Что такое искусственный интеллект (ИИ)?
Это зависит от того, кого вы спрашиваете.
Еще в 1950-е годы отцы отрасли, Мински и Маккарти, описал искусственный интеллект как любую задачу, выполняемую машиной, которая ранее считалась требующей человеческого интеллекта.
Это, очевидно, довольно широкое определение, поэтому иногда можно встретить споры о том, действительно ли что-то является ИИ или нет.
Современные определения того, что значит создавать интеллект, более конкретны. Франсуа Шоле, исследователь искусственного интеллекта в Google и создатель библиотеки программного обеспечения для машинного обучения Keras, сказал, что интеллект связан со способностью системы адаптироваться и импровизировать в новой среде, обобщать свои знания и применять их в незнакомых сценариях.
«Интеллект - это эффективность, с которой вы приобретаете новые навыки в задачах, к которым раньше не готовились», -- сказал он.
«Интеллект - это не сам навык; это не то, что вы можете сделать; насколько хорошо и насколько эффективно вы можете узнавать новое ».
Это определение, согласно которому современные системы на базе искусственного интеллекта, такие как виртуальные помощники, будут охарактеризованы как продемонстрировавшие `` узкий ИИ '', способность обобщать свое обучение при выполнении ограниченного набора задач, таких как распознавание речи или компьютерное зрение.
Как правило, системы искусственного интеллекта демонстрируют по крайней мере некоторые из следующих видов поведения, связанных с человеческим интеллектом: планирование, обучение, рассуждение, решение проблем, представление знаний, восприятие, движение и манипуляции и, в меньшей степени, социальный интеллект и творчество.
Какие бывают типы ИИ?
На очень высоком уровне искусственный интеллект можно разделить на два основных типа:
Узкий ИИ
Узкий ИИ - это то, что мы сегодня видим вокруг себя в компьютерах - интеллектуальные системы, которые были обучены или научились выполнять определенные задачи, не будучи явно запрограммированными, как это делать.
Этот тип машинного интеллекта проявляется в распознавании речи и языка виртуального помощника Siri на Apple iPhone, в системах распознавания зрения на беспилотных автомобилях или в механизмах рекомендаций, которые предлагают продукты, которые могут вам понравиться, на основе того, что вы купил в прошлом. В отличие от людей, эти системы можно научить или научить выполнять только определенные задачи, поэтому их называют узким ИИ.
Общий ИИ
Общий ИИ очень отличается и представляет собой тип адаптируемого интеллекта, обнаруживаемый у людей, гибкую форму интеллекта, способную учиться выполнять совершенно разные задачи, от стрижки до создания электронных таблиц или рассуждений по широкому кругу тем на основе накопленного опыта. опыт.
Это тот тип ИИ, который чаще встречается в фильмах, таких как HAL в 2001 году или Скайнет в Терминаторе, но которого сегодня не существует - и эксперты по ИИ жестко расходятся по поводу того, как скоро он станет реальностью.
Что умеет Narrow AI?
Существует огромное количество новых приложений для узкого ИИ:
- Интерпретация видеопотоков с дронов, проведение визуального осмотра инфраструктуры, например, нефтепроводов.
- Организация личных и деловых календарей.
- Отвечаем на простые запросы в службу поддержки.
- Координация с другими интеллектуальными системами для выполнения таких задач, как бронирование отеля в подходящее время и в удобном месте.
- Помощь радиологи выявят потенциальные опухоли в рентгеновских лучах.
- Пометка неприемлемого контента в Интернете, обнаружение износа лифтов на основе данных, собранных устройствами IoT.
- Создание трехмерной модели мира из спутниковых снимков… список можно продолжать и продолжать.
Все время появляются новые приложения этих обучающих систем. Конструктор видеокарт Nvidia недавно показала систему Maxine на основе искусственного интеллекта, который позволяет людям совершать видеозвонки хорошего качества практически независимо от скорости их подключения к Интернету. Система сокращает полосу пропускания, необходимую для таких вызовов, в 10 раз, не передавая полный видеопоток через Интернет и вместо анимации небольшого количества статических изображений вызывающего абонента таким образом, чтобы воспроизводить выражения лиц и движения вызывающих абонентов. в реальном времени и быть неотличимым от видео.
Однако, несмотря на большой неиспользованный потенциал этих систем, иногда амбиции в отношении технологии превосходят реальность. В качестве примера можно привести беспилотные автомобили, в основе которых лежат системы на базе искусственного интеллекта, такие как компьютерное зрение. Компания по производству электромобилей Tesla немного отстает от первоначального графика генерального директора Илона Маска, когда система автопилота автомобиля будет модернизирована до «полного автономного вождения» из более ограниченных возможностей системы вспомогательного вождения, при этом опция полного автономного вождения только недавно была запущена в избранная группа опытных водителей в рамках программы бета-тестирования.
Что умеет General AI?
Опрос, проведенный среди четырех групп экспертов в 2012-13 гг. Исследователями искусственного интеллекта Винсентом Мюллером и философом Ником Бостромом, показал, что вероятность того, что Искусственный общий интеллект (AGI) будет разработан между 2040 и 2050 годами, а к 90 году вырастет до 2075%. Группа пошла еще дальше, предсказав, что так называемое «суперинтеллект«- который Бостром определяет как« любой интеллект, который значительно превосходит когнитивные способности человека практически во всех областях, представляющих интерес »- ожидалось примерно через 30 лет после достижения AGI.
Однако недавние оценки экспертов по ИИ более осторожны. Пионеры в области современных исследований ИИ, такие как Джеффри Хинтон, Демис Хассабис и Янн ЛеКун говорят, что общество еще далеко от развития AGI. Учитывая скептицизм лидеров в области современного искусственного интеллекта и совершенно иной характер современных узких систем искусственного интеллекта по сравнению с AGI, возможно, нет оснований опасаться, что общий искусственный интеллект в ближайшем будущем подорвет общество.
Тем не менее, некоторые эксперты в области искусственного интеллекта полагают, что такие прогнозы чрезвычайно оптимистичны, учитывая наше ограниченное понимание человеческого мозга, и полагают, что до ИИ еще несколько веков.
Каковы последние вехи в развитии ИИ?
В то время как современный узкий ИИ может быть ограничен выполнением определенных задач в рамках своей специализации, эти системы иногда способны на сверхчеловеческую производительность, а в некоторых случаях даже демонстрируют превосходную креативность - черту, которую часто считают изначально человеческой.
Было сделано слишком много открытий, чтобы составить окончательный список, но некоторые основные моменты включают:
- В 2009 году Google продемонстрировал, что его беспилотный автомобиль Toyota Prius может совершить более 10 поездок по 100 миль каждая, поставив общество на путь перехода к беспилотным автомобилям.
- В 2011 году компьютерная система IBM Watson попала в заголовки газет во всем мире, когда выиграла викторину Jeopardy!, победив двух лучших игроков этого шоу. Чтобы выиграть шоу, Watson использовал обработку естественного языка и аналитику в обширных хранилищах данных, которые обрабатываются для ответа на вопросы, заданные человеком, часто за доли секунды.
- В 2012 году еще один прорыв показал, что ИИ способен решать множество новых задач, которые ранее считались слишком сложными для любой машины. В том же году система AlexNet одержала решительную победу в конкурсе ImageNet Large Scale Visual Recognition Challenge. Точность AlexNet была такова, что он вдвое сократил количество ошибок по сравнению с конкурирующими системами в конкурсе на распознавание изображений.
Производительность AlexNet продемонстрировала мощь обучающих систем, основанных на нейронных сетях, модели машинного обучения, которая существовала в течение десятилетий, но наконец реализовала свой потенциал благодаря усовершенствованиям архитектуры и скачкам в параллельной вычислительной мощности, которые стали возможными благодаря закону Мура. В том году в заголовках заголовков также попали возможности систем машинного обучения в области компьютерного зрения. Google обучает систему распознавать любимца в Интернете: изображения кошек.
Следующей демонстрацией эффективности систем машинного обучения, которая привлекла внимание общественности, была триумф в 2016 году искусственного интеллекта Google DeepMind AlphaGo над гроссмейстером из числа людей в го, древняя китайская игра, сложность которой ставила компьютеры в тупик на протяжении десятилетий. Го имеет около 200 возможных ходов за ход по сравнению с 20 в шахматах. В ходе игры в го существует так много возможных ходов, что предварительный поиск каждого из них для определения наилучшего варианта слишком затратен с вычислительной точки зрения. Вместо этого AlphaGo научилась играть в игру, взяв ходы, выполненные людьми-экспертами в 30 миллионах игр го, и скормили их нейронным сетям с глубоким обучением.
Обучение этих сетей глубокого обучения может занять очень много времени, требуя приема и повторения огромных объемов данных, поскольку система постепенно уточняет свою модель для достижения наилучшего результата.
Однако совсем недавно Google усовершенствовал процесс обучения с помощью AlphaGo Zero, система, которая играла против себя в «совершенно случайные» игры, а затем извлекала уроки из нее. Генеральный директор Google DeepMind Демис Хассабис также представил новую версию AlphaGo Zero, которая освоила игры в шахматы и сёги.
И ИИ продолжает стремительно преодолевать новые рубежи: система, обученная OpenAI, победила лучших игроков мира в матчах один на один сетевой многопользовательской игры Dota 2.
В том же году OpenAI создал агентов ИИ, которые изобрели свои собственный язык сотрудничать и более эффективно достигать своей цели, а затем агенты Facebook по обучению вести переговоры и ложь.
2020 год был годом, когда система искусственного интеллекта, казалось, получила способность писать и говорить по-человечески практически на любую тему, о которой вы только можете подумать.
Рассматриваемая система, известная как Generative Pre-Training Transformer 3 или сокращенно GPT-3, представляет собой нейронную сеть, обученную на миллиардах англоязычных статей, доступных в открытом Интернете.
Вскоре после того, как некоммерческая организация OpenAI сделала его доступным для тестирования, Интернет загорелся способностью GPT-3 создавать статьи практически по любой теме, которая была передана в него, статьи, которые на первый взгляд часто было трудно подобрать. отличить от написанных человеком. Аналогичным образом впечатляющие результаты были достигнуты и в других областях, с его способностью убедительно ответить на вопросы по широкому кругу тем и даже сойти за начинающего кодировщика JavaScript.
Но хотя многие статьи, созданные с помощью GPT-3, выглядели правдоподобно, дальнейшее тестирование показало, что сгенерированные предложения часто не проходят проверку. предлагая внешне правдоподобные, но запутанные заявления, а иногда и откровенную чушь.
По-прежнему существует значительный интерес к использованию понимания естественного языка модели в качестве основы будущих сервисов. это доступен избранным разработчикам для встраивания в программное обеспечение через бета-API OpenAI, Также будет включены в будущие сервисы, доступные через облачную платформу Microsoft Azure.
Возможно, самый яркий пример потенциала ИИ появился в конце 2020 года, когда нейронная сеть Google AlphaFold 2 продемонстрировала результат, который некоторые назвали достойным Нобелевской премии по химии.
Способность системы смотреть на строительные блоки белка, известные как аминокислоты, и определять трехмерную структуру белка может существенно повлиять на скорость понимания болезней и разработки лекарств. В конкурсе «Критическая оценка предсказания структуры белка» AlphaFold 3 определила трехмерную структуру белка с точностью, сопоставимой с кристаллографией, золотым стандартом убедительного моделирования белков.
В отличие от кристаллографии, для получения результатов которой требуются месяцы, AlphaFold 2 может моделировать белки за часы. Поскольку трехмерная структура белков играет такую важную роль в биологии человека и болезнях, такое ускорение стало возможным. объявлен знаменательным прорывом в медицинской науке, не говоря уже о потенциальных приложениях в других областях, где ферменты используются в биотехнологиях.
Что такое машинное обучение?
Практически все упомянутые до сих пор достижения связаны с машинным обучением, подмножеством ИИ, на которое приходится подавляющее большинство достижений в этой области за последние годы. Когда сегодня говорят об искусственном интеллекте, они обычно имеют в виду машинное обучение.
Проще говоря, в настоящее время машинное обучение переживает возрождение, когда компьютерная система учится выполнять задачу, а не программируется, как это делать. Это описание машинного обучения восходит к 1959 году, когда оно было придумано Артуром Сэмюэлем, пионером в этой области, который разработал одну из первых в мире самообучающихся систем, Программу игры Сэмюэля Шашек.
Для обучения этим системам передаются огромные объемы данных, которые они затем используют, чтобы научиться выполнять конкретную задачу, например, понимать речь или подписывать фотографии. Качество и размер этого набора данных важны для построения системы, способной точно выполнять поставленную перед ней задачу. Например, если вы создавали систему машинного обучения для прогнозирования цен на жилье, обучающие данные должны включать не только размер собственности, но и другие важные факторы, такие как количество спален или размер сада.
Что такое нейронные сети?
Ключ к успеху машинного обучения - нейронные сети. Эти математические модели могут настраивать внутренние параметры, чтобы изменять то, что они выводят. Нейронная сеть получает наборы данных, которые учат ее тому, что она должна выдавать при представлении определенных данных во время обучения. Говоря конкретнее, в сеть могут подаваться изображения чисел от нуля до 9 в градациях серого, а также последовательность двоичных цифр - нулей и единиц - которые указывают, какое число отображается на каждом изображении в градациях серого. Затем сеть будет обучена, регулируя свои внутренние параметры, пока она не классифицирует число, показанное на каждом изображении, с высокой степенью точности. Эту обученную нейронную сеть затем можно было бы использовать для классификации других изображений чисел в диапазоне от нуля до 9. Такая сеть была использована в основополагающей статье, показывающей применение нейронных сетей, опубликованной Янном ЛеКуном в 1989 году и использовавшейся Почтовой службой США. распознавать почтовые индексы, написанные от руки.
Структура и функционирование нейронных сетей очень слабо основаны на связях между нейронами в головном мозге. Нейронные сети состоят из взаимосвязанных слоев алгоритмов, которые передают данные друг в друга. Их можно обучить выполнению конкретных задач, изменив важность, приписываемую данным, когда они передаются между этими уровнями. Во время обучения этих нейронных сетей веса, присваиваемые данным по мере их передачи между слоями, будут продолжать изменяться до тех пор, пока выходной сигнал нейронной сети не станет очень близким к желаемому. В этот момент сеть «узнает», как выполнять конкретную задачу. Желаемый результат может быть любым: от правильной маркировки фруктов на изображении до прогнозирования отказа лифта на основе данных его датчика.
Подмножество машинного обучения - это глубокое обучение, при котором нейронные сети расширяются до разветвленных сетей с большим количеством значительных уровней, которые обучаются с использованием огромных объемов данных. Эти глубокие нейронные сети способствовали нынешнему скачку в способности компьютеров выполнять такие задачи, как распознавание речи и компьютерное зрение.
Существуют разные типы нейронных сетей с разными сильными и слабыми сторонами. Рекуррентные нейронные сети (RNN) представляют собой тип нейронной сети, особенно хорошо подходящей для обработки естественного языка (NLP) - понимания значения текста - и распознавания речи, в то время как сверточные нейронные сети имеют свои корни в распознавании изображений и используются столь же разнообразно, как и рекомендации. системы и НЛП. Дизайн нейронных сетей также развивается вместе с исследователями. уточнение более эффективной формы глубокой нейронной сети, называемой долгой кратковременной памятью или LSTM - тип архитектуры RNN, используемый для таких задач, как NLP, и для прогнозирования фондового рынка, что позволяет ему работать достаточно быстро для использования в системах по требованию, таких как Google Translate.
Структура и обучение глубоких нейронных сетей.
Изображение: Nuance
Какие еще типы ИИ?
Еще одна область исследований искусственного интеллекта - это эволюционные вычисления.
Он заимствован из теории естественного отбора Дарвина. Он видит, что генетические алгоритмы претерпевают случайные мутации и комбинации между поколениями в попытке выработать оптимальное решение данной проблемы.
Этот подход даже использовался для разработки моделей ИИ, эффективно используя ИИ для создания ИИ. Такое использование эволюционных алгоритмов для оптимизации нейронных сетей называется нейроэволюцией. Он может сыграть важную роль в разработке эффективного ИИ, поскольку использование интеллектуальных систем становится все более распространенным, особенно потому, что спрос на специалистов по данным часто превышает предложение. Технику продемонстрировали Uber AI Labs, выпустившая документы по использованию генетических алгоритмов для обучения глубоких нейронных сетей для задач обучения с подкреплением.
Наконец, есть экспертные системы, где компьютеры запрограммированы с правилами, которые позволяют им принимать серию решений на основе большого количества входных данных, позволяя этой машине имитировать поведение человека-эксперта в определенной области. Примером таких систем, основанных на знаниях, может быть, например, система автопилота, управляющая самолетом.
Что способствует возрождению ИИ?
Как указано выше, самые большие достижения в исследованиях искусственного интеллекта за последние годы были сделаны в области машинного обучения, в частности, в области глубокого обучения.
Частично это было вызвано легкостью доступа к данным, но тем более резким увеличением мощности параллельных вычислений, в течение которого использование кластеров графических процессоров (ГП) для обучения систем машинного обучения стало более распространенным.
Эти кластеры не только предлагают гораздо более мощные системы для обучения моделей машинного обучения, но и теперь широко доступны в виде облачных сервисов через Интернет. Со временем крупные технологические компании, такие как Google, Microsoft, и Tesla, перешли к использованию специализированных чипов, адаптированных как для работающих, так и для обучающих моделей машинного обучения.
Примером одного из этих пользовательских чипов является Tensor Processing Unit (TPU) Google, последняя версия которого ускоряет скорость, с которой полезные модели машинного обучения, построенные с использованием программной библиотеки Google TensorFlow, могут выводить информацию из данных, а также скорость которым их можно обучить.
Эти чипы используются для обучения моделей DeepMind и Google Brain, а также моделей, лежащих в основе Google Translate и распознавания изображений в Google Фото и сервисах, которые позволяют общественности создавать модели машинного обучения, используя Облако Google TensorFlow Research. Третье поколение этих чипов было представлено на конференции Google I / O в мае 2018 года, и с тех пор они были упакованы в блоки машинного обучения, называемые модулями, которые могут выполнять более ста тысяч триллионов операций с плавающей запятой в секунду (100 петафлопс). Эти текущие обновления TPU позволили Google улучшить свои услуги, основанные на моделях машинного обучения, например, сокращение вдвое времени, затрачиваемого на обучение моделей, используемых в Google Translate.
Какие элементы машинного обучения?
Как уже упоминалось, машинное обучение является разновидностью ИИ и обычно делится на две основные категории: обучение с учителем и обучение без учителя.
Контролируемое обучение
Распространенный метод обучения систем искусственного интеллекта - обучение их на множестве размеченных примеров. В эти системы машинного обучения поступают огромные объемы данных, которые были аннотированы, чтобы выделить интересующие функции. Это могут быть фотографии, помеченные, чтобы указать, содержат ли они собаку, или письменные предложения со сносками, указывающими, относится ли слово «окунь» к музыке или к рыбе. После обучения система может применить эти метки к новым данным, например, к собаке на фотографии, которая только что была загружена.
Этот процесс обучения машины на примере называется обучением с учителем. Маркировка этих примеров обычно выполняется онлайн-сотрудники, работающие на таких платформах, как Amazon Mechanical Turk.
Для обучения этих систем обычно требуются огромные объемы данных, при этом некоторым системам необходимо просмотреть миллионы примеров, чтобы научиться эффективно выполнять задачу - хотя это становится все более возможным в эпоху больших данных и широко распространенного интеллектуального анализа данных. Наборы обучающих данных огромны и растут в размерах - Набор данных Google Open Images насчитывает около девяти миллионов изображений., а его помеченный видеорепозиторий Ютуб-8М ссылки на семь миллионов видео с ярлыками. IMAGEnet, одна из первых баз такого рода, насчитывает более 14 миллионов изображений, разделенных на категории. Составленный за два года, его составили почти 50 000 человек, большинство из которых были наняты через Amazon Mechanical Turk, которые проверили, отсортировали и пометили почти миллиард фотографий кандидатов.
Доступ к огромным размеченным наборам данных также может оказаться менее важным, чем доступ к большим объемам вычислительной мощности в долгосрочной перспективе.
В последние годы генеративные состязательные сети (Gans) использовались в системах машинного обучения, которые требуют лишь небольшого количества помеченных данных вместе с большим объемом немаркированных данных, которые, как следует из названия, требуют меньше ручной работы для подготовки.
Этот подход мог бы позволить более широкое использование полууправляемого обучения, когда системы могут научиться выполнять задачи, используя гораздо меньший объем помеченных данных, чем это необходимо для обучающих систем, использующих обучение с учителем сегодня.
Неконтролируемое обучение
Напротив, обучение без учителя использует другой подход, когда алгоритмы пытаются идентифицировать закономерности в данных, ища сходства, которые можно использовать для категоризации этих данных.
Примером может быть объединение фруктов, которые весят одинаковое количество, или автомобилей с аналогичным объемом двигателя.
Алгоритм не настроен заранее для выбора конкретных типов данных; он просто ищет данные, которые могут сгруппировать его сходства, например, в Новостях Google каждый день группируются вместе статьи по схожим темам.
Укрепление обучения
Грубая аналогия обучения с подкреплением - награждение питомца угощением за выполнение трюка. При обучении с подкреплением система пытается максимизировать вознаграждение на основе своих входных данных, в основном проходя процесс проб и ошибок, пока не достигнет наилучшего возможного результата.
Примером обучения с подкреплением является Deep Q-сеть Google DeepMind, которая был использован для лучшей производительности человека в различных классических видеоиграх. Система получает пиксели из каждой игры и определяет различную информацию, например расстояние между объектами на экране.
Также глядя на счет, достигнутый в каждой игре, система строит модель того, какое действие будет максимизировать счет в различных обстоятельствах, например, в случае прорыва видеоигры, где ракетку следует переместить, чтобы перехватить шар.
Подход также используется в исследованиях робототехники, где обучение с подкреплением может помочь научить автономных роботов оптимальному поведению в реальных условиях.
Многие технологии, связанные с искусственным интеллектом, приближаются или уже достигли «пика завышенных ожиданий» в цикле хайпов Gartner, а вызванный негативной реакцией «впадина разочарования» поджидает.
Изображение: Gartner / Аннотации: ZDNet
Какие фирмы лидируют в области ИИ?
Поскольку ИИ играет все более важную роль в современном программном обеспечении и услугах, каждая крупная технологическая компания борется за разработку надежной технологии машинного обучения для использования внутри компании и для продажи населению через облачные сервисы.
Каждый из них регулярно попадает в заголовки о новых открытиях в исследованиях ИИ, хотя, вероятно, именно Google с его системами DeepMind AI AlphaFold и AlphaGo, вероятно, оказал наибольшее влияние на осведомленность общественности об ИИ.
Какие услуги ИИ доступны?
Все основные облачные платформы - Amazon Web Services, Microsoft Azure и Google Cloud Platform - предоставляют доступ к массивам графических процессоров для обучения и запуска моделей машинного обучения, с Google также готовится позволить пользователям использовать свои блоки тензорной обработки. - пользовательские чипы, конструкция которых оптимизирована для обучения и запуска моделей машинного обучения.
Вся необходимая сопутствующая инфраструктура и сервисы доступны из большой тройки, облачные хранилища данных, способные хранить огромный объем данных, необходимых для обучения моделей машинного обучения, сервисы для преобразования данных для их подготовки к анализу, инструменты визуализации для наглядного отображения результатов и программного обеспечения, упрощающего построение моделей.
Эти облачные платформы даже упрощают создание пользовательских моделей машинного обучения, а Google предлагает сервис, который автоматизирует создание моделей ИИ, называется Cloud AutoML.. Эта служба перетаскивания создает настраиваемые модели распознавания изображений и требует от пользователя отсутствия опыта в области машинного обучения.
Облачные сервисы машинного обучения постоянно развиваются. Amazon теперь предлагает множество предложений AWS предназначен для оптимизации процесса обучения моделям машинного обучения и недавно запустил Amazon SageMaker Clarify, инструмент, помогающий организациям искоренить предвзятость и дисбаланс в данных обучения, которые могут привести к искаженным прогнозам обученной модели.
Для тех фирм, которые не хотят создавать свои собственные модели машинного обучения, но вместо этого хотят использовать услуги по запросу на основе ИИ, такие как голос, зрение и распознавание языка, Microsoft Azure выделяется широтой услуг на предложение, за которым следует Google Cloud Platform, а затем AWS. Между тем, IBM, наряду со своими более общими предложениями по запросу, также пытается продавать отраслевые услуги ИИ, нацеленные на все, от здравоохранения до розничной торговли, группируя эти предложения вместе под своим IBM Watson, вложив 2 миллиарда долларов в покупку The Weather Channel. чтобы получить доступ к огромному количеству данных для расширения своих сервисов искусственного интеллекта.
Какая из крупных технологических компаний выигрывает гонку искусственного интеллекта?
На внутреннем уровне каждый технический гигант и другие, такие как Facebook, используют ИИ для управления множеством общественных услуг: обслуживание результатов поиска, предоставление рекомендаций, распознавание людей и вещей на фотографиях, перевод по запросу, обнаружение спама - список обширен.
Но одним из наиболее заметных проявлений этой войны ИИ стало появление виртуальных помощников, таких как Siri от Apple, Alexa от Amazon, Google Assistant и Microsoft Cortana.
В значительной степени полагаясь на распознавание голоса и обработку естественного языка и нуждаясь в огромном корпусе для ответов на запросы, огромное количество технологий вкладывается в разработку этих помощников.
Но хотя Siri от Apple, возможно, заняла первое место, это Google и Amazon, чьи помощники с тех пор обогнали Apple в области искусственного интеллекта - Google Assistant с его способностью отвечать на широкий спектр запросов и Amazon Alexa с огромным количеством `` навыков ''. что сторонние разработчики создали, чтобы расширить его возможности.
Со временем эти помощники приобретают способности, которые делают их более отзывчивыми и способными лучше справляться с вопросами, которые люди задают в обычном разговоре. Например, Google Assistant теперь предлагает функцию под названием «Продолжение разговора», где пользователь может задавать дополнительные вопросы к своему первоначальному запросу, такие как «Какая сегодня погода?», А затем «А как насчет завтра?». и система понимает, что последующий вопрос также относится к погоде.
Эти помощники и связанные с ними службы также могут обрабатывать гораздо больше, чем просто речь, с последней версией Google Lens, способной переводить текст в изображения и позволять вам искать одежду или мебель по фотографиям.
Несмотря на то, что Cortana встроена в Windows 10, в последнее время она переживает особенно тяжелые времена: теперь Alexa от Amazon доступна бесплатно на ПК с Windows 10. В то же время Microsoft обновлена роль Кортаны в операционной системе чтобы сосредоточиться больше на задачах производительности, таких как управление расписанием пользователя, а не на более ориентированных на потребителя функциях, которые есть в других помощниках, таких как воспроизведение музыки.
Какие страны лидируют в области ИИ?
Было бы большой ошибкой думать, что технологические гиганты США зашили сферу ИИ. Китайские фирмы Alibaba, Baidu и Lenovo вкладывают значительные средства в ИИ в самых разных областях, от электронной коммерции до автономного вождения. Как страна, Китай реализует трехэтапный план по превращению ИИ в основную отрасль для страны. тот, который к концу 150 года будет стоить 22 миллиардов юаней (2020 миллиарда долларов). становиться ведущая мировая держава искусственного интеллекта к 2030 году.
Baidu инвестировал в разработку беспилотных автомобилейна базе алгоритма глубокого обучения Baidu AutoBrain. После нескольких лет испытаний на беспилотном автомобиле Apollo на тестах проехал более трех миллионов миль, он перевез более 100 000 пассажиров в 27 городов мира..
В этом году Baidu запустила в Пекин флот из 40 роботов-такси Apollo Go. Основатель компании предсказал, что беспилотные автомобили станут обычным явлением в городах Китая в течение пяти лет.
Сочетание слабых законов о конфиденциальности, огромных инвестиций, согласованного сбора данных и анализа больших данных такими крупными компаниями, как Baidu, Alibaba и Tencent, означает, что некоторые аналитики считают, что Китай будет иметь преимущество перед США, когда дело доходит до будущих исследований ИИ. , с одним аналитиком, описывающим шансы Китай опережает США со счетом 500: 1 в пользу Китая.
Беспилотный автомобиль Baidu, модифицированный BMW 3 серии.
Изображение: Baidu
Как я могу начать работу с ИИ?
Хотя вы можете купить умеренно мощный графический процессор Nvidia для своего ПК - где-то рядом с Nvidia GeForce RTX 2060 или быстрее - и начать обучение модели машинного обучения, вероятно, самый простой способ экспериментировать со службами, связанными с ИИ, - через облако.
Все крупные технологические компании предлагают различные услуги ИИ, от инфраструктуры для создания и обучения ваших собственных моделей машинного обучения до веб-сервисов, которые позволяют вам получить доступ к инструментам на основе ИИ, таким как распознавание речи, языка, видения и настроений по запросу. .
Как ИИ изменит мир?
Роботы и автомобили без водителя
Стремление к тому, чтобы роботы могли действовать автономно, понимать окружающий мир и ориентироваться в нем, означает, что между робототехникой и искусственным интеллектом существует естественное совпадение. Хотя ИИ - лишь одна из технологий, используемых в робототехнике, ИИ помогает роботам переходить в новые области, такие как самостоятельного вождения автомобилей, роботы-доставщики и помогая роботам узнать новые навыки. В начале 2020 года General Motors и Honda раскрыли Cruise Origin, беспилотный автомобиль с электрическим приводом, и Waymo, группа самоуправляемых автомобилей в составе материнской компании Google Alphabet, недавно открыла для широкой публики услугу роботакси в Фениксе, штат Аризона, предлагая услуги на территории города площадью 50 квадратных миль.
Поддельные новости
Мы находимся на пороге создания нейронных сетей, которые могут создавать фотореалистичные изображения or воспроизводить чей-то голос в идеальной манере. Это может привести к серьезным социальным изменениям, таким как невозможность больше доверять видео- или аудиозаписи как подлинной. Также начинают возникать опасения по поводу того, как такие технологии будут использоваться для присвоения чужих изображений, с инструментами, которые уже созданы, чтобы убедительно объединить известные лица в фильмы для взрослых.
Распознавание речи и языка
Системы машинного обучения помогли компьютерам распознавать то, что говорят люди, с точностью почти 95%. Группа Microsoft по искусственному интеллекту и исследованиям также сообщила, что разработала систему, которая расшифровывает говорит по-английски так же точно, как человеческие расшифровщики.
Поскольку исследователи стремятся к достижению 99% точности, можно ожидать, что общение с компьютерами станет все более распространенным явлением наряду с более традиционными формами взаимодействия человека с машиной.
Между тем, модель языкового прогнозирования OpenAI GPT-3 недавно вызвала ажиотаж своей способностью создавать статьи, которые могли сойти за написанные человеком.
Распознавание лиц и наблюдение
В последние годы точность систем распознавания лиц резко выросла до такой степени, что Китайский технологический гигант Baidu заявляет, что может сопоставить лица с точностью 99%при условии, что лицо на видео достаточно четкое. В то время как полиция в западных странах, как правило, опробовала системы распознавания лиц только на крупных мероприятиях, в Китае власти реализуют общенациональную программу по подключению систем видеонаблюдения по всей стране к распознаванию лиц и использованию систем искусственного интеллекта для отслеживания подозреваемых и подозрительного поведения. и имеет также расширило использование полицией очков для распознавания лиц..
Хотя правила конфиденциальности различаются во всем мире, вполне вероятно, что это более навязчивое использование технологии искусственного интеллекта, в том числе искусственного интеллекта, способного распознавать эмоции, постепенно станет более распространенным. Однако растущая негативная реакция и вопросы о справедливости систем распознавания лиц привели к тому, что Amazon, IBM и Microsoft приостановили или прекратили продажу этих систем правоохранительным органам.
Здоровье
В конечном итоге ИИ может оказать огромное влияние на здравоохранение, помогая радиологам обнаруживать опухоли на рентгеновских снимках, помогая исследователям определять генетические последовательности, связанные с заболеваниями, и определять молекулы, которые могут привести к созданию более эффективных лекарств. Ожидается, что недавний прорыв в системе машинного обучения Google AlphaFold 2 сократит время, затрачиваемое на ключевой этап разработки новых лекарств, с месяцев до часов.
Технологии, связанные с искусственным интеллектом, проходили испытания в больницах по всему миру. К ним относятся инструмент IBM Watson для поддержки принятия клинических решений, который онкологи обучают в онкологическом центре Memorial Sloan Kettering, и использование систем Google DeepMind Национальной службой здравоохранения Великобритании, где он поможет выявить аномалии глаз и упростить процесс скрининга пациентов на рак головы и шеи.
Усиление дискриминации и предвзятости
Растущее беспокойство вызывает то, как системы машинного обучения могут кодифицировать человеческие предубеждения и социальное неравенство, отраженные в их данных обучения. Эти опасения подтверждаются многочисленными примерами того, как отсутствие разнообразия в данных, используемых для обучения таких систем, имеет негативные последствия в реальном мире.
В 2018, Исследовательский документ MIT и Microsoft обнаружили, что системы распознавания лиц, продаваемые крупными технологическими компаниями, страдают от ошибок, которые были значительно выше при идентификации людей с более темной кожей - проблема, связанная с тем, что наборы данных для обучения составляли в основном белых мужчин.
Другой учиться год спустя подчеркнул, что в системе распознавания лиц Amazon Rekognition возникли проблемы с определением пола людей с более темной кожей, обвинение, которое было оспорено руководителями Amazon, подсказывая один из исследователей, ответивших на вопросы, поднятые в опровержении Amazon.
С момента публикации исследований многие крупные технологические компании, по крайней мере временно, прекратили продажу систем распознавания лиц полицейским управлениям.
Еще один пример недостаточно разнообразных результатов искажения данных обучения попал в заголовки газет в 2018 году, когда Amazon отказалась от инструмента найма на основе машинного обучения, который считал кандидатов-мужчин предпочтительными. Сегодня исследования продолжаются в способы устранения предвзятости в самообучающихся системах.
ИИ и глобальное потепление
По мере роста размеров моделей машинного обучения и наборов данных, используемых для их обучения, растет и углеродный след огромных вычислительных кластеров, которые формируют и запускают эти модели. Влияние питания и охлаждения на эти вычислительные фермы на окружающую среду было незначительным. тема доклада Всемирного экономического форума в 2018 г.. Один По оценке 2019 года, мощность, требуемая системам машинного обучения, удваивается каждые 3.4 месяца..
Проблема огромного количества энергии, необходимой для обучения мощных моделей машинного обучения, была привлекла внимание недавно выпуском модели языкового прогнозирования GPT-3, обширная нейронная сеть с примерно 175 миллиардами параметров.
Хотя ресурсы, необходимые для обучения таких моделей, могут быть огромными и в основном доступны только крупным корпорациям, после обучения энергия, необходимая для запуска этих моделей, значительно уменьшается. Однако по мере роста спроса на услуги, основанные на этих моделях, потребление энергии и связанное с этим воздействие на окружающую среду снова становятся проблемой.
Один из аргументов заключается в том, что воздействие на окружающую среду обучения и запуска более крупных моделей необходимо сопоставить с потенциальным положительным влиянием машинного обучения.Например, более быстрое развитие здравоохранения, которое выглядит вероятным после прорыва, совершенного AlphaFold 2 от Google DeepMind.
ИИ всех нас убьет?
Опять же, это зависит от того, кого вы спрашиваете. По мере того как системы на базе искусственного интеллекта становятся более функциональными, предупреждения о недостатках становятся все более ужасными.
Тесла и Генеральный директор SpaceX Илон Маск заявил что ИИ представляет собой «фундаментальную опасность для существования человеческой цивилизации». В рамках своего стремления к усилению нормативного надзора и более ответственных исследований по смягчению недостатков ИИ он основал OpenAI, некоммерческую исследовательскую компанию по искусственному интеллекту, которая стремится продвигать и развивать дружественный ИИ, который принесет пользу обществу в целом. Точно так же уважаемый физик Стивен Хокинг предупредил, что после создания достаточно продвинутого ИИ он быстро продвинется до точки, в которой он значительно превзойдет человеческие возможности. Явление, известное как сингулярность, может представлять угрозу существованию человечества.
Тем не менее, идея о том, что человечество находится на грани взрыва ИИ, который затмит наш интеллект, кажется некоторым исследователям ИИ абсурдной.
Крис Бишоп, директор по исследованиям Microsoft в Кембридже, Англия, подчеркивает, насколько узкий интеллект ИИ сегодня отличается от общего интеллекта людей., говоря, что, когда люди беспокоятся о «Терминаторе, подъеме машин и так далее»? Абсолютная чушь, да. В лучшем случае до таких обсуждений уйдут десятилетия ».
Украдет ли ИИ вашу работу?
Возможность систем с искусственным интеллектом заменить большую часть современного ручного труда, возможно, является более вероятной возможностью ближайшего будущего.
Хотя ИИ не заменит все рабочие места, можно сказать наверняка, что ИИ изменит характер работы, и единственный вопрос заключается в том, насколько быстро и насколько глубоко автоматизация изменит рабочее место.
Едва ли есть область человеческих усилий, на которую ИИ не мог бы повлиять. В виде Эксперт по искусственному интеллекту Эндрю Нг говорит об этом: «Многие люди выполняют рутинную повторяющуюся работу. К сожалению, технологии особенно хороши для автоматизации рутинной повторяющейся работы », заявив, что он видит« значительный риск технологической безработицы в следующие несколько десятилетий ».
Свидетельства того, какие рабочие места будут заменены, начинают появляться. Сейчас 27 Amazon Go магазины и супермаркеты без кассира, где покупатели просто берут товары с полок и уходят в США. Что это означает для более чем трех миллионов человек в США, которые работают кассирами, еще неизвестно. Amazon снова лидирует в использовании роботов для повышения эффективности на своих складах. Эти роботы несут полки с продуктами сборщикам кто выбирает товары для отправки. Amazon имеет более 200 000 ботов в центрах выполнения заказов и планирует добавить еще. Но Amazon также подчеркивает, что по мере роста числа ботов растет и количество людей, работающих на этих складах. Однако Amazon и небольшие фирмы, занимающиеся робототехникой, работают над автоматизацией оставшейся ручной работы на складе, поэтому не факт, что ручной и роботизированный труд продолжат расти рука об руку.
Полностью автономные беспилотные автомобили еще не реальность, но, по некоторым прогнозам, промышленность самоуправляемых грузовиков Один только может занять более 1.7 миллиона рабочих мест в следующем десятилетии, даже без учета воздействия на курьеров и водителей такси.
Тем не менее, некоторые из самых простых задач для автоматизации даже не потребуют робототехники. В настоящее время миллионы людей занимаются администрированием, вводят и копируют данные между системами, отслеживают и записывают встречи для компаний, поскольку программное обеспечение становится лучше в автоматическом обновлении систем и пометке важной информации, поэтому потребность в администраторах отпадет.
Как и при каждом технологическом сдвиге, будут созданы новые рабочие места, чтобы заменить утраченные. Однако, что неясно, так это то, будут ли эти новые роли созданы достаточно быстро предлагать работу перемещенным лицам и будет ли у недавно безработных иметь необходимые навыки или темперамент для выполнения этих возникающих ролей.
Не все пессимисты. Для некоторых, ИИ - это технология, которая скорее увеличит, чем заменит рабочих. Мало того, они утверждают, что коммерческий императив не заменять людей полностью, поскольку работник с искусственным интеллектом - подумайте, консьерж-человек с гарнитурой AR, которая точно сообщает им, чего хочет клиент, прежде чем они попросят об этом - будет продуктивнее или эффективнее, чем ИИ, работающий самостоятельно.
Среди экспертов по ИИ существует широкий спектр мнений о том, как быстро системы искусственного интеллекта превзойдут человеческие возможности.
Институт будущего человечества Оксфордского университета попросили несколько сотен экспертов по машинному обучению предсказать возможности ИИ. в ближайшие десятилетия.
Примечательные даты включали в себя написание эссе ИИ, которое к 2026 году могло считаться написанным человеком, водителей грузовиков уволили к 2027 году, ИИ превзошел человеческие возможности в розничной торговле к 2031 году, написал бестселлер к 2049 году и выполнил работу хирурга к 2053 году. .
По их оценкам, существует относительно высокая вероятность того, что ИИ превзойдет людей во всех задачах в течение 45 лет и автоматизирует все человеческие рабочие места в течение 120 лет.
Узнать больше:
IBM добавляет инструменты Watson для понимания прочитанного, извлечения FAQ.
Связанное покрытие
Как машинное обучение и искусственный интеллект изменят бизнес-аналитику и аналитику
Развитие машинного обучения и искусственного интеллекта в пяти областях упростит подготовку, обнаружение, анализ, прогнозирование и принятие решений на основе данных.
Отчет: Искусственный интеллект создает рабочие места, принося экономические выгоды
Новое исследование Deloitte показывает, что первые пользователи когнитивных технологий положительно относятся к своей нынешней и будущей роли.
ИИ и рабочие места: где люди лучше алгоритмов, и наоборот
Легко увязнуть в мрачных предсказаниях о том, что искусственный интеллект уничтожит миллионы рабочих мест. Вот проверка на реальность.
Как искусственный интеллект развязывает новый тип киберпреступности (TechRepublic)
Вместо того, чтобы прятаться за маской для ограбления банка, преступники теперь прячутся за искусственным интеллектом, чтобы совершить нападение. Однако финансовые учреждения также могут использовать ИИ для борьбы с этими преступлениями.
Илон Маск: искусственный интеллект может спровоцировать третью мировую войну (CNET)
Серийный генеральный директор уже сражается в завтрашних научно-фантастических сражениях, и его по-прежнему беспокоят роботы-убийцы больше, чем что-либо еще.
PlatoAi. Web3 в новом свете. Расширенный анализ данных.
Щелкните здесь, чтобы получить доступ.
