Články označené ako BrandCom sú pripravené a publikované v spolupráci s komerčnými partnermi. Hoci redakcia TRENDU nie je ich autorom, ich obsah považuje za prínosný pre čitateľa a preto umožnila ich publikovanie. Viac o BrandCom

BLOG František Muránsky

Umelá inteligencia nie je taká inteligentná, ako si myslíte

29.05.2018 | František Muránsky

Napriek súčasnému progresu v oblasti umelej inteligencie, sú predpovede, že v priebehu niekoľkých desaťročí vytvoríme superinteligenciu, nereálne a utopistické.

  • Tlačiť
  • 8

Takmer každý deň prinášajú médiá správy o úspechoch umelej inteligencie. Tie sa týkajú rôznorodých oblastí: od vizuálneho rozpoznávania, rozpoznávania reči, autonómneho riadenia áut, až po triumfy umelej inteligencie nad ľudskými hráčmi v šachu , v hre go alebo vedomostnej hry Jeopardy. Aj tieto úspechy z oblasti umelej inteligencie viedli viacerých špičkových vedcov a osobnosti ako napr. Stephena Hawkinga, Elona Muska, k ich apokalyptickým scenárom o nástupe superinteligencie, ktorá môžu ohroziť ľudskú rasu.

Sú nedávne úspechy v oblasti umelej inteligencie skutočne predzvesťou blízkeho príchodu silnej inteligencie či dokonca superinteligencie?

Patrím medzi, tých ktorí veria, že sa nám ľuďom silnú umelú inteligenciu podarí vytvoriť. Každopádne predstavy médií či vyššie spomenutých osobností, že za pár desaťročí vytvoríme stroje s úrovňou silnej inteligencie či superinteligencie patria do ríše snov. Keď sa pozrieme bližšie v nasledujúcich riadkoch na súčasný stav v oblasti umelej inteligencie, uvidíme, že umelá inteligencia dosahuje naozaj pozoruhodné úspechy v úzko špecializovaných úlohách, ktoré patria do oblasti slabej umelej inteligencie. Avšak progres silnej umelej inteligencie, je v skutočnosti extrémne slabý a pomalý, ak vôbec o nejakom progrese môžeme hovoriť (silná umelá inteligencia sa vyznačuje tým, že sa vyrovná tej ľudskej a disponuje celým spektrom kognitívnych schopností ako napríklad porozumenie zložitým konceptom, plánovanie, riešenie rôznorodých úloh, abstraktné rozmýšľanie, schopnosť sebauvedomenia, generalizovanie, uvažovanie či chápanie zložitých myšlienok.

Machine learning nie je ničím novým pod slnkom

V posledných pár rokoch došlo v rôznych oblastiach umelej inteligencie k prielomom, ktoré sa zdali byť nemožné ešte pred desiatimi rokmi. Za týmito úspechmi umelej inteligencie stojí takmer výhradne technika machine learning (strojové učenie). Médiá a rôzni analytici radi túto techniku označujú ako novú a odlišnú od predchádzajúcej praxe. Napríklad profesori z MIT Erik Brynjolfsson a Andrew McAfee autori bestselleru Druhý vek strojov tvrdia, že najdôležitejšou vecou, ​​ktorú je potrebné pochopiť o machine learning, je, že predstavuje „podstatne odlišný prístup k vytváraniu softvéru od predchádzajúcej praxe” a pokračujú „Stroj sa učí z príkladov, a nie je výslovne naprogramovaný na konkrétny výsledok …ako to bolo počas posledných 50 rokov”.

Tento pohľad profesorov z MIT na strojové učenie je však chybný. Strojové učenie je kombináciou neurónových sietí a matematickej štatistiky a nie je ničím novým alebo prevratným. Neurónové siete vznikli v 50. rokoch minulého storočia a mnohé z kľúčových algoritmov sa objavili v 80. a 90. rokoch minulého storočia.

Nedávny progres strojového učenia nastal z oveľa prozaickejších udalostí. Vďaka internetu, vedci a inžinieri konečne získali zdroj obrovského množstva dát - obrazových, zvukových a textových, ktoré sa ukázali byť nevyhnutné na to, aby strojové učenie dobre fungovalo.

Nie je učenie ako učenie

Jednou z nesporných výhod strojového učenia je v tom, že programátori nemusia naprogramovať každý krok kódu manuálne, čo je časovo aj finančne extrémne náročné.

Ako sa vlastne stroj učí? V prípade klasického prístupu, máme vstupné dáta, algoritmus, ktorý vytvára programátor a nakoniec výstup. U strojového učenia je však zvolený odlišný prístup. Vstupom sú dáta a požadovaný výsledok a výstupom je učiaci sa algoritmus. Učiaci sa algoritmus sa v každom novom cykle porovná s požadovaným výsledkom, upraví sa a s príchodom ďalších dát vytvorí novú predpoveď. Čím viac dát, tým viac sa môže stroj učiť a vytvárať tak lepšie predpovede.

Jedným z dôsledkov nedávneho progresu v oblasti strojového učenia bolo to, že počítače sa zrazu stali schopnými robiť veci, ktoré boli pred pár rokmi nemožné, ako napríklad správne označovanie a rozoznávanie rôznych vizuálnych objektov na internete. Je však naozaj tento progres taký impozantný, ako o tom radi médiá informujú?
Úspech strojového učenia v prípade rozoznávania vizuálnych objektov je prudko závislý od informácií získaných od nás ľudí. Počítače rozoznávajú rôzne vizuálne objekty (mačky, psy) na internete, pretože tie už pred nimi státisíce ľudí jasne označili. A dokonca aj s takouto masívnou pomocou od ľudí, počítače stále potrebujú obrovské množstvo údajov, extrémne zložité výpočty a enormné množstvo času, aby sa mohli pozrieť na nový obraz a povedať, hmm to je mačka. Toľko úsilia na to, čo dokáže zvládnuť bez problémov každé dieťa.

Učenie sa z dát vytvára v širokej verejnosti mylné zdanie, že stroje sa stávajú viac inteligentné. Avšak spôsob, ktorým sa „učí“ stroj je ťažkopádny a diametrálne odlišný od spôsobu, akým sa učíme my ľudia. Ako konštatujú viaceré osobnosti z oblasti umelej inteligencie potrebujeme vedieť viac, akým spôsobom sa učia ľudia, aby sme vedeli zásadným spôsobom urýchliť procesy učenia strojov, pretože tie stále výrazným spôsobom zaostávajú za ľuďmi. Súčasné úspechy strojového učenia totiž nie sú postavené na nových a prelomových algoritmoch, ale stoja takmer výhradne na tom, že máme k dispozícii viac vstupných dát, viac počítačovej pamäte, rýchlejšie a výkonnejšie stroje než v minulosti.

Rezervuje vám AlphaGo hotel?

Pozrime sa bližšie na jeden z najväčších hitov umelej inteligencie na program AlphaGo. Ten vytvoril Google tím DeepMind a v roku 2016 sa podarilo AlphaGo v hre GO poraziť vtedajšieho najlepšieho hráča na svete Lee Sedola. Je AlphaGo konečne tým prielomom, ktorý nám chýba k vytvoreniu silnej umelej inteligencie?

Yann LeCun, šéf výskumu umelej inteligencie vo Facebooku, si to nemyslí. Podľa neho AlphaGo, ktorý používa techniku reinforcement learning funguje dobre len v simulovanom a zjednodušenom prostredí, akým je práve hra GO (pravda tak trochu kritizuje konkurenciu).

Zoberme si, ako by fungoval AlphaGo v reálnejšom svete, napr. v oblasti autonómnych áut. Jeho učenie by fungovalo asi tak, že by muselo havarovať 40 000 krát, kým by tento algoritmus prišiel na to, že momentálne ide zlou cestou a deje sa tak niečo zlé. Technika Reinforcement learning k tomu, aby sa niečo naučila, musí vykonať obrovské množstvo akcií pokus - omyl, a tým je v reálnom čase a v prostredí rýchlych zmien, akým je jazda v aute, jednoducho nepoužiteľná.

A tu slabiny AlphaGo nekončia. Jedným z typických znakov ľudskej inteligencie je schopnosť generalizovať, čo znamená, že ak sa naučíme nejakú činnosť, dokážeme získané zručnosti analogicky aplikovať v inej podobnej činnosti, napr. riadenie auta a motorky.

Keď sa Rodney Brooks, bývalý profesor robotiky na MIT opýtal tímu DeepMind, čo by sa stalo keby sa veľkosť hracej dosky len veľmi jemne zväčšila z 19x19 na 29x29 priznali, že aj takúto jednoduchú zmenu by ich program nezvládol.

Tento charakteristický rys silnej umelej inteligencie je stále pre vedcov a inžinierov „obrovská výzva“. Pravdou je, že všetky súčasné špičkové programy patria medzi slabú umelú inteligenciu typickú úzko špecializovanou činnosťou a vo všetkom ostatnom sú úplne hlúpe. Aj keď to vedci a inžinieri umelej inteligencie neradi počúvajú, aj ten najdokonalejší program AlphaGo nie je ničím iným, než výkonnejšou vreckovou kalkulačkou.

Hlboké učenie vs. ľudský mozog

Medzi ďalšie omyly, ktorých sa médiá a rôzni analytici často dopúšťajú je to, keď tvrdia, že umelé neurónové siete pracujú na „rovnakých princípoch ako mozog“. Analógia s ľudským mozgom je však mätúca a zavádzajúca. Súčasne umelé neuronové siete (na ktorých je postavené hlboké učenie), sú ľudským mozgom len veľmi zľahka inšpirované.

Umelé neuronové siete sú chabými imitáciami mozgu. Ľudský mozog je sieť 100 miliárd neurónov, v ktorých je každý neurón spojený s mnohými tisíckami iných neurónov, takže v mozgu existuje milión miliárd pripojení. Naproti tomu architektúra najbežnejších neurónových sietí pozostáva z jednoduchej štruktúry umelých neurónov troch až dvanástich vrstiev.

Neurón v mozgu je neuveriteľne zložitý stroj, ktorému stále nerozumieme. Neurón v umelej neurónovej sieti je neuveriteľne jednoduchá matematická funkcia, ktorá zachytáva nepatrnú časť komplexnosti biologického neurónu. To nepovedal neurovedec „ktorý si chváli to svoje“, ale jeden z najznámejších ľudí z komunity vedcov a inžinierov pôsobiacich v oblasti umelej inteligencie, Andrew Ng.

Dnešné umelé neurónové siete sa „učia“ pomocou techniky backpropagation. Na rozdiel od neurónových sieti v mozgu je backpropagation až „zúfalo” pomalá, vyžaduje si špecifické podmienky odlišné od procesov prebiehajúcich v mozgu a potrebuje obrovské množstvá dát. Aj keď na prvý pohľad backpropagaíion evokuje predstavy „učenia sa” (postupné nastavovanie váh u jednotlivých neurónov) táto technika má oveľa bližšie k bežným matematickým štatistickým metódam, než princípom, podľa akých sa učí ľudský mozog.

Neuróny tvoria len 15 % buniek v mozgu. Iné bunky, ktoré nazývame glia, sa dlho považovali za pasívne časti a ich úlohou bolo štrukturálna výživová výpomoc. Vedci však u pacientov trpiacich depresiami, epilepsiou či Parkinsonovou chorobou, zistili zmeny práve v gliových bunkách. Podľa neurovedca Douglasa Fielda hrá glia dôležitejšiu úlohu v komunikačných procesoch a nemôžeme ich vynechávať z procesov fungovania mozgu.

Naše súčasné poznatky o procesoch a princípoch fungovania mozgu, ako aj naše technologické schopnosti tieto procesy napodobňovať sú stále na „primitívnej“ úrovni. Som si celkom istý, že naši vnuci sa budú nad našimi teoretickými a technologickými interpretáciami biologických procesov o mozgu len blahosklonne pousmievať.

Slabá vs. silná umelá inteligncia

Pozornosť, ktorej sa dostáva v posledných rokoch umelej inteligencii, je niečo, čo si táto technologická oblasť nepochybne zaslúži.

Mali by sme však rozlišovať dva odlišné trendy. V oblasti slabej umelej inteligencie bude dominovať progres poháňaný strojovým učením. Strojové učenie sa pomaly, ale iste stáva ďalšou univerzálnou technológiou, ktorá v blízkej budúcnosti ovplyvní všetky odvetvia priemyslu, služieb,vedy či nášho voľného času. Vďaka nej vzniknú státisíce kreatívnejších a kognitívne náročnejších pracovných pozícií, ako napríklad data scientist, a naopak zanikne množstvo rutinných pracovných pozícií, vrátane tej mojej.

Avšak v oblasti silnej umelej inteligencie by sme mali byť opatrní a skeptickí. Ako konštatuje Yann LeCun v rozhovore pre web The Verge verejnosť ani len netuší, aká je umelá inteligencia v skutočnosti „hlúpa“. Podľa LeCuna v oblasti silnej umelej inteligencie sme nedosiahli ešte ani len inteligenciu potkana.

LeCunovo tvrdenie ostro kontrastuje s predpoveďami, ktoré vyslovili významní predstavitelia komunity umelej inteligencie pred 50-60 rokmi. Alan Turing, Herbert Simon, Marvin Minsky verili, že silná umelá inteligencia v našich časoch mala byť už dávno hotová vec. Dnes sa podobného omylu dopúšťajú Ray Kurzweil, Elon Musk, Stephen Hawking, Nick Bostrom. A prečo?

Poznáme technológie pomocou, ktorých dokážeme vytvoriť silnú umelú inteligenciu?

Základný omyl prorokov blízkeho príchodu silnej umelej inteligencie  je v tom, že extrapolujú úspechy z oblasti slabej umelej inteligencii do oblasti silnej umelej inteligencie Ako to príznačne okomentoval vedec Rodney Brooks, „keď ľudia vidia, že nejaký program si vedie skvele v určitej úlohe, majú tendenciu si myslieť, že to týmto algoritmom pôjde aj vo všetkom ostatnom“.

Ak chceme vytvoriť silnú umelú inteligenciu, mali by sme skôr hľadať odpovede na nasledujúce otázky.

Dokážeme vytvoriť silnú umelú inteligenciu, ktorá bude disponovať vedomím, porozumením, generalizovaním, premýšľaním, pomocou súčasných technológií?

Je digitálny počítač vhodnou analógiou biologického mozgu?

Je súčasná architektúra digitálneho počítača s oddeleným hardvérom a softvérom vhodnou technológiou na vytvorenie silnej umelej inteligencie?

Je naša myseľ (software) nezávislá od nášho mozgu (hardware)?

Je možné pomocou pythonu alebo iného symbolického jazyka „nakódiť“ silnú umelú inteligenciu?



  • Tlačiť
  • 8

František Muránsky

František Muránsky
  • Počet článkov: 26
  • Priemerná čítanosť: 1879
  • Priemerná diskutovanosť: 9
  • RSS blogu

O blogu

Som technologický optimista. Chcem prinášať pozitívne správy o vplyve technológií na nás ľudí. Pracujem v oblasti automatizácie ako projektant riadiacich a bezpečnostných systémov pre jadrové a chemické spoločnosti.

František Muránsky

František Muránsky
  • Počet článkov: 26
  • Priemerná čítanosť: 1879
  • Priemerná diskutovanosť: 9
  • RSS blogu

O blogu

Som technologický optimista. Chcem prinášať pozitívne správy o vplyve technológií na nás ľudí. Pracujem v oblasti automatizácie ako projektant riadiacich a bezpečnostných systémov pre jadrové a chemické spoločnosti.

Kalendár sa načítava...