Mākslīgais intelekts: lielie soli uz priekšu
Mākslīgais intelekts (MI) tuvākajā laikā cilvēci nenoliks uz atkritumu kaudzes. Arī mēs neesam tikai vienu Google DeepMind publikāciju attālumā no superintelekta. Bet nepārprotiet: mākslīgais intelekts veic milzīgus soļus uz priekšu.
Kā norādīts Mākslīgā intelekta indeksa ziņojumā 2021, pagājušajā gadā žurnālu publikāciju skaits šajā jomā pieauga par 34,5%. Tas ir daudz lielāks procents nekā 19,6%, kas tika novēroti gadu iepriekš. MI pārveidos visu, sākot no medicīnas līdz transportam, un ir maz cilvēku, kas apgalvotu pretējo.
Šeit, 2021. gadā, mēs esam dziļi iegremdējušies dziļās mācīšanās revolūcijā, kas divdesmit pirmajā gadsimtā uzlādēja MI. Bet “dziļā mācīšanās” ir plašs termins, ar kuru līdz šim lielākā daļa cilvēku ir ļoti labi pazīstami. Kur notiek lielie uzlabojumi MI? Kur jums vajadzētu skatīties, lai redzētu nākotni, kas atplešas jūsu priekšā? Šeit ir dažas tehnoloģijas, uz kurām jums vajadzētu pievērst uzmanību.
Transformatori: vairāk nekā acīm redzams
“Roboti pārģērbjoties // Autoboti izcīna savu cīņu // Lai iznīcinātu ļauno spēku // Deceptikonu.” Pagaidiet, tas ir kaut kas cits!
Faktiski, tālu no franšīzes, kas baudīja savu zelta laikmetu pagājušajā gadsimtā, Transformatori – MI modelis – pārstāv vienu no šīs jomas visperspektīvākajiem pašreizējiem uzlabojumiem, īpaši dabiskās valodas apstrādes pētījumu jomā.
Valodas izpratne ir bijusi galvenais interese MI kopš tā laika, kad to pat vēl nesauca par MI, atgriežoties līdz pat Alana Tjūringa ierosinātajam testam mašīnu intelektam. Transformatoru modeļi, kas pirmo reizi aprakstīti Google pētnieku darbā 2017. gadā, ir pierādījuši sevi krietni pārāki par iepriekšējiem valodas modeļiem. Viens no iemesliem ir gandrīz neaptverami lielie datu kopumi, uz kuriem tos var apmācīt. Tos var izmantot mašīntulkošanai, dokumentu kopsavilkumu veidošanai, jautājumu atbildēšanai, video satura izpratnei un daudz kam citam. Lai gan lielie valodas modeļi noteikti rada problēmas, to panākumus nevar noliegt.
Ģeneratīvie pretinieku tīkli
Konflikts parasti nepadarīja pasauli labāku vietu. Bet tas noteikti padara MI labāku.
Pēdējo gadu laikā ir bijuši ievērojami uzlabojumi attēlu ģenerēšanā: attiecas uz MI izmantošanu, lai sapņotu par attēliem, kas izskatās neatšķirami no īstiem attēliem no reālās pasaules. Tas nav tikai par sociālo mediju barotajiem sazvērestības teorijas, kas maldina cilvēkus domāt, ka prezidents Baidens ir noķerts ballējoties ar Iluminatiem. Attēlu ģenerēšanu var izmantot visam – sākot no meklēšanas iespēju uzlabošanas līdz palīdzībai dizaineriem radīt variācijas uz tēmu līdz mākslas darbu ģenerēšanai, kas tiek pārdoti par miljoniem izsolē.
Tad kur nāk spēlē konflikts? Viens no galvenajiem tehnoloģijiem attēlu ģenerēšanai ir saukts par ģeneratīvo pretinieku tīklu (GAN). Šis mašīnmācību ietvars izmanto konkurējošu, vilkmes metodi attēlu un atsauksmju padošanai starp “ģeneratoru” un “diskriminators” algoritmu, rezultējot pakāpeniskos uzlabojumos līdz diskriminators vairs nespēj atšķirt kas ir īsts un kas viltots. GAN ir arī izmantoti veidoti viltoti ģenētiskie kodi, ko var izmantot pētnieki.
Meklējiet daudz vairāk inovatīvu pielietojumu tuvākajā nākotnē.
Neiro-simboliskais MI
2020. gada decembra publikācijā pētnieki Arturs d’Avila Garcezs un Luiss Lambs aprakstīja neiro-simbolisko MI kā “trešo vilni” mākslīgajam intelektam. Neiro-simboliskais MI nav, stingri runājot, pilnīgi jauns. Tas ir vairāk kā divu pasaules lielisku rokmūziķu apvienošana, kas reiz cīnījusies topa virsotnēs, lai izveidotu supergrupu. Šajā gadījumā supergrupa sastāv no pašmācības neironu tīkliem un noteikumu balstīta simboliska MI.
“Neironu tīkli un simboliskas idejas ir patiešam brīnišķīgi papildinošas viena otrai,” Deivids Koks, MIT-IBM Watson MI laboratorijas direktors Kembridža, Masačūsetsa štatā, iepriekš teica. “Jo neironu tīkli dod jums atbildes uz to, kā tikt galā ar reālās pasaules haosu un iegūt simbolisku pasaules reprezentaciju, atrodot visas korelācijas attēlos. Kad esat ieguvis šo simbolisko reprezentaciju, jūs varat darīt diezgan burvju lietas attiecībā uz loģisko domāšanu.”
Rezultati var dot mums MI, kas ir labāks veicot šo loģisko domas procesu, kā arī skaidrāku MI, kas var skaidrot, kāpēc tas pieņēma lēmumu, ko tas pieņēma. Meklējiet šo kļūt par soli cerīgajiem MI pētījumiem gaidamajos gados.
Mašīnmācība satiek molekulāro sintēzi
Kopā ar GPT-3 pērn lieliskais MI sasniegums bija DeepMind pārsteidzošais AlphaFold, kas pielietoja dziļo mācību desmitiem gadus vecam bioloģijas izaicinajumam par olbaltumvielu locīšanu. Atbilde uz šo problēmu noved pie slimību dziedinamibas, jaunu zalu atklasanai, dzivibas izpratnei uz selulas limeni un vel daudz kam citam. Sis pedejais ieraksts saraksta ir mazak konkrets piemers MI tehnologijai un vairak piemers tam, ka MI dara lielu atskiribu viena domena.
Mašinmacibas tehnikas saja joma ir paradijusas transformejosas veselibas aprupes un biologijas jomas ka molekulara sinteze, kur ML var palidzet zinatniekiem noskaidrot kurus potencialos medikamentus viniem vajadzetu vertet un tad ka visefektivak sintezet tos laboratorija. Nav svarigaka joma kur MI tiks izmantots nakamaja desmitgade un talak.