Шаг к сингулярности. Google разработан AI, способный самостоятельно создавать новые AI-системы

Привет. Достижение технологической сингулярности почти наверняка будет включать в себя AI, способный к самосовершенствованию. Возможно, Google сделал очередной шаг на этом пути, создав AI, способный создавать AI.

Компания Google представила новый проект AutoML - искусственный интеллект, помогающий людям создавать новые системы AI. Теперь AutoML создает более мощные и эффективные AI-системы, чем люди.

Этот проект был представлен компанией еще в мае, когда выступая на ежегодной конференции разработчиков I/O, генеральный директор Sundar Pichai объявил о новом проекте, который может автоматизировать одну из самых сложных частей разработки программного обеспечения глубокого обучения: выбор правильной архитектуры для нейронной сети.

Исследователи Google создали систему машинного обучения, которая использовала подкрепляющее обучение - метод проб и ошибок, лежащий в основе многих самых известных эксплойтов AI от Google, - чтобы определить лучшие архитектуры для решения задач распознавания речи и изображений.

Мало того, что результаты конкурировали или даже превосходили результаты лучших человеческих архитектур, но система создала некоторые нетрадиционные варианты систем, которые исследователи ранее считали неприемлемыми для этих задач.

Компания Google объявила, что проект превзошел их инженеров в проектировании систем искусственного интеллекта.  AutoML  создает программное обеспечение для машинного обучения, которое является более эффективным и мощным, чем то, что делают лучшие разработчики.

Новая система недавно побила рекорд классификации изображений по их содержанию, набрав 82 процента. Это относительно простая задача, но AutoML превосходит человека и при решении более сложной задачи, используемой в системах автономных роботов и дополненной реальности: маркировка расположения нескольких разных объектов в одном изображении. При решении этой задачи AutoML набрал 43 процента против человеческих 39.

Эти результаты являются значимыми, потому что даже в Google, мало кто имеет необходимый опыт, чтобы создавать AI-системы следующего поколения. Для автоматизации этой области требуется продвинутый набор навыков, но как только такая автоматизация будет достигнута, она изменит отрасль. Сегодня эти системы разрабатываются в ручную учеными машинного обучения и буквально лишь несколько тысяч ученых по всему миру могут делать это.

Большая часть машинного обучения - это подражание человеческим нейронным сетям и попытка получать все больше и больше данных через эти сети. В основном такие системы выполняют очень много работы plug and chug (что-то простое и много раз повторяющееся, что не требует никакого мышления), что они действительно хорошо умеют делать. Сложной проблемой является имитация человеческой структуры мозга в масштабах, подходящих для решения более сложных проблем.

Будущее машиносозданного AI

По-прежнему проще настроить существующую систему для удовлетворения новых потребностей, чем создать новую нейронную сеть с нуля. Однако, новая разработка показала, что это временное положение дел. Теперь, учитывая, что AI будет легче создавать новые системы с повышенной сложностью, для людей на первый план выходит задача осуществления контроля. 

Системы AI могут легко создавать непредсказуемые связи случайно, например, ассоциировать этническую или гендерную идентичность с негативными стереотипами. Однако, если инженеры будут тратить меньше времени на тяжелую работу по созданию сетей, они будут иметь больше времени для контроля и доработки.

В конечном итоге Google стремится оттачивать систему AutoML до тех пор, пока она не сможет функционировать достаточно хорошо, чтобы программисты могли использовать ее для практических приложений. Если им удастся это сделать, AutoML, вероятно, окажет влияние на всю отрасль в целом. 

И хотя такая автоматизация может облегчить разработку и развертывание новых систем AI даже и не специалистами, это также закладывает основу для машин, которые в будущем смогут взять под контроль свою судьбу.

Концепция «рекурсивного самосовершенствования» лежит в основе большинства теорий о том, как мы могли бы быстро перейти от умеренно умных машин к суперинтеллектуальности AI. Идея состоит в том, что по мере того, как AI становится более мощным, он может начать модифицировать сам себя, чтобы повысить свои возможности. Дальше его развитие идет экспоненциально - по мере того, как он становится более умным, он совершенствует себя до нового уровня и так дальше.

Создание алгоритмов, способных работать над кодом машинного обучения, явно является первым шагом на пути к самосовершенствованию AI, предсказанному футуристами.

Другие недавние события также могут быть интересны в этом контексте. Многие исследователи AI пытаются запрограммировать любопытство и творчество в системах машинного обучения, причем эти оба качества, вероятно, будут необходимы для того, чтобы машина могла модифицировать себя с повышением уровня производительности. 

Несомненно, еще пройдет не мало времени, прежде чем какие-либо из этих возможностей достигнут уровня полноценного самосовершенствующегося AI, но уже сегодня мы можем видеть, как для этого закладываются технологические основы.

Подробней1,2, фото1, фото2, фото3