Googles Intelligence Designer

Demis Hassabis begyndte at spille skak i en alder af fire og blomstrede hurtigt op til et vidunderbarn. Som otteårig fik succes på skakbrættet ham til at overveje to spørgsmål, der har besat ham lige siden: For det første, hvordan lærer hjernen at mestre komplekse opgaver; og for det andet, kunne computere nogensinde gøre det samme?

Nu 38, Hassabis puslespil over disse spørgsmål for Google, efter at have solgt sin lidet kendte London-baserede startup, DeepMind, til søgefirmaet tidligere på året for en rapporteret 400 millioner pund ($650 millioner på det tidspunkt).

Google snuppede DeepMind kort efter at have demonstreret software, der er i stand til at lære sig selv at spille klassiske videospil til et supermenneskeligt niveau (se Er Google et hjørne på markedet på Deep Learning? ). På TED-konferencen i Vancouver i år susede Googles administrerende direktør Larry Page om Hassabis og kaldte hans virksomheds teknologi noget af det mest spændende, jeg længe har set .

Forskere leder allerede efter måder, hvorpå DeepMind-teknologien kan forbedre nogle af Googles eksisterende produkter, såsom søgning. Men hvis teknologien skrider frem, som Hassabis håber, kan det ændre den rolle, som computere spiller på mange områder.

DeepMind søger at bygge kunstig intelligens-software, der kan lære, når de står over for næsten ethvert problem. Dette kan hjælpe med at løse nogle af verdens mest vanskelige problemer, siger Hassabis. AI har et enormt potentiale til at være fantastisk for menneskeheden, siger han. Det vil virkelig accelerere fremskridt med at løse sygdom og alle disse ting, vi gør relativt langsomme fremskridt på i øjeblikket.

Renæssance mand

Hassabis' søgen efter at forstå og skabe intelligens har ført ham gennem tre karrierer: spiludvikler, neuroforsker og nu kunstig intelligens-iværksætter. Efter at have afsluttet gymnasiet to år for tidligt fik han et job hos den berømte britiske spildesigner Peter Molyneux. Som 17-årig ledede Hassabis udviklingen af ​​det klassiske simulationsspil Theme Park, udgivet i 1994. Han afsluttede en grad i datalogi ved University of Cambridge og grundlagde sit eget succesrige spilfirma i 1998.

Men kravene til at bygge succesrige computerspil begrænsede, hvor meget Hassabis kunne arbejde på sit sande kald. Jeg tænkte, at det var på tide at lave noget, der fokuserede på intelligens som en primær ting, siger han.

Så i 2005 begyndte Hassabis en ph.d.-grad i neurovidenskab ved University College London med den idé, at studier af rigtige hjerner kunne finde spor, der kunne hjælpe med kunstig intelligens. Han valgte at studere hippocampus, en del af hjernen, der understøtter hukommelse og rumlig navigation, og som stadig er relativt dårligt forstået. Jeg valgte områder og funktioner i hjernen, som vi ikke havde særlig gode algoritmer til, siger han.

Som datalog og spiliværksætter, der ikke havde taget gymnasiebiologi, skilte Hassabis sig ud fra lægerne og psykologerne i hans afdeling. Jeg plejede at joke med, at det eneste, jeg vidste om hjernen, var, at den sad i kraniet, siger han.

Men Hassabis gjorde sig hurtigt bemærket. I en undersøgelse fra 2007 anerkendt af tidsskriftet Videnskab har har Årets gennembrud , viste han, at fem patienter, der lider af hukommelsestab på grund af skader på hippocampus, kæmpede for at forestille sig fremtidige begivenheder. Det antydede, at en del af hjernen, der menes kun at være optaget af fortiden, også er afgørende for planlægningen af ​​fremtiden.

At hukommelse og fremadrettet planlægning hænger sammen var en idé, som Hassabis tog med sig ind i sit næste foretagende. I 2011 forlod han livet som postdoktor for at stifte DeepMind Technologies, en virksomhed, hvis erklærede mål var at løse intelligens.

Højeste score

Hassabis grundlagde DeepMind sammen med en anden AI-specialist Shane Legg og serieiværksætter Mustafa Suleyman. Virksomheden hyrede førende forskere inden for maskinlæring og tiltrak bemærkelsesværdige investorer, herunder Peter Thiels firma Founders Fund og Tesla og SpaceX-grundlægger Elon Musk. Men DeepMind holdt lav profil indtil december 2013, hvor det iscenesatte en slags debutant-øjeblik på en førende forskningskonference om machine learning.

På Harrah's Casino ved bredden af ​​Lake Tahoe viste DeepMind-forskere software frem, der havde lært at spille tre klassiske Atari-spil - Pong, Breakout og Enduro - bedre end et ekspertmenneske. Softwaren var ikke programmeret med nogen information om, hvordan man spiller; den var kun udstyret med adgang til kontrollerne og displayet, viden om partituret og et instinkt for at gøre denne score så høj som muligt. Programmet blev en ekspert gamer gennem trial and error.

Ingen havde nogensinde demonstreret software, der kunne lære at mestre en så kompleks opgave fra bunden. DeepMind havde gjort brug af en nymoderne maskinlæringsteknik kaldet deep learning, som involverer behandling af data gennem netværk af groft simulerede neuroner (se 10 Breakthrough Technologies 2013: Deep Learning). Men den havde kombineret dyb læring med andre tricks for at lave noget med et uventet niveau af intelligens.

Folk var lidt chokerede, fordi de ikke forventede, at vi ville være i stand til at gøre det på dette stadium af teknologien, siger Stuart Russell , professor og specialist i kunstig intelligens ved University of California, Berkeley. Jeg tror, ​​det gav mange mennesker pause.

DeepMind havde kombineret deep learning med en teknik kaldet reinforcement learning, som er inspireret af dyrepsykologers arbejde som B.F. Skinner. Dette førte til software, der lærer ved at foretage handlinger og modtage feedback om deres virkninger, som mennesker eller dyr ofte gør.

Forskere i kunstig intelligens har puslet med forstærkningslæring i årtier. Men indtil DeepMinds Atari-demo havde ingen bygget et system, der var i stand til at lære noget nær så komplekst som hvordan man spiller et computerspil, siger Hassabis. En af grundene til, at det var muligt, var et trick lånt fra hans yndlingsområde i hjernen. En del af Atari-spillesoftwarens læringsproces involverede at afspille sine tidligere oplevelser igen og igen for at prøve at udtrække de mest præcise hints om, hvad den skulle gøre i fremtiden. Det er noget, vi ved, at hjernen gør, siger Hassabis. Når du lægger dig til at sove, afspiller din hippocampus mindet om dagen tilbage til din cortex.

Et år senere er Russell og andre forskere stadig i tvivl om, præcis hvordan det trick, og andre brugt af DeepMind, førte til sådanne bemærkelsesværdige resultater, og hvad de ellers kunne bruges til. Google var ikke længe om at erkende vigtigheden af ​​indsatsen og annoncerede en måned efter Tahoe-demonstrationen, at de havde erhvervet DeepMind.

Firmamand

I dag leder Hassabis det, der nu kaldes Google DeepMind. Det har stadig hovedkvarter i London og har stadig løse efterretninger som sin mission statement. Omtrent 75 personer stærke på det tidspunkt, hvor det kom til Google, har Hassabis sagt, at han havde til hensigt at ansætte omkring 50 flere. Omkring 75 procent af gruppen arbejder med grundforskning. Resten udgør et anvendt forskningsteam, der leder efter muligheder for at anvende DeepMinds teknikker på eksisterende Google-produkter.

DeepMinds teknologi kan bruges til at forfine YouTubes anbefalinger eller forbedre virksomhedens mobile stemmesøgning, siger Hassabis. Du vil se noget af vores teknologi indlejret i den slags ting i de næste par år, siger han. Google er ikke den eneste, der er overbevist om, at denne tilgang kan være en penge-snuer. I sidste måned modtog Hassabis Mullard-prisen fra Storbritanniens Royal Society for arbejde, der sandsynligvis vil gavne landets økonomi.

Men Hassabis lyder mere begejstret, når han taler om at gå videre end blot at finjustere algoritmerne bag nutidens produkter. Han drømmer om at skabe AI-forskere, der kunne gøre ting som at generere og teste nye hypoteser om sygdom i laboratoriet. Når han bliver proppet, siger han også, at DeepMinds software også kunne være nyttig til robotteknologi, et område, som Google for nylig har investeret meget i (se The Robots Running This Way). En grund til, at vi ikke har flere robotter, der gør mere nyttige ting, er, at de normalt er forprogrammerede, siger han. De er meget dårlige til at håndtere det uventede eller lære nye ting.

Hassabis' modvilje mod at tale om applikationer kan være kutyme, eller det kan være, at hans forskere stadig er i de tidlige stadier af at forstå, hvordan man kan fremme virksomhedens AI-software. En stærk indikator på, at Hassabis forventer hurtige fremskridt i retning af en stærk ny form for kunstig intelligens, er, at han er ved at oprette et etisk bord i Google for at overveje de mulige ulemper ved avanceret kunstig intelligens. Det er noget, som vi eller andre hos Google skal være opmærksomme på. Vi spiller stadig Atari-spil i øjeblikket, siger han og griner. Men vi er på de første trin på stigen.

Denne historie blev opdateret den 3. december for at afspejle, at DeepMinds Atari-spilsoftware ikke lærte at slå en menneskelig ekspert hos Space Invaders.

skjule