Возвращаясь к росту А.И.: Как далеко продвинулся искусственный интеллект с 2010 года?
2010 не кажется таким уж давным-давно. Facebook уже был гигантским, требующим много времени левиафаном; смартфоны и iPad были повседневной частью жизни людей; Ходячие мертвецы были хитом на телевидении по всей Америке; и наиболее популярные музыкальные исполнители — Тейлор Свифт и Джастин Бибер. Так во многом как жизнь, когда мы вступаем в 2020, тогда? Возможно, в некоторых отношениях.
Тем не менее, одно место, в котором события определенно стремительно развиваются, находится на переднем крае искусственного интеллекта. За последнее десятилетие ИИ добился огромных успехов, как в техническом, так и в общественном сознании, которые отмечают это как один из самых важных десятилетних периодов в истории отрасли. Какие были самые большие достижения? Смешно, вы должны спросить; Я только что написал список именно на эту тему.
IBM Watson побеждает в Jeopardy!
Большинству людей мало что говорит «ИИ здесь», совсем как то, что искусственный интеллект побеждает двух чемпионов « Опасность»! игроки на прайм тайм телевидении. Это именно то, что произошло в 2011 году, когда компьютер IBM Уотсона побил Брэда Раттера и Кена Дженнингса, двух самых успешных американских участников игрового шоу всех времен на популярной викторине.
Легко отклонить привлекающие внимание публичные показы машинного интеллекта как относящиеся больше к зрелищам, управляемым обманом, чем к серьезным, объективным демонстрациям. Однако то, что разработала IBM, было действительно впечатляющим. В отличие от такой игры, как шахматы, в которой есть жесткие правила и ограниченная доска, Jeopardy! менее легко предсказуемо. Вопросы могут быть о чем угодно и часто включают сложную игру слов, такую как игра слов.
«Я был на занятиях по искусственному интеллекту и знал, что такая технология способна победить человека в Jeopardy! до меня еще не было десятилетий », — сказал мне Дженнингс, когда писал свою книгу« Мыслительные машины » . «Или, по крайней мере, я думал, что так оно и есть». В конце игры Дженнингс написал предложение на доске ответов и поднес его к камерам. Он гласил: «Я приветствую наших новых повелителей роботов».
Сюда приходят умные помощники
Фанаты Apple больше всего помнят октябрь 2011 года как месяц, в котором соучредитель и генеральный директор компании Стив Джобс скончался в возрасте 56 лет. Однако это был также месяц, когда Apple представила своего помощника AI Siri с iPhone 4s.
Концепция искусственного интеллекта, с которой вы могли общаться с помощью устных слов, мечтала десятилетиями. Бывший генеральный директор Apple, как ни странно, предсказал помощника в стиле Сири еще в 1980-х годах ; получить дату Сири почти до месяца. Но Сири все еще был замечательным достижением. Правда, его первоначальная реализация имела некоторые явные недостатки, и Apple, возможно, никогда не удавалось предложить безупречного умного помощника. Тем не менее, она представила новый тип технологии, которая была быстро применена для всего: от Google Assistant до Microsoft Cortana и Samsung Bixby.
Вероятно, из всех технологических гигантов Amazon сделал все возможное, чтобы продвинуть помощника по искусственному интеллекту в последние годы . Динамики Echo на базе Alexa не только продемонстрировали потенциал этих искусственных помощников; они продемонстрировали, что они достаточно убедительны, чтобы существовать как отдельные аппаратные средства. Сегодня голосовые помощники настолько распространены, что даже не регистрируются. Десять лет назад большинство людей никогда не использовали его.
Глубокое обучение переходит в ускоренную
Глубокие учебные нейронные сети не являются полностью изобретением 2010-х годов. Основа сегодняшних искусственных нейронных сетей восходит к статье 1943 года исследователей Уоррена МакКаллока и Уолтера Питтса. Многие теоретические работы, лежащие в основе нейронных сетей, такие как революционный алгоритм обратного распространения, были начаты в 1980-х годах. Некоторые из достижений, которые привели непос
редственно к современному глубокому обучению, были осуществлены в первые годы, если 2000-е годы работали подобно достижениям Джеффа Хинтона в области обучения без учителя.
Я рад сообщить, что моя лаборатория работает над AI + Climate Change. Изменение климата является одной из самых насущных проблем человечества. Техническое сообщество должно помочь. Я все еще изучаю больше проектов. Если вы хотите помочь, дайте мне знать здесь: https://t.co/GlauMT75TE #EarthDay
& Mdash; Эндрю Нг (@AndrewYNg) 22 апреля 2019 года
Но 2010-е — это десятилетие, когда технологии стали массовыми. В 2010 году исследователи Джордж Даль и Абдель-Рахман Мохамед продемонстрировали, что инструменты распознавания речи с глубоким обучением могут превзойти современные тогдашние отраслевые подходы. После этого шлюзы были открыты. От распознавания изображений (пример: знаменитая статья Джеффа Дина и Эндрю Нга об идентификации кошек ) до машинного перевода — прошла всего неделя, когда миру не напомнили, насколько мощным может быть глубокое обучение.
Это была не просто хорошая пиар-кампания, способ, которым неизвестный художник мог бы наконец наткнуться на славу и богатство, проделав то же самое в безвестности в течение десятилетий. 2010-е годы — это десятилетие, в течение которого количество данных взорвалось, что позволило использовать глубокое обучение таким способом, который просто был бы невозможен в любой предыдущий момент истории.
DeepMind поражает нас
Из всех компаний, которые делают потрясающую работу с ИИ, DeepMind заслуживает отдельной записи в этом списке. Основанная в сентябре 2010 года, большинство людей не слышали о компании глубокого обучения DeepMind, пока она не была куплена Google за то, что в январе 2014 года выглядело как 500 миллионов долларов. Однако с тех пор DeepMind восполнила это.
Большая часть наиболее публичной работы DeepMind заключалась в разработке игровых ИИ, способных освоить компьютерные игры, начиная от классических игр Atari, таких как Breakout и Space Invaders (с помощью некоторых удобных алгоритмов обучения подкреплению), до недавних попыток. на StarCraft II и Quake III Arena .
Демонстрируя основной принцип машинного обучения, эти игровые ИИ становились лучше, чем больше они играли. В ходе этого процесса им удалось сформировать новые стратегии, с которыми в некоторых случаях даже их создатели-люди не были знакомы. Вся эта работа помогла подготовить почву для самого большого успеха DeepMind среди всех …
Бить людей на ходу
Как уже показал этот список, нет недостатка в примерах того, как ИИ побеждает игроков в различных играх. Но Go, китайская настольная игра, цель которой — окружить больше территории, чем ваш противник, отличалась. В отличие от других игр, в которых игроков можно побить просто за счет сокращения чисел быстрее, чем способны люди, в Go общее количество допустимых позиций на доске ошеломительно ошеломляет: гораздо больше, чем общее количество атомов во вселенной. Это делает попытки грубой силы вычислять ответы практически невозможными, даже используя суперкомпьютер.
Тем не менее, DeepMind справился с этим. В октябре 2015 года AlphaGo стала первой компьютерной программой Go, победившей профессионального игрока Go без гандикапа на полноразмерной доске 19 × 19. В следующем году 60 миллионов человек настроились на прямой эфир, чтобы увидеть, как величайший в мире игрок в го, Ли Седол, п
роиграет АльфаГо. К концу серии AlphaGo обыграл Седол четыре игры в одной.
В ноябре 2019 года Седол объявил о своем намерении уйти в отставку в качестве профессионального игрока в го. В качестве причины он привел ИИ: «Даже если я стану номером один, существует сущность, которую невозможно победить», — сказал он . Представьте, если бы Леброн Джеймс объявил, что он бросает баскетбол, потому что робот стал лучше стрелять в обручи. Это эквивалентно!
Автомобили, которые ведут себя
В первые годы двадцать первого века идея автономного автомобиля, казалось, никогда не выйдет за рамки научной фантастики. В 2004 году в книге экономистов Массачусетского технологического института и Гарварда Фрэнка Леви и Ричарда Марнана « Новое разделение труда» управление транспортным средством было описано как задача, слишком сложная для выполнения машинами. «Выполнение левого поворота против встречного трафика включает в себя так много факторов, что трудно представить, чтобы обнаружить набор правил, которые могут копировать поведение водителя», — написали они.
В 2010 году Google официально представила свою автономную автомобильную программу , которая теперь называется Waymo. За последующее десятилетие десятки других компаний (включая техничных хитов, таких как Apple) начали разрабатывать свои собственные автомобили . В совокупности эти автомобили проехали тысячи миль по дорогам общего пользования; очевидно, оказывается менее подверженным несчастным случаям, чем люди в этом процессе.
Надежная полная автономия все еще находится в стадии разработки, но, тем не менее, это была одна из наиболее заметных демонстраций ИИ в действии в течение 2010-х годов.
Рост генеративных противоборствующих сетей
Грязный секрет большей части сегодняшнего ИИ заключается в том, что его основные алгоритмы, технологии, которые его используют, фактически были разработаны несколько десятилетий назад. Что изменилось, так это вычислительная мощность, доступная для запуска этих алгоритмов, и огромные объемы данных, на которых им приходится обучаться. Поэтому слышать о совершенно оригинальном подходе к созданию инструментов ИИ на удивление редко.
Генеративные противоборствующие сети наверняка подойдут. Этот класс систем машинного обучения, который часто называют аббревиатурой GAN, был изобретен Яном Гудфеллоу и его коллегами в 2014 году. Не менее авторитетный, чем эксперт ИИ Ян Лекун , назвал его «самой крутой идеей в машинном обучении за последние двадцать лет».
По крайней мере, концептуально теория GAN довольно проста: взять две передовые искусственные нейронные сети и сопоставить их друг с другом. Одна сеть создает что-то, например, сгенерированное изображение. Затем другая сеть пытается выяснить, какие изображения генерируются компьютером, а какие нет. Со временем генеративный состязательный процесс позволяет сети «генератора» стать достаточно хорошими в создании изображений, чтобы они могли каждый раз успешно обманывать сеть «дискриминатора».
Власть Генеративных Состязательных Сетей была замечена наиболее широко, когда коллектив художников использовал их для создания оригинальных «картин», разработанных ИИ . Результат продан за шокирующе большую сумму денег на аукционе Christie's в 2018 году.