Das fehlende Glied der künstlichen Intelligenz

Im Jahr 2012 erfuhr die Welt von einem überraschenden Forschungsprojekt in Googles geheimem X-Labor. Eine riesige Simulation von drei Millionen Neuronen lernte, Katzen und Menschen in Bildern ohne menschliche Hilfe zu erkennen, indem sie sich nur Bilder von YouTube ansahen.

Die Leute hinter dem Projekt gründeten innerhalb der Suchabteilung des Unternehmens eine neue Forschungsgruppe namens Google Brain. Sie und Forscher anderswo bewiesen der Welt bald, dass künstliche neuronale Netze, eine jahrzehntealte Erfindung, Bilder und Sprache mit beispielloser Genauigkeit verstehen konnten (siehe Google Puts Its Virtual Brain to Work ). Der Erfolg von Deep Learning, wie die Technik auch genannt wird, hat Google und andere veranlasst, stark in künstliche Intelligenz zu investieren, und hat sogar einige Experten dazu veranlasst, zu behaupten, wir sollten uns auf Software vorbereiten, die intelligenter als Menschen ist (siehe What Will It Take to Build a Virtuous KI?).

Doch Googles Katzendetektor war in gewisser Weise eine Sackgasse. Die jüngsten Erfolge des Deep Learning basieren auf Software, die menschliche Hilfe zum Lernen benötigt – etwas, das die Reichweite künstlicher Intelligenz einschränkt.

Googles Experiment verwendete einen Ansatz, der als unüberwachtes Lernen bekannt ist, bei dem Software mit Rohdaten gefüttert wird und Dinge ohne menschliche Hilfe selbst herausfinden muss. Aber obwohl es lernte, Katzen, Gesichter und andere Objekte zu erkennen, war es nicht genau genug, um nützlich zu sein. Der Boom der Forschung zu Deep Learning und darauf aufbauenden Produkten beruht auf überwachtem Lernen, bei dem die Software mit Daten versehen wird, die von Menschen gekennzeichnet sind – beispielsweise Bilder, die mit den Namen der abgebildeten Objekte versehen sind (siehe Lehrmaschinen, uns zu verstehen).

Das hat sich bei vielen Problemen als unglaublich effektiv erwiesen, z. B. beim Identifizieren von Objekten in Bildern, beim Filtern von Spam-E-Mails und sogar beim Vorschlagen kurzer Antworten auf Ihre Nachrichten. eine Funktion, die Google letztes Jahr eingeführt hat . Aber unbeaufsichtigtes Lernen ist wahrscheinlich notwendig, wenn Software die Welt immer besser verstehen soll, sagt Jeff Dean, der heute die Google Brain-Gruppe leitet und auch am Katzendetektor-Projekt innerhalb von Google X gearbeitet hat.

Ich bin mir ziemlich sicher, dass wir es brauchen, sagt Dean. Überwachtes Lernen funktioniert so gut, wenn Sie über den richtigen Datensatz verfügen, aber letztendlich wird unüberwachtes Lernen eine wirklich wichtige Komponente beim Aufbau wirklich intelligenter Systeme sein – wenn Sie sich ansehen, wie Menschen lernen, ist es fast völlig unüberwacht.

Ein Beispiel dafür ist die Art und Weise, wie wir als Säuglinge lernen und die Grundlagen der Intelligenz von Erwachsenen schaffen. Zum Beispiel finden wir heraus, dass Objekte immer noch existieren, wenn sie außer Sichtweite sind, und fallen, wenn sie nicht gestützt werden, und wir lernen diese Dinge einfach durch Beobachten der Welt, ohne explizite Anweisung. Diese Art von gesundem Menschenverstand ist erforderlich, wenn Roboter so gut durch die Welt navigieren sollen wie Tiere. Es untermauert auch scheinbar abstraktere Aufgaben wie das Verstehen von Sprache.

Herauszufinden, wie Software das tun kann, was menschlichen Babys so leicht fällt, ist entscheidend, wenn größere Ambitionen für künstliche Intelligenz erfüllt werden sollen, sagt Yann LeCun, Direktor der Artificial Intelligence Research Group von Facebook. Wir alle wissen, dass unüberwachtes Lernen die ultimative Antwort ist, sagt er. Die Lösung des unbeaufsichtigten Lernens wird uns auf die nächste Stufe bringen.

Obwohl sie diese endgültige Antwort noch nicht haben, experimentieren Forscher in Unternehmen wie Facebook und Google sowie in der Wissenschaft mit begrenzten Formen des unbeaufsichtigten Lernens.

Ein Forschungsstrang zielt darauf ab, künstliche neuronale Netze zu schaffen, die Videos und Bilder aufnehmen und dann mithilfe des Wissens, das sie über die Welt gewonnen haben, neue Bilder generieren – was darauf hindeutet, dass sie eine interne Repräsentation ihrer Funktionsweise gebildet haben. Genaue Vorhersagen über die Welt zu treffen, ist ein wichtiges grundlegendes Merkmal der menschlichen Intelligenz.

Das „optimale“ menschliche Gesicht laut einem Netzwerk aus drei Millionen simulierten Neuronen, die Google mit Bildern von YouTube fütterte.

Die Facebook-Forscher haben eine Software genannt Augenschrei die erkennbare Bilder bei Eingabeaufforderungen wie Kirche oder Flugzeug erzeugen können, und sie arbeiten an der Entwicklung von Software, die vorhersagt, was in einem Video passieren wird. Forscher der Google-Tochter DeepMind Software gemacht haben das sich ein Foto ansieht, auf dem einige Teile geschwärzt sind, und versucht, sie mit realistischen Bildern zu füllen.

DeepMind testet auch eine Alternative zum vollständig unüberwachten Lernen namens Reinforcement Learning, bei der Software trainiert wird, indem sie automatisches Feedback zu ihrer Leistung erhält – beispielsweise vom Bewertungssystem eines Computerspiels (siehe Googles Intelligence Designer). Und Forscher, die kein Deep Learning verwenden, haben eine Software demonstriert, die anhand eines einzigen Beispiels lernen kann, wie man ein handgeschriebenes Zeichen erkennt (siehe Dieser KI-Algorithmus lernt Aufgaben so schnell wie wir).

Doch keine dieser Untersuchungen hat bisher einen Weg aufgezeigt, der garantiert zu unbeaufsichtigtem Lernen nahe der menschlichen Ebene führt, oder zu einer Software, die komplexe Dinge über die reale Welt lernen kann, indem sie sie einfach erfährt oder damit experimentiert. Im Moment scheint uns eine Schlüsselidee zu fehlen, sagt Adam Coates, ‎Direktor der chinesischen Suchmaschine Baidus Silicon Valley AI Lab .

Betreutes Lernen hat noch viel zu bieten, während die Suche weitergeht, sagt Coates: Internetunternehmen haben Zugriff auf eine Fülle von Daten über die Dinge, die Menschen tun und die ihnen wichtig sind, Rohstoffe, die verwendet werden können, um Dinge wie Sprachschnittstellen und persönliche Assistenten zu bauen leistungsfähiger als die, die wir heute haben. Kurzfristig kann man mit gekennzeichneten Daten viel anfangen, sagt er. Große Unternehmen geben Millionen aus, um Auftragnehmer dazu zu bringen, Daten zu kennzeichnen, die in ihre maschinellen Lernsysteme eingespeist werden.

LeCun von Facebook glaubt, dass Forscher nicht gezwungen werden, ewig von gekennzeichneten Daten zu leben. Aber er weigert sich zu erraten, wie lange die Maschine der menschlichen Intelligenz noch außerhalb der Reichweite von Software bleiben wird. Wir kennen die Zutaten irgendwie; wir kennen nur das Rezept nicht, sagt er. Es kann eine Weile dauern.

verbergen