Искусственный интеллект, развитие из прошлого в будущее
Привет. По состоянию на август 2017 года самыми дорогими технологическими компаниями являются Apple, Google, Microsoft, Facebook и Amazon. Все они в значительной степени используют глубокие нейронные сети, разрабатываемые еще с начала 1990-х годов - в частности, Long Short-Term Memory network или LSTM.
Вначале сети на базе LSTM были достаточно примитивны. Они ничего не знали. Но они могли обучаться на собственном опыте. Эта технология была вдохновлена нейронной сетью головного мозга человека, где каждый из более 15 миллиардов нейронов связан с 10 000 другими нейронами в среднем. Входные нейроны подают такие данные, как звук, зрение, боль. Выходные нейроны вызывают сокращения мышц. Все они учатся, изменяя силу соединения, определяя, насколько сильно нейроны влияют друг на друга.
Существует похожая на LSTM сеть, называемая искусственная рекуррентная нейронная сеть (RNN), которая превосходит предыдущие методы по своей эффективности. LSTM учится контролировать роботов, анализировать изображения, анализировать документы, распознавать видео и почерк, запускать чаты, прогнозировать болезни, делать ставки на фондовых рынках, сочинять музыку и многое другое. LSTM стала основой большей части того, что сейчас называется глубоким обучением, особенно для последовательных данных (обратите внимание, что большинство реальных данных являются последовательными).
В 2015 году LSTM значительно улучшила распознавание речи в Google, теперь она используется на более чем двух миллиардах телефонов Android. LSTM также лежит в основе нового, гораздо лучшего сервиса Google Translate, который используется с 2016 года. LSTM также находится в QuickType от Apple и Siri почти на миллиардах iPhone. LSTM создает разговорные ответы помощника от Amazon.
По состоянию на 2016 год, почти 30 процентов огромной вычислительной мощности для вывода во всех этих центрах обработки данных Google был использован LSTM.
По состоянию на 2017 год Facebook использует LSTM для 4,5 миллиардов переводов каждый день - более 50 000 в секунду. Вероятно, мы используем LSTM все время. Сегодня миллиардам пользователей также доступны и другие алгоритмы глубокого обучения.
Архитектура на основе RNN названа «general deep learning (общее глубокое обучение)», в противопоставление традиционным методам глубокого обучения в многослойных нейронных сетях (FNNs).
К началу 1990-х годов глубокие RNN смогли научиться решать многие ранее неразрешимые задачи. Но это было только начало. Каждые пять лет компьютерные процессоры становятся примерно в 10 раз быстрее и дешевле. Эта тенденция сложилась еще раньше, чем был выведен Закон Мура, она развивается с тех пор, как Конрад Цузе построил первый рабочий компьютер с программным управлением в период 1935-1941 годов, который мог выполнять примерно одну элементарную операцию в секунду. Сегодня, 75 лет спустя, вычисления в миллион миллиардов раз дешевле. Конечно LSTM выиграла от этого ускорения.
Сегодняшние крупнейшие LSTM имеют миллиард связей или около того. Экстраполируя эту тенденцию, через 25 лет мы должны иметь довольно дешевые LSTM размером с человеческую нейронную сеть с более чем 100 000 миллиардов электронных соединений, которые намного быстрее, чем биологические соединения. Несколько десятилетий спустя у нас могут быть дешевые компьютеры с вычислительной мощью всех 10 миллиардов человеческих мозгов планеты вместе, которые, вероятно, не могут выполнить более 10 в 30 степени элементарных операций в секунду. И физический предел Бремермана (1982) за 1 килограмм вычислительного субстрата все еще в 10 в 20 степени раз больше этого числа. Вышеуказанная тенденция не приблизится к этому пределу до следующего столетия.
LSTM сам по себе является контролируемым методом и, следовательно, недостаточным для истинного AI, который обучается самостоятельно, без помощи человека, чтобы решать всевозможные проблемы в изначально неизвестных средах.
Особый акцент работы исследователей с 1990 года был сделан на неконтролируемых AI, которые показывают то, что называется «искусственным любопытством» и творчеством. Они изобретают свои собственные цели и проводят эксперименты, чтобы выяснить, как работает мир. Такие AI могут использовать LSTM как подмодуль, который учится прогнозировать последствия действий. Они не тупо выполняют инструкции людей, но получают вознаграждения от постоянного создания и решения новых, ранее неразрешимых проблем, чтобы становиться все более и более универсальным методом решения проблем. На основе этой технологии уже разрабатываются простые "искусственные ученые".
Если экстраполировать эту работу в будущее, возможно, что в течение не большого количества лет у нас будет AI, который постепенно сможет стать таким умным, как маленькое животное - любопытное и способное к определенному творчеству, постоянно обучающееся рассуждать и быстро разрешать множество проблем. Вскоре после того, как будет разработан AI уровня обезьяны, возможно появиться и AI с человеческим уровнем, с действительно безграничными возможностями.
И это не остановится. Многие любопытные AI самостоятельно будут создавать свои собственные цели, быстро улучшатся и будут ограниченные только фундаментальными пределами вычислимости и физики.
Что же они будут делать?
Космос враждебно относится к людям, но дружелюбно к роботам, и он может обеспечить гораздо большее количество ресурсов, чем наш тонкий слой биосферы. Хотя некоторые AI останутся решать земные проблемы, большинство будет заинтересовано в невероятных новых возможностях, открывающихся для роботов и их программного обеспечения там в космосе.
Через бесчисленные самовоспроизводящиеся роботизированные заводы в поясе астероидов и дальше они преобразуют солнечную систему, а затем в течение нескольких сотен тысяч лет всю галактику и в течение миллиардов лет остальную доступную вселенную (AI или их части, возможно, будут перемещаться по радио волнам от передатчиков к приемникам, хотя на установку самих передатчиков и приемников может уйти много времени).
Это будет сильно отличаться от сценариев, описанных в научно-фантастических романах 20-го века, в которых также представлены галактические империи и умные AI. Большинство сюжетов романов были в основном ориентированными на человека и, следовательно, нереалистичными. Например, чтобы сделать большие расстояния в галактике совместимыми с короткими жизненными циклами человека, научно-фантастические авторы изобрели физически невозможные технологии, такие как варп-двигатели, способные развивать скорость превышающую скорость света. Однако развитые системы AI не будут иметь никаких проблем с ограничением физический скоростей.
Многие научно-фантастические романы описывают единую систему суперинтеллекта, доминирующую во всем. Более реалистично ожидать невероятное разнообразие AI систем, оптимизирующих все виды частично противоречивых (и быстро меняющихся) функций полезности, многие из которых генерируются автоматически, где каждый AI постоянно пытается выжить и адаптироваться к быстро меняющимся нишам в экосистеме искусственного интеллекта. Это будет обусловлено влиянием интенсивной конкуренцией и сотрудничества, масштабы которых лежат за пределами нашего нынешнего воображения.
Некоторые люди могут надеяться стать бессмертными частями этих экосистем через сканирование мозга и «выгрузку сознания» в виртуальные системы, эта идея обсуждается в художественной литературе с 1960-х годов. Однако, чтобы конкурировать с быстро развивающимися экосистемами AI, выгруженное человеческое сознание и интеллект, в конечном счете, должны измениться до неузнаваемости, становясь чем-то совсем другим.
В связи с этим, люди не будут играть существенной роли в распространении интеллекта во всем космосе. Но это нормально. Некоторые футурологи не думают о людях как о венце творения. Вместо этого они смотрят на человеческую цивилизацию как часть более грандиозной схемы, важный шаг (но не последний) на пути к Вселенной более высокой сложности.
Это больше, чем просто очередная промышленная революция. Это нечто совершенно новое, выходящее за рамки человечества.
