Майбутнє штучного інтелекту: 4 великі речі, на які варто очікувати в найближчі кілька років

Штучний інтелект не збирається відправляти людство на смітник найближчим часом. Так само, як і ми – на відстані однієї публікації Google DeepMind від суперінтелекту. Але не варто помилятися: штучний інтелект робить величезні кроки вперед.

• Трансформери: Більше, ніж здається на перший погляд
• Генеративні змагальні мережі
• Нейро-символічний ШІ.
• Машинне навчання зустрічається з молекулярним синтезом

Як зазначається у звіті Artificial Intelligence Index Report 2021, минулого року кількість журнальних публікацій у цій галузі зросла на 34,5%. Це набагато більше, ніж 19,6% роком раніше. Штучний інтелект трансформує все – від медицини до транспорту, і мало хто буде сперечатися з цим.

Тут, у 2021 році, ми перебуваємо на порозі революції глибокого навчання, яка дала поштовх ШІ у двадцять першому столітті. Але “глибоке навчання” – це широкий термін, з яким на сьогоднішній день більшість людей добре знайомі. Де ж очікується найбільший прогрес в галузі ШІ? На що слід звернути увагу, щоб побачити майбутнє, яке розгортається перед вами? Ось деякі з технологій, за якими слід стежити.

• Як ми дізнаємось, коли ШІ насправді стане розумним?
• Смішна формула: Чому машинний гумор – це святий грааль ШІ.
• Ось що, на думку штучного інтелекту, який аналізує тренди, стане наступною великою технологічною подією

Трансформери: Більше, ніж здається на перший погляд

“Роботи в маскуванні // Автоботи ведуть свою битву // Щоб знищити злі сили // Десептиконів”. Стривайте, це щось інше!

Насправді, далеко не франшиза, яка досягла свого розквіту в минулому столітті, “Трансформери” – модель штучного інтелекту – представляють одне з найбільш перспективних досягнень сучасності, особливо в галузі досліджень з обробки природної мови.

Розуміння мови було ключовим інтересом в ШІ ще до того, як він отримав назву “штучний інтелект”, починаючи з запропонованого Аланом Тьюрінгом тесту для машинного інтелекту. Моделі-трансформери, вперше описані дослідниками Google у 2017 році, показали, що вони значно перевершують попередні мовні моделі. Однією з причин є майже незбагненно великі набори даних, на яких вони можуть навчатися. Їх можна використовувати для машинного перекладу, узагальнення документів, відповідей на запитання, розуміння змісту відео та багато-багато іншого. Хоча великі мовні моделі, безумовно, створюють проблеми, їх успіх не можна заперечувати.

Поява трансформерів призвела до розробки GPT-3 (Generative Pre-trained Transformer), який може похвалитися 175 мільярдами параметрів, був навчений на 45 ТБ текстових даних, а його створення коштувало понад 12 мільйонів доларів. На початку цього року Google повернув собі корону, дебютувавши нову мовну модель з близько 1,6 трильйона параметрів, що в дев’ять разів перевищує розмір GPT-3. Трансформаторна революція тільки починається.

Генеративні змагальні мережі

Конфлікт зазвичай не робить світ кращим. Але він безумовно робить ШІ кращим.

За останні кілька років відбувся значний прогрес у створенні іміджу: мається на увазі використання штучного інтелекту для того, щоб вигадувати картинки, які не відрізняються від реальних фотографій з реального світу. Мова йде не тільки про теорії змови, що підживлюються соціальними мережами, які змушують людей думати, що президента Байдена спіймали на вечірці з ілюмінатами. Генерація зображень може бути використана для всього – від поліпшення пошукових можливостей до допомоги дизайнерам у створенні варіацій на тему до створення творів мистецтва, які продаються на аукціонах за мільйони.

Так де ж виникає конфлікт? Одна з основних технологій генерації зображень називається генеративною змагальною мережею (GAN). Цей клас фреймворків машинного навчання використовує бойовий підхід перетягування канату для передачі зображень і зворотного зв’язку між алгоритмом “генератором” і “дискримінатором”, що призводить до поступового поліпшення, поки дискримінатор не зможе відрізнити справжнє зображення від підробленого. GAN також використовуються для створення фальшивого генетичного коду, який може бути використаний дослідниками.

У найближчому майбутньому очікується ще багато інноваційних застосувань.

Нейро-символічний ШІ.

Пояснення нейросимволічного ШІ

У публікації, опублікованій у грудні 2020 року, дослідники Артур д’Авіла Гарсес і Луїс Ламб описали нейросимволічний ШІ як “третю хвилю” штучного інтелекту. Нейросимволічний ШІ, строго кажучи, не є чимось абсолютно новим. Це більше схоже на те, якби дві найбільші світові рок-зірки, які колись билися на вершинах хіт-парадів, об’єдналися і створили супергрупу. В даному випадку супергрупа складається з нейронних мереж, що самонавчаються, і символічного ШІ, заснованого на правилах.

“Нейронні мережі і символічні ідеї дійсно чудово доповнюють один одного, – заявив раніше Digital Trends Девід Кокс, директор лабораторії MIT-IBM Watson A.I. Lab в Кембриджі, штат Массачусетс. “Тому що нейронні мережі дають вам відповіді на питання, як перейти від безладу реального світу до символічного представлення світу, знайти всі кореляції всередині зображень. Після того, як ви отримаєте це символічне представлення, ви можете робити деякі досить магічні речі з точки зору міркувань”.

Результати можуть дати нам ШІ, який краще виконує цей процес міркування, а також більш зрозумілий ШІ, який може, ну, пояснити, чому він прийняв те рішення, яке він прийняв. Вважаємо, що це перспективний напрямок досліджень ШІ на найближчі роки.

Машинне навчання зустрічається з молекулярним синтезом

Поряд з GPT-3, найбільш значним досягненням ШІ в минулому році стала дивовижна розробка DeepMind AlphaFold, яка застосувала глибоке навчання для вирішення десятиліттями актуальної біологічної проблеми згортання білків. Відповідь на цю проблему призведе до лікування хвороб, відкриття нових ліків, кращого розуміння життя на клітинному рівні тощо. Цей останній запис у списку є не стільки конкретним прикладом технології штучного інтелекту, скільки прикладом того, як штучний інтелект робить великі зміни в одній галузі.

Методи машинного навчання в цій галузі виявляються трансформаційними для охорони здоров’я та біології в таких сферах, як молекулярний синтез, де ML може допомогти вченим визначити, які потенційні ліки вони повинні оцінити, а потім як найбільш ефективно синтезувати їх в лабораторії. Мабуть, немає більш доленосної сфери, де ШІ буде використовуватися протягом наступного десятиліття і далі.

Рекомендації редакції

• Оптичні ілюзії можуть допомогти нам створити наступне покоління ШІ
• Аналоговий ШІ? Звучить божевільно, але за цим може бути майбутнє
• Майбутнє виробництва: Погляд у наступну еру створення речей
• Прочитайте моторошно красиве “синтетичне писання” штучного інтелекту, який вважає себе Богом
• Ця технологія була науковою фантастикою 20 років тому. Тепер це реальність.

Source: digitaltrends.com