Lær maskiner at forstå os

Første gang Yann LeCun revolutionerede kunstig intelligens, var det et falsk daggry. Det var 1995, og i næsten et årti havde den unge franskmand været dedikeret til, hvad mange dataloger anså for en dårlig idé: at groft efterligning af visse egenskaber i hjernen var den bedste måde at skabe intelligente maskiner på. Men LeCun havde vist, at denne tilgang kunne producere noget slående smart – og nyttigt. Han arbejdede hos Bell Labs og lavede software, der groft simulerede neuroner og lærte at læse håndskrevet tekst ved at se på mange forskellige eksempler. Bell Labs' moderselskab, AT&T, brugte det til at sælge de første maskiner, der var i stand til at læse håndskriften på checks og skriftlige formularer. For LeCun og nogle få trosfæller i kunstige neurale netværk syntes det at markere begyndelsen på en æra, hvor maskiner kunne lære mange andre færdigheder, der tidligere var begrænset til mennesker. Det var det ikke.

Hele dette projekt forsvandt ligesom på dagen for dets største succes, siger LeCun. Samme dag som han fejrede lanceringen af ​​bankautomater, der kunne læse tusindvis af checks i timen, meddelte AT&T, at det var opdelt i tre virksomheder dedikeret til forskellige markeder inden for kommunikation og databehandling. LeCun blev forskningschef hos et slankere AT&T og blev henvist til at arbejde med andre ting; i 2002 ville han forlade AT&T, snart for at blive professor ved New York University. I mellemtiden fandt forskere andre steder ud, at de ikke kunne anvende LeCuns gennembrud på andre computerproblemer. Den hjerneinspirerede tilgang til kunstig intelligens gik tilbage til at være en udkantsinteresse.

Denne historie var en del af vores september 2015-udgave

• Se resten af ​​problemet
• Abonner

LeCun, nu en kraftig 55-årig med et parat smil og et sideværts svir af mørkt hår, der er berørt med gråt, holdt aldrig op med at forfølge den udkantsinteresse. Og bemærkelsesværdigt nok er resten af ​​verden kommet rundt. De ideer, som han og et par andre nærede i lyset af over to årtiers apati og nogle gange direkte afvisning, har i de sidste par år givet slående resultater på områder som ansigts- og talegenkendelse. Dyb læring, som feltet nu er kendt, er blevet en ny kampplads mellem Google og andre førende teknologivirksomheder, der ræser om at bruge det i forbrugertjenester. Et sådant firma er Facebook, som hyrede LeCun fra NYU i december 2013 og satte ham i spidsen for en ny kunstig intelligens-forskningsgruppe, FAIR, der i dag har 50 forskere, men som vil vokse til 100. LeCuns laboratorium er Facebooks første betydelige investering i fundamental forskning, og det kan være afgørende for virksomhedens forsøg på at blive mere end blot et virtuelt socialt mødested. Det kan også omforme vores forventninger til, hvad maskiner kan.

Facebook og andre virksomheder, herunder Google, IBM og Microsoft, har bevæget sig hurtigt for at komme ind på dette område i de sidste par år, fordi deep learning er langt bedre end tidligere AI-teknikker til at få computere til at opfange færdigheder, der udfordrer maskiner, såsom at forstå fotos . Disse mere etablerede teknikker kræver, at menneskelige eksperter møjsommeligt programmerer visse evner, såsom hvordan man detekterer linjer og hjørner i billeder. Deep-learning software finder ud af, hvordan man selv giver mening med data uden nogen sådan programmering. Nogle systemer kan nu genkende billeder eller ansigter omtrent lige så præcist som mennesker.

Nu sigter LeCun efter noget meget mere kraftfuldt. Han ønsker at levere software med de sprogkundskaber og sund fornuft, der er nødvendig for grundlæggende samtale. I stedet for at skulle kommunikere med maskiner ved at klikke på knapper eller indtaste nøje udvalgte søgeord, kunne vi bare fortælle dem, hvad vi vil, som om vi talte med en anden person. Vores forhold til den digitale verden vil ændre sig fuldstændig på grund af intelligente agenter, du kan interagere med, forudser han. Han mener, at deep learning kan producere software, der forstår vores sætninger og kan reagere med passende svar, opklarende spørgsmål eller egne forslag.

Agenter, der besvarer faktuelle spørgsmål eller booker restauranter for os, er en oplagt – hvis ikke ligefrem verdensændrende – ansøgning. Det er også nemt at se, hvordan sådan software kan føre til mere stimulerende videospilkarakterer eller forbedre online-læring. Mere provokerende siger LeCun, at systemer, der forstår almindeligt sprog, kunne lære os godt nok at kende til at forstå, hvad der er godt for os. Systemer som dette burde ikke bare kunne forstå, hvad folk ville blive underholdt af, men hvad de har brug for at se, uanset om de vil nyde det, siger han. Sådanne bedrifter er ikke mulige ved at bruge teknikkerne bag søgemaskinerne, spamfiltrene og virtuelle assistenter, der forsøger at forstå os i dag. De ignorerer ofte ordenes rækkefølge og klarer sig med statistiske tricks som at matche og tælle søgeord. Apples Siri forsøger for eksempel at passe det, du siger, ind i et lille antal kategorier, der udløser scriptede svar. De forstår ikke rigtig teksten, siger LeCun. Det er fantastisk, at det overhovedet virker. I mellemtiden systemer, der ser ud til at have mestret komplekse sprogopgaver, såsom IBM's Fare! vinder Watson, gør det ved at være superspecialiseret til et bestemt format. Det er sødt som en demonstration, men ikke arbejde, der virkelig ville oversætte til enhver anden situation, siger han.

I modsætning hertil kan deep-learning software være i stand til at skabe mening med sproget mere, som mennesker gør. Forskere hos Facebook, Google og andre steder er ved at udvikle software, der har vist fremskridt i retning af at forstå, hvad ord betyder. LeCuns team har et system, der er i stand til at læse enkle historier og besvare spørgsmål om dem, trække på fakulteter som logisk deduktion og en rudimentær forståelse af tid.

Men som LeCun ved selv, er kunstig intelligens berygtet for fremskridt, der sætter gang i forudsigelser om store spring fremad, men i sidste ende ændrer meget lidt. At skabe software, der kan håndtere sprogets blændende kompleksitet, er en større udfordring end at træne det til at genkende objekter i billeder. Deep learnings anvendelighed til talegenkendelse og billedgenkendelse er hævet over enhver tvivl, men det er stadig kun et gæt på, at det vil mestre sproget og transformere vores liv mere radikalt. Vi ved endnu ikke med sikkerhed, om deep learning er et blip, der vil vise sig at være noget meget større.

Dyb historie

Rødderne til dyb læring rækker længere tilbage end LeCuns tid på Bell Labs. Han og et par andre, der var banebrydende for teknikken, genoplivede faktisk en for længst død idé inden for kunstig intelligens.

Da feltet startede, i 1950'erne, var biologer lige begyndt at udvikle simple matematiske teorier om, hvordan intelligens og læring opstår fra signaler, der passerer mellem neuroner i hjernen. Kerneideen - stadig aktuel i dag - var, at forbindelserne mellem neuroner styrkes, hvis disse celler kommunikerer ofte. Fusilladen af ​​neural aktivitet udløst af en ny oplevelse justerer hjernens forbindelser, så den bedre kan forstå den anden gang.

I 1956 brugte psykologen Frank Rosenblatt disse teorier til at opfinde en måde at lave simple simuleringer af neuroner i software og hardware. Det New York Times annoncerede sit arbejde med overskriften Elektronisk 'hjerne' lærer sig selv . Rosenblatts perceptron, som han kaldte sit design, kunne lære at sortere simple billeder i kategorier - for eksempel trekanter og firkanter. Rosenblatt gennemførte normalt sine ideer på kæmpe maskiner tykt sammenfiltret med ledninger, men de etablerede de grundlæggende principper, der fungerer i kunstige neurale netværk i dag.

Deep learning er god til at tage diktat og genkende billeder. Men kan den mestre menneskeligt sprog?

En computer, han byggede, havde otte simulerede neuroner, lavet af motorer og skiver forbundet med 400 lysdetektorer. Hver af neuronerne modtog en andel af signalerne fra lysdetektorerne, kombinerede dem og spyttede enten en en eller a 0 . Tilsammen udgjorde disse cifre perceptronens beskrivelse af, hvad den så. Til at begynde med var resultaterne skrald. Men Rosenblatt brugte en metode kaldet overvåget læring til at træne en perceptron til at generere resultater, der korrekt skelnede forskellige former. Han ville vise perceptronen et billede sammen med det rigtige svar. Derefter ville maskinen justere, hvor meget opmærksomhed hver neuron gav til sine indkommende signaler, og flytte disse vægte mod indstillinger, der ville producere det rigtige svar. Efter mange eksempler gav disse tweaks computeren nok smarte funktioner til korrekt at kategorisere billeder, den aldrig havde set før. Nutidens deep learning-netværk bruger sofistikerede algoritmer og har millioner af simulerede neuroner med milliarder af forbindelser imellem dem. Men de trænes på samme måde.

Rosenblatt forudsagde, at perceptroner snart ville være i stand til at udføre bedrifter som at hilse på folk ved navn, og hans idé blev en knudepunkt i det spirende felt af kunstig intelligens. Arbejdet fokuserede på at lave perceptroner med mere komplekse netværk, arrangeret i et hierarki af flere læringslag. At sende billeder eller andre data successivt gennem lagene ville give en perceptron mulighed for at tackle mere komplekse problemer. Desværre virkede Rosenblatts læringsalgoritme ikke på flere lag. I 1969 udgav AI-pioneren Marvin Minsky, der havde gået i gymnasiet hos Rosenblatt, en boglængde kritik af perceptroner der dræbte interessen for neurale netværk med et slag. Minsky hævdede, at at få flere lag til at virke ikke ville gøre perceptroner kraftige nok til at være nyttige. Forskere af kunstig intelligens opgav ideen om at lave software, der lærte. I stedet vendte de sig til at bruge logik til at skabe arbejdende facetter af intelligens - såsom en egnethed til skak. Neurale netværk blev skubbet til kanten af ​​datalogi.

Ikke desto mindre blev LeCun fascineret, da han læste om perceptroner som ingeniørstuderende i Paris i begyndelsen af ​​1980'erne. Jeg var overrasket over, at det her virkede, og undrede mig over, hvorfor folk opgav det, siger han. Han tilbragte dagevis på et forskningsbibliotek nær Versailles, på jagt efter artikler, der blev offentliggjort, før perceptroner uddøde. Så opdagede han, at en lille gruppe forskere i USA i det skjulte arbejdede på neurale netværk igen. Det her var en meget undergrundsbevægelse, siger han. I artikler, der omhyggeligt var renset for ord som neural og at lære at undgå afvisning af anmeldere, arbejdede de på noget, der ligner Rosenblatts gamle problem med, hvordan man træner neurale netværk med flere lag.

LeCun sluttede sig til undergrunden, efter at han mødte dens centrale skikkelser i 1985, herunder en skæv brite ved navn Geoff Hinton, som nu arbejder på Google og University of Toronto. De blev straks venner, gensidige beundrere - og kernen i et lille samfund, der genoplivede ideen om neurale netværk. De blev understøttet af en tro på, at brug af en kernemekanisme set i naturlig intelligens var den eneste måde at opbygge kunstig intelligens på. Den eneste metode, som vi vidste virkede, var en hjerne, så i det lange løb skulle det være, at sådan noget systemer kunne fås til at fungere, siger Hinton.

LeCuns succes hos Bell Labs opstod, efter at han, Hinton og andre perfektionerede en læringsalgoritme til neurale netværk med flere lag. Det var kendt som backpropagation, og det udløste et sus af interesse fra psykologer og dataloger. Men efter at LeCuns check-reading-projekt sluttede, viste det sig, at tilbagepropagation var vanskelig at tilpasse sig andre problemer, og en ny måde at træne software til at sortere data på blev opfundet af en Bell Labs-forsker nede ad gangen fra LeCun. Det involverede ikke simulerede neuroner og blev set som matematisk mere elegant. Det blev meget hurtigt en hjørnesten i internetvirksomheder som Google, Amazon og LinkedIn, som bruger det til at træne systemer, der blokerer spam eller foreslår ting, du kan købe.

Efter at LeCun kom til NYU i 2003, dannede han, Hinton, og en tredje samarbejdspartner, professor ved University of Montreal, Yoshua Bengio, det, LeCun kalder den dybe læringskonspiration. For at bevise, at neurale netværk ville være nyttige, udviklede de stille og roligt måder at gøre dem større på, træne dem med større datasæt og køre dem på mere kraftfulde computere. LeCuns håndskriftsgenkendelsessystem havde fem lag af neuroner, men nu kunne de have 10 eller mange flere. Omkring 2010 begyndte det, der nu blev døbt deep learning, at slå etablerede teknikker på opgaver i den virkelige verden som at sortere billeder. Microsoft, Google og IBM føjede det til talegenkendelsessystemer. Men neurale netværk var stadig fremmede for de fleste forskere og blev ikke betragtet som almindeligt nyttige. I begyndelsen af ​​2012 skrev LeCun et brændende brev - i første omgang offentliggjort anonymt - efter at et papir, der hævdede at have sat en ny rekord på en standard visionsopgave, blev afvist af en førende konference. Han beskyldte anmelderne for at være uvidende og negativt forudindtaget.

Alt ændrede sig seks måneder senere. Hinton og to kandidatstuderende brugte et netværk som det LeCun lavede til at læse checks for at bane vejen i den førende konkurrence om billedgenkendelse. Kendt som ImageNet Large Scale Visual Recognition Challenge, beder den software om at identificere 1.000 typer objekter så forskellige som myggenet og moskeer. Toronto-indlægget identificerede korrekt objektet på et billede inden for fem gæt omkring 85 procent af tiden, mere end 10 procentpoint bedre end det næstbedste system. Deep-learning-softwarens indledende lag af neuroner optimerede sig selv til at finde simple ting som kanter og hjørner, hvor lagene derefter søgte efter successivt mere komplekse funktioner som grundlæggende former og i sidste ende hunde eller mennesker.

LeCun husker at have set det fællesskab, der for det meste havde ignoreret neurale netværk, pakkes ind i rummet, hvor vinderne præsenterede et papir om deres resultater. Man kunne se lige dér, at mange ældre mennesker i samfundet bare vendte om, siger han. De sagde: 'Okay, nu køber vi det. Det er det, nu - du vandt.'

Akademikere, der arbejder med computervision, opgav hurtigt deres gamle metoder, og deep learning blev pludselig en af ​​hovedstrengene inden for kunstig intelligens. Google købte et firma grundlagt af Hinton og de to andre bag resultatet i 2012, og Hinton begyndte at arbejde der på deltid på et forskerhold kendt som Google Brain. Microsoft og andre virksomheder skabte nye projekter for at undersøge dyb læring. I december 2013 overraskede Facebooks administrerende direktør Mark Zuckerberg akademikere ved at dukke op på den største forskningskonference om neurale netværk, hvor han var vært for en fest, hvor han annoncerede, at LeCun startede FAIR (selvom han stadig arbejder på NYU en dag om ugen).

LeCun nærer stadig blandede følelser omkring forskningen fra 2012, der bragte verden rundt til hans synspunkt. Det her burde i et vist omfang være kommet ud af mit laboratorium, siger han. Hinton deler den vurdering. Det var lidt ærgerligt for Yann, at det ikke var ham, der rent faktisk lavede gennembrudssystemet, siger han. LeCuns gruppe havde gjort mere arbejde end nogen anden for at bevise de teknikker, der blev brugt til at vinde ImageNet-udfordringen. Sejren kunne have været hans, hvis studerendes eksamensplaner og andre forpligtelser ikke forhindrede hans egen gruppe i at tage på ImageNet, siger han. LeCuns jagt på deep learnings næste gennembrud er nu en chance for at udligne resultatet.

LeCun på Bell Labs i 1993, med en computer, der kunne læse håndskriften på checks.

Sprogindlæring

Facebooks kontor i New York er en tre-minutters gåtur op ad Broadway fra LeCuns kontor på NYU, på to etager i en bygning bygget som et stormagasin i begyndelsen af ​​det 20. århundrede. Arbejderne er tættere pakket ind i det åbne plan, end de er i Facebooks hovedkvarter i Menlo Park, Californien, men de kan stadig ses glide på leddelte skateboards forbi opslag om ugentlige beer pong. Næsten halvdelen af ​​LeCuns hold af førende AI-forskere arbejder her, med resten på Facebooks campus i Californien eller et kontor i Paris. Mange af dem forsøger at gøre neurale netværk bedre til at forstå sprog. Jeg har ansat alle de mennesker, der arbejder på det her, som jeg kunne, siger LeCun.

Et neuralt netværk kan lære ord ved at spole gennem tekst og beregne, hvordan hvert ord, det støder på, kunne have været forudsagt ud fra ordene før eller efter det. Ved at gøre dette lærer softwaren at repræsentere hvert ord som en vektor, der indikerer dets forhold til andre ord - en proces, der uhyggeligt fanger begreber i sproget. Forskellen mellem vektorerne for konge og dronning er den samme som for for eksempel mand og kone. Vektorerne for papir og pap er tæt på hinanden, og dem for store og store er endnu tættere.

Den samme tilgang virker for hele sætninger (Hinton siger, at den genererer tankevektorer), og Google kigger på at bruge den til at styrke sin automatiske oversættelsestjeneste. Et nyligt papir fra forskere ved et kinesisk universitet og Microsofts laboratorium i Beijing brugte en version af vektorteknikken til at lave software, der slår nogle mennesker på IQ-test spørgsmål, der kræver forståelse af synonymer, antonymer og analogier.

LeCuns gruppe arbejder på at komme videre. Sproget i sig selv er ikke så kompliceret, siger han. Det, der er kompliceret, er at have en dyb forståelse af sproget og den verden, der giver dig sund fornuft. Det er det, vi virkelig er interesserede i at bygge ind i maskiner. LeCun betyder sund fornuft, som Aristoteles brugte udtrykket: evnen til at forstå grundlæggende fysisk virkelighed. Han vil have en computer til at forstå, at sætningen Yann tog flasken op og gik ud af lokalet betyder, at flasken blev efterladt hos ham. Facebooks forskere har opfundet et dybt læringssystem kaldet et hukommelsesnetværk, der viser, hvad der kan være de tidlige bevægelser af sund fornuft.

Et hukommelsesnetværk er et neuralt netværk med en hukommelsesbank boltet på for at gemme fakta, det har lært, så de ikke bliver vasket væk, hver gang det tager friske data ind. Facebook AI-laboratoriet har lavet versioner, der kan besvare simple spørgsmål om tekst, som de aldrig har set før. For eksempel, da forskere gav et hukommelsesnetværk et meget forenklet resumé af plottet af Ringenes Herre , kunne den besvare spørgsmål som Hvor er ringen? og hvor var Frodo før bjerget Doom? Den kunne fortolke den simple verden, der er beskrevet i teksten, på trods af at den aldrig tidligere har stødt på mange af navnene eller objekterne, såsom Frodo eller ring.

Softwaren lærte sin rudimentære sunde fornuft ved at blive vist, hvordan man besvarer spørgsmål om en simpel tekst, hvor karakterer gør ting i en række rum, såsom Fred flyttede til soveværelset, og Joe gik i køkkenet. Men LeCun ønsker at udsætte softwaren for tekster, der er langt bedre til at fange livets kompleksitet og de ting, en virtuel assistent måske skal gøre. En virtuel concierge kaldet Moneypenny, som Facebook forventes at frigive, kunne være en kilde til disse data. Assistenten siges at være drevet af et team af menneskelige operatører, der vil hjælpe folk med at gøre ting som at lave restaurantreservationer. LeCuns team kunne have et hukommelsesnetværk overvåget Moneypennys skulder, før det til sidst lod det lære ved selv at interagere med mennesker.

Flere virksomheder har åbnet deep learning-laboratorier. Jeg har ansat alle de mennesker, der arbejder på det her, som jeg kunne, siger LeCun.

At bygge noget, der kan holde selv en grundlæggende, snævert fokuseret samtale kræver stadig betydeligt arbejde. For eksempel har neurale netværk kun vist meget enkle ræsonnementer, og forskere har ikke fundet ud af, hvordan de kan lære at lave planer, siger LeCun. Men resultater fra det arbejde, der er blevet udført med teknologien indtil videre, efterlader ham sikker på, hvor tingene går hen. Revolutionen er på vej, siger han.

Nogle mennesker er mindre sikre. Deep-learning software har indtil videre kun vist de enkleste funktioner, der kræves til det, vi ville genkende som samtale, siger Oren Etzioni , administrerende direktør for Allen Institute for Artificial Intelligence i Seattle. De logiske og planlægningsevner, der stadig er nødvendige, siger han, er meget forskellige fra de ting, neurale netværk har gjort bedst: at fordøje sekvenser af pixels eller akustiske bølgeformer for at bestemme, hvilken billedkategori eller hvilket ord de repræsenterer. Problemerne med at forstå naturligt sprog kan ikke reduceres på samme måde, siger han.

Gary Marcus , en professor i psykologi og neuralvidenskab ved NYU, som har studeret, hvordan mennesker lærer sprog og for nylig startede et kunstig intelligensfirma ved navn Geometric Intelligence, mener, at LeCun undervurderer, hvor svært det ville være for eksisterende software at opfange sprog og sund fornuft. At træne softwaren med store mængder omhyggeligt annoterede data er fint til at få den til at sortere billeder. Men Marcus tvivler på, at det kan tilegne sig de vanskeligere færdigheder, der er nødvendige for sproget, hvor betydningen af ​​ord og komplekse sætninger kan vende afhængigt af konteksten. Folk vil se tilbage på dyb læring og sige, at dette er en virkelig kraftfuld teknik - det er første gang, AI blev praktisk, siger han. De vil også sige, at disse ting krævede en masse data, og der var domæner, hvor folk bare aldrig fik nok. Marcus mener, at sprog kan være et af disse domæner. For at software kan mestre samtale, skal det lære mere som et lille barn, der samler det op uden eksplicit instruktion, foreslår han.

Dyb tro

I Facebooks hovedkvarter i Californien sidder West Coast-medlemmerne af LeCuns team tæt på Mark Zuckerberg og Mike Schroepfer, virksomhedens CTO. Facebooks ledere ved, at LeCuns gruppe stadig er et stykke vej fra at bygge noget, du kan tale med, men Schroepfer tænker allerede på, hvordan man bruger det. Den fremtidige Facebook, han beskriver, henter og koordinerer information, som en butler, du kommunikerer med ved at skrive eller tale, som du kan med en menneskelig.

Man kan engagere sig i et system, der virkelig kan forstå begreber og sprog på et meget højere niveau, siger Schroepfer. Han forestiller sig at kunne bede dig om at se en vens baby-øjebliksbilleder, men ikke hans vittigheder, for eksempel. Jeg tror, ​​at en version af det på kort sigt er meget realiserbar, siger han. Da LeCuns systemer opnår bedre ræsonnement og planlægningsevner, forventer han, at samtalen bliver mindre ensidig. Facebook tilbyder muligvis oplysninger, som det tror, ​​du kunne lide, og spørger, hvad du syntes om det. Til sidst er det ligesom denne superintelligente hjælper, der er tilsluttet alle informationsstrømme i verden, siger Schroepfer.

Det er ikke klart, hvor meget vi ville have gavn af smartere virtuelle assistenter, men vi behøver måske ikke vente længe på at finde ud af det.

De nødvendige algoritmer til at drive sådanne interaktioner vil også forbedre de systemer, Facebook bruger til at filtrere de opslag og annoncer, vi ser. Og de kan være afgørende for Facebooks ambitioner om at blive meget mere end blot et sted at socialisere. Efterhånden som Facebook begynder at hoste artikler og videoer på vegne af medie- og underholdningsvirksomheder, vil det for eksempel have brug for bedre måder for folk at administrere information på. Virtuelle assistenter og andre spinouts fra LeCuns arbejde kunne også hjælpe Facebooks mere ambitiøse afgange fra sin oprindelige forretning, såsom Oculus-gruppen, der arbejder på at gøre virtual reality til en massemarkedsteknologi.

Intet af dette vil ske, hvis de seneste imponerende resultater opfylder skæbnen for tidligere store ideer inden for kunstig intelligens. Opblomstringer af begejstring omkring neurale netværk er allerede visnet to gange. Men mens man klager over, at andre virksomheder eller forskere overhyper deres arbejde, er det en af ​​LeCuns yndlingsbeskæftigelser , siger han, at der er nok indicier til at stå fast bag sine egne forudsigelser om, at dyb læring vil levere imponerende udbytte. Teknologien giver stadig mere nøjagtighed og kraft på alle områder af kunstig intelligens, hvor den er blevet anvendt, siger han. Der er brug for nye ideer til, hvordan man anvender det til sprogbehandling, men det stadig lille felt udvides hurtigt, efterhånden som virksomheder og universiteter dedikerer flere mennesker til det. Det vil fremskynde fremskridt, siger LeCun.

Det er stadig ikke klart, at dyb læring kan levere noget som den information, butler Facebook forestiller sig. Og selvom det kan, er det svært at sige, hvor meget verden virkelig ville have gavn af det. Men vi behøver måske ikke vente længe på at finde ud af det. LeCun gætter på, at virtuelle hjælpere med en beherskelse af sprog uden fortilfælde for software vil være tilgængelige om kun to til fem år. Han forventer, at enhver, der tvivler på deep learnings evne til at mestre sprog, vil blive bevist, at de tager fejl endnu hurtigere. Der er det samme fænomen, som vi observerede lige før 2012, siger han. Tingene begynder at fungere, men folk, der laver mere klassiske teknikker, er ikke overbevist. Inden for et år eller to er det slut.

skjule