211service.com
5 stora förutsägelser för artificiell intelligens 2017
Förra året var enormt för framsteg inom artificiell intelligens och maskininlärning. Men 2017 kan mycket väl leverera ännu mer. Här är fem viktiga saker att se fram emot.
Positiv förstärkning
AlphaGos historiska seger mot en av de bästa Go-spelarna genom tiderna, Lee Sedol, var ett landmärke för området AI, och speciellt för tekniken som kallas djup förstärkningsinlärning.
Förstärkningsinlärning hämtar inspiration från hur djur lär sig hur vissa beteenden tenderar att resultera i ett positivt eller negativt resultat. Genom att använda detta tillvägagångssätt kan en dator, säg, ta reda på hur man navigerar i en labyrint genom att trial and error och sedan associera det positiva resultatet – att lämna labyrinten – med de åtgärder som ledde fram till det. Detta låter en maskin lära sig utan instruktioner eller ens explicita exempel. Idén har funnits i decennier, men att kombinera den med stora (eller djupa) neurala nätverk ger den kraft som behövs för att få den att fungera på riktigt komplexa problem (som spelet Go). Genom obevekliga experimenterande, såväl som analys av tidigare spel, kom AlphaGo själv på hur man spelar spelet på expertnivå.
Förhoppningen är att förstärkningsinlärning nu kommer att visa sig användbar i många verkliga situationer. Och den senaste utgåvan av flera simulerade miljöer bör stimulera framsteg med de nödvändiga algoritmerna genom att öka utbudet av färdigheter som datorer kan förvärva på detta sätt.
Under 2017 kommer vi sannolikt att se försök att tillämpa förstärkningsinlärning på problem som automatiserad körning och industriell robotik. Google har redan skryt med att använda djup förstärkningsinlärning för att göra sina datacenter effektivare . Men tillvägagångssättet förblir experimentellt, och det kräver fortfarande tidskrävande simulering, så det ska bli intressant att se hur effektivt det kan användas.
Duellerande neurala nätverk
Vid den akademiska banner-AI-sammankomsten som nyligen hölls i Barcelona, konferensen Neural Information Processing Systems, handlade mycket om en ny maskininlärningsteknik känd som generativa kontradiktoriska nätverk .
Uppfunnet av Ian Goodfellow, nu forskare vid OpenAI, generativa motstridiga nätverk, eller GAN, är system som består av ett nätverk som genererar ny data efter att ha lärt sig från en träningsuppsättning, och ett annat som försöker skilja mellan verklig och falsk data. Genom att arbeta tillsammans kan dessa nätverk producera mycket realistisk syntetisk data. Tillvägagångssättet kan användas för att skapa videospelslandskap, ta bort pixelerade videofilmer eller tillämpa stilistiska förändringar på datorgenererade mönster.
Yoshua Bengio, en av världens ledande experter på maskininlärning (och Goodfellows doktorandrådgivare vid University of Montreal), sa vid NIPS att tillvägagångssättet är särskilt spännande eftersom det erbjuder ett kraftfullt sätt för datorer att lära sig av omärkta data – något många tror kan vara nyckeln till att göra datorer mycket mer intelligenta under kommande år.
Kinas AI-boom
Detta kan också vara året då Kina börjar se ut som en stor aktör inom AI. Landets teknikindustri håller på att gå bort från att kopiera västerländska företag, och den har identifierat AI och maskininlärning som nästa stora innovationsområden.
Kinas ledande sökföretag, Baidu, har haft ett AI-fokuserat labb under en tid, och det skördar frukterna i form av förbättringar av tekniker som röstigenkänning och naturligt språkbehandling, samt en bättre optimerad reklamverksamhet. Andra spelare kämpar nu för att komma ikapp. Tencent, som erbjuder den enormt framgångsrika mobil-först meddelande- och nätverksappen WeChat, öppnade ett AI-labb förra året, och företaget var upptaget av att rekrytera talanger på NIPS. Didi, samåkningsjätten som köpte Ubers kinesiska verksamhet tidigare i år, bygger också ut ett labb och arbetar enligt uppgift på sina egna förarlösa bilar.
Kinesiska investerare häller nu pengar på AI-fokuserade startups, och den kinesiska regeringen har signalerat en önskan att se landets AI-industri blomstra, lovar att investera cirka 15 miljarder dollar senast 2018.
Språkinlärning
Fråga AI-forskare vad deras nästa stora mål är, och de kommer sannolikt att nämna språket. Förhoppningen är att tekniker som har gett spektakulära framsteg inom bland annat röst- och bildigenkänning, också kan hjälpa datorer att analysera och generera språk mer effektivt.
Detta är ett långvarigt mål inom artificiell intelligens, och möjligheten att datorer kommunicerar och interagerar med oss med hjälp av språk är fascinerande. Bättre språkförståelse skulle göra maskiner mycket mer användbara. Men utmaningen är en enorm, med tanke på språkets komplexitet, subtilitet och kraft.
Förvänta dig inte att du kommer in i djupa och meningsfulla samtal med din smartphone på ett tag. Men några imponerande inbrytningar görs, och du kan förvänta dig ytterligare framsteg på detta område under 2017.
Motreaktion till hypen
Förutom genuina framsteg och spännande nya applikationer nådde 2016 hypen kring artificiell intelligens nya höjder. Även om många tror på det underliggande värdet av teknologier som utvecklas idag, är det svårt att undgå känslan av att publiciteten kring AI håller på att gå lite över styr.
Vissa AI-forskare är uppenbarligen irriterade. En lanseringsfest anordnades under NIPS för en falsk AI-startup kallad Raket AI , till markera den växande manin och nonsensen kring riktig AI-forskning. Bedrägeriet var inte särskilt övertygande, men det var ett roligt sätt att uppmärksamma ett genuint problem.
Ett verkligt problem är att hypen oundvikligen leder till en känsla av besvikelse när stora genombrott inte inträffar, vilket gör att övervärderade startups misslyckas och investeringarna tar slut. Kanske kommer 2017 att innehålla någon form av motreaktion mot AI-hypemaskinen - och det kanske inte skulle vara så dåligt.