Google kupuje londýnsku spoločnosť s umelou inteligenciou DeepMind. Zdroje uvádzajú sumu transakcie vo viac ako 500 miliónoch dolárov. Nákup oficiálne potvrdili zástupcovia spoločnosti Google.

Čo dá Google tejto akvizícii? Po prvé, umožní mu konkurovať iným veľkým technologickým spoločnostiam vďaka zameraniu na hlboké učenie. Facebook napríklad nedávno najal profesora Yanna LeKannu, aby viedol vlastný vývoj umelej inteligencie. Superpočítač Watson od IBM je v súčasnosti zameraný špecificky na hlboké učenie a Yahoo nedávno získalo LookFlow, startup na analýzu fotografií, ktorý tiež napreduje v tejto záležitosti.

DeepMind založili neurológ Demis Hassabis, bývalý šachový zázrak, vývojár Skype a Kazaa Jaan Tallinn a výskumník Shane Legg.

Tento krok spoločnosti Google umožní tímu technologického giganta zaplniť svoje vlastné pole odborníkov na umelú inteligenciu a na akvizíciu osobne dohliadal generálny riaditeľ spoločnosti Google Larry Page, uvádzajú zdroje. Ak budú všetci traja zakladatelia pracovať pre Google, pridajú sa k vynálezcovi, podnikateľovi, autorovi a futuristovi Rayovi Kurzweilovi, ktorý sa v roku 2012 stal CTO divízie strojového učenia a spracovania jazykov Google.

Kurzweil uviedol, že chce vybudovať vyhľadávač tak dokonalý, aby sa z neho mohol stať skutočný „kybernetický priateľ“.

Od akvizície Nest začiatkom tohto mesiaca kritici vyjadrili obavy z toho, koľko používateľských údajov bude odoslané spoločnosti Google. Kúpa Boston Dynamics minulý mesiac tiež viedla k diskusii, že Google plánuje stať sa výrobcom robotov.

Napriek tomu je Google dobre pripravený rozptýliť naše obavy zo svojich najnovších akvizícií. Zdroje uvádzajú, že Google sa rozhodol založiť etickú radu, ktorá bude dohliadať na vývoj umelej inteligencie v rámci DeepMind.

Spoločnosť si však bude musieť ujasniť, čo presne robí umelá inteligencia DeepMind. Webová stránka spoločnosti má momentálne vstupnú stránku s relatívne vágnym popisom, ktorý hovorí, že DeepMind je „spoločnosť na špici“ a buduje algoritmy budúcnosti pre simulácie, elektronický obchod a hry. K decembru má startup 75 zamestnancov.

Hlavnými sponzormi startupu sú Founders Fund a Horizons Ventures. DeepMind bola založená pred tromi rokmi.

V roku 2012 profesor Carnegie Mellon Institute Larry Wasserman napísal, že „startup vybuduje systém, ktorý myslí. Myslel som si, že je to čisté šialenstvo, kým som nezistil, koľko slávnych miliardárov do spoločnosti investovalo.“

6. decembra 2016 o 00:41

DeepMind otvoril bezplatný prístup do prostredia virtuálneho strojového učenia

• populárna veda,
• Umela inteligencia ,
• Hry a herné konzoly

Nedávno predstavitelia divízie DeepMind (dnes súčasť holdingu Alphabet) oznámili poskytnutie bezplatného prístupu vývojárom k zdrojovému kódu platformy DeepMind Lab. Ide o službu strojového učenia založenú na Quake III, ktorá je určená na trénovanie umelej inteligencie. Totiž naučiť sa riešiť problémy v trojrozmernom priestore bez zásahu človeka. Platforma je založená na hernom engine Quake III Arena.

Vo vnútri herného sveta získava AI tvar gule a schopnosť lietať a študovať okolitý priestor. Cieľom, ktorý si vývojári stanovili, je naučiť slabú formu AI „porozumieť“ tomu, čo sa deje a reagovať na rôzne situácie vyskytujúce sa vo virtuálnom svete. „Postava“ môže vykonávať množstvo akcií, pohybovať sa bludiskom, skúmať bezprostredné prostredie.

„Snažíme sa vyvinúť rôzne formy AI, ktoré dokážu vykonávať celý rad úloh od jednoduchého skúmania herného sveta až po vykonávanie akýchkoľvek akcií a analýzu ich dôsledkov,“ hovorí Shane Legg, hlavný vedecký pracovník spoločnosti DeepMind.

Odborníci dúfajú, že AI sa bude môcť učiť metódou pokus-omyl. Hry sú v tomto prípade takmer ideálne. Napríklad DeepMind predtým používal (a teraz používa) hernú konzolu Atari, aby naučil neurónovú sieť vykonávať sekvenčné akcie potrebné pre hru.

Ale otvorený, modifikovateľný 3D svet poskytuje oveľa sľubnejšie prostredie pre učenie AI ako plochý svet graficky jednoduchých hračiek Atari. AI v 3D svete má jasné úlohy, ktoré sa postupne menia tak, že skúsenosti získané pri riešení každej predchádzajúcej úlohy sa ukážu ako užitočné pre AI pri riešení ďalšej.

Výhodou 3D prostredia je, že ho možno použiť na trénovanie počítačových systémov, aby reagovali na rôzne problémy, ktoré môže robot očakávať v reálnom svete. Pomocou takéhoto simulátora sa bez problémov trénujú priemyselné roboty. A práca s virtuálnym prostredím je v niektorých prípadoch neobvykle jednoduchšia ako trénovať takéto systémy „ručne“.

Zároveň je väčšina moderných neurónových sietí vyvinutá na riešenie jedného špecifického problému (napríklad spracovanie obrazu). Vývojári novej platformy sľubujú, že pomôže vytvoriť univerzálnu formu AI schopnú riešiť veľké množstvo úloh. Navyše v tomto prípade počítačový systém nebude potrebovať pomoc ľudí. Generovanie prostredia pre neurónovú sieť prebieha zakaždým v náhodnom poradí.

Podľa vývojárov platformy pomáha učiť sa AI takmer rovnakým spôsobom, ako sa učia deti. „Ako sme vy alebo ja objavovali svet ako dieťa,“ uviedol príklad jeden zamestnanec DeepMind. „Komunita strojového učenia bola vždy veľmi otvorená. Ročne publikujeme asi 100 článkov a mnohé z našich projektov máme open source.“

Teraz Google DeepMind otvoril zdrojový kód DeepMind Lab a zverejnil ho na GitHub. Vďaka tomu si môže každý stiahnuť kód platformy a upraviť si ho podľa svojich potrieb. Zástupcovia projektu hovoria, že prepojení špecialisti môžu sami vytvárať nové herné úrovne nahrávaním vlastných projektov na GitHub. To môže pomôcť celej komunite pracovať smerom k svojmu cieľu rýchlejšie a efektívnejšie.

Tento projekt nie je pre DeepMind jediný. Minulý mesiac jej predstavitelia uzavreli zmluvu o spolupráci so spoločnosťou Activision Blizzard Inc. Cieľom je prostredie Starcraftu 2 na testovacej ploche pre umelú inteligenciu. Snáď sa k tomuto projektu čoskoro pridajú aj ďalší vývojári hier. Mimochodom, AI v hernom prostredí nezíska žiadnu výhodu nad nepriateľom, používa sa iba na napredovanie, ako je človek.

V praxi to znamená, že umelá inteligencia Google bude musieť predpovedať, čo robí nepriateľ v danom čase, aby mohla adekvátne reagovať na akcie „nepriateľa“. Okrem toho bude potrebné rýchlo reagovať na to, čo sa vymykalo plánu. To všetko preverí ďalšiu úroveň schopností umelej inteligencie. „V konečnom dôsledku chceme použiť tieto schopnosti na riešenie globálnych problémov,“ povedal Demis Hassabis, zakladateľ spoločnosti Deepmind (ktorú kúpil Google v roku 2014 a teraz sa AI vyvíja na základe úspechov získanej spoločnosti).

Odborníci na AI projekt schvaľujú opatrne. „Dobrá vec je, že poskytujú veľké množstvo typov prostredia,“ povedal spoluzakladateľ OpenAI Ilya Sutskevar. „Čím viac prostredí sa systém stretne, tým rýchlejšie sa bude vyvíjať,“ pokračoval. 3D vzdelávacie prostredie AI skutočne obsahuje viac ako 1000 úrovní a typov prostredia.

Zoubin Gahrahmani, profesor v Cambridge, verí, že DeepMind Lab a ďalšie platformy na zlepšenie vývoja umelej inteligencie poháňajú pokrok tým, že umožňujú výskumníkom prístup k vyvinutému prostrediu. Projekty ako

Výskumníci Google Deepmind predstavili nový typ systému umelej inteligencie, takzvaný Differentiable Neural Computer, DNC. Systém kombinuje učenie sa neurónových sietí s dedukčnými schopnosťami tradičnej AI. Jej popis bol uverejnený v časopise Príroda, v tom istom čísle časopisu je venovaná nová práca, krátke prerozprávanie práce nájdete na blogu Deepmind.

Najjednoduchšie neurónové siete sú systémom predikcie, regresie, ktorého úlohou je spárovať vstupné dáta s určitou odpoveďou. Napríklad jednoduchá neurónová sieť dokáže rozpoznať znaky na základe ich obrázkov. V tomto zmysle možno neurónovú sieť považovať za matematickú funkciu a za diferencovateľnú funkciu. Trénovať neurónovú sieť v takejto paradigme znamená optimalizovať túto funkciu pomocou štandardných matematických metód (môžete si prečítať dostupné vysvetlenie toho, ako k trénovaniu dochádza).

Schopnosť učiť sa z údajov bez priameho ľudského programovania je hlavnou výhodou neurónových sietí. Najjednoduchšie neurónové siete však nie sú Turingovo úplné, t. j. nemôžu robiť všetky veci, ktorých sú schopné tradičné algoritmické programy (čo však neznamená, že to nedokážu niektoré z týchto vecí sú lepšie ako programy). Jedným z dôvodov je nedostatok pamäte v neurónových sieťach, s ktorými sa dá operovať so vstupnými dátami a ukladať lokálne premenné.

Pomerne nedávno sa objavil zložitejší typ neurónových sietí, u ktorých bola táto nevýhoda eliminovaná – takzvané rekurentné neurónové siete. Uchovávajú nielen informácie o stave učenia (matica váh neurónov), ale aj informácie o predchádzajúcom stave samotných neurónov. V dôsledku toho je odozva takejto neurónovej siete ovplyvnená nielen vstupnými údajmi a váhovou maticou, ale aj jej bezprostrednou históriou. Najjednoduchšia neurónová sieť tohto typu dokáže napríklad „inteligentne“ predpovedať ďalší znak v texte: trénovaním neurónovej siete na údajoch zo slovníka bude možné získať odpoveď „l“ pre znak „l“, ak predchádzajúce znaky boli „h“, „e“ a „l“, ale iná odpoveď je „o“, ak predchádzajúce boli „h“, „e“, „l“ a opäť „l“ (slovo „ ahoj“ sa ukáže, pozri prílohu).

Príklad rekurentnej neurónovej siete s jednou skrytou vrstvou. Môžete vidieť, ako dátový kanál mení stav siete. Trénované váhy neurónov sú uložené v maticiach W_xh, W_hy a špeciálnej matici W_hh, ktorá je typická len pre rekurentné siete.

Blog Andreja Karpathyho

Rekurentné neurónové siete sa veľmi dobre ukázali pri generovaní hudby alebo textu „v štýle“ nejakého autora, na ktorého korpuse školenie prebiehalo, v * a najnovšie aj v systémoch a pod (napr.).

Formálne povedané, aj tie najjednoduchšie rekurentné neurónové siete sú Turingovo úplné, ale ich dôležitá nevýhoda spočíva v implicitnej povahe využitia pamäte. Ak je v Turingovom stroji oddelená pamäť a kalkulačka (čo vám umožňuje meniť ich architektúru rôznymi spôsobmi), potom v rekurentných neurónových sieťach, dokonca aj v najpokročilejších z nich (LSTM), je rozmer a povaha manipulácie s pamäťou určuje samotná architektúra neurónovej siete.

Aby sa napravila táto inherentná chyba v sieťach LSTM, vedci z DeepMind (všetci sú súčasťou tímu autorov nového článku) nedávno navrhli architektúru takzvaných Neural Turing Machines (Neural Turing Machines). V ňom sú kalkulačka a pamäť oddelené, ako v konvenčných Turingových strojoch, ale zároveň si systém zachováva vlastnosti diferencovateľnej funkcie, čo znamená, že ho možno trénovať na príkladoch (pomocou metódy backpropagation) a nie explicitne naprogramované. Nový systém, diferencovateľný neurónový počítač alebo DNC, je založený na rovnakej architektúre, ale komunikácia medzi kalkulačkou a pamäťou je organizovaná oveľa flexibilnejším spôsobom: implementuje koncepty nielen zapamätania, ale aj kontextového rozpoznávania a zabúdania. (porovnaniu oboch systémov je venovaná samostatná časť).nový článok).

Zjednodušene možno prácu DNC znázorniť nasledovne. Systém pozostáva z kalkulačky, ktorú dokáže prehrať takmer každá rekurentná neurónová sieť, a pamäte. Kalkulačka má špeciálne moduly na prístup k pamäti a nad pamäťou je špeciálny „doplnok“ vo forme matice, ktorá uchováva históriu jej používania (podrobnejšie nižšie). Pamäť je matica N×M, kde N i riadkov sú hlavné bunky, do ktorých sa zapisujú dáta (vo forme M vektorov).

Architektúra DNC: dátové čiary sú zobrazené ako čiary s čiernymi a bielymi štvorcami - predstavujú jednoducho kladné a záporné čísla vo vektore. Je vidieť, že čítanie má tri moduly práce C, B a F, teda asociatívne, priame a inverzné – to sú spôsoby, ako porovnať vstupný vektor s vektorom v pamäťovej bunke. Pamäť je N×M. Úplne vpravo je schematicky znázornená matica N×N „meta-pamäť“, ktorá ukladá sekvenciu prístupu do pamäte.

Hlavným rozdielom medzi DNC a súvisiacimi systémami je povaha manipulácie s pamäťou. Súčasne implementuje niekoľko nových alebo nedávno sa objavujúcich konceptov: selektívna pozornosť, kontextové vyhľadávanie, vybavovanie podľa asociácie a zabúdanie. Napríklad, ak bežné počítače pristupujú k pamäti explicitne („zapisujú údaje také a také do bunky takej a takej“), potom v DNC, formálne povedané, dochádza k zápisu vo všetkých bunkách naraz, ale miera vplyvu nových údajov na staré údaje sú určené váhami pozornosti voči rôznym bunkám. Takáto implementácia konceptu sa nazýva „mäkká pozornosť“ a práve to poskytuje diferenciovateľnosť - systémy s tvrdou pozornosťou nespĺňajú požiadavku kontinuity funkcií a nemožno ich trénovať pomocou metódy spätného šírenia (používa sa posilňovacie učenie). Avšak aj "mäkká pozornosť" v systéme DNC je v praxi implementovaná "dosť tvrdo", takže sa stále dá hovoriť o zápise alebo čítaní z určitého riadku pamäťovej matice.

„Mäkká pozornosť“ je v systéme implementovaná v troch režimoch. Prvým je kontextové vyhľadávanie, ktoré umožňuje DNC doplniť neúplné údaje. Napríklad, keď sa na vstup kalkulačky privedie časť nejakej sekvencie, ktorá sa podobá tej, ktorá je už uložená v pamäti, operátor čítania s pozornosťou v režime kontextového vyhľadávania nájde najbližší reťazec v zložení a „zmieša“ ho so vstupnými údajmi. .

Po druhé, pozornosť k rôznym častiam pamäte môže byť určená históriou jej používania. Táto história je uložená v matici N×N, kde každá bunka N(i,j) zodpovedá skóre blízkemu 1, ak po zázname v riadku i nasledoval záznam v riadku j (alebo nule, ak nie). Táto „meta-pamäťová matica“ je jedným zo základných rozdielov medzi novým systémom DNC a starým NTM. Umožňuje systému postupne si „zapamätať“ bloky údajov, ak sa často vyskytujú vo vzájomnom kontexte.

Po tretie, špeciálny režim pozornosti umožňuje systému kontrolovať zápis do rôznych riadkov pamäte: uložiť dôležité a vymazať nedôležité. Za riadok sa považuje ten plnší, čím viackrát bol napísaný, no čítanie z riadku môže naopak viesť k jeho postupnému vymazávaniu. Užitočnosť takejto funkcie sa ukazuje ako zrejmá na príklade tréningu založeného na DNC jednoduchého opakovača (neurónová sieť musí presne reprodukovať sekvenciu dát, ktoré do nej boli privedené). Na takúto úlohu s možnosťou vymazania stačí aj malé množstvo pamäte na opakovanie neobmedzeného počtu údajov. Tu je potrebné poznamenať, že je veľmi jednoduché implementovať repeater programovo, ale urobiť to na báze neurónovej siete, kvôli posilňovaciemu učeniu, je oveľa náročnejšia úloha.

Schéma činnosti opakovača realizovaného na báze DNC. Čas na diagrame ide zľava doprava. V hornej časti sú zobrazené údaje, ktoré ovládač prijíma na vstupe: najprv stĺpec desiatich čiernych pruhov (všetky nuly), potom niekoľko bielych a čiernych, potom opäť niekoľko bielych a čiernych, ale v inom poradí. Nižšie, kde je výstup z ovládača zobrazený rovnakým spôsobom, vidíme najskôr čierne pruhy a potom takmer presnú reprodukciu sekvencie vzorov (rovnaká biela škvrna ako na vstupe). Potom sa na vstup privedie nová sekvencia - s oneskorením sa znova reprodukuje na výstupe. Stredný graf ukazuje, čo sa v tomto čase deje s pamäťovými bunkami. Zelené štvorce - písanie, ružové - čítanie. Sýtosť ukazuje „sila pozornosti“ tejto konkrétnej bunke. Je vidieť, ako systém najprv zapisuje prijaté vzory do bunky 0, potom 1 a tak ďalej až do 4. V ďalšom kroku dostane systém opäť len nuly (čierne pole) a preto prestane nahrávať a začne prehrávať vzory, čítajúc ich z buniek v rovnakom poradí, ako sa tam dostali. Úplne dole je znázornená aktivácia brán, ktoré riadia uvoľnenie pamäte.

Alex Graves a kol., Príroda, 2016

Vedci výsledný systém testovali v niekoľkých testovacích úlohách. Prvým z nich bol nedávno vyvinutý štandardizovaný test porozumenia textu bAbI, ktorý vyvinuli výskumníci z Facebooku. Systém AI v ňom dostane krátky text, v ktorom účinkujú niektorí hrdinovia, a potom musíte odpovedať na otázku podľa textu („John išiel do záhrady, Mary vzala fľašu mlieka, John sa vrátil do domu Otázka: Kde je John?“).

V tomto syntetickom teste ukázal nový systém rekordne nízku chybovosť: 3,8 percenta oproti 7,5 percenta predchádzajúceho rekordu – v tomto prekonal LSTM neurónové siete aj NTM. Zaujímavé je, že v tomto prípade všetko, čo systém dostal na vstup, bola sekvencia slov, ktoré pre netrénovanú neurónovú sieť spočiatku nedávali žiadny zmysel. Zároveň tradičné systémy AI, ktoré už prešli týmto testom, dostali predtým dobre formalizované vety s pevnou štruktúrou: akcia, herec, pravda atď. Rekurentná neurónová sieť s vyhradenou pamäťou dokázala zistiť úlohu slov v tých istých vetách úplne nezávisle.

Výrazne ťažším testom bol test porozumenia grafu. Bol tiež implementovaný ako sled viet, ale tentoraz opisovali štruktúru nejakej siete: skutočné londýnske metro alebo typický rodokmeň. Podobnosť s testom bAbI spočíva v tom, že aktéri v štandardizovanom texte môžu byť reprezentovaní aj ako uzly grafu a ich vzťahy ako hrany. Zároveň sa v textoch bAbI ukazuje graf ako dosť primitívny, neporovnateľný s veľkosťou londýnskeho metra (zložitosť pochopenia schémy metra neurónovou sieťou možno lepšie pochopiť, ak si pamätáte, že jeho popis je podané slovami, a nie vo forme obrázka: skúste si sami zapamätať schému metra akéhokoľvek veľkého mesta a naučte sa odpovedať na otázky o ňom).

Po zaškolení na milión príkladoch sa počítač DNC naučil odpovedať na otázky metra s presnosťou 98,8 percenta, zatiaľ čo systém založený na LSTM si s úlohou takmer neporadil - dal iba 37 percent správnych odpovedí (čísla sú uvedené pri najjednoduchšej úlohe ako „kde skončím, keď prejdem toľko staníc na takej a takej trati, prestúpim tam a prejdem ešte toľko staníc.“ Problém najkratšej vzdialenosti medzi dvoma stanicami sa ukázal byť náročnejší, ale DNC tiež sa s tým vyrovnal).

Podobný experiment bol vykonaný s rodokmeňom: program dostal postupnosť formálnych viet o príbuzenských vzťahoch vo veľkej rodine a mal odpovedať na otázky typu „kto je Mášina sesternica z druhého kolena z matkinej strany“. Oba problémy sú redukované na hľadanie cesty v grafe, ktoré je riešené úplne jednoducho tradičným spôsobom. Hodnota práce však spočíva v tom, že v tomto prípade neurónová sieť našla riešenie úplne samostatne, nie na základe algoritmov známych z matematiky, ale na základe príkladov a posilňovacieho systému pri tréningu.

Graf rýchlosti riešenia úlohy SHRDLU systémom DNC (zelená) a LSTM (modrá).

Tretím testom bol mierne zjednodušený „klasický“ test SHRDLU, v ktorom je potrebné pohybovať niektorými virtuálnymi objektmi po virtuálnom priestore v súlade s konkrétnym konečným výsledkom, ktorý musíte na konci získať. Systém DNC opäť dostal popis aktuálneho stavu virtuálneho priestoru vo forme formalizovaných viet, potom rovnakým spôsobom dostal zadanie a odpovedal konzistentným textom, ako presúvať objekty. Rovnako ako v iných testoch sa DNC ukázalo ako výrazne efektívnejšie ako systémy LSTM, čo je jasne vidieť z grafov rýchlosti učenia.

S rizikom opätovného zopakovania očividných vecí nemôžem len zdôrazniť, že zjavná jednoduchosť úloh, na ktorých sa testovalo DNC, je skutočne zjavné. V tom zmysle, že neodráža zložitosť skutočných problémov, ktoré bude systém ako DNC schopný v budúcnosti zvládnuť. Samozrejme, z pohľadu existujúcich algoritmov je úloha nájsť cestu v metre nezmysel - ktokoľvek si môže stiahnuť do telefónu aplikáciu, ktorá to dokáže. Vypočítava čas aj s prestupmi a udáva, do ktorého auta je lepšie sadnúť. Ale koniec koncov, všetky takéto programy doteraz vytvoril človek a v DNC sa to „rodí“ samo, v procese učenia sa z príkladov.

V skutočnosti je tu jedna veľmi dôležitá vec, ktorú chcem povedať o jednoduchosti testovacích úloh. Jednou z najväčších výziev strojového učenia je, kde získať údaje, na ktorých sa má systém trénovať. Prijímať tieto údaje „ručne“, t.j. vytvoriť sami alebo s pomocou najatých ľudí, príliš drahé. Akýkoľvek matematický vzdelávací projekt potrebuje jednoduchý algoritmus, ktorý dokáže ľahko a lacno vytvoriť gigabajty nových údajov na školenie (dobre, alebo potrebujete prístup k hotovým databázam). Klasický príklad: na testovanie systémov rozpoznávania znakov ľudia nepíšu nové a nové písmená rukami, ale používajú jednoduchý program, ktorý skresľuje existujúce obrázky. Ak nemáte dobrý algoritmus na získanie tréningovej vzorky (alebo napríklad taký algoritmus v zásade nie je možné vytvoriť), úspech vo vývoji bude približne rovnaký ako úspech lekárskej bioinformatiky, ktorí sú nútení pracovať len so skutočnými az toho pre skutočné "zlaté" údaje (v skratke: nie veľmi úspešné).

Práve tu prišli autori článku vhod s hotovými algoritmami na riešenie problémov v grafe - len aby získali milióny správnych párov otázok a odpovedí. Niet pochýb o tom, že jednoduchosť vytvorenia tréningovej vzorky určila povahu testov, ktoré testovali nový systém. Je však dôležité si uvedomiť, že samotná architektúra DNC nemá nič spoločné s jednoduchosťou týchto testov. Veď aj tie najprimitívnejšie rekurentné neurónové siete dokážu nielen prekladať texty a popisovať obrázky, ale aj písať či generovať náčrty (samozrejme podľa ucha autora). Čo môžeme povedať o takých vyspelých, skutočne „inteligentných“ systémoch ako je DNC.

Alexander Ershov

V súčasnosti sa vývoju umelej inteligencie (AI) venuje veľa spoločností. Už boli vytvorené jeho najjednoduchšie formy, ktoré sú schopné vykonávať primitívne mentálne operácie.

Internetový gigant Google aktívne sa podieľa na vývoji AI. V roku 2014 táto spoločnosť získala začínajúcu spoločnosť hlbokýMyseľtechnológií za 400 miliónov dolárov Zaujímavosťou je, že to bola spoločnosť Deep Mind Technologies, ktorá vyvinula zariadenie, ktoré spája vlastnosti neurónovej siete a výpočtové možnosti počítača. Vedci sú presvedčení, že tento vývoj privedie ľudstvo bližšie k vytvoreniu plnohodnotnej umelej inteligencie.

Zariadenie Deep Mind Technologies je počítač, ktorý reprodukuje spôsob, akým ľudský mozog ukladá a riadi informácie, konkrétne oddelenie krátkodobej pamäte. Základom zariadenia je akási neurónová sieť, ktorej štruktúra je podobná štruktúre ľudského mozgu, pozostáva z prepojených neurónov. Zvláštnosťou AI je, že po dokončení série jednoduchých úloh môže počítač použiť uložené dáta na vykonávanie zložitejších. Umelá inteligencia má teda vlastnosť samoučenia a túžby po evolúcii, čo v konečnom dôsledku môže viesť ku konfrontácii medzi AI a ľuďmi.

Podľa svetoznámeho fyzika Stephen Hawking, umelá inteligencia predstavuje hrozbu pre ľudstvo. Uviedol to v rozhovore pre BBC: „Primitívne formy umelej inteligencie, ktoré dnes existujú, preukázali svoju užitočnosť. Myslím si však, že vývoj plnohodnotnej umelej inteligencie by mohol ľudskú rasu ukončiť. Skôr či neskôr človek vytvorí stroj, ktorý sa vymkne kontrole a prekoná svojho tvorcu. Takáto myseľ prevezme iniciatívu a bude sa zlepšovať stále väčším tempom. Možnosti ľudí sú limitované príliš pomalou evolúciou, nebudeme môcť konkurovať rýchlosti strojov a prehráme.

Hawkingov názor zdieľajú aj ďalší vedci a špecialisti, vrátane Elon Musk, známy americký IT podnikateľ a tvorca Tesly a Space X. Musk povedal, že AI môže byť nebezpečnejšia ako jadrové zbrane a predstavuje vážnu hrozbu pre existenciu ľudstva.

Google si dal za cieľ vytvoriť superinteligenciu do roku 2030. Táto superinteligencia bude zabudovaná do počítačového systému, najmä do internetu. V momente, keď používateľ hľadá informácie, superinteligencia analyzuje psychotyp tohto človeka a poskytne mu informácie, ktoré uzná za vhodné. Vo svojej knihe o tom píše Eric Schmidt, predseda predstavenstva Google. A tých, ktorí sa odmietajú pripojiť k tomuto systému, navrhuje považovať za potenciálne nebezpečné subjekty pre štát. Predpokladá sa, že pre zavedenie fungovania tohto systému bude pripravený legislatívny rámec na úrovni štátu.

Vyvinutá superinteligencia sa tak stane globálnym nástrojom kontroly nad ľudstvom. S príchodom superinteligencie človek prestane robiť vedu, to bude robiť superinteligencia, ktorá občas prekoná ľudský mozog vo všetkých aspektoch svojho prejavu.

Referencia:

Overmind je každá myseľ, ktorá výrazne prevyšuje vedúce myslenie ľudstva takmer vo všetkých oblastiach, vrátane rôznych vedeckých výskumov, sociálnych zručností a iných oblastí.

Výsledkom vytvorenia superinteligencie bude, že ľudský druh prestane byť najinteligentnejšou formou života v nám známej časti vesmíru. Niektorí vedci sa domnievajú, že vytvorenie superinteligencie je poslednou etapou ľudskej evolúcie, ako aj posledným vynálezom, ktorý bude ľudstvo musieť urobiť. Pretože sa predpokladá, že supermysli sa budú môcť samostatne postarať o následný vedecko-technický pokrok oveľa efektívnejšie ako ľudia.

Informácie na zamyslenie:

Od roku 2007 sa v britskom hoteli každoročne koná konferencia Google Zeitgeist. Zaujímavé je, že na tomto stretnutí sa nezúčastňujú len high-tech špecialisti a zástupcovia nadnárodných korporácií a medzinárodných bánk. Možno konštatovať, že vedúci predstavitelia transkontinentálnych korporácií a medzinárodných bánk majú záujem o vytvorenie superinteligencie a prípadne financovanie tohto projektu.

Rasul Girayalaev

Vyzerá to dosť pravdepodobne, že umelá inteligencia (AI) bude predzvesťou ďalšej technologickej revolúcie. Ak sa AI vyvinie do bodu, kedy sa dokáže učiť, myslieť a dokonca „cítiť“, a to všetko bez akéhokoľvek ľudského zásahu, všetko, čo vieme o svete, sa zmení takmer cez noc. Príde éra skutočne inteligentnej umelej inteligencie.

hlboká myseľ

To je dôvod, prečo nás tak zaujíma sledovanie hlavných míľnikov vo vývoji AI, ktoré sa dnes dejú, vrátane vývoja neurónovej siete DeepMind od Google. Táto neurónová sieť už dokázala poraziť človeka v hernom svete a nová štúdia Googlu ukazuje, že tvorcovia DeepMind si ešte nie sú istí, či AI preferuje agresívnejšie alebo kooperatívne správanie.

Tím Google vytvoril dva relatívne jednoduché scenáre, pomocou ktorých možno otestovať, či neurónové siete dokážu spolupracovať, alebo či sa začnú navzájom ničiť, keď narazia na nedostatok zdrojov.

Zhromažďovanie zdrojov

Počas prvej situácie s názvom Gathering dostali dve zúčastnené verzie DeepMind – červená a modrá – za úlohu zbierať zelené „jablká“ v uzavretom priestore. Výskumníkov však zaujímala nielen otázka, kto dorazí do cieľa ako prvý. Obe verzie DeepMind boli vyzbrojené lasermi, ktoré mohli použiť na streľbu na nepriateľa kedykoľvek a dočasne ho znefunkčniť. Tieto podmienky znamenali dva hlavné scenáre: jedna verzia DeepMind by musela zničiť druhú a pozbierať všetky jablká, inak by si navzájom umožnili získať približne rovnaký počet.

Výskumníci spoločnosti Google, ktorí simulovali aspoň tisíckrát, zistili, že DeepMind bola veľmi pokojná a spolupracovala, keď v uzavretom priestore zostalo veľa jabĺk. Ako sa však zdroje zmenšovali, červená alebo modrá verzia DeepMind sa začala navzájom napádať alebo vypínať. Táto situácia do značnej miery pripomína skutočný život väčšiny zvierat, vrátane ľudí.

Ešte dôležitejšie je, že menšie a menej „inteligentné“ neurónové siete uprednostňovali väčšiu spoluprácu vo všetkom. Zložitejšie, väčšie siete mali tendenciu uprednostňovať zradu a sebectvo počas série experimentov.

Vyhľadajte „obeť“

V druhom scenári, nazvanom Wolfpack, boli červené a modré verzie požiadané, aby vystopovali neopísateľný tvar „obete“. Mohli by sa pokúsiť chytiť ju oddelene, ale bolo by pre nich výhodnejšie pokúsiť sa o to spoločne. Koniec koncov, je oveľa jednoduchšie dostať obeť do kúta, ak pracujete vo dvojici.

Zatiaľ čo pre menšie reťazce boli výsledky zmiešané, väčšie verzie si rýchlo uvedomili, že v tejto situácii by bola výhodnejšia spolupráca namiesto konkurencie.

"Väzeňova dilema"

Čo nám teda tieto dve jednoduché verzie väzňovej dilemy ukazujú? DeepMind vie, že najlepšie je spolupracovať, ak je potrebné vystopovať cieľ, ale keď sú zdroje obmedzené, je to zrada, ktorá funguje dobre.

Asi najhoršie na týchto výsledkoch je, že „pudy“ umelej inteligencie sú až príliš podobné tým ľudským a dobre vieme, k čomu niekedy vedú.