Машины, обучающие друг друга, могут стать решающими для искусственного интеллекта
Во время пресс-конференции, посвященной анонсу функции автопилота в Tesla Model S, которая состоялась в октябре 2015 года, CEO Tesla Илон Маск сказал, что каждый водитель станет «тренером-экспертом» для каждой Model S. Каждый автомобиль сможет улучшать собственные функции автономии, обучаясь у своего водителя, но что более важно — когда одна Tesla будет обучаться у своего водителя, это знание будет распределяться между остальными автомобилями Tesla.
Очень скоро владельцы Model S заметили, что функции самоуправления автомобилем постепенно улучшаются. В одном примере «Теслы» делали неправильные ранние выходы на автомагистрали, заставляя своих владельцев вручную проводить автомобиль по правильному маршруту. Спустя всего несколько недель владельцы отметили, что машины больше не совершают преждевременные выходы.
«Поразительно, что улучшение произошло так скоро», сказал один из владельцев Tesla.
Интеллектуальные системы, вроде тех, что оснащены новейшим программным обеспечением для машинного обучения, не просто становятся умнее: они становятся умнее все быстрее и быстрее. Понимание скорости, с которой развиваются эти системы, может стать особенно сложной частью управления технологическим прогрессом.
Рэй Курцвейл много писал о пробелах в понимании человека, описывая так называемое «интуитивное линейное» представление технологических изменений и «экспоненциальную» скорость изменений, происходящих сейчас. Спустя почти два десятилетия после написания важного эссе, которое он назвал «Закон ускоряющейся отдачи» — теория эволюционных изменений, описывающая изменение скорости улучшений систем со временем — связанные устройства начали делиться знаниями между собой, ускоряя собственное улучшение.
«Я думаю, это, пожалуй, самый большой экспоненциальный тренд в ИИ», говорит Ход Липсон, профессор машиностроения и информатики Колумбийского университета.
«У всех экспоненциальных технологий тренды располагают разными «экспонентами», добавляет он. «Но у этой, наверное, самая большая». По его мнению, это «машинное учение» — когда устройства передают знания друг другу (не путайте с машинным обучением) — важный шаг к ускорению усовершенствования подобных систем.
«Иногда это кооперация, например, когда одна машина учится у другой, будто у них роевое сознание. Иногда это чехарда, словно гонка вооружений между двумя системами, играющими в шахматы друг с другом».
Липсон считает, что такой путь развития ИИ — это мощно, отчасти потому, что устраняет необходимость в тренировочных данных.
«Данные — это топливо машинного обучения, но даже машинам сложно получить некоторые данные — это может быть рискованно, медленно, дорого или недостижимо. В таких случаях машины могут разделять свой опыт или создавать синтетический опыт друг для друга, чтобы дополнить или заменить данные. Оказывается, что это не такой уж слабый эффект — это по сути самоусиление, причем экспоненциальное».
Липсон приводит в пример недавний прорыв DeepMind, проект AlphaGo Zero, как показательное обучение ИИ без тренировочных данных. Многие знакомы с AlphaGo, ИИ с машинным обучением, который стал лучшим в мире игроком в го, изучив массивный объем данных, состоящий из миллионов сыгранных партий в го. AlphaGo Zero смог обыграть даже его, не заглядывая в тренировочные данные, просто изучая правила игры и играя сам с собой. Затем он победил самое лучшее в мире ПО для игры в шахматы уже после восьмичасовой тренировки.
Представьте, как тысячи таких AlphaGo Zero мгновенно обмениваются своими приобретенными знаниями.
И ведь это не только игрушки. Мы уже видим, насколько мощное влияние оказывает скорость, с которой бизнес может усовершенствовать производительность своих устройств. Один из примеров — промышленная технология цифрового двойника — программная модель машины, которая моделирует происходящее с оборудованием. Представьте, будто машина заглядывает внутрь себя — и показывает свое изображение техникам.
Например, паровая турбина с цифровым двойником может измерять температуру пара, скорость ротора, холодные пуски и другие данные для прогнозирования сбоев и предупреждать техников о предотвращении дорогостоящего ремонта. Цифровые двойники делают эти прогнозы, исследуя собственную производительность, а также полагаются на модели, разработанные другими паровыми турбинами.
По мере того, как машины начинают учиться в своей среде новыми мощными способами, их развитие ускоряется за счет обмена данными. Коллективный интеллект каждой паровой турбины, рассеянный по всей планете, может ускорить прогностическую способность каждой отдельной машины. Там, где будет один автомобиль без водителя, там же будут сотни других водителей, которые будут учить свои автомобили, сообщая знания каждому.
Не забывайте, что все это только начинается.