Всякий раз, когда любая компания заявляет, что создала новый «AI», обычно это означает, что компания использует машинное обучение для создания нейронной сети.
«Машинное обучение» – это метод, позволяющий машине «учиться», как лучше выполнять конкретную задачу.
Мы не критикуем машинное обучение! Ибо это фантастическая технология с большим количеством мощных применений. Но, это не искусственный интеллект, и понимание ограничений машинного обучения помогает понять, почему наша современная технология ИИ настолько ограничена.
«Искусственный интеллект» – как его представляет научная фантастика – это компьютерный или роботизированный мозг, который думает о вещах и понимает их как люди. Такой искусственный интеллект будет интеллектом общего назначения (AGI), это означает, что он может думать о нескольких разных вещах и применять этот интеллект для нескольких разных задач.
Родственным понятием является «сильный ИИ», который будет машиной, способной испытать человекоподобное сознание.
У нас пока нет такого ИИ. Мы даже не приблизились к этому. Компьютерные сущности, такая как Алиса, Сири, Алекса или Кортана, не понимают и не думают так, как мы, люди. Они, в принципе, не могут думать о вещах абстрактно.
Искусственный интеллект, который у нас есть, обучен хорошо выполнять определенную задачу, предполагая, что люди могут предоставить данные, по которым он будет учиться. Они учится что-то делать, но всё ещё не понимает этого.
Компьютеры не понимают
В Gmail есть функция «умного ответа», которая предлагает ответы на электронные письма. Функция Smart Reply идентифицировала «Отправлено с моего iPhone» как общий ответ. Она также хотела предложить «Я люблю тебя» в качестве ответа на множество разных типов электронных писем, включая рабочие письма.
Это потому, что компьютер не понимает, что означают эти ответы. Просто он «заметил», что многие люди отправляют эти фразы в электронных письмах. Но он не знает, хотите ли вы сказать «Я люблю тебя» своему боссу или нет.
В качестве другого примера может быть Google Фото, который собрал коллаж случайных фотографий ковра в одном из наших домов. Затем он определил этот коллаж как недавнее событие в Google Home Hub. Google Фото заметил, что фотографии похожи, но не понял, насколько они не важны.
Машины часто учатся играть в систему
Машинное обучение позволяет назначить задачу и дать компьютеру возможность выбрать наиболее эффективный способ её выполнения. Поскольку он не понимает её сути, в конечном итоге, компьютер «научится» решать проблемы, отличные от того, что вы хотели.
Вот список забавных примеров, когда «искусственный интеллект» создавался находил неожиданные решения поставленной задачи. Все эти примеры взяты из этой превосходной таблицы:
- «Существа, созданные для скорости, растут очень высокими и генерируют высокие скорости, падая»
- «Агент убивает себя в конце первого уровня, чтобы не погибнуть на уровне 2»
- «Агент приостанавливает игру, чтобы не проиграть»
- «В искусственной моделировании жизни, где выживание потребовало энергии, но рождение не имело затрат на энергию, один вид развивал сидячий образ жизни, который состоял, в основном, из спаривания, чтобы производить новых детей, которых... можно было бы съесть (или использовать в качестве помощников для производства более съедобных детей)»
- «Поскольку ИИ с большей вероятностью будет «убит» в случае проигрыша, возможность сбоя игры была преимуществом для процесса генетического отбора. Поэтому несколько ИИ разработали способы выводить игру из строя»
- «Нейронные сети, разработанные для классификации съедобных и ядовитых грибов, использовали данные, представленные в чередующемся порядке, и не изучали никаких особенностей входных изображений».
Некоторые из этих решений могут показаться умными, но ни одна из этих нейронных сетей не понимала, что они делают. Им была назначена цель и требование найти способ её достижения. Если цель состоит в том, чтобы избежать проигрыша в компьютерной игре, нажатие кнопки паузы – это самое простое и быстрое решение, которое они могут найти.
Машинное обучение и нейронные сети
При компьютерном обучении компьютер не запрограммирован на выполнение конкретной задачи. Вместо этого он загружает данные и оценивает их производительность в задаче.
Элементарным примером машинного обучения является распознавание изображений. Предположим, мы хотим подготовить компьютерную программу для определения фотографий, на которых есть собака. Мы можем дать компьютеру миллионы изображений, некоторые из которых показывают собак, а некоторые – нет. Изображения помечены, есть ли на них собака или нет. Компьютерная программа «тренируется», чтобы узнавать, как выглядят собаки на основе этого набора данных.
Процесс машинного обучения используется для обучения нейронной сети, которая представляет собой компьютерную программу с несколькими уровнями, через которую проходит каждый пакет входных данных, и каждый уровень присваивает им разные веса и вероятности, прежде чем, в конечном итоге, определит результат. Таким образом, имитируется работа нашего мозга с различными слоями нейронов, участвующих в мышлении. «Глубокое обучение» обычно относится к нейронным сетям со многими слоями, уложенными между входом и выходом.
Поскольку мы знаем, какие фотографии в наборе данных содержат собак, а какие нет, мы можем пропустить фотографии через нейронную сеть и посмотреть, приведут ли они к правильному ответу. Если сеть решит, что на определенной фотографии нет собаки, когда это не так, то мы сообщим что это было неправильно, изменим некоторые настройки и повторим попытку. Компьютер продолжает улучшать алгоритм при определении того, содержат ли фотографии собаку.
Всё это происходит автоматически. При правильном программном обеспечении и множестве структурированных данных, на которых тренируется компьютер, мы может создать нейронную сеть для идентификации собак на фотографиях. Мы называем это «ИИ».
Но, в конце концов, мы не получим умной компьютерной программы, которая понимает, что такое собака. У вас есть компьютер, который научился решать, есть ли собака на фотографии. Это довольно впечатляет, но это всё, что он может сделать.
В зависимости от введенных вами данных, эта нейронная сеть может быть не такой умной, как кажется. Например, если в вашем наборе данных не было фотографий кошек, нейронная сеть может не видеть разницы между кошками и собаками и может пометить всех кошек как собак.
Для чего используется машинное обучение
Машинное обучение используется для всех видов задач, включая распознавание речи. Голосовые помощники, такие как Алиса, Alexa и Siri, хорошо понимают человеческие голоса из-за методов машинного обучения, которые обучили их понимать человеческую речь. Они тренировались на огромном количестве образцов человеческой речи и стали лучше понимать, какие звуки соответствуют словам.
Автономные автомобили используют методы машинного обучения, которые обучают компьютер идентифицировать объекты на дороге и правильно реагировать на них. В Google Фото есть такие функции, как «Живые альбомы», которые автоматически идентифицируют людей и животных на фотографиях с помощью машинного обучения.
Алфавит DeepMind использовал машинное обучение для создания AlphaGo, – компьютерной программы, которая может играть в сложную настольную игру Го и побеждать лучших людей в мире. Машинное обучение также использовалось для создания компьютеров, которые хорошо играют в другие игры: от шахмат до DOTA 2.
Машинное обучение даже используется для идентификации лица на последних iPhone. Ваш iPhone строит нейронную сеть, которая учится идентифицировать ваше лицо, а Apple добавили чип с «нейронным движком», который выполняет все вычисления и другие задачи машинного обучения.
Машинное обучение может использоваться для множества других вещей, от выявления мошенничества с кредитными картами до персонализированных рекомендаций по продуктам на торговых сайтах.
Но нейронные сети, созданные с помощью машинного обучения, ничего не понимают. Это полезные программы, которые могут выполнять узкие задачи, но только с помощью человека.
