DeepMindin tappiot ja keinoälyn tulevaisuus


Aakkoset DeepMind menetetty Viime vuonna 572 miljoonaa dollaria. Mitä se tarkoittaa?

DeepMind, todennäköisesti maailman suurin tutkimukseen keskittynyt tekoälyoperaatio, menettää paljon rahaa nopeasti, yli miljardi dollaria viimeisen kolmen vuoden aikana. DeepMindillä on myös yli miljardin dollarin velka seuraavien 12 kuukauden aikana.

Tarkoittaako tämä, että AI hajoaa?

Langallinen lausunto

NOIN

Gary Marcus on Robust.AI: n perustaja ja toimitusjohtaja sekä psykologian ja hermotieteiden professori NYU: ssa. Hän on kirjoittanut tulevasta julkaisusta yhdessä Ernest Davisin kanssa AI: n käynnistäminen uudelleen: Keinotekoisen älykkyyden rakentaminen, johon voimme luottaa.

Ei lainkaan. Tutkimus maksaa rahaa, ja DeepMind tekee enemmän tutkimusta vuosittain. Käytettävissä olevat dollarit ovat suuria, ehkä enemmän kuin missään aikaisemmassa AI-tutkimusoperaatiossa, mutta eivät kaukana ennennäkemättömistä verrattuna summiin, jotka on käytetty tietyn tieteen suurimpaan projektiin. Suuri Hadron-kolari maksaa noin miljardi dollaria vuodessa, ja Higgs Bosonin löytämisen kokonaiskustannuksiksi on arvioitu yli 10 miljardia dollaria. Varmasti aito kone älykkyys (tunnetaan myös nimellä keinotekoinen yleinen älykkyys), sellainen, joka voimistaa a Star Trek– Toinen tietokone, joka pystyy analysoimaan kaikenlaisia ​​tavallisella englannilla esitettyjä kyselyjä, olisi paljon enemmän kuin sen arvoinen.

Silti DeepMindin tappioiden kasvavaa suuruutta on syytä harkita: 154 miljoonaa dollaria vuonna 2016, 341 miljoonaa dollaria vuonna 2017, 572 miljoonaa dollaria vuonna 2018. Mielestäni on kolme keskeistä kysymystä: Onko DeepMind oikealla tiellä tieteellisesti? Ovatko tämän suuruusluokan investoinnit aakkosten näkökulmasta? Ja miten tappiot vaikuttavat AI: hen yleensä?

Ensimmäisessä kysymyksessä on syytä skeptisyyteen. DeepMind on laittanut suurimman osan munistaan ​​yhteen koriin, tekniikka, joka tunnetaan syvän vahvistamisen oppimisena. Tuo tekniikka yhdistää syvä oppiminen, käytetään ensisijaisesti kuvioiden tunnistamiseen, vahvistaminen oppiminen, suunnattu oppimiseen perustuen palkitsemissignaaleihin, kuten pelin pisteet tai voitto tai tappio pelissä kuten shakki.

DeepMind antoi tekniikalle nimensä vuonna 2013 jännittävässä lehdessä, joka osoitti, kuinka yksi hermoverkkojärjestelmä voitaisiin kouluttaa pelaamaan erilaisia ​​Atari-pelejä, kuten Puhjeta ja Space Invaders, samoin kuin tai paremmin kuin ihmiset. Paperi oli tekninen kiertue ja oletettavasti keskeinen katalysaattori DeepMindin tammikuussa 2014 myyntiin Googlelle. Tekniikan edistyminen on lisännyt DeepMindin vaikuttavia voittoja Go-ohjelmassa ja tietokonepelissä StarCraft.

Ongelmana on, että tekniikka on hyvin erityinen kapeisiin olosuhteisiin. Pelatessaan Puhjeta, Esimerkiksi pienet muutokset, kuten melan siirtäminen muutamalla pikselillä, voivat aiheuttaa dramaattisia suorituskyvyn heikkenemisiä. DeepMind n StarCraft tulokset olivat samalla tavoin rajoitetut, ja paremmat tulokset kuin ihmisillä pelattaessa yhdellä kartalla yhdellä merkin "rodulla", mutta huonommat tulokset eri karttoilla ja eri merkkeillä. Jos haluat vaihtaa merkkejä, sinun täytyy kouluttaa järjestelmä uudelleen tyhjästä.

Joillakin tavoin syvävahvistusoppiminen on eräänlainen turboahdettu muistaminen; järjestelmät, jotka sitä käyttävät, kykenevät mahtaviin erikoisuuksiin, mutta heillä on vain matala ymmärrys tekemästään. Tämän seurauksena nykyisistä järjestelmistä puuttuu joustavuus, joten ne eivät pysty kompensoimaan maailman muutoksia, joskus jopa pienillä tavoilla. (DeepMindin viimeaikaiset munuaissairauksien tulokset on kyseenalaistettu samalla tavalla.)

Syvävahvistava oppiminen vaatii myös valtavan määrän tietoa – esim. Miljoonat itse pelatut Go-pelit. Se on paljon enemmän kuin ihminen vaatisi tullakseen maailmanluokkaksi Goissa, ja usein vaikeaa tai kallista. Tämä asettaa vaatimuksen Google-mittaisiin tietokoneresursseihin, mikä tarkoittaa, että monissa reaalimaailman ongelmissa pelkästään tietokoneaika olisi liian kallista useimmille käyttäjille harkita. Yhden arvioinnin mukaan AlphaGon koulutusaika maksaa 35 miljoonaa dollaria; sama arvio vertasi käytetyn energian määrää 12 760 ihmisen aivojen kuluttamaan energiaan jatkuvasti kolme päivää ilman unta.

Mutta se on vain taloustiedettä. Todellinen asia, kuten Ernest Davis ja minä väitämme tulevassa kirjassamme AI: n käynnistäminen uudelleen, on luottamus. Toistaiseksi syvävahvistusoppimiseen voi luottaa vain hyvin hallittavissa ympäristöissä, joissa on vain vähän yllätyksiä; joka toimii hyvin Go: lle – hallitus tai säännöt eivät ole muuttuneet 2000 vuodessa – mutta et halua luottaa siihen monissa reaalimaailman tilanteissa.

Pieni kaupallinen menestys

Osittain siksi, että harvat reaalimaailman ongelmat ovat yhtä rajoittavia kuin pelit, joihin DeepMind on keskittynyt, DeepMind ei ole vielä löytänyt mitään laaja-alaista kaupallista sovellusta syvän vahvistamisen oppimiseen. Toistaiseksi Aakkoset ovat investoineet noin 2 miljardia dollaria (mukaan lukien ilmoitettu 650 miljoonan dollarin ostohinta vuonna 2014). Suorat taloudelliset tuotot, ilman julkisuutta, ovat olleet vaatimattomia verrattuna viime vuonna noin 125 miljoonan dollarin tuloihin, joista osa tuli syvällisestä vahvistusoppimisesta Aakkosessa Google-palvelimien jäähdytyskustannusten vähentämiseksi.

Syvävahvistusoppiminen voi olla kuin transistori, tutkimuskeksintö, joka muutti maailmaa, tai se voi olla ”ratkaisu ongelman etsimiseen”.

Se, mikä toimii Go: lle, ei välttämättä toimi haasteellisissa ongelmissa, joita DeepMind pyrkii ratkaisemaan AI: n kanssa, kuten syöpä ja puhdas energia. IBM oppi tämän kovan tavan yrittäessään ottaa voittaneen Watson-ohjelman Jeopardy! ja soveltaa sitä lääketieteelliseen diagnoosiin pienellä menestyksellä. Watson toimi hyvin joissain tapauksissa ja epäonnistui toisissa, joskus puuttui diagnooseista, kuten sydänkohtauksista, jotka olisivat selviä ensimmäisen vuoden lääketieteen opiskelijoille.

Tietenkin se voi olla vain ajan kysymys. DeepMind on työskennellyt syvävahvistuksen oppimisessa ainakin vuodesta 2013, ehkä pidempään, mutta tieteellinen kehitys muuttuu harvoin tuotteeksi yön yli. DeepMind tai muut voivat viime kädessä löytää tavan tuottaa syvempiä, vakaampia tuloksia syvävahvistusoppimisella, ehkä yhdistämällä se muiden tekniikoiden kanssa – tai he eivät välttämättä. Syvävahvistava oppiminen voi viime kädessä osoittautua transistorin kaltaiseksi, tutkimuslaboratoriona yrityslaboratoriosta, joka muutti maailmaa täysin, tai se voi olla sellainen akateeminen uteliaisuus, jota John Maynard Smith kuvaili kerran ratkaisuna ongelman etsimisessä. Minun henkilökohtainen arvaukseni on, että se osoittautuu jostain väliin, hyödylliseksi ja laajalle levinneeksi työkaluksi, mutta ei maailmanmuuttajaksi.

Kenenkään ei pidä laskea DeepMindia, vaikka sen nykyinen strategia osoittautuisi vähemmän hedelmälliseksi kuin monet ovat toivoneet. Syvävahvistava oppiminen ei ehkä ole kuninkaallinen tie yleiseen älykkyyteen, mutta DeepMind itsessään on valtava operaatio, tiukasti hoidettu ja hyvin rahoitettu, satojen tohtorien kanssa. Julkisuus syntyi menestyksistä Go-, Atari- ja StarCraft houkutella yhä enemmän lahjakkuuksia. Jos AI: n tuulet muuttuvat, DeepMind saattaa olla hyvissä asemissa tarttumaan toiseen suuntaan. Ei ole selvää, että kuka tahansa voi sovittaa sen.

Toisaalta laajemmassa aakkosjärjestyksessä 500 miljoonaa dollaria vuodessa ei ole valtava veto. Aakkoset ovat (viisaasti) tehneet muita panoksia AI: lle, kuten Google Brain, joka itse kasvaa nopeasti. Aakkoset saattavat muuttaa AI-salkun saldoa monin tavoin, mutta 100 miljardin dollarin vuosittaisessa tuloyrityksessä, joka riippuu AI: sta kaikesta etsinnästä mainossuositukseen, Aakkoset eivät ole hulluja, että Aakkoset tekevät useita merkittäviä sijoituksia.

Huoli ylenmääräisestä

Viimeiseen kysymykseen siitä, kuinka DeepMindin talous vaikuttaa AI: hen yleensä, on vaikea vastata. Jos hype ylittää toimituksen, se voi johtaa ”AI-talveen”, jossa jopa kannattajat ovat haluttomia investoimaan. Sijoitusyhteisö toteaa merkittäviä tappioita; Jos DeepMindin tappiot jatkaisivat suunnilleen kaksinkertaistumista vuosittain, jopa Aakkoset saattavat lopulta tuntea pakkoa vetää ulos. Ja se ei ole vain rahaa. Toistaiseksi puuttuu myös konkreettisia taloudellisia tuloksia. Jossain vaiheessa sijoittajat saatetaan pakottaa kalibroimaan innostumisensa AI: n suhteen.

Se ei ole vain DeepMind. Useita muutama vuosi sitten luvattuja edistysaskeleita – kuten autoja, jotka voivat ajaa omalla autollaan, tai chatboteja, jotka ymmärtävät keskustelut – ei ole vielä toteutettu. Mark Zuckerbergin huhtikuussa 2018 lupaus kongressille, että AI ratkaisee pian väärennetyt uutiset, on jo lieventynyt, kuten Davis ja minä ennustuin. Talk on halpaa; AI: n innostumisen lopullinen aste riippuu saavutetusta.

Toistaiseksi aito koneen älykkyys on ollut helpompaa hypeillä kuin rakentaa. Vaikka rajoitetuilla aloilla, kuten mainonta ja puheentunnistus, on edistytty huomattavasti, AI: lla on kiistatta vielä pitkä tie kuljettavanaan. Suurten tietojoukkojen järkevän analyysin etuja ei voida kieltää; jopa rajoitetussa muodossa, AI on jo tehokas työkalu. Yritysmaailmasta saattaa tulla vähemmän bullish AI: n suhteen, mutta sillä ei ole varaa vetää pois kokonaan.

Oma arvaukseni?

Kymmenen vuoden kuluttua päättelemme, että syvävahvistuksen oppiminen yliarvioitiin 2010-luvun lopulla ja että monet muut tärkeät tutkimusväylät jätettiin huomiotta. Jokainen vahvistusoppimiseen sijoitettu dollari on dollari, jota ei sijoiteta muualle, aikaan, jolloin esimerkiksi inhimillisten kognitiivisten tieteiden havainnot saattavat tuottaa arvokkaita vihjeitä. Koneoppimisen tutkijat kysyvät usein: ”Kuinka koneet voivat optimoida monimutkaisia ​​ongelmia käyttämällä valtavia tietomääriä?” Voimme kysyä myös: “Kuinka lapset oppivat kielen ja tulevat ymmärtämään maailmaa käyttämällä vähemmän voimaa ja tietoa kuin nykyiset AI-järjestelmät? ? ”Jos viettäisimme enemmän aikaa, rahaa ja energiaa jälkimmäiseen kysymykseen kuin edellinen, saatamme päästä keinotekoiseen älykkyyteen paljon nopeammin.


Lisää upeita langallisia tarinoita