Google og Microsoft Talk Artificial Intelligence

Google og Microsoft deler ikke ofte en scene, da de er stadig hårdere konkurrenter inden for områder som websøgning, mobil og cloud computing. Men rivalerne kan blive enige om nogle ting - som betydningen af ​​kunstig intelligens for teknologiens fremtid.

Sindenes møde: Peter Norvig (øverst) og Eric Horvitz er enige om, at kunstig intelligens er en nøgle til fremtidens teknologi.

Peter Norvig , Googles forskningsdirektør, og Erik Horvitz , en fremtrædende videnskabsmand ved Microsoft Research, talte for nylig sammen til et publikum på Computerhistorisk Museum i Palo Alto, Californien, om løftet om kunstig intelligens. Bagefter talte parret med Teknologigennemgang IT-redaktør, Tom Simonite, om, hvad AI kan i dag, og hvad de tror, ​​det vil være i stand til i morgen. Kunstig intelligens er et komplekst emne, og nogle svar er blevet redigeret for kortheds skyld.

Teknologigennemgang : I talte begge på scenen om, hvordan AI er blevet avanceret i de seneste år gennem brug af maskinlæringsteknikker, der tager store mængder data ind og finder ud af ting som, hvordan man oversætter tekst eller transskriberer tale. Hvad med de områder, vi ønsker, at AI skal hjælpe med, hvor der ikke er masser af data at lære af?

Peter Norvig: Det, vi laver, er som at kigge under lygtepælen efter dine tabte nøgler, fordi lyset er der. Vi klarede os rigtig godt med tekst og tale, fordi der er masser af data i naturen. Parsing [nedbrydning af de grammatiske elementer i sætninger] forekommer aldrig naturligt, måske i nogens sproglige lektier, så vi er nødt til at lære det uden [mærkede] data. En af mine kolleger forsøger at komme uden om det ved at se på, hvilke dele af onlineteksten, der er blevet lavet til links – det kan signalere, hvor en bestemt del af en sætning er.

Eric Horvitz: Jeg har ofte tænkt, at hvis du havde en skytjeneste på himlen, der optog hver taleanmodning, og hvad der skete derefter - hver samtale i hver taxa i Beijing, for eksempel - kunne det være muligt at få AI til at lære at gøre alt.

Mere seriøst, hvis vi kan finde måder at indfange masser af data på en måde, der bevarer privatlivets fred, kunne vi gøre det muligt.

Er det ikke svært at bruge maskinlæring, hvis træningsdataene ikke allerede er mærket og forklaret, for at give AI en sandhed at komme i gang med?

Horvitz: Du behøver ikke, at den er fuldstændig mærket. Et område kendt som semi-overvåget læring viser os, at selvom 1 procent eller mindre af dataene er tagget, kan du bruge det til at forstå resten.

Men mangel på etiketter er en udfordring. En løsning er faktisk at betale folk et lille beløb for at hjælpe et system med data, det ikke kan forstå, ved at udføre mikroopgaver som at mærke billeder eller andre små ting. Jeg synes, det er et rigtig rigt område at bruge menneskelig beregning til at øge AI.

En anden mulighed er at bygge systemer, der forstår værdien af ​​information, hvilket betyder, at de automatisk kan beregne, hvad det næstbedste spørgsmål at stille er, eller hvordan man får mest muligt ud af et ekstra tag eller et stykke information leveret af et menneske.

Norvig: Du behøver ikke fortælle et læringssystem alt. Der er en form for læring kaldet forstærkende læring, hvor du bare giver en belønning eller straf i slutningen af ​​en opgave. For eksempel tabte du et spil dam og får ikke at vide, hvor du gik galt, og du skal lære, hvad du skal gøre for at få belønningen næste gang.

Alt dette er meget forskelligt fra de tidlige dage med kunstig intelligens, i 50'erne og 60'erne, hvor forskere lavede dristige forudsigelser om matchning af menneskelige evner og forsøgte at bruge højniveauregler til at skabe intelligens. Udarbejder dine maskinlæringssystemer de samme høje regler for sig selv?

Horvitz: Læringssystemer kan udlede situationelle regler på højt niveau for handling, for eksempel at tage et sæt [fysiologiske] symptomer og testresultater og spytte en diagnose ud. Men det er ikke det samme som generelle regler for intelligens.

Det kan være, at det mere lavtliggende arbejde, vi udfører i dag, vil møde top-down-ideerne fra bunden og op en dag. Revolutionen, som Peter og jeg var en del af inden for AI, var, at beslutningstagning under usikkerhed var så vigtig og kunne udføres med sandsynlighedsprincipper. Sammen med den sandsynlige revolution inden for kunstig intelligens kommer perspektivet: vi er meget begrænsede agenter, og ufuldstændighed er uundgåelig.

Norvig: I de tidlige dage var der logik, der adskilte kunstig intelligens, og spørgsmålet var, hvordan man brugte det. Studiet blev studiet af, hvad disse værktøjer var gode til, som skak. Men du kan så kun have ting, der er sande eller falske, og du kan ikke gøre mange ting, vi gerne vil gøre, så vi gik mod sandsynlighed. Det tog feltet et stykke tid at erkende, at de andre felter, såsom sandsynlighed og beslutningsteori, var derude. At bringe disse to tilgange sammen er en udfordring.

Efterhånden som vi ser mere direkte beviser for AI i det virkelige liv, for eksempel Siri, ser det ud til, at der er skabt et slags designproblem. Folk, der skaber AI'er, skal gøre dem velsmagende for vores egen intelligens.

Norvig: Det er faktisk en række problemer på forskellige niveauer. Vi kender det menneskelige synssystem, og hvad det f.eks. kan betyde at få knapper i forskellige farver. På et højere niveau er forventningerne i vores hoved til noget, og hvordan det skal opføre sig, baseret på, hvad vi tror, ​​det er, og hvordan vi tænker dets forhold til os.

Horvitz: AI krydser mere og mere med feltet for menneskelig computerinteraktion [studerer psykologien om, hvordan vi bruger og tænker om computere]. Ideen om, at vi vil have mere intelligente ting, der arbejder tæt sammen med mennesker, fokuserer virkelig opmærksomheden på behovet for at udvikle nye metoder i skæringspunktet mellem menneskelig intelligens og maskinintelligens.

Hvad skal vi vide mere om for at gøre AI'er mere kompatible med mennesker?

Horvitz: En ting, som min forskergruppe har presset på for at give computere, er en systemdækkende forståelse af menneskelig opmærksomhed, for at vide, hvornår det er bedst at afbryde en person. Det har været et forskningsemne mellem os forskere og produktteamene.

Norvig: Jeg tror, ​​vi også gerne vil forstå den menneskelige krop meget mere, og du kan se i Microsofts Kinect en måde at gøre det på. Der er masser af potentiale for at få systemer til at forstå vores adfærd og kropssprog.

Er der nogen kunstig intelligens i Kinect?

Horvitz: Der er ret meget maskinlæring i kernen af ​​det. Jeg tror, ​​at ideen om, at vi kan tage førende AI og udvikle en forbrugerenhed, der solgte hurtigere end nogen anden før i historien, siger noget om AI-området. Maskinlæring spiller også en central rolle i Bing-søgning, og jeg kan kun formode, at den også er vigtig i Googles søgeudbud. Så folk, der søger på nettet, bruger AI i deres daglige liv.

Et sidste spørgsmål: Kan du fortælle mig en nylig demo af AI-teknologi, der imponerede dig?

Norvig: Jeg læste for nylig en afhandling af en hos Google, der skulle vende tilbage til Stanford om uovervåget læring, et område, hvor kurverne for vores forbedring over tid ikke har set så gode ud. Men han får nogle rigtig gode resultater, og det ser ud til at lære, når man ikke ved noget på forhånd, kan være ved at blive meget bedre.

Horvitz: Jeg har været meget imponeret over lærlingelæring, hvor et system lærer ved eksempel. Det har mange applikationer. Berkeley og Stanford har begge grupper, der virkelig fremmer det: for eksempel helikoptere, der lærer at flyve på ryggen [på hovedet] fra [at observere] en menneskelig ekspert.

skjule