В машине нет духа
За последние несколько лет средства массовой информации были наводнены преувеличенными описаниями технологий искусственного интеллекта (ИИ) и машинного обучения (МО).
Кажется, никогда еще в области информатики не было сделано столько нелепых заявлений со стороны такого количества людей, имеющих столь слабое представление о происходящем.
Для любого, кто активно занимался разработкой передового компьютерного оборудования в 1980-е годы, это кажется странным.
В номере журнала The Atlantic за этот месяц — выдающийся интеллектуал и автор бестселлеров».
Краткая история человечества " И " Homo Deus: Краткая история завтрашнего дня ", Юваль Ной Харари описывает влияние ИИ на демократию.
Самый интересный аспект статьи — чрезмерная вера Харари в возможности современных технологий искусственного интеллекта.
Он описывает Google’s Friend, программу для игры в шахматы компании.
ДипМайнд , как «творческий», «обладающий воображением» и «блестящим чутьем».
В документальный фильм Профессор BBC Джим Аль-Халили и основатель DeepMind Демис Хассабис в программе BBC «Радость искусственного интеллекта» описывают, как система искусственного интеллекта «сделала настоящее открытие», «действительно может генерировать новую идею» и разработала «собственные стратегии».
.
И если такого рода поток преувеличений и антропоморфизма используется для описания глупых и механистических систем, то пришло время вернуться к основам проверки реальности.
Обсуждения компьютерных технологий часто происходят через мифы, метафоры и человеческие интерпретации того, что появляется на экране.
Такие метафоры, как «интуиция», «творчество» и новейшие «стратегии», являются частью зарождающейся мифологии.
Эксперты по ИИ находят закономерности в игровых ходах ИИ и называют их «стратегиями», но нейронная сеть понятия не имеет, что такое стратегия.
Если и есть какой-то творческий потенциал, то он исходит от исследователей из DeepMind, которые разрабатывают и управляют процессами обучения систем.
Сегодняшние системы искусственного интеллекта обучаются с помощью огромного количества автоматизированных методов проб и ошибок; на каждом этапе используются технологии передачи информации об ошибках и настройки системы с целью уменьшения количества ошибок в будущем обратное распространение ошибки – и это постепенно улучшает производительность ИИ при выполнении определенной задачи, например, при игре в шахматы.
Продолжающийся всплеск эффективности искусственного интеллекта, машинного обучения и т. д. «Глубокое обучение» (DL) во многом основано на применении этого метода обратного распространения ошибки.
Впервые он был изобретен в 1960-х годах и применен к нейронным сетям в 1980-х годах Джеффри Хинтоном.
Другими словами, существенного концептуального прогресса в области ИИ не было уже более 30 лет. Большая часть исследований искусственного интеллекта и освещение в СМИ показывают, что происходит, когда вы бросаете горы дорогого компьютерного оборудования и умную рекламную кампанию на старую идею.
И это не значит, что DeepMind не выполняет ценную работу.
Помогать машинам в создании новых стратегий и идей — это интересно, особенно если работу этой машины трудно понять из-за ее сложности.
В нашей светской культуре магия и тайна технологий манят людей, и создание загадочного образа в преимущественно сухой и рациональной области инженерии — это хорошо.
Но у машины Google нет духа.
Аппаратное обеспечение против программного обеспечения, аналоговое против цифрового, Томпсон против Хассабиса
Вся шумиха вокруг машин DeepMind напоминает мне волнение, которое возникло пару десятилетий назад в связи с совершенно другой и, возможно, более глубокой системой «машинного обучения».
В ноябре 1997 года Работа Адриан Томпсон, исследователь из Центра вычислительной нейронауки и робототехники Университета Сассекса, появился на обложке журнала New Scientist с статья «Существа из доисторического кремния — давайте выпустим дарвинизм в лаборатории электроники и посмотрим, что он создаёт. Жесткая машина, которую никто не понимает».
Работа Томпсона вызвала небольшую сенсацию, поскольку он отказался от условностей и запустил эволюцию МО в электронном оборудовании, вместо того, чтобы использовать программный подход, как все остальные.
Он решил сделать это, потому что понял, что возможности цифрового программного обеспечения ограничены бинарной природой переключателей, составляющих мозг обработки сигналов любого цифрового компьютера.
С другой стороны, нейроны человеческого мозга эволюционировали, чтобы участвовать во множестве тонких, иногда непостижимо сложных физических и биохимических процессов.
процессы .
Томпсон предположил, что разработка компьютерного оборудования посредством автоматического процесса естественного отбора могла бы использовать преимущества всех аналоговых (бесконечно разнообразных) реальных физических свойств, присущих кремнию, из которого состоят простейшие цифровые переключатели в компьютерах, что, возможно, приведет к нечто напоминающее эффективную аналоговую работу компонентов человеческого мозга.
И он был прав.
В своей лаборатории Томпсон разработал конфигурацию FPGA (типа цифрового кремниевого чипа, в котором соединения между цифровыми переключателями можно постоянно переконфигурировать), чтобы научить его разделять два разных аудиосигнала.
Когда он затем заглянул внутрь чипа, чтобы увидеть, как эволюционный процесс настроил соединения между коммутаторами, он отметил, что конструкция была впечатляюще эффективной — в ней использовалось всего 37 компонентов.
Кроме того, получившаяся схема перестала быть понятной цифровым инженерам.
Некоторые из 37 компонентов не были соединены с другими, но когда их вынимали из схемы, вся система переставала работать.
Единственным разумным объяснением этой странной ситуации было то, что система использовала некие загадочные электромагнитные связи между своими, казалось бы, цифровыми компонентами.
Другими словами, эволюционный процесс взял на вооружение аналоговые характеристики компонентов и материалов системы из реального мира для проведения своих «расчетов».
Это был взрыв мозга.
Я был молодым исследователем в 1990-х годах, у меня был опыт как в области исследований, так и в области исследований.
электронное оборудование , и работа ИИ, и работа Томпсона меня поразили.
Компьютер не только смог изобрести совершенно новый вид электронных схем и превзойти возможности инженеров-электронщиков, но, что более важно, он показал путь к разработке бесконечно более мощных компьютерных систем и искусственного интеллекта.
Хассабис начинал как ведущий программист ИИ в ныне забытой игре Lionhead Studio — Black & White.
Итак, что случилось? Почему о Томпсоне по большей части забывают, в то время как материнская компания Google, Alphabet, осыпает Хассабиса деньгами, а документальные фильмы BBC воспевают его панегирики? В основном это вопрос удачного выбора времени.
В 1990-е годы искусственный интеллект был так же моден, как бабушкины трусики.
Сегодня ИИ несет бремя того, что ведет нас к «Четвертой промышленной революции».
Капитал гонится за «следующей большой вещью».
И хотя цифровые системы искусственного интеллекта DeepMind не особенно подходят для моделирования сложных аналоговых систем реального мира, таких как погода или человеческий мозг, они, безусловно, хорошо подходят для обработки цифровых данных, поступающих из простейшего цифрового онлайн-мира в виде ссылок.
клики, лайки, плейлисты и пиксели.
.
DeepMind также извлекла выгоду из своей способности придать продукту лицо.
DeepMind рекламировала свою технологию и лидерство, культивируя технологическую загадочность, но все демонстрации ее работы сводились к игрушкам с простейшими вычислимыми правилами.
Преимущество игр в том, что они понятны и визуально привлекательны для средств массовой информации и публики.
Фактически, большая часть коммерческого применения этой технологии будет связана с банальные фоновые бизнес-приложения , Например, оптимизация энергоэффективности центры обработки данных, где Google хранит свои компьютеры.
Ceci n’est pas une весло*
*"Это не весло" - отсылка к картине" Предательство образов " Что общего у Томпсона и Хассабиса — помимо того, что они были британцами, — это, безусловно, опыт и навыки, необходимые для эффективного обучения и развития их систем, но такая зависимость от человеческих навыков и творчества, очевидно, является слабостью любой системы искусственного интеллекта или машинного обучения.Кроме того, их технология была очень хрупкой.
Например, системы Томпсона часто переставали работать при температурах, отличных от тех, при которых они развивались.
Тем временем DeepMind простаивает изменение размера весла в одной из видеоигр компании это полностью свело на нет эффективность ИИ.
Эта хрупкость связана с тем, что ИИ DeepMind не понимает, что такое весло или даже сама видеоигра; его переключатели работают только с двоичными числами.
Системы машинного обучения в последнее время действительно добились больших успехов, но большая часть этого прогресса достигнута за счет использования огромного количества готового компьютерного оборудования для решения проблем, а не за счет радикальных инноваций.
В какой-то момент в ближайшем будущем уже невозможно будет разместить на кремниевом чипе еще больше крошечных кремниевых переключателей.
Эффективность конструкции (больше вычислений на меньшем оборудовании) станет важной с коммерческой точки зрения, и в этот момент развитие аппаратного обеспечения может наконец войти в моду.
Могут также возникнуть гибридные системы, сочетающие подходы Томпсона и Хассабиса.
Но что бы ни случилось, Харрари придется подождать, пока он не сможет приобрести «творческую» систему искусственного интеллекта, чтобы написать свой следующий бестселлер.
Теги: #Машинное обучение #Google #искусственный интеллект #глубокое обучение #философия #возрождение искусственного интеллекта
-
Google Внедрил Свой Сервис В Windows Vista
19 Oct, 24 -
Пишем Dsl В Колтине
19 Oct, 24
