5 didelės dirbtinio intelekto prognozės 2017 m

Praėję metai buvo didžiuliai dirbtinio intelekto ir mašininio mokymosi pažangai. Tačiau 2017 m. gali duoti dar daugiau. Štai penki pagrindiniai dalykai, kurių reikia laukti.

Teigiamas stiprinimas

Istorinė AlphaGo pergalė prieš vieną geriausių visų laikų Go žaidėjų Lee Sedol buvo orientyras dirbtinio intelekto srityje, o ypač technikos, žinomos kaip gilaus sustiprinimo mokymasis, orientyras.

Mokymasis sustiprinamas įkvėpimo iš būdų, kuriais gyvūnai mokosi, kaip tam tikras elgesys sukelia teigiamą arba neigiamą rezultatą. Naudodamas šį metodą, kompiuteris gali, tarkime, išsiaiškinti, kaip pereiti labirintą naudojant bandymus ir klaidas, o tada susieti teigiamą rezultatą – išėjimą iš labirinto – su veiksmais, kurie paskatino jį atlikti. Tai leidžia mašinai mokytis be nurodymų ar net aiškių pavyzdžių. Idėja gyvavo dešimtmečius, tačiau sujungus ją su dideliais (arba giliais) neuroniniais tinklais, gaunama galia, reikalinga, kad ji veiktų sprendžiant tikrai sudėtingas problemas (pvz., „Go“ žaidimą). Negailestingai eksperimentuodamas ir analizuodamas ankstesnius žaidimus, AlphaGo pati suprato, kaip žaisti žaidimą ekspertų lygiu.

Tikimasi, kad sustiprinimo mokymasis dabar bus naudingas daugelyje realaus pasaulio situacijų. Ir neseniai išleistos kelios imituojamos aplinkos turėtų paskatinti pažangą kuriant būtinus algoritmus, padidindamos įgūdžių, kuriuos kompiuteriai gali įgyti tokiu būdu, spektrą.

Tikėtina, kad 2017 m. bus bandoma sustiprinti mokymąsi tokiose problemose kaip automatizuotas vairavimas ir pramoninė robotika. „Google“ jau gyrėsi naudodama gilų mokymąsi kad jos duomenų centrai būtų efektyvesni . Tačiau metodas išlieka eksperimentinis ir vis dar reikalauja daug laiko reikalaujančio modeliavimo, todėl bus įdomu pamatyti, kaip efektyviai jis gali būti naudojamas.

Neuroninių tinklų dvikova

Neseniai Barselonoje vykusiame reklaminio dirbtinio intelekto akademiniame susirinkime, Neural Information Processing Systems konferencijoje, didžioji triukšmo dalis buvo susijusi su nauja mašininio mokymosi technika, vadinama generatyvūs varžovų tinklai .

Iano Goodfellow, dabar OpenAI mokslininko, sugalvoti generatyvūs priešingi tinklai arba GAN yra sistemos, susidedančios iš vieno tinklo, kuris generuoja naujus duomenis, kai pasimoko iš mokymo rinkinio, ir iš kito, kuris bando atskirti tikrus ir netikrus duomenis. Dirbdami kartu šie tinklai gali sukurti labai tikroviškus sintetinius duomenis. Šis metodas gali būti naudojamas kuriant vaizdo žaidimų dekoracijas, panaikinant vaizdo įrašų suliejimą arba pritaikyti stilistinius kompiuterio sukurto dizaino pakeitimus.

Yoshua Bengio, vienas iš pasaulyje pirmaujančių mašininio mokymosi ekspertų (ir Goodfellow patarėjas doktorantūros srityje Monrealio universitete), NIPS sakė, kad šis metodas yra ypač jaudinantis, nes jis suteikia kompiuteriams galingą būdą mokytis iš nepažymėtų duomenų – tuo daugelis tiki. gali būti raktas į tai, kad ateinančiais metais kompiuteriai taptų daug protingesni.

Kinijos AI bumas

Tai taip pat gali būti metai, kai Kinija pradeda atrodyti kaip pagrindinė AI srities veikėja. Šalies technologijų pramonė nutolsta nuo Vakarų įmonių kopijavimo ir AI bei mašinų mokymąsi nustatė kaip kitas dideles inovacijų sritis.

Pirmaujanti Kinijos paieškos įmonė „Baidu“ jau kurį laiką turi į dirbtinį intelektą orientuotą laboratoriją ir gauna naudos dėl technologijų, tokių kaip balso atpažinimo ir natūralios kalbos apdorojimo, patobulinimų, taip pat geriau optimizuoto reklamos verslo. Kiti žaidėjai dabar stengiasi pasivyti. „Tencent“, siūlanti itin sėkmingą mobiliųjų telefonų susirašinėjimo ir tinklų programėlę „WeChat“, praėjusiais metais atidarė dirbtinio intelekto laboratoriją, o įmonė užsiėmė talentų įdarbinimu NIPS. „Didi“, pavėžėjimo milžinas, anksčiau šiais metais įsigijęs „Uber“ Kinijoje veiklą, taip pat kuria laboratoriją ir, kaip pranešama, dirba su savo automobiliais be vairuotojo.

Kinijos investuotojai dabar investuoja pinigus į DI orientuotas įmones, o Kinijos vyriausybė pranešė, kad nori, kad šalies AI pramonė klestėtų, įsipareigojo investuoti apie 15 mlrd iki 2018 m.

Kalbos mokymasis

Paklauskite AI tyrėjų, koks yra jų kitas didelis tikslas, ir jie greičiausiai paminės kalbą. Tikimasi, kad metodai, kurie, be kitų sričių, padarė įspūdingą balso ir vaizdo atpažinimo pažangą, taip pat gali padėti kompiuteriams veiksmingiau analizuoti ir generuoti kalbą.

Tai ilgalaikis dirbtinio intelekto tikslas, o kompiuterių, kurie bendrautų ir bendraus su mumis naudodami kalbą, perspektyva yra žavinga. Dėl geresnio kalbos supratimo mašinos taptų daug naudingesnės. Tačiau iššūkis yra didžiulis, atsižvelgiant į kalbos sudėtingumą, subtilumą ir galią.

Nesitikėkite, kad kurį laiką įsitrauksite į gilų ir prasmingą pokalbį su savo išmaniuoju telefonu. Tačiau daroma keletas įspūdingų žingsnių, ir 2017 m. galite tikėtis tolesnio pažangos šioje srityje.

Reakcija į ažiotažą

2016 m. ažiotažas, susijęs su dirbtiniu intelektu, pasiekė ne tik tikrą pažangą ir įdomias naujas programas, bet ir pasiekė naujas aukštumas. Nors daugelis tiki esmine šiandien kuriamų technologijų verte, sunku pabėgti nuo jausmo, kad su dirbtiniu intelektu susijęs viešumas tampa nebevaldomas.

Kai kurie dirbtinio intelekto tyrinėtojai akivaizdžiai yra susierzinę. NIPS metu buvo surengtas netikro DI startuolio pristatymo vakarėlis Raketos AI , į paryškinti auganti manija ir nesąmonė, susijusi su tikrais AI tyrimais. Apgaulė nebuvo labai įtikinama, bet tai buvo smagus būdas atkreipti dėmesį į tikrą problemą.

Viena tikra problema yra ta, kad ažiotažas neišvengiamai sukelia nusivylimo jausmą, kai neįvyksta didelių proveržių, todėl pervertinti startuoliai žlunga, o investicijos išsenka. Galbūt 2017 m. atsiras tam tikra reakcija prieš AI hype mašiną – ir galbūt tai nebūtų toks blogas dalykas.

paslėpti