Podczas konferencji prasowej mającej na celu ogłoszenie funkcji autopilota w Tesli Model S w październiku 2015 roku, dyrektor generalny Tesli, Elon Musk, powiedział, że każdy kierowca zostanie „trenerem-ekspertem” dla każdego Modelu S. Każdy pojazd będzie mógł poprawić swoje własne funkcje autonomiczne. ucząc się od swojego kierowcy, ale co ważniejsze, kiedy jeden Tesla uczy się od swojego kierowcy, wiedza ta zostanie przekazana pozostałym pojazdom Tesli.
Właściciele Modelu S bardzo szybko zauważyli, że funkcje autonomicznej jazdy pojazdu ulegają stopniowej poprawie. W jednym przykładzie Tesla źle zjeżdżał z autostrad, zmuszając ich właścicieli do ręcznego kierowania pojazdem po prawidłowej trasie. Już po kilku tygodniach właściciele zauważyli, że samochody nie były już przedwczesne.
„To niesamowite, że poprawa nastąpiła tak szybko” - powiedział jeden z właścicieli Tesli.
Inteligentne systemy, takie jak te oparte na najnowszym oprogramowaniu do uczenia maszynowego, stają się nie tylko inteligentniejsze: stają się coraz inteligentniejsze, coraz szybciej. Zrozumienie szybkości, z jaką ewoluują te systemy, może być szczególnie trudną częścią zarządzania postępem technologicznym.
Ray Kurzweil obszernie pisał o lukach w ludzkim rozumieniu, opisując tak zwany „intuicyjny liniowy” pogląd na zmiany technologiczne i „wykładniczą” szybkość zmian, która ma miejsce teraz. Niemal dwie dekady po napisaniu ważnego eseju zatytułował Prawo przyspieszenia powrotu - teorię zmiany ewolucyjnej opisującą, jak tempo doskonalenia systemów zmienia się w czasie - urządzenia powiązane zaczęły dzielić się wiedzą między sobą, przyspieszając własne doskonalenie.
„Myślę, że jest to prawdopodobnie największy wykładniczy trend w sztucznej inteligencji” - mówi Hod Lipson, profesor inżynierii mechanicznej i informatyki na Uniwersytecie Columbia.
„Wszystkie technologie wykładnicze mają różne„ wykładniki”trendów, dodaje. „Ale ten jest prawdopodobnie największy”. Jego zdaniem to „uczenie maszynowe” - kiedy urządzenia przekazują sobie wiedzę (nie mylić z uczeniem maszynowym) - to ważny krok w kierunku przyspieszenia doskonalenia takich systemów.
„Czasami jest to współpraca, na przykład, gdy jedna maszyna uczy się od drugiej, jakby miała świadomość roju. Czasami jest to przeskok, jak wyścig zbrojeń między dwoma systemami grającymi ze sobą w szachy”.
Film promocyjny:
Lipson uważa, że ta ścieżka rozwoju sztucznej inteligencji jest potężna, po części dlatego, że eliminuje potrzebę danych szkoleniowych.
„Dane są paliwem uczenia maszynowego, ale nawet w przypadku maszyn uzyskanie niektórych danych jest trudne - może to być ryzykowne, powolne, kosztowne lub nieosiągalne. W takich przypadkach maszyny mogą dzielić się swoimi doświadczeniami lub tworzyć dla siebie syntetyczne doświadczenia, aby uzupełniać lub zastępować dane. Okazuje się, że nie jest to taki słaby efekt - jest to w istocie samowzmocnienie i to wykładnicze”.
Lipson cytuje niedawny przełom firmy DeepMind, AlphaGo Zero, jako przykład szkoleniowej sztucznej inteligencji bez danych treningowych. Wielu zna AlphaGo, uczącą się maszynowo sztuczną inteligencję, która stała się najlepszym na świecie graczem w Go, analizując ogromną ilość danych milionów gier rozegranych w Go. AlphaGo Zero był w stanie pokonać go nawet bez patrzenia na dane treningowe, po prostu ucząc się zasad gry i grając ze sobą. Następnie po zaledwie ośmiu godzinach ćwiczeń pokonał najlepsze oprogramowanie szachowe na świecie.
Wyobraź sobie tysiące tych AlphaGo Zero, które natychmiast dzielą się zdobytą wiedzą.
A to nie tylko zabawki. Już widzimy ogromny wpływ szybkości, z jaką firmy mogą poprawić wydajność swoich urządzeń. Jednym z przykładów jest technologia przemysłowych bliźniaków cyfrowych - model oprogramowania maszyny, który symuluje to, co dzieje się ze sprzętem. Wyobraź sobie maszynę, która zagląda do siebie i pokazuje technikom swój obraz.
Na przykład cyfrowa podwójna turbina parowa może mierzyć temperaturę pary, prędkość wirnika, zimny rozruch i inne dane, aby przewidywać awarie i ostrzegać techników, aby uniknąć kosztownych napraw. Cyfrowe bliźniaki dokonują tych prognoz, badając własne wyniki, a także opierają się na modelach opracowanych przez inne turbiny parowe.
Ponieważ maszyny zaczynają uczyć się w swoim środowisku na nowe, potężne sposoby, ich rozwój jest przyspieszany dzięki wymianie danych. Zbiorowa inteligencja każdej turbiny parowej rozrzuconej po całej planecie może przyspieszyć moc predykcyjną każdej pojedynczej maszyny. Tam, gdzie jest jeden samochód bez kierowcy, będą też setki innych kierowców, którzy będą uczyć swoje samochody, przekazując wiedzę wszystkim.
Nie zapominaj, że to dopiero początek.
Ilya Khel
