Мозг - это доказательство существования общего интеллекта - DeepMind от Google - доказательство того, что мы делаем успехи в его воспроизведении.
Успехи DeepMind в обучении с подкреплением с AlphaGo, AlphaZero и т. Д. Открывают путь для следующего поколения технологических компаний, развертывающих крупномасштабные проекты ИИ. DeepMind - далеко не прибыльная компания на бумаге (хотя они и дают Google преимущество), но они показывают миру, как использовать искусственный интеллект и, что еще более впечатляюще, обучение с подкреплением для устаревших людей в конкретная задача. Теперь, когда он существует, его можно будет использовать для прибыльных задач.
Что делает DeepMind?
DeepMind хочет решить проблему интеллекта. В последние годы они взяли лучших мировых исследователей машинного обучения и объединили их с лучшими учеными-компьютерщиками, чтобы создать компьютеры, которые побеждают людей в играх. Любую игру, которую они пробовали, если быть точным. AlphaZero решала множество игр самостоятельно и без участия человека. DeepMind нацелился на систему и дал компьютеру инструменты для ее освоения. На высоком уровне это прекрасный вывод: то, что компьютеры могут делать без участия человека, расширяется с каждым днем.
Как исследователь, я испытываю любовь-ненависть к технологическим гигантам, которые начинают участвовать в передовых исследованиях в области машинного обучения. DeepMind решительно и действенно меняет свое влияние в области обучения с подкреплением. Люди должны копировать их подход.
Погодите, а какое доказательство существования?
Существование означает, что был один путь к чему-то. Существование человеческого мозга означает, что эволюция действительно породила общий интеллект, но это не означает, что он будет развиваться из существующих организмов или из компьютеров снова. Доказательство существования часто намного слабее, чем того хотят люди.
Доказательства существования в математике также могут быть непростыми. Классический пример - теоремы Гёделя о неполноте: он доказал, что любая формальная система аксиом в математике способна показать все истины. Вывод для инженеров: у каждой системы есть ограничение (бесплатного обеда нет).
При этом мой взгляд на вещи в отношении ИИ гораздо более позитивный:
Мозг является доказательством существования ИИ, подобно тому как птицы были доказательством существования для полета.
Решение общего интеллекта, скорее всего, будет происходить из события, которое мы не можем предсказать (исследовательский прорыв), поэтому давать ему временную шкалу не стоит. Я ищу чем заняться, кроме надежды, что AGI (общий искусственный интеллект) будет обнаружен кем-то, у кого отсутствуют сложные мотивы.
RL в масштабе
Обучение с подкреплением (RL) в наши дни вызывает много шумихи в основных средствах массовой информации. Это область исследований, в которой пытаются разработать агентов, которые могут научиться выполнять любую задачу, как человеческий ребенок. В масштабе, в технологиях, означает объединение множества инженеров в одном проекте для создания чего-то ценного (обычно приложений или алгоритмов). Исследователи изучают обучение с подкреплением, и DeepMind был первым, кто дал им возможность работать вместе над чем-то важным (ну, публично - это могла сделать другая компания, но не сообщать нам). Важно уничтожать людей в одних из самых исторических игр эпохи человечества.
RL в масштабе берет нововведения в исследованиях и применяет их к существующей проблеме таким образом, чтобы сделать задачу человека бесполезной.
Где 3 из первых областей, в которых, как я вижу, достижения в области искусственного интеллекта произведут фурор в ближайшие пару лет?
1Пакетное обучение с подкреплением: это область исследования, в которой проводится набор измерений и действий во временном ряду, а также выясняется, как должен действовать кто-то в аналогичной среде. Моя будущая компания будет регистрировать данные о состоянии здоровья с помощью носимых устройств и счетов за продукты и сможет рассказать кому-нибудь, как правильно питаться для а) похудания, б) ясности ума или в) здоровья кишечника.
Пакетная RL сделает данные, которые многие стартапы имеют, еще более эффективными. Сейчас исследования ограничены нерегулярностью данных и нестабильностью в обучении политике контроля, но дайте ему еще пару лет.
2Embodied Intelligence: вывод инноваций в области машинного обучения из ленты новостей на открытый воздух. Придание машинному обучению тела иногда называют воплощенным интеллектом. Мы уже видели, как дорогие роботы могут решать впечатляюще полезные задачи. Следующий шаг - заставить дешевых роботов выполнять еще более простые задачи - я думаю, что мы находимся в нижней части экспоненты автоматизации. В этой области так много областей, в которых можно создать компанию. К счастью, проводя здесь исследования, я просто продолжу и продолжу учиться.
3Молекулярная биология: 1 миллиард долларов, необходимый для открытия и создания новых лекарств, резко упадет, когда несколько стартапов выяснят, как использовать глубокое обучение, чтобы лучше соответствовать человеческому телу. Моя компания предоставила бы платформу, на которой фармацевтические компании могли бы ссылаться на свои механизмы производства лекарств и, возможно, сократить этапы разработки, будучи центральным узлом данных о лекарствах. Данные не подразумевают знаний, но они могут быть очень полезными.
Я писал об одном сценарии вокруг этого в прошлом - где, если одна компания получит точный симулятор человеческого тела, мы сможем затем провести обучение с подкреплением для открытия лекарств и многих других продуктов. Это было бы невероятно эффективным и прибыльным.
То, о чем я напишу дальше, снимет завесу ажиотажа с мировых стартапов. ai - вот вам подсказку:
Нравится? Подпишитесь на мою прямую рассылку по робототехнике, автоматизации и искусственному интеллекту по адресу https://robotic.substack.com/.
