей в языке.
Нейронные сети: алгоритм, построенный путем моделирования того, как мозг обрабатывает информацию с помощью сети связанных математических уравнений. Данные, предоставляемые нейронной сети, разбиваются на более мелкие фрагменты, а лежащие в их основе закономерности анализируются тысячи раз в зависимости от сложности сети. Когда выходные данные одной нейронной сети подаются на вход другой нейронной сети, две нейронные сети объединяются в многоуровневую глубокую нейронную сеть. Как правило, слои глубокой нейронной сети анализируют данные на все более и более высоких уровнях абстракции, что означает, что они извлекают полезные данные из ненужных данных, пока не получат самое простое и наиболее точное представление данных.
Сверточная нейронная сеть: Нейронная сеть, в основном используемая для распознавания и понимания изображений, видео и аудио данных благодаря ее способности обрабатывать плотные данные, такие как многомегапиксельные изображения или тысячи образцов аудиофайлов.
Рекуррентная нейронная сеть: нейронная сеть для обработки естественного языка, которая периодически и непрерывно анализирует данные, что означает, что она может обрабатывать такие данные, как слова или предложения, сохраняя при этом их порядок и контекст в предложениях.
сеть с долговременной краткосрочной памятью: вариант периодических нейронных сетей, предназначенный для хранения структурированной информации из данных. Например, RNN может определить все существительные и прилагательные в предложении и проверить, правильно ли они используются, а LSTM может запомнить сюжет книги.
обучение с подкреплением: Алгоритм глубокого обучения, способный учиться на собственном опыте. Алгоритмы, которые могут управлять определенными аспектами среды, например персонажем видеоигры, а затем учиться методом проб и ошибок. Поскольку они легко воспроизводятся, служат моделями трехмерного мира и в них играют на компьютерах, многие прорывы в обучении с подкреплением произошли благодаря алгоритмам, которые играют в видеоигры. RL — один из основных типов машинного обучения в AlphaGo от DeepMind, победившей чемпиона мира Ли Седоля в го. В реальном мире это было продемонстрировано в таких областях, как кибербезопасность, где программное обеспечение учится обманывать антивирусное программное обеспечение, заставляя думать, что вредоносные файлы безопасны.
супер умный: Искусственный интеллект мощнее человеческого мозга. Это трудно определить, потому что мы до сих пор не можем объективно измерить возможности человеческого мозга.
контролируемое обучение: в процессе обучения предоставляемые ему данные уже организованы и помечены машинным обучением. Если бы вы создавали алгоритм обучения с учителем для распознавания кошек, вы могли бы обучить алгоритм на 1000 фотографиях кошек.
тренироваться: процесс обучения алгоритма путем предоставления данных.
неконтролируемое обучение: Тип алгоритма машинного обучения, который не дает никакой информации о том, как он должен классифицировать данные и должен найти взаимосвязь между ними. Исследователи ИИ, такие как Facebook LeCun, считают неконтролируемое обучение святым Граалем исследований ИИ, потому что оно очень похоже на то, как люди учатся естественным образом. «Мозг намного лучше, чем наша модель, в обучении без учителя, — сказал ЛеКун IEEE Spectrum, — что означает, что в нашей системе искусственного обучения отсутствуют некоторые базовые принципы биологического обучения».