Menschen plus Maschinen werden die Fähigkeiten beider Elemente alleine übertreffen. metamorworks / Shutterstock.com

Die Zukunft wird weder von Menschen noch von Maschinen allein gemacht, sondern von beiden, zusammen zu arbeiten. Technologien, die auf der Funktionsweise von menschlichen Gehirnen basieren, erweitern bereits die Fähigkeiten der Menschen und werden nur dann noch einflussreicher, wenn sich die Gesellschaft an diese zunehmend leistungsfähigeren Maschinen gewöhnt.

Technologieoptimisten haben eine Welt mit steigender Tendenz ins Auge gefasst menschliche Produktivität und Lebensqualität wie Systeme künstlicher Intelligenz die Plackerei und Verwaltung des Lebens übernehmen, allen zugute kommen. Pessimisten haben dagegen gewarnt, dass diese Fortschritte kommen könnten große Kosten in verlorenen Jobs und gestörten Leben. Und Angstmacher befürchten, dass die KI irgendwann könnte mache Menschen obsolet.

Die Menschen sind jedoch nicht sehr gut darin, sich die Zukunft vorzustellen. Weder Utopie noch Weltuntergang sind wahrscheinlich. In meinem neuen Buch "Die Deep Learning Revolution"Mein Ziel war es, die Vergangenheit, Gegenwart und Zukunft dieses schnell wachsenden Bereichs von Wissenschaft und Technologie zu erklären. Meine Schlussfolgerung ist, dass KI dich schlauer macht, aber auf eine Weise, die dich überraschen wird.

Muster erkennen

Deep Learning ist der Teil der KI, der am meisten Fortschritte gemacht hat komplexe Probleme lösen wie das Identifizieren von Objekten in Bildern, das Erkennen von Sprache aus mehreren Lautsprechern und das Verarbeiten von Text, so wie die Leute es sprechen oder schreiben. Deep Learning hat sich auch als nützlich erwiesen, um Muster in den immer größeren Datensätzen zu identifizieren, aus denen generiert wird Sensoren, medizinische Geräte und wissenschaftliche Instrumente.

Das Ziel dieses Ansatzes ist es, Wege zu finden, wie ein Computer die Komplexität der Welt darstellen und aus früheren Erfahrungen verallgemeinern kann - selbst wenn das, was als nächstes passiert, nicht genau das ist, was vorher passiert ist. So wie eine Person erkennen kann, dass ein bestimmtes Tier, das sie noch nie zuvor gesehen hat, tatsächlich eine Katze ist, Deep Learning-Algorithmen können Aspekte identifizieren von dem, was "cat-ness" genannt werden könnte und diese Attribute von neuen Bildern von Katzen extrahieren.

Deep-Learning-Systeme können erkennen, welche davon eine Katze ist. Gelpi / Shutterstock.com

Die Methoden des Deep Learning basieren auf dem Dieselben Prinzipien, die das menschliche Gehirn antreiben. Zum Beispiel behandelt das Gehirn viele Daten verschiedener Art in vielen Verarbeitungseinheiten gleichzeitig. Neuronen haben viele Verbindungen zueinander, und diese Verbindungen verstärken oder schwächen, je nachdem, wie oft sie benutzt werden, Herstellen von Assoziationen zwischen sensorischen Inputs und konzeptionellen Outputs.

Das erfolgreichstes Deep Learning-Netzwerk basiert auf 1960s Erforschung der Architektur des visuellen Kortex, einem Teil des Gehirns, den wir benutzen, um zu sehen, und Lernen von Algorithmen, die in den 1980s erfunden wurden. Damals waren Computer noch nicht schnell genug, um reale Probleme zu lösen. Jetzt sind sie es auch.

Darüber hinaus wurden Lernnetzwerke übereinander geschichtet und Verbindungsnetze enger miteinander verbunden ähnelt der Hierarchie der Schichten im visuellen Kortex. Dies ist Teil eines Konvergenz dazwischen stattfinden künstliche und biologische Intelligenz.

Ein vierschichtiges neuronales Netzwerk akzeptiert Eingaben von links, übergibt die Ausgabe der ersten Schicht an die nächste Schicht, an die nächste und die nächste - bevor die Ausgabe erfolgt. Sin314 / Shutterstock.com

Tiefes Lernen im wirklichen Leben

Deep Learning erweitert bereits die menschlichen Fähigkeiten. Wenn Sie Google-Dienste zum Durchsuchen des Webs verwenden oder mithilfe seiner Apps von einer Sprache in eine andere übersetzen oder Sprache in Text umwandeln, ist die Technologie intelligenter oder effektiver geworden. Kürzlich sprach ein Freund auf einer Reise nach China Englisch in sein Android - Handy, das es für einen Taxifahrer ins gesprochene Chinesisch übersetzte - genau wie das Universalübersetzer auf "Star Trek"

Ein Test eines tatsächlichen Echtzeit-Übersetzungsgeräts.

{youtube}Nu-nlQqFCKg{/youtube}

Diese und viele andere Systeme sind bereits bei der Arbeit und helfen Ihnen in Ihrem täglichen Leben, auch wenn Sie sich dessen nicht bewusst sind. Zum Beispiel fängt Deep Learning an zu übernehmen Lesen von Röntgenbildern und Fotografien von Hautläsionen für die Krebs-Erkennung. Ihr örtlicher Arzt wird bald in der Lage sein, Probleme zu erkennen, die heute nur für die besten Experten erkennbar sind.

Selbst wenn du weißt, dass eine Maschine involviert ist, verstehst du vielleicht nicht die Komplexität dessen, was sie tatsächlich tun: Hinter Amazons Alexa ist eine Schar von Deep-Learning-Netzwerke, die Ihre Anfrage erkennenDurchsuchen Sie die Daten, um Ihre Fragen zu beantworten und in Ihrem Namen Maßnahmen zu ergreifen.

Fortschreitendes Lernen

Deep Learning ist sehr effektiv bei der Lösung von Mustererkennungsproblemen, aber um darüber hinaus zu gehen, sind andere Gehirnsysteme erforderlich. Wenn ein Tier für eine Handlung belohnt wird, ist es eher ähnliche Maßnahmen in der Zukunft zu ergreifen. Dopaminneuronen in den Basalganglien des Gehirns berichten über den Unterschied zwischen erwarteten und empfangenen Belohnungen, Belohnungsprädiktionsfehler genannt, die verwendet wird, um die Stärken von Verbindungen im Gehirn zu verändern, die zukünftige Belohnungen vorhersagen.

Die Kopplung dieses Ansatzes, der als verstärkendes Lernen bezeichnet wird, mit tiefem Lernen kann Computern die Möglichkeit geben, unerwartete Möglichkeiten zu erkennen. Indem sie ein Muster erkennen und dann darauf so reagieren, dass Belohnungen erzielt werden, könnten Maschinen Verhaltensweisen annähern, die man als menschliche Kreativität bezeichnen könnte. Dieser gekoppelte Ansatz hat DeepMind entwickelt Programm namens AlphaGo, Die in 2016 besiegt Großmeister Lee Sedol und das folgende Jahr besiege die Welt Werde Champion, Ke Jie.

Spiele sind nicht so chaotisch wie die reale Welt, die mit wechselnden Unsicherheiten gefüllt ist. Massimo Vergassola An der University of California in San Diego und vor kurzem habe ich Verstärkung eingesetzt, um einen Segelflugzeugführer zu unterrichten wie man in turbulenten Thermik wie ein Vogel aufsteigt. Sensoren können an tatsächliche Vögel angebracht werden, um zu testen, ob sie die gleichen Hinweise verwenden und auf die gleiche Weise reagieren.

Trotz dieser Erfolge verstehen die Forscher noch nicht vollständig, wie tiefes Lernen diese Probleme löst. Natürlich wissen wir auch nicht, wie das Gehirn sie löst.

Während die inneren Vorgänge des Gehirns schwer zu verstehen sind, ist es nur eine Frage der Zeit, bis die Forscher eine Theorie des tiefen Lernens entwickeln. Der Unterschied besteht darin, dass Forscher beim Studieren von Computern Zugang zu jeder Verbindung und jedem Aktivitätsmuster im Netzwerk haben. Das Tempo des Fortschritts ist schnell, mit Forschungsarbeiten, die täglich erscheinen arXiv. Überraschende Fortschritte werden im Dezember dieses Jahres erwartet Neuronale Informationsverarbeitungssysteme Konferenz in Montreal, die ausverkaufte 8,000 Tickets in 11-Minuten, so dass hoffnungsvolle 9,000-Registranten auf der Warteliste stehen.

Es ist noch ein langer Weg, bis Computer die allgemeine menschliche Intelligenz erreichen. Das größte Deep-Learning-Netzwerk hat heute nur die Kraft eines Stückes des menschlichen Cortex die Größe eines Reiskorns. Und wir wissen noch nicht, wie das Gehirn Interaktionen zwischen größeren Hirnarealen dynamisch organisiert.

Die Natur verfügt bereits über diese Ebene der Integration und schafft großräumige Gehirnsysteme, die in der Lage sind, alle Aspekte des menschlichen Körpers zu bedienen, während sie über tiefe Fragen nachdenken und komplexe Aufgaben erledigen. Letztendlich können autonome Systeme so komplex werden, dass sie die unzähligen Lebewesen auf unserem Planeten vereinen.

Über den Autor

Terrence Sejnowski, Francis Crick Professor und Direktor des Computational Neurobiology Laboratory am Salk Institute for Biological Studies, und Distinguished Professor für Neurobiologie, University of California San Diego

Dieser Artikel wird erneut veröffentlicht Das Gespräch unter einer Creative Commons-Lizenz. Lies das Original Artikel.

Bücher zum Thema

at InnerSelf Market und Amazon