L'anello mancante dell'intelligenza artificiale

Nel 2012 il mondo ha appreso di un sorprendente progetto di ricerca all'interno del segreto X lab di Google. Una gigantesca simulazione di tre milioni di neuroni ha imparato a riconoscere i gatti e le persone nelle immagini, senza l'aiuto umano, semplicemente guardando le immagini prese da YouTube.

Le persone dietro il progetto hanno fondato un nuovo gruppo di ricerca noto come Google Brain all'interno della divisione di ricerca dell'azienda. Loro e ricercatori altrove hanno presto dimostrato al mondo che le reti neurali artificiali, un'invenzione vecchia di decenni, potevano comprendere immagini e parlato con una precisione senza precedenti (vedi Google Puts Its Virtual Brain to Work). Il successo del deep learning, come è anche nota la tecnica, ha spinto Google e altri a investire molto nell'intelligenza artificiale e ha persino portato alcuni esperti a sostenere che dovremmo prepararci per un software più intelligente degli umani (vedi Cosa ci vorrà per costruire un sistema virtuoso AI?).

Eppure il rilevatore di gatti di Google era in qualche modo un vicolo cieco. I recenti successi del deep learning si basano su software che hanno bisogno dell'aiuto umano per apprendere, qualcosa che limita fino a che punto può arrivare l'intelligenza artificiale.

L'esperimento di Google ha utilizzato un approccio noto come apprendimento non supervisionato, in cui il software viene alimentato con dati grezzi e deve capire le cose da solo senza l'aiuto umano. Ma sebbene abbia imparato a riconoscere gatti, volti e altri oggetti, non era abbastanza preciso per essere utile. Il boom della ricerca sull'apprendimento profondo e sui prodotti basati su di esso si basa sull'apprendimento supervisionato, in cui il software viene fornito con dati etichettati dagli esseri umani, ad esempio immagini etichettate con i nomi degli oggetti che raffigurano (vedi Macchine per insegnarci a capirci).

Ciò si è dimostrato incredibilmente efficace per molti problemi, come identificare oggetti nelle immagini, filtrare la posta indesiderata e persino suggerire brevi risposte ai tuoi messaggi, una funzionalità introdotta da Google lo scorso anno . Ma l'apprendimento non supervisionato è probabilmente necessario se il software vuole continuare a comprendere meglio il mondo, afferma Jeff Dean, che oggi guida il gruppo Google Brain e ha anche lavorato al progetto del rilevatore di gatti all'interno di Google X.

Sono abbastanza sicuro che ne abbiamo bisogno, dice Dean. L'apprendimento supervisionato funziona così bene quando si dispone del set di dati giusto, ma alla fine l'apprendimento non supervisionato sarà una componente davvero importante nella creazione di sistemi davvero intelligenti: se si guarda al modo in cui gli esseri umani imparano, è quasi del tutto non supervisionato.

Un esempio è il modo in cui impariamo da bambini, stabilendo le basi dell'intelligenza adulta. Ad esempio, scopriamo che gli oggetti esistono ancora mentre sono fuori vista e cadono se non supportati, e impariamo queste cose semplicemente osservando il mondo, senza istruzioni esplicite. Questo tipo di buon senso è necessario se i robot vogliono navigare nel mondo così come fanno gli animali. Supporta anche compiti apparentemente più astratti, come la comprensione del linguaggio.

Capire come il software possa fare ciò che viene così facilmente ai bambini umani è fondamentale se si vogliono soddisfare le più grandi ambizioni per l'intelligenza artificiale, afferma Yann LeCun, direttore dell'Artificial Intelligence Research Group di Facebook. Sappiamo tutti che l'apprendimento senza supervisione è la risposta definitiva, dice. Risolvere l'apprendimento senza supervisione ci porterà al livello successivo.

Sebbene non abbiano ancora quella risposta definitiva, i ricercatori di aziende come Facebook e Google, e nel mondo accademico, stanno sperimentando forme limitate di apprendimento non supervisionato.

Un filone di ricerca mira a creare reti neurali artificiali che ingeriscano video e immagini e quindi generino nuove immagini utilizzando la conoscenza che hanno acquisito sul mondo, indicando che hanno formato una rappresentazione interna di come funziona. Fare previsioni accurate sul mondo è un'importante caratteristica fondamentale dell'intelligenza umana.

Il volto umano 'ottimale', secondo una rete di tre milioni di neuroni simulati che Google ha alimentato con immagini da YouTube.

I ricercatori di Facebook hanno creato un software chiamato EyeScream che possono generare immagini riconoscibili a seguito di richieste come chiesa o aereo, e stanno lavorando alla creazione di un software che prevede cosa accadrà in un video. Ricercatori presso la sussidiaria DeepMind di Google hanno creato software che guarda una foto con alcune parti oscurate e cerca di riempirle con immagini realistiche.

DeepMind sta anche testando un'alternativa all'apprendimento completamente non supervisionato chiamato apprendimento per rinforzo, in cui il software viene addestrato ricevendo un feedback automatico sulle sue prestazioni, ad esempio dal sistema di punteggio di un gioco per computer (vedi Intelligence Designer di Google). E i ricercatori che non utilizzano il deep learning hanno dimostrato un software in grado di imparare a riconoscere un carattere scritto a mano sulla base di un singolo esempio (vedi Questo algoritmo di intelligenza artificiale apprende i compiti alla stessa velocità di noi).

Eppure nessuna di queste esplorazioni ha finora rivelato un percorso che sembra garantito per portare all'apprendimento non supervisionato vicino al livello umano, o software in grado di apprendere cose complesse sul mondo reale semplicemente sperimentandolo o sperimentandolo. In questo momento sembra che ci manchi un'idea chiave, afferma Adam Coates, direttore del motore di ricerca cinese Laboratorio di intelligenza artificiale della Silicon Valley di Baidu .

L'apprendimento supervisionato ha ancora molto da offrire mentre la ricerca va avanti, afferma Coates: le società Internet hanno accesso a una vasta gamma di dati sulle cose che le persone fanno e si preoccupano, materie prime che possono essere utilizzate per costruire cose come interfacce vocali e assistenti personali molto più capaci di quelli che abbiamo oggi. A breve termine c'è molto che puoi fare con i dati etichettati, dice. Le grandi aziende spendono milioni per convincere gli appaltatori a etichettare i dati da inserire nei loro sistemi di apprendimento automatico.

LeCun di Facebook ritiene che i ricercatori non saranno costretti a sopravvivere per sempre con dati etichettati. Ma rifiuta di indovinare per quanto tempo il motore dell'intelligenza umana rimarrà fuori dalla portata del software. Conosciamo gli ingredienti; solo che non conosciamo la ricetta, dice. Potrebbe volerci un po '.

nascondere