Еще один шаг к искусственному интеллекту
Ваш смартфон может быть просто великолепен по своему функционалу, но попросите его сделать что-то, для чего у него нет подходящего приложения, и он будет безмолвен. Без программистов, создающих приложения, компьютеры бесполезны.
Однако эта ситуация может измениться уже в ближайшее время. Компания DeepMind Technologies, разрабатывающая искусственный интеллект и базирующаяся в Лондоне, была приобретена Google в этом году. Эта фирма занимается проектированием компьютеров, которые сочетают метод работы обычных компьютеров с тем, как работает человеческий мозг. Они называют это гибридное устройство Neural Turing Machine (Нейронная Машина Тьюринга). И отныне существует надежда, что для собственного программирования этой машине не потребуются программисты.
Нейронные сети, которые составляют половину компьютерной архитектуры DeepMind, были известны в течение десятилетий, но сегодня вновь получили повышенное внимание, как только начали использоваться при создании более мощных компьютеров. Идея состоит в том, чтобы разделить обработку по сети искусственных «нейронов» на простые блоки, которые обрабатываются на входе и распределяются по системе. Эти сети прекрасно учатся распознавать части данных и классифицировать их по категориям. Facebook недавно испытывал нейронную сеть для идентификации лиц пользователей с почти человеческой точностью.
С одной стороны это, конечно, впечатляет, но оборотная сторона состоит в том, что нейронные сети затрудняются с выполнением основных вычислительных задач, таких как копирование и хранение данных. «Эти нейронные сети, которые так хорошо распознают образы – традиционную сферу ведения человека - не так уж и хорошо справляются с задачами, которые уже давно умеет выполнять ваш калькулятор,» - говорит Юрген Шмидхубер из института исследования искусственного интеллекта Dalle Molle в Манно, Швейцария.
Заполнение этого пробела может дать нам компьютер, который свободно делает и то, и другое, а потому может сам придумать программы для ситуаций, с которыми он ранее не сталкивался. Конечной целью является машина с вычислительной мощностью обычного компьютера, которая также может обучаться и адаптироваться к ситуациям, как человек.
Решение DeepMind подразумевает добавление большого количества внешней памяти, которая может быть доступна в самых разных формах, что, как выяснил математик Алан Тьюринг, является ключевой частью обычной вычислительной архитектуры – отсюда и название Нейронная Машина Тьюринга (NTM). Подобное решение дает нейронной сети что-то вроде памяти человека, способной быстро сохранять и обрабатывать набор данных.
Чтобы проверить эту идею, специалисты попросили NTM научиться копировать блоки двоичных данных, которые он получил в качестве входных, и сравнили его производительность с более простой нейронной сетью. NTM научился не только гораздо быстрее, но и продемонстрировал, что может воспроизводить длинные блоки с меньшим количеством ошибок. Результаты были одинаковы как для экспериментов по запоминанию, так и по сортировке списков данных. Когда команда изучила то, что делал NTM, они пришли к выводу, что его методы точно соответствуют коду, который написал «человеческий» программист. Эти задачи являются базовыми, но чрезвычайно важными, если подобные машины будут использоваться для создания сложного программного обеспечения.
Другие исследователи в Google также пытаются научить компьютеры распознавать более сложные процессы. Одна команда недавно опубликовала информацию о нейронной сети, которая способна учиться читать простой код и выполнять его без предварительного обучения необходимому языку программирования, например, как успешно производить сложение двух чисел, не зная, что на самом деле является сложением или цифрами.
Смешанная архитектура, используемая DeepMind, кажется разумной, говорит Крис Элиасмит из Университета Ватерлоо, Канада. «Как люди мы классифицируем, но также мы манипулируем классификацией,» - говорит он. - «И если вы хотите построить компьютер, который способен познавать в точности как мы, он будет требовать такого рода контроля.»
Есть несколько причин, почему эта область исследований вызывает сейчас такой интерес. «Цифровые компьютеры в основном дошли до предела возможностей,» - говорит Элиасмит. Похоже, что закон Мура – тенденция того, что микрочипы должны удваивать свои мощности каждые два года – исчерпывает себя.
Кроме того растет обеспокоенность по поводу энергетической эффективности. Традиционные компьютеры, которые могли бы соответствовать человеческому мозгу, если такое вообще возможно, потребуют несколько полномасштабных электростанций. Такие фирмы как IBM уже разрабатывают оборудование нейронного типа с более низким энергопотреблением, а это означает, что программное обеспечение также должно адаптироваться. «Если мы хотим использовать самое эффективное оборудование, мы должны выразить наши алгоритмы соответствующим образом», утверждает Элиасмит.