Lære maskiner å forstå oss

Første gang Yann LeCun revolusjonerte kunstig intelligens, var det en falsk daggry. Det var 1995, og i nesten et tiår hadde den unge franskmannen vært dedikert til det som mange informatikere betraktet som en dårlig idé: at grov etterligning av visse funksjoner i hjernen var den beste måten å få til intelligente maskiner. Men LeCun hadde vist at denne tilnærmingen kunne produsere noe slående smart – og nyttig. Han jobbet ved Bell Labs og laget programvare som grovt simulerte nevroner og lærte å lese håndskrevet tekst ved å se på mange forskjellige eksempler. Bell Labs’ bedriftsforelder, AT&T, brukte den til å selge de første maskinene som var i stand til å lese håndskriften på sjekker og skriftlige skjemaer. For LeCun og noen få trosfeller i kunstige nevrale nettverk så det ut til å markere begynnelsen på en epoke der maskiner kunne lære mange andre ferdigheter som tidligere var begrenset til mennesker. Det var det ikke.

Hele dette prosjektet forsvant på en måte på dagen for dets største suksess, sier LeCun. Samme dag som han feiret lanseringen av bankautomater som kunne lese tusenvis av sjekker i timen, kunngjorde AT&T at det var delt i tre selskaper dedikert til ulike markeder innen kommunikasjon og databehandling. LeCun ble forskningssjef ved et slankere AT&T og ble henvist til å jobbe med andre ting; i 2002 ville han forlate AT&T, snart for å bli professor ved New York University. I mellomtiden fant forskere andre steder at de ikke kunne bruke LeCuns gjennombrudd på andre dataproblemer. Den hjerneinspirerte tilnærmingen til AI gikk tilbake til å være en utkantinteresse.

Denne historien var en del av utgaven for september 2015

• Se resten av saken
• Abonnere

LeCun, nå en tettsittende 55-åring med et godt smil og et sidelengs mørkt hår berørt med grått, sluttet aldri å forfølge den utkantinteressen. Og bemerkelsesverdig nok har resten av verden kommet rundt. Ideene som han og noen få andre næret i møte med over to tiår med apati og noen ganger direkte avvisning, har de siste årene gitt slående resultater på områder som ansikts- og talegjenkjenning. Deep learning, som feltet nå er kjent, har blitt en ny kampplass mellom Google og andre ledende teknologiselskaper som prøver å bruke det i forbrukertjenester. Et slikt selskap er Facebook, som ansatte LeCun fra NYU i desember 2013 og satte ham som leder for en ny forskningsgruppe for kunstig intelligens, FAIR, som i dag har 50 forskere, men som vil vokse til 100. LeCuns laboratorium er Facebooks første betydelige investering i grunnleggende forskning, og det kan være avgjørende for selskapets forsøk på å bli mer enn bare et virtuelt sosialt sted. Det kan også omforme våre forventninger til hva maskiner kan gjøre.

Facebook og andre selskaper, inkludert Google, IBM og Microsoft, har beveget seg raskt for å komme inn på dette området de siste årene fordi dyp læring er langt bedre enn tidligere AI-teknikker til å få datamaskiner til å fange opp ferdigheter som utfordrer maskiner, som å forstå bilder . De mer etablerte teknikkene krever at menneskelige eksperter møysommelig programmerer visse evner, for eksempel hvordan man oppdager linjer og hjørner i bilder. Programvare for dyplæring finner ut hvordan man kan forstå data for seg selv, uten noen slik programmering. Noen systemer kan nå gjenkjenne bilder eller ansikter omtrent like nøyaktig som mennesker.

Nå sikter LeCun mot noe mye kraftigere. Han ønsker å levere programvare med språkkunnskaper og sunn fornuft som trengs for grunnleggende samtale. I stedet for å måtte kommunisere med maskiner ved å klikke på knapper eller angi nøye utvalgte søkeord, kunne vi bare fortelle dem hva vi vil ha som om vi snakket med en annen person. Vårt forhold til den digitale verden vil endre seg fullstendig på grunn av intelligente agenter du kan samhandle med, spår han. Han tror dyp læring kan produsere programvare som forstår setningene våre og kan svare med passende svar, oppklarende spørsmål eller egne forslag.

Agenter som svarer på faktaspørsmål eller bestiller restauranter for oss er en åpenbar – om ikke akkurat verdensendrende – applikasjon. Det er også lett å se hvordan slik programvare kan føre til mer stimulerende videospillkarakterer eller forbedre online læring. Mer provoserende sier LeCun at systemer som forstår vanlig språk kan bli kjent med oss ​​godt nok til å forstå hva som er bra for oss. Systemer som dette burde ikke bare kunne forstå hva folk ville bli underholdt av, men hva de trenger å se uavhengig av om de vil ha glede av det, sier han. Slike bragder er ikke mulig ved å bruke teknikkene bak søkemotorene, spamfiltrene og virtuelle assistenter som prøver å forstå oss i dag. De ignorerer ofte rekkefølgen på ordene og klarer seg med statistiske triks som å matche og telle søkeord. Apples Siri, for eksempel, prøver å passe det du sier inn i et lite antall kategorier som utløser skriptsvar. De forstår egentlig ikke teksten, sier LeCun. Det er utrolig at det fungerer i det hele tatt. I mellomtiden, systemer som ser ut til å ha mestret komplekse språkoppgaver, som IBMs Fare! vinner Watson, gjør det ved å være superspesialisert til et bestemt format. Det er søtt som en demonstrasjon, men ikke arbeid som virkelig kan oversettes til noen annen situasjon, sier han.

I motsetning til dette kan programvare for dyp læring være i stand til å forstå språket mer slik mennesker gjør. Forskere ved Facebook, Google og andre steder utvikler programvare som har vist fremgang mot å forstå hva ord betyr. LeCuns team har et system som er i stand til å lese enkle historier og svare på spørsmål om dem, og trekker på fakulteter som logisk deduksjon og en rudimentær forståelse av tid.

Men som LeCun vet på egen hånd, er kunstig intelligens beryktet for fremskritt som gir spådommer om store sprang fremover, men som til slutt endrer svært lite. Å lage programvare som kan håndtere språkets blendende kompleksitet er en større utfordring enn å trene den til å gjenkjenne objekter i bilder. Nytten av dyp læring for talegjenkjenning og bildegjenkjenning er hevet over tvil, men det er fortsatt bare en gjetning om at det vil mestre språket og forvandle livene våre mer radikalt. Vi vet ennå ikke med sikkerhet om dyp læring er en blip som vil vise seg å være noe mye større.

Dyp historie

Røttene til dyp læring strekker seg lenger tilbake enn LeCuns tid ved Bell Labs. Han og noen få andre som var banebrytende for teknikken gjenopplivet faktisk en lenge død idé innen kunstig intelligens.

Da feltet startet, på 1950-tallet, begynte biologer akkurat å utvikle enkle matematiske teorier om hvordan intelligens og læring oppstår fra signaler som går mellom nevroner i hjernen. Kjerneideen – fortsatt gjeldende i dag – var at koblingene mellom nevroner styrkes hvis disse cellene kommuniserer ofte. Fusilladen av nevral aktivitet utløst av en ny opplevelse justerer hjernens forbindelser slik at den kan forstå det bedre andre gang.

I 1956 brukte psykologen Frank Rosenblatt disse teoriene til å finne opp en måte å lage enkle simuleringer av nevroner i programvare og maskinvare. De New York Times annonserte sitt arbeid med overskriften Elektronisk 'hjerne' lærer seg selv . Rosenblatts perceptron, som han kalte designen sin, kunne lære å sortere enkle bilder i kategorier – for eksempel trekanter og firkanter. Rosenblatt implementerte vanligvis ideene sine på gigantiske maskiner tykt sammenfiltret med ledninger, men de etablerte de grunnleggende prinsippene som fungerer i kunstige nevrale nettverk i dag.

Dyplæring er god til å ta diktering og gjenkjenne bilder. Men kan den mestre menneskelig språk?

En datamaskin han bygde hadde åtte simulerte nevroner, laget av motorer og skiver koblet til 400 lysdetektorer. Hver av nevronene mottok en del av signalene fra lysdetektorene, kombinerte dem, og, avhengig av hva de la opp til, spyttet ut enten en eller a 0 . Sammen utgjorde disse sifrene perceptronens beskrivelse av hva den så. Opprinnelig var resultatene søppel. Men Rosenblatt brukte en metode kalt overvåket læring for å trene en perceptron til å generere resultater som skiller forskjellige former på riktig måte. Han ville vise perceptronen et bilde sammen med det riktige svaret. Deretter ville maskinen justere hvor mye oppmerksomhet hver nevron viet til sine innkommende signaler, og flytte vektene mot innstillinger som ville gi det riktige svaret. Etter mange eksempler ga disse justeringene datamaskinen nok smart til å kategorisere bilder den aldri hadde sett før. Dagens dyplæringsnettverk bruker sofistikerte algoritmer og har millioner av simulerte nevroner, med milliarder av forbindelser mellom dem. Men de trenes på samme måte.

Rosenblatt spådde at perceptrons snart ville være i stand til bragder som å hilse på folk ved navn, og ideen hans ble en bærebjelke i det begynnende feltet for kunstig intelligens. Arbeidet fokuserte på å lage perseptroner med mer komplekse nettverk, ordnet i et hierarki av flere læringslag. Å føre bilder eller andre data suksessivt gjennom lagene vil tillate en perceptron å takle mer komplekse problemer. Dessverre fungerte ikke Rosenblatts læringsalgoritme på flere lag. I 1969 publiserte AI-pioneren Marvin Minsky, som hadde gått på videregående skole med Rosenblatt, en boklengde kritikk av perceptrons som drepte interessen for nevrale nettverk med et slag. Minsky hevdet at å få flere lag til å fungere ikke ville gjøre perseptroner kraftige nok til å være nyttige. Forskere av kunstig intelligens forlot ideen om å lage programvare som lærte. I stedet vendte de seg til å bruke logikk for å lage arbeidsfasetter av intelligens - for eksempel en evne til sjakk. Nevrale nettverk ble skjøvet til kantene av informatikk.

Likevel ble LeCun hypnotisert da han leste om perceptrons som ingeniørstudent i Paris på begynnelsen av 1980-tallet. Jeg ble overrasket over at dette fungerte og lurte på hvorfor folk forlot det, sier han. Han tilbrakte dager på et forskningsbibliotek i nærheten av Versailles, på jakt etter artikler publisert før perceptrons ble utryddet. Så oppdaget han at en liten gruppe forskere i USA i det skjulte arbeidet med nevrale nettverk igjen. Dette var en veldig undergrunnsbevegelse, sier han. I artikler som var nøye renset for ord som nevrale og å lære å unngå avvisning fra anmeldere, jobbet de med noe som ligner på Rosenblatts gamle problem om hvordan man trener nevrale nettverk med flere lag.

LeCun ble med i undergrunnen etter at han møtte dens sentrale skikkelser i 1985, inkludert en skjev brite ved navn Geoff Hinton, som nå jobber ved Google og University of Toronto. De ble umiddelbart venner, gjensidige beundrere – og kjernen i et lite samfunn som gjenopplivet ideen om nevrale nettverk. De ble opprettholdt av en tro på at bruk av en kjernemekanisme sett i naturlig intelligens var den eneste måten å bygge kunstig intelligens på. Den eneste metoden vi visste fungerte var en hjerne, så i det lange løp måtte det være at noe slikt kunne få systemer til å fungere, sier Hinton.

LeCuns suksess ved Bell Labs kom etter at han, Hinton og andre perfeksjonerte en læringsalgoritme for nevrale nettverk med flere lag. Det ble kjent som backpropagation, og det utløste et rush av interesse fra psykologer og datavitere. Men etter at LeCuns sjekkleseprosjekt ble avsluttet, viste det seg at tilbakepropagasjon var vanskelig å tilpasse seg andre problemer, og en ny måte å trene programvare til å sortere data på ble oppfunnet av en Bell Labs-forsker nede i gangen fra LeCun. Det involverte ikke simulerte nevroner og ble sett på som matematisk mer elegant. Veldig raskt ble det en hjørnestein for internettselskaper som Google, Amazon og LinkedIn, som bruker det til å lære opp systemer som blokkerer spam eller foreslår ting du kan kjøpe.

Etter at LeCun kom til NYU i 2003, dannet han, Hinton, og en tredje samarbeidspartner, University of Montreal-professor Yoshua Bengio, det LeCun kaller dyplæringskonspirasjonen. For å bevise at nevrale nettverk ville være nyttige, utviklet de stille måter å gjøre dem større på, trene dem med større datasett og kjøre dem på kraftigere datamaskiner. LeCuns system for håndskriftgjenkjenning hadde fem lag med nevroner, men nå kunne de ha 10 eller mange flere. Rundt 2010 begynte det som nå ble kalt dyp læring å slå etablerte teknikker på oppgaver i den virkelige verden som sortering av bilder. Microsoft, Google og IBM la det til talegjenkjenningssystemer. Men nevrale nettverk var fremdeles fremmede for de fleste forskere og ble ikke ansett som allment nyttige. Tidlig i 2012 skrev LeCun et brennende brev - først publisert anonymt – etter at et papir som hevdet å ha satt ny rekord i en standard visjonsoppgave ble avvist av en ledende konferanse. Han anklaget anmelderne for å være uvitende og negativt partiske.

Alt endret seg seks måneder senere. Hinton og to gradsstudenter brukte et nettverk som det LeCun laget for lesesjekker for å avbryte feltet i den ledende konkurransen om bildegjenkjenning. Kjent som ImageNet Large Scale Visual Recognition Challenge, ber den programvare om å identifisere 1000 typer objekter så forskjellige som myggnett og moskeer. Toronto-oppføringen identifiserte riktig objektet i et bilde innen fem gjetninger omtrent 85 prosent av tiden, mer enn 10 prosentpoeng bedre enn det nest beste systemet. Deep-learning-programvarens innledende lag av nevroner optimaliserte seg selv for å finne enkle ting som kanter og hjørner, med lagene etter det på jakt etter suksessivt mer komplekse funksjoner som grunnleggende former og til slutt hunder eller mennesker.

LeCun husker å ha sett fellesskapet som stort sett hadde ignorert nevrale nettverk pakke seg inn i rommet der vinnerne presenterte en artikkel om resultatene. Du kunne se akkurat der mange eldre i samfunnet bare snudde, sier han. De sa: 'Ok, nå kjøper vi den. Det er det, nå - du vant.'

Akademikere som jobber med datasyn forlot raskt sine gamle metoder, og dyp læring ble plutselig en av hovedstrengene innen kunstig intelligens. Google kjøpte et selskap grunnlagt av Hinton og de to andre bak 2012-resultatet, og Hinton begynte å jobbe der deltid i et forskningsteam kjent som Google Brain. Microsoft og andre selskaper opprettet nye prosjekter for å undersøke dyp læring. I desember 2013 forbløffet Facebook-sjef Mark Zuckerberg akademikere ved å møte opp på den største forskningskonferansen for nevrale nettverk, og var vertskap for en fest der han kunngjorde at LeCun startet FAIR (selv om han fortsatt jobber ved NYU en dag i uken).

LeCun har fortsatt blandede følelser om forskningen fra 2012 som brakte verden rundt til hans synspunkt. Til en viss grad burde dette ha kommet ut av labben min, sier han. Hinton deler den vurderingen. Det var litt uheldig for Yann at det ikke var han som faktisk laget gjennombruddssystemet, sier han. LeCuns gruppe hadde gjort mer arbeid enn noen andre for å bevise teknikkene som ble brukt for å vinne ImageNet-utfordringen. Seieren kunne ha vært hans om studentenes avgangsskjemaer og andre forpliktelser ikke hindret hans egen gruppe fra å ta på ImageNet, sier han. LeCuns jakt på dyp lærings neste gjennombrudd er nå en sjanse til å jevne ut poengsummen.

LeCun på Bell Labs i 1993, med en datamaskin som kunne lese håndskriften på sjekker.

Språklæring

Facebooks kontor i New York ligger en tre-minutters spasertur opp Broadway fra LeCuns kontor på NYU, i to etasjer i en bygning bygget som et varehus på begynnelsen av 1900-tallet. Arbeidere er pakket tettere inn i den åpne planen enn de er ved Facebooks hovedkvarter i Menlo Park, California, men de kan fortsatt sees glide på leddede skateboards forbi oppslag om ukentlig ølpong. Nesten halvparten av LeCuns team av ledende AI-forskere jobber her, med resten på Facebooks campus i California eller et kontor i Paris. Mange av dem prøver å gjøre nevrale nettverk bedre til å forstå språk. Jeg har ansatt alle folk som jobber med dette som jeg kunne, sier LeCun.

Et nevralt nettverk kan lære ord ved å spole gjennom tekst og beregne hvordan hvert ord det møter kunne ha blitt forutsagt fra ordene før eller etter det. Ved å gjøre dette lærer programvaren å representere hvert ord som en vektor som indikerer dets forhold til andre ord – en prosess som uhyggelig fanger begreper i språket. Forskjellen mellom vektorene for konge og dronning er den samme som for mann og kone, for eksempel. Vektorene for papir og papp er tett sammen, og de for store og store er enda tettere.

Den samme tilnærmingen fungerer for hele setninger (Hinton sier at den genererer tankevektorer), og Google ser på å bruke den til å styrke sin automatiske oversettelsestjeneste. En fersk artikkel fra forskere ved et kinesisk universitet og Microsofts laboratorium i Beijing brukte en versjon av vektorteknikken for å lage programvare som slår noen mennesker på IQ-testspørsmål som krever forståelse av synonymer, antonymer og analogier.

LeCuns gruppe jobber med å gå videre. Språk i seg selv er ikke så komplisert, sier han. Det som er komplisert er å ha en dyp forståelse av språket og verden som gir deg sunn fornuft. Det er det vi virkelig er interessert i å bygge inn i maskiner. LeCun betyr sunn fornuft slik Aristoteles brukte begrepet: evnen til å forstå grunnleggende fysisk virkelighet. Han vil at en datamaskin skal forstå at setningen Yann plukket opp flasken og gikk ut av rommet betyr at flasken ble igjen hos ham. Facebooks forskere har oppfunnet et dyplæringssystem kalt et minnenettverk som viser det som kan være de tidlige bevegelsene til sunn fornuft.

Et minnenettverk er et nevralt nettverk med en minnebank boltet på for å lagre fakta det har lært, slik at de ikke blir vasket bort hver gang det tar inn ferske data. Facebook AI-laben har laget versjoner som kan svare på enkle spørsmål om tekst de aldri har sett før. For eksempel, da forskere ga et minnenettverk en veldig forenklet oppsummering av plottet til Ringenes Herre , kan den svare på spørsmål som Hvor er ringen? og hvor var Frodo før undergangsfjellet? Den kunne tolke den enkle verden som er beskrevet i teksten til tross for at den aldri tidligere har møtt mange av navnene eller gjenstandene, for eksempel Frodo eller ring.

Programvaren lærte sin rudimentære sunne fornuft ved å bli vist hvordan man svarer på spørsmål om en enkel tekst der karakterer gjør ting i en rekke rom, slik som Fred flyttet til soverommet og Joe gikk til kjøkkenet. Men LeCun ønsker å eksponere programvaren for tekster som er langt bedre til å fange opp kompleksiteten i livet og tingene en virtuell assistent kan trenge å gjøre. En virtuell concierge kalt Moneypenny som Facebook forventes å frigi kan være en kilde til disse dataene. Assistenten sies å være drevet av et team av menneskelige operatører som vil hjelpe folk med å gjøre ting som å gjøre restaurantreservasjoner. LeCuns team kan ha et minnenettverk over Moneypennys skulder før de til slutt lar det lære ved å samhandle med mennesker selv.

Flere selskaper har åpnet dyplæringslaboratorier. Jeg har ansatt alle folk som jobber med dette som jeg kunne, sier LeCun.

Å bygge noe som kan holde selv en grunnleggende, smalt fokusert samtale krever fortsatt betydelig arbeid. For eksempel har nevrale nettverk bare vist veldig enkle resonnementer, og forskere har ikke funnet ut hvordan de kan læres å lage planer, sier LeCun. Men resultater fra arbeidet som er gjort med teknologien så langt gjør at han er trygg på hvor ting går. Revolusjonen er på vei, sier han.

Noen mennesker er mindre sikre. Programvare for dyplæring har så langt vist bare de enkleste egenskapene som kreves for det vi vil gjenkjenne som samtale, sier Oren Etzioni , administrerende direktør for Allen Institute for Artificial Intelligence i Seattle. Logikken og planleggingsmulighetene som fortsatt trengs, sier han, er svært forskjellige fra de tingene nevrale nettverk har gjort best: å fordøye sekvenser av piksler eller akustiske bølgeformer for å bestemme hvilken bildekategori eller ord de representerer. Problemene med å forstå naturlig språk kan ikke reduseres på samme måte, sier han.

Gary Marcus , en professor i psykologi og nevralvitenskap ved NYU som har studert hvordan mennesker lærer språk og nylig startet et kunstig intelligens-selskap kalt Geometric Intelligence, mener LeCun undervurderer hvor vanskelig det ville være for eksisterende programvare å fange opp språk og sunn fornuft. Å trene programvaren med store mengder nøye kommenterte data er greit for å få den til å sortere bilder. Men Marcus tviler på at det kan tilegne seg de vanskeligere ferdighetene som trengs for språk, der betydningen av ord og komplekse setninger kan snu avhengig av kontekst. Folk vil se tilbake på dyp læring og si at dette er en veldig kraftig teknikk – det er første gang AI ble praktisk, sier han. De vil også si at disse tingene krevde mye data, og det var domener der folk aldri fikk nok. Marcus tror språk kan være et av disse domenene. For at programvare skal mestre samtale, må den lære mer som en pjokk som plukker den opp uten eksplisitt instruksjon, foreslår han.

Dyp tro

Ved Facebooks hovedkvarter i California sitter West Coast-medlemmene av LeCuns team nær Mark Zuckerberg og Mike Schroepfer, selskapets CTO. Facebooks ledere vet at LeCuns gruppe fortsatt er et stykke unna å bygge noe du kan snakke med, men Schroepfer tenker allerede på hvordan den skal brukes. Den fremtidige Facebook han beskriver henter og koordinerer informasjon, som en butler du kommuniserer med ved å skrive eller snakke som du kan med en menneskelig.

Du kan engasjere deg i et system som virkelig kan forstå konsepter og språk på et mye høyere nivå, sier Schroepfer. Han ser for seg å kunne be om at du skal se en venns baby-øyeblikksbilder, men ikke vitsene hans, for eksempel. Jeg tror på kort sikt en versjon av det er veldig realiserbar, sier han. Ettersom LeCuns systemer oppnår bedre resonnement og planleggingsevner, forventer han at samtalen blir mindre ensidig. Facebook kan tilby informasjon som det tror du vil like og spørre hva du synes om det. Til slutt er det som denne superintelligente hjelperen som er koblet til alle informasjonsstrømmene i verden, sier Schroepfer.

Det er ikke klart hvor mye vi vil ha nytte av smartere virtuelle assistenter, men vi trenger kanskje ikke vente lenge for å finne det ut.

Algoritmene som trengs for å drive slike interaksjoner vil også forbedre systemene Facebook bruker for å filtrere innleggene og annonsene vi ser. Og de kan være avgjørende for Facebooks ambisjoner om å bli mye mer enn bare et sted å sosialisere seg. Når Facebook begynner å hoste artikler og videoer på vegne av for eksempel medie- og underholdningsselskaper, vil det trenge bedre måter for folk å administrere informasjon på. Virtuelle assistenter og andre spinouter fra LeCuns arbeid kan også hjelpe Facebooks mer ambisiøse avganger fra sin opprinnelige virksomhet, for eksempel Oculus-gruppen som jobber med å gjøre virtuell virkelighet til en massemarkedsteknologi.

Ingenting av dette vil skje hvis de nylige imponerende resultatene møter skjebnen til tidligere store ideer innen kunstig intelligens. Oppblomstring av spenning rundt nevrale nettverk har allerede visnet to ganger. Men mens man klager over at andre selskaper eller forskere overhyper arbeidet sitt, er det en av LeCuns favoritt tidsfordriv , sier han at det er nok omstendigheter til å stå fast bak sine egne spådommer om at dyp læring vil gi imponerende resultater. Teknologien gir fortsatt mer nøyaktighet og kraft på alle områder av AI der den har blitt brukt, sier han. Det trengs nye ideer om hvordan man kan bruke det til språkbehandling, men det fortsatt lille feltet utvides raskt ettersom bedrifter og universiteter dedikerer flere mennesker til det. Det vil akselerere fremgangen, sier LeCun.

Det er fortsatt ikke klart at dyp læring kan levere noe som den informasjonen som butler Facebook ser for seg. Og selv om det kan, er det vanskelig å si hvor mye verden virkelig ville ha nytte av det. Men vi trenger kanskje ikke vente lenge for å finne ut. LeCun tipper at virtuelle hjelpere med en språkmestring uten sidestykke for programvare vil være tilgjengelig om bare to til fem år. Han forventer at alle som tviler på dyplæringens evne til å mestre språk vil bli bevist feil enda tidligere. Det er det samme fenomenet som vi observerte like før 2012, sier han. Ting begynner å fungere, men de som gjør mer klassiske teknikker er ikke overbevist. Innen et år eller to er det slutt.

gjemme seg