211service.com
Hur AI återuppfinner vad datorer är
22 oktober 2021
Andrea Daquino
Hösten 2021: säsongen av pumpor, pekannötspajer och persika nya telefoner. Varje år släpper Apple, Samsung, Google och andra sina senaste utgåvor. Dessa inventarier i konsumentens tekniska kalender inspirerar inte längre till överraskningen och förundran under de här berusande tidiga dagarna. Men bakom all marknadsföringsglans finns det något anmärkningsvärt på gång.
Googles senaste erbjudande, Pixel 6, är den första telefonen som har ett separat chip dedikerat till AI som sitter vid sidan av dess standardprocessor. Och chippet som driver iPhone har under de senaste åren innehållit vad Apple kallar en neural motor, även dedikerad till AI. Båda chipsen är bättre lämpade för de typer av beräkningar som är involverade i träning och körning av maskininlärningsmodeller på våra enheter, som AI:n som driver din kamera. Nästan utan att vi märker det har AI blivit en del av vårt dagliga liv. Och det förändrar hur vi tänker kring datoranvändning.
Vad betyder det? Tja, datorer har inte förändrats mycket på 40 eller 50 år. De är mindre och snabbare, men de är fortfarande lådor med processorer som kör instruktioner från människor. AI förändrar det på minst tre fronter: hur datorer tillverkas, hur de är programmerade och hur de används. I slutändan kommer det att förändra vad de är till för.
Datorns kärna håller på att förändras från siffror till beslutsfattande, säger Pradeep Dubey, chef för parallelldatorlabbet på Intel. Eller, som MIT CSAIL-chefen Daniela Rus uttrycker det, AI befriar datorer från sina lådor.
Mer brådska lägre hastighet
Den första förändringen gäller hur datorer – och chipsen som styr dem – tillverkas. Traditionella beräkningsvinster kom när maskiner blev snabbare på att utföra den ena beräkningen efter den andra. I decennier har världen gynnats av chip-hastigheter som kom med metronomisk regelbundenhet eftersom chiptillverkare höll jämna steg med Moores lag.
Men de djupinlärningsmodeller som gör att nuvarande AI-applikationer fungerar kräver ett annat tillvägagångssätt: de behöver ett stort antal mindre exakta beräkningar som ska utföras samtidigt. Det betyder att det krävs en ny typ av chip: en som kan flytta runt data så snabbt som möjligt och se till att den är tillgänglig när och var den behövs. När djupinlärning exploderade på scenen för ett decennium sedan eller så sedan, fanns det redan speciella datorchips tillgängliga som var ganska bra på detta: grafikprocessorer eller GPU:er, som designades för att visa en hel skärm med pixlar dussintals gånger i sekunden.
Vad som helst kan bli en dator. De flesta hushållsföremål, från tandborstar till ljusströmbrytare till dörrklockor, finns redan i en smart version.
Nu svänger chiptillverkare som Intel och Arm och Nvidia, som levererade många av de första GPU:erna, för att göra hårdvara skräddarsydd specifikt för AI. Google och Facebook tvingar sig också in i den här branschen för första gången, i en kapplöpning för att hitta en AI-fördel genom hårdvara.
Till exempel är chippet inuti Pixel 6 en ny mobilversion av Googles tensorprocessor, eller TPU. Till skillnad från traditionella chips, som är inriktade på ultrasnabba, exakta beräkningar, är TPU:er designade för beräkningar med hög volym men låg precision som krävs av neurala nätverk. Google har använt dessa chips internt sedan 2015: de bearbetar människors foton och sökfrågor på naturliga språk. Googles systerföretag DeepMind använder dem för att träna sina AI:er.
Under de senaste åren har Google gjort TPU:er tillgängliga för andra företag, och dessa chips – såväl som liknande som utvecklas av andra – blir standard i världens datacenter.
AI hjälper till och med att designa sin egen datorinfrastruktur. År 2020 använde Google en förstärkningsinlärningsalgoritm – en typ av AI som lär sig hur man löser en uppgift genom försök och misstag – för att designa layouten för en ny TPU. AI kom så småningom med konstiga nya konstruktioner som ingen människa skulle komma på – men de fungerade. Den här typen av AI kan en dag utveckla bättre, effektivare chips.
Visa, berätta inte
Den andra förändringen gäller hur datorer får veta vad de ska göra. De senaste 40 åren har vi programmerat datorer; under de kommande 40 kommer vi att utbilda dem, säger Chris Bishop, chef för Microsoft Research i Storbritannien.
Traditionellt, för att få en dator att göra något som att känna igen tal eller identifiera objekt i en bild, måste programmerare först komma med regler för datorn.
Med maskininlärning skriver programmerare inte längre regler. Istället skapar de ett neuralt nätverk som lär sig dessa regler för sig själv. Det är ett fundamentalt annorlunda sätt att tänka.
Relaterad berättelse
AI lär sig att skapa sig själv Människor har kämpat för att göra verkligt intelligenta maskiner. Vi kanske måste låta dem fortsätta med det själva.
Exempel på detta är redan vanliga: taligenkänning och bildidentifiering är nu standardfunktioner på smartphones. Andra exempel skapade rubriker, som när AlphaZero lärde sig att spela Go better than humans. På liknande sätt öppnade AlphaFold ett biologiskt problem – att ta reda på hur proteiner vikas – som människor hade kämpat med i årtionden.
För Bishop kommer nästa stora genombrott att komma inom molekylär simulering: att träna datorer för att manipulera materiens egenskaper, vilket kan göra världsförändrande språng i energianvändning, livsmedelsproduktion, tillverkning och medicin.
Andningslösa löften som detta görs ofta. Det är också sant att djupinlärning har en erfarenhet av att överraska oss. Två av de största sprången av det här slaget hittills – att få datorer att bete sig som om de förstår språk och att känna igen vad som finns i en bild – förändrar redan hur vi använder dem.
Datorn vet bäst
I decennier innebar att få en dator att göra något att skriva in ett kommando, eller åtminstone klicka på en knapp.
Maskiner behöver inte längre ett tangentbord eller skärm för människor att interagera med. Vad som helst kan bli en dator. De flesta hushållsföremål, från tandborstar till ljusströmbrytare till dörrklockor, finns redan i en smart version. Men när de förökar sig kommer vi att vilja lägga mindre tid på att tala om för dem vad de ska göra. De ska kunna räkna ut vad vi behöver utan att bli tillsagda.
Detta är övergången från siffror till beslutsfattande som Dubey ser som en definition av den nya eran av datoranvändning.
Rus vill att vi ska ta till oss det kognitiva och fysiska stödet som erbjuds. Hon föreställer sig datorer som berättar saker vi behöver veta när vi behöver veta dem och ingriper när vi behöver en hand. När jag var liten var en av mina favoritfilm [scener] i hela världen 'The Sorcerer's Apprentice', säger Rus. Vet du hur Musse kallar på kvasten för att hjälpa honom städa? Vi behöver ingen magi för att få det att hända.
Vi vet hur den scenen slutar. Musse tappar kontrollen över kvasten och gör en stor röra. Nu när maskiner interagerar med människor och integreras i kaoset i omvärlden blir allt mer osäkert. Datorerna är slut ur sina lådor.