人工知能がよりスマートになる方法人々と機械はいずれかの要素だけの能力を上回ります。 metamorworks / Shutterstock.com

将来は、人間だけでなく、機械だけではなく、両方とも一緒に働いています。 人間の脳の働きをモデル化した技術は、すでに人々の能力を向上させており、ますます機能を増強するこれらのマシンに社会が慣れるにつれて、より大きな影響力を持つようになります。

テクノロジーの楽観主義者たちは、 人間の生産性と生活の質 人工知能システムは人生の煩わしさと管理を引き継ぐため、 みんなに利益をもたらす。 一方、悲観論者は、これらの進歩が 失われた雇用と混乱した人生に大きな費用がかかる。 そして恐怖心はAIが最終的に 人間を時代遅れにする.

しかし、人々は未来を想像することはあまりよくありません。 ユートピアも終末もそうではありません。 私の新しい本では、ディープラーニング革命"私の目標は、この急成長する科学技術分野の過去、現在、そして未来を説明することでした。 私の結論は、AIはあなたをより賢くしますが、それはあなたを驚かせる方法です。

認識パターン

ディープ・ラーニングはAIの中で最も進歩を遂げている 複雑な問題を解決する 複数のスピーカーからのスピーチを認識したり、人々が話す方法や書く方法でテキストを処理したりするようなものです。 ディープラーニングはまた、ますます大きくなるデータセットのパターンを識別するのにも役立ちます センサー、医療機器、科学機器.


インナーセルフ購読グラフィック


このアプローチの目的は、コンピュータが世界の複雑さを表現し、以前の経験から一般化する方法を見つけることです。たとえ次のことが以前に起こったこととまったく同じではない場合でも同じです。 彼女が以前に見たことのない特定の動物が実際に猫であることを特定できるように、 深い学習アルゴリズムは、側面を識別することができます 「猫」と呼ばれるものを探し出し、それらの属性を猫の新しい画像から抽出します。

人工知能がよりスマートになる方法深い学習システムは、これらのどれが猫であるかを知ることができます。 Gelpi / Shutterstock.com

深い学習の方法は、 人間の脳を動かすのと同じ原則。 例えば、脳は同時に多くの処理単位でさまざまな種類のデータを扱います。 ニューロンは互いに多くのつながりを持っていますが、 これらのリンクは、どれだけ使用されているかによって強化または弱体化します感覚入力と概念出力との間の関連を確立する。

  最も成功した深い学習ネットワーク 視覚野のアーキテクチャ、私たちが見ている脳の一部、1960で発明されたアルゴリズムの学習に関する1980の研究に基づいています。 当時、コンピュータはまだ実世界の問題を解決するのに十分な速度ではありませんでした。 今は、そうです。

さらに、学習ネットワークは相互に積み重ねられており、接続のウェブをより密接に作成しています 視覚野に見られる層の階層に似ている。 これは、 収束 間に 人工知能.

人工知能がよりスマートになる方法4層ニューラルネットワークは、左からの入力を受け取り、第1層の出力を次の層に渡し、次の層と次の層に渡して、出力を送出する。 Sin314 / Shutterstock.com

実生活における深い学習

深い学習はすでに人間の能力に追加されています。 Googleサービスを使用してウェブを検索したり、アプリを使用してある言語から別の言語に翻訳したり、音声をテキストに変換したりすると、技術はよりスマートに、より効果的になりました。 最近、中国への旅行で、友人はAndroidの携帯電話に英語を話しました。それはタクシー運転手のために中国語を話すように翻訳しました。 スタートレックのユニバーサル・トランスレーターに設立された地域オフィスに加えて、さらにローカルカスタマーサポートを提供できるようになります。」

実際のリアルタイム翻訳装置のテスト。

{youtube}Nu-nlQqFCKg{/youtube}

これらのシステムや他の多くのシステムはすでに動作しており、あなたがそれらを認識していなくてもあなたの日常生活に役立ちます。 例えば、深い学習は、 X線画像および皮膚病変の写真の読み取り 癌検出のために。 あなたの地元の医者はすぐに今日最高の専門家にしか明らかな問題を発見することができません。

実際に行っていることの複雑さを理解していないかもしれません。AmazonのAlexaの背後には、 あなたの要求を認識する深い学習ネットワークあなたの質問に答え、あなたのために行動を取るためにデータを調べます。

学習の進歩

ディープラーニングはパターン認識の問題を解決する上で非常に有効ですが、これを超えるためには他の脳システムが必要です。 動物が行動に報いられると、それは 将来も同様の行動を取る可能性が高い。 脳の基底核におけるドーパミンニューロンは、予想された報酬と受け取った報酬の差を報告し、 報酬予測誤差と呼ばれる将来の報酬を予測する脳内の接続の強さを変えるために使用されます。

強化学習と呼ばれるこのアプローチを深い学習と組み合わせることで、コンピュータに予期せぬ可能性を識別する力を与えることができます。 パターンを認識し、それに応答して報酬を得る方法で、機械は人間の創造性と呼ばれる行に沿った行動に近づくかもしれません。 この結合されたアプローチは、DeepMindが AlphaGoと呼ばれるプログラムこれは 2016は壮大な李セドールを破った 翌年 世界を打つチャンピオン、柯傑.

ゲームは不確実性の変化でいっぱいになっている現実の世界ほど厄介ではありません。 マッシモ・ベルガソラ カリフォルニア大学サンディエゴ校で、私は最近、フィールドでグライダーを教えるために強化学習を使用しました 乱気流の中で鳥のように飛び跳ねる方法。 実際の鳥にセンサを取り付けて、同じキューを使用して同じ方法で応答するかどうかをテストすることができます。

これらの成功にもかかわらず、研究者はこれらの問題を解決する深い学習がどれほど深刻なものかを十分に理解していません。 もちろん、私たちは脳がどのようにそれらを解決するのかも知らない。

脳の内部動作は分かりにくいかもしれないが、研究者が深い学習の理論を開発するまでには時間の問題である。 違いは、コンピュータを研究する場合、研究者はネットワーク内のあらゆる接続と活動パターンにアクセスできることです。 進歩のペースは急速で、研究論文は毎日掲載されています arXivの。 驚くべき進歩は今年12月に熱心に期待されています。 ニューラル情報処理システム会議 モントリオールでは、 8,000チケットを完売しました 11分で9,000の有望な登録者を待機リストに残す。

コンピュータが一般的な人間の知性を達成するまでには、長い道のりがあります。 今日の最大の深い学習ネットワークは、人間の神経の皮質の力しか持っていません 米粒の大きさ。 そして我々は、脳がより大きな脳領域間の相互作用を動的に組織化する方法はまだ分かっていない。

ネイチャーはすでにそのレベルの統合を持ち、深い疑問を熟考し複雑な作業を完了しながら人体のあらゆる面を操作できる大規模な脳システムを作り出しています。 結局のところ、自律システムは、地球上の無数の生き物に加わり、複雑になる可能性があります。会話

著者について

Terrence Sejnowski、Francis Crick教授、Salk生物学研究所のComputational Neurobiology Laboratoryディレクター、Neurobiologyの著名な教授、 カリフォルニア大学サンディ​​エゴ校

この記事はから再公開されます 会話 クリエイティブコモンズライセンスの下で 読む 原著.

関連書籍

at InnerSelfMarketとAmazon