Mennesker plus maskiner vil overgå mulighederne for begge elementer alene. metamorworks/Shutterstock.com

Fremtiden skabes ikke af hverken mennesker eller maskiner alene - men af ​​begge, der arbejder sammen. Teknologier modelleret af, hvordan menneskelige hjerner fungerer, øger allerede folks evner og vil kun blive mere indflydelsesrige, når samfundet vænner sig til disse stadig mere dygtige maskiner.

Teknologioptimister har forestillet sig en verden med stigende menneskelig produktivitet og livskvalitet efterhånden som kunstige intelligenssystemer overtager livets slid og administration, til gavn for alle. Pessimister har på den anden side advaret om, at disse fremskridt kunne komme kl store omkostninger i tabte job og forstyrrede liv. Og frygtmangere bekymrer sig om, at kunstig intelligens i sidste ende kan være gøre mennesker forældede.

Folk er dog ikke særlig gode til at forestille sig fremtiden. Hverken utopi eller dommedag er sandsynlig. I min nye bog, "Den dybe læringsrevolution,” mit mål var at forklare fortiden, nutiden og fremtiden for dette hastigt voksende område af videnskab og teknologi. Min konklusion er, at AI vil gøre dig klogere, men på måder, der vil overraske dig.

Genkende mønstre

Deep learning er den del af AI, der har gjort størst fremskridt inden for løse komplekse problemer som at identificere objekter i billeder, genkende tale fra flere højttalere og behandle tekst, som folk taler eller skriver det. Dyb læring har også vist sig nyttig til at identificere mønstre i de stadig større datasæt, der genereres fra sensorer, medicinsk udstyr og videnskabelige instrumenter.

Målet med denne tilgang er at finde måder, hvorpå en computer kan repræsentere verdens kompleksitet og generalisere ud fra tidligere erfaringer – også selvom det, der sker derefter, ikke er nøjagtigt det samme som det, der skete før. Ligesom en person kan identificere, at et bestemt dyr, hun aldrig har set før, i virkeligheden er en kat, deep learning algoritmer kan identificere aspekter af, hvad der kan kaldes "katte-hed" og udtrække disse egenskaber fra nye billeder af katte.

Deep learning-systemer kan fortælle, hvilken af ​​disse er en kat. Gelpi/Shutterstock.com

Metoderne til deep learning er baseret på samme principper, som driver den menneskelige hjerne. For eksempel håndterer hjernen masser af data af forskellig art i mange behandlingsenheder på samme tid. Neuroner har mange forbindelser til hinanden, og disse links styrkes eller svækkes afhængigt af hvor meget de bruges, etablering af associationer mellem sensoriske input og konceptuelle output.

mest succesfulde deep learning netværk er baseret på 1960'ernes forskning i arkitekturen af ​​den visuelle cortex, en del af hjernen, som vi bruger til at se, og indlæringsalgoritmer, der blev opfundet i 1980'erne. Dengang var computere endnu ikke hurtige nok til at løse problemer i den virkelige verden. Men nu er de det.

Derudover er læringsnetværk blevet lagt oven på hinanden, hvilket skaber netværk af forbindelser tættere ligner hierarkiet af lag fundet i visuelle cortex. Dette er en del af en konvergens foregår mellem kunstig og biologisk intelligens.

Et fire-lags neuralt netværk accepterer input fra venstre, sender output fra det første lag til det næste lag, til det næste og det næste - før det leverer output. Sin314/Shutterstock.com

Dyb læring i det virkelige liv

Dyb læring bidrager allerede til menneskelige evner. Hvis du bruger Google-tjenester til at søge på nettet eller bruger dets apps til at oversætte fra et sprog til et andet eller omdanne tale til tekst, har teknologien gjort dig klogere eller mere effektiv. For nylig på en rejse til Kina talte en ven engelsk ind i sin Android-telefon, som oversatte det til talt kinesisk for en taxachauffør – ligesom universel oversætter på "Star Trek".

En test af en faktisk realtidsoversættelsesenhed.

{youtube}Nu-nlQqFCKg{/youtube}

Disse og mange andre systemer er allerede på arbejde og hjælper dig i dit daglige liv, selvom du ikke er klar over dem. For eksempel begynder dyb læring at overtage aflæsning af røntgenbilleder og fotografier af hudlæsioner til påvisning af kræft. Din lokale læge vil snart være i stand til at opdage problemer, som kun er tydelige i dag for de bedste eksperter.

Selv når du ved, at der er en maskine involveret, forstår du måske ikke kompleksiteten af, hvad de rent faktisk laver: Bag Amazons Alexa er en række af deep learning netværk, der genkender din anmodning, gennemse data for at besvare dine spørgsmål og foretage handlinger på dine vegne.

Fremme læring

Dyb læring har været yderst effektiv til at løse mønstergenkendelsesproblemer, men at gå ud over dette kræver andre hjernesystemer. Når et dyr bliver belønnet for en handling, er det det mere tilbøjelige til at tage lignende handlinger i fremtiden. Dopaminneuroner i hjernens basalganglier rapporterer forskellen mellem forventet og modtaget belønning, kaldet belønningsforudsigelsesfejl, som bruges til at ændre styrkerne af forbindelser i hjernen, der forudsiger fremtidige belønninger.

Kobling af denne tilgang, kaldet forstærkende læring, med dyb læring kan give computere magten til at identificere uventede muligheder. Ved at genkende et mønster og derefter reagere på det på en måde, der giver belønninger, kan maskiner nærme sig adfærd på linje med det, der kan kaldes menneskelig kreativitet. Denne koblede tilgang er, hvordan DeepMind udviklede en program kaldet AlphaGo, som i 2016 besejrede stormester Lee Sedol og det følgende år slog verdensmesteren i Go, Ke Jie.

Spil er ikke så rodet som den virkelige verden, der er fyldt med skiftende usikkerheder. Massimo Vergassola ved University of California, San Diego, og jeg brugte for nylig forstærkningslæring til at undervise en svæveflyver i felten hvordan man svæver som en fugl i turbulent termik. Sensorer kan fastgøres til faktiske fugle for at teste, om de bruger de samme signaler og reagerer på samme måde.

På trods af disse succeser forstår forskerne endnu ikke helt, hvordan dyb læring løser disse problemer. Vi ved selvfølgelig heller ikke, hvordan hjernen løser dem.

Selvom hjernens indre funktion kan forblive uhåndgribelig, er det kun et spørgsmål om tid, før forskere udvikler en teori om dyb læring. Forskellen er, at når de studerer computere, har forskere adgang til alle forbindelser og aktivitetsmønstre i netværket. Fremskridtstempoet er hurtigt, med forskningsartikler, der udkommer dagligt arXiv. Overraskende fremskridt forventes ivrigt i december på Konference om neurale informationsbehandlingssystemer i Montreal, som udsolgt 8,000 billetter på 11 minutter, hvilket efterlader 9,000 håbefulde registranter på ventelisten.

Der er lang vej igen, før computere opnår generel menneskelig intelligens. Det største deep learning-netværk i dag har kun kraften fra et stykke menneskelig neural cortex på størrelse med et riskorn. Og vi ved endnu ikke, hvordan hjernen dynamisk organiserer interaktioner mellem større hjerneområder.

Naturen har allerede det niveau af integration, der skaber store hjernesystemer, der er i stand til at betjene alle aspekter af den menneskelige krop, mens de overvejer dybe spørgsmål og udfører komplekse opgaver. I sidste ende kan autonome systemer blive lige så komplekse og slutte sig til de utallige levende væsner på vores planet.

Om forfatteren

Terrence Sejnowski, Francis Crick-professor og direktør for Computational Neurobiology Laboratory ved Salk Institute for Biological Studies, og fremtrædende professor i neurobiologi, University of California San Diego

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs oprindelige artikel.

Relaterede bøger

at InnerSelf Market og Amazon