Ihmiset ja koneet ylittävät kummankin elementin ominaisuudet. metamorworks / Shutterstock.com

Tulevaisuutta ei tapahdu vain ihmiset tai koneet yksin, vaan molemmat yhdessä. Teknologia, joka perustuu siihen, miten ihmisen aivot työskentelevät jo lisäämällä ihmisten kykyjä ja saa vain vaikutusvaltaa, kun yhteiskunta tottuu näihin yhä kykeneviin koneisiin.

Teknologian optimistit ovat nähneet maailman, jossa on nousua ihmisten tuottavuutta ja elämänlaatua koska keinotekoiset älykäsjärjestelmät ottavat elämän elämäntapahtuman ja hallinnon, hyödyttää kaikkia. Pessimistit puolestaan ​​ovat varoittaneet, että nämä edistysaskeleet voisivat tulla suuret kustannukset menetetyissä työpaikoissa ja häiriintynyt elämä. Ja pelostajat pelkäävät, että AI voisi lopulta tehdä ihmisistä vanhentuneita.

Ihmiset eivät kuitenkaan ole kovin hyviä kuvittelemaan tulevaisuutta. Ei utopiaa eikä tuomiopäivää ole todennäköistä. Uudessa kirjassaniDeep Learning Revolution, ”Tavoitteena oli selittää tämän nopeasti kasvavan tieteen ja teknologian alueen menneisyys, nykyisyys ja tulevaisuus. Päätelmäni on, että AI tekee sinusta älykkäämpiä, mutta tavalla, joka yllättää sinut.

Kuvioiden tunnistaminen

Syvällinen oppiminen on osa AI: tä, joka on edistynyt eniten monimutkaisten ongelmien ratkaiseminen kuten kuvien kohteiden tunnistaminen, useiden kaiuttimien puheen tunnistaminen ja tekstin käsitteleminen, miten ihmiset puhuvat tai kirjoittavat sen. Syvä oppiminen on myös osoittautunut hyödylliseksi tunnisteiden tunnistamiseksi yhä suuremmista tietokokonaisuuksista, joita tuotetaan anturit, lääkinnälliset laitteet ja tieteelliset instrumentit.

Tämän lähestymistavan tavoitteena on löytää tapoja, joilla tietokone voi edustaa maailman monimutkaisuutta ja yleistää aiemmasta kokemuksesta - vaikka se, mitä seuraavaksi tapahtuu, ei ole aivan sama kuin ennen. Aivan kuten henkilö voi tunnistaa, että tietty eläin, jota hän ei ole koskaan ennen nähnyt, on itse asiassa kissa, syvät oppimisalgoritmit voivat tunnistaa näkökohdat siitä, mitä voisi kutsua "kissan", ja poimia nämä ominaisuudet kissojen uusista kuvista.

Syvälliset oppimisjärjestelmät voivat kertoa, mikä näistä on kissa. Gelpi / Shutterstock.com

Syvällisen oppimisen menetelmät perustuvat samat periaatteet, jotka vaikuttavat ihmisen aivoihin. Esimerkiksi aivot käsittelevät monenlaisia ​​tietoja monissa käsittelyyksiköissä samanaikaisesti. Neuroneilla on monia yhteyksiä toisiinsa, ja nämä linkit vahvistavat tai heikentyvät riippuen siitä, kuinka paljon niitä käytetään, luodaan yhteydet aistien ja käsitteellisten tulosten välillä.

- menestynein syvä oppimisverkosto perustuu 1960in tutkimukseen visuaalisen aivokuoren arkkitehtuurista, aivojen osasta, jota käytämme nähdäksemme, ja oppimisalgoritmeista, jotka keksittiin 1980-järjestelmissä. Tuolloin tietokoneet eivät vielä olleet tarpeeksi nopeita reaalimaailman ongelmien ratkaisemiseksi. Nyt he kuitenkin ovat.

Lisäksi oppimisverkostot on kerrostettu toistensa päälle, mikä luo läheisempiä verkkoyhteyksiä muistuttaa visuaalisen aivokuoren kerrosten hierarkiaa. Tämä on osa a lähentyminen välillä keinotekoinen ja biologinen älykkyys.

Nelikerroksinen hermoverkko hyväksyy syötteen vasemmalta, siirtää ensimmäisen kerroksen lähdön seuraavaan kerrokseen seuraavaan ja seuraavaan kerrokseen - ennen tulostuksen antamista. Sin314 / Shutterstock.com

Syvällinen oppiminen todellisessa elämässä

Syvällinen oppiminen lisää jo ihmiskykyä. Jos käytät Googlen palveluita etsimään verkkoa tai käyttämään sen sovelluksia kääntämään yhdestä kielestä toiseen tai kääntämään puheen tekstiksi, tekniikka on tehnyt sinulle älykkäämpiä tai tehokkaampia. Viime aikoina matkalle Kiinaan ystävä puhui englantia hänen Android-puhelimeensa, joka käänsi sen puhumaan kiinaa taksinkuljettajalle - aivan kuten universaali kääntäjä Star Trekissä"

Todellisen reaaliaikaisen käännöslaitteen testi.

{youtube}Nu-nlQqFCKg{/youtube}

Nämä ja monet muut järjestelmät ovat jo töissä, auttavat sinua jokapäiväisessä elämässäsi, vaikka et olisikaan tietoinen niistä. Esimerkiksi syvä oppiminen alkaa alkaa röntgenkuvien lukeminen ja ihovaurioiden valokuvat syövän havaitsemiseksi. Paikallinen lääkäri pystyy pian havaitsemaan ongelmia, jotka ovat ilmeisiä vain parhaille asiantuntijoille.

Vaikka tiedätkin, että koneessa on mukana, et ehkä ymmärrä sen tosiasiallisen monimutkaisuutta, mitä he todella tekevät: Amazonin Alexan takana on joku syviä oppimisverkostoja, jotka tunnistavat pyynnön, selata tietoja vastaamaan kysymyksiisi ja toteuttamaan toimia puolestasi.

Oppimisen edistäminen

Syvä oppiminen on ollut erittäin tehokasta ratkaistaessa tunnistusongelmia, mutta tämän ylittäminen edellyttää muita aivojärjestelmiä. Kun eläin palkitaan toiminnasta, se on samankaltaisia ​​toimia tulevaisuudessa. Dopamiinin hermosolujen aivojen basaalikimppuissa raportoidaan odotettujen ja saatujen palkkioiden välinen ero, kutsutaan palkkion ennustevirheeksi, jota käytetään muuttamaan aivojen yhteyksien vahvuuksia, jotka ennustavat tulevia palkintoja.

Yhdistämällä tämä lähestymistapa, jota kutsutaan vahvistavaksi oppimiseksi, syvä oppiminen voi antaa tietokoneille mahdollisuuden tunnistaa odottamattomat mahdollisuudet. Tunnistamalla kuvio ja vastaamalla siihen tavalla, joka tuottaa palkintoja, koneet saattavat lähestyä käyttäytymismalleja, joita voidaan kutsua ihmisen luovuudeksi. Tämä yhdistetty lähestymistapa on, miten DeepMind kehitti a ohjelma nimeltä AlphaGo, joka vuonna 2016 voitti suurmestarin Lee Sedolin ja seuraavana vuonna voittaa maailman Go mestari, Ke Jie.

Pelit eivät ole niin sotkuisia kuin todellinen maailma, joka on täynnä muuttuvia epävarmuustekijöitä. Massimo Vergassola Kalifornian yliopistossa, San Diegossa, ja olen äskettäin käyttänyt vahvistusopetusta opettamaan purjelentokoneita kentällä miten lentää kuin lintu turbulenttisissa lämpölaitteissa. Antureita voidaan kiinnittää todellisiin lintuihin, jotta voidaan testata, käyttävätkö ne samoja vihjeitä ja vastaavat samalla tavalla.

Näistä menestyksistä huolimatta tutkijat eivät vielä täysin ymmärrä, kuinka syvä oppiminen ratkaisee nämä ongelmat. Emme tietenkään tiedä, miten aivot ratkaisevat ne.

Vaikka aivojen sisäinen toiminta voi jäädä vaikeasti, se on vain ajan kysymys, ennen kuin tutkijat kehittävät syvällisen oppimisen teorian. Ero on siinä, että tutkimalla tietokoneita tutkijoilla on pääsy kaikkiin verkkoyhteyksiin ja toimintamalleihin. Edistymisen vauhti on nopea, ja tutkimusraportteja esiintyy päivittäin arXiv. Yllättäviä edistysaskeleita odotetaan innokkaasti joulukuussa Neural Information Processing Systems -konferenssi Montrealissa, joka myyty 8,000 lippuja 11-minuutteina, jolloin 9,000in toivovat rekisteröijät jäävät luetteloon.

Ennen kuin tietokoneet saavuttavat yleisen ihmisen älykkyyden, on pitkä matka. Suurimmalla syvällä oppimisverkostolla on tällä hetkellä vain ihmisen hermoston kuoren voima riisin viljan koko. Emme tiedä vielä, miten aivot järjestävät dynaamisesti suurempien aivojen alueiden välisiä vuorovaikutuksia.

Luonnolla on jo tällainen integraatiotaso, joka luo laajamittaisia ​​aivojärjestelmiä, jotka kykenevät toimimaan kaikilla ihmiskehon osa-alueilla ja pohtimaan syviä kysymyksiä ja suorittamaan monimutkaisia ​​tehtäviä. Viime kädessä autonomiset järjestelmät voivat tulla yhtä monimutkaisia, liittymällä lukemattomiin eläviin olentoihin planeetallamme.

Author

Terrence Sejnowski, Francis Crick -professori ja Salkin biologisten tutkimuslaitoksen laskennallisen neurobiologian laboratorion johtaja ja arvostettu neurobiologian professori, University of California San Diego

Tämä artikkeli julkaistaan ​​uudelleen Conversation Creative Commons -lisenssin alla. Lue alkuperäinen artikkeli.

Liittyvät kirjat

at InnerSelf Market ja Amazon