211service.com
Hvordan AI genopfinder, hvad computere er
22. oktober 2021
Andrea Daquino
Efterår 2021: sæsonen med græskar, pekantærter og ferskenagtige nye telefoner. Hvert år, lige på spidsen, dropper Apple, Samsung, Google og andre deres seneste udgivelser. Disse inventar i forbrugerteknologikalenderen inspirerer ikke længere overraskelsen og undren over de berusende tidlige dage. Men bag al markedsføringsglansen sker der noget bemærkelsesværdigt.
Googles seneste tilbud, Pixel 6, er den første telefon, der har en separat chip dedikeret til AI, der sidder ved siden af dens standardprocessor. Og chippen, der kører iPhonen, har i de sidste par år indeholdt, hvad Apple kalder en neural motor, også dedikeret til AI. Begge chips er bedre egnede til de typer af beregninger, der er involveret i træning og kørsel af maskinlæringsmodeller på vores enheder, såsom AI, der driver dit kamera. Næsten uden at vi bemærker det, er AI blevet en del af vores daglige liv. Og det ændrer, hvordan vi tænker om computere.
Hvad betyder det? Nå, computere har ikke ændret sig meget i 40 eller 50 år. De er mindre og hurtigere, men de er stadig kasser med processorer, der kører instruktioner fra mennesker. AI ændrer det på mindst tre fronter: hvordan computere er lavet, hvordan de er programmeret, og hvordan de bruges. I sidste ende vil det ændre, hvad de er til for.
Kernen i computing er ved at ændre sig fra tal-knas til beslutningstagning, siger Pradeep Dubey, direktør for parallel computing lab hos Intel. Eller, som MIT CSAIL-direktør Daniela Rus udtrykker det, AI befrier computere fra deres kasser.
Mere hastværk, mindre fart
Den første ændring vedrører, hvordan computere - og de chips, der styrer dem - er lavet. Traditionelle computergevinster kom, efterhånden som maskiner blev hurtigere til at udføre den ene beregning efter den anden. I årtier har verden nydt godt af chip-speed-ups, der fulgte med metronomisk regelmæssighed, da chipproducenter holdt trit med Moores lov.
Men de dybe indlæringsmodeller, der får de nuværende AI-applikationer til at fungere, kræver en anden tilgang: De har brug for et stort antal mindre præcise beregninger, der skal udføres på samme tid. Det betyder, at der kræves en ny type chip: en, der kan flytte data rundt så hurtigt som muligt og sikre, at de er tilgængelige, når og hvor det er nødvendigt. Da deep learning eksploderede på scenen for et årti eller deromkring siden, var der allerede specielle computerchips tilgængelige, som var ret gode til dette: grafikbehandlingsenheder eller GPU'er, som var designet til at vise en hel skærmfuld pixels dusinvis af gange i sekundet.
Alt kan blive en computer. Faktisk kommer de fleste husholdningsgenstande, fra tandbørster til lyskontakter til dørklokker, allerede i en smart version.
Nu pivoterer chipproducenter som Intel og Arm og Nvidia, der leverede mange af de første GPU'er, for at lave hardware skræddersyet specifikt til AI. Google og Facebook tvinger sig også ind i denne industri for første gang i et kapløb om at finde en AI-fordel gennem hardware.
For eksempel er chippen inde i Pixel 6 en ny mobilversion af Googles tensor-behandlingsenhed eller TPU. I modsætning til traditionelle chips, som er gearet til ultrahurtige, præcise beregninger, er TPU'er designet til de højvolumen, men lavpræcisionsberegninger, der kræves af neurale netværk. Google har brugt disse chips internt siden 2015: de behandler folks billeder og søgeforespørgsler på naturligt sprog. Googles søsterselskab DeepMind bruger dem til at træne sine AI'er.
I de sidste par år har Google gjort TPU'er tilgængelige for andre virksomheder, og disse chips – såvel som lignende, der udvikles af andre – er ved at blive standard i verdens datacentre.
AI hjælper endda med at designe sin egen computerinfrastruktur. I 2020 brugte Google en forstærkningsindlæringsalgoritme - en type AI, der lærer at løse en opgave gennem forsøg og fejl - til at designe layoutet af en ny TPU. AI'en kom til sidst med mærkelige nye designs, som ingen mennesker ville komme i tanke om - men de virkede. Denne form for kunstig intelligens kunne en dag udvikle bedre, mere effektive chips.
Vis, fortæl det ikke
Den anden ændring vedrører, hvordan computere får at vide, hvad de skal gøre. I de sidste 40 år har vi programmeret computere; i de næste 40 vil vi træne dem, siger Chris Bishop, leder af Microsoft Research i Storbritannien.
Traditionelt, for at få en computer til at gøre noget som at genkende tale eller identificere objekter i et billede, skulle programmører først komme med regler for computeren.
Med maskinlæring skriver programmører ikke længere regler. I stedet opretter de et neuralt netværk, der selv lærer disse regler. Det er en fundamentalt anderledes måde at tænke på.
Relateret historie
AI lærer at skabe sig selv Mennesker har kæmpet for at lave virkelig intelligente maskiner. Måske skal vi lade dem komme videre med det selv.
Eksempler på dette er allerede almindelige: talegenkendelse og billedidentifikation er nu standardfunktioner på smartphones. Andre eksempler skabte overskrifter, som da AlphaZero lærte sig selv at spille Go better than humans. På samme måde åbnede AlphaFold et biologisk problem - at finde ud af, hvordan proteiner folder - som folk havde kæmpet med i årtier.
For Bishop vil de næste store gennembrud komme inden for molekylær simulering: træning af computere til at manipulere materiens egenskaber, hvilket potentielt kan tage verdensforandrende spring i energiforbrug, fødevareproduktion, fremstilling og medicin.
Åndeløse løfter som dette bliver givet ofte. Det er også rigtigt, at deep learning har overrasket os. To af de største spring af denne art hidtil – at få computere til at opføre sig, som om de forstår sprog og til at genkende, hvad der er i et billede – ændrer allerede, hvordan vi bruger dem.
Computeren ved bedst
I årtier betød det at få en computer til at gøre noget at skrive en kommando eller i det mindste klikke på en knap.
Maskiner behøver ikke længere et tastatur eller en skærm, som mennesker kan interagere med. Alt kan blive en computer. Faktisk kommer de fleste husholdningsgenstande, fra tandbørster til lyskontakter til dørklokker, allerede i en smart version. Men efterhånden som de spreder sig, vil vi gerne bruge mindre tid på at fortælle dem, hvad de skal gøre. De skal være i stand til at finde ud af, hvad vi har brug for, uden at blive fortalt.
Dette er skiftet fra tal-knusning til beslutningstagning, som Dubey ser som definerende for den nye æra inden for computing.
Rus ønsker, at vi omfavner den kognitive og fysiske støtte, der tilbydes. Hun forestiller sig computere, der fortæller os ting, vi skal vide, når vi skal vide dem og griber ind, når vi har brug for en hånd. Da jeg var barn, var en af mine yndlingsfilm [scener] i hele verden 'The Sorcerer's Apprentice', siger Rus. Ved du, hvordan Mickey tilkalder kosten for at hjælpe ham med at rydde op? Vi har ikke brug for magi for at få det til at ske.
Vi ved, hvordan den scene ender. Mickey mister kontrollen over kosten og laver et stort rod. Nu hvor maskiner interagerer med mennesker og integreres i kaoset i den bredere verden, bliver alt mere usikkert. Computerne er ude af deres æsker.