Mennesker pluss maskiner vil overgå evnen til enten elementet alene. metamorworks / Shutterstock.com

Fremtiden vil ikke bli laget av mennesker eller maskiner alene - men begge deler jobber sammen. Teknologier som er modellert på hvordan menneskers hjerner jobber, øker allerede menneskers evner, og vil bare bli mer innflytelsesrike etter hvert som samfunnet blir vant til disse stadig bedre maskiner.

Teknologiske optimister har forestilt seg en verden med stigende menneskelig produktivitet og livskvalitet som kunstige intelligenssystemer overtar livets dunkler og administrivia, nyter alle. Pessimister har derimot advart om at disse fremskrittene kunne komme på stor kostnad i tapte jobber og forstyrrede liv. Og fryktmargere bekymrer seg for at AI kanskje til slutt gjøre menneskene forældede.

Men folk er ikke veldig gode til å forestille seg fremtiden. Verken utopi eller dommedag er sannsynlig. I min nye bok, "Den dype læringsrevolusjonen, "Mitt mål var å forklare fortiden, nutiden og fremtiden for dette raskt voksende området for vitenskap og teknologi. Min konklusjon er at AI vil gjøre deg smartere, men på måter som vil overraske deg.

Anerkjenner mønstre

Dyp læring er den delen av AI som har gjort mest fremgang i løse komplekse problemer som å identifisere objekter i bilder, gjenkjenne tale fra flere høyttalere og behandle tekst slik folk snakker eller skriver det. Dyp læring har også vist seg nyttig for å identifisere mønstre i stadig større datasett som genereres fra sensorer, medisinsk utstyr og vitenskapelige instrumenter.

Målet med denne tilnærmingen er å finne måter en datamaskin kan representere kompleksiteten i verden og generalisere fra tidligere erfaringer - selv om det som skjer neste, er ikke akkurat det samme som det som skjedde før. Akkurat som en person kan identifisere at et bestemt dyr hun aldri har sett før, er faktisk en katt, dype læringsalgoritmer kan identifisere aspekter av det som kan kalles "cat-ness" og trekke ut disse attributter fra nye bilder av katter.

Dype læringssystemer kan fortelle hvilken av disse er en katt. Gelpi / Shutterstock.com

Metodene for dyp læring er basert på samme prinsipper som driver den menneskelige hjerne. For eksempel håndterer hjernen mye data av forskjellige slag i mange behandlingsenheter samtidig. Neuroner har mange forbindelser til hverandre, og disse koblingene styrker eller svekkes avhengig av hvor mye de er brukt, etablering av foreninger mellom sensoriske innganger og konseptuelle utganger.

De mest vellykkede dype læringsnettverk er basert på 1960s forskning i arkitekturen til den visuelle cortexen, en del av hjernen vi bruker til å se, og læringsalgoritmer som ble oppfunnet i 1980s. Tidligere var datamaskiner ikke ennå raske nok til å løse virkelige problemer. Nå, skjønt, de er.

I tillegg har læringsnettverk blitt lagdelt på toppen av hverandre, noe som skaper nett av tilkoblinger nærmere som ligner hierarkiet av lag funnet i visuell cortex. Dette er en del av a konvergens finner sted mellom kunstig og biologisk intelligens.

Et firelags neuralt nettverk aksepterer inngang fra venstre, overfører utgangen fra det første laget til det neste laget, til det neste og det neste - før du leverer utdata. Sin314 / Shutterstock.com

Dyp læring i virkeligheten

Dyp læring legger allerede til menneskelige evner. Hvis du bruker Google-tjenester til å søke på nettet, eller bruke appene sine til å oversette fra ett språk til et annet, eller slå tale til tekst, har teknologien gjort deg smartere eller mer effektiv. Nylig på en tur til Kina snakket en venn engelsk til sin Android-telefon, som oversatte den til talt kinesisk for en drosjesjåfør - akkurat som universell oversetter på "Star Trek"».

En test av en sanntids oversettelse enhet.

{youtube}Nu-nlQqFCKg{/youtube}

Disse og mange andre systemer er allerede på jobb, og hjelper deg i ditt daglige liv, selv om du ikke er klar over dem. For eksempel begynner dyp læring å overta lesing av røntgenbilder og fotografier av hudskader for kreft deteksjon. Din lokale lege vil snart kunne se problemer som er åpenbare i dag bare til de beste eksperter.

Selv når du vet at det er en maskin involvert, forstår du kanskje ikke kompleksiteten av hva de egentlig gjør: Bak Amazonas Alexa er en bevy av dype læringsnettverk som gjenkjenner forespørselen din, sikt gjennom data for å svare på dine spørsmål og ta handlinger på vegne av deg.

Fremme læring

Dyp læring har vært svært effektiv for å løse mønstergenkjenningsproblemer, men å gå utover dette krever andre hjernesystemer. Når et dyr belønnes for en handling, er det det mer sannsynlig å ta lignende handlinger i fremtiden. Dopaminneuroner i hjernens basale ganglia rapporterer forskjellen mellom forventede og mottatte belønninger, kalt belønning prediksjon feil, som brukes til å forandre styrken av tilkoblinger i hjernen som forutsier fremtidige belønninger.

Kobling av denne tilnærmingen, kalt forsterkende læring, med dyp læring kan gi datamaskiner kraften til å identifisere uventede muligheter. Ved å gjenkjenne et mønster og deretter svare på det på en måte som gir belønninger, kan maskiner nærme seg atferd i tråd med hva som kan kalles menneskelig kreativitet. Denne koblede tilnærmingen er hvordan DeepMind utviklet en programmet kalles AlphaGo, som i 2016 beseiret stormester Lee Sedol og det følgende året slå verden Gå mester, Ke Jie.

Spillene er ikke så rotete som den virkelige verden, som er fylt med skiftende usikkerheter. Massimo Vergassola ved University of California, San Diego, og jeg brukte nylig forsterkningslæring for å lære en glider i feltet hvordan å sveve som en fugl i turbulente termaler. Sensorer kan festes til faktiske fugler for å teste om de bruker de samme signalene og svarer på samme måte.

Til tross for disse suksessene, forstår forskerne ennå ikke fullt ut hvordan dyp læring løser disse problemene. Selvfølgelig vet vi ikke hvordan hjernen løser dem heller.

Mens hjernens indre arbeid kan forbli unnvikende, er det bare et spørsmål om tid før forskerne utvikler en teori om dyp læring. Forskjellen er at når man studerer datamaskiner, har forskere tilgang til alle sammenhenger og aktivitetsmønstre i nettverket. Tempoet i fremdriften er raskt, med forskningspapir som vises daglig arXiv. Overraskende fremskritt er ivrig forventet i desember på Neural Information Processing Systems konferanse i Montreal, som utsolgt 8,000-billetter i 11 minutter, forlater 9,000 håpfulle registranter på ventelisten.

Det er en lang vei å gå før datamaskiner oppnår generell menneskelig intelligens. Det største dype læringsnettverket i dag har bare kraften i et stykke menneskelig nevralcortex størrelsen på en riskorn. Og vi vet ennå ikke hvordan hjernen dynamisk organiserer samspill mellom større hjerneområder.

Naturen har allerede det nivået av integrasjon, og skaper storskala hjernesystemer som er i stand til å operere alle aspekter av menneskekroppen mens du tenker på dype spørsmål og fullfører komplekse oppgaver. Til syvende og sist kan autonome systemer bli så komplekse, og bli med i de myriade levende skapningene på vår planet.

Om forfatteren

Terrence Sejnowski, Francis Crick Professor og direktør for Computational Neurobiology Laboratory ved Salk Institute for Biological Studies, og Distinguished Professor of Neurobiology, University of California San Diego

Denne artikkelen er publisert fra Den Conversation under en Creative Commons-lisens. Les opprinnelige artikkelen.

Relaterte bøker

at InnerSelf Market og Amazon