211service.com
Tre spørgsmål med manden, der leder Baidus nye AI-indsats
Kunstig intelligens er styret af det fjerntliggende mål at få software til at matche mennesker til vigtige opgaver. Efter at have set resultater fra et nyt felt kaldet deep learning, som involverer behandling af store mængder data ved hjælp af simulerede netværk af millioner af indbyrdes forbundne neuroner, er nogle eksperter kommet til at tro, at dette mål alligevel ikke er så fjernt (se Deep Learning og Facebook Creates Software, der matcher ansigter næsten lige så godt, som du gør).
I sidste uge sluttede Baidu, Kinas største websøgningsvirksomhed, sig til amerikanske teknologigiganter, der satsede stort på deep learning ved at åbne et nyt Silicon Valley-laboratorium dedikeret til tilgangen (se den kinesiske søgegigant Baidu ansætter mand bag 'Google-hjernen'). Adam Coates, der leder forskning på det nye laboratorium, talte med MIT Technology Review Tom Simonite om, hvordan dyb læring kan bringe software tættere på menneskelig præstation ved nogle opgaver.
Google Brain-eksperimentet, hvor et stort neuralt netværk lærte at genkende katte og andre genstande blot ved at se på billeder fra YouTube, bliver ofte fremholdt som et nøglebevis på dyb lærings kraft (se Selvlært software ). Hvad gør det projekt så vigtigt?
Det, der er pænt ved Google-resultatet, er, at ingen skal fortælle det, hvad et objekt er. Vi har så mange beviser fra neurovidenskaben, at dette er en afgørende måde at lære om, hvordan verden fungerer. Men det er også et teknisk imperativ. Jeg kan ikke programmere nok regler ind i computeren til at den kan forstå verden; nu kan vi prøve at få dem til at lære reglerne selv.
Googles system manglede menneskelig ydeevne og opdagede i bedste fald kun menneskelige ansigter 81 procent af tiden. Den mere etablerede tilgang til superviseret læring, hvor software får håndmærkede data at lære af, kan gøre det bedre. Ved vi, hvordan vi får uovervågede eller selvlærte systemer til at forbedre?
Hvordan man får det til at betale sig på det niveau, vi ønsker – [at opnå] præstation på menneskeligt niveau – er meget udfordrende.
Hvis du giver mig en masse eksempler på, hvad du vil forudsige, så kan jeg træne software til at få det rigtige. Udfordringen er, hvordan du lykkes, når du ikke har mange eksempler. Mennesker behøver ikke at se en million katte for at forstå, hvad man er. Vi kan bruge en kombination af superviseret og uovervåget læring. At forstå, hvordan man blander disse to ideer sammen, bliver afgørende.
Hos Stanford – inspireret af Google Brain-eksperimentet – udviklede du et endnu større neuralt netværk. Vil større hjerner automatisk være smartere?
For omfanget af den udfordring, vi ser på – præstation på menneskelig niveau – er det meget klart, at for et lille neuralt netværk er der intet håb. De nyeste har hundredvis af millioner af forbindelser. Det kan man gøre meget ved; genkende en masse genstande f.eks.
[Men] det ser ikke ud til at være så simpelt som bare at gøre det neurale netværk meget større. Google Brain-resultatet blev bygget på et enormt distribueret system med mange CPU-kerner [16.000]. Vi fandt ud af, at hvis du satte en masse GPU'er [specialiserede grafikprocessorer] sammen, kunne vi lave et meget større neuralt netværk - 10 milliarder noder med 16 maskiner i stedet for 1.000.
Vi brugte det samme benchmark [billeder fra YouTube-videoer], som Google-teamet gjorde. Men selvom vi kunne træne et meget større neuralt net, fik vi ikke nødvendigvis en bedre kattedetektor. Lige nu kan vi køre neurale netværk, der er større, end vi ved, hvad vi skal gøre med.
[I Baidu-laboratoriet] ønsker vi at bygge en ramme til at køre store nok eksperimenter til at teste alle variationer i algoritmer, der universelt kan forbedre ydeevnen.