Con người cộng với máy móc sẽ vượt qua khả năng của một trong hai yếu tố. metamorworks / Shutterstock.com

Tương lai sẽ không chỉ do con người hoặc máy móc tạo ra - mà cả hai, cùng làm việc. Các công nghệ được mô phỏng theo cách thức hoạt động của bộ não con người đã tăng cường khả năng của mọi người và sẽ chỉ có ảnh hưởng nhiều hơn khi xã hội đã quen với những cỗ máy ngày càng có khả năng này.

Những người lạc quan về công nghệ đã hình dung ra một thế giới đang trỗi dậy năng suất và chất lượng cuộc sống của con người khi các hệ thống trí tuệ nhân tạo chiếm lĩnh sự quyết liệt và quản trị của cuộc sống, mang lại lợi ích cho tất cả mọi người. Mặt khác, những người bi quan đã cảnh báo rằng những tiến bộ này có thể xảy ra chi phí lớn trong công việc bị mất và cuộc sống bị gián đoạn. Và những người sợ hãi lo lắng rằng AI cuối cùng có thể làm cho con người trở nên lỗi thời.

Tuy nhiên, mọi người không giỏi tưởng tượng về tương lai. Không tưởng cũng không phải ngày tận thế. Trong cuốn sách mới của tôi, ăn trưaCuộc cách mạng học tập sâu, Mục tiêu của tôi là giải thích quá khứ, hiện tại và tương lai của lĩnh vực khoa học và công nghệ đang phát triển nhanh chóng này. Kết luận của tôi là AI sẽ làm cho bạn thông minh hơn, nhưng theo những cách đó sẽ làm bạn ngạc nhiên.

Nhận dạng mẫu

Học sâu là một phần của AI đã đạt được nhiều tiến bộ nhất trong giải quyết các vấn đề phức tạp như xác định các đối tượng trong hình ảnh, nhận dạng giọng nói từ nhiều người nói và xử lý văn bản theo cách mọi người nói hoặc viết nó. Học sâu cũng đã được chứng minh là hữu ích để xác định các mẫu trong các tập dữ liệu ngày càng lớn đang được tạo từ cảm biến, thiết bị y tế và dụng cụ khoa học.

Mục tiêu của phương pháp này là tìm cách máy tính có thể đại diện cho sự phức tạp của thế giới và khái quát hóa từ kinh nghiệm trước đây - ngay cả khi những gì xảy ra tiếp theo không giống hệt như những gì đã xảy ra trước đó. Giống như một người có thể xác định rằng một con vật cụ thể mà cô chưa từng thấy trước đây thực tế là một con mèo, thuật toán học sâu có thể xác định các khía cạnh về những gì có thể được gọi là mèo mèo và trích xuất các thuộc tính đó từ hình ảnh mới của mèo.

Hệ thống học tập sâu có thể cho biết con nào trong số này là mèo. Gelpi / Shutterstock.com

Các phương pháp để học sâu được dựa trên cùng các nguyên tắc cung cấp năng lượng cho bộ não con người. Chẳng hạn, bộ não xử lý rất nhiều dữ liệu thuộc nhiều loại khác nhau trong nhiều đơn vị xử lý cùng một lúc. Các nơ-ron có nhiều kết nối với nhau, và các liên kết đó tăng cường hoặc yếu đi tùy thuộc vào số lượng chúng được sử dụng, thiết lập mối liên hệ giữa đầu vào cảm giác và đầu ra khái niệm.

Sản phẩm mạng học sâu thành công nhất được dựa trên nghiên cứu của 1960 về kiến ​​trúc của vỏ thị giác, một phần của bộ não mà chúng ta sử dụng để xem và học các thuật toán được phát minh trong 1980. Trước đó, máy tính chưa đủ nhanh để giải quyết các vấn đề trong thế giới thực. Bây giờ, mặc dù, họ là.

Ngoài ra, các mạng học tập được xếp chồng lên nhau, tạo ra các mạng kết nối chặt chẽ hơn giống như hệ thống phân cấp của các lớp được tìm thấy trong vỏ thị giác. Đây là một phần của hội tụ diễn ra giữa trí tuệ nhân tạo và sinh học.

Một mạng nơ ron bốn lớp chấp nhận đầu vào từ bên trái, chuyển đầu ra của lớp đầu tiên sang lớp tiếp theo, sang lớp kế tiếp và lớp kế tiếp - trước khi phân phối đầu ra. Sin314 / Shutterstock.com

Học sâu trong đời thực

Học sâu đã thêm vào khả năng của con người. Nếu bạn sử dụng các dịch vụ của Google để tìm kiếm trên web hoặc sử dụng các ứng dụng của nó để dịch từ ngôn ngữ này sang ngôn ngữ khác hoặc biến lời nói thành văn bản, công nghệ đã giúp bạn thông minh hơn hoặc hiệu quả hơn. Gần đây, trong một chuyến đi đến Trung Quốc, một người bạn đã nói tiếng Anh vào điện thoại Android của mình, dịch nó sang tiếng Trung Quốc cho một người lái xe taxi - giống như dịch giả phổ thông trên Star Star Trek".

Một thử nghiệm của một thiết bị dịch thời gian thực.

{youtube}Nu-nlQqFCKg{/youtube}

Những hệ thống này và nhiều hệ thống khác đã hoạt động, giúp bạn trong cuộc sống hàng ngày ngay cả khi bạn không biết về chúng. Ví dụ, học sâu đang bắt đầu chiếm lĩnh đọc hình ảnh X quang và hình ảnh tổn thương da để phát hiện ung thư. Bác sĩ địa phương của bạn sẽ sớm có thể phát hiện ra các vấn đề rõ ràng ngày nay chỉ với các chuyên gia tốt nhất.

Ngay cả khi bạn biết có một cỗ máy liên quan, bạn có thể không hiểu được sự phức tạp của những gì họ thực sự đang làm: Đằng sau Alexa của Amazon là một vấn đề mạng lưới học tập sâu nhận ra yêu cầu của bạn, sàng lọc thông qua dữ liệu để trả lời câu hỏi của bạn và thay mặt bạn thực hiện các hành động.

Học tập tiến bộ

Học sâu đã có hiệu quả cao trong việc giải quyết các vấn đề nhận dạng mẫu, nhưng để vượt ra ngoài điều này đòi hỏi các hệ thống não khác. Khi một con vật được thưởng cho một hành động, đó là nhiều khả năng thực hiện các hành động tương tự trong tương lai. Các tế bào thần kinh Dopamine trong hạch nền của não báo cáo sự khác biệt giữa phần thưởng được mong đợi và nhận được, gọi là lỗi dự đoán, được sử dụng để thay đổi điểm mạnh của các kết nối trong não dự đoán phần thưởng trong tương lai.

Kết hợp phương pháp này, được gọi là học tăng cường, với học sâu có thể cung cấp cho máy tính sức mạnh để xác định các khả năng bất ngờ. Bằng cách nhận ra một mô hình và sau đó phản hồi lại nó theo cách mang lại phần thưởng, máy móc có thể tiếp cận các hành vi dọc theo dòng của cái có thể gọi là sáng tạo của con người. Cách tiếp cận kết hợp này là cách DeepMind phát triển chương trình có tên AlphaGo, trong đó 2016 đánh bại đại kiện tướng Lee Sedol và năm sau đánh bại nhà vô địch cờ vây thế giới, Ke Jie.

Các trò chơi không lộn xộn như thế giới thực, nơi chứa đầy những bất ổn thay đổi. Vergassola Massimo tại Đại học California, San Diego và gần đây tôi đã sử dụng học tăng cường để dạy một tàu lượn trong lĩnh vực này Làm thế nào để bay lên như một con chim trong nhiệt hỗn loạn. Các cảm biến có thể được gắn vào các con chim thực tế để kiểm tra xem chúng có sử dụng cùng một tín hiệu hay không và phản ứng theo cùng một cách.

Mặc dù có những thành công này, các nhà nghiên cứu vẫn chưa hoàn toàn hiểu cách học sâu giải quyết những vấn đề này. Tất nhiên, chúng ta cũng không biết bộ não giải quyết chúng như thế nào.

Mặc dù hoạt động bên trong của bộ não có thể vẫn khó nắm bắt, nhưng vấn đề chỉ là thời gian trước khi các nhà nghiên cứu phát triển một lý thuyết về học tập sâu. Sự khác biệt là khi nghiên cứu máy tính, các nhà nghiên cứu có quyền truy cập vào mọi kết nối và mô hình hoạt động trong mạng. Tốc độ tiến bộ nhanh chóng, với các tài liệu nghiên cứu xuất hiện hàng ngày trên arXiv. Những tiến bộ đáng ngạc nhiên đang háo hức dự đoán vào tháng 12 này tại Hội nghị hệ thống xử lý thông tin thần kinh ở Montreal bán hết vé 8,000 trong vài phút 11, để lại những người đăng ký hy vọng 9,000 trong danh sách chờ.

Có một chặng đường dài để đi trước khi máy tính đạt được trí thông minh chung của con người. Mạng lưới học tập sâu lớn nhất hiện nay chỉ có sức mạnh của một mảnh vỏ thần kinh của con người kích thước của hạt gạo. Và chúng ta chưa biết làm thế nào bộ não linh hoạt tổ chức các tương tác giữa các vùng não lớn hơn.

Thiên nhiên đã có mức độ tích hợp đó, tạo ra các hệ thống não quy mô lớn có khả năng vận hành mọi khía cạnh của cơ thể con người trong khi cân nhắc các câu hỏi sâu sắc và hoàn thành các nhiệm vụ phức tạp. Cuối cùng, các hệ thống tự trị có thể trở nên phức tạp, gia nhập vô số sinh vật sống trên hành tinh của chúng ta.

Giới thiệu về Tác giả

Terrence Sejnowski, Giáo sư Francis Crick và Giám đốc Phòng thí nghiệm Sinh học Thần kinh Tính toán tại Viện Nghiên cứu Sinh học Salk, và Giáo sư Thần kinh học xuất sắc, Đại học California San Diego

Bài viết này được tái bản từ Conversation theo giấy phép Creative Commons. Đọc ban đầu bài viết.

Sách liên quan

at Thị trường InnerSelf và Amazon