5 store forudsigelser for kunstig intelligens i 2017

Sidste år var enormt for fremskridt inden for kunstig intelligens og maskinlæring. Men 2017 kan meget vel levere endnu mere. Her er fem vigtige ting at se frem til.

Positiv forstærkning



AlphaGos historiske sejr mod en af ​​de bedste Go-spillere gennem tiderne, Lee Sedol, var et vartegn for AI-området, og især for teknikken kendt som deep reinforcement learning.

Forstærkende læring tager inspiration fra de måder, dyr lærer, hvordan visse adfærd har en tendens til at resultere i et positivt eller negativt resultat. Ved at bruge denne tilgang kan en computer f.eks. finde ud af, hvordan man navigerer i en labyrint ved at prøve og fejle og derefter forbinde det positive resultat - at forlade labyrinten - med de handlinger, der førte op til det. Dette lader en maskine lære uden instruktion eller endda eksplicitte eksempler. Idéen har eksisteret i årtier, men at kombinere den med store (eller dybe) neurale netværk giver den nødvendige kraft til at få den til at fungere på virkelig komplekse problemer (som spillet Go). Gennem ubarmhjertige eksperimenter, samt analyse af tidligere spil, fandt AlphaGo selv ud af, hvordan man spiller spillet på et ekspertniveau.

Håbet er, at forstærkningslæring nu vil vise sig nyttig i mange situationer i den virkelige verden. Og den nylige udgivelse af adskillige simulerede miljøer burde anspore til fremskridt med de nødvendige algoritmer ved at øge rækken af ​​færdigheder, computere kan tilegne sig på denne måde.

I 2017 vil vi sandsynligvis se forsøg på at anvende forstærkende læring på problemer som automatiseret kørsel og industriel robotteknologi. Google har allerede pralet med at bruge dyb forstærkningslæring til gøre sine datacentre mere effektive . Men tilgangen forbliver eksperimentel, og den kræver stadig tidskrævende simulering, så det bliver interessant at se, hvor effektivt den kan implementeres.

Duellerende neurale netværk

Ved den akademiske banner AI-samling, der for nylig blev afholdt i Barcelona, ​​Neural Information Processing Systems-konferencen, handlede meget af brummer om en ny maskinlæringsteknik kendt som generative kontradiktoriske netværk .

Opfundet af Ian Goodfellow, nu forsker ved OpenAI, er generative adversarial networks, eller GAN'er, systemer, der består af et netværk, der genererer nye data efter at have lært fra et træningssæt, og et andet, der forsøger at skelne mellem ægte og falske data. Ved at arbejde sammen kan disse netværk producere meget realistiske syntetiske data. Fremgangsmåden kunne bruges til at generere videospilscenerier, fjerne sløring af pixelerede videooptagelser eller anvende stilistiske ændringer til computergenererede designs.

Yoshua Bengio, en af ​​verdens førende eksperter i maskinlæring (og Goodfellows ph.d.-rådgiver ved University of Montreal), sagde på NIPS, at tilgangen er særligt spændende, fordi den tilbyder en kraftfuld måde for computere at lære af umærkede data - noget mange mener kan være nøglen til at gøre computere meget mere intelligente i de kommende år.

Kinas AI-boom

Dette kan også være året, hvor Kina begynder at ligne en stor spiller inden for kunstig intelligens. Landets teknologiske industri bevæger sig væk fra at kopiere vestlige virksomheder, og den har identificeret AI og maskinlæring som de næste store innovationsområder.

Kinas førende søgevirksomhed, Baidu, har haft et AI-fokuseret laboratorium i nogen tid, og det høster frugterne i form af forbedringer i teknologier såsom stemmegenkendelse og naturlig sprogbehandling, samt en bedre optimeret reklamevirksomhed. Andre spillere kæmper nu for at indhente det. Tencent, som tilbyder den enormt succesrige mobile-first messaging- og netværksapp WeChat, åbnede et AI-laboratorium sidste år, og virksomheden havde travlt med at rekruttere talent hos NIPS. Didi, ride-sharing-giganten, der købte Ubers kinesiske aktiviteter tidligere i år, bygger også et laboratorium ud og arbejder angiveligt på sine egne førerløse biler.

Kinesiske investorer hælder nu penge ind i AI-fokuserede startups, og den kinesiske regering har signaleret et ønske om at se landets AI-industri blomstre, forpligter sig til at investere omkring 15 mia inden 2018.

Sprogindlæring

Spørg AI-forskere, hvad deres næste store mål er, og de vil sandsynligvis nævne sproget. Håbet er, at teknikker, der har produceret spektakulære fremskridt inden for stemme- og billedgenkendelse, blandt andre områder, også kan hjælpe computere med at analysere og generere sprog mere effektivt.

Dette er et langvarigt mål inden for kunstig intelligens, og udsigten til, at computere kommunikerer og interagerer med os ved hjælp af sprog, er fascinerende. Bedre sprogforståelse ville gøre maskiner meget mere nyttige. Men udfordringen er en formidabel en i betragtning af sprogets kompleksitet, subtilitet og kraft.

Forvent ikke at komme i dyb og meningsfuld samtale med din smartphone i et stykke tid. Men nogle imponerende fremskridt er ved at blive gjort, og du kan forvente yderligere fremskridt på dette område i 2017.

Modreaktion til hypen

Ud over ægte fremskridt og spændende nye applikationer nåede hypen omkring kunstig intelligens i 2016 berusende nye højder. Mens mange har tiltro til den underliggende værdi af teknologier, der udvikles i dag, er det svært at undslippe følelsen af, at omtalen omkring AI er ved at komme lidt ud af hånden.

Nogle AI-forskere er åbenbart irriterede. En lanceringsfest blev arrangeret under NIPS for en falsk AI-startup kaldet Raket AI , til fremhæve den voksende mani og nonsens omkring ægte AI-forskning. Bedraget var ikke særlig overbevisende, men det var en sjov måde at henlede opmærksomheden på et ægte problem.

Et reelt problem er, at hype uundgåeligt fører til en følelse af skuffelse, når store gennembrud ikke sker, hvilket får overvurderede startups til at mislykkes, og investeringerne tørrer op. Måske vil 2017 byde på en slags modreaktion mod AI-hype-maskinen - og måske ville det ikke være så slemt.

skjule