AlphaGo "emekli oluyor", ancak DeepMind durmadı
Genel olarak konuşursak, bir şirket başka türlü başarılı bir ürün piyasaya sürdükten sonra, CEO yüksek sesli bir şekilde "bu sadece başlangıç" diyecektir. Herkes bunun temelde bir klişe olduğunu biliyor.
Ancak AlphaGo'nun yıllık yapay zeka etiketini geliştiren DeepMind, biraz samimi görünüyor. AlphaGo'nun Ke Jie'yi kazandıktan sonra DeepMind'ın iyi dinlenmesi, finanse etmesi ve insanları işe alması ve bir süre sonra büyük bir hamleyi geri çekmesi mantıklıdır - Li Shijia'yı kazandıktan sonra tam olarak bunu yaptılar.
Ancak, DeepMind gibi tuhaf bir mizaca sahip bir şirket, açıkça rutini tahmin etmenize izin veremez. CEO'su AlphaGo'dan emekli olduğunda, "bu sadece başlangıç" dedi ve sonra dürüstçe başladı.
AlphaGo'nun Mayıs sonunda emekli olmasının üzerinden tam olarak iki ay geçti. Bu iki ayda, DeepMind rekor sayıda makale yayınladı, yeni teknolojileri açıkladı ve AI'nın geleceğini tartıştı. Neredeyse her beş günde bir yeni bir makale yayınlanacak. Ve yapay zekanın birçok anahtar alanını ve boş alanlarını içeren çok sayıda kuru ürün var.
Beyin kutuplu vücut arkadaşları acı verici (gerçekten çok acı veren) bir öğrenme süreci yaşadıktan sonra, çoğu AI takipçisinin bu içeriği inmeden okumasının neredeyse imkansız olduğu sonucuna vardılar. Bu nedenle, DeepMind'ın son iki ayda yaptıklarını özetlemek ve bunları nispeten kolay anlaşılır bir şekilde birbirine bağlamak için bu makaleyi kullanmayı umuyoruz.
Elbette, daha da önemlisi, DeepMind'ın birçok alanı içeren makalelerin arkasında bazı ilgi ve temel hedefleri olduğunu fark ettik. Bu biraz Go'daki düzene benziyor.Her parça bağımsızdır, ancak birlikte bir oyundur.
Çoğu tahta oyunu bir tür planlamadır, tüm bilgiler halka açıktır ve hesaplamalar daha derin bir yerde gizlidir. DeepMind'ın bugün yaptığı şey biraz böyle görünüyor.
Karmaşık ortam işleme: Yapay zeka kağıttan ilk adımı atıyor
Herhangi bir teknolojinin amacı vardır. Hedef farkına göre, DeepMind tarafından yakın zamanda duyurulan yeni teknoloji iki türe ayrılabilir (tabii ki, özellikle doğru olması imkansızdır): biri karmaşık çevre işleme, diğeri ise yapay zekanın insan beyninin benzersiz yeteneğini taklit etmesi.
En son DeepMind makalesi ICML 2017'de yayınlandı. DeepMind, "Takviyeli Öğrenmenin Dağıtılmış Perspektifi" (aynı zamanda dostça bir kağıt başlığıdır) adlı bu makalede, takviye öğrenme sisteminin eğitimine yeni bir değişken eklemeyi önerdi: rastgelelik.
Önceki pekiştirmeli öğrenme eğitimi, temelde ortalama değeri tahmin etmek için pekiştirmeli öğrenmeyi kullanıyordu. Örneğin, oyunu oynadığınız verilere dayanarak, bu oyunu ne zaman kaybedeceğinizi tahmin etmek için. Ancak oyunda, daha sık rastlantısal durumlar sonuçları etkiliyor gibi görünür: işletim hataları, belirli unsurların unutulması, hatta elektrik kesintileri ... Bu rasgele fenomenler göz önüne alındığında, ortalama tahminin faydasız olduğu açıktır.
Bu makalede, DeepMind, pekiştirmeli öğrenmenin tüm olası değişkenleri tahmin etmesine izin vermeyi önermektedir. Örneğin, seyahat süresini tahmin ederken, normal koşullarda ne kadar zaman alacağını, yağmur yağmasının ne kadar süreceğini ve bir aracın kaza yapması ne kadar sürer. Rastgele bir olayın neden olduğu bir zirve olduğunda, AI modellemeyi hedefleyecektir ve takviye öğrenme sistemi sonucu yeniden tahmin edebilir.
(Takviye öğrenme sistemi, oyunu kaybetme olasılığını ölçer)
"Değer dağıtımı" olarak adlandırılan bu algoritmanın en büyük ilham kaynağı, pekiştirmeli öğrenmeyi olanaklarla dolu bir ortama yerleştirmek ve her değişikliğe göre farklı ilgili eğitimlere başlamaktır. Bu modelin işaret ettiği temel sorun şudur: AI karmaşık ortamlara nasıl tepki verir.
Şu anki kağıtla karşılaştırıldığında, DeepMind ayrıca çok uzun zaman önce daha iyi bilinen başka bir makale yayınladı. Ünlü çünkü "Zengin Ortamlarda Spor Davranışının Ortaya Çıkışı" adlı bu makale ilginç bir şey yaptı: Yapay zekanın parkuru öğrenmesine izin verin.
Parkur olduğunu söyledi, ama o kadar da havalı değildi. Makalede verilen sonuçlara göre, bu yapay zeka kötü adamları biraz "Devlere Saldırı" gibi çalışıyorlar, pek çok medya sonuçları tatmin edici bulmuyor ya da zar zor yapıyor.
(Takviye öğrenme saldırısı)
Ancak bu değerlendirme, insani bir bakış açısından biraz doğal karşılanıyor. DeepMind tarafından verilen bilgiye göre, deneyde karmaşık bir ödül mekanizması vermediler: Puan eklemek için ayağa kalkmak ve kafayı kaldırmak, zarif duruş vb. Gibi, ancak tek hedefi geçmek olan basit bir ödül mekanizması geliştirdiler. Kayalıklarla, engellerle ve hatta duvarlarla dolu seviyelerde, takviye öğrenme sistemi başa çıkma stratejileri geliştirmek için tamamen kendi analitik yeteneklerine güvenir. Yapay zekanın karmaşık ortamlarla da başa çıkabileceği ve basit talimatlar altında hedeflere ulaşabileceği ortaya çıktı.
Bu deneyin amacı, pekiştirmeli öğrenmenin alışılmadık ve karmaşık ortamlara nasıl uyum sağladığını test etmektir. Yukarıda tanıtılan makale sürecin karmaşıklığıyla ilgiliyse, bu da anında ortaya çıkan karmaşık durumla ilgileniyor.
Burada kullanılan temel teknolojilerden biri, çok görevli pekiştirmeli öğrenmedir. İlginç olan, DeepMind'ın ayrıca Distral'ın yeni bir çok görevli öğrenme çerçevesini kısa süre önce duyurmasıdır. Bu sistemin prensibi, parametreleri paylaşmadan birden çok görev arasındaki ortak noktaları çıkarmak için çıkarma öğrenme ve aktarım öğrenmenin kombinasyonunu kullanmak ve ardından işlemi senkronize etmek için aktarım öğrenmeyi kullanmaktır. Çok görevli öğrenme, yapay zekanın karmaşık ortamlarla başa çıkmasının temelidir. Bu yeni sistemin, karmaşık ortam işlemenin altında yatan temel taş olduğu söylenebilir.
Yukarıdan, DeepMind'in mevcut ana yönlerinden birinin, AI'nın karmaşık sorunları ve ortamları nasıl ele aldığını görmek zor değil. İki ay içinde, çeşitli karmaşık ortamlar için algoritmaları ve teknik desteği tartıştılar.
Bunun önemi, gerçek dünyadaki AI uygulamalarının basit ortamlara ve basit hedeflere sahip olmasının zor olmasıdır. Karmaşık problemlerle uğraşan AI, tezden gerçeğe kadar pekiştirme öğreniminin derin AI'sının ilk adımıdır.
Biliş, akıl yürütme ve hayal gücü: Hangi yapay zeka insanlara benzemez?
Geçen hafta, DeepMind patronu Hassabis şahsen bir makale yayınladı. İlginç olan, makalenin yapay zeka alanındaki bir dergide değil, nörotıp alanındaki en yüksek standart dergi olan "Neural" da yayınlanmış olmasıdır.
Hassabis'in bu makalede tartıştığı temel konu, yapay zekanın olanaklarını en üst düzeye çıkarmasının tek yolunun sinirbilim alanına geri dönüp insan beynine dalmak olmasıdır.
Bu, orijinal önermeye geri dönebilir: Yapay zeka nedir? Bazı insanlar makine öğreniminin yapay zeka olduğunu söylerken, bazıları insan-bilgisayar etkileşiminin yapay zeka olduğunu söylüyor, ancak bu açıkça sonuçtan asıl amacı tersine çevirmek için. Bu isimden yapay zeka olan tek bir şey var, o da insan zekasını taklit eden zeka.
Hassabis, yapay zeka sonuçlarının patlamasına rağmen, bu algoritmaların ve teknolojilerin çoğunun yalnızca bir sorunu çözebileceğine inanıyor: makine öğrenimi yalnızca tek bir görevi üstlenebilir, doğal dil işleme yalnızca ses etkileşimini tamamlayabilir ve makine vizyonu yalnızca tanıyabilir. Tek bir hedefle, bu yetenek seviyeleri hiçbir şekilde insansı ajanlar değildir.
Bu sözde yapay zekalar, bir insan beyni gibi algılamaktan, düşünmekten, analiz etmekten ve hayal etmekten çok uzak ve hala binlerce mil uzakta, hatta yoldalar.
Hassabis, hem nörobilim hem de yapay zeka uzmanlığına sahip yeteneklerin çok nadir olduğu yazısında yakındı. Açıkçası, DeepMind'ın temel bir fikrini gösteriyor: insan beynine geri dönün ve insanlar gibi yapay zeka yaratın.
Ve aynısını yaptılar. Örneğin, Haziran ayının başlarında DeepMind iki makale yayınladı. Bu iki makalenin araştırma alanları çok farklı olsa da, biri kabaca bilgisayar vizyonuna atfedilebilecek "Görsel Etkileşimli Ağ", diğeri ise sinir ağları alanındaki "İlişkisel Akıl Yürütme İçin Basit Sinir Ağı Modülü", ancak bu iki makale Makalenin özü şudur: Yapay zekanın mantıklı öğrenmesine izin verin.
Akıl yürütme yeteneği, özellikle insan algısına dayalı muhakeme yeteneği (görsel veriler gibi), makinelerin insan benzeri zeka geliştirmesi için temel yöndür.
"Görsel Etkileşimli Ağ" da aynı adı taşıyan bir ağ modeli olan VIN önerilmektedir Bu sinir ağı bir görüntü modülü ve bir gerçeklik muhakeme modülünden oluşmaktadır. İlki görsel bilgileri alıp işleyebilirken, ikincisi fiziksel yasalar altında farklı nesnelere ne olacağını tahmin edebilir. Tıpkı insan beyninin aracın mesafesine ve sürüş hızına bağlı olarak kaçınma yöntemini çıkarabilmesi gibi, VIN de benzer bir etkiye ulaşabilir.
(Sol gerçek sonuç, sağ ise VIN tahminidir)
"İlişkisel Akıl Yürütme için Basit Sinir Ağı Modülü", ilişkisel akıl yürütme yetenekleriyle modüler sinir ağı mimarisi RN'yi (ilişkisel ağ) açıklar. Bu sinir ağı algoritması beyin muhakeme sürecini simüle edebilir ve "Bir geometrik şekil yığınında kaç tane gri grafik aynı şekle sahiptir?" Gibi ilişkisel akıl yürütmeyi içeren problemlerle başa çıkabilir. Daha güçlü olan şey, RN'nin diğer sinir ağı algoritmalarına uyarlanabilmesidir; bu, bir oyundaki bir ekipman parçası gibi olduğu ve onunla donatılmış olduğu anlamına gelir ve diğer AI'ların muhakeme yeteneğini geliştirebilir.
Muhakeme yeteneğinin üzerinde, yüksek insan kabiliyetine hayal gücü denir. Ve DeepMind bu alanın gitmesine izin vermedi. Kısa bir süre önce, DeepMind'ın iki makalesi daha vardı: "Derin Güçlendirmeli Öğrenmede Hayal Gücü Artırıcı" ve "Sıfırdan Öğrenme Modeli Planlaması". Bu iki makalede, DeepMind onun çaresiz oyununu izledi. Oyun geleneği. Sokoban gibi oyunlarda, derin öğrenme sistemlerinin basit veriler aracılığıyla soyut akıl yürütme ve uzun vadeli planlama yapma yeteneği, temelde insanların hayal gücü dediği şey gösteriliyor.
(Hayal gücünü geliştirmenin yardımıyla, AI sistemi Sokoban'ın adımlarını tek seferde planlayabilir)
Bu çözümün ilkesi, derin öğrenme sisteminin çevresel bilgilerin dahili simülasyonu yoluyla kaba stratejik kararlar vermesine izin vermektir. Sonra birden fazla hayali yörünge aracılığıyla bir çözüm stratejisi tasarlayın ve sonunda en iyi çözümü seçin.
Aslında AlphaGo, Go oynarken pozisyonu değerlendirmek için benzer bir yöntem kullanır. Bununla birlikte, Go'nun katı kuralları ile karşılaştırıldığında, oyundaki seviyeler rastgele oluşturulur ve kurallar doğal olarak nispeten açık ve değiştirilebilir, bu da AI hayal gücüne daha büyük zorluklar çıkarır.
Akıl yürütmeye ek olarak, bunu hayal etmek, yapay zekanın insan problem çözme yeteneklerini öğrenmesini sağlar. DeepMind ayrıca, yapay zekanın insan bilişini taklit etme olasılığını keşfetmek için psikolojiyi kullanır. Haziran ayının sonundaki bir makalede DeepMind, yapay zekanın nasıl karar verdiğini ezberlemek ve iyileştirmek için "Eşleştirme Ağı" adlı bir sinir ağı modeli kullanmayı önerdi.
Bu deneyin önemi, gelecekte yapay zekanın kendi davranışını açıklamasına, hatta anlamasına ve hatta seçim yaparken kendi tercihlerini açıklamasına izin vermek için olgun teknolojinin kullanılabileceğidir.
Bu tür bir teknolojinin gelecekteki hayal gücü harikadır, ancak makinelerin ve kölelerin görevi tamamlayabileceğini bilerek. Görevi neden tamamladığımı düşünebilir ve hatta görevi nasıl tamamladığımı açıklayabilirim, ancak bu, bağımsız düşünen insandan uzak değil.
Bilişsel yeteneğe ek olarak, DeepMind ayrıca bu ay SCAN (Symbol Concept Association Network) adlı bir sinir ağı önerdi. İşlevi, insan duyularını taklit etmek ve AI'nın gerçek dünyadan bilgi almasına izin vermektir. Bu ağ modeline bizzat Hassabis katılmıştır ve önem derecesi de açıktır.
DeepMind, sadece iki ay içinde, insan beynini ve sinir sistemini simüle etme çalışmasında duyulara, bilişsel psikolojiye, muhakeme yeteneğine ve hayal gücüne karşılık gelen teknolojileri ve algoritmaları arka arkaya yayınladı. İnsan beynini ve sinir sistemini simüle etmenin bu şirketin kapsamlı bir stratejik hedefi haline geldiği tahmin ediliyor.
Karmaşık ortam işlemenin ilk adımı veya insan benzeri zekanın yükseltilmiş versiyonu olsun, hepsi tek hedefe işaret ediyor: evrensel.
Evrensel, evrensel için her şey
Yapay zekanın en yüksek biçimine genel zeka denildiğini biliyoruz. Bu tür bir zeka tek bir hedefi çözmez: ses işleme, görüntü işleme ve sürüş yardımı gibi, ancak kapsamlı bir şekilde düşünür ve gerçek dünyaya bir insan gibi tepki verir.
Bu ifade çok bilimkurgu olabilir, ancak çok gerçekçi bir bakış açısıyla, yapay zeka diğer akıllı donanımların ekinin kimliğinden kurtulmak istiyor, görevleri bağımsız olarak tamamlamaya doğru ilerliyor ve çalışan insan makinelerinden daha fazla avantajı var, gerçeği insanlar gibi yargılayabilmelidir. Dünyanın karmaşık ortamında, çeşitli yargılar, akıl yürütme, planlama ve hayal gücü gerçekleştirilir.
Bu yeteneklerin evriminin sonu, yapay zekanın sorgulamaya ve düşünmeye başlaması olabilir.
Ancak bu yetenekler, sınırsız iş potansiyeline sahip gerçek fırsatlardır. Aksi takdirde yapay zekanın rolü, dünyanın çalışma kurallarını ve çalışma yapısını değiştirmek değil, her zaman verimliliği artırmak olacaktır.
Genel olarak, DeepMind'ın çok karmaşık ve ayrıntılı bir hedef planı olmalıdır. Aynı anda birden fazla alanda yapay zekanın daha fazla kişileştirilmesi olasılığını keşfedin. Bu yetenekler bir araya geldiğinde tam bir ajan oluşturur.
Tıpkı AlphaGo'nun aslında çok sayıda DeepMind teknolojisini entegre etmesi gibi ve sonunda tüm insan satranç oyuncularını geçme hedefine ulaştı. Çok sayıda antropomorfik sinir ağı yeteneğini birleştirmek, daha iyi ajanlarla sonuçlanabilir. Bu temsilci, DeepMind'ın odaklandığı başka bir temel alan olan "karmaşık ortamda", yani gerçek dünyada bir rol oynuyor olmalıdır.
Kısacası DeepMind genel zeka koşullarını tek tek söküp fethediyor, bu bir komplo olmalı. Bu yarış hala çok uzun olmasına rağmen sonuçların ne zaman çıkacağını bilmiyorum. Ancak sonucun yapay zeka bankacıları, yapay zeka avukatları ve hatta çeşitli ortamlarla kapsamlı bir şekilde başa çıkabilen ve gerçek dünyayı derinlemesine akıl yürütebilen, planlayabilen ve analiz edebilen yapay zeka CEO'ları olması muhtemeldir. AI AI.
O zamana kadar, insanların sadece Go'da kazanma şansı olmadığını keşfedebiliriz. Ancak Hassabis'in dediği gibi: "Bu sadece başlangıç."
Daha heyecan verici içerik için Titanium Media WeChat ID'yi (ID: taimeiti) takip edin veya Titanium Media Uygulamasını indirin
