Sztuczna inteligencja do niedawna stanowiła jedynie część gatunku science fiction. Sama nazwa “sztuczna inteligencja” powstała 60 lat temu – 31 sierpnia 1955 roku. Zaproponował ją John McCarthy przy okazji swojego “letniego projektu badawczego”, którego celem było opracowanie metody na stworzenie myślących maszyn.
Okazało się, że zadanie to wymagało więcej czasu niż jedna pora roku. Obecnie rozpoczynamy właśnie siódmą dekadę prac nad sztuczną inteligencją i dopiero zaczynamy widzieć prawdziwe postępy.
Warto więc spytać: czemu zajęło to tak dużo czasu i co sprawiło, że dzisiaj możemy mówić o renesansie w badaniach nad AI.
Głębokie uczenie maszynowe
Cóż jak to zwykle bywa z technologicznymi “rewolucjami”, ta również zawdzięcza swój dzisiejszy stan powolnym postępom osiąganym dzięki trudnym badaniom.
Na przykład, Geoff Hinton, jeden z pionierów sztucznych sieci neuronowych, doszedł do wielu kluczowych wniosków w latach 80′, kiedy komputery były o wiele za wolne, aby koncepcje Hintona okazały się użyteczne. Kontynuował on swoją pracę przez następne 20 lat i w 2009 roku, razem ze swoim zespołem osiągnął on mistrzowski poziom, jeśli chodzi o algorytmy rozpoznawania mowy.
Google bardzo szybko zaadoptowało metody opracowane przez zespół Hintona (a potem zatrudniło cały zespół u siebie), dzięki czemu w aplikacjach Google udało się wyeliminować ok 25% błędów w rozpoznawaniu mowy – ekwiwalent dziesięciu lat badań za jednym zamachem. To był na prawdę spory wysiłek.
Jednak w przeciągu tych ostatnich lat coś się zmieniło. Doszliśmy do punktu załamania, ostatniej prostej dzielącej “to może zadziałać” i “wow, to działa lepiej niż cokolwiek innego, co wymyśliliśmy do tej pory!”.
W rzeczy samej, głębokie uczenie maszynowe na prawdę nabrało tempa wraz z przetwarzaniem danych na ogromną skalę, możliwym dzięki sieciom komputerowym, złożonym z tysięcy maszyn pracujących wspólnie.
Nieuporządkowany świat
Badania nad sztuczną inteligencją napędzane są problemami prawdziwego świata: jak zbudować system rozpoznawania mowy, który działa w 58 językach? Jak znaleźć pierwsze zdjęcie golden retrievera kogoś, kto nie oznaczył go w żaden sposób? (To nie są retoryczne pytania: aplikacja Google i Google Zdjęcia potrafią to zrobić, inne firmy również pracują nad podobnymi aplikacjami, które korzystają z uczenia maszynowego).
Innymi słowy, te same potrzeby konsumentów, które zapoczątkowały rozwój sieci i przetwarzania danych w chmurze, napędzają też badania nad sztuczną inteligencją. Ludzie chcą mieć możliwość uzyskania odpowiedzi na dowolne pytanie, chcą również komunikować się bez wysiłku, bez obecnych barier językowych. To właśnie te potrzeby odświeżyły i zmieniły priorytety badań nad sztuczną inteligencją.
Potrzeby te okazały się znacznie trudniejszymi i bardziej satysfakcjonującymi wyzwaniami, niż “zabawkowe” problemy, które w minionych dekadach były benchmarkami badań nad sztuczną inteligencją. Kiedyś chodziło o to, żeby program znalazł wyjście z prostego labiryntu. Prawdziwy świat jest o wiele większy i bardziej nieuporządkowany, dlatego też stanowi on o wiele wyższą poprzeczkę dla uczenia maszynowego.
Prawdziwy postęp dokonuje się wtedy, kiedy teoria napotyka na praktykę. Dlatego co roku zapraszamy do Google’a studentów i naukowców uniwersytetckich. Również dlatego nasi naukowcy otwarcie publikują wyniki swoich badań i pojawiają się na największych, akademickich konferencjach, na których poruszane są tematy związane z AI.
Oferujemy nasze zasoby, problemy napotkane w realnym świecie i praktyczną wiedzę na temat budowania systemów komputerowych. Naukowcy z zewnątrz w zamian za to wnoszą bogate doświadczenie w swojej dziedzinie i pomysły oferujące nowatorskie podejście do niektórych zagadnień.
Uwielbiamy tego typu wymianę i z otwartymi ramionami witamy ekspertów od uczenia maszynowego, którzy prowadzą swoje badania w Google. (A tak przy okazji, są również inne korzyści płynące ze zmniejszania dystansu pomiędzy teorią i praktyką: ustalenie długoterminowych obaw związanych ze sztuczną inteligencją podczas praktycznych dyskusji na temat samych możliwości AI i tego, w jaki sposób stworzyć najbardziej użyteczne technologie ma sens).
W przyszłości musimy jeszcze bardziej zbliżyć badania nad AI do rozwiązywania realnych problemów i wyzwań.
W następnej generacji oprogramowania uczenie maszynowe nie będzie tylko dodatkiem zwiększającym jego wydajność o kila punktów procentowych. Uczenie maszynowe zastąpi tradycyjne podejście.
Aby podać chociaż jeden przykład: dekadę temu, aby znaleźć jakąś wschodzącą gwiazdę muzyczną, użytkownik musiałby zapisać się do kilku elitarnych serwisów śledzących trendy w muzyce.
Dzisiaj radzimy sobie znacznie lepiej dzięki inteligentnym systemom, które uczą się same, pobierając informacje z realnego świata na temat tego, co teraz spodoba się słuchaczom. I na tej podstawie przewidują kto i gdzie stanie się kolejną Adele.
Miłym dodatkiem jest to, że proces zmiany trendów (i gustu) stał się znacznie mniej elitarny i znacznie bardziej demokratyczny. Pozwala to wszystkim na odkrycie kolejnej dużej gwiazdy dzięki ich zbiorczej opinii, a nie za pomocą osobistych preferencji wybranej garstki ludzi.
Życie współczesne
W celu wykorzystania długoterminowego potencjału możliwości sztucznej inteligencji, które może zaoferować naszemu społeczeństwu, musimy poprowadzić badania jeszcze bardziej w kierunku bałaganu prawdziwego świata (eng: real-world messiness): jak pomóc komuś zaplanować wspaniałe wakacje last-minute, jeśli ten ktoś ma dwójkę wybrednych dzieci, ograniczony budżet i zaledwie kilka dni na realizację swojego planu?
Czy możemy zredukować szum towarzyszący nam we współczesnym życiu, dając Ci bardziej inteligentne filtry do sortowania twojej poczty e-mail, twoich mediów społecznościowych, twojego kalendarza – czy możemy zaoferować Ci mniej spamu i więcej czasu?
I jak możemy pomóc naukowcom, którzy szukają sensu w tej ogromnej ilości danych związanych z genomiką, źródłami energii i klimatologią?
Wszystkie te dziedziny skorzystają z mądrych, odpowiednio kierowanych i przemyślanych innowacji z dziedziny sztucznej inteligencji, dlatego właśnie pierwszą rzeczą, o której musimy mysleć są realne potrzeby ludzi i realny świat, zamieszkiwany przez nas wszystkich.