Suurim õppetund, mis on saadud 70 aastat AI uurimistööst, on see, et üldised arvutamist kasutavad meetodid on lõppkokkuvõttes kõige tõhusamad - ja seda suure varuga. Selle lõplik põhjus on Moore'i seadus. Või õigemini, selle üldistamine: töötlemisprotsesside kulude jätkuv, eksponentsiaalne vähenemine. Seda "kibedat õppetundi" jagas Kanada arvutiteadlane Richard Sutton. Edasi - esimesest inimesest.
Miks on tehisintellekti uuringud seisnud 70 aastat?
Enamik tehisintellekti uuringuid on läbi viidud nii, nagu oleks agendile kättesaadavad arvutused püsivad (ja sel juhul oleks inimese teadmiste kasutamine ainus jõudluse parandamise viis). Kuid aja jooksul - paratamatult rohkem kui tüüpiline uurimisprojekt vajab - muutub paratamatult kättesaadavaks palju rohkem arvutusi. Otsides parandusi, mis võivad lühiajaliselt abiks olla, üritavad teadlased maksimeerida inimeste teadmisi selles valdkonnas, kuid pikas perspektiivis on oluline ainult arvutusteabe üha suurem kasutamine. Need kaks aspekti ei tohiks olla üksteisega vastuolus, kuid praktikas nad seda teevad. Ühele neist kulutatud aeg ei võrdu teise jaoks kulutatud ajaga. Ühte või teise lähenemisviisi investeerimiseks on psühholoogilised kohustused. Ja inimeste teadmiste lähenemisviis kipub meetodeid keerukamaks muutma nii, et need muutuvad vähem sobivaks arvutamist kasutavate üldiste meetodite eeliseks.
On olnud palju näiteid, kuidas AI teadlased mõistsid seda kibedat õppetundi hilinenult. Õpetlik on kaaluda mõnda silmatorkavamat näidet.
Arvutimales põhinesid 1997. aastal maailmameistrit Kasparovit alistanud meetodid massilisel, sügaval otsingul. Sel ajal vaatas neid enamus arvutimale uurijaid, kes kasutasid meetodeid, mis põhinesid inimese arusaamisel male konkreetsest ülesehitusest. Kui lihtsam, otsingupõhine lähenemisviis spetsialiseeritud riist- ja tarkvaraga osutus palju tõhusamaks, ei tunnistanud male teadmistele tuginevad teadlased lüüasaamist. Nad ütlesid: „Seekord võitis julma jõu lähenemine, kuid see ei muutu üldiseks strateegiaks ja kindlasti ei mängi inimesed sedasi malet. Need teadlased soovisid võita inimpõhiseid meetodeid ja olid väga pettunud, kui nad seda ei teinud.
Reklaamvideo:
Sarnane pilt uurimistöö edusammudest oli ka arvutikasutuses, ainult hilinemisega veel 20 aastat. Algselt tehti suuri jõupingutusi inimeste teadmiste või mängude abil otsimise vältimiseks, kuid kõik need jõupingutused olid ebavajalikud või veelgi hullemad, kui otsingut rakendati tõhusalt ja suures mahus. Väärtusfunktsiooni õppimiseks oli oluline kasutada ka iseseisva mängu protsessis õppimist (nagu paljudes teistes mängudes ja isegi males, ei mänginud 1997. aastal programmis suurt rolli ainult õppimine, mis edestas esimest korda maailmameistrit). Endaga mängimise õppimine, õppimine tervikuna on nagu otsimine, mis võimaldab rakendada tohutuid arvutusmassiive. Otsing ja õppimine on kaks kõige tähtsamat tehniklassi, mis hõlmavad AI uurimisel tohutult palju arvutusi. Arvutis minemaNagu arvutimales, olid teadlaste esialgsed jõupingutused suunatud inimliku mõistmise kasutamisele (nii et otsinguid oleks vähem) ning palju suuremat edu saavutati alles otsingu ja õppimise abil.
Kõnetuvastuse valdkonnas korraldati 1970-ndatel DARPA toetatud võistlus. Osalejad tutvustasid erinevaid meetodeid, mis kasutasid ära inimeste teadmisi - sõnade või foneemide tundmine, inimese hääletrakt jne. Teisel pool barrikaade leidus varjatud Markovi mudelitel (HMM) põhinevaid uuemaid, statistilist laadi meetodeid ja arvutamist. Statistilised meetodid võitsid jällegi teadmistepõhiste meetodite üle. See tõi kaasa suured muutused loomulikus keele töötlemises, mis viidi aastakümnete jooksul järk-järgult sisse, kuni lõpuks hakkasid valdkonnas domineerima statistika ja arvutamine. Kõnetuvastuse süvaõppe hiljutine tõus on viimane järjepidev samm selles järjepidevas suunas. Sügav õppimine tugineb veelgi vähem inimeste teadmistele ja kasutab veelgi suuremat arvutamist koos tohutute proovikomplektide koolitamisega ning loob hämmastavaid kõnetuvastussüsteeme.
Kanada arvutiteadlane Richard Sutton.
Nagu mängudes, on teadlased alati püüdnud luua süsteeme, mis töötaksid nii, nagu nad oma peas ette kujutasid - nad üritasid neid teadmisi oma süsteemidesse panna - kuid see kõik tuli välja äärmiselt ebaproduktiivselt - teadlased raiskasid lihtsalt aega - Moore'i seaduse tõttu - üha ulatuslikumad arvutused said kättesaadavaks ja leidsid suurepäraseid rakendusi.
Sarnane pilt oli ka arvuti nägemise valdkonnas. Esimesi meetodeid peeti teatud kontuuride, üldistatud silindrite otsimiseks või SIFT-i võimaluste kasutamiseks (funktsioonide skaalavariandi muutmine). Kuid täna visati see kõik ahju. Kaasaegsed süvaõppega närvivõrgud kasutavad ainult konvolutsiooni ja teatud invariantide mõistet ning toimivad palju paremini.
See on suurepärane õppetund.
Ükskõik kuhu vaatame, teeme igal pool samu vigu. Selle nägemiseks ja sellega tõhusaks toimetulemiseks peate mõistma, miks need vead on nii atraktiivsed. Peame õppima kibeda õppetunni, mille järgi mõtlemine ehitatakse sellest, mis meie arvates pikemas perspektiivis ei toimi. Ajaloolistel vaatlustel põhinev kibe õppetund näitab, et: 1) AI uurijad on sageli proovinud teadmisi oma agentidesse sisse ehitada; 2) see aitas lühiajaliselt alati kaasa ja tõi teadlastele rahulolu; 3) kuid pikas perspektiivis kõik takerdus ja takistas edasist arengut; 4) häiriv edasiminek tuli paratamatult vastupidise lähenemisega, mis põhines arvutamise skaleerimisel otsingu ja õppimise kaudu. Edu oli mõru maitsega ja sageli polnud see täielikult imendunud.kuna see on arvuti edu, mitte inimkeskse lähenemise edu.
Üks asi sellest kibedast õppetunnist on üldotstarbeliste meetodite tohutu jõud - meetodid, mis jätkavad arvutamise kasvuga ka siis, kui olemasolev arvutus muutub väga suureks. Kaks meetodit, mis näivad olevat suvaliselt skaleeritavad, on otsing ja õppimine.
Teine asi, mida sellest kibedast õppetunnist õppida tuleb, on see, et mõistuse tegelik sisu on äärmiselt ja asjatult keeruline; peaksime lõpetama püüe leida lihtsaid viise mõistuse sisu mõistmiseks, sarnaselt lihtsate viisidega ruumi, objektide, mitmete ainete või sümmeetriate mõistmiseks. Nad kõik on osa suvaliselt keerulisest välismaailmast. Me ei peaks püüdma neile tugineda, sest nende keerukus on lõpmatu; peaksime tuginema metameetoditele, mis suudavad selle suvalise keerukuse leida ja haarata. Need meetodid võivad leida häid lähendusi, kuid nende otsimine peaks toimuma meie, mitte meie meetodite abil. Vajame AI agente, kes suudavad avastada samamoodi nagu meie ise, ega sisalda seda, mida oleme avastanud. Meie avastustele tuginemine raskendab avastamis- ja otsimisprotsessi ainult.
Ilja Khel
