3 yılda 1 milyar USD kan kaybıyla Google DeepMind'ın sorunu ne?
Yapay zeka alanında dünyanın lider şirketi olarak kabul edilebilecek bir şirket olan Alphabet's DeepMind, geçen yıl 572 milyon ABD doları kaybetti; son üç yılda 1 milyar ABD dolarını aşan bir miktarla para kaybetmeye devam etti.
Ne anlama geliyor? Yapay zeka çöküşe mi gidiyor?
aslında değil. Hepimizin bildiği gibi, araştırma en pahalı olanıdır; bu nedenle, DeepMind her yıl, önceki ilgili projelerin miktarından bile daha fazla, çok para yatırmaktadır. DeepMind'in kayıplarındaki artışın halen dikkate değer olduğunu söyleyenlere göre: 2016'da 154 milyon dolar, 2017'de 341 milyon dolar ve 2018'de 572 milyon dolar.
Bu, üç temel soruyu içerir: DeepMind bilimsel olarak yolunda mı? Alphabet'in bakış açısından, bu yatırım ölçeği makul mü? Bu kayıp bir bütün olarak yapay zekayı etkileyecek mi?
Derin takviye öğrenmenin sınırlamaları
Lei Feng Net Not: Yukarıdaki resim AlphaGo ile Li Shishi'yi göstermektedir.
İlk soruya gelince, insanların şüpheci olmak için nedenleri var. DeepMind derinlemesine pekiştirmeli öğrenmeye odaklanır. Bu teknoloji, esas olarak kalıpları tanımak için kullanılan derin öğrenmeyi ödül sinyallerine dayalı pekiştirmeli öğrenmeyle birleştirir.
DeepMind 2013 yılında, Breakout ve Space Invaders gibi çeşitli Atari oyunlarını oynamak için bir sinir ağı sisteminin nasıl eğitileceğini gösteren heyecan verici bir makalede bu teknolojiyi "Derin Güçlendirmeli Öğrenme" olarak adlandırdı; itiraf etmeliyim. , Bazen insanlardan daha iyi oynuyorlar. Bu makale bir mühendislik şaheseri ve muhtemelen Alphabet'in Ocak 2014'te DeepMind'i edinmesini sağlayan ana nedenlerden biri. Daha sonra, teknoloji daha da gelişerek DeepMind'ı Go ve StarCraft (StarCraft) oyununda zafere taşıdı.
Sorun, teknolojinin ortama çok bağımlı olmasıdır: Breakout oynarken, oyunda raketi birkaç piksel yukarı taşımak gibi küçük değişiklikler bile oyun performansının keskin bir şekilde düşmesine neden olur. DeepMind'ın StarCraft oyunundaki zaferi aynı sınırlamalara sahiptir - belirli haritalar ve belirli "ırk" karakterleri kullanıldığında sonuçlar insanlardan daha iyidir; farklı haritalar ve farklı karakterler kullanmak kötü sonuçlara neden olur. Rolleri değiştirmek istiyorsanız, sistemi sıfırdan yeniden eğitmelisiniz.
Bir dereceye kadar, derin pekiştirmeli öğrenme, bir tür turbo şarjlı hafızadır.Bunu kullanan sistemler, insanların inanılmaz bulduğu bazı hedeflere ulaşabilir, ancak kendileri ne yaptıklarını sadece yüzeysel bir anlayışa sahiptirler. Bu nedenle, mevcut sistem esneklikten yoksundur ve ortam değiştiğinde ayarlanamaz.
Derin takviyeli öğrenme ayrıca çok fazla veri gerektirir. Örneğin, AlphaGo, bir kişinin dünya çapında bir satranç oyuncusu olmak için ihtiyaç duyduğu sayıyı çok aşan eğitim sürecinde milyonlarca Go oyununa katılmıştır ve bu hedefe ulaşmak, büyük bilgi işlem kaynakları gerektirir ve pahalıdır. AlphaGo eğitiminin maliyetinin 35 milyon ABD doları olduğu tahmin edilmektedir.
Ancak, bunların tümü ekonomik mülahazalara dayanmaktadır. Rebooting AI kitabında belirtildiği gibi, asıl sorun güvendir. Şu anda, derin pekiştirmeli öğrenme yalnızca sıkı bir şekilde kontrol edilen ve nadiren beklenmedik bir ortamda gerçekleştirilebilir; bunu binlerce yıldır hiçbir değişikliğin olmadığı bir ortamda çalıştırmak mümkün olabilir, ancak gerçek hayatta insanlar düşünmeyebilir. Ona güvenin.
Küçük ticari sonuçlar
Lei Feng'in notu: Yukarıdaki resim DeepMind'in kurucusu ve CEO'su Demis Hassabis'i göstermektedir.
Gerçek hayatta DeepMind gibi oyunlara adanmış çok fazla AI projesi olmadığından, DeepMind henüz derin takviye öğrenmenin büyük ölçekli ticari uygulamalarını başlatmadı. 2014 yılında satın alma için ödenen 650 milyon ABD doları dahil, Alphabet şu anda DeepMind'e yaklaşık 2 milyar ABD doları yatırım yapmıştır; aksine, DeepMindın geçen yılki geliri yaklaşık 125 milyon ABD dolarıydı.
Ek olarak, Go için geçerli olan AI teknolojisi, kanser ve temiz enerji gibi diğer zorlu sorunları çözmek için uygun olmayabilir. Tabii ki, bu sadece bir zaman meselesi olabilir - DeepMind, en az 2013'ten beri derin takviye öğrenmeye kendini adamıştır ve bilimsel ilerleme nadiren bir gecede ticari ürünlere dönüştürülmüştür. DeepMind, derin takviyeli öğrenme yoluyla sonunda daha derin ve daha istikrarlı sonuçlar üretmenin bir yolunu bulabilir.
Sonunda, derin pekiştirmeli öğrenme dünyayı tamamen değiştiren bir buluş olan bir transistör gibi olabilir.
DeepMindın mevcut stratejisi insanların umduğu kadar zengin olmasa da, derin pekiştirmeli öğrenme alanında hala liderdir; dahası, DeepMind iyi yönetilir, iyi finanse edilir, yüzlerce doktora derecesine sahiptir ve oyunlarda ve Go'da büyük başarılar elde etmiştir. Gittikçe daha fazla yetenek çekiliyor. Yapay zeka alanında rüzgar yönü değişirse ve DeepMind başka bir yöne dönerse yine ön planda olabilir.
Aynı zamanda Alphabet açısından Deepmind'e yaptığı yatırım büyük bir bahis değil; yapay zeka alanında hızla büyüyen Google Brain'e de bahis yapıyor. Yıllık geliri 100 milyar ABD doları olan ve aramadan reklam önerisine kadar temel işlerinde yapay zekaya dayanan Alphabet için birkaç büyük yatırım yapmak çılgınlık değil.
Aşırı bağlılıkla ilgili endişeler
Lei Feng'in Notu: Facebook sahte haberlerle mücadele etmek için AI kullanıyor
Son olarak, DeepMind'ın ekonomik performansının genel olarak yapay zekayı nasıl etkileyeceği cevaplanması zor bir sorudur. Yutturmaca gerçek etkiyi aşarsa, "AI Kışı" nın gelmesine yol açabilir ve destekçiler bile yatırım yapmak konusunda isteksizdir. Kayıplar yıllık oranın yaklaşık iki katı oranında artmaya devam ederse, Alphabet bile DeepMind'ı terk etmek zorunda kalabilir ve yatırımcılar yapay zeka için heyecanlarını yeniden ayarlayacaklar.
Sadece DeepMind değil, gelecek vaat eden pek çok ilerleme henüz gerçekleşmedi. Mark Zuckerberg'in Nisan 2018'de Kongre'ye yapay zekanın sahte haber sorununu hızla çözeceğine dair verdiği söz hafifletilmiş olsa da; sözün bedeli hiçbir zaman yüksek olmamış ve yapay zekaya duyulan coşkunun derecesi nihai etkiyle belirleniyor. Sözler yerine.
Mevcut haliyle, yapay zekayı yutturmak yapay zeka oluşturmaktan çok daha kolay. Reklamcılık ve konuşma tanıma gibi sınırlı alanlarda büyük ilerleme kaydedilmiş olsa da, kuşkusuz uzun bir yolu var.
Lei Feng Net Not: Bu makale Wired'dan derlenmiştir.
