Машины, обучающие друг друга, могут стать экспоненциальным трендом в сфере AI
Привет. Во время пресс-конференции в октябре 2015 года, посвященной автопилоту Tesla Model S, которая позволила автомобилю ездить полуавтономно, генеральный директор Tesla Илон Маск заявил, что каждый водитель станет «тренером» для каждой модели S. Автомобиль сможет улучшить свои собственные автономные функции, изучая его вождение, но, что более важно, когда один автомобиль узнает что-то от своего водителя - это знание можно будет разделить с любым другим транспортным средством Tesla.
Вскоре после этого владельцы модели S заметили, как быстро улучшаются возможности автопилота. Например, Tesla принимала неправильные решения по преждевременному выходу сполосы автомагистралей, заставляя своих владельцев использовать ручное управление, чтобы поправить ситуацию. Спустя всего несколько недель владельцы отметили, что машины больше не совершают такиз ошибок.
Интеллектуальные системы, такие как те, которые оснащены новейшим программным обеспечением для машинного обучения, не просто становятся умнее: они становятся умнее все быстрее. Понимание темпов развития этих систем может быть особенно сложной частью навигационных технологических изменений.
Рэй Курцвейл много писал о разрыве в человеческом понимании между тем, что он называет "интуитивным линейным" взглядом на технологические изменения и ”экспоненциальным" темпом изменений, происходящих сейчас. Почти два десятилетия спустя после написания фундаментального труда о том, что он называет "законом ускорения возвращения" - теорией эволюционных изменений, связанных со скоростью, с которой системы улучшаются с течением времени, устройства теперь делятся знаниями между собой, увеличивая скорость, с которой они улучшаются.
То, что мы могли бы назвать «машинным обучением» - когда устройства обмениваются полученными знаниями друг с другом, - это радикальный шаг вперед в скорости, с которой эти системы улучшаются.
Иногда это совместное обучение, например, когда одна машина учится у другой, как при коллективном разуме в пчелином улье. Но иногда обучение носит состязательный характер, когда, например, две системы играют в шахматы друг с другом.
Этот способ разработки AI является важной частью еще и потому, что он может обойти необходимость в подготовке данных.
Данные - это топливо машинного обучения, но даже для машин некоторые данные трудно получить - это может быть рискованным, медленным или дорогостоящим занятием. В этих случаях машины могут обмениваться опытом или создавать синтетические взаимодействия друг для друга для увеличения или замены данных. Это не второстепенный эффект, он, на самом деле, является самодостаточным и, следовательно, экспоненциальным.
Недавний прорыв от Google DeepMind - проект под названием AlphaGo Zero является потрясающим примером обучения AI без данных для обучения. Многие знакомы с AlphaGo - машинным обучением AI, которое стало лучшим в мире. Этот алгоритм играл после изучения массива учебных данных об этой игре, состоящих из миллионов человеческих ходов. AlphaGo Zero, однако, смог победить даже этот алгоритм AI, просто изучив правила игры и играя сам с собой, при этом, никаких данных для обучения не нужно. Затем, чтобы продемонстрировать свои возможности, он победил в лучших шахматных турнирах в мире, после начала игры с нуля и тренировки всего в течении восьми часов.
Теперь представьте, что тысячи или более AlphaGo Zero мгновенно делятся полученными знаниями друг с другом.
Это не только игры. Уже сейчас мы видим, как это может влиять на скорость роста производительности машин.
Одним из таких примеров является новая промышленная цифровая технология GE-программное моделирование машин и механизмов, которая моделирует то, что происходит с оборудованием. Можно представить это, как машину со своей собственной самооценкой, которой она может делиться с техническими специалистами.
Например, паровая турбина с цифровым двойником может измерять температуру пара, скорость ротора, холодные пуски и другие параметры для прогнозирования сбоев и предупреждения техников о возможных сбоях в целях предотвращения дорогостоящего ремонта. Цифровые близнецы делают эти прогнозы, изучая свою собственную работу, но они могут использовать и модели, разработанные любой другой паровой турбиной.
По мере того, как машины начинают учиться в своей среде новыми и мощными способами, сообщая друг другу результаты своего обучения, их развитие ускоряется. Коллективный интеллект каждой системы, распространяющейся по всей планете, может ускорить прогностическую способность каждой отдельной машины.
Там, где обучение беспилотного автомобиля одним водителем может потребовать много времени, чтобы научить его двигаться по определенному городу - сто водителей, двигающихся по тому же городу, могут улучшить свои алгоритмы за гораздо меньшее время.
