211service.com
5 store spådommer for kunstig intelligens i 2017
Fjoråret var stort for fremskritt innen kunstig intelligens og maskinlæring. Men 2017 kan godt levere enda mer. Her er fem viktige ting å se frem til.
Positiv forsterkning
AlphaGos historiske seier mot en av tidenes beste Go-spillere, Lee Sedol, var et landemerke for AI-feltet, og spesielt for teknikken kjent som deep reinforcement learning.
Forsterkende læring henter inspirasjon fra måtene dyr lærer hvordan visse atferder har en tendens til å resultere i et positivt eller negativt resultat. Ved å bruke denne tilnærmingen kan en datamaskin for eksempel finne ut hvordan man navigerer i en labyrint ved å prøve og feile og deretter assosiere det positive resultatet – å forlate labyrinten – med handlingene som førte opp til det. Dette lar en maskin lære uten instruksjon eller til og med eksplisitte eksempler. Ideen har eksistert i flere tiår, men å kombinere den med store (eller dype) nevrale nettverk gir kraften som trengs for å få den til å fungere på virkelig komplekse problemer (som spillet Go). Gjennom nådeløs eksperimentering, samt analyse av tidligere spill, fant AlphaGo ut selv hvordan du spiller spillet på et ekspertnivå.
Håpet er at forsterkende læring nå vil vise seg nyttig i mange situasjoner i den virkelige verden. Og den nylige utgivelsen av flere simulerte miljøer bør stimulere fremgang med de nødvendige algoritmene ved å øke rekkevidden av ferdigheter datamaskiner kan tilegne seg på denne måten.
I 2017 vil vi sannsynligvis se forsøk på å bruke forsterkende læring på problemer som automatisert kjøring og industriell robotikk. Google har allerede skrytt av å bruke dyp forsterkende læring til gjøre datasentrene mer effektive . Men tilnærmingen er fortsatt eksperimentell, og den krever fortsatt tidkrevende simulering, så det vil være interessant å se hvor effektivt den kan distribueres.
Duellerende nevrale nettverk
På den akademiske banner-AI-samlingen som nylig ble holdt i Barcelona, Neural Information Processing Systems-konferansen, handlet mye av buzz om en ny maskinlæringsteknikk kjent som generative kontradiktoriske nettverk .
Oppfunnet av Ian Goodfellow, nå en forsker ved OpenAI, generative adversarial networks, eller GANs, er systemer som består av ett nettverk som genererer nye data etter å ha lært fra et treningssett, og et annet som prøver å skille mellom ekte og falske data. Ved å samarbeide kan disse nettverkene produsere svært realistiske syntetiske data. Tilnærmingen kan brukes til å generere videospilllandskap, fjerne uskarphet pikselerte videoopptak eller bruke stilistiske endringer på datamaskingenererte design.
Yoshua Bengio, en av verdens ledende eksperter på maskinlæring (og Goodfellows PhD-rådgiver ved University of Montreal), sa ved NIPS at tilnærmingen er spesielt spennende fordi den tilbyr en kraftig måte for datamaskiner å lære av umerkede data – noe mange tror kan være nøkkelen til å gjøre datamaskiner mye mer intelligente i årene som kommer.
Kinas AI-boom
Dette kan også være året hvor Kina begynner å se ut som en stor aktør innen kunstig intelligens. Landets teknologiske industri beveger seg bort fra å kopiere vestlige selskaper, og den har identifisert AI og maskinlæring som de neste store innovasjonsområdene.
Kinas ledende søkeselskap, Baidu, har hatt et AI-fokusert laboratorium i noen tid, og det høster fruktene i form av forbedringer i teknologier som stemmegjenkjenning og naturlig språkbehandling, samt en bedre optimalisert reklamevirksomhet. Andre spillere prøver nå å ta igjen. Tencent, som tilbyr den enormt vellykkede mobil-første meldings- og nettverksappen WeChat, åpnet en AI-lab i fjor, og selskapet var opptatt med å rekruttere talenter hos NIPS. Didi, samkjøringsgiganten som kjøpte Ubers kinesiske virksomhet tidligere i år, bygger også ut et laboratorium og jobber angivelig med sine egne førerløse biler.
Kinesiske investorer strømmer nå penger inn i AI-fokuserte startups, og den kinesiske regjeringen har signalisert et ønske om å se landets AI-industri blomstre, lover å investere rundt 15 milliarder dollar innen 2018.
Språklæring
Spør AI-forskere hva deres neste store mål er, og de vil sannsynligvis nevne språk. Håpet er at teknikker som har gitt spektakulære fremskritt innen stemme- og bildegjenkjenning, blant annet, også kan hjelpe datamaskiner til å analysere og generere språk mer effektivt.
Dette er et langvarig mål innen kunstig intelligens, og utsiktene til datamaskiner som kommuniserer og samhandler med oss ved hjelp av språk er fascinerende. Bedre språkforståelse vil gjøre maskiner mye mer nyttige. Men utfordringen er en formidabel en, gitt språkets kompleksitet, subtilitet og kraft.
Ikke forvent å komme i dyp og meningsfull samtale med smarttelefonen din på en stund. Men noen imponerende inngrep gjøres, og du kan forvente ytterligere fremskritt på dette området i 2017.
Tilbakeslag til hypen
I tillegg til genuine fremskritt og spennende nye applikasjoner, nådde 2016 hypen rundt kunstig intelligens berusende nye høyder. Mens mange har tro på den underliggende verdien av teknologier som utvikles i dag, er det vanskelig å unnslippe følelsen av at publisiteten rundt AI begynner å komme litt ut av hånden.
Noen AI-forskere er tydeligvis irriterte. En lanseringsfest ble organisert under NIPS for en falsk AI-oppstart kalt Rakett AI , til fremheve den økende manien og tullet rundt ekte AI-forskning. Bedraget var ikke særlig overbevisende, men det var en morsom måte å trekke oppmerksomhet til et genuint problem.
Et reelt problem er at hype uunngåelig fører til en følelse av skuffelse når store gjennombrudd ikke skjer, noe som fører til at overvurderte startups mislykkes og investeringene tørker opp. Kanskje 2017 vil inneholde en slags tilbakeslag mot AI-hype-maskinen - og kanskje det ikke ville være så ille.