De toekomst zal niet alleen door mensen of machines worden gemaakt, maar door beide, samenwerken. Technologieën die zijn gemodelleerd naar hoe menselijke hersenen werken, vergroten al de capaciteiten van mensen, en zal alleen maar invloedrijker worden naarmate de samenleving gewend raakt aan deze steeds capabelere machines.

Technologie-optimisten hebben zich een wereld voorgesteld met een stijgende menselijke productiviteit en kwaliteit van leven, terwijl kunstmatige-intelligentiesystemen het sleur en de administratie van het leven overnemen, iedereen ten goede komen. pessimisten, anderzijds, hebben gewaarschuwd dat deze vooruitgang hoge kosten met zich mee zou kunnen brengen in verloren banen en ontwrichte levens. En angstzaaiers maken zich zorgen dat AI uiteindelijk de mens overbodig maakt.

Echter, mensen zijn niet erg goed in het verbeelden van de toekomst. Noch utopie, noch de dag des oordeels is waarschijnlijk. In mijn nieuwe boek, "De diepe leerrevolutie, " mijn doel was om het verleden uit te leggen, heden en toekomst van dit snelgroeiende gebied van wetenschap en technologie. Mijn conclusie is dat AI je slimmer maakt, maar op manieren die je zullen verrassen.

Patronen herkennen

Deep learning is het onderdeel van AI dat de meeste vooruitgang heeft geboekt bij het oplossen van complexe problemen zoals het identificeren van objecten in afbeeldingen, spraak van meerdere sprekers herkennen en tekst verwerken zoals mensen het spreken of schrijven. Deep learning is ook nuttig gebleken voor het identificeren van patronen in de steeds grotere datasets die worden gegenereerd door sensoren, medische apparaten en wetenschappelijke instrumenten.

Het doel van deze benadering is manieren te vinden waarop een computer de complexiteit van de wereld kan weergeven en kan generaliseren op basis van eerdere ervaringen, zelfs als wat er daarna gebeurt niet precies hetzelfde is als wat er eerder gebeurde. Net zoals een persoon kan identificeren dat een specifiek dier dat ze nog nooit eerder heeft gezien, in feite een kat is, deep learning-algoritmen kunnen aspecten identificeren van wat "katachtigheid" zou kunnen worden genoemd en die attributen extraheren uit nieuwe afbeeldingen van katten.

De methoden voor deep learning zijn gebaseerd op dezelfde principes die het menselijk brein aandrijven. Bijvoorbeeld, de hersenen verwerken veel verschillende soorten gegevens in veel verwerkingseenheden tegelijk. Neuronen hebben veel verbindingen met elkaar, en die verbindingen versterken of verzwakken afhankelijk van hoeveel ze worden gebruikt, het leggen van associaties tussen zintuiglijke input en conceptuele output.

Het meest succesvolle deep learning-netwerk is gebaseerd op onderzoek uit de jaren 60 naar de architectuur van de visuele cortex, een deel van de hersenen dat we gebruiken om te zien, en leeralgoritmen die in de jaren tachtig zijn uitgevonden. Vroeger, computers waren nog niet snel genoeg om echte problemen op te lossen. Nutsvoorzieningen, Hoewel, zij zijn.

In aanvulling, leernetwerken zijn op elkaar gelaagd, het creëren van webben van verbindingen die meer lijken op de hiërarchie van lagen in de visuele cortex. Dit maakt deel uit van een convergentie die plaatsvindt tussen kunstmatige en biologische intelligentie.

Diep leren in het echte leven

Deep learning draagt ​​nu al bij aan de menselijke capaciteiten. Als u Google-services gebruikt om op internet te zoeken, of zijn apps gebruiken om van de ene taal naar de andere te vertalen of spraak in tekst om te zetten, technologie heeft je slimmer gemaakt, of effectiever. Onlangs op reis naar China, een vriend sprak Engels in zijn Android-telefoon, die het vertaalde naar gesproken Chinees voor een taxichauffeur - net als de universele vertaler op 'Star Trek'.

Deze en vele andere systemen zijn al aan het werk, helpen u in uw dagelijks leven, zelfs als u zich er niet van bewust bent. Bijvoorbeeld, deep learning begint het lezen van röntgenfoto's en foto's van huidlaesies voor kankerdetectie over te nemen. Uw plaatselijke arts zal binnenkort problemen kunnen opsporen die vandaag alleen voor de beste experts duidelijk zijn.

Zelfs als je weet dat er een machine in het spel is, je begrijpt misschien niet de complexiteit van wat ze eigenlijk doen:achter Alexa van Amazon zit een hele reeks deep learning-netwerken die je verzoek herkennen, doorzoek gegevens om uw vragen te beantwoorden en namens u acties te ondernemen.

Vooruitgang in leren

Deep learning is zeer effectief gebleken bij het oplossen van problemen met patroonherkenning, maar om verder te gaan, zijn andere hersensystemen nodig. Wanneer een dier wordt beloond voor een actie, het is waarschijnlijker dat in de toekomst soortgelijke acties worden ondernomen. Dopamine-neuronen in de basale ganglia van de hersenen rapporteren het verschil tussen verwachte en ontvangen beloningen, beloningsvoorspellingsfout genoemd, die wordt gebruikt om de sterke punten van verbindingen in de hersenen te veranderen die toekomstige beloningen voorspellen.

Door deze benadering te koppelen, versterkend leren genoemd, met deep learning kunnen computers de kracht geven om onverwachte mogelijkheden te identificeren. Door een patroon te herkennen en er vervolgens op te reageren op een manier die beloningen oplevert, machines kunnen gedrag benaderen in de trant van wat men menselijke creativiteit zou kunnen noemen. Deze gekoppelde aanpak is hoe DeepMind een programma heeft ontwikkeld met de naam AlphaGo, die in 2016 grootmeester Lee Sedol versloeg en het jaar daarop de wereldkampioen Go versloeg, Ke Jie.

Games zijn niet zo rommelig als de echte wereld, die gevuld is met verschuivende onzekerheden. Massimo Vergassola aan de Universiteit van Californië, San Diego, en ik heb onlangs versterkingsleer gebruikt om een ​​zweefvliegtuig in het veld te leren hoe te zweven als een vogel in turbulente thermiek. Sensoren kunnen aan echte vogels worden bevestigd om te testen of ze dezelfde signalen gebruiken en op dezelfde manier reageren.

Ondanks deze successen, onderzoekers begrijpen nog niet helemaal hoe deep learning deze problemen oplost. Natuurlijk, we weten ook niet hoe de hersenen ze oplossen.

Hoewel de innerlijke werking van de hersenen misschien ongrijpbaar blijft, het is slechts een kwestie van tijd voordat onderzoekers een theorie over deep learning ontwikkelen. Het verschil is dat bij het bestuderen van computers, onderzoekers hebben toegang tot elke verbinding en elk patroon van activiteiten in het netwerk. Het tempo van de vooruitgang is snel, with research papers appearing daily on arXiv. Surprising advances are eagerly anticipated this December at the Neural Information Processing Systems conference in Montreal, which sold out 8, 000 tickets in 11 minutes, leaving 9, 000 hopeful registrants on the waiting list.

There is a long way to go before computers achieve general human intelligence. The largest deep learning network today has only the power of a piece of human neural cortex the size of a rice grain. And we don't yet know how the brain dynamically organizes interactions between larger brain areas.

Nature already has that level of integration, creating large-scale brain systems capable of operating all aspects of the human body while pondering deep questions and completing complex tasks. uiteindelijk, autonomous systems may become as complex, joining the myriad living creatures on our planet.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.