Google och Microsoft Talk Artificiell Intelligens

Google och Microsoft delar inte scenen ofta, eftersom de blir allt hårdare konkurrenter inom områden som webbsökning, mobil och moln. Men rivalerna kan komma överens om vissa saker – som artificiell intelligenss betydelse för teknikens framtid.

Sinnesmöte: Peter Norvig (överst) och Eric Horvitz är överens om att AI är en nyckel till framtidens teknik.

Peter Norvig , Googles forskningschef, och Eric Horvitz , en framstående forskare vid Microsoft Research, talade nyligen gemensamt till en publik på Datorhistoriska museet i Palo Alto, Kalifornien, om löftet om AI. Efteråt pratade paret med Teknikgranskning IT-redaktören, Tom Simonite, om vad AI kan göra idag och vad de tror att det kommer att kunna göra imorgon. Artificiell intelligens är ett komplext ämne, och vissa svar har redigerats för korthetens skull.

Teknikgranskning : Ni talade båda på scenen om hur AI har utvecklats under de senaste åren genom användning av maskininlärningstekniker som tar in stora mängder data och tar reda på saker som hur man översätter text eller transkriberar tal. Hur är det med de områden vi vill att AI ska hjälpa till där det inte finns mycket data att lära av?

Peter Norvig: Det vi gör är som att leta under lyktstolpen efter dina tappade nycklar eftersom ljuset är där. Vi klarade oss riktigt bra med text och tal eftersom det finns massor av data i det vilda. Att analysera [bryta ner de grammatiska delarna av meningar] förekommer aldrig naturligt, kanske i någons språkläxor, så vi måste lära oss det utan [märkta] data. En av mina kollegor försöker komma runt det genom att titta på vilka delar av texten på nätet som har länkats – som kan signalera var en viss del av en mening är.

Eric Horvitz: Jag har ofta tänkt att om du hade en molntjänst på himlen som spelade in varje talförfrågan och vad som hände sedan – varje konversation i varje taxi i Peking, till exempel – skulle det kunna vara möjligt att få AI att lära sig hur man gör allt.

Mer allvarligt, om vi kan hitta sätt att fånga massor av data på ett sätt som bevarar integriteten, skulle vi kunna göra det möjligt.

Är det inte svårt att använda maskininlärning om träningsdatan inte redan är märkt och förklarad, för att ge AI en sanning att börja ifrån?

Horvitz: Du behöver inte vara helt märkt. Ett område som kallas semi-övervakat lärande visar oss att även om 1 procent eller mindre av data är taggade kan du använda det för att förstå resten.

Men bristen på etiketter är en utmaning. En lösning är att faktiskt betala människor en liten summa för att hjälpa ett system med data som det inte kan förstå, genom att göra mikrouppgifter som att märka bilder eller andra små saker. Jag tycker att det är ett riktigt rikt område att använda mänsklig beräkning för att utöka AI.

En annan möjlighet är att bygga system som förstår värdet av information, vilket innebär att de automatiskt kan beräkna vad den näst bästa frågan att ställa är, eller hur man får ut det mesta värdet av en extra tagg eller information som tillhandahålls av en människa.

Norvig: Du behöver inte berätta allt för ett inlärningssystem. Det finns en typ av inlärning som kallas förstärkningsinlärning där du bara ger en belöning eller ett straff i slutet av en uppgift. Till exempel förlorade du ett parti pjäs och får inte veta var du gick fel och måste lära dig vad du ska göra för att få belöningen nästa gång.

Allt detta skiljer sig mycket från artificiell intelligenss tidiga dagar, på 50- och 60-talen, då forskare gjorde djärva förutsägelser om matchning av mänsklig förmåga och försökte använda högnivåregler för att skapa intelligens. Utarbetar dina maskininlärningssystem samma högnivåregler för sig själva?

Horvitz: Inlärningssystem kan härleda situationella regler på hög nivå för åtgärder, till exempel för att ta en uppsättning [fysiologiska] symtom och testresultat och spotta ut en diagnos. Men det är inte detsamma som allmänna regler för intelligens.

Det kan vara så att det mer lågnivåarbete vi gör idag kommer att möta top-down-idéerna från botten och upp en dag. Revolutionen som Peter och jag var en del av inom AI var att beslutsfattande under osäkerhet var så viktigt och kunde göras med probabilistiska tillvägagångssätt. Tillsammans med den probabilistiska revolutionen inom AI kommer perspektivet: vi är mycket begränsade agenter och ofullständighet är ofrånkomlig.

Norvig: I början fanns det logik som skilde artificiell intelligens åt, och frågan var hur man skulle använda den. Studien blev studien av vad dessa verktyg var bra för, som schack. Men du kan då bara ha saker som är sanna eller falska och du kan inte göra många saker vi vill göra, så vi gick mot sannolikhet. Det tog ett tag att känna igen de andra områdena, som sannolikhet och beslutsteori, som fanns där ute. Att föra samman dessa två tillvägagångssätt är en utmaning.

När vi ser mer direkta bevis på AI i verkligheten, till exempel Siri, verkar det som om ett slags designproblem har skapats. Människor som skapar AI:er måste göra dem välsmakande för vår egen intelligens.

Norvig: Det är faktiskt en uppsättning problem på olika nivåer. Vi känner till det mänskliga synsystemet och vad det kan innebära att göra knappar i olika färger, till exempel. På en högre nivå baseras förväntningarna i vårt huvud på något och hur det ska bete sig på vad vi tror att det är och hur vi tänker om dess relation till oss.

Horvitz: AI skär sig mer och mer med området för mänsklig interaktion med datorer [studerar psykologin för hur vi använder och tänker om datorer]. Tanken att vi ska ha mer intelligenta saker som arbetar nära människor fokuserar verkligen uppmärksamheten på behovet av att utveckla nya metoder i skärningspunkten mellan mänsklig intelligens och maskinintelligens.

Vad behöver vi veta mer om för att göra AI mer kompatibla med människor?

Horvitz: En sak som min forskargrupp har drivit på för att ge datorer är en systemomfattande förståelse för mänsklig uppmärksamhet, att veta när det är bäst att avbryta en person. Det har varit ett ämne för forskning mellan oss forskare och produktteamen.

Norvig: Jag tror att vi också vill förstå människokroppen mycket mer, och du kan se i Microsofts Kinect ett sätt att göra det. Det finns massor av potential att få system att förstå vårt beteende och kroppsspråk.

Finns det någon AI i Kinect?

Horvitz: Det är ganska mycket maskininlärning i kärnan av det. Jag tror att idén att vi kan ta ledande AI och utveckla en konsumentenhet som sålt snabbare än någon annan tidigare i historien säger något om AI-området. Maskininlärning spelar också en central roll i Bing-sökning, och jag kan bara anta att den också är viktig i Googles sökerbjudande. Så människor som söker på webben använder AI i sina dagliga liv.

En sista fråga: Kan du berätta för mig en ny demo av AI-teknik som imponerade på dig?

Norvig: Jag läste nyligen en artikel av någon på Google på väg att gå tillbaka till Stanford om oövervakat lärande, ett område där kurvorna för vår förbättring över tid inte har sett så bra ut. Men han får några riktigt bra resultat, och det ser ut som att lärande när du inte vet något i förväg kan vara på väg att bli mycket bättre.

Horvitz: Jag har blivit mycket imponerad av lärlingsinlärning, där ett system lär sig genom exempel. Den har många applikationer. Berkeley och Stanford har båda grupper som verkligen avancerar det: till exempel helikoptrar som lär sig att flyga på rygg [upp och ner] genom att [observera] en mänsklig expert.

Dölj