Den felande länken av artificiell intelligens

2012 fick världen veta om ett överraskande forskningsprojekt i Googles hemliga X-labb. En gigantisk simulering av tre miljoner neuroner lärde sig att känna igen katter och människor på bilder, utan mänsklig hjälp, bara genom att titta på bilder tagna från YouTube.

Personerna bakom projektet grundade en ny forskargrupp känd som Google Brain inom företagets sökavdelning. De och forskare på andra håll visade snart för världen att artificiella neurala nätverk, en årtionden gammal uppfinning, kunde förstå bilder och tal med oöverträffad noggrannhet (se Google Puts Its Virtual Brain to Work ). Framgången med djupinlärning, som tekniken också är känd, fick Google och andra att investera kraftigt i artificiell intelligens och har till och med fått vissa experter att hävda att vi bör förbereda oss för mjukvara som är smartare än människor (se Vad krävs för att bygga en dygd AI?).

Ändå var Googles kattdetektor på något sätt en återvändsgränd. De senaste framgångarna med djupinlärning bygger på programvara som behöver mänsklig hjälp för att lära sig – något som begränsar hur långt artificiell intelligens kan gå.

Googles experiment använde en metod som kallas oövervakad inlärning, där programvara matas med rådata och måste ta reda på saker själv utan mänsklig hjälp. Men även om den lärde sig att känna igen katter, ansikten och andra föremål, var den inte tillräckligt exakt för att vara användbar. Uppsvinget i forskning om djupinlärning och produkter som bygger på det vilar på övervakat lärande, där programvaran förses med data märkta av människor – till exempel bilder taggade med namnen på objekten som de avbildar (se Teaching Machines to Understand Us ).

Det har visat sig vara otroligt effektivt för många problem, som att identifiera objekt i bilder, filtrera spam-e-post och till och med föreslå korta svar på dina meddelanden, en funktion som introducerades av Google förra året . Men oövervakat lärande behövs förmodligen om mjukvaran ska fortsätta bli bättre på att förstå världen, säger Jeff Dean, som leder Google Brain-gruppen idag och även arbetat med kattdetektorprojektet inuti Google X.

Jag är ganska säker på att vi behöver det, säger Dean. Övervakad inlärning fungerar så bra när du har rätt datauppsättning, men i slutändan kommer oövervakad inlärning att vara en riktigt viktig komponent för att bygga riktigt intelligenta system – om du tittar på hur människor lär sig är det nästan helt utan tillsyn.

Ett exempel på det är hur vi lär oss som spädbarn, och som etablerar grunden för vuxnas intelligens. Vi kommer till exempel på att föremål fortfarande existerar utom synhåll och faller om de inte stöds, och vi lär oss dessa saker bara genom att observera världen, utan explicit instruktion. Den typen av sunt förnuft behövs om robotar ska navigera i världen lika bra som djur gör. Det underbygger också till synes mer abstrakta uppgifter, som att förstå språk.

Att ta reda på hur mjukvara kan göra det som kommer så lätt för mänskliga spädbarn är avgörande om större ambitioner för artificiell intelligens ska uppfyllas, säger Yann LeCun, chef för Facebooks Artificial Intelligence Research Group. Vi vet alla att oövervakat lärande är det ultimata svaret, säger han. Att lösa oövervakat lärande tar oss till nästa nivå.

Även om de inte har det ultimata svaret ännu, experimenterar forskare på företag som Facebook och Google, och i akademin, med begränsade former av oövervakat lärande.

En del av forskningen syftar till att skapa artificiella neurala nätverk som tar in video och bilder och sedan genererar nya bilder med hjälp av den kunskap de har fått om världen – vilket indikerar att de har bildat en intern representation av hur det fungerar. Att göra korrekta förutsägelser om världen är en viktig grundläggande egenskap hos mänsklig intelligens.

Det 'optimala' mänskliga ansiktet, enligt ett nätverk av tre miljoner simulerade neuroner som Google matade bilder från YouTube.

Facebooks forskare har gjort mjukvara som kallas EyeScream som kan generera igenkännbara bilder efter uppmaningar som kyrka eller flygplan, och de arbetar med att skapa mjukvara som förutsäger vad som kommer att hända i en video. Forskare vid Googles dotterbolag DeepMind har gjort mjukvara som tittar på ett foto med vissa delar mörklagda och försöker fylla i dem med realistiska bilder.

DeepMind testar också ett alternativ till helt oövervakad inlärning som kallas förstärkningsinlärning, där programvara tränas genom att få automatisk feedback om dess prestanda – till exempel från poängsystemet i ett datorspel (se Googles Intelligence Designer ). Och forskare som inte använder djupinlärning har visat mjukvara som kan lära sig att känna igen en handskriven karaktär på basis av ett enda exempel (se Denna AI-algoritm lär sig uppgifter så snabbt som vi gör).

Ändå har ingen av dessa utforskningar hittills avslöjat en väg som garanterat verkar leda till oövervakat lärande på nära mänsklig nivå, eller programvara som kan lära sig komplexa saker om den verkliga världen bara genom att uppleva eller experimentera med den. Just nu verkar vi sakna en nyckelidé, säger Adam Coates, chef för den kinesiska sökmotorn Baidus Silicon Valley AI Lab .

Övervakat lärande har fortfarande mycket att erbjuda medan sökningen pågår, säger Coates: Internetföretag har tillgång till en mängd data om saker som människor gör och bryr sig om, råvaror som kan användas för att bygga saker som röstgränssnitt och mycket personliga assistenter mer kapabla än de vi har idag. På kort sikt finns det mycket du kan göra med märkta data, säger han. Stora företag spenderar miljoner på att få entreprenörer att märka data för att matas in i deras maskininlärningssystem.

LeCun från Facebook tror att forskare inte kommer att tvingas livnära sig på märkt data för alltid. Men han vägrar att gissa hur länge den mänskliga intelligensens motor kommer att förbli utom räckhåll för mjukvara. Vi kan liksom ingredienserna; vi vet bara inte receptet, säger han. Det kan ta ett tag.

Dölj