Masinad, Mis üksteist õpetavad, Võivad Olla Tehisintellekti Jaoks Määrava Tähtsusega - Alternatiivne Vaade

Masinad, Mis üksteist õpetavad, Võivad Olla Tehisintellekti Jaoks Määrava Tähtsusega - Alternatiivne Vaade
Masinad, Mis üksteist õpetavad, Võivad Olla Tehisintellekti Jaoks Määrava Tähtsusega - Alternatiivne Vaade

Video: Masinad, Mis üksteist õpetavad, Võivad Olla Tehisintellekti Jaoks Määrava Tähtsusega - Alternatiivne Vaade

Video: Masinad, Mis üksteist õpetavad, Võivad Olla Tehisintellekti Jaoks Määrava Tähtsusega - Alternatiivne Vaade
Video: Hardo Pajula intervjuu Rupert Sheldrake'iga (9.12.19) 2024, Mai
Anonim

Tesla Model S autopiloodi funktsioonist 2015. aasta oktoobris teatavaks tegemise pressikonverentsi ajal ütles Tesla tegevjuht Elon Musk, et igast juhist saab iga Model S jaoks “asjatundlik treener”. Iga sõiduk saab oma autonoomsusfunktsioone täiustada. juhilt õppimine, kuid mis veelgi olulisem, kui üks Tesla õpib oma juhilt, siis jagatakse neid teadmisi ülejäänud Tesla sõidukite vahel.

Üsna pea märkasid Model S omanikud, et sõiduki isesõitmise funktsioonid on järk-järgult paranemas. Ühes näites tegid Teslad kiirteedel varaseid varaseid väljumisi, sundides omanikke sõidukit käsitsi õigel teel juhtima. Mõne nädala pärast märkisid omanikud, et autod ei tee enam enneaegset väljapääsu.

"On hämmastav, et parendus toimus nii kiiresti," ütles üks Tesla omanik.

Intelligentsed süsteemid, näiteks need, mida toidab uusim masinõppe tarkvara, ei saa lihtsalt targemaks: nad muutuvad nutikamaks üha kiiremini. Nende süsteemide arengu kiiruse mõistmine võib olla tehnoloogia arengu juhtimisel eriti keeruline.

Ray Kurzweil on põhjalikult kirjutanud lünkadest inimeste mõistmises, kirjeldades niinimetatud "intuitiivset lineaarset" vaadet tehnoloogilistele muutustele ja muutuste "eksponentsiaalset" määra, mis praegu toimub. Ligi kaks aastakümmet pärast olulise essee kirjutamist nimetas ta kiirendava tagasipöördumise seadust - evolutsiooniliste muutuste teooria, mis kirjeldab, kuidas süsteemide täiustamise kiirus aja jooksul muutub. Seotud seadmed hakkasid omavahel teadmisi jagama, kiirendades nende enda täiustamist.

"Ma arvan, et see on ilmselt AI suurim eksponentsiaalne trend," ütleb Columbia ülikooli masinaehituse ja arvutiteaduse professor Hod Lipson.

"Kõigil eksponentsiaalsetel tehnoloogiatel on suundumuste jaoks erinevad" eksponendid ", lisab ta. "Kuid see on ilmselt suurim." Tema arvates on see "masinõpe" - kui seadmed edastavad teadmisi üksteisele (mitte segi ajada masinõppega) - oluline samm selliste süsteemide täiustamise kiirendamise suunas.

“Mõnikord on see koostöö, näiteks kui üks masin õpib teiselt, justkui oleks neil sülemiteadvus. Mõnikord on see hüpe, näiteks võidurelvastumine kahe süsteemi vahel, kes mängivad üksteisega malet."

Reklaamvideo:

Lipson usub, et see AI arengutee on võimas, osaliselt seetõttu, et see eemaldab vajaduse koolitusandmete järele.

„Andmed on masinõppe kütus, kuid isegi masinate jaoks on raske andmeid hankida - see võib olla riskantne, aeglane, kallis või kättesaamatu. Sellistel juhtudel saavad masinad jagada oma kogemusi või luua üksteisele sünteetilisi kogemusi, et andmeid täiendada või asendada. Selgub, et see pole nii nõrk efekt - see on sisuliselt ise tugevdamine ja eksponentsiaalne."

Lipson tsiteerib DeepMindi hiljutist läbimurret AlphaGo Zero näitliku koolitusalase AI-na ilma treenimisandmeteta. Paljud tunnevad AlphaGot, masinõppega AI-d, mis sai maailma parimaks Go-mängijaks, uurides tohutul hulgal andmeid miljonite mängude kohta, mida Go mängis. AlphaGo Zero suutis isegi treenimisandmeid vaatamata teda lüüa, õppides lihtsalt mängureegleid ja mängides iseendaga. Seejärel peksis ta pärast kõigest kaheksa tundi kestnud harjutamist maailma parimat maletarkvara.

Kujutage ette, et tuhanded neist AlphaGo nullidest jagavad kohe omandatud teadmisi.

Ja need pole ainult mänguasjad. Juba praegu näeme kiiruse võimsat mõju, millega ettevõtted saavad oma seadmete jõudlust parandada. Üks näide on tööstuslik digitaalne kaksikutehnoloogia - masina tarkvaramudel, mis simuleerib seadmetega toimuvat. Kujutage ette masinat, mis vaatab enda sisse ja näitab oma pilti tehnikutele.

Näiteks digitaalne kahekordne auruturbiin võib mõõta auru temperatuuri, rootori kiirust, külmkäivitusi ja muid andmeid tõrgete ennustamiseks ning tehnikutele hoiatada, et vältida kulukaid remonditöid. Digitaalsed kaksikud teevad neid ennustusi, uurides nende enda jõudlust, ja toetuvad ka teiste auruturbiinide väljatöötatud mudelitele.

Kui masinad hakkavad oma keskkonnas uusi võimekaid võimalusi õppima, kiireneb nende arendamine andmevahetuse kaudu. Iga planeedil hajutatud auruturbiini kollektiivne intelligentsus võib kiirendada iga üksiku masina ennustusjõudu. Seal, kus on üks autojuht, on ka sadu teisi juhte, kes õpetavad oma autosid kõigile teadmisi jagama.

Ärge unustage, et see on alles algus.

Ilja Khel

Soovitatav: