Comments 63
А как же автоматическая сортировка фоточек в Google Photos?
Но с другой стороны — чтоб разобрать и рассортировать кучу данных, креативные способности не нужны и текущий ии очень даже не плохо справляется.
Ему далеко до возможностей мозга, но и в текущем, «тупом» виде, он не плохо облегчает жизнь и привноси те возможности, которые раньше были недоступны.
Да, этикетка не в полной мере соотвествует содержимому, но само содержимое уже не плохо.
Вот именно. Стоит назвать "это" как-то по-другому. Например, канонически. Системы машинноного или глубокого обучения. Можно как-то с вариациями.
Но вот где там углядели ИИ — не понимаю.
В общем, проводить границу между обучением и «обучением» будет всё сложнее, конечно, если она (граница) не основана на позиции «это просто статистические методы», а не «такой-то статистический метод не позволяет сделать то-то, ищем как это сделать».
DeepMind рекламировала свои технологии и руководство, культивируя технологическую загадочность, однако вся демонстрация её работы сводилась к игрушкам с простейшими вычислимыми правилами.
Это он про игру Го? Ну, пусть сам попробует бота написать. Если подсушить, от статьи останется «не получится, потому что раньше не получилось».
В статье приведено абсолютно корректное утверждение относительно Го и DeepMind. Попытка контаргументировать это через «сперва добейся» — выглядит убого.
Потому и нужны алгоритмы, в том числе ИИ, чтобы играть «умно».
С этим никто и не спорил, не?
Человеческий разум это очень простая легко вычисляемая система. Всего лишь жалкие 100 миллиардов нейронов соединённых между собой по ряду правил записанных в ДНК.
С этим никто и не спорил, не?
Мне показалось, что Вы спорили. Вы сказали, что "проблема лишь в количестве возможных вариантов игры", будто их можно перебрать «в лоб» и ИИ тут не впёрся. Возможно, я Вас не так понял, извините.
Решили задачу быстрого перебора, сделали на этой основе алгоритм, играющий в Go. Научились распознавать картинки (хотя и не без проблем, и не совсем так, как делает человек). Прелестно (без всякой иронии).
Может этот алгоритм нам что-то рассказать о том, как играть в другую игру? О том, как управлять автомобилем, как переводить с языка на язык? Или между этими разными применениями ИИ нет ничего общего, и достижения в решении одной задачи ничего ровным счетом не дают для решения другой?
Насколько я понимаю автора, он как раз и говорит, что ни о каком реальном самообучении на сегодня речи не идет. Если кто и обучается в процессе — так это люди.
Может этот алгоритм нам что-то рассказать о том, как играть в другую игру?
Он может научиться играть в другую игру. AlphaZero достиг свехчеловеского уровня в го, шахматах (в них обошёл и StockFish, работающую на основе оттюненых рукописных эвристик и быстрого перебора. AlphaZero, кстати, может неплохо играть и без перебора) и сёги. Рассказать как играть этот алгоритм пока не может, впрочем так же как и люди не могут точно описать как именно они принимают решения в процессе игры.
Или между этими разными применениями ИИ нет ничего общего, и достижения в решении одной задачи ничего ровным счетом не дают для решения другой?
Алгоритмы deep learning были относительно успешно применены в вождении машин (но там свои заморочки), успешно (state of the art) применяются в машинных переводах, разпознавании речи, reinforcement learning, относительно успешно в управлении движениями роботов.
Если кто и обучается в процессе — так это люди.
Люди обучаются строить архитектуры сетей, подходящие для обучения определенным задачам. Если говорить, что нейросети ничему не обучаются, то можно сказать, что и люди ничему не обучаются. Архитектура сети у нас в черепе была создана эволюцией, а не нами самими. То есть это эволюция обучается в процессе, а не мы.
Само по себе это дает нам немного. Насколько быстрее AlphaZero научился второй игре, и третьей? Были ли при этом использованы результаты обучения — или это было каждый раз обучение с нуля (в том что опыт разработчиков вырос, я не сомневаюсь)?
>Рассказать как играть этот алгоритм пока не может, впрочем так же как люди.
Вовсе не так же. Люди, научившись решать определенную задачу, могут рассказать о ней многое, хотя вероятно не все. О стратегии тех же шахмат написано множество книг. И эти книги позволяют другим людям учиться намного быстрее. И насколько я понимаю (и в этом я с автором статьи согласен), вот о таких результатах обучения пока речи не идет вовсе.
>люди ничему не обучаются
Ну это очевидно перебор. И те и другие обучаются, но люди обучаются _не так_, как сегодняшние нейросети.
Или между этими разными применениями ИИ нет ничего общего, и достижения в решении одной задачи ничего ровным счетом не дают для решения другой?
Т.е. мастера Го должны уметь переводить с любого языка на любой?
не строит новые стратегии.
В случае Го и шахмат — как раз строит. А в случае управления автомобилем 99% людей тоже не строят новые стратегии. Ну и что? Откуда такое требование к ИИ вообще взялось?
В документальном фильме ВВС «Радость ИИ» профессор Джим Аль-Халили и основатель DeepMind Демис Хассабис описывают, как ИИ-система «сделала настоящее открытие», «способна реально породить новую идею» и разработала «стратегии, придуманные самостоятельно».
Математическое "раз конечное, значит можно перебрать" совершенно не означает, что перебрать на самом деле можно (в нашем настоящем мире). Количество паролей тоже конечное.
Игру го изначально выбрали потому, что эту игру считали не разрешимой для ПК в обозримой перспективе. Но стоило компьютеру разгромно победить, как внезапно оказывается, что игра простая и ни о каком ИИ тут речи быть не может...
Мне за пятьдесят. Из них более 30 лет интересуюсь ИТ. И все равно скажу, что последние 10 лет это реально взрывной рост достижений в области искусственного интеллекта.
Блин, уже достало что к ИИ теперь относят и fuzzy logic а-ля стиралка-автомат И даже наивный байес!
Как я писал выше, даже бумажные тесты это слабый ИИ по текущим определениям. Нужно менять определения, придумывать новые термины и тд. Если хотите разграничить и отделить.
Любое устройство, способное выполнять любую умственную работу по определению ИИ. Тем самым определить качества человека это умственная работа, а значит тест ИИ. Инструкция тоже ИИ если позволяет вам переложить свои размышления на решение другой системы. Т.е вы выбрали идти на лево или на право по инструкции, то вот он ИИ.
Так же можно использовать определение из Вики, но по нему Скайнет не ИИ, так как ИИ это вообще научная дисциплина.
Если любой ИИ будет пытаться преследовать не заложенные создателем цели то его уничтожат. Как уничтожают и людей которые преследуют цели запрещённые в обществе.
ИИ может быть достаточно умным, чтобы не проявлять своих целей до того как их достижение не станет реальным. Ну и людей чаще наказывают, чем уничтожают, и обычно не за цели, а за действия. А некоторые успешно избегают наказания разными способами, в том числе узурпацией власти.
Подход интересный, но с точки зрения бизнеса наверно не сильно перспективный. Поскольку получаемое решение приспосабливается к особенностям конкретного девайса, при поломке вы рискуете потерять все свои вложения в его обучение. Возможность бекапа сомнительна, на другом девайсе решение скорее всего не запустится или будет работать неэффективно.
Происходящий всплеск эффективности ИИ, МО и т.н. «глубинного обучения» (ГО) по большей части основан на применении этой техники обратного распространения.
Не совсем так. Всплекс эффективности произошёл за счёт комбинации следующих факторов:
Разработка эффективных численных методов минимизации нелинейного функционала ошибки. Изначально высокая потребность в этих методах была со стороны теории разреженных представлений, что и стало стимулом к развитию этих методов. А уже затем эти методы были использованы и для нейросетей.
Снижение числа параметров нейросети. Проблемой нейросетей было огромное количество параметров, оптимизировать которые не было никакой возможности. Когда вместо полносвязных слоёв стали использовать свёрточные, число параметров упало на порядки, и выросла производительность. А значит, появилась возможность эффективно эти нейросети обучать.
Научные статьи про свёрточные нейросети были ещё и в 90-е годы, но без эффективных алгоритмов оптимизации они были бесполезны.
Разработка эффективных численных методов минимизации нелинейного функционала ошибки. Изначально высокая потребность в этих методах была со стороны теории разреженных представлений, что и стало стимулом к развитию этих методов. А уже затем эти методы были использованы и для нейросетей.
Эм, а что там такого открыли в оптимизациях что это дало толчок? SGD вроде существует относительно давно. Всякие Adam вроде дают прирост, а вроде и нет.
Снижение числа параметров нейросети. Проблемой нейросетей было огромное количество параметров, оптимизировать которые не было никакой возможности. Когда вместо полносвязных слоёв стали использовать свёрточные, число параметров упало на порядки, и выросла производительность. А значит, появилась возможность эффективно эти нейросети обучать.
Опять же, достаточно спорно. Если посмотреть на количество параметров в
современных CNN оно достаточно сильно колеблется — github.com/albanie/convnet-burden. Например для alexnet param mem=233 MB, а для VGG, который в большей степени «сверточный», param mem колеблется от 232 до 548 MB.
Если не ошибаюсь, то само вычисление свертки/бэкпропа через нее дороже чем работа с линейным слоем
Более того, как это не парадоксально, иногда сети с большим числом параметров проще обучать чем сети с маленьким числом параметров.
Все это напоминает сюжет какой-нибудь трешовой передачи про "уникальные советские разработки", когда сидит какой-то ноунейм-академик и рассказвыает, как он там в НИИ еще 40 лет назад делал то, что американцы до сих пор повторить не могут. Только он так и остается никому не нужным ноунеймом, а люди делают крутые штуки при помощи своих "примитивных" технологий.
Так и тут тоже самое: объективно современный "ИИ" позволяет получать крутые результаты, которые еще лет 10 назад считались фантастическими. И черт с ним, что это не настоящии ИИ, но он позволяет решать реальные задачи, в то время как философско-диванная демагогия вообще ничего, кроме информационного шума не производит.
Вот сейчас есть актуальная проблема — это интерпретация современных нейронных сетей. Много задач смогли решить с неплохим качеством при помощи DNN, но никто толком объяснить не может, что там внутри у этой сети происходит и как именно она дошла до таких результатов. И вот было бы неплохо инвестировать усилия в эту область: понять как сети работают, формально и строго объяснить как именно они доходят до таких результатов, доказать, что это не ИИ и это бы принесло пользу. Но ведь гораздо проще с позиции Д'Артаньяна разводить демагогию про "что есть интеллект и что есть душа", про тесты тьюринга и прочие мысленные эксперименты, чем заниматься какой-то реальной деятельностью...
В одном он прав, что эта область неимоверно перехайплена, и это создает проблемы.
Сегодняшние системы ИИ тренируются на основе огромного количества автоматизированных проб и ошибок; на каждом этапе для передачи информации об ошибках и подстройки системы с целью уменьшения количества ошибок в будущем используется техника обратного распространения – и это постепенно улучшает эффективность ИИ в выполнении определённой задачи, такой, как игра в шахматы.
«Возрождение ИИ» – не более, чем дорогое железо и реклама, брошенные на реализацию старой идеи