Аарон Круминс

Со многими головокружительными победами, одержанными искусственным интеллектом в недавнем прошлом, легко забыть, что сюжетная линия в основном была эволюцией, а не революцией. Глубокие нейронные сети, на которых построены Apple Siri и Google Now, существуют по крайней мере с конца 1950-х годов, когда Фрэнк Розенблатт изобрел многослойную нейронную сеть, названную персептроном, и предложил дополнительные слои с математические обозначения.

Многие успехи, достигнутые с тех пор в этой области, можно отнести к лучшим наборам данных для обучения нейронных сетей и более сложным приложениям базовой технологии. Однако всегда оставался один недостаток: независимо от того, насколько хороша нейронная сеть в прогнозировании, ей не хватало способности обобщать эту способность для изучения новых задач. Теперь это впервые удалось сделать нейронной сети. Последствия могут быть поистине сейсмическими.

Многие эксперты считают способность обобщать обучение одним из определяющих различий между тем, как нейронная сеть решает проблему обучения, и тем, как это делает человек. Люди обладают способностью применять модели, которые они изучили из одной задачи, ко второй, ранее не опробованной деятельности. Например, когда вы впервые научились взбивать яйца, впоследствии вы можете применить эти знания для взбивания сливок или любого другого занятия, основанного на взбивании. Иначе обстоит дело с глубокой нейронной сетью, которую нужно обучать заново для каждого действия.

Компьютер, который мог бы обобщать изученные действия, коренным образом изменил бы ландшафт интеллекта, предположительно запустив своего рода сценарий жесткого взлета, предложенный Ником Бостромом в его основополагающей книге Суперинтеллект: пути, опасности, стратегии. В сценарии жесткого взлета самосовершенствующийся ИИ рекурсивно увеличивает свою способность к обучению до такой степени, что люди больше не представляют никакой конкуренции. ИИ, который может обобщать изученные действия, может использовать свое обширное хранилище изученных моделей для атаки на любую новую деятельность с уровнем сложности, о котором люди только мечтают.

Нас не должно удивлять, что источник этого прорыва был сделан людьми из DeepMind, лондонской фирмы искусственного интеллекта, ответственной за AlphaGo, суперкомпьютер для игры в го. В статье для журнала Nature на прошлой неделе команда описала теорию, лежащую в основе нового ИИ, который они назвали Дифференциальный нейронный компьютер (DNC). Он использует внешнее запоминающее устройство с высокой пропускной способностью для хранения ранее изученных моделей в сочетании с системой создания новых нейронных сетей на основе заархивированных моделей.

Достижение DeepMind также опровергает предыдущие заявления о том, что компьютеры далеки от достижения общего интеллекта на уровне человека, возможность, которая вызвала сильное заламывание рук у тех, кто считает искусственный интеллект угрозой исчезновения человечества.

Учитывая напряженность вокруг ИИ в настоящее время, неудивительно, что DeepMind описывает этот прорыв в самых обыденных терминах. Примером, приведенным в их статье Nature, была способность DNC успешно перемещаться по карте лондонского метро из предыдущего опыта, находить кратчайший путь между указанными точками и делать вывод о недостающих звеньях на случайно сгенерированных графиках. Поиск оптимального маршрута между локациями — это то, что мы уже знаем о компьютерах, поэтому он рассчитан на то, чтобы не впечатлить.

Но не заблуждайтесь: то, как DNC делает это, коренным образом отличается от того, как это делали ИИ в прошлом. Эта новая форма обобщенного обучения может проложить путь к эре искусственного интеллекта, подобные которому будут напрягать человеческое воображение.

Теперь прочитайте: Как DeepMind от Google превзошел лучших в Go и почему это важно

Первоначально опубликовано на www.extremetech.com 24 октября 2016 г.