211service.com
Google e Microsoft parlano di intelligenza artificiale
Google e Microsoft non condividono spesso un palcoscenico, essendo concorrenti sempre più agguerriti in aree come la ricerca Web, i dispositivi mobili e il cloud computing. Ma i rivali possono essere d'accordo su alcune cose, come l'importanza dell'intelligenza artificiale per il futuro della tecnologia.
Incontro delle menti: Peter Norvig (in alto) ed Eric Horvitz concordano sul fatto che l'intelligenza artificiale sia una chiave per il futuro della tecnologia.
Pietro Norvigo , direttore della ricerca di Google, e Eric Horvitz , un eminente scienziato di Microsoft Research, ha recentemente parlato insieme a un pubblico al Museo di storia del computer a Palo Alto, California, sulla promessa dell'intelligenza artificiale. In seguito, la coppia ha parlato con Revisione della tecnologia 's IT editor, Tom Simonite, su ciò che l'intelligenza artificiale può fare oggi e su ciò che pensano sarà capace di domani. L'intelligenza artificiale è un argomento complesso e alcune risposte sono state modificate per brevità.
Revisione della tecnologia : Entrambi avete parlato sul palco di come l'intelligenza artificiale è stata avanzata negli ultimi anni attraverso l'uso di tecniche di apprendimento automatico che acquisiscono grandi volumi di dati e capiscono cose come come tradurre il testo o trascrivere il discorso. Che dire delle aree in cui vogliamo che l'IA aiuti dove non ci sono molti dati da cui imparare?
Peter Norvig: Quello che stiamo facendo è come cercare sotto il lampione le chiavi cadute perché la luce è lì. Abbiamo fatto molto bene con il testo e la voce perché ci sono molti dati in circolazione. L'analisi [abbattere gli elementi grammaticali delle frasi] non si verifica mai naturalmente, forse nei compiti di linguistica di qualcuno, quindi dobbiamo impararlo senza dati [etichettati]. Uno dei miei colleghi sta cercando di aggirare il problema guardando a quali parti del testo online sono stati creati collegamenti, che possono segnalare dove si trova una parte particolare di una frase.
Eric Horvitz: Ho pensato spesso che se avessi un servizio cloud nel cielo che registrasse ogni richiesta vocale e cosa è successo dopo, ogni conversazione in ogni taxi a Pechino, per esempio, potrebbe essere possibile che l'intelligenza artificiale impari come fare Tutto quanto.
Più seriamente, se riusciamo a trovare modi per acquisire molti dati in modo da preservare la privacy, potremmo renderlo possibile.
Non è difficile utilizzare l'apprendimento automatico se i dati di addestramento non sono già etichettati e spiegati, per dare all'intelligenza artificiale una verità da cui iniziare?
Horvitz: Non è necessario che sia completamente etichettato. Un'area nota come apprendimento semi-supervisionato ci mostra che anche se l'1% o meno dei dati viene taggato, puoi usarlo per capire il resto.
Ma la mancanza di etichette è una sfida. Una soluzione è effettivamente pagare una piccola somma alle persone per aiutare un sistema con dati che non può capire, eseguendo microtask come etichettare le immagini o altre piccole cose. Penso che usare il calcolo umano per aumentare l'IA sia un'area davvero ricca.
Un'altra possibilità è costruire sistemi che comprendano il valore delle informazioni, il che significa che possono calcolare automaticamente qual è la prossima migliore domanda da porre o come ottenere il massimo valore da un tag aggiuntivo o da un'informazione fornita da un essere umano.
Norvig: Non devi dire tutto a un sistema di apprendimento. C'è un tipo di apprendimento chiamato apprendimento per rinforzo in cui si dà semplicemente una ricompensa o una punizione alla fine di un'attività. Ad esempio, hai perso una partita a dama e non ti viene detto dove hai sbagliato e devi imparare cosa fare per ottenere la ricompensa la prossima volta.
Tutto questo è molto diverso dai primi giorni dell'intelligenza artificiale, negli anni '50 e '60, quando i ricercatori facevano previsioni audaci sull'abbinamento delle capacità umane e cercavano di utilizzare regole di alto livello per creare intelligenza. I tuoi sistemi di apprendimento automatico stanno elaborando le stesse regole di alto livello per se stessi?
Horvitz: I sistemi di apprendimento possono derivare regole situazionali di alto livello per l'azione, ad esempio, per prendere una serie di sintomi [fisiologici] e risultati di test e sputare una diagnosi. Ma questo non è lo stesso delle regole generali dell'intelligenza.
Può darsi che il lavoro di livello più basso che svolgiamo oggi incontri le idee dall'alto verso il basso dal basso verso l'alto un giorno. La rivoluzione di cui io e Peter abbiamo fatto parte nell'intelligenza artificiale è stata che il processo decisionale in condizioni di incertezza era così importante e poteva essere fatto con approcci probabilistici. Insieme alla rivoluzione probabilistica nell'IA arriva la prospettiva: siamo agenti molto limitati e l'incompletezza è inevitabile.
Norvig: All'inizio c'era una logica che distingueva l'intelligenza artificiale e la domanda era come usarla. Lo studio è diventato lo studio dell'utilità di questi strumenti, come gli scacchi. Ma poi puoi avere solo cose vere o false e non puoi fare molte cose che vogliamo fare, quindi siamo andati verso la probabilità. Ci è voluto un po' di tempo per riconoscere che altri campi, come la probabilità e la teoria delle decisioni, erano là fuori. Mettere insieme questi due approcci è una sfida.
Poiché vediamo prove più dirette dell'intelligenza artificiale nella vita reale, ad esempio Siri, sembra che sia stato creato una sorta di problema di progettazione. Le persone che creano IA devono renderle appetibili per la nostra stessa intelligenza.
Norvig: Questo è in realtà un insieme di problemi a vari livelli. Conosciamo il sistema di visione umana e cosa potrebbe significare, ad esempio, rendere i pulsanti di colori diversi. A un livello più alto, le aspettative nella nostra testa su qualcosa e su come dovrebbe comportarsi si basano su ciò che pensiamo che sia e su come pensiamo alla sua relazione con noi.
Horvitz: L'intelligenza artificiale si interseca sempre di più con il campo dell'interazione umana tra computer [studiando la psicologia di come usiamo e pensiamo i computer]. L'idea che avremo cose più intelligenti che lavorino a stretto contatto con le persone focalizza davvero l'attenzione sulla necessità di sviluppare nuovi metodi all'intersezione tra intelligenza umana e intelligenza artificiale.
Di cosa abbiamo bisogno per saperne di più per rendere le IA più compatibili con gli umani?
Horvitz: Una cosa che il mio gruppo di ricerca ha spinto a dare ai computer è una comprensione a livello di sistema dell'attenzione umana, per sapere quando è meglio interrompere una persona. È stato un argomento di ricerca tra noi ricercatori e i team di prodotto.
Norvig: Penso che vogliamo anche capire molto di più il corpo umano, e puoi vedere in Kinect di Microsoft un modo per farlo. C'è molto potenziale affinché i sistemi comprendano il nostro comportamento e il linguaggio del corpo.
C'è qualche intelligenza artificiale in Kinect?
Horvitz: Al centro c'è molto machine learning. Penso che l'idea che possiamo prendere l'intelligenza artificiale all'avanguardia e sviluppare un dispositivo di consumo che ha venduto più velocemente di qualsiasi altro nella storia dice qualcosa sul campo dell'intelligenza artificiale. Anche l'apprendimento automatico svolge un ruolo centrale nella ricerca di Bing e posso solo presumere che sia importante anche nell'offerta di ricerca di Google. Quindi, le persone che effettuano ricerche sul Web utilizzano l'intelligenza artificiale nella loro vita quotidiana.
Un'ultima domanda: puoi dirmi una demo recente della tecnologia AI che ti ha colpito?
Norvig: Ho letto di recente un articolo di qualcuno in Google che sta per tornare a Stanford sull'apprendimento non supervisionato, un'area in cui le curve del nostro miglioramento nel tempo non sono sembrate così buone. Ma sta ottenendo dei risultati davvero buoni, e sembra che imparare quando non si sa nulla in anticipo potrebbe essere in procinto di migliorare molto.
Horvitz: Sono rimasto molto colpito dall'apprendimento degli apprendisti, in cui un sistema impara con l'esempio. Ha molte applicazioni. Sia Berkeley che Stanford hanno gruppi che stanno davvero facendo progressi in questo: per esempio, elicotteri che imparano a volare sulla schiena [a testa in giù] da [osservando] un esperto umano.