211service.com
Hvordan AI gjenoppfinner hva datamaskiner er
22. oktober 2021
Andrea Daquino
Høsten 2021: sesongen med gresskar, pecan paier og ferskenaktige nye telefoner. Hvert år, rett på vei, slipper Apple, Samsung, Google og andre sine siste utgivelser. Disse inventarene i forbrukerteknologikalenderen inspirerer ikke lenger overraskelsen og forbauselsen til de berusende tidlige dagene. Men bak all markedsføringsglansen er det noe bemerkelsesverdig som skjer.
Googles siste tilbud, Pixel 6, er den første telefonen som har en egen brikke dedikert til AI som ligger ved siden av standardprosessoren. Og brikken som driver iPhone har de siste par årene inneholdt det Apple kaller en nevral motor, også dedikert til AI. Begge brikkene er bedre egnet til de typer beregninger som er involvert i trening og kjøring av maskinlæringsmodeller på enhetene våre, for eksempel AI som driver kameraet ditt. Nesten uten at vi legger merke til det, har AI blitt en del av vårt daglige liv. Og det endrer måten vi tenker på databehandling.
Hva betyr det? Vel, datamaskiner har ikke endret seg mye på 40 eller 50 år. De er mindre og raskere, men de er fortsatt bokser med prosessorer som kjører instruksjoner fra mennesker. AI endrer det på minst tre fronter: hvordan datamaskiner er laget, hvordan de er programmert og hvordan de brukes. Til syvende og sist vil det endre hva de er til for.
Kjernen i databehandling er i endring fra tall-knusing til beslutningstaking, sier Pradeep Dubey, direktør for parallelldatalaben hos Intel. Eller, som MIT CSAIL-direktør Daniela Rus sier det, AI frigjør datamaskiner fra boksene deres.
Mer hast, mindre fart
Den første endringen gjelder hvordan datamaskiner – og brikkene som kontrollerer dem – lages. Tradisjonelle datagevinster kom etter hvert som maskinene ble raskere til å utføre den ene beregningen etter den andre. I flere tiår har verden dratt nytte av chip-spesifikasjoner som fulgte med metronomisk regularitet ettersom chipmakere holdt tritt med Moores lov.
Men dyplæringsmodellene som får dagens AI-applikasjoner til å fungere krever en annen tilnærming: de trenger et stort antall mindre presise beregninger som skal utføres på samme tid. Det betyr at det kreves en ny type brikke: en som kan flytte data rundt så raskt som mulig, og sørge for at den er tilgjengelig når og hvor den er nødvendig. Da dyp læring eksploderte på scenen for et tiår eller så siden, var det allerede spesialdatabrikker tilgjengelig som var ganske gode på dette: grafikkbehandlingsenheter, eller GPUer, som ble designet for å vise en hel skjermfull piksler dusinvis av ganger i sekundet.
Alt kan bli en datamaskin. Faktisk kommer de fleste husholdningsgjenstander, fra tannbørster til lysbrytere til ringeklokker, allerede i en smart versjon.
Nå svinger brikkeprodusenter som Intel og Arm og Nvidia, som leverte mange av de første GPUene, for å lage maskinvare skreddersydd spesielt for AI. Google og Facebook tvinger seg også inn i denne bransjen for første gang, i et kappløp for å finne en AI-fordel gjennom maskinvare.
For eksempel er brikken inne i Pixel 6 en ny mobilversjon av Googles tensorbehandlingsenhet, eller TPU. I motsetning til tradisjonelle brikker, som er rettet mot ultraraske, presise beregninger, er TPU-er designet for beregningene med høyt volum, men lavpresisjon som kreves av nevrale nettverk. Google har brukt disse brikkene internt siden 2015: de behandler folks bilder og søk på naturlig språk. Googles søsterselskap DeepMind bruker dem til å trene AI-ene sine.
I løpet av de siste par årene har Google gjort TPU-er tilgjengelige for andre selskaper, og disse brikkene – så vel som lignende som utvikles av andre – blir standard i verdens datasentre.
AI hjelper til og med med å designe sin egen datainfrastruktur. I 2020 brukte Google en forsterkningslæringsalgoritme – en type AI som lærer å løse en oppgave gjennom prøving og feiling – for å designe utformingen av en ny TPU. AI kom til slutt opp med merkelige nye design som ingen mennesker ville tenke på - men de fungerte. Denne typen AI kan en dag utvikle bedre og mer effektive brikker.
Vis, ikke fortell
Den andre endringen gjelder hvordan datamaskiner blir fortalt hva de skal gjøre. De siste 40 årene har vi programmert datamaskiner; de neste 40 skal vi trene dem, sier Chris Bishop, leder for Microsoft Research i Storbritannia.
Tradisjonelt, for å få en datamaskin til å gjøre noe som å gjenkjenne tale eller identifisere objekter i et bilde, måtte programmerere først komme opp med regler for datamaskinen.
Med maskinlæring skriver ikke lenger programmerere regler. I stedet oppretter de et nevralt nettverk som lærer disse reglene for seg selv. Det er en fundamentalt annerledes måte å tenke på.
Relatert historie
AI lærer å skape seg selv Mennesker har kjempet for å lage virkelig intelligente maskiner. Kanskje vi må la dem fortsette med det selv.
Eksempler på dette er allerede vanlig: talegjenkjenning og bildeidentifikasjon er nå standardfunksjoner på smarttelefoner. Andre eksempler skapte overskrifter, som da AlphaZero lærte seg selv å spille Go better than humans. På samme måte åpnet AlphaFold et biologisk problem – å finne ut hvordan proteiner folder seg – som folk hadde slitt med i flere tiår.
For Bishop kommer de neste store gjennombruddene innen molekylær simulering: opplæring av datamaskiner til å manipulere materiens egenskaper, potensielt gjøre verdensendrende sprang i energibruk, matproduksjon, produksjon og medisin.
Åndeløse løfter som dette gis ofte. Det er også sant at dyp læring har overrasket oss. To av de største sprangene av denne typen så langt – å få datamaskiner til å oppføre seg som om de forstår språk og til å gjenkjenne hva som er i et bilde – endrer allerede hvordan vi bruker dem.
Datamaskinen vet best
I flere tiår innebar det å få en datamaskin til å gjøre noe å skrive inn en kommando, eller i det minste klikke på en knapp.
Maskiner trenger ikke lenger et tastatur eller skjerm som mennesker kan samhandle med. Alt kan bli en datamaskin. Faktisk kommer de fleste husholdningsgjenstander, fra tannbørster til lysbrytere til ringeklokker, allerede i en smart versjon. Men ettersom de sprer seg, kommer vi til å ønske å bruke mindre tid på å fortelle dem hva de skal gjøre. De skal kunne finne ut hva vi trenger uten å bli fortalt.
Dette er skiftet fra tall-knusing til beslutningstaking som Dubey ser på som definerer den nye æraen for databehandling.
Rus vil at vi skal omfavne den kognitive og fysiske støtten som tilbys. Hun ser for seg datamaskiner som forteller oss ting vi trenger å vite når vi trenger å vite dem og griper inn når vi trenger en hånd. Da jeg var barn, var en av mine favorittfilm [scener] i hele verden «The Sorcerer's Apprentice», sier Rus. Vet du hvordan Mikke tilkaller kosten for å hjelpe ham med å rydde opp? Vi trenger ikke magi for å få det til.
Vi vet hvordan den scenen ender. Mikke mister kontrollen over kosten og lager et stort rot. Nå som maskiner samhandler med mennesker og integreres i kaoset i den store verden, blir alt mer usikkert. Datamaskinene er ute av eskene sine.