211service.com
Tre frågor med mannen som leder Baidus nya AI-ansträngning
Artificiell intelligens styrs av det långt borta målet att få mjukvara att matcha människor vid viktiga uppgifter. Efter att ha sett resultat från ett nytt fält som kallas djupinlärning, som involverar bearbetning av stora mängder data med hjälp av simulerade nätverk av miljontals sammankopplade neuroner, har vissa experter kommit att tro att detta mål inte är så avlägset trots allt (se Deep Learning och Facebook skapar Programvara som matchar ansikten nästan lika bra som du gör).
Förra veckan anslöt sig Baidu, Kinas största webbsökföretag, till amerikanska teknikjättar som satsade stort på djupinlärning genom att öppna ett nytt Silicon Valley-labb dedikerat till metoden (se den kinesiska sökjätten Baidu anställer mannen bakom 'Google-hjärnan'). Adam Coates, som leder forskning vid det nya labbet, pratade med MIT Technology Review Tom Simonite om hur djupinlärning kan föra programvara närmare mänsklig prestation vid vissa uppgifter.
Google Brain-experimentet där ett stort neuralt nätverk lärde sig känna igen katter och andra föremål bara genom att titta på bilder från YouTube hålls ofta fram som ett nyckelbevis på kraften i djupinlärning (se Självlärd programvara ). Vad är det som gör det projektet så viktigt?
Det som är snyggt med Google-resultatet är att ingen behöver berätta vad ett objekt är. Vi har så mycket bevis från neurovetenskapen att detta är ett avgörande sätt att lära sig om hur världen fungerar. Men det är också ett tekniskt krav. Jag kan inte programmera in tillräckligt många regler i datorn för att den ska förstå världen; nu kan vi försöka få dem att lära sig reglerna själva.
Googles system misslyckades med mänskliga prestationer och upptäckte i bästa fall mänskliga ansikten endast 81 procent av gångerna. Det mer etablerade tillvägagångssättet för övervakat lärande, där programvara ges handmärkt data att lära av, kan göra bättre. Vet vi hur vi ska få oövervakade eller självlärda system att förbättras?
Hur man får det att löna sig på den nivå vi vill ha – [att uppnå] prestation på mänsklig nivå – är mycket utmanande.
Om du ger mig många exempel på vad du vill förutsäga så kan jag träna mjukvara för att få det rätt. Utmaningen är hur man lyckas när man inte har många exempel. Människor behöver inte se en miljon katter för att förstå vad en är. Vi kan använda en kombination av övervakat och oövervakat lärande. Att förstå hur man kombinerar dessa två idéer kommer att vara avgörande.
På Stanford – inspirerad av Google Brain-experimentet – utvecklade du ett ännu större neuralt nätverk. Blir större hjärnor automatiskt smartare?
För omfattningen av utmaningen vi tittar på – prestanda på mänsklig nivå – är det mycket tydligt att det inte finns något hopp för ett litet neuralt nätverk. Toppmoderna har hundratals miljoner kopplingar. Det kan man göra mycket med; känna igen många föremål, till exempel.
[Men] det verkar inte vara så enkelt som att bara göra det neurala nätverket mycket större. Google Brain-resultatet byggdes på ett enormt distribuerat system med många CPU-kärnor [16 000]. Vi upptäckte att om du sätter ihop många GPU:er [specialiserade grafikprocessorer] kan vi skapa ett mycket större neuralt nätverk – 10 miljarder noder, med 16 maskiner istället för 1 000.
Vi använde samma riktmärke [bilder från YouTube-videor] som Google-teamet gjorde. Men även om vi kunde träna ett mycket större neuralt nät, fick vi inte nödvändigtvis en bättre kattdetektor. Just nu kan vi köra neurala nätverk som är större än vi vet vad vi ska göra med.
[På Baidu-labbet] vill vi bygga ett ramverk för att köra tillräckligt stora experiment för att testa alla variationer i algoritmer som universellt kan förbättra prestandan.