Vi levde för att se ögonblicket då konstgjord intelligens skapar sitt eget neurala nätverk. Även om många tycker att det här är samma sak. Men faktiskt är inte allt så enkelt och nu kommer vi att försöka ta reda på vad det är och vem som kan skapa vem.
Ingenjörer från Google Brain-divisionen demonstrerade AutoML i vår. Denna artificiella intelligens kan producera sin egen unika AI utan mänsklig intervention. Som det visade sig nyligen kunde AutoML skapa NASNet, ett datorsynsystem för första gången. Denna teknik överträffar avsevärt alla analoger som tidigare skapats av människor. Detta konstgjorda intelligensbaserade system kan vara en utmärkt assistent vid utvecklingen av till exempel autonoma bilar. Det är också tillämpligt inom robotik - robotar kommer att kunna nå en helt ny nivå.
Utvecklingen av AutoML bygger på ett unikt system för förstärkning av förstärkning. Vi pratar om en neural nätverksansvarig som självständigt utvecklar helt nya neurala nätverk utformade för vissa specifika uppgifter. I vårt fall syftar AutoML till att producera ett system som känner igen objekt i en videoplott så exakt som möjligt i realtid.
Konstgjord intelligens själv kunde träna ett nytt neuralt nätverk, övervaka fel och korrigera arbete. Inlärningsprocessen upprepades många gånger (tusentals gånger) tills systemet var klart för arbete. Märkligt nog kunde hon kringgå alla liknande nervnätverk som för närvarande finns, men utvecklade och tränade av människor.
Samtidigt utvärderar AutoML prestandan hos NASNET och använder denna information för att förbättra dotterbolagsnätverket; denna process upprepas tusentals gånger. När ingenjörer testade NASNet på ImageNet och COCO-bilduppsättningar överträffade det alla befintliga datorsynssystem.
Google tillkännagav officiellt att NASNet känner igen med en noggrannhet på 82,7%. Resultatet är 1,2% högre än tidigare rekord, som sattes av forskare från Momenta och Oxford-specialister i början av hösten. NASNet är 4% effektivare än motsvarigheterna med en genomsnittlig noggrannhet på 43,1%.
Kampanjvideo:
Det finns också en förenklad version av NASNet, som är anpassad för mobilplattformar. Det överträffar analoger med drygt tre procent. Inom en snar framtid kommer det att vara möjligt att använda detta system för produktion av autonoma fordon, för vilka tillgängligheten av datorsyn är viktig. AutoML fortsätter att producera nya ärftliga nervnätverk och strävar efter att erövra ännu större höjder.
Detta väcker naturligtvis etiska frågor relaterade till oro över AI: vad händer om AutoML bygger system i en sådan hastighet att samhället helt enkelt inte kan hålla jämna steg med dem? Många stora företag försöker dock ta hänsyn till säkerhetsproblemen för AI. Till exempel är Amazon, Facebook, Apple och vissa andra företag medlemmar i Partnership on AI för att gynna människor och samhälle. Institute of Electrical and Engineering (IEE) har föreslagit etiska standarder för AI, och DeepMind till exempel tillkännagav inrättandet av en grupp som kommer att hantera moraliska och etiska frågor relaterade till tillämpningar av konstgjord intelligens.
Många stora företag försöker dock ta hänsyn till säkerhetsproblemen för AI. Detta väcker naturligtvis etiska frågor relaterade till oro över AI: vad händer om AutoML bygger system i en sådan hastighet att samhället helt enkelt inte kan hålla jämna steg med dem? Institute of Electrical and Engineering (IEE) har föreslagit etiska standarder för AI, och DeepMind till exempel tillkännagav inrättandet av en grupp som kommer att hantera moraliska och etiska frågor relaterade till tillämpningar av konstgjord intelligens. Till exempel är Amazon, Facebook, Apple och vissa andra företag medlemmar i Partnership on AI för att gynna människor och samhälle.
Vad är konstgjord intelligens?
Begreppet "artificiell intelligens" mynts av John McCarthy, uppfinnare av Lisp-språket, grundare av funktionell programmering och vinnare av Turing-priset för hans enorma bidrag till området konstgjord intelligensforskning.
Konstgjord intelligens är ett sätt att göra en dator, datorstyrd robot eller program som kan tänka intelligent som en människa.
AI-forskning genomförs genom att studera mänsklig intelligens, och sedan används resultaten av denna forskning som grund för utvecklingen av intelligenta program och system.
Vad är ett neuralt nätverk?
Tanken bakom ett neuralt nätverk är att sätta ihop en komplex struktur från mycket enkla element. En enda del av hjärnan kan knappast betraktas som rimlig - men människor klarar sig vanligtvis överraskande bra på IQ-tester. Ändå, fram till nu, blev idén att skapa ett sinne "ut ur ingenting" vanligtvis förlöjligad: skämtet om tusen apor med skrivmaskiner är redan hundra år gammalt, och om så önskas kan man hitta kritik mot neurala nät även i Cicero, som sarkastiskt föreslog att man kastade tokens med bokstäver i luften tills han blir blå, så att du förr eller senare får en meningsfull text. Men under 2000-talet visade det sig att klassikerna förgäste förgäves: det är apanes armé med tecken som med tillfredsställande uthållighet kan ta över världen.
I själva verket kan ett neuralt nätverk även samlas från matchboxar: det är bara en uppsättning enkla regler för vilka information bearbetas. En "konstgjord neuron" eller perceptron är inte en speciell anordning, utan bara några aritmetiska operationer.
Perceptronet fungerar ingenstans lättare: den får flera initialnummer, multiplicerar var och en med "värdet" för detta nummer (mer om det nedan), lägger till och beroende på resultatet ger 1 eller –1. Till exempel fotograferar vi ett öppet fält och visar vår neuron någon punkt i den här bilden - det vill säga vi skickar det slumpmässiga koordinater som två signaler. Och sedan frågar vi: "Kära neuron, finns det himmel eller jord?" "Minus en," svarar dummy och ser serentiskt på cumulusmolnet. - Det är uppenbart att jorden.
"Sticka fingret i himlen" är huvudperspektivet för perceptron. Du kan inte förvänta dig någon noggrannhet från honom: du kan lika bra vända ett mynt. Magin börjar i nästa steg, som kallas maskininlärning. Vi vet ju det rätta svaret - vilket betyder att vi kan skriva det i vårt program. Så det visar sig att för varje fel gissning får perceptronet bokstavligen en straff, och för den rätta - en premie: "värdet" på inkommande signaler ökar eller minskar. Därefter körs programmet enligt den nya formeln. Förr eller senare kommer neuron oundvikligen att "förstå" att jorden på fotot är under och himlen är på toppen - det vill säga att den helt enkelt börjar ignorera signalen från kanalen genom vilken x-koordinaterna sänds till den. Om du glider ett annat fotografi till en så sofistikerad robot kanske han inte hittar horisonten,men toppen med botten kommer definitivt inte att förvirras.
I verkliga livet är formlerna lite mer komplicerade, men principen förblir densamma. Perceptronen kan bara utföra en uppgift: ta siffror och lägg dem i två högar. Det mest intressanta börjar när det finns flera sådana element, eftersom de inkommande siffrorna kan vara signaler från andra "tegelstenar"! Låt oss säga att en neuron kommer att försöka skilja blå pixlar från gröna, den andra kommer att fortsätta att tänka på koordinater, och den tredje kommer att försöka bedöma vilka av dessa två resultat som är närmare sanningen. Om vi ställer in flera nervceller på de blå pixlarna på en gång och sammanfattar deras resultat, får vi ett helt lager där de "bästa studenterna" kommer att få ytterligare bonusar. Således kan ett ganska spridande nätverk skjuta ner ett helt berg med data och ta hänsyn till alla dess misstag.
Ett neuralt nätverk kan skapas med matchboxar - då har du ett trick i ditt arsenal som du kan underhålla gäster på fester. Redaktörerna för MirF har redan provat det - och erkänner ödmjukt överlägsenheten med konstgjord intelligens. Låt oss lära orimligt sak att spela spelet med 11 pinnar. Reglerna är enkla: det finns 11 matcher på bordet, och i varje drag kan du ta antingen en eller två. Vinnaren är den som tog den sista. Hur spelar du detta mot "datorn"?
Väldigt enkelt.
Vi tar 10 lådor eller koppar. På varje skriver vi ett nummer från 2 till 11.
Vi lägger två stenar i varje låda - svart och vitt. Du kan använda valfritt objekt så länge de skiljer sig från varandra. Det är det - vi har ett nätverk av tio nervceller!
Neuralnätverket går alltid först. Först ska du titta på hur många matcher som finns kvar och ta en ruta med det numret. Vid första drag kommer det att vara ruta nr 11. Ta valfri sten från önskad låda. Du kan stänga ögonen eller kasta ett mynt, det viktigaste är att agera slumpmässigt.
Om stenen är vit, beslutar neuralnätverket att ta två tändstickor. Om svart - en. Lägg en kiselsten bredvid lådan så att du inte glömmer vilken "neuron" som fattade beslutet. Efter det går en man - och så vidare tills matcherna är slut.
Och nu börjar det roliga: lärande. Om nätverket vinner spelet, måste det belönas: kasta ytterligare en sten av samma färg, som tappade ut under spelet, i de "nervceller" som deltog i detta spel. Om nätverket förlorar, ta den sista använda rutan och ta bort den misslyckade stenen därifrån. Det kan visa sig att rutan redan är tom - då den tidigare liknande neuronen betraktas som "sista". Under nästa spel, slår en tom ruta, kommer det neurala nätverket automatiskt att överlämna.
Det är allt! Spela flera spel som det här. Till att börja med kommer du inte att märka något misstänkt, men efter varje vinst kommer nätverket att göra fler och mer framgångsrika drag - och efter cirka ett dussin spel kommer du att inse att du har skapat ett monster som du inte kan slå.
