Historický moment pro AI: naučila se aplikovat vědomosti
25.10.2016, Jan Vítek, aktualita
Umělá inteligence se v poslední době překonává čím dál častěji, za což mohl především stále silnější hardware, který umožnil rychlé a efektivní trénování hlubokých sítí. Nyní jde ale o něco jiného, AI se poprvé naučila aplikovat vědomosti na různé úkoly.
Hluboké neuronové sítě, které trénuje třeba Apple se svou Siri, Google s Now nebo Microsoft s Cortanou, nejsou žádná novinka. První vytvořil již v 50. letech Frank Rosenblatt, který je dobře znám pro svůj Perceptron simulovaný na počítači IBM 704. Ten byl založený na biologických principech a vykazoval známky učení. Postupně nastoupily lepší a lepší neuronové sítě vykazující schopnost se učit, ale ta byla vždy spojena s úzkým zaměřením. Taková síť prostě nebyla schopna vzít, co se naučila a aplikovat to na jiný úkol, což člověk pochopitelně bez problémů zvládá. Příklad můžeme najít třeba ve famózní dovednosti Čechů najít všude a vždy otvírák na pivo. Umělá inteligence ovládající robotickou ruku se mohla naučit rozpoznat láhev piva, najít ve svém okolí otvírák a ten použít. Tuto znalost by už ale nedokázala použít, když by měla v okolí pouliční lampu, sekyrku, klíče, zapalovač, kandelábr, atp. Musela by se znou naučit konkrétní dovednost. To ale nyní, jak se zdá, už tak úplně neplatí.
Mnoho expertů považuje právě toto generalizování vědomostí za jeden z rozhodujících rozdílů mezi umělými neurálními sítěmi a schopnostmi (lidského) mozku. Nick Bostrom ve své publikaci Superintelligence: Paths, Dangers, Strategies považuje tuto schopnost za startovací čáru, za níž už se bude umělá inteligence neustále zlepšovat tak, až zcela zastíní to, co zvládnou svým mozkem lidé. Jde především o to, že AI se širokou základnou naučených postupů, jež dokáže kombinovat a aplikovat na různé úkoly, by mohla začít zvládat jakoukoliv novou aktivitu na úrovni, o které se nám ani nezdá. Člověk se totiž musí učit sám, zatímco počítač může převzít už dříve a jinde vytvořené modely.
Takže co se událo? Nový průlom se udál v londýnské firmě DeepMind, právě té, která má na svědomí vytvoření systému AlphaGo, jenž letos dokázal třikrát po sobě porazit jihokorejského mistra ve hře Go. Ve firmě DeepMind vytvořili umělou inteligenci nazvanou Differential Neural Computer (DNC), která spoléhá na jisté paměťové zařízení s vysokou datovou propustností, na němž jsou uloženy všechny dříve naučené modely, z nichž nový systém generuje nové neurální sítě. Jinými slovy, využívá a kombinuje to, co se naučil už dříve (a ne nutně onen systém samotný).
- architektura DNC ukazující dynamická spojení mezi externí pamětí a řídicím algoritmem -
Možná je příliš brzy hodnotit, ale tento úspěch DeepMind by mohl znamenat, že veškerá předchozí tvrzení, že počítače se zdaleka ani neblíží schopnostem lidské inteligence, brzy dostanou velké trhliny. Systém DNC dle studie zveřejněné v časopise Nature se dokázal úspěšně navigovat v londýnském metru a vydedukoval nejrychlejší cestu, což v žádném případě není úkol, co by dnešní běžné systémy nezvládly a ani to nemusí být hluboké neuronové sítě. DNC ale využil zcela jiný přístup, čili aplikace jiných vědomostí na tento konkrétní úkol a také šlo jen o jeden z prvních testů jeho dovedností. Uvidíme, co zvládne příště.
Zdroj: Nature, Extremetech
Mnoho expertů považuje právě toto generalizování vědomostí za jeden z rozhodujících rozdílů mezi umělými neurálními sítěmi a schopnostmi (lidského) mozku. Nick Bostrom ve své publikaci Superintelligence: Paths, Dangers, Strategies považuje tuto schopnost za startovací čáru, za níž už se bude umělá inteligence neustále zlepšovat tak, až zcela zastíní to, co zvládnou svým mozkem lidé. Jde především o to, že AI se širokou základnou naučených postupů, jež dokáže kombinovat a aplikovat na různé úkoly, by mohla začít zvládat jakoukoliv novou aktivitu na úrovni, o které se nám ani nezdá. Člověk se totiž musí učit sám, zatímco počítač může převzít už dříve a jinde vytvořené modely.
Takže co se událo? Nový průlom se udál v londýnské firmě DeepMind, právě té, která má na svědomí vytvoření systému AlphaGo, jenž letos dokázal třikrát po sobě porazit jihokorejského mistra ve hře Go. Ve firmě DeepMind vytvořili umělou inteligenci nazvanou Differential Neural Computer (DNC), která spoléhá na jisté paměťové zařízení s vysokou datovou propustností, na němž jsou uloženy všechny dříve naučené modely, z nichž nový systém generuje nové neurální sítě. Jinými slovy, využívá a kombinuje to, co se naučil už dříve (a ne nutně onen systém samotný).
- architektura DNC ukazující dynamická spojení mezi externí pamětí a řídicím algoritmem -
Možná je příliš brzy hodnotit, ale tento úspěch DeepMind by mohl znamenat, že veškerá předchozí tvrzení, že počítače se zdaleka ani neblíží schopnostem lidské inteligence, brzy dostanou velké trhliny. Systém DNC dle studie zveřejněné v časopise Nature se dokázal úspěšně navigovat v londýnském metru a vydedukoval nejrychlejší cestu, což v žádném případě není úkol, co by dnešní běžné systémy nezvládly a ani to nemusí být hluboké neuronové sítě. DNC ale využil zcela jiný přístup, čili aplikace jiných vědomostí na tento konkrétní úkol a také šlo jen o jeden z prvních testů jeho dovedností. Uvidíme, co zvládne příště.
Zdroj: Nature, Extremetech
