По време на пресконференция за обявяване на функцията за автопилот в Tesla Model S през октомври 2015 г., изпълнителният директор на Tesla Елон Мъск заяви, че всеки шофьор ще стане „експертен треньор“за всеки модел S. Всяко превозно средство ще може да подобри собствените си функции за автономност. учене от своя шофьор, но по-важното е, че когато един Tesla се учи от своя водач, това знание ще бъде споделено между останалите автомобили на Tesla.
Много скоро собствениците на Model S забелязаха, че функциите за самоуправление на автомобила постепенно се подобряват. В един пример, Tesla правеха грешни ранни изходи по магистралите, принуждавайки техните собственици да ръчно движат превозното средство по правилния маршрут. Само след няколко седмици собствениците отбелязаха, че колите вече не правят преждевременни излизания.
„Удивително е, че подобрението се случи толкова бързо“, каза един собственик на Tesla.
Интелигентните системи като тези, задвижвани от най-новия софтуер за машинно обучение, не просто стават по-умни: те стават по-умни все по-бързо и по-бързо. Разбирането на скоростта, с която се развиват тези системи, може да бъде особено трудна част от управлението на технологичния прогрес.
Рей Курцвайл е писал подробно за пропуските в човешкото разбиране, описвайки така наречения „интуитивен линеен“възглед за технологичните промени и „експоненциалната“скорост на промяна, която се случва сега. Близо две десетилетия след написването на важно есе той нарече Законът за ускоряване на възвръщаемостта - теория за еволюционната промяна, описваща как скоростта на усъвършенстване на системите се променя с течение на времето - устройства започнаха да споделят знания помежду си, ускорявайки собственото си усъвършенстване.
„Мисля, че това е може би най-голямата експоненциална тенденция в ИИ“, казва Ход Липсън, професор по машинно инженерство и компютърни науки в Колумбийския университет.
„Всички експоненциални технологии имат различни„ показатели “за тенденциите, добавя той. "Но този вероятно е най-големият." Според него това „машинно обучение“- когато устройствата прехвърлят знания помежду си (да не се бърка с машинното обучение) - важна стъпка към ускоряване на подобряването на подобни системи.
„Понякога това е сътрудничество, например, когато една машина се учи от друга, сякаш имат роево съзнание. Понякога това е скок, като състезание по оръжие между две системи, които играят шах една с друга."
Промоционално видео:
Липсън смята, че този път на развитие на ИИ е мощен, отчасти защото премахва необходимостта от данни за обучение.
„Данните са горивото на машинното обучение, но дори и за машините е трудно да се получат някои данни - това може да бъде рисковано, бавно, скъпо или недостижимо. В такива случаи машините могат да споделят своя опит или да създават синтетични преживявания една за друга, за да допълнят или заменят данни. Оказва се, че това не е чак толкова слаб ефект - това е по същество самоукрепване и експоненциално в това “.
Липсън цитира скорошния пробив на DeepMind, AlphaGo Zero, като пример за AI за обучение без данни за тренировките. Мнозина са запознати с AlphaGo, машинно обучение AI, което се превърна в най-добрият играч на Go, като изследва огромно количество данни за милиони игри, играни в Go. AlphaGo Zero успя да го победи дори без да гледа данните на тренировките, просто научи правилата на играта и играе със себе си. Тогава той победи най-добрия софтуер за шах в света след само осем часа практика.
Представете си хиляди от тези AlphaGo Zeroes, които незабавно споделят придобитите си знания.
И това не са само играчки. Вече виждаме мощното въздействие на скоростта, с която предприятията могат да подобрят работата на своите устройства. Един пример е индустриалната цифрова технология близнак - софтуерен модел на машина, който симулира какво се случва с оборудването. Представете си машина, която гледа вътре в себе си и показва образа си на техниците.
Например цифрова двойна пара турбина може да измерва температурата на парата, скоростта на ротора, студените стартове и други данни, за да прогнозира повреди и да предупреди техниците, за да избегне скъпи ремонти. Цифровите близнаци правят тези прогнози, като изследват собствените си показатели и също разчитат на модели, разработени от други парни турбини.
Тъй като машините започват да учат в средата си по мощни нови начини, тяхното развитие се ускорява чрез обмен на данни. Колективната интелигентност на всяка парна турбина, разпръсната по цялата планета, може да ускори прогнозиращата сила на всяка отделна машина. Там, където има една кола без шофьор, ще има и стотици други шофьори, които ще учат автомобилите си, предавайки знания на всички.
Не забравяйте, че това е само началото.
Иля Кел