Macchine didattiche per capirci

La prima volta che Yann LeCun ha rivoluzionato l'intelligenza artificiale, è stata una falsa alba. Era il 1995 e per quasi un decennio il giovane francese si era dedicato a quella che molti informatici consideravano una cattiva idea: che imitare grossolanamente alcune caratteristiche del cervello fosse il modo migliore per realizzare macchine intelligenti. Ma LeCun aveva dimostrato che questo approccio poteva produrre qualcosa di sorprendentemente intelligente e utile. Lavorando presso i Bell Labs, ha realizzato un software che simulava grosso modo i neuroni e ha imparato a leggere testi scritti a mano osservando molti esempi diversi. La società madre di Bell Labs, AT&T, l'ha utilizzata per vendere le prime macchine in grado di leggere la grafia su assegni e moduli scritti. A LeCun e ad alcuni compagni di fede nelle reti neurali artificiali, sembrava segnare l'inizio di un'era in cui le macchine potevano apprendere molte altre abilità precedentemente limitate agli esseri umani. Non lo era.

L'intero progetto è in qualche modo scomparso nel giorno del suo più grande successo, afferma LeCun. Lo stesso giorno ha celebrato il lancio di macchine bancarie in grado di leggere migliaia di assegni all'ora, AT&T ha annunciato che lo era dividersi in tre società dedicato a diversi mercati delle comunicazioni e dell'informatica. LeCun è diventato capo della ricerca presso un AT&T più snello ed è stato incaricato di lavorare su altre cose; nel 2002 lascia AT&T, per diventare presto professore alla New York University. Nel frattempo, ricercatori altrove hanno scoperto di non poter applicare la svolta di LeCun ad altri problemi informatici. L'approccio ispirato al cervello all'IA è tornato ad essere un interesse marginale.

Questa storia faceva parte del nostro numero di settembre 2015

• Vedi il resto del problema
• sottoscrivi

LeCun, ora un tozzo 55enne con un sorriso pronto e una ciocca di capelli scuri striati di grigio, non ha mai smesso di perseguire quell'interesse marginale. E sorprendentemente, il resto del mondo è tornato. Le idee che lui e pochi altri hanno nutrito di fronte a oltre due decenni di apatia e, talvolta, di netto rifiuto, negli ultimi anni hanno prodotto risultati sorprendenti in aree come il riconoscimento facciale e vocale. Il deep learning, come è ora noto il campo, è diventato un nuovo campo di battaglia tra Google e altre aziende tecnologiche leader che stanno gareggiando per utilizzarlo nei servizi per i consumatori. Una di queste società è Facebook, che ha assunto LeCun dalla New York University nel dicembre 2013 e lo ha messo a capo di un nuovo gruppo di ricerca sull'intelligenza artificiale, FAIR, che oggi conta 50 ricercatori ma crescerà fino a 100. Il laboratorio di LeCun è il primo investimento significativo di Facebook nei fondamentali ricerca e potrebbe essere cruciale per i tentativi dell'azienda di diventare qualcosa di più di un semplice luogo sociale virtuale. Potrebbe anche rimodellare le nostre aspettative su ciò che le macchine possono fare.

Facebook e altre aziende, tra cui Google, IBM e Microsoft, si sono mosse rapidamente per entrare in quest'area negli ultimi anni perché il deep learning è di gran lunga migliore delle precedenti tecniche di intelligenza artificiale per far acquisire ai computer abilità che sfidano le macchine, come la comprensione delle foto . Quelle tecniche più consolidate richiedono agli esperti umani di programmare laboriosamente determinate abilità, come come rilevare linee e angoli nelle immagini. Il software di apprendimento profondo scopre come dare un senso ai dati da solo, senza tale programmazione. Alcuni sistemi ora possono riconoscere le immagini o facce con la stessa precisione degli esseri umani.

Ora LeCun punta a qualcosa di molto più potente. Vuole fornire software con le competenze linguistiche e il buon senso necessari per conversazioni di base. Invece di dover comunicare con le macchine facendo clic sui pulsanti o inserendo termini di ricerca scelti con cura, potremmo semplicemente dire loro cosa vogliamo come se stessimo parlando con un'altra persona. Il nostro rapporto con il mondo digitale cambierà completamente grazie agli agenti intelligenti con cui puoi interagire, prevede. Ritiene che l'apprendimento profondo possa produrre un software in grado di comprendere le nostre frasi e di rispondere con risposte appropriate, domande chiarificatrici o suggerimenti propri.

Gli agenti che rispondono a domande concrete o prenotano ristoranti per noi sono un'applicazione ovvia, se non esattamente rivoluzionaria. È anche facile vedere come un tale software potrebbe portare a personaggi di videogiochi più stimolanti o migliorare l'apprendimento online. In modo più provocatorio, LeCun afferma che i sistemi che afferrano il linguaggio ordinario potrebbero conoscerci abbastanza bene da capire cosa è bene per noi. Sistemi come questo dovrebbero essere in grado di capire non solo ciò che le persone sarebbero intrattenute, ma ciò che hanno bisogno di vedere indipendentemente dal fatto che lo apprezzeranno, dice. Tali imprese non sono possibili utilizzando le tecniche dietro i motori di ricerca, i filtri antispam e gli assistenti virtuali che cercano di capirci oggi. Spesso ignorano l'ordine delle parole e se la cavano con trucchi statistici come la corrispondenza e il conteggio delle parole chiave. Siri di Apple, ad esempio, cerca di inserire ciò che dici in un piccolo numero di categorie che attivano risposte con script. Non capiscono davvero il testo, dice LeCun. È incredibile che funzioni. Nel frattempo, i sistemi che sembrano aver padroneggiato compiti linguistici complessi, come quelli di IBM Pericolo! vincitore Watson, fallo essendo super specializzato in un formato particolare. È carino come dimostrazione, ma non un lavoro che si tradurrebbe davvero in qualsiasi altra situazione, dice.

Al contrario, i software di deep learning potrebbero essere in grado di dare un senso al linguaggio più come fanno gli umani. I ricercatori di Facebook, Google e altrove stanno sviluppando software che ha mostrato progressi nella comprensione del significato delle parole. Il team di LeCun ha un sistema in grado di leggere storie semplici e rispondere a domande su di esse, attingendo a facoltà come la deduzione logica e una comprensione rudimentale del tempo.

Tuttavia, come LeCun sa in prima persona, l'intelligenza artificiale è nota per i segnali di progresso che alimentano le previsioni di grandi balzi in avanti ma alla fine cambiano molto poco. Creare un software in grado di gestire le incredibili complessità del linguaggio è una sfida più grande che addestrarlo a riconoscere gli oggetti nelle immagini. L'utilità del deep learning per il riconoscimento vocale e il rilevamento delle immagini è fuori dubbio, ma è ancora solo un'ipotesi che padroneggerà il linguaggio e trasformerà le nostre vite in modo più radicale. Non sappiamo ancora con certezza se il deep learning sia un punto debole che si rivelerà qualcosa di molto più grande.

Storia profonda

Le radici del deep learning risalgono a più lontano del tempo di LeCun ai Bell Labs. Lui e pochi altri che hanno aperto la strada alla tecnica stavano effettivamente resuscitando un'idea morta da tempo nell'intelligenza artificiale.

Quando il campo iniziò, negli anni '50, i biologi stavano appena iniziando a sviluppare semplici teorie matematiche su come l'intelligenza e l'apprendimento emergono dai segnali che passano tra i neuroni nel cervello. L'idea centrale, ancora attuale oggi, era che i legami tra i neuroni si rafforzano se quelle cellule comunicano frequentemente. La raffica di attività neurale innescata da una nuova esperienza regola le connessioni del cervello in modo che possa capirlo meglio la seconda volta.

Nel 1956, lo psicologo Frank Rosenblatt utilizzò queste teorie per inventare un modo per realizzare semplici simulazioni di neuroni in software e hardware. Il New York Times ha annunciato il suo lavoro con il titolo Il 'cervello' elettronico si insegna da solo . Il perceptron di Rosenblatt, come ha chiamato il suo progetto, potrebbe imparare a ordinare immagini semplici in categorie, ad esempio triangoli e quadrati. Rosenblatt di solito implementava le sue idee macchine giganti fittamente aggrovigliati con fili, ma hanno stabilito i principi di base al lavoro nelle reti neurali artificiali oggi.

Il deep learning è bravo a prendere dettatura e riconoscere le immagini. Ma può padroneggiare il linguaggio umano?

Un computer che ha costruito aveva otto neuroni simulati, costituiti da motori e quadranti collegati a 400 rilevatori di luce. Ciascuno dei neuroni ha ricevuto una quota dei segnali dai rivelatori di luce, li ha combinati e, a seconda di cosa hanno sommato, ha sputato un uno o a 0 . Insieme, quelle cifre rappresentavano la descrizione del perceptron di ciò che vedeva. Inizialmente i risultati erano spazzatura. Ma Rosenblatt ha utilizzato un metodo chiamato apprendimento supervisionato per addestrare un perceptron a generare risultati che distinguessero correttamente forme diverse. Mostrerebbe al perceptron un'immagine insieme alla risposta corretta. Quindi la macchina modificherebbe la quantità di attenzione che ciascun neurone prestava ai suoi segnali in arrivo, spostando quei pesi verso impostazioni che avrebbero prodotto la risposta giusta. Dopo molti esempi, queste modifiche hanno dotato il computer di abbastanza intelligenza per classificare correttamente immagini che non aveva mai visto prima. Le odierne reti di deep learning utilizzano algoritmi sofisticati e dispongono di milioni di neuroni simulati, con miliardi di connessioni tra di loro. Ma sono addestrati allo stesso modo.

Rosenblatt predisse che i perceptron sarebbero presto stati capaci di compiere imprese come salutare le persone per nome, e la sua idea divenne un fulcro del nascente campo dell'intelligenza artificiale. Il lavoro si è concentrato sulla creazione di perceptron con reti più complesse, organizzate in una gerarchia di più livelli di apprendimento. Il passaggio di immagini o altri dati in successione attraverso i livelli consentirebbe a un perceptron di affrontare problemi più complessi. Sfortunatamente, l'algoritmo di apprendimento di Rosenblatt non ha funzionato su più livelli. Nel 1969 il pioniere dell'IA Marvin Minsky, che aveva frequentato il liceo con Rosenblatt, pubblicò un critica a libro dei perceptron che ha ucciso in un colpo l'interesse per le reti neurali. Minsky ha affermato che far funzionare più livelli non renderebbe i percettron abbastanza potenti da essere utili. I ricercatori di intelligenza artificiale hanno abbandonato l'idea di creare un software che imparasse. Invece, si sono rivolti all'uso della logica per creare sfaccettature di lavoro dell'intelligenza, come l'attitudine per gli scacchi. Le reti neurali sono state spinte ai margini dell'informatica.

Tuttavia, LeCun è rimasto ipnotizzato quando ha letto dei perceptron quando era studente di ingegneria a Parigi all'inizio degli anni '80. Sono rimasto stupito dal fatto che funzionasse e mi chiedevo perché le persone l'hanno abbandonato, dice. Trascorse giorni in una biblioteca di ricerca vicino a Versailles, alla ricerca di articoli pubblicati prima che i percettron si estinguessero. Poi ha scoperto che un piccolo gruppo di ricercatori negli Stati Uniti stava di nuovo lavorando di nascosto sulle reti neurali. Questo era un movimento molto clandestino, dice. In articoli accuratamente ripuliti da parole come neurale e imparando a evitare il rifiuto da parte dei revisori, stavano lavorando su qualcosa di molto simile al vecchio problema di Rosenblatt su come addestrare reti neurali con più livelli.

LeCun si è unito all'underground dopo aver incontrato le sue figure centrali nel 1985, tra cui un inglese ironico di nome Geoff Hinton, che ora lavora a Google e all'Università di Toronto. Divennero immediatamente amici, ammiratori reciproci e il nucleo di una piccola comunità che fece rivivere l'idea delle reti neurali. Erano sostenuti dalla convinzione che l'uso di un meccanismo fondamentale visto nell'intelligenza naturale fosse l'unico modo per costruire l'intelligenza artificiale. L'unico metodo che sapevamo funzionare era un cervello, quindi a lungo termine doveva essere che i sistemi potessero funzionare, afferma Hinton.

Il successo di LeCun ai Bell Labs è arrivato dopo che lui, Hinton e altri hanno perfezionato un algoritmo di apprendimento per reti neurali con più livelli. Era noto come backpropagation e suscitò un impeto di interesse da parte di psicologi e informatici. Ma dopo la fine del progetto di lettura degli assegni di LeCun, la backpropagation si è rivelata difficile da adattare ad altri problemi e un ricercatore dei Bell Labs in fondo al corridoio di LeCun ha inventato un nuovo modo per addestrare il software per ordinare i dati. Non coinvolgeva neuroni simulati ed era visto come matematicamente più elegante. Molto rapidamente è diventato una pietra miliare di società Internet come Google, Amazon e LinkedIn, che lo utilizzano per addestrare sistemi che bloccano lo spam o suggeriscono cose da acquistare.

Dopo che LeCun è arrivato alla New York University nel 2003, lui, Hinton e un terzo collaboratore, il professore dell'Università di Montreal Yoshua Bengio, hanno formato quella che LeCun chiama la cospirazione del deep learning. Per dimostrare che le reti neurali sarebbero utili, hanno sviluppato in silenzio modi per ingrandirle, addestrarle con set di dati più grandi ed eseguirle su computer più potenti. Il sistema di riconoscimento della grafia di LeCun aveva cinque strati di neuroni, ma ora potrebbero averne 10 o più. Intorno al 2010, quello che ora è stato soprannominato deep learning ha iniziato a battere le tecniche consolidate su attività del mondo reale come l'ordinamento delle immagini. Microsoft, Google e IBM lo hanno aggiunto ai sistemi di riconoscimento vocale. Ma le reti neurali erano ancora estranee alla maggior parte dei ricercatori e non considerate ampiamente utili. All'inizio del 2012 LeCun ha scritto una lettera infuocata, inizialmente pubblicato in forma anonima —dopo che un documento che affermava di aver stabilito un nuovo record su un compito di visione standard è stato respinto da una conferenza di primo piano. Ha accusato i revisori di essere all'oscuro e di parte negativa.

Tutto è cambiato sei mesi dopo. Hinton e due studenti laureati hanno utilizzato una rete come quella creata da LeCun per la lettura degli assegni per sbaragliare il campo nel principale concorso per il riconoscimento delle immagini. Conosciuto come ImageNet Large Scale Visual Recognition Challenge, richiede al software di identificare 1.000 tipi di oggetti diversi come zanzariere e moschee. La voce di Toronto ha identificato correttamente l'oggetto in un'immagine entro cinque ipotesi circa l'85% delle volte, oltre 10 punti percentuali in più rispetto al secondo miglior sistema. Gli strati iniziali di neuroni del software di apprendimento profondo si sono ottimizzati per trovare cose semplici come bordi e angoli, con gli strati successivi alla ricerca di caratteristiche successivamente più complesse come forme di base e, infine, cani o persone.

LeCun ricorda di aver visto la comunità che aveva per lo più ignorato le reti neurali radunarsi nella stanza in cui i vincitori presentavano un documento sui loro risultati. Si poteva vedere proprio lì che molte persone anziane nella comunità si sono appena ribaltate, dice. Hanno detto: 'Ok, ora lo compriamo. Ecco fatto, ora... hai vinto.'

Gli accademici che lavoravano sulla visione artificiale abbandonarono rapidamente i loro vecchi metodi e il deep learning divenne improvvisamente uno dei filoni principali dell'intelligenza artificiale. Google ha acquistato una società fondata da Hinton e le altre due dietro il risultato del 2012 e Hinton ha iniziato a lavorare lì part-time in un team di ricerca noto come Google Brain. Microsoft e altre aziende hanno creato nuovi progetti per studiare il deep learning. Nel dicembre 2013, il CEO di Facebook Mark Zuckerberg ha sbalordito gli accademici presentandosi alla più grande conferenza di ricerca sulle reti neurali, ospitando una festa in cui ha annunciato che LeCun stava iniziando FAIR (sebbene lavori ancora alla NYU un giorno alla settimana).

LeCun nutre ancora sentimenti contrastanti sulla ricerca del 2012 che ha portato il mondo al suo punto di vista. In una certa misura questo dovrebbe essere uscito dal mio laboratorio, dice. Hinton condivide tale valutazione. È stato un po' sfortunato per Yann non essere stato lui a creare il sistema rivoluzionario, dice. Il gruppo di LeCun ha svolto più lavoro di chiunque altro per dimostrare le tecniche utilizzate per vincere la sfida ImageNet. La vittoria avrebbe potuto essere la sua se i programmi di laurea degli studenti e altri impegni non hanno impedito al suo stesso gruppo di affrontare ImageNet, dice. La caccia di LeCun alla prossima svolta del deep learning è ora un'occasione per pareggiare il punteggio.

LeCun ai Bell Labs nel 1993, con un computer in grado di leggere la grafia sugli assegni.

Apprendimento delle lingue

L'ufficio di Facebook a New York si trova a tre minuti a piedi lungo Broadway dall'ufficio di LeCun alla New York University, su due piani di un edificio costruito come un grande magazzino all'inizio del XX secolo. I lavoratori sono stipati più densamente nel piano aperto di quanto non lo siano nella sede di Facebook a Menlo Park, in California, ma possono ancora essere visti scivolare su skateboard articolati oltre gli avvisi per il beer pong settimanale. Quasi la metà del team di importanti ricercatori di intelligenza artificiale di LeCun lavora qui, mentre il resto si trova nel campus di Facebook in California o in un ufficio a Parigi. Molti di loro stanno cercando di migliorare le reti neurali nella comprensione del linguaggio. Ho assunto tutte le persone che ci lavorano, dice LeCun.

Una rete neurale può apprendere le parole eseguendo lo spooling nel testo e calcolando come ogni parola che incontra avrebbe potuto essere prevista dalle parole precedenti o successive. In questo modo, il software impara a rappresentare ogni parola come un vettore che ne indica la relazione con altre parole, un processo che cattura misteriosamente i concetti nel linguaggio. La differenza tra i vettori per re e regina è la stessa di marito e moglie, per esempio. I vettori per carta e cartone sono vicini e quelli per grandi e grandi sono ancora più vicini.

Lo stesso approccio funziona per intere frasi (Hinton dice che genera vettori di pensiero) e Google sta cercando di usarlo per rafforzare il suo servizio di traduzione automatica. Un recente articolo di ricercatori di un'università cinese e del laboratorio Microsoft di Pechino ha utilizzato una versione della tecnica vettoriale per creare un software che batte alcuni esseri umani su domande del test del QI che richiedono la comprensione di sinonimi, contrari e analogie.

Il gruppo di LeCun sta lavorando per andare oltre. Il linguaggio in sé non è così complicato, dice. La cosa complicata è avere una profonda comprensione della lingua e del mondo che ti dia buon senso. Questo è ciò che ci interessa davvero costruire nelle macchine. LeCun significa buon senso come usava il termine Aristotele: la capacità di comprendere la realtà fisica di base. Vuole un computer per capire che la frase Yann ha preso la bottiglia ed è uscito dalla stanza significa che la bottiglia è andata via con lui. I ricercatori di Facebook hanno inventato un sistema di apprendimento profondo chiamato rete di memoria che mostra quelli che potrebbero essere i primi stimoli del buon senso.

Una rete di memoria è una rete neurale con una banca di memoria imbullonata per archiviare i fatti che ha appreso in modo che non vengano lavati via ogni volta che acquisisce nuovi dati. Il laboratorio di intelligenza artificiale di Facebook ha creato versioni in grado di rispondere a semplici domande di buon senso su testi che non hanno mai visto prima. Ad esempio, quando i ricercatori hanno fornito a una rete di memoria un riassunto molto semplificato della trama di Signore degli Anelli , potrebbe rispondere a domande come Dov'è l'anello? e Dov'era Frodo prima del Monte Fato? Potrebbe interpretare il mondo semplice descritto nel testo nonostante non abbia mai incontrato in precedenza molti dei nomi o degli oggetti, come Frodo o anello.

Il software ha imparato il suo rudimentale buon senso mostrando come rispondere a domande su un semplice testo in cui i personaggi fanno cose in una serie di stanze, come Fred si è trasferito in camera da letto e Joe è andato in cucina. Ma LeCun vuole esporre il software a testi che sono di gran lunga migliori nel catturare la complessità della vita e le cose che un assistente virtuale potrebbe aver bisogno di fare. Un concierge virtuale chiamato Moneypenny che Facebook dovrebbe rilasciare potrebbe essere una fonte di quei dati. Si dice che l'assistente sia alimentato da un team di operatori umani che aiuterà le persone a fare cose come prenotare un ristorante. Il team di LeCun potrebbe avere una rete di memoria che veglia sulla spalla di Moneypenny prima di lasciargli imparare interagendo con gli umani da solo.

Diverse aziende hanno aperto laboratori di deep learning. Ho assunto tutte le persone che ci lavorano, dice LeCun.

Costruire qualcosa che può contenere anche una conversazione di base e strettamente focalizzata richiede ancora un lavoro significativo. Ad esempio, le reti neurali hanno mostrato solo ragionamenti molto semplici e i ricercatori non hanno capito come potrebbero essere insegnati loro a fare progetti, afferma LeCun. Ma i risultati del lavoro svolto finora con la tecnologia lo lasciano fiducioso su dove stanno andando le cose. La rivoluzione è in arrivo, dice.

Alcune persone sono meno sicure. Il software di deep learning finora ha mostrato solo le capacità più semplici richieste per ciò che riconosceremmo come conversazione, afferma Oren Etzioni , CEO dell'Allen Institute for Artificial Intelligence di Seattle. Le capacità logiche e di pianificazione ancora necessarie, dice, sono molto diverse dalle cose che le reti neurali hanno fatto meglio: digerire sequenze di pixel o forme d'onda acustiche per decidere quale categoria di immagine o parola rappresentano. I problemi di comprensione del linguaggio naturale non sono riducibili allo stesso modo, dice.

Gary Marco , professore di psicologia e scienze neurali alla New York University, che ha studiato come gli esseri umani imparano il linguaggio e ha recentemente avviato una società di intelligenza artificiale chiamata Geometric Intelligence, pensa che LeCun sottovaluti quanto sarebbe difficile per il software esistente acquisire il linguaggio e il buon senso. Addestrare il software con grandi volumi di dati accuratamente annotati va bene per farlo ordinare le immagini. Ma Marcus dubita che possa acquisire le abilità più complicate necessarie per il linguaggio, in cui i significati di parole e frasi complesse possono cambiare a seconda del contesto. Le persone guarderanno indietro al deep learning e diranno che questa è una tecnica davvero potente: è la prima volta che l'IA diventa pratica, dice. Diranno anche che quelle cose richiedevano molti dati e c'erano domini in cui le persone non ne avevano mai abbastanza. Marcus pensa che la lingua possa essere uno di questi domini. Affinché il software possa padroneggiare la conversazione, dovrebbe imparare di più come un bambino che lo raccoglie senza istruzioni esplicite, suggerisce.

Convinzione profonda

Nella sede di Facebook in California, i membri della West Coast del team di LeCun siedono vicino a Mark Zuckerberg e Mike Schroepfer, il CTO dell'azienda. I leader di Facebook sanno che il gruppo di LeCun è ancora lontano dalla costruzione di qualcosa con cui parlare, ma Schroepfer sta già pensando a come usarlo. Il futuro Facebook che descrive recupera e coordina le informazioni, come un maggiordomo con cui comunichi digitando o parlando come potresti con un umano.

Puoi interagire con un sistema in grado di comprendere concetti e linguaggio a un livello molto più elevato, afferma Schroepfer. Immagina di poterti chiedere di vedere le istantanee del bambino di un amico ma non le sue battute, per esempio. Penso che nel breve termine una versione di ciò sia molto realizzabile, dice. Poiché i sistemi di LeCun ottengono migliori capacità di ragionamento e pianificazione, si aspetta che la conversazione diventi meno unilaterale. Facebook potrebbe offrire informazioni che ritiene ti piacerebbe e chiederti cosa ne pensi. Alla fine è come questo aiutante super intelligente che è collegato a tutti i flussi di informazioni del mondo, afferma Schroepfer.

Non è chiaro quanto trarremmo vantaggio da assistenti virtuali più intelligenti, ma potremmo non dover aspettare molto per scoprirlo.

Gli algoritmi necessari per alimentare tali interazioni migliorerebbero anche i sistemi utilizzati da Facebook per filtrare i post e gli annunci che vediamo. E potrebbero essere vitali per le ambizioni di Facebook di diventare molto più di un semplice luogo di socializzazione. Man mano che Facebook inizia a ospitare articoli e video per conto di società di media e intrattenimento, ad esempio, avrà bisogno di modi migliori per consentire alle persone di gestire le informazioni. Gli assistenti virtuali e altri spin-out del lavoro di LeCun potrebbero anche aiutare le partenze più ambiziose di Facebook dal suo business originale, come il gruppo Oculus che lavora per trasformare la realtà virtuale in una tecnologia di mercato di massa.

Niente di tutto ciò accadrà se i recenti risultati impressionanti incontrano il destino delle precedenti grandi idee nell'intelligenza artificiale. I fiori di eccitazione attorno alle reti neurali sono già appassiti due volte. Ma mentre si lamentano del fatto che altre società o ricercatori stiano esagerando, il loro lavoro è uno di quelli di LeCun passatempi preferiti , dice che ci sono prove circostanziali sufficienti per rimanere saldi dietro le sue stesse previsioni secondo cui il deep learning produrrà risultati impressionanti. La tecnologia fornisce ancora maggiore precisione e potenza in ogni area dell'IA in cui è stata applicata, afferma. Sono necessarie nuove idee su come applicarlo all'elaborazione del linguaggio, ma il campo ancora piccolo si sta espandendo rapidamente poiché le aziende e le università dedicano più persone ad esso. Ciò accelererà i progressi, afferma LeCun.

Non è ancora chiaro se il deep learning possa fornire qualcosa come il maggiordomo di informazioni immaginato da Facebook. E anche se potesse, è difficile dire quanto il mondo ne trarrebbe davvero beneficio. Ma potremmo non dover aspettare molto per scoprirlo. LeCun ipotizza che gli assistenti virtuali con una padronanza del linguaggio senza precedenti per il software saranno disponibili in soli due o cinque anni. Si aspetta che chiunque dubiti della capacità del deep learning di padroneggiare la lingua si smentirà ancora prima. C'è lo stesso fenomeno che stavamo osservando poco prima del 2012, dice. Le cose stanno iniziando a funzionare, ma le persone che fanno tecniche più classiche non sono convinte. Entro un anno o due sarà la fine.

nascondere