Люди плюс машины будут превосходить возможности одного из элементов. metamorworks / Shutterstock.com

Будущее не будет сделано ни человеком, ни машинами в одиночку - но вместе они будут работать вместе. Технологии, основанные на том, как работают человеческие мозги, уже усиливают способности людей и будут только более влиятельными, когда общество привыкнет к этим все более способным машинам.

Оптимисты технологий предвидели мир с ростом производительность и качество жизни человека поскольку системы искусственного интеллекта берут на себя тяжелую работу и административную жизнь, пользу всем, Пессимисты, с другой стороны, предупредили, что эти авансы могут огромная стоимость потерянных рабочих мест и разрушенных жизней, И страждущие беспокоятся о том, что ИИ может в конечном итоге сделать человека устаревшим.

Однако люди не очень хорошо воображают будущее. Ни утопия, ни конец света, скорее всего. В моей новой книге "Революция глубокого обучения, «Моя цель состояла в том, чтобы объяснить прошлое, настоящее и будущее этой быстрорастущей области науки и техники. Мое заключение заключается в том, что ИИ сделает вас умнее, но тем, что удивит вас.

Признание шаблонов

Глубокое обучение - это часть ИИ, которая добилась наибольшего прогресса в решение сложных задач как идентификация объектов в изображениях, распознавание речи из нескольких динамиков и обработка текста так, как люди говорят или пишут. Глубокое обучение также оказалось полезным для идентификации шаблонов во все больших наборах данных, которые генерируются из датчики, медицинские приборы и научные приборы.

Цель этого подхода - найти способы, которыми компьютер может представлять сложность мира и обобщать из предыдущего опыта - даже если то, что происходит дальше, не совсем то же самое, что и раньше. Так же, как человек может определить, что конкретное животное, которого она никогда не видела, на самом деле является кошкой, алгоритмы глубокого обучения могут идентифицировать аспекты о том, что можно назвать «кошачьей» и извлекать эти атрибуты из новых изображений кошек.

Системы глубокого обучения могут определить, кто из них кошка. Gelpi / Shutterstock.com

Методы глубокого обучения основаны на те же принципы, которые влияют на человеческий мозг, Например, мозг обрабатывает множество данных различных видов во многих обрабатывающих устройствах одновременно. Нейроны имеют много связей друг с другом, и эти связи укрепляются или ослабляются в зависимости от того, насколько они используются, устанавливая ассоциации между сенсорными входами и концептуальными результатами.

Ассоциация самая успешная сеть глубокого обучения основано на исследовании 1960s в архитектуре зрительной коры, той части мозга, которую мы используем для изучения, и алгоритмах обучения, которые были изобретены в 1980. Тогда компьютеры не были достаточно быстрыми, чтобы решать реальные проблемы. Теперь, однако, они есть.

Кроме того, учебные сети были наложены друг на друга, создавая сети соединений более тесно похожий на иерархию слоев, обнаруженных в зрительной коре, Это часть сходимость между искусственный и биологический интеллект.

Четырехслойная нейронная сеть принимает вход слева, передает выход первого слоя на следующий уровень, на следующий и следующий - перед выдачей результата. Sin314 / Shutterstock.com

Глубокое обучение в реальной жизни

Глубокое обучение уже добавляет к человеческим способностям. Если вы используете службы Google для поиска в Интернете или используете свои приложения для перевода с одного языка на другой или превращения речи в текст, технология сделала вас умнее или эффективнее. Недавно в поездке в Китай друг по-английски поступил на свой Android-телефон, который перевел его на китайский язык для таксиста - так же, как универсальный переводчик на «Звездном пути»".

Тестирование реального устройства перевода в реальном времени.

{youtube}Ну-нлQqFCKg{/youtube}

Эти и многие другие системы уже работают, помогая вам в вашей повседневной жизни, даже если вы не знаете о них. Например, глубокое обучение начинает считывание рентгеновских изображений и фотографий повреждений кожи для выявления рака. Ваш местный врач скоро сможет выявить проблемы, которые сегодня очевидны только для лучших экспертов.

Даже когда вы знаете, что есть задействованная машина, вы можете не понимать сложность того, что они на самом деле делают: за Амазонки Алекса - это сети глубокого обучения, которые распознают ваш запрос, просеивайте данные, чтобы ответить на ваши вопросы и принять меры от вашего имени.

Продвижение обучения

Глубокое обучение было очень эффективным при решении проблем распознавания образов, но для выхода за рамки этого необходимы другие системы мозга. Когда животное вознаграждается за действие, оно более вероятно, предпримут аналогичные действия в будущем, Допаминовые нейроны в базальных ганглиях мозга сообщают о различии между ожидаемыми и полученными наградами, вызванная ошибка прогноза вознаграждения, который используется для изменения сильных связей в мозге, которые предсказывают будущие награды.

Сочетание такого подхода, называемого подкреплением, с глубоким обучением, может дать компьютерам возможность выявлять неожиданные возможности. Распознавая образец и затем реагируя на него таким образом, который дает награды, машины могут приближаться к поведению в соответствии с тем, что можно назвать творчеством человека. Этот взаимосвязанный подход - это то, как DeepMind разработал программа под названием AlphaGo, который в 2016 победил гроссмейстера Ли Седола и в следующем году победил чемпиона мира, Ке Цзе.

Игры не такие грязные, как реальный мир, который заполнен изменением неопределенностей. Массимо Вергассола в Калифорнийском университете в Сан-Диего, и я недавно использовал обучение по усилению для обучения планера в полевых условиях как взлететь, как птица в турбулентных термиках, Датчики могут быть прикреплены к фактическим птицам, чтобы проверить, используют ли они одни и те же сигналы и реагируют одинаково.

Несмотря на эти успехи, исследователи еще не полностью понимают, как глубокое обучение решает эти проблемы. Конечно, мы не знаем, как мозг решает их.

Хотя внутренняя работа мозга может оставаться неуловимой, это всего лишь вопрос времени, когда исследователи разработают теорию глубокого обучения. Разница в том, что при изучении компьютеров исследователи имеют доступ к каждому соединению и структуре деятельности в сети. Темпы прогресса быстрые, причем ежедневные исследования ArXiv, Удивительные успехи в этом году с нетерпением ожидаются в Конференция по обработке нейронных информационных систем в Монреале, который распроданы билеты 8,000 в течение 11 минут, в результате чего 9,000 надеется зарегистрироваться в списке ожидания.

До того, как компьютеры достигнут общего человеческого интеллекта, предстоит пройти долгий путь. Самая большая сеть глубокого обучения сегодня имеет только силу части человеческой нервной коры размер рисового зерна, И мы еще не знаем, как мозг динамически организует взаимодействия между более крупными зонами мозга.

Природа уже имеет такой уровень интеграции, создавая крупномасштабные системы мозга, способные управлять всеми аспектами человеческого тела, размышляя над глубокими вопросами и выполняя сложные задачи. В конечном счете, автономные системы могут стать такими же сложными, объединяясь со множеством живых существ на нашей планете.

Об авторе

Терренс Сейновски, профессор Фрэнсис Крик и директор лаборатории вычислительной нейробиологии в Институте биологических исследований им. Салка и заслуженный профессор нейробиологии, Университета Калифорнии в Сан-Диего

Эта статья переиздана из Беседа под лицензией Creative Commons. Прочтите оригинал статьи.

Книги по этой теме

at Внутренний рынок самовыражения и Amazon