Le persone più le macchine supereranno le capacità di entrambi gli elementi. metamorworks / Shutterstock.com

Il futuro non sarà fatto né dagli uomini né dalle macchine, ma da entrambi, lavorando insieme. Le tecnologie modellate su come funzionano i cervelli umani stanno già aumentando le capacità delle persone, e diventeranno più influenti non appena la società si abituerà a queste macchine sempre più capaci.

Gli ottimisti della tecnologia hanno immaginato un mondo in crescita produttività umana e qualità della vita come i sistemi di intelligenza artificiale prendono il sopravvento sulla vita e l'amministrazione, a beneficio di tutti. I pessimisti, d'altra parte, hanno avvertito che questi progressi potrebbero arrivare grande costo in lavori persi e vite interrotte. E i timori temono che AI ​​possa alla fine rendere gli esseri umani obsoleti.

Tuttavia, le persone non sono molto brave a immaginare il futuro. Né l'utopia né il giorno del giudizio sono probabili. Nel mio nuovo libro, "The Deep Learning Revolution"Il mio obiettivo era quello di spiegare il passato, il presente e il futuro di questa area in rapida crescita della scienza e della tecnologia. La mia conclusione è che l'intelligenza artificiale ti renderà più intelligente, ma in modi che ti sorprenderanno.

Riconoscere i modelli

L'apprendimento profondo è la parte dell'intelligenza artificiale che ha fatto il maggior progresso in risolvere problemi complessi come identificare oggetti nelle immagini, riconoscere il parlato da più altoparlanti e elaborare il testo nel modo in cui le persone parlano o scrivono. L'apprendimento approfondito si è anche dimostrato utile per identificare i modelli nei set di dati sempre più grandi da cui vengono generati sensori, dispositivi medici e strumenti scientifici.

L'obiettivo di questo approccio è quello di trovare i modi in cui un computer può rappresentare la complessità del mondo e generalizzare da esperienze precedenti - anche se ciò che sta accadendo dopo non è esattamente lo stesso di quello che è successo prima. Proprio come una persona può identificare che un animale specifico che non ha mai visto prima è in realtà un gatto, gli algoritmi di deep learning possono identificare aspetti di ciò che si potrebbe chiamare "cat-ness" ed estrae questi attributi da nuove immagini di gatti.

I sistemi di apprendimento profondi possono dire quale di questi è un gatto. Gelpi / Shutterstock.com

I metodi per l'apprendimento profondo sono basati su stessi principi che alimentano il cervello umano. Ad esempio, il cervello gestisce molti dati di vario tipo in molte unità di elaborazione allo stesso tempo. I neuroni hanno molte connessioni tra loro, e quei collegamenti si rafforzano o si indeboliscono a seconda di quanto vengono utilizzati, stabilendo associazioni tra input sensoriali e output concettuali.

I rete di deep learning di maggior successo si basa sulla ricerca di 1960 sull'architettura della corteccia visiva, una parte del cervello che vediamo per vedere e sugli algoritmi di apprendimento che sono stati inventati negli 1980. Allora, i computer non erano ancora abbastanza veloci da risolvere i problemi del mondo reale. Ora, però, lo sono.

Inoltre, le reti di apprendimento sono state sovrapposte l'una all'altra, creando più strettamente reti di connessioni simile alla gerarchia degli strati trovati nella corteccia visiva. Questo fa parte di a convergenza che si svolgono tra intelligenza artificiale e biologica.

Una rete neurale a quattro livelli accetta l'input da sinistra, passa l'output del primo strato al livello successivo, al successivo e al successivo, prima di consegnare l'output. Sin314 / Shutterstock.com

Apprendimento profondo nella vita reale

L'apprendimento approfondito sta già aggiungendo capacità umane. Se utilizzi i servizi di Google per effettuare ricerche sul Web o utilizzare le sue app per tradurre da una lingua all'altra o trasformare la voce in testo, la tecnologia ti ha reso più intelligente o più efficace. Recentemente in un viaggio in Cina, un amico parlava inglese nel suo telefono Android, che lo traduceva in cinese parlato per un tassista - proprio come il traduttore universale su "Star Trek. "

Un test di un dispositivo di traduzione in tempo reale.

{youtube}Nu-nlQqFCKg{/youtube}

Questi e molti altri sistemi sono già al lavoro, aiutandoti nella tua vita quotidiana anche se non ne sei a conoscenza. Ad esempio, l'apprendimento approfondito sta iniziando a prendere il sopravvento lettura di immagini a raggi X e fotografie di lesioni cutanee per il rilevamento del cancro. Il tuo medico locale sarà presto in grado di individuare problemi che sono evidenti solo oggi ai migliori esperti.

Anche quando sai che c'è una macchina in gioco, potresti non capire la complessità di quello che stanno facendo: dietro l'Alexa di Amazon c'è uno stuolo di reti di deep learning che riconoscono la tua richiesta, setacciare i dati per rispondere alle tue domande e intraprendere azioni per tuo conto.

Apprendimento avanzato

L'apprendimento profondo è stato molto efficace nel risolvere i problemi di riconoscimento dei pattern, ma per andare oltre richiede altri sistemi cerebrali. Quando un animale viene ricompensato per un'azione, lo è più probabile che intraprenderà azioni simili in futuro. I neuroni dopaminergici nei gangli basali del cervello riportano la differenza tra i premi attesi e quelli ricevuti, chiamato errore di predizione della ricompensa, che viene utilizzato per modificare i punti di forza delle connessioni nel cervello che prevedono i premi futuri.

Unire questo approccio, chiamato apprendimento di rinforzo, con un apprendimento approfondito può dare al computer il potere di identificare possibilità inaspettate. Riconoscendo un modello e poi rispondendo ad esso in un modo che produce vantaggi, le macchine potrebbero avvicinarsi ai comportamenti sulla falsariga di quella che potrebbe essere chiamata creatività umana. Questo approccio accoppiato è il modo in cui DeepMind ha sviluppato a programma chiamato AlphaGo, in cui 2016 ha sconfitto il gran maestro Lee Sedol e l'anno seguente battere il mondo Go campione, Ke Jie.

I giochi non sono così complicati come il mondo reale, che è pieno di incertezze mutevoli. Massimo Vergassola all'Università della California, a San Diego, e di recente ho usato l'apprendimento di rinforzo per insegnare un aliante sul campo come salire come un uccello in termiche turbolente. I sensori possono essere attaccati ai veri uccelli per verificare se usano gli stessi segnali e rispondono allo stesso modo.

Nonostante questi successi, i ricercatori non hanno ancora compreso appieno come l'apprendimento approfondito risolva questi problemi. Certo, non sappiamo come il cervello li risolva.

Mentre i meccanismi interni del cervello possono rimanere elusivi, è solo una questione di tempo prima che i ricercatori sviluppino una teoria dell'apprendimento profondo. La differenza è che quando studiano i computer, i ricercatori hanno accesso a ogni connessione e modello di attività nella rete. Il ritmo del progresso è rapido, con documenti di ricerca che appaiono ogni giorno arXiv. Gli anticipi sorprendenti sono attesi con impazienza questo dicembre al Conferenza sui sistemi di elaborazione delle informazioni neurali a Montreal, che esaurito i biglietti 8,000 in 11 minuti, lasciando 9,000 candidati fidati nella lista d'attesa.

C'è ancora molta strada da fare prima che i computer raggiungano l'intelligenza umana generale. La più grande rete di deep learning oggi ha solo il potere di un pezzo di corteccia neurale umana la dimensione di un chicco di riso. E non sappiamo ancora come il cervello organizza dinamicamente le interazioni tra aree cerebrali più grandi.

La natura ha già quel livello di integrazione, creando sistemi cerebrali su larga scala in grado di operare su tutti gli aspetti del corpo umano, meditando su domande profonde e completando compiti complessi. In definitiva, i sistemi autonomi possono diventare complessi, unendo la miriade di creature viventi sul nostro pianeta.

Circa l'autore

Terrence Sejnowski, Francis Crick Professor e direttore del laboratorio di neurobiologia computazionale presso l'Istituto Salk per gli studi biologici, e Distinguished Professor of Neurobiology, University of California San Diego

Questo articolo è ripubblicato da The Conversation sotto una licenza Creative Commons. Leggi il articolo originale.

libri correlati

at InnerSelf Market e Amazon