Mga Pagkawala ng DeepMind at ang Hinaharap ng Intelligence ng Artipisyal


Nawala ang DeepMind ng Alphabet $ 572 milyon noong nakaraang taon. Ano ang ibig sabihin nito?

Ang DeepMind, marahil ang pinakamalaking operasyon ng artipisyal na intelligence na nakatuon sa pananaliksik sa mundo, ay nawawalan ng maraming pera nang mabilis, higit sa $ 1 bilyon sa nakaraang tatlong taon. Ang DeepMind ay mayroon ding higit sa $ 1 bilyon na utang dahil sa susunod na 12 buwan.

Nangangahulugan ba ito na bumagsak ang AI?

WIRED OPINION

TUNGKOL

Si Gary Marcus ay tagapagtatag at CEO ng Robust.AI at isang propesor ng sikolohiya at agham sa neural sa NYU. Siya ang may-akda, kasama si Ernest Davis, ng paparating Pag-reboot ng AI: Ang Pagbuo ng Artipisyal na Katalinuhan Maaari Kami Magtiwala.

Hindi talaga. Ang pananaliksik ay nagkakahalaga ng pera, at ang DeepMind ay gumagawa ng mas maraming pananaliksik bawat taon. Ang dolyar na kasangkot ay malaki, marahil higit pa sa anumang nakaraang operasyon ng pananaliksik sa AI, ngunit malayo sa hindi pa naganap kung ihahambing sa mga kabuuan na ginugol sa ilan sa mga pinakamalaking proyekto sa agham. Ang Malaking Hadron Collider ay nagkakahalaga ng isang bagay tulad ng $ 1 bilyon bawat taon at ang kabuuang halaga ng pagtuklas sa Higgs Boson ay tinantya ng higit sa $ 10 bilyon. Tiyak, ang tunay na katalinuhan ng makina (kilala rin bilang artipisyal na pangkalahatang katalinuhan), ng uri na makapangyarihang a Star Trek– tulad ng computer, na may kakayahang pag-aralan ang lahat ng mga uri ng mga query na nakuha sa ordinaryong Ingles, ay higit na halaga kaysa doon.

Gayunpaman, ang tumataas na kadahilanan ng pagkalugi ng DeepMind ay nagkakahalaga ng pagsasaalang-alang: $ 154 milyon noong 2016, $ 341 milyon noong 2017, $ 572 milyon noong 2018. Sa aking pananaw, mayroong tatlong mga pangunahing katanungan: Ang DeepMind ba sa tamang landas na pang-agham? Ang mga pamumuhunan ba ng lakas na ito ay tunog mula sa pananaw ng Alphabet? At paano makakaapekto ang AI sa pangkalahatan?

Sa unang tanong, may dahilan sa pag-aalinlangan. Inilalagay ng DeepMind ang karamihan sa mga itlog nito sa isang basket, isang pamamaraan na kilala bilang pag-aaral ng malalim na pampalakas. Pinagsasama ang diskarteng iyon malalim na pag-aaral, pangunahing ginagamit para sa pagkilala ng mga pattern, kasama pag-aaral ng pampalakas, nakatuon sa pag-aaral batay sa mga signal ng gantimpala, tulad ng isang marka sa isang laro o tagumpay o pagkatalo sa isang laro tulad ng chess.

Ibinigay ng DeepMind ang pamamaraan ng pangalan nito noong 2013, sa isang kapana-panabik na papel na nagpakita kung paano ang isang solong sistema ng neural network ay maaaring sanay na maglaro ng iba't ibang mga laro ng Atari, tulad ng Breakout at Space Invaders, pati na rin, o mas mahusay kaysa sa, mga tao. Ang papel ay isang engineering tour de force, at siguro isang pangunahing katalista sa pagbebenta ng DeepMind noong Enero 2014 sa Google. Ang karagdagang mga pagsulong ng diskarteng ito ay nakakuha ng kamangha-manghang tagumpay ng DeepMind sa Go at ang laro ng computer StarCraft.

Ang problema ay, ang pamamaraan ay napaka-tiyak sa makitid na mga pangyayari. Sa paglalaro Breakout, halimbawa, ang mga maliliit na pagbabago — tulad ng paglipat ng sagwan ng ilang mga piksel — ay maaaring maging sanhi ng mga dramatikong patak sa pagganap. DeepMind's StarCraft Ang mga kinalabasan ay magkatulad na limitado, na may mas mahusay na mga resulta ng tao kapag nilalaro sa isang solong mapa na may isang solong "lahi" ng character, ngunit mas mahirap ang mga resulta sa iba't ibang mga mapa at may iba't ibang mga character. Upang lumipat ng mga character, kailangan mong pigilan ang system mula sa simula.

Sa ilang mga paraan, ang malalim na pag-aaral ng pampalakas ay isang uri ng pagmemorya ng turbocharged; ang mga system na gumagamit nito ay may kakayahang kamangha-manghang mga feats, ngunit mayroon silang mababaw na pag-unawa sa kanilang ginagawa. Bilang isang kinahinatnan, ang mga kasalukuyang sistema ay kulang ng kakayahang umangkop, at sa gayon ay hindi magagawang magbayad kung nagbabago ang mundo, kung minsan kahit na sa maliliit na paraan. (Ang mga pinakabagong resulta ng DeepMind sa sakit sa bato ay tinanong sa mga katulad na paraan.)

Ang pag-aaral ng malalim na pagpapalakas ay nangangailangan din ng isang malaking halaga ng data – hal., Milyon-milyong mga nilalaro sa sarili na laro ng Go. Iyon ay higit pa kaysa sa isang tao na kakailanganin upang maging mundo klase sa Go, at madalas na mahirap o mahal. Nagdudulot ito ng isang kinakailangan para sa mga mapagkukunan ng computer na scale ng Google, na nangangahulugang, sa maraming mga problema sa real-mundo, ang oras ng computer lamang ay masyadong magastos para isaalang-alang ng karamihan sa mga gumagamit. Sa pamamagitan ng isang pagtatantya, ang oras ng pagsasanay para sa AlphaGo ay nagkakahalaga ng $ 35 milyon; ang parehong pagtantya ay inihambing ang dami ng enerhiya na ginamit sa enerhiya na natupok ng 12,760 na utak ng tao na patuloy na tumatakbo sa loob ng tatlong araw nang walang pagtulog.

Ngunit iyon lamang ang ekonomiya. Ang totoong isyu, bilang Ernest Davis at tumututol ako sa darating na libro Pag-reboot ng AI, ay tiwala. Sa ngayon, ang malalim na pag-aaral ng pampalakas ay maaari lamang mapagkakatiwalaan sa mga kapaligiran na maayos na kinokontrol, na may kaunting mga sorpresa; na gumagana ng mabuti para kay Go — alinman sa lupon o ang mga patakaran ay nagbago sa loob ng 2,000 taon – ngunit hindi mo nais na umasa sa maraming mga sitwasyon sa mundo.

Little Tagumpay sa Komersyal

Sa bahagi dahil ang ilang mga tunay na problema sa mundo ay bilang napipilit tulad ng mga laro kung saan nakatuon ang DeepMind, hindi pa nakahanap ang DeepMind ng anumang malakihang komersyal na aplikasyon ng malalim na pagkatuto ng pagpapalakas. Sa ngayon ang Alphabet ay namuhunan nang halos $ 2 bilyon (kabilang ang naiulat na $ 650 milyong presyo ng pagbili noong 2014). Ang direktang pagbabalik sa pananalapi, hindi nabibilang na publisidad, ay katumbas ng paghahambing, halos $ 125 milyon ng kita noong nakaraang taon, ang ilan ay nagmula sa pag-apply ng malalim na pag-aaral ng pagpapatibay sa loob ng Alphabet upang mabawasan ang mga gastos sa kapangyarihan para sa paglamig sa mga server ng Google.

Ang malalim na pag-aaral ng pampalakas ay maaaring maging tulad ng transistor, isang imbensyon sa pananaliksik na nagbago sa mundo, o maaari itong maging isang "solusyon sa paghahanap ng problema."

Ang gumagana para sa Go ay maaaring hindi gumana para sa mga mapaghamong mga problema na nais ng DeepMind na malutas sa AI, tulad ng cancer at malinis na enerhiya. Nalaman ito ng IBM sa mahirap na paraan nang sinubukan nitong kunin ang programa ng Watson na nanalo Mapanganib! at ilapat ito sa diagnosis ng medikal, na may kaunting tagumpay. Si Watson ay nagtrabaho ng mabuti sa ilang mga kaso at nabigo sa iba, kung minsan nawawala ang mga pag-diagnose tulad ng pag-atake sa puso na magiging malinaw sa mga mag-aaral na medikal sa unang taon.

Siyempre, maaari itong maging isang isyu ng oras. Ang DeepMind ay nagtatrabaho sa malalim na pag-aaral ng pampalakas ng hindi bababa sa simula pa noong 2013, marahil mas mahaba, ngunit ang mga pagsulong ng pang-agham ay bihirang maging produkto sa magdamag. Ang DeepMind o ang iba pa ay maaaring makahanap ng isang paraan upang makabuo ng mas malalim, mas matatag na mga resulta na may malalim na pag-aaral ng pampalakas, marahil sa pamamagitan ng pagsasama nito sa iba pang mga pamamaraan — o hindi nila maaaring. Ang malalim na pag-aaral ng pampalakas ay maaaring magpapatunay na tulad ng transistor, isang imbensyon sa pananaliksik mula sa isang lab na pang-corporate na lubos na nagbago sa mundo, o maaaring ito ay uri ng pag-usisa sa akademikong na inilarawan ni John Maynard Smith bilang isang "solusyon sa paghahanap ng problema." Ang aking personal na hula ay ito ay magiging isang lugar sa pagitan, isang kapaki-pakinabang at laganap na tool ngunit hindi isang tagapalit sa mundo.

Walang sinuman ang dapat isipin ang DeepMind, kahit na ang kasalukuyang diskarte nito ay lumiliko na hindi gaanong mayabong na pagkatapos ay marami ang umaasa. Ang malalim na pag-aaral ng pampalakas ay hindi maaaring maging hari sa hari sa artipisyal na pangkalahatang katalinuhan, ngunit ang DeepMind mismo ay isang kakila-kilabot na operasyon, mahigpit na tumatakbo at mahusay na napondohan, na may daan-daang mga PhD. Ang publisidad na nabuo mula sa mga tagumpay sa Go, Atari, at StarCraft makaakit ng higit pang talento. Kung ang hangin sa paglipat ng AI, ang DeepMind ay maaaring maayos na mailagay upang makitungo sa ibang direksyon. Hindi halata na may maaaring tumugma dito.

Samantala, sa mas malaking konteksto ng Alphabet, ang $ 500 milyon sa isang taon ay hindi isang malaking pusta. Alphabet ay (matalino) gumawa ng iba pang mga taya sa AI, tulad ng Google Brain, na mismo ay mabilis na lumalaki. Maaaring baguhin ng alpabeto ang balanse ng portfolio ng AI sa iba't ibang paraan, ngunit sa isang $ 100 bilyong-isang-taon na kumpanya ng kita na nakasalalay sa AI para sa lahat mula sa paghahanap hanggang sa rekomendasyon sa advertising, hindi baliw sa Alphabet na gumawa ng maraming makabuluhang pamumuhunan.

Mga Pag-aalala ng Overpromising

Ang huling tanong, kung paano nakakaapekto ang ekonomiya ng DeepMind sa AI sa pangkalahatan, mahirap sagutin. Kung lumampas ang hype ng paghahatid, maaari itong magdala ng isang "taglamig ng AI," kung saan kahit na ang mga tagasuporta ay masamang mamuhunan. Ang komunidad ng pamumuhunan ay napansin ang mga makabuluhang pagkalugi; kung ang pagkalugi ng DeepMind ay magpapatuloy na halos doble bawat taon, kahit na sa Alphabet ay maaaring makaramdam sa kalaunan na hilahin. At hindi lamang ito ang pera. Nariyan din ang kakulangan ng nasasalat na mga resulta sa pananalapi hanggang ngayon. Sa ilang mga punto, ang mga namumuhunan ay maaaring napipilitang muling ibalik ang kanilang sigasig para sa AI.

Hindi lang ito DeepMind. Maraming mga pagsulong ipinangako mga ilang taon na ang nakalilipas – tulad ng mga kotse na maaaring magmaneho sa kanilang sarili o chatbots na maaaring maunawaan ang mga pag-uusap — hindi pa materyalado. Ang pangako ni Mark Zuckerberg noong Abril 2018 sa Kongreso na malapit nang malutas ng AI ang pekeng problema sa balita, na nahulaan na, katulad ng hinulaang ko at ni Davis. Mura ang usapan; ang panghuli antas ng sigasig para sa AI ay depende sa kung ano ang naihatid.

Sa ngayon, ang tunay na katalinuhan ng makina ay mas madaling mag-hype kaysa magtayo. Habang nagkaroon ng mahusay na pagsulong sa limitadong mga domain tulad ng advertising at pagkilala sa pagsasalita, ang AI nang walang alinlangan ay mayroon pa ring mahabang paraan. Ang mga benepisyo mula sa tunog na pagsusuri ng malalaking set ng data ay hindi maikakaila; kahit na sa limitadong anyo, ang AI ay isang malakas na tool. Ang mundo ng korporasyon ay maaaring hindi gaanong masigasig tungkol sa AI, ngunit hindi ito makakaya na bunutin nang buo.

Ang aking sariling hula?

Sampung taon mula ngayon ay magtatapos tayo na ang malalim na pag-aaral ng pampalakas ay nasobrahan sa huling bahagi ng 2010, at marami pang ibang mahahalagang pananaliksik ang napabayaan. Ang bawat dolyar na namuhunan sa pag-aaral ng pampalakas ay isang dolyar na hindi namuhunan sa ibang lugar, sa isang oras kung kailan, halimbawa, ang mga pananaw mula sa mga agham na nagbibigay-malay na tao ay maaaring magbunga ng mahalagang mga pahiwatig. Ang mga mananaliksik sa pag-aaral ng makina ay madalas na nagtanong, "Paano maa-optimize ng mga makina ang mga kumplikadong problema gamit ang napakalaking dami ng data?" Maaari rin nating tanungin, "Paano nakukuha ng mga bata ang wika at nauunawaan ang mundo, gamit ang mas kaunting kapangyarihan at data kaysa sa kasalukuyang mga sistema ng AI. ? "Kung gumugol tayo ng mas maraming oras, pera, at enerhiya sa huling tanong kaysa sa dating, maaari naming makarating sa artipisyal na pangkalahatang katalinuhan nang mas maaga.


Marami pang Mahusay na Mga Kwento